Berdasarkan Tabel 11, peubah terpilih berdasarkan information value (InV), peubah pendapatan per tahun, rasio antara cicilan dan pendapatan, serta kode pekerjaan digambarkan sebagai peubah yang sangat erat hubungannya dan cukup tinggi tingkat prediksinya terhadap peubah target atau peubah status kolektibilitas
good dan bad. Peubah pendapatan per tahun mendapatkan InV lebih besar dari 0.3 sehingga dikatakan tingkat prediksi peubah pendapatan per tahun tinggi. InV peubah rasio antara cicilan dan pendapatan dan kode pekerjaan berkisar antara 0.1 dan 0.3 sehingga termasuk dalam tingkat prediksi pertengahan. Sedangkan peubah status kepemilikan rumah dan banyaknya tanggungan mendapat peringkat lebih rendah dibandingkan tiga peubah yang disebutkan di awal karena nilai InV kedua peubah tersebut kurang dari 0.1 dan mempunyai tingkat prediksi yang lemah terhadap peubah target.
Hasil yang tidak jauh berbeda juga ditunjukkan oleh Tabel 12. Nilai indeks asosiasi uncertainty coefficient (UC) memilih peubah pendapatan per tahun, rasio antara cicilan dan pendapatan, serta kode pekerjaan sebagai peubah dengan tingkat asosiasi yang tinggi dibandingkan peubah status kepemilikan rumah dan banyaknya tanggungan.
Perbedaan dari kedua Tabel 11 dan 12, ialah metode diskretisasi yang terbaik yang terpilih pada masing-masing peubah. Berdasarkan InV, metode entropi paling baik digunakan pada semua peubah prediktor. Berdasarkan UC, metode entropi hanya sesuai digunakan oleh peubah numerik sedangkan metode khi kuadrat lebih sesuai digunakan pada peubah kategorik. Secara umum, metode entropi bekerja lebih baik dalam mendiskretisasi peubah numerik dibandingkan khi kuadrat. Hal ini dilihat dari peubah numerik pendapatan per tahun dan rasio antara cicilan dan pendapatan hasil diskretisasi metode entropi yang terpilih dan mendapat peringkat yang tinggi berdasarkan kedua kriteria UC dan InV di atas.
SIMPULAN DAN SARAN
Simpulan
Hasil diskretisasi peubah prediktor menggunakan entropi dan khi kuadrat bisa sangat berbeda. Secara umum, untuk data kredit konsumtif yang digunakan pada penelitian ini, jumlah kategori yang didapatkan dari metode entropi, lebih banyak daripada
metode khi kuadrat. Selain itu juga metode entropi mampu mendiskretisasi peubah numerik lebih baik pada data yang diterapkan dibandingkan metode khi kuadrat berdasarkan kriteria UC dan InV. Tetapi masih belum cukup bukti untuk mengambil kesimpulan yang serupa untuk diskretisasi atau pengkategorian peubah kategorik menggunakan metode entropi dan khi kuadrat
Berdasarkan nilai indeks asosiasi UC dan
InV peubah pendapatan per tahun,rasio antara cicilan dan pendapatan serta kode pekerjaan digambarkan sebagai peubah yang sangat erat hubungannya dan tinggi tingkat prediksinya dengan target, disusul peubah status kepemilikan rumah dan banyaknya tanggungan.
Saran
Hasil diskretisasi yang didapatkan sangat bergantung terhadap koleksi data yang ada dan diperlukan data yang cukup besar. Semakin banyak data yang digunakan maka hasil diskretisasi yang didapatkan akan mendekati keadaan yang sesungguhnya. Karena selang nilai peubah atau atribut yang terbentuk berdasarkan proporsi status good dan bad
mungkin tidak terjadi secara kebetulan saja. Isu yang muncul dari proses diskretisasi ialah ukuran selang atau selang hasil diskretisasi. Jika selang terlalu kecil, mungkin hasil yang didapatkan tidak mendukung kejadian yang sesungguhnya. Sedangkan jika terlalu lebar, mungkin akan mengurangi tingkat kepercayaan. Sehingga diperlukan pemahaman terhadap data yang dihadapi sehingga didapatkan metode diskretiasi yang sesuai.
