IDENTIFIKASI KOLEKTIBILITAS KREDIT
MENGGUNAKAN
DECISION TREE
NURUL AZIZAH
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
IDENTIFIKASI KOLEKTIBILITAS KREDIT
MENGGUNAKAN
DECISION TREE
NURUL AZIZAH
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Program Studi Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
ABSTRAK
NURUL AZIZAH. Identifikasi Kolektibilitas Kredit menggunakan Decision Tree. Dibimbing oleh SRI NURDIATI.
Kredit merupakan perjanjian pinjam meminjam uang, bank sebagai kreditur dan nasabah sebagai debitur. Tujuan dari penelitian ini adalah untuk memprediksi tingkat kolektibilitas kredit menggunakan metode decision tree yang berbasis web. Variabel yang digunakan untuk penelitian ini diantaranya jenis kelamin, jenis pinjaman, pokok pinjaman, tujuan, jangka waktu, kode penggunaan, kolektibilitas, jaminan, angsuran bulanan, dan tanggal bayar bulanan. Dalam penelitian ini digunakan data yang terbagi dalam 3000 data latih dan 699 data uji. Dengan menggunakan metode decision tree
J48, pelatihan data yang diproses untuk menghasilkan model identifikasi. Model kemudian diuji dengan menggunakan 699 pengujian data. Hasilnya menunjukkan bahwa hanya 597 data uji yang dapat diidentifikasi dengan benar. Oleh karena itu, keakuratan model mencapai 85%.
Kata kunci: decision tree, kolektibilitas, kredit.
ABSTRACT
NURUL AZIZAH. Credit Collectibility Identification using Decision Tree. Supervised by SRI NURDIATI.
Credit is a loan agreement to borrow money, in which the bank as a creditor and a debtor as the client. The purpose of this study is to predict the level of collectibility of loans using the web-based
decision tree. The variables used for this study include gender, type of loan, the principal amount, purpose, time, code usage, collectability, collateral, monthly installments and monthly pay date. In this research the data used are divided into 3000 training data and 699 testing data. By using J48 decision tree method, the data training was processed to produce the identification model. The model was then tested using 699 testing data. The result showed that 597 data could be identified correctly. Hence the accuracy of the model was 85%.
Judul Skripsi : Identifikasi Kolektibilitas Kredit Menggunakan Decision Tree
Nama : Nurul Azizah NIM : G64086054
Disetujui oleh:
Pembimbing
Dr. Ir. Sri Nurdiati, M. Sc NIP 19601126 1986012 001
Diketahui oleh:
Ketua Departemen Ilmu Komputer
Dr. Ir. Agus Buono, M. Si, M. Kom NIP. 19660702 199302 1 001
RIWAYAT HIDUP
PRAKATA
Assalamualaikum warahmatullahi wabarakatuh
Terimakasih penulis panjatkan kepada Allah Subhanahuwata’ala atas segala karunia-Nya, sehingga penulis dapat menyelesaikan karya ilmiah ini. Pada kesempatan ini, penulis mengucapkan terima kasih kepada semua yang telah memberikan bantuan dan dukungannya sehingga laporan ini dapat terselesaikan.
1 Kedua orangtua dan keluarga atas semua bantuan, semangat, perhatian, doa, dan dukungannya selama ini yang diberikan sehingga penulis dapat menyelesaikan studi di Departemen Ilmu Komputer, IPB.
2 Untuk suami dan anakku tercinta atas semua perhatian, kasih sayang, doa dan dukungannya. 3 Ibu Dr. Ir. Sri Nurdiati M. Sc selaku dosen pembimbing yang selalu sabar membimbing dan
mendukung selama penelitian dan penyusunan skripsi ini.
4 Bapak Hari Agung, S. Si, M. Si dan Bapak Aziz Kustiyo, S. Si, M. Kom selaku dosen penguji. 5 Resti, Sigit, Ryan Sapta Nopa, dan Bang Njup yang telah banyak membantu selama penelitian dan
penyusunan skripsi.
6 Teman-teman satu bimbingan Resti, Eva, Lufe, dan Fifi yang selalu membantu dan mendukung. 7 Teman-teman Alih Jenis Ilkom angkatan 3 atas kebersamaan, persahabatan, bantuan, dan
semangatnya.
8 Direksi dan semua orang yang berada di PT. BPR Mitra Daya Mandiri yang selalu membantu dan mendukung dalam skripsi ini.
9 Semua pihak yang tidak dapat penulis sebutkan satu persatu yang telah membantu terselesaikannya karya ilmiah ini.
Semoga penelitian ini dapat bermanfaat bagi pihak yang membutuhkan. Penulis menyadari bahwa tulisan ini masih memiliki kekurangan dan masih kurang dari sempurna, karena itu penulis memohon maaf atas segala kekurangannya.
Terimakasih.
Wassalamualaikum warahmatullahi wabarakatuh
Bogor, Januari 2013
v
DAFTAR ISI
Halaman
DAFTAR TABEL ... vi
DAFTAR GAMBAR ... vi
DAFTAR LAMPIRAN ... vi
PENDAHULUAN ... 1
Latar Belakang ... 1
Tujuan Penelitian ... 1
Ruang Lingkup ... 1
Manfaat... 2
TINJAUAN PUSTAKA ... 2
Data Preprocessing ... 2
Kredit ... 2
Tingkat Kolektibilitas ... 3
BPR ... 4
Klasifikasi ... 4
Decision Tree ... 4
Entropy dan Gain ... 4
WEKA ... 5
METODE PENELITIAN ... 5
Identifikasi Masalah ... 5
Pengumpulan Data ... 5
Praproses Data ... 6
Penentuan Data Latih dan Data Uji ... 6
Implementasi Sistem ... 6
Proses Identifikasi ... 6
Spesifikasi Implementasi ... 6
HASIL DAN PEMBAHASAN... 6
Deskripsi Data ... 6
Praproses Data ... 7
Penentuan Data Latih dan Data Uji ... 8
Implementasi Sistem ... 8
Proses Identifikasi ... 9
KESIMPULAN DAN SARAN... 10
Kesimpulan ... 10
Saran ... 11
DAFTAR PUSTAKA ... 11
vi
DAFTAR TABEL
Halaman
1 Variabel jenis kelamin ... 7
2 Variabel jenis pinjaman ... 7
3 Variabel pokok pinjaman ... 7
4 Variabel jangka waktu ... 7
5 Variabel kode penggunaan ... 8
6 Variabel jaminan ... 8
7 Variabel angsuran bulanan ... 8
8 Variabel tanggal bayar tiap bulan ... 8
9 Variabel kolektibilitas ... 8
10 Confusion matriks ... 10
DAFTAR GAMBAR
Halaman 1 Metodologi ... 52 Tampilan pembangkitan tree ... 9
3 Tampilan pengujian tree ... 9
4 Tampilan tentang aplikasi ... 9
5 Pohon keputusan ... 10
DAFTAR LAMPIRAN
Halaman 1 Data nasabah sebelum praproses ... 132 Contoh data latih ... 15
3 Contoh data uji ... 16
4 Hasil identifikasi tingkat kolektibilitas ... 17
5 Pembangkitan tree... 46
6 Pengujian tree ... 47
7 Tentang aplikasi ... 47
PENDAHULUAN
Latar Belakang
Kredit merupakan perjanjian pinjam meminjam uang antara bank sebagai kreditur dan nasabah sebagai debitur. Pada zaman sekarang pemberian kredit di Indonesia banyak mengalami perkembangan. Salah satu badan usaha yang memberikan kredit ialah Bank Perkreditan Rakyat (BPR). BPR merupakan salah satu jenis bank yang melayani golongan pengusaha mikro, kecil, dan menengah. BPR umumnya terletak dengan tempat masyarakat yang membutuhkan. BPR merupakan lembaga perbankan resmi yang diatur berdasarkan Undang-Undang No. 7 tahun 1992 tentang Perbankan dan sebagaimana telah diubah dengan Undang-undang No. 10 tahun 1998. Dalam undang-undang tersebut secara jelas disebutkan bahwa ada dua jenis bank, yaitu Bank Umum dan BPR.
