PENERAPAN ALGORITMA C4.5 UNTUK MENGANALISIS KELAYAKAN PEMBERIAN KREDIT NASABAH

IJCCS

ISSN: 1978-1520

 1

PENERAPAN ALGORITMA C4.5 UNTUK MENGANALISIS KELAYAKAN PEMBERIAN KREDIT NASABAH Susanto¹, Neneng Sri Uryani², Cepi Rahmat Hidayat³ STMIK Tasikmalaya JL. RE Martadinata 272 A, Kota Tasikmalaya – Jawa Barat (0265) 310830 Email: ¹[email protected], ²[email protected], ³[email protected] Abstrak Dalam pemberian Kredit perlu menganalisa kebutuhan kreditur, maka yang harus diketahui terlebih dahulu adalah prinsip-prinsip yang perlu ditegakan dalam rangka pemberian Kredit.Hal-hal yang perlu diperhatikan dalam pemberian kredit bagi nasabah adalah Prinsip 6 C’s Analysis. Perlu adanya solusi pemecahan masalah yang ada, dengan membuat suatu Sistem Pendukung Keputusan. Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan.Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Semakin kaya informasi atau pengetahuan yang dikandung oleh data training, maka akurasi pohon keputusan akan semakin meningkat. Dengan dihasilkannya klasifikasi kelayakan pemberian kredit nasabah dengan jumlah 8 atribut menghasilkan akurasi 87.36% merupakan tingkat akurasi yang baik dibandingkan dengan hasil penelitian klasifikasi kelayakan pemberian kredit nasabah yang menggunakan 4 atribut menghasilkan akurasi 79.50%. Kata kunci: Analisis kredit, Prinsip 6 C’s Analysis,Data Mining dan Algoritma C4.5 Abstract In granting credit need to analyse the needs of creditors, then that should be noted beforehand is the principles that need to be ditegakan in order to grant credits. The things that need to be observed in granting credit for customers is the principle 6 C's Analysis. Need for troubleshooting existing solutions, by making a decision support system. The algorithm is the algorithm 4.5 C used to form a decision tree. Decision tree classification method and prediction is a very powerful and famous. The rich information or knowledge that is conceived by data training, then the accuracy of the decision tree will progressively increase. With the resultant classification feasibility of granting credit borrowers with a total of 8 attributes produces 87.36% accuracy is a good degree of accuracy compared with the results of the study the feasibility of granting credit customer classification that uses 4 attribute generates accuracy 79.50%. Keywords: Credit Analysis, principles 6 C's Analysis, Data Mining and algorithms C4.5 1. PENDAHULUAN Banyak penelitian membahas mengenai penentuan kelayakan pemberian kredit dengan berbagai algoritma data mining. Seperti penelitian yang dilakukan Abbas Heiat (2011) menyatakan bahwa resiko bagi lembaga keuangan untuk memberikan kredit yang diminta tergantung pada seberapa baik mereka membedakan pemohon kredit yang baik dari para pemohon kredit macet[1]. Di bawah ini adalah beberapa penelitian yang berkaitan dengan masalah kredit yaitu: a. Jiang (2009) membuat model untuk memprediksi nasabah yang bermasalah dan tidak bermasalah dalam pembayaran kredit dengan menggunakan model algoritma C4.5. Data yang digunakan diambil dari perusahaan German credit yang merupakan perusahaan pembiayaan. Jiang mengambil beberapa atribut dan kemudian dimasukkan ke dalam model untuk memprediksi persentase nasabah yang bermasalah[2]. Pada penelitian ini, peneliti

Title of manuscript is short and clear, implies research results (First Author)