DAFTAR PUSTAKA
Han, Jiawei dan Kember, Micheline. 2001.
Data Mining : Concepts And Techniques.
Academic Press. San Diego
Kantardzic, Mehmed. 2003. Data Mining : Concepts, Models, Methods, And Algorithms. IEEE and Wiley Inter-Science. New York.
Hollowel. 2004. A fair Isaac white paper : Technology Guide To The Scorecard Module. (http://www.fairisaac.com/). [22 Juni 2007]
Liu, Huan, Hussain F., Tan C.L., dan Dash M. 1999. Discretization : An enabling
Berdasarkan Tabel 11, peubah terpilih berdasarkan information value (InV), peubah pendapatan per tahun, rasio antara cicilan dan pendapatan, serta kode pekerjaan digambarkan sebagai peubah yang sangat erat hubungannya dan cukup tinggi tingkat prediksinya terhadap peubah target atau peubah status kolektibilitas
good dan bad. Peubah pendapatan per tahun mendapatkan InV lebih besar dari 0.3 sehingga dikatakan tingkat prediksi peubah pendapatan per tahun tinggi. InV peubah rasio antara cicilan dan pendapatan dan kode pekerjaan berkisar antara 0.1 dan 0.3 sehingga termasuk dalam tingkat prediksi pertengahan. Sedangkan peubah status kepemilikan rumah dan banyaknya tanggungan mendapat peringkat lebih rendah dibandingkan tiga peubah yang disebutkan di awal karena nilai InV kedua peubah tersebut kurang dari 0.1 dan mempunyai tingkat prediksi yang lemah terhadap peubah target.
Hasil yang tidak jauh berbeda juga ditunjukkan oleh Tabel 12. Nilai indeks asosiasi uncertainty coefficient (UC) memilih peubah pendapatan per tahun, rasio antara cicilan dan pendapatan, serta kode pekerjaan sebagai peubah dengan tingkat asosiasi yang tinggi dibandingkan peubah status kepemilikan rumah dan banyaknya tanggungan.
Perbedaan dari kedua Tabel 11 dan 12, ialah metode diskretisasi yang terbaik yang terpilih pada masing-masing peubah. Berdasarkan InV, metode entropi paling baik digunakan pada semua peubah prediktor. Berdasarkan UC, metode entropi hanya sesuai digunakan oleh peubah numerik sedangkan metode khi kuadrat lebih sesuai digunakan pada peubah kategorik. Secara umum, metode entropi bekerja lebih baik dalam mendiskretisasi peubah numerik dibandingkan khi kuadrat. Hal ini dilihat dari peubah numerik pendapatan per tahun dan rasio antara cicilan dan pendapatan hasil diskretisasi metode entropi yang terpilih dan mendapat peringkat yang tinggi berdasarkan kedua kriteria UC dan InV di atas.
SIMPULAN DAN SARAN
Simpulan
Hasil diskretisasi peubah prediktor menggunakan entropi dan khi kuadrat bisa sangat berbeda. Secara umum, untuk data kredit konsumtif yang digunakan pada penelitian ini, jumlah kategori yang didapatkan dari metode entropi, lebih banyak daripada
metode khi kuadrat. Selain itu juga metode entropi mampu mendiskretisasi peubah numerik lebih baik pada data yang diterapkan dibandingkan metode khi kuadrat berdasarkan kriteria UC dan InV. Tetapi masih belum cukup bukti untuk mengambil kesimpulan yang serupa untuk diskretisasi atau pengkategorian peubah kategorik menggunakan metode entropi dan khi kuadrat
Berdasarkan nilai indeks asosiasi UC dan
InV peubah pendapatan per tahun,rasio antara cicilan dan pendapatan serta kode pekerjaan digambarkan sebagai peubah yang sangat erat hubungannya dan tinggi tingkat prediksinya dengan target, disusul peubah status kepemilikan rumah dan banyaknya tanggungan.