Perkembangan kredit memperlihatkan bahwa BPR ikut serta dalam memberikan kredit sebagai upaya memberikan modal pada sektor usaha mikro. Hal ini mengindikasikan bahwa salah satu alasan perkembangan BPR sangat dipengaruhi oleh perkembangan usaha mikro, kecil dan menengah (UMKM) yang keberadaannya semakin lama semakin banyak tumbuh dan berkembang di tengah-tengah masyarakat. Hal ini dapat dimengerti karena pangsa pasar utama dari BPR adalah masyarakat menengah bawah. Oleh karena itu, status kredit atau yang biasa disebut dengan tingkat kolektibilitas dapat digolongkan ke dalam 5 golongan. Berdasarkan Surat Keputusan Direksi Bank Indonesia No. 30/267/KEP/DIR, Tanggal 27 Februari 1998 tentang kualitas produktif dan pembentukan cadangan, ditetapkan 5 tingkat kolektibilitas
yaitu ”Lancar”, ”Perhatian Khusus”, ”Kurang
Lancar”, ”Diragukan”, dan ”Macet”.
Penelitian ini dilakukan untuk mengidentifikasi tingkat kolektibilitas kredit yang mengambil data dari BPR di daerah Bogor yaitu PT. BPR Mitra Daya Mandiri yang beralamat di Jalan Raya Tajur No. 185. Data yang diambil hanya pada tahun 2008-2012 dan nasabah yang bertempat tinggal di wilayah Bogor sehingga terdapat 3699 data yang digunakan. Dari data tersebut terdapat 14 variabel diantaranya nama, alamat, jenis kelamin, kecamatan, kota, jenis pinjaman, pokok pinjaman, tujuan, jangka waktu, kode penggunaan, kolektibilitas, jaminan, angsuran bulanan, tanggal bayar bulanan, tetapi variabel
yang digunakan untuk penelitian ini diantaranya jenis kelamin, jenis pinjaman, pokok pinjaman, tujuan, jangka waktu, kode penggunaan, kolektibilitas, jaminan, angsuran bulanan, dan tanggal bayar bulanan.
Penelitian sebelumnya yang dilakukan oleh Fitriyani (2012) yang dilakukan terhadap data publikasi RW Kumuh DKI Jakarta Tahun 2008 menghasilkan tingkat akurasi sebesar 88%. Sinuhaji (2012) pada data varietas ubi jalar menghasilkan tingkat akurasi sebesar 95%, yang keduanya menggunakan metode
decision tree. Oleh sebab itu, penelitian ini juga menggunakan decision tree J48 yang diharapkan dapat menghasilkan nilai akurasi yang baik dalam mengidentifikasi tingkat kolektibilitas kredit.
Decision tree akan menghasilkan tree
yang memperlihatkan variabel yang memengaruhi tingkat kolektibilitas berdasarkan data. Sistem dibuat berbasis web sehingga memudahkan pengguna dalam menjalankan aplikasi kredit ini tanpa memasang dikomputer lokal dan pengguna dapat mengakses data yang dibutuhkan. Dari sistem tersebut akan dapat diketahui tingkat kolektibilitasnya berdasarkan data yang dimasukkan, sehingga pihak BPR dalam penanganan kredit bermasalah dapat melakukan beberapa penanganan berdasarkan tingkat kolektibitasnya, diantaranya dapat diselesaikan secara yudisial melalui penjadwalan (rescheduling), persyaratan (reconditioning), dan penataan (restrusturing). Penanganan dapat melalui salah satu cara ataupun gabungan dari ketiga cara tersebut tergantung dengan tingkat kolektibilitasnya. Apabila setelah cara tersebut telah ditempuh dan tetap tidak ada kemajuan penanganan, selanjutnya diselesaikan secara yudisial melalui jalur pengadilan.
Tujuan Penelitian
Tujuan dari penelitian ini ialah memprediksi tingkat kolektibilitas kredit menggunakan metode decision tree yang berbasis web.
Ruang Lingkup
Ruang lingkup penelitian ini meliputi: 1 Data yang digunakan dalam penelitian
ini adalah data dari kredit di PT. BPR Mitra Daya Mandiri Bogor.
Manfaat
Penelitian ini diharapkan dapat mengidentifikasi tingkat kolektibilitas dan memudahkan pihak BPR dalam penanganan yang dapat diambil berdasarkan tingkat kolektibilitasnya.
TINJAUAN PUSTAKA
Data Preprocessing
Menurut Tan (2008), terdapat 7 cara melakukan data preprocessing, yaitu: 1 Aggregation
2 Sampling
3 Dimensionality Reduction
4 Feature Subset Selection
5 Feature Creation
6 Discretization and Binarization
7 Variabel Transformation
Terdapat 2 feature Subset Selection, yaitu
redundant feature dan irrelevant features. a Redundant features
- Menduplikasi banyak atau semua informasi yang terkandung dalam satu atau lebih atribut lainnya,
- Contoh: harga pembelian produk dan jumlah pajak penjualan yang dibayar. b Irrelevant features
- Tidak mengandung informasi yang berguna,
- Contoh: Idsiswa sering tidak relevan dengan tugas memprediksi IPK siswa.
Kredit
Dalam bahasa Latin, kredit disebut
“creder” yang artinya percaya, yaitu
kepercayaan dari kreditur bahwa debiturnya akan mengembalikan pinjaman beserta bunganya sesuai dengan perjanjian kedua belah pihak (Kasmir 2005). Pengertian kredit menurut Undang-undang Perbankan No. 10 Tahun 1998 adalah penyediaan uang atau tagihan yang dapat dipersamakan dengan itu berdasarkan persetujuan atau kesepakatan pinjam-meminjam antara bank dan pihak lain yang mewajibkan pihak peminjam untuk melunasi utangnya setelah jangka waktu tertentu dengan jumlah bunga imbalan atau pembagian hasil keuntungan.
Jenis-jenis kredit yang disalurkan oleh bank dapat dilihat dari berbagai segi, yaitu:
Berdasarkan Tujuan 1 Kredit Konsumtif (KK)
KK adalah kredit tidak produktif yang digunakan untuk kebutuhan sendiri
bersama keluarganya, seperti kredit rumah.
2 Kredit Modal Kerja atau Kredit Perdagangan (KMK)
KMK adalah kredit produktif yang dipergunakan untuk menambah modal usaha debitur.
3 Kredit Investasi (KI)
KI adalah kredit untuk investasi produktif dalam jangka waktu relatif lama, misalnya untuk perkebunan kelapa sawit.
Berdasarkan Jangka Waktu 1 Kredit Jangka Pendek
Kredit jangka pendek adalah kredit dengan jangka waktu paling lama satu tahun.
2 Kredit Jangka Menengah
Kredit jangka menengah adalah kredit dengan jangka waktu antara satu hingga tiga tahun.
3 Kredit JangkaPanjang
Kredit jangka panjang adalah kredit dengan jangka waktu lebih dari tiga tahun.
Berdasarkan Macamnya 1 Kredit Aksep
Kredit aksep adalah kredit yang diberikan bank yang hakekatnya hanya merupakan pinjaman uang biasa. 2 Kredit Penjual
Kredit penjual adalah kredit yang diberikan penjual kepada pembeli, dengan arti barang telah diterima pembayaran kemudian.
3 Kredit Pembeli
Kredit pembeli adalah pembayaran telah dilakukan kepada penjual tetapi barang diterima belakangan atau pembelian dengan uang muka.
Berdasarkan Sektor Perekonomian 1 Kredit Pertanian
Kredit pertanian adalah kredit yang diberikan kepada perkebunan, perikanan, dan peternakan.