2

ISSN: 1978-1520

menyatakan hasil penelitiannya yaitu Statistik menunjukkanbahwa biaya misclassifying kredit lancar dan kredit macet adalah 5~20kali dari misclassifying kredit lancar dan kredit macet. Ketika jatah β dan α adalah mendekati atau lebih besar dari 2, SAA mengidentifikasi semua nasabah kredit lancar dan kredit macet karena keterbatasan fungsi diskriminan, ketika C4.5 dikombinasikan dengan SAA, aturankeputusanevaluasi relative stabil. Ini tidak mengklasifikasikan semua nasabah kredit lancar dan kredit macet bahkan dengan diskriminan fungsi, tingkat kesalahan keseluruhan untuk SAA adalah 34% yang menunjukkan bahwa bank-bank kehilangan beberapa pelanggan yang baik. b. S. Satchidananda and J. B. Simha (2006) Penelitian ini membandingkan dua model algoritma untuk analisa resiko kredit, yaitu Pohon Keputusan dan Regresi Logistik. Data diambil dari dua bank yang berbeda, kemudian untuk mengelompokkan kasus positif dan negatif maka dilakukan klustering data dengan menggunakan k-means. Hasil analisa dari masing-masing model dikomparasi dan kemudian diukur, kemudian didapatkan bahwa algoritma pohon keputusan mempunyai tingkat akurasi yang tinggi dibandingkan algoritma regresi logistik[3]. Penelitian inimasih dalam prosesuntuk menyelidikikinerjayang diusulkan, Pendekatan dibandingkan dengan teknikklasifikasi lainnya untuk credit scoring sehingga tingkat akurasinya belum dapat diketahui. c. Firmansyah (2011), juga melakukan penelitian dengan judul “Penerapan Algoritma Klasifikasi C4.5 untuk Penentuan Kelayakan Pemberian Kredit Koperasi”Nilai accuracy, precision, dan recall nyadari data training dapat dihitungdengan menggunakan Rapid Miner. Setelah diuji coba dengan metode crossvalidation, didapatkan hasil pengukuran terhadap data trainingnya yaitu hanya mencapai accuracy =79.50%, precision = 86.50% dan recall = 91.00%[4]. Hasil pengujian tersebut berdasarkan 5 parameter, merupakan masalah penelitian Teknik Informatika yang masih bisa di tingkatkan akurasinya.mengapaHasil penelitian sebelumnya “Penerapan Algoritma Klasifikasi C4.5 untuk Penentuan Kelayakan Pemberian Kredit Koperasi”Nilai accuracy nya hanya 79.50 % ? oleh karena itu penulis berkesempatan untuk meningkatkan hasil penelitian yang dilakukan oleh Firmansyah dengan cara menambahkan 1 parameter sehingga jumlah parameter nya menjadi 6 parameter dalam mengklasifikasikan Nasabah atau Debitur” 2. METODE PENELITIAN a. Tahap data understanding. Data diperoleh dari salah satu Bank BPR di Tasikmalayapada tahun 2012. Data tersebut sebanyak 700 record memiliki atribut Nama_Nasabah, Jenis_Kelamin, Umur, Jumlah_Pinjaman, Jangka_Waktu, Jumlah_Angsuran_Perbulan, Type_Pinjaman, Jenis_Pinjaman, Bi_Sektor_Ekonomi, Col, Bi_Golongan_Debitur, Bi_Golongan_Penjamin, Saldo_Nominatif, Tunggakan_Pokok, Tunggakan_Bunga, Status_Kredit.Nilai dari semua atribut yang ada di tabel, merupakan nilai kategorikal dan bukan nilai angka, misalnya seperti atribut umur, yaitu debitur yang berusia 17 th sampai 40 tahun termasuk dalam kategori muda, sedangkan debitur yang berusia 41 tahun sampai 55 tahun termasuk kategori paruh baya, dan kategori ketiga adalah debitur yang berusia diatas 55 tahun termasuk kategori tua. Tabel 6 di bawah ini ditampilkan nama atribut, kategori, dan nilai angka (rangenya). Berikut rule nilainya :

Atribut jenis_kelamin Umur

jml_pinjaman

Tabel 1 Kategori atribut Nilai Angka L P 17 - 40 41- 55 > 55 Rp. 1.000.000- Rp.

IJCCS Vol. x, No. x, July201x : first_page–end_page

Kategori Laki-laki Perempuan Muda paruh baya Tua Kecil

IJCCS

 3

ISSN: 1978-1520

jangka waktu

jml_angsuran_per_bulan

bi_gol_penjamin

saldo_nominatif

tunggakan_pokok

tunggakan_bunga

5.000.000 Rp. 5.000.001- Rp. 10.000.000 > Rp. 10.000.000 6-12 bulan 12-18 bulan > 18 bulan <= Rp. 100.000 <= Rp. 1000.000 > Rp. 1000.000 000 835 875 Rp. 1.000.000- Rp. 5.000.000 Rp. 5.000.001- Rp. 10.000.000 > Rp. 10.000.000 <= Rp. 500.000 <= Rp. 1000.000 > Rp. 1000.000 <= Rp. 100.000 <= Rp. 1000.000 > Rp. 1000.000

Sedang Besar Cepat Sedang Lambat Kecil Sedang Besar tanpa penjamin perusahaan2 lainnya Perorangan Kecil Sedang Besar Kecil Sedang Besar Kecil Sedang Besar

b.