Saran
Hasil diskretisasi yang didapatkan sangat bergantung terhadap koleksi data yang ada dan diperlukan data yang cukup besar. Semakin banyak data yang digunakan maka hasil diskretisasi yang didapatkan akan mendekati keadaan yang sesungguhnya. Karena selang nilai peubah atau atribut yang terbentuk berdasarkan proporsi status good dan bad
mungkin tidak terjadi secara kebetulan saja. Isu yang muncul dari proses diskretisasi ialah ukuran selang atau selang hasil diskretisasi. Jika selang terlalu kecil, mungkin hasil yang didapatkan tidak mendukung kejadian yang sesungguhnya. Sedangkan jika terlalu lebar, mungkin akan mengurangi tingkat kepercayaan. Sehingga diperlukan pemahaman terhadap data yang dihadapi sehingga didapatkan metode diskretiasi yang sesuai.
DAFTAR PUSTAKA
Han, Jiawei dan Kember, Micheline. 2001.
Data Mining : Concepts And Techniques.
Academic Press. San Diego
Kantardzic, Mehmed. 2003. Data Mining : Concepts, Models, Methods, And Algorithms. IEEE and Wiley Inter-Science. New York.
Hollowel. 2004. A fair Isaac white paper : Technology Guide To The Scorecard Module. (http://www.fairisaac.com/). [22 Juni 2007]
Liu, Huan, Hussain F., Tan C.L., dan Dash M. 1999. Discretization : An enabling
Berdasarkan Tabel 11, peubah terpilih berdasarkan information value (InV), peubah pendapatan per tahun, rasio antara cicilan dan pendapatan, serta kode pekerjaan digambarkan sebagai peubah yang sangat erat hubungannya dan cukup tinggi tingkat prediksinya terhadap peubah target atau peubah status kolektibilitas
good dan bad. Peubah pendapatan per tahun mendapatkan InV lebih besar dari 0.3 sehingga dikatakan tingkat prediksi peubah pendapatan per tahun tinggi. InV peubah rasio antara cicilan dan pendapatan dan kode pekerjaan berkisar antara 0.1 dan 0.3 sehingga termasuk dalam tingkat prediksi pertengahan. Sedangkan peubah status kepemilikan rumah dan banyaknya tanggungan mendapat peringkat lebih rendah dibandingkan tiga peubah yang disebutkan di awal karena nilai InV kedua peubah tersebut kurang dari 0.1 dan mempunyai tingkat prediksi yang lemah terhadap peubah target.
Hasil yang tidak jauh berbeda juga ditunjukkan oleh Tabel 12. Nilai indeks asosiasi uncertainty coefficient (UC) memilih peubah pendapatan per tahun, rasio antara cicilan dan pendapatan, serta kode pekerjaan sebagai peubah dengan tingkat asosiasi yang tinggi dibandingkan peubah status kepemilikan rumah dan banyaknya tanggungan.
Perbedaan dari kedua Tabel 11 dan 12, ialah metode diskretisasi yang terbaik yang terpilih pada masing-masing peubah. Berdasarkan InV, metode entropi paling baik digunakan pada semua peubah prediktor. Berdasarkan UC, metode entropi hanya sesuai digunakan oleh peubah numerik sedangkan metode khi kuadrat lebih sesuai digunakan pada peubah kategorik. Secara umum, metode entropi bekerja lebih baik dalam mendiskretisasi peubah numerik dibandingkan khi kuadrat. Hal ini dilihat dari peubah numerik pendapatan per tahun dan rasio antara cicilan dan pendapatan hasil diskretisasi metode entropi yang terpilih dan mendapat peringkat yang tinggi berdasarkan kedua kriteria UC dan InV di atas.