2 Kredit Perindustrian
Kredit perindustrian adalah kredit yang disalurkan kepada industri kecil, menengah, dan besar.
3 Kredit Pertambangan
Kredit pertambangan adalah kredit yang disalurkan kepada beraneka macam pertambangan.
4 Kredit Ekspor-Impor
5 Kredit Koperasi
Kredit koperasi adalah kredit yang diberikan kepada jenis-jenis koperasi. 6 Kredit Profesi
Kredit profesi adalah kredit yang diberikan untuk beraneka macam profesi.
7 Kredit Perumahan
Kredit perumahan adalah kredit untuk membiayai pembangunan atau pembelian rumah.
Berdasarkan Agunan/Jaminan 1 Kredit Agunan Orang
Kredit agunan orang adalah kredit yang diberikan dengan jaminan seseorang terhadap debitur bersangkutan.
2 Kredit Agunan Efek
Kredit agunan efek adalah kredit yang diberikan dengan agunan efek-efek dan surat-surat berharga.
3 Kredit Agunan Barang
Kredit agunan barang adalah kredit yang diberikan dengan agunan barang tetap, barang bergerak, dan logam mulia.
4 Kredit Agunan Dokumen
Kredit agunan dokumen adalah kredit yang diberikan dengan agunan dokumen transaksi.
Berdasarkan Golongan Ekonomi 1 Golongan Ekonomi Lemah
Golongan ekonomi lemah adalah kredit yang disalurkan kepada pengusaha golongan ekonomi lemah.
2 Golongan Ekonomi Menengah dan Konglomerat
Golongan ekonomi menengah dan konglomerat adalah kredit yang diberikan kepada pengusaha menengah dan besar.
Berdasarkan Penarikan dan Pelunasan 1 Kredit Perdagangan
Kredit perdagangan adalah kredit yang dapat ditarik dan dilunasi setiap saat, besarnya sesuai dengan kebutuhan. 2 Kredit Berjangka
Kredit berjangka adalah kredit yang penarikannya sekaligus (Kasmir 2005).
Tingkat Kolektibilitas
Menurut ketentuan Bank Indonesia yang dikutip oleh Kasmir (2010), Rivai (2009), serta Dendawijaya (2005) berdasarkan surat keputusan direksi bank Indonesia No. 30/267/KEP/DIR, Tanggal 27 Februari 1998 tentang kualitas produktif dan pembentukan cadangan, ditetapkan tingkat kolektibilitas ada
5 yaitu ”Lancar”, ”Perhatian Khusus”,
”Kurang Lancar”, ”Diragukan”, dan ”Macet”.
Kriteria dari tiap tingkat tersebut ialah:
1 Kredit digolongkan sebagai kredit
”Lancar” (Pass) apabila memenuhi kriteria berikut:
a Pembayaran angsuran pokok dan/atau bunga tepat waktu,
b Memiliki mutasi rekening yang aktif, c Bagian dari kredit yang dijamin dengan
agunan tunai (cash collateral),
d Kredit tanpa angsuran atau kredit rekening koran yaitu kredit belum jatuh tempo, dan tidak terdapat tunggakan bunga.
2 Kredit digolongkan sebagai kredit dalam
“Perhatian Khusus” (Special Mention) apabila memenuhi kriteria berikut:
a Terdapat tunggakan angsuran pokok dan/atau bunga yang belum melampaui 90 (Sembilan Puluh) hari atau belum melampaui 3 bulan,
b Mutasi rekening relatif aktif,
c Jarang terjadi pelanggaran terhadap kontrak yang diperjanjikan,
d Didukung oleh pinjaman baru, e Dokumen pinjaman lemah
3 Kredit digolongkan sebagai kredit
“Kurang Lancar” (Sub Standar) apabila memenuhi kriteria berikut:
a Terdapat tunggakan angsuran pokok dan/atau bunga yang telah melampaui 90 (sembilan puluh) hari,
b Mutasi rekening relatif rendah,
c Terjadi pelanggaran terhadap kontrak yang diperjanjikan lebih dari 90 (sembilan puluh ) hari,
d Terdapat likuiditasi masalah keuangan yang dihadapi debitur,
e Dokumentasi pinjaman lemah.
4 Kredit digolongkan sebagai kredit
“Diragukan” (Doubtful) apabila memenuhi kriteria berikut:
a Terdapat tunggakan angsuran dan/atau bunga yang telah melampaui 180 (seratus delapan puluh) hari,
b Dokumentasi hukum yang lemah baik untuk perjanjian kredit maupun peningkatan jaminan.
5 Kredit digolongkan sebagai kredit
“Macet” (Loss) apabila memenuhi kriteria berikut:
a Terdapat tunggakan angsuran pokok dan/atau bunga yang telah melampaui 270 (dua ratus tujuh puluh) hari, b Kerugian operasional ditutup dengan
c Dari segi hukum maupun kondisi pasar, jaminan tidak dapat dicairkan pada nilai wajar.
BPR
BPR adalah salah satu jenis bank yang dikenal melayani golongan pengusaha mikro, kecil dan menengah dengan lokasi yang pada umumnya dekat dengan tempat masyarakat yang membutuhkan.
BPR merupakan lembaga perbankan resmi yang diatur berdasarkan Undang-Undang No. 7 tahun 1992 tentang Perbankan dan sebagaimana telah diubah dengan Undang-Undang No. 10 tahun 1998. Dalam undang-undang tersebut secara jelas disebutkan bahwa ada dua jenis bank, yaitu Bank Umum dan BPR.
Fungsi BPR tidak hanya sekedar menyalurkan kredit kepada para pengusaha mikro, kecil dan menengah, tetapi juga menerima simpanan dari masyarakat. Dalam penyaluran kredit kepada masyarakat menggunakan prinsip 3T, yaitu Tepat Waktu, Tepat Jumlah, Tepat Sasaran, karena proses kreditnya yang relatif cepat, persyaratan lebih sederhana, dan sangat mengerti akan kebutuhan nasabah.
Klasifikasi
Klasifikasi adalah proses untuk menemukan model atau fungsi yang membedakan kelas data dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Pelabelan objek dilakukan berdasarkan kesamaan karakteristik antara sekumpulan objek (training set) dengan objek baru tersebut. Classification juga dikenal sebagai supervised learning karena pelatihan objek digunakan sebagai acuan dalam melakukan klasifikasi.
Secara umum, proses klasifikasi dapat dilakukan dalam dua tahap, yaitu proses belajar dari data pelatihan dan klasifikasi kasus baru. Pada proses belajar, algoritma klasifikasi mengolah data pelatihan untuk menghasilkan sebuah model. Setelah model diuji dan dapat diterima, pada tahap klasifikasi, model tersebut digunakan untuk memprediksi kelas dari kasus baru untuk membantu proses pengambilan keputusan (Han dan Kamber 2001; Quinlan1993). Beberapa metode klasifikasi, di antaranya adalah pohon keputusan, Bayesian, KNN dan jaringan saraf tiruan.
Decision Tree
Decision Tree adalah suatu flowchart
seperti struktur pohon yang setiap titik internalnya (internal node) menunjukkan suatu test pada suatu atribut. Setiap cabang (branch) merepresentasikan hasil dari test
tersebut, dan leaf node menunjukkan kelas-kelas atau distribusi. Node yang paling atas adalah root node (Han dan Kamber 2001).
Pada decision tree terdapat 3 node, yaitu (Alpaydin 2004):
a Root Node
Root node merupakan node paling atas, tidak ada input dan tidak memunyai output
atau memunyai output lebih dari satu. b Internal Node
Internal node merupakan node
percabangan, input hanya satu, tetapi memunyai output minimal dua.
c Leaf Node
Leaf node merupakan node akhir, hanya terdapat satu input dan tidak memunyai
output.