Tahap data preparation Tabel di bawah ini menunjukkan data transaksi kredit baik yang bermasalah maupun yang tidak bermasalah. Pada tabel ini terdapat 210 record data nasabah yang terdiri dari 8 atribut yaitu : Jenis_Kelamin, Umur, Jumlah_Pinjaman, Jangka_Waktu, Jumlah_Angsuran_Perbulan, Bi_Golongan_Penjamin, Saldo_Nominatif, Tunggakan_Pokok, Status_Kredit. Tabel terlampir. Tabel data set merupakan data murni yang belum diolah menjadi data training. Jika kita lihat secara seksama pada tabel data set ini, maka akan didapati beberapa atribut yang tidak digunakan dan record yang duplikasi. Untuk itu maka diperlukan teknik dalam preprocessing yaitu : a. Data cleaning bekerja untuk membersihkan nilai yang kosong ,tidak konsisten atau mungkin tupel yang kosong (missing values dan noisy). b. Data integration berfungsi menyatukan tempat penyimpanan (arsip) yang berbeda ke dalam satu data. Dalam hal ini, ada dua arsip yang diambil sebagai data warehouse yaitu data anggota dan data kredit. c. Data reduction. Jumlah atribut dan tupel yang digunakan untuk data training mungkin terlalu besar, hanya beberapa atribut yang diperlukan sehingga atribut yang tidak diperlukan akan dihapus. Tupel dalam data set mungkin terjadi duplikasi atau terdapat tupel yang sama, sehingga untuk memperkecil jumlah tupel, tupel yang sama akan dijadikan dalam satu tupel untuk mewakili tupel tersebut akan terlihat pada tabel 7, untuk lebih lengkapnya tabel dapat dilihat di lampiran. Telah disebutkan sebelumnya bahwa kredit macet berjumlah 138 nasabah atau debitur, data ini telah dipisahkan dari data pembayar yang tidakbermasalah. Dengan proses training, data


4

c.

d.



ISSN: 1978-1520

debitur bermasalah menjadi 53 tupelkarena telah melalui tahap training. Berikut datanya dalam bentuk tabel 8 , untuk lebih lengkapnya tabel terlampir. Tahap Modeling Computing approach pada penelitian ini dipilih berdasarkan studi literatur tentang algoritma yaitu C 4.5yang mampu mengklasifikasikan status kredit lancar dan kredit macet.Tahap ini akan dibahas di bab III Analisa dan evaluation pattern Algoritma yang telah dikembangkan dalam penelitian ini akan diterapkan pada data pembayaran kredit melalui suatu model simulasi. 80% data akan dipergunakan sebagai data training dan 20% data akan digunakan sebagai data checking. Evaluasi dilakukan dengan mengamati hasil klasifikasi dari penerapan C4.5 .Pengukuran tingkat akurasi dilakukan dengan menggunakan evaluasi model confusion matrix dan kurva ROC (Receiver Operating Characteristic).Dengan demikian dapat diketahui berapa tinggi akurasi dari algoritma tersebut.

3. HASIL DAN PEMBAHASAN 3.1. Hasil Pemodelan dan Pembahasan Pada tabel 11 diatas, pada node 1.3 untuk leaf tunggakan pokok kategori besar. tidak dilakukan perhitungan, karena nilai entropy untuk Tunggakan Pokok besar adalah 0.00000 sehingga jika dilakukan perhitungan maka hasilnya akan 0.00000 Dari hasil perhitungan diatas, maka didapatkan model pohon keputusan seperti berikut:

Gambar 1 Model pohon keputusan menggunakan algoritma C 4.5 Dari model pohon keputusan tersebut didapat aturan/ pola sebagai berikut : tunggakan_pokok = Besar: MACET {LANCAR=0, MACET=18} tunggakan_pokok = Kecil: LANCAR {LANCAR=49, MACET=24} tunggakan_pokok = Sedang: MACET {LANCAR=1, MACET=11} 3.2. Hasil Pengujian Tahapan selanjutnya adalah melakukan eksperimen 8 atribut data training dengan menggunakan Framework RapidMiner. Hal yang pertama dilakukan adalah mengimpor data set yang sudah disiapkan sebelumnya. Untuk menganalisa, dibutuhkan data training. Data training yang akan dimasukkan ke dalam Rapid Miner bisa dalam format .csv, .xls, .mdb dan lain-lain. Data yang penulis gunakan adalah dalam format .xlsx. dari dataset yang didapat dari tempat penelitian yang sudah diolah menjadi data training dengan menggunakan teknik preprocesing. Kemudian dilakukan pengujian model dengan menggunakan RapidMiner. Algoritma yang pertama diterapkan adalah algoritma C 4.5 dan berikut hasil dari pengujian menggunakan Rapid Miner. Dalam hal ini penulis membandingkan hasil pengujian dengan jumlah atribut yang berbeda yaitu experiment pertama penulis menggunakan 9 atribut dan experiment kedua penulis menggunakan 8 atribut atau menhilangkan salah satu atribut pada data training yang sama sehingga dapat diketahui tingkat akurasi yang lebih tinggi.