SIMPULAN DAN SARAN
Simpulan
Hasil diskretisasi peubah prediktor menggunakan entropi dan khi kuadrat bisa sangat berbeda. Secara umum, untuk data kredit konsumtif yang digunakan pada penelitian ini, jumlah kategori yang didapatkan dari metode entropi, lebih banyak daripada
metode khi kuadrat. Selain itu juga metode entropi mampu mendiskretisasi peubah numerik lebih baik pada data yang diterapkan dibandingkan metode khi kuadrat berdasarkan kriteria UC dan InV. Tetapi masih belum cukup bukti untuk mengambil kesimpulan yang serupa untuk diskretisasi atau pengkategorian peubah kategorik menggunakan metode entropi dan khi kuadrat
Berdasarkan nilai indeks asosiasi UC dan
InV peubah pendapatan per tahun,rasio antara cicilan dan pendapatan serta kode pekerjaan digambarkan sebagai peubah yang sangat erat hubungannya dan tinggi tingkat prediksinya dengan target, disusul peubah status kepemilikan rumah dan banyaknya tanggungan.
Saran
Hasil diskretisasi yang didapatkan sangat bergantung terhadap koleksi data yang ada dan diperlukan data yang cukup besar. Semakin banyak data yang digunakan maka hasil diskretisasi yang didapatkan akan mendekati keadaan yang sesungguhnya. Karena selang nilai peubah atau atribut yang terbentuk berdasarkan proporsi status good dan bad
mungkin tidak terjadi secara kebetulan saja. Isu yang muncul dari proses diskretisasi ialah ukuran selang atau selang hasil diskretisasi. Jika selang terlalu kecil, mungkin hasil yang didapatkan tidak mendukung kejadian yang sesungguhnya. Sedangkan jika terlalu lebar, mungkin akan mengurangi tingkat kepercayaan. Sehingga diperlukan pemahaman terhadap data yang dihadapi sehingga didapatkan metode diskretiasi yang sesuai.
DAFTAR PUSTAKA
Han, Jiawei dan Kember, Micheline. 2001.
Data Mining : Concepts And Techniques.
Academic Press. San Diego
Kantardzic, Mehmed. 2003. Data Mining : Concepts, Models, Methods, And Algorithms. IEEE and Wiley Inter-Science. New York.
Hollowel. 2004. A fair Isaac white paper : Technology Guide To The Scorecard Module. (http://www.fairisaac.com/). [22 Juni 2007]
Liu, Huan, Hussain F., Tan C.L., dan Dash M. 1999. Discretization : An enabling
technique. DMKD 6:393-423. (http://dl.comp.nus.edu.sg/dspace/bitstrea
m/1900.100/1386/1/report.pdf). [22 Juni 2007]
SAS Institute Inc. 2003. Enterprise miner version 4.3 SAS User’s guide. Cary. NC : SAS Institute Inc.
Hababou, Moez, Cheng A.Y., dan Falk R. 2006. Variable Selection In Credit Card Industry. Royal Bank of Scotland. Bridgeport.
(http://www.nesug.org/proceedings/ nesug06/an/da23.pdf).
kategorisasi ulang. Peubah job code Group WoE Notaris -1.6270 Pegawai Yayasan -1.2215 Pegawai swasta -0.1136 Guru /Dosen 0.3189 Pegawai BUMN/BUMD 0.4690 Pegawai Negri Sipil 0.9380
Akuntan 1.3687 Paramedis 1.3687 Profesional 1.3687 Employee 1.7742 Dokter 2.4673 Pejabat Negara 2.6215 Wiraswasta 2.6215
Peubah residence status Group WoE Rented -0.3583 Parents -0.1374 Own 0.1445 Others 0.2658 Institution 0.4482 Credit 0.5088 Peubah number of dependants
Group WoE 0 0.1398 1 -0.1874 2 -0.0420 3 0.1246 4 0.0570 5 0.1623 7 0.6731 8 0.6731 6 1.3663
Lampiran 2. Indeks asosiasi UC dan InV peubah input.
Peubah Metode InV UC
Entropi 0.23585 0.0142 Rasio antara cicilan dan pendapatan
Khi kuadrat 0.19223 0.0117 Entropi 0.40279 0.2390 Pendapatan per tahun
Khi kuadrat 0.22769 0.1690 Entropi 0.01925 0.0017 Banyaknya tanggungan
Khi kuadrat 0.01543 0.0019 Entropi 0.03139 0.0028 Status kepemilikan rumah
Khi kuadrat 0.02624 0.0031 Entropi 0.13683 0.0176 Kode pekerjaan