Entropy dan Gain
Entropy merupakan jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak suatu kelas dari sejumlah data acak pada ruang sehingga menghasilkan nilai informasi dari suatu kumpulan ciri (Mitchell 1997).
Entropi dihitung dengan menggunakan formula (Mitchell 1997):
ntr py S pi g pi
n
i
Keterangan:
S adalah ruang (data) percobaan yang digunakan untuk training/data latih
Pi adalah proporsi dari Si terhadap S n adalah jumlah partisi S
Entropi (S) sama dengan 0, jika semua contoh pada S berada dalam kelas yang sama. Entropi (S) sama dengan 1 jika jumlah contoh positif dan negatif dalam S adalah sama. Entropi (S) lebih dari 0, tetapi kurang dari 1 jika jumlah contoh positif dan negatif dalam S tidak sama.
Information Gain adalah algoritme yang menggunakan sebuah pengukuran dasar
pohon. Atribut dengan information gain
tertinggi (atau pengurangan entropy terbaik) dipilih sebagai tes atribut untuk titik yang sedang diukur.
Gain dihitung dengan menggunakan formula berikut (Mitchell 1997):
ain S, ntr py S- a ues( ) S S ntr py (S )
Keterangan:
a A adalah atribut
b S adalah himpunan kasus
c |Si| adalah jumlah kasus pada partisi ke- i
d |S| adalah jumlah kasus dalam S
Term pertama dalam perhitungan diatas adalah entropy total S dan term kedua adalah
entropy sesudah dilakukan pemisahan data berdasarkan atribut A.
Nilai entropi terkecil atau nilai Gain
terbesar yang dipilih untuk menentukan node awal dan perhitungan entropi dilakukan terus-menerus sampai iterasi selesai.
WEKA
Waikato Environment for Knowledge Analysis (WEKA) adalah suatu perangkat lunak pembelajaran mesin yang populer ditulis dengan Java, yang dikembangkan di Universitas Waikato. WEKA adalah perangkat lunak gratis yang tersedia di bawah
General Public License (GNU). Pada WEKA menyediakan penggunaan teknik klasifikasi menggunakan pohon keputusan dengan algoritme J48. Teknik klasifikasi dan algoritma yang digunakan di WEKA disebut
classifier (Bouckaert 2013).
METODE PENELITIAN
Tahapan penelitian mencakup identifikasi masalah, pengumpulan data yang dibutuhkan, pengolahan data, pemilihan data latih dan data uji, proses klasifikasi dan pengujian. Tahapan penelitian dapat dilihat pada Gambar 1.
Identifikasi Masalah
Tahapan awal yang dilakukan adalah tahap identifikasi masalah. Tahapan terdiri atas masalah yang ada dan penentuan tujuan sistem. Masalah yang ada adalah mencari variable yang dapat memengaruhi tingkat kolektibilitas, menentukan tingkat kolektibilitas berdasarkan data kredit dengan berbagai variabel kredit yang ada, sehingga dibutuhkan sistem identifikasi untuk
menentukan tingkat kolektibitas. Tujuan penelitian ini adalah mencari tree dan
rule/aturan terlebih dahulu berdasarkan data yang ada, setelah itu diimplementasikan ke dalam sistem.
Permasalahan yang dibahas dalam penelitian ini adalah:
a Mencari dari data yang ada, variabel mana yang mempengaruhi tingkat kolektibilitas, b Membangun aplikasi web yang menjadi
akhir dari penelitian.
Pengumpulan Data
Data yang digunakan pada penelitian ini adalah data kredit yang diambil dari aplikasi ISBS di BPR Mitra Daya Mandiri dan datanya disimpan dalam bentuk Excel. Data kredit sebelumnya terdapat 14 variabel yang terdiri atas nama, alamat, jenis kelamin, kecamatan, kota, jenis pinjaman, pokok pinjaman, tujuan, jangka waktu, kode penggunaan, kolektibilitas, jaminan, angsuran per bulan, dan tanggal bayar, namun yang digunakan
Gambar 1 Metodologi.
Mulai
Identifikasi Masalah
Pengumpulan Data
Praproses Data
Pembagian Data Uji dan Data Latih
Data Latih Data Uji
Implementasi Sistem
Proses Identifikasi
pada penelitian ini hanya 9 variabel yang diharapkan dapat mewakili variabel yang lain. Hasilnya dari sistem ini akan mengeluarkan 5 tingkat kolektibilitas. Jumlah keseluruhan data yang digunakan 3699, menjadi data latih 3000 data dan yang lainnya digunakan untuk data uji.
Praproses Data
Data kredit yang diambil dari aplikasi ISBS dan sudah disimpan dalam bentuk Excel, karena datanya banyak yang diperoleh dari tahun 2006 sampai 2012 kemudian data difilter berdasarkan tahunnya dari tahun 2008-2012, selain itu karena BPR berada di wilayah Jawa Barat terlalu banyak maka dataya dipersempit hanya untuk yang bertempat tinggal di daerah Bogor.
Berikut variabel yang tidak digunakan untuk penelitian ini:
1 Variabel nama tidak digunakan karena banyak kemungkinan nama orang banyak yang sama.
2 Variabel alamat tidak digunakan karena banyak nasabah yang memiliki lebih dari 1 alamat.
3 Variabel kecamatan tidak digunakan karena nama kecamatan banyak walaupun data yang digunakan hanya daerah Bogor. 4 Variabel kota tidak digunakan karena di
daerah Kabupaten Bogor dan Kota Bogor. 5 Variabel tujuan tidak digunakan karena
sudah dilabelkan dengan kode penggunaan.
Variabel yang digunakan adalah:
1 Jenis kelamin yang menyatakan apakah dengan jenis kelamin dapat mempengaruhi tentang kredit,
2 Jenis pinjaman yang menyatakan kepentingan dari kreditnya.
3 Pokok pinjaman yang menyatakan berapa besar seseorang nasabah meminjam kredit, 4 Jangka waktu yang menyatakan berapa lama waktu untuk nasabah melunasi kreditnya,
5 Kode penggunaan yang menyatakan tujuan dari penggunaan kreditnya,
6 Jaminan yang menyatakan sebagai agunan sebelum nasabah melunasi,
7 Angsuran bulanan yang menyatakan berapa jumlah yang harus dibayarkan nasabah setiap bulannya,
8 Tanggal bayar tiap bulan yang menyatakan tanggal berapa nasabah membayar kreditnya tiap bulan, dan
9 Tingkat kolektibilitas yang menyatakan kemampuan nasabah dalam hal
pembayaran apakah lancar, perhatian khusus, kurang lancar, diragukan, dan macet.
Data diproses menggunakan representasi pohon keputusan (decision tree) dengan metode J48.
Penentuan Data Latih dan Data Uji
Jumlah keseluruhan data adalah 3699, yang digunakan untuk data latih sebanyak 3000 data, sedangkan yang lainnya digunakan sebagai data uji.
Implementasi Sistem
Setelah tree nya diketahui kemudian tahapan selanjutnya membuat sistem berbasis
web yang digunakan untuk menghasilkan keluaran tingkat kolektibilitas berdasarkan variabel yang diinputkan.
Proses Identifikasi
Pada tahap ini dilakukan pencocokan apakah data uji dengan model pengenalan akan menghasilkan hasil yang sesuai dengan data yang ada atau tidak berdasarkan tingkat kolektibilitasnya. Selanjutnya akan dilakukan perhitungan akurasi untuk proses dokumentasi. Tingkat akurasi dihitung dengan cara:
kurasi u ah Data yang enarData Pengu ian
Spesifikasi Implementasi
Aplikasi yang digunakan pada penelitian ini dibangun dengan menggunakan perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut:
Spesifikasi perangkat keras berupa: - Intel Core2 Duo prosesor 1,83GHz - Memori DDR2 2,5 GB
- Harddisk 160 GB - Monitor
- Keyboard dan Mouse
Perangkat lunak berupa :
- Sistem Operasi : Microsoft Windows XP
- XAMPP yang terdiri atas WebServer
- Bahasa Pemrograman: PHP - Browser: Mozilla Firefox - Adobe Dreamweaver - WEKA 3.6.4
HASIL DAN PEMBAHASAN
Deskripsi Data
Mandiri yaitu ISBS. ISBS ini merupakan aplikasi yang digunakan untuk semua transaksi di BPR tersebut. Pada penelitian ini diambil hanya data kredit saja, tahun 2008-2012 dan hanya nasabah yang beralamat di daerah Bogor. Data tersebut disimpan dalam bentuk Excel.