IJCCS

ISSN: 1978-1520

 5

Pada experimen ini penulis sengaja mengurangi salah satu atribut sehingga menjadi 8 atribut pada data training dengan tujuan untuk membandingkan tingkat akurasi yang didapatkan, berikut adalah hasil pengujian yang dilakukan dengan menggunakan 8 atribut.

Gambar 2 gambar pohon keputusan dengan 8 atribut

Gambar 3 nilai akurasi dengan 8 atribut

Gambar 4 Precision 89.67% dengan 8 atribut

Gambar 5 nilai Recall 83.33 dengan 8 atribut


6



ISSN: 1978-1520

Gambar 6 Kurva AUC dengan 8 atribut menunjukan nilai 0.691 3.3. Evaluasi Model Confusion Matrix TrueMACET merupakan tupel positif didata set yang diklasifikasikan positif berjumlah 46, sedangkan trueLANCAR merupakan tupel negatif di data set yang diklasifikasikan negatif berjumlah 44. FalseMACET merupakan tupel positif didata set yang diklasifikasikan negatif berjumlah 4, sedangkan falseLANCAR merupakan tupel negatif di data set yang diklasifikasikan positif berjumlah 9. Kemudian dari data diatas dapat dihitung beberapa persamaan sebagai berikut: Tabel Nilai Precision, Accuracy dan Recall untuk algoritma C 4.5 Hasil pengujian Hasil pengujian menggunakan 8 atribut menggunakan 9 atribut Accuracy 87.36 Accuracy 84.64 % Precision 89.67 Precision 86.33% Recall 83.33 Recall 81.67 % Dari hasil perbandingan pada tabel 14 ternyata terbukti bahwa penggunaan 8 atribut lebih tinggi akurasinya dibandingkan dengan penggunaan 9 atribut. 4. KESIMPULAN Dengan dihasilkannya klasifikasi kelayakan pemberian kredit nasabah dengan jumlah 8 atribut menghasilkan akurasi 87.36% merupakan tingkat akurasi yang baik dibandingkan dengan hasil penelitian klasifikasi kelayakan pemberian kredit nasabah yang menggunakan 4 atribut menghasilkan akurasi 79.50 % , sehingga kelancaran proses penilaian kelayakan kredit dapat tercipta dan pembayaran terlambat (menunggak) sudah terprediksi dari awal untuk dapat diwaspadai agar dapat meminimalisir meningkatnya kredit macet. Tingkat akurasi algoritma C 4.5 eksperiment ini sudah mencapai tingkat baik, sehingga dapat meningkatkan ketelitian dalam proses klasifikasi dan prediksi dengan cara menambahkan beberapa atribut dari histori pembayaran kredit nasabah yang ada sehingga dihasilkan pola klasifikasi yang lebih akurat. 5. SARAN 1. Untuk memperlancar proses penilaian kelayakan pemberian kredit, sebaiknya pola klasifikasi hasil dari penelitian ini diwujudkan kedalam suatu perangkat lunak aplikasi. 2. Untuk meningkatkan tingkat akurasi, sebaiknya menggunakan data dalam jumlah yang banyak dan bersumber dari beberapa perusahaan Bank lainnya. 3. Untuk mempermudah proses klasifikasi, sebaiknya dapat ditemukan cara untuk menentukan pembobotan pada algoritma C 4.5 secara otomatis.


IJCCS

[1] [2] [3] [4]

ISSN: 1978-1520

 7

DAFTAR PUSTAKA A. Heiat, 2011, Modeling Consumer Credit Scoring Through Bayes Network Heiat, Social Sciences, vol. 1, no. 3, pp. 132–141 Y. Jiang, 2009, Credit Scoring Model Based on the Decision Tree and the Simulated Annealing Algorithm, Learning, no. 2007, pp. 18–22 J. B. Simha, 2006, Comparing decision trees with logistic regression for credit risk analysis Firmansyah, M. Ilmu, S. Tinggi, M. Informatika, D. A. N. Komputer, and N. Mandiri, 2011, Penerapan algoritma klasifikasi c4.5 untuk penentuan kelayakan pemberian kredit koperasi tesis


PENERAPAN ALGORITMA C4.5 UNTUK MENGANALISIS KELAYAKAN PEMBERIAN KREDIT NASABAH

Recommend Documents