Praproses Data
Tahapan praproses data merupakan tahapan data yang harus dipersiapkan sebelum ke tahapan klasifikasi. Variabel yang digunakan ada 9 variabel.
Data yang sudah difilter berdasarkan tahun dan tempat tinggal nasabah yang di daerah Bogor, kemudian data yang numerik diubah ke bentuk nominal (proses di WEKA . arff : @relation 'data latih-weka.filters.unsupervised.attribute.NumericTo Nominal-Rfirst-last') seperti pada variabel jenis kelamin, jenis pinjaman, kode penggunaan, serta untuk jaminan, dan untuk beberapa variabel tertentu dibuat range nilai tertentu. Berikut kesembilan variabelnya: a Jenis Kelamin
Jenis kelamin (Tabel 1) merupakan salah satu variabel yang diambil untuk mengetahui apakah dari jenis kelamin dapat mempengaruhi kredit atau tidak.
Tabel 1 Variabel jenis kelamin Jenis Kelamin Kode
L 1
P 2
b Jenis Pinjaman
Jenis pinjaman (Tabel 2) merupakan jenis kredit berdasarkan tujuan menurut Perbankan, tetapi dalam penelitian ini terdapat 2 tambahan jenis kredit yaitu
demand loan dan motor loan.
Tabel 2 Variabel jenis pinjaman Jenis Pinjaman Kode
DEMAND LOAN 1 bertahap, debitur membayar bunga saja kecuali sudah jatuh tempo, debitur harus
membayar bunga dan pokoknya juga.
Motor loan = kredit motor, dimana nasabah membeli motor ke showroom
atau dealer dengan membayar uang mukanya terlebih dahulu, kekurangannya BPR yang melunasi ke showroom, nasabah kredit membayarnya tiap bulan ke BPR, sebagai jaminan BPKB motornya digunakan sebagai agunan hingga nasabah melunasi ke BPR kreditnya. c Pokok Pinjaman
Pokok pinjaman (Tabel 3) merupakan jumlah seseorang meminjam. Data pinjaman yang ada pada penelitian ini berkisar antara Rp 325.000 – Rp 145.000.000, sehingga datanya dipecah menjadi 3.
Dapat dilihat pada Tabel 3.
Tabel 3 Variabel pokok pinjaman Pokok Pinjaman Kode
1-50.000.000 1
50.000.001-100.000.000 2
10.0000.001-150.000.000 3
d Jangka Waktu
Jangka waktu (Tabel 4) merupakan seberapa lama waktu yang dibutuhkan nasabah untuk melunasi kreditnya. Jika jangka waktu menurut Undang-undang Perbankan dibagi menjadi 3, Pada penelitian ini data untuk jangka waktu berkisar antara 1 bulan hingga 96 bulan. Sehingga data yang digunakan pada penelitian ini dipecah menjadi 4. Dapat dilihat pada Tabel 4.
Tabel 4 Variabel jangka waktu Jangka Waktu Kode
1-24 1
25-48 2
49-72 3
e Kode Penggunaan
Kode penggunaan (Tabel 5) merupakan pensimbolan dari tujuan penggunaannya.
Tabel 5 Variabel kode penggunaan Kode Penggunaan Kode
10 1 11 = Untuk tujuan pengerjaan proyek
dan pembangunan proyek 20 = Untuk tujuan investasi 39 = Untuk tujuan multiguna, biaya
pendidikan, renovasi rumah
f Jaminan
Jaminan (Tabel 6) merupakan barang yang dapat dijaminkan selama kredit belum dilunasi.
Dapat dilihat pada Tabel 6.
Tabel 6 Variabel jaminan Jaminan Kode KTA & Mikro 1 Ijasah/SK/Jamsostek 2 Deposito, Tabungan 3 AJB/Sertifikat/Akta 4
BPKB 5
Keterangan:
KTA & Mikro merupakan Kredit Tanpa Agunan.
g Angsuran Bulanan
Angsuran bulanan (Tabel 7) merupakan jumlah uang yang harus disetorkan setiap bulan. Pada penelitian ini data yang ada berkisar antara Rp 95.000 hingga Rp 7.424.800, sehingga data untuk penelitian ini dipecah menjadi 5. Dapat dilihat pada Tabel 7.
Tabel 7 Variabel angsuran bulanan Angsuran Bulanan Kode
1-1.600.000 1 1.600.001-3.200.000 2 3.200.001-4.800.000 3 4.800.001-6.400.000 4 6.400.001-8.000.000 5
h Tanggal Bayar Tiap Bulan
Tanggal bayar tiap bulan (Tabel 8) merupakan tanggal jatuh tempo, jika lebih dari tanggal yang sudah ditentukan untuk membayar angsuran maka akan dikenakan denda. Pada penelitian ini dibagi menjadi 3. Dapat dilihat pada Tabel 8.
Tabel 8 Variabel tanggal bayar tiap bulan Tanggal Bayar Tiap Bulan Kode
1-12 1
13-24 2
25-31 3
Tanggal bayar tiap bulan dibagi menjadi 3, dikarenakan pada tanggal 1-12 umumnya pada nasabah yang pegawai negeri pada awal bulan, dan 25-31 umumnya pada nasabah swasta pada akhir bulan.
i Kolektibilitas
Kolektibilitas (Tabel 9) menurut Bank Indonesia ada 5 (lima), dapat dilihat pada Tabel 9.
Tabel 9 Variabel kolektibilitas Tingkat Kolektibilitas Kode
Lancar 1
Perhatian Khusus 2 Kurang Lancar 3
Diragukan 4
Macet 5
Data diproses dengan menggunakan teknik representasi pohon keputusan (decision tree). Pohon keputusan terbentuk dengan menghitung nilai entropy.
Penentuan Data Latih dan Data Uji
Data dari aplikasi ISBS yang menampilkan data kredit nasabah dapat dilihat pada Lampiran 1. Jumlah data yang digunakan sebanyak 3699, yang menjadi data latih sebanyak 3000 data dan sisanya menjadi data uji. Dapat dilihat pada Lampiran 2 yang menampilkan data latih dan Lampiran 3 menampilkan data ujinya.
Implementasi Sistem
Gambar 2 Tampilan pembangkitan tree.
Pada halaman PEMBANGKITAN TREE sistem ini menampilkan pohon keputusan,
rule/aturan dan evaluasi dari WEKA, dapat dilihat pada Gambar 3. Untuk gambar yang lebih jelasnya dapat dilihat pada Lampiran 6.
Gambar 3 Tampilan pengujian tree.
Pada halaman PENGUJIAN TREE sistem ini menampilkan form isian data kredit nasabah dan setelah submit di tekan akan menampilkan nasabah tersebut termasuk ke dalam tingkat kolektibilitas mana. Berikut fungsi yang dilakukan sistem untuk mengidentifikasi dari data.
function get_klasifikasi($data){ if($data['jaminan'] == '1') {
if($data['tgl_bayar'] == '1')
return 2; else
return 3; }
else if($data['jaminan'] == '2') { if($data['tgl_bayar'] == '1') {
if($data['pokok_pinjaman'] == '1') return 1;
else if ($data['pokok_pinjaman'] == '2'){
if($data['jenis_kelamin'] == '1') return 2;
else if($data['jaminan'] == '3') { return 1;
}
else if($data['jaminan'] == '4') { return 1;
}
else if($data['jaminan'] == '5') { if($data['jenis_pinjaman'] == '1')
return 1; else
if($data['jenis_pinjaman'] == '2') return 2; else
if($data['jenis_pinjaman'] == '3') return 1; else
if($data['jenis_pinjaman'] == '5') return 5; else
if($data['jenis_pinjaman'] == '4'){ if($data['tgl_bayar'] == '1')
return 2;
Pada halaman TENTANG APLIKASI sistem ini menampilkan mengenai data yang digunakan, dapat dilihat pada Gambar 4. Untuk gambar yang lebih jelasnya dapat dilihat pada Lampiran 7.
Gambar 4 Tampilan tentang aplikasi.
Proses Identifikasi
Gambar 5 Pohon keputusan.
Selain menampilkan dalam bentuk tree
nya dihasilkan pula rule/aturannya. Berikut merupakan rule/aturan yang diperoleh:
JAMINAN = 1 selanjutnya diujikan terhadap data ujinya. Jumlah dari data uji yang benar sebanyak 597, dan data yang salah sebanyak 102. Dapat dilihat pada Lampiran 4 yang menampilkan hasil Identifikasi Tingkat Kolektibilitas.
Confusion matrix adalah salah satu alat ukur berbentuk matriks yang digunakan untuk menetapkan jumlah penempatan klasifikasi pada proses menggunakan WEKA J48. Pada
Tabel 10 disajikan confusion matrix dari WEKA.
Tabel 10 Confusion matriks
Kelas Prediksi
Kela
Dari Tabel 10 dapat dilihat dari kesalahan prediksi yang seharusnya masuk kedalam kelas 1 (kolektibilitas=lancar) sebanyak 26 data tetapi diprediksi sebagai kelas 2 (kolektibilitas=Perhatian Khusus). Kesalahan prediksi data dilihat dari rule yang terbentuk untuk data kredit ini terjadi karena data untuk jaminannya ijasah/SK/jamsostek, tanggal bayar bulanan 1-12, pokok pinjamannya 50.000.001-100.000.000, tetapi yang mengakibatkan kesalahan prediksi ini pada variabel jenis kelamin, yang seharusnya jenis kelaminnya laki-laki tetapi dari data jenis kelaminnya perempuan. Pada prediksi kelas 2 (kolektibilitas=Perhatian Khusus) ada 66 data yang salah prediksi, hal ini disebabkan diantaranya karena untuk jaminan ijasah/SK/jamsostek, tanggal bayar bulanannya 1-12, seharusnya pokok pinjamanya 50.000.001-100.000.000 tetapi datanya pokok pinjamannya berkisar antara 1-50.000.000. Pada prediksi kelas 5 (kolektibilitas=macet) ada 7 kesalahan prediksi yang masuk kedalam kelas 2 (kolektibilitas=perhatian khusus), hal ini disebabkan karena seharusnya jaminannya BPKB tetapi dari data hanya jaminannya KTA&mikro, selain itu jika jaminannya BPKB jenis pinjamannya seharusnya motor loan tetapi dari data hanya jenis pinjaman kredit modal kerja (KMK).
KESIMPULAN DAN SARAN
Kesimpulan
kesimpulan bahwa akurasi yang didapat untuk mengidentifikasi sebesar 85%.
Rule/aturan yang dihasilkan WEKA pada sistem ini berdasarkan jumlah dan pemilihan data uji yang dapat mempengaruhi hasil klasifikasi.
Hasil identifikasi yang diproses WEKA dari data hanya berpengaruh untuk yang tingkat kolektibilitasnya lancer berdasarkan dari rule/aturan , untuk tingkat kolektibilitas yang lain sistem ini kurang baik dalam mengidentifikasi, dapat dilihat dari tree yang terbentuk untuk jaminan BPKB dan jenis pinjamannya motor loan maka akan kemungkinan kreditnya macet.
Variabel yang utama mempengaruhi tingkat kolektibilitas yaitu jaminan, karena semakin besar nilai jaminannya maka semakin cepat nasabah ingin melunasi kreditnya.
Saran
Untuk pengembangan yang selanjutnya perlu ditambahkan variabel lain untuk mengidentifikasi tingkat kolektibitas sehingga menghasilkan nilai akurasi yang lebih baik.
DAFTAR PUSTAKA
Alpaydin, Ethem. 2004. Introduction to Machine Learning. United States of America. The MIT Press.
Bouckaert, Remcoet al. 2013. Weka Manual
Dendawijaya, Lukman. 2005. Manajemen Perbankan. Ed Ke-2. Ghalia Indonesia: Jakarta.
Fitriyani. 2012. Klasifikasi Pemukiman Kumuh di Wilayah DKI Jakarta menggunakan Decision Tree [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Han J, Kamber M. 2001. Data Mining Concepts & techniques. USA: Academic Press.
Kasmir. 2005. Pemasaran Bank. Jakarta: Prenada Media.
Kasmir. 2010. Pengantar Manajemen Keuangan. Edke-1. Jakarta: Kencana. Mitchell, Tom M. 1997. Machine Learning.
United States of America: McGraw-Hill.
Quinlan JR. 1993. C.45: Programs for Machine Learning. San Francisco: Morgan Kaufmann Publisher.
Rivai, Veithzal. 2009. Manajemen Sumber Daya Manusia Untuk Perusahaan. Jakarta: Rajawali Pers.
Sinuhaji. 2012. Identifikasi Varietas Ubi Jalar menggunakan Metode Decision Tree J48 [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
12
13 Lampiran 1 Data nasabah sebelum praproses
NAMA ALAMAT JNS_K
LMN
RENOVASI TEMPAT
KOS 24 20 2 SHM 498,200 3
c BABAKAN TARIKOLOT
RT 001/005 1 CIBINONG
PONDOK KENCANA PERMAI BLOK C 76 RT
LALADON GEDE RT.05/04 1 CIOMAS
kab
bogor KI 30,000,000
PERLUASAN KOLAM
IKAN 36 20 1 SHM 1,408,500 23
KP CIBEBER IV RT.001/002
1 LEUWILIAN
G
kab
bogor KI 10,000,000
005/002 NG bogor
q KP CIGUDEG RT 003/002 1 CIGUDEG bogor kab KI 25,000,000 PEMBELIAN KIOS 24 20 2 SHM 1,503,000 12
r KP BABAKAN CIBATOK
NO 63 RT 02/04
1 CIBUNGBUL
ANG
kab
bogor KI 15,000,000
PENAMBAHAN PEMBELIAN
KOMPRESOR 24
20
2 AJB 902,000 18
s
KP CIGUDEG RT 003/002 1 CIGUDEG
kab
bogor KI 30,000,000 PEMBELIAN KIOS 24 20 2 SHM 1,804,000 28
t KP PARAKAN SALAK RT
003/001 2 KEMANG
kab
bogor KI 7,000,000
PENAMBAHAN
PEMBELIAN TANAH 18 20 1 AJB 524,000 16
u
KP BABAKAN RT 002/004 1 CARINGIN
kab
bogor KI 10,000,000
PENAMBAHAN
KONTRAKAN 24 20 2 AJB 602,000 13
v DRAMAGA PASAR RT
04/03 2 DRAMAGA
kab
bogor KI 30,000,000
BY PENAMBHN
PEMB TANAH 24 20 1 SHM 1,804,000 13
w KP PARUNG TANJUNG RT
003/011 1
GUNUNG PUTRI
kab
bogor KI 27,000,000
PEMBELIAN ALAT
PANGKAS RAMBUT 36 20 2 SHM 1,268,000 26
x KP KEBON KALAPA RT
001/004 1 SUKARAJA
kab
bogor KI 15,000,000
PENAMBAHAN
PEMBELIAN KIOS 12 20 1
AKTA
HIBAH 1,522,000 24
y KP WARUNG LOA RT
001/012 1
TAMANSAR I
kab
bogor KI 10,000,000
PEMBELIAN
ANGKOT 12 20 1 BPKB 1,015,000 4
15 Lampiran 2 Contoh data latih
Lampiran 4 Hasil identifikasi tingkat kolektibilitas
NO JENIS_KELA
22
2 3 1 1 4 2 1 2 1 B
23
1 3 1 1 4 2 1 2 1 B
24
2 3 1 1 4 2 1 2 1 B
25
1 3 1 1 4 2 1 2 1 B
26
1 3 1 1 4 2 1 2 1 B
27
2 3 1 1 4 2 1 2 1 B
28
1 3 1 2 4 2 1 2 1 B
29
1 3 1 1 4 5 1 2 2 S
30
1 3 1 1 4 5 1 2 1 B
31
1 3 1 1 4 5 1 2 1 B
32
1 3 1 1 4 5 1 2 2 S
33
1 3 1 1 4 5 1 2 1 B
34
2 3 1 2 4 2 1 2 1 B
35
2 3 1 1 4 2 1 2 1 B
36
2 3 2 2 4 2 1 2 1 B
37
2 3 2 2 4 2 1 2 1 B
38
2 3 2 2 4 2 1 2 1 B
39
2 3 1 1 4 2 1 2 1 B
40
2 3 1 1 4 2 1 2 1 B
41
2 3 1 1 4 2 1 2 1 B
42
2 3 1 1 4 2 1 2 1 B
43
1 3 1 1 4 5 1 3 1 B
44
2 3 1 1 4 2 1 3 1 B
45
1 3 1 1 4 2 1 3 1 B
46
47
2 3 1 1 4 2 1 3 1 B
48
2 3 1 1 4 2 1 3 1 B
49
2 3 1 1 4 2 1 3 1 B
50
2 3 1 1 4 2 1 3 1 B
51
2 3 1 1 4 2 1 3 2 S
52
2 3 1 1 4 2 1 3 1 B
53
2 3 1 1 4 5 1 3 1 B
54
2 3 1 1 4 3 1 3 1 B
55
2 3 2 1 4 5 1 1 1 B
56
2 3 1 1 4 2 1 1 1 B
57
2 3 1 1 4 2 1 1 1 B
58
2 3 2 2 4 2 1 1 1 B
59
1 3 2 2 4 2 1 1 1 S
60
1 3 1 1 4 2 1 1 1 B
61
1 3 1 1 4 2 1 1 1 B
62
2 3 1 1 4 2 1 1 2 S
63
2 3 1 1 4 2 1 1 2 S
64
2 3 2 1 4 2 1 1 1 B
65
1 3 1 1 4 2 1 1 1 B
66
2 3 2 1 4 2 1 1 1 B
67
2 3 1 1 4 2 1 1 1 B
68
2 3 2 2 4 2 1 1 1 B
69
2 3 1 1 4 2 1 1 1 B
70
2 3 2 1 4 2 1 1 1 B
71
72
2 3 1 1 4 2 1 1 1 B
73
2 3 1 1 4 5 1 1 2 S
74
2 3 1 1 4 4 1 1 2 S
75
1 3 1 1 4 5 1 1 1 B
76
2 3 1 1 4 2 1 1 1 B
77
2 3 2 1 4 2 1 1 1 B
78
2 3 1 1 4 2 1 1 1 B
79
1 3 1 1 4 5 1 1 1 B
80
2 3 1 1 4 5 1 1 2 S
81
1 3 1 1 4 2 1 1 1 B
82
1 3 1 2 4 2 1 1 1 B
83
2 3 1 1 4 2 1 1 1 B
84
2 3 1 2 4 2 1 1 1 B
85
2 3 1 1 4 2 1 1 1 B
86
2 3 1 1 4 2 1 1 1 B
87
2 3 2 2 4 2 1 1 1 B
88
2 3 1 1 4 2 1 1 1 B
89
1 3 1 1 4 5 1 1 1 B
90
1 3 1 1 4 5 1 1 1 B
91
1 3 1 1 4 4 1 1 1 B
92
1 3 2 1 4 2 1 1 1 S
93
2 3 1 1 4 2 1 1 1 B
94
2 3 2 1 4 2 1 1 1 B
95
2 3 1 1 4 2 1 1 1 B
96
97
1 3 1 1 4 2 1 1 1 B
98
1 3 1 1 4 2 1 1 1 B
99
2 3 1 1 4 2 1 1 1 B
100
2 3 2 1 4 2 1 1 1 B
101
2 3 1 1 4 2 1 1 2 S
102
2 3 1 1 4 2 1 1 1 B
103
1 3 1 1 4 2 1 1 1 B
104
1 3 1 1 4 2 1 1 1 B
105
1 3 2 1 4 5 1 1 1 B
106
2 3 1 1 4 2 1 1 1 B
107
2 3 1 1 4 2 1 1 1 B
108
2 3 1 1 4 2 1 1 1 B
109
1 3 1 1 4 2 1 1 2 S
110
2 3 1 1 4 2 1 1 1 B
111
2 3 1 1 4 2 1 1 1 B
112
1 3 1 1 4 2 1 1 1 B
113
2 3 2 1 4 2 1 2 1 B
114
2 3 1 1 4 2 1 1 1 B
115
1 3 2 1 4 4 1 1 2 S
116
1 3 1 1 4 5 1 1 1 B
117
2 3 1 1 4 2 1 2 1 B
118
1 3 2 1 4 2 1 2 2 S
119
2 3 2 2 4 2 1 2 1 B
120
1 3 2 1 4 2 1 2 1 B
121
122
1 3 1 1 4 5 1 2 1 B
123
2 3 1 1 4 2 1 1 1 B
124
2 3 2 2 4 2 1 2 1 B
125
2 3 1 1 4 2 1 2 1 B
126
1 3 1 1 4 2 1 1 1 B
127
2 3 1 1 4 2 1 2 1 B
128
2 3 1 1 4 2 1 2 1 B
129
2 3 1 1 4 2 1 2 2 S
130
1 3 1 1 4 2 1 2 1 B
131
1 3 1 1 4 2 1 2 1 B
132
2 3 1 1 4 2 1 2 1 B
133
2 3 1 1 4 2 1 2 2 S
134
2 3 1 1 4 5 1 2 2 S
135
2 3 1 1 4 2 1 2 1 B
136
2 3 1 1 4 2 1 2 1 B
137
2 3 2 1 4 2 1 2 1 B
138
2 3 1 1 4 2 1 2 1 B
139
2 3 1 2 4 2 1 2 1 B
140
2 3 2 2 4 2 1 2 1 B
141
2 3 2 2 4 5 1 2 1 B
142
2 3 1 1 4 2 1 2 1 B
143
1 3 1 1 4 2 1 2 1 B
144
2 3 1 1 4 2 1 2 1 B
145
2 3 2 1 4 2 1 2 1 B
146
147
2 3 1 1 4 2 1 2 1 B
148
2 3 1 1 4 2 1 2 1 B
149
1 3 2 2 4 2 1 2 1 B
150
1 3 2 1 4 2 1 2 1 B
151
2 3 1 1 4 5 1 2 1 B
152
2 3 1 1 4 2 1 2 1 B
153
1 3 1 1 4 2 1 2 1 B
154
2 3 1 1 4 2 1 2 1 B
155
1 3 1 2 4 4 1 2 1 B
156
1 3 1 1 4 5 1 2 1 B
157
1 3 2 2 4 4 1 2 1 B
158
1 3 2 1 4 4 1 2 1 B
159
1 3 1 1 4 5 1 2 1 B
160
2 3 1 1 4 5 1 3 1 B
161
2 3 1 1 4 2 1 3 1 B
162
1 3 1 1 4 1 1 3 1 S
163
2 3 1 1 4 2 1 3 1 B
164
1 3 1 2 4 4 1 3 1 B
164
1 3 1 1 4 2 1 1 1 B
165
1 3 1 1 4 2 1 1 1 B
166
1 3 1 1 4 2 1 1 1 B
167
1 3 1 1 4 2 1 1 1 B
168
1 3 1 1 4 2 1 1 1 B
169
1 3 1 1 4 2 1 1 1 B
170
171
1 3 1 1 4 2 1 1 1 B
172
2 3 1 1 4 2 1 1 1 B
173
2 3 2 1 4 2 1 1 1 B
173
2 3 1 1 4 2 1 1 1 B
174
1 3 1 1 4 2 1 1 1 B
175
1 3 1 1 4 2 1 1 1 B
176
1 3 1 1 4 2 1 1 1 B
177
1 3 1 1 4 4 1 1 1 B
178
1 3 1 1 4 5 1 1 1 B
179
1 3 1 1 4 3 1 1 2 S
180
1 3 1 2 4 2 1 1 1 B
181
2 3 1 2 4 2 1 1 1 B
182
1 3 1 1 4 5 1 1 2 S
183
1 3 1 1 4 5 1 1 2 S
184
1 3 1 1 4 5 1 1 1 B
185
1 3 2 1 4 5 5 1 2 S
186
1 3 1 1 4 5 1 1 1 B
187
2 3 1 2 4 2 1 1 1 B
188
1 3 1 1 4 5 1 1 1 B
189
2 3 1 1 4 5 1 1 1 B
190
1 3 1 1 4 2 1 1 1 B
191
2 3 2 2 4 2 1 1 1 B
192
2 3 1 2 4 2 1 1 1 B
193
1 3 1 1 4 2 1 1 1 B
194
195
1 3 1 1 4 2 1 1 2 S
196
1 3 1 1 4 2 1 1 1 B
197
1 3 1 1 4 5 1 1 2 S
198
2 3 1 1 4 2 1 1 1 B
199
2 3 1 1 4 2 1 1 2 S
200
1 3 2 1 4 4 1 1 2 S
201
2 3 1 1 4 5 1 1 1 B
202
2 3 1 1 4 2 1 1 1 B
203
1 3 1 1 4 1 1 1 1 S
204
1 3 1 1 4 2 1 1 1 B
205
1 3 1 1 4 2 1 1 1 B
206
1 3 1 1 4 5 1 1 1 B
207
1 3 1 1 4 5 1 1 2 S
208
1 3 1 1 4 5 1 1 1 B
209
1 3 2 1 4 5 1 1 1 B
210
2 3 2 2 4 2 1 1 1 B
211
1 3 1 1 4 5 1 1 1 B
212
1 3 1 1 4 2 1 2 1 B
213
1 3 1 1 4 2 1 2 1 B
214
1 3 1 1 4 5 1 1 1 B
215
1 3 1 1 4 2 1 2 1 B
216
1 3 1 1 4 2 1 2 1 B
217
2 3 1 1 4 5 1 2 1 B
218
1 3 1 1 4 2 1 2 1 B
219
220
1 3 1 1 4 4 1 2 1 B
221
1 3 1 1 4 5 1 2 1 B
222
1 3 1 1 4 3 1 2 2 S
223
2 3 1 1 4 2 1 2 1 B
224
1 3 1 1 4 2 1 2 1 B
225
2 3 1 1 4 2 1 2 1 B
226
2 3 1 1 4 2 1 2 1 B
227
1 3 1 1 4 5 1 2 1 B
228
1 3 1 1 4 5 1 2 2 S
229
2 3 1 1 4 2 1 2 1 B
230
2 3 1 1 4 2 1 2 1 B
231
1 3 1 1 4 2 1 2 1 B
232
2 3 2 1 4 2 1 2 1 B
233
2 3 1 1 4 2 1 2 1 B
234
2 3 1 1 4 2 1 2 1 B
235
2 3 1 1 4 2 1 2 1 B
236
1 3 1 1 4 2 1 2 1 B
237
2 3 2 2 4 2 1 2 1 B
238
1 3 2 1 4 2 1 2 1 B
239
1 3 1 1 4 2 1 2 1 B
240
2 3 1 1 4 5 1 2 1 B
241
2 3 2 2 4 2 1 2 1 B
242
1 3 2 2 4 2 1 2 1 B
243
2 3 1 1 4 2 1 2 1 B
244
245
1 3 2 2 4 2 1 2 1 B
246
1 3 1 1 4 2 1 2 1 B
247
1 3 1 1 4 2 1 2 1 B
248
1 3 2 1 4 4 1 2 1 B
249
2 3 1 1 4 2 1 2 1 B
250
2 3 1 1 4 2 1 2 1 B
251
2 3 1 1 4 2 1 2 1 B
252
2 3 1 1 4 2 1 2 1 B
253
2 3 1 1 4 2 1 2 1 B
254
1 3 1 1 4 2 1 2 1 B
255
2 3 1 1 4 2 1 2 1 B
256
2 3 1 1 4 2 1 2 1 B
257
2 3 1 1 4 2 1 2 1 B
258
2 3 1 1 4 2 1 2 2 S
259
1 3 1 1 4 2 1 2 1 B
260
1 3 1 1 4 3 1 2 2 S
261
1 3 1 1 4 2 1 2 1 B
262
2 3 2 2 4 2 1 2 1 B
263
2 3 1 1 4 2 1 2 1 B
264
2 3 1 1 4 2 1 2 1 B
265
2 3 1 1 4 2 1 2 1 B
266
2 3 1 1 4 2 1 2 1 B
267
2 3 1 1 4 2 1 2 1 B
268
2 3 1 1 4 2 1 2 1 B
269
270
2 3 1 1 4 2 1 2 1 B
271
2 3 1 1 4 2 1 2 1 B
272
2 3 1 1 4 2 1 2 1 B
273
1 3 1 1 4 5 1 2 1 B
274
2 3 1 1 4 2 1 3 1 B
275
2 3 1 1 4 5 1 3 1 B
276
1 3 1 1 4 1 1 3 1 S
277
1 3 1 1 4 2 1 3 1 B
278
2 3 1 1 4 2 1 3 1 B
279
1 3 1 1 4 2 1 3 1 B
280
2 3 1 1 4 2 1 3 1 B
281
2 3 1 1 4 2 1 3 1 B
282
1 3 1 1 4 2 1 3 1 B
283
2 3 1 2 4 4 1 3 1 B
284
2 3 1 1 4 2 1 3 1 B
285
1 3 1 1 4 2 1 3 1 B
286
2 3 1 1 4 2 1 3 1 B
287
2 3 1 1 4 2 1 3 1 B
288
2 3 1 1 4 2 1 3 1 B
289
1 3 1 1 4 2 1 3 1 B
290
2 3 1 1 4 2 1 3 1 B
291
1 3 1 1 4 5 1 3 1 B
292
1 3 1 1 4 2 1 3 1 B
293
2 3 1 1 4 5 1 3 1 B
294
295
2 3 1 1 4 4 1 3 1 B
296
1 3 1 1 4 2 1 3 1 B
297
1 3 1 1 4 5 1 3 1 B
298
1 3 1 1 4 3 1 3 1 B
299
2 3 1 1 4 2 1 1 1 B
300
1 3 1 1 4 2 1 1 1 B
301
2 3 1 1 4 2 1 1 1 B
302
2 3 1 1 4 2 1 1 1 B
303
1 3 1 1 4 2 1 1 1 B
304
2 3 1 1 4 2 1 1 1 B
305
1 3 1 1 4 3 1 1 2 S
306
1 3 1 1 4 2 1 1 1 B
307
2 3 1 1 4 2 1 1 1 B
308
1 3 1 1 4 2 1 1 1 B
309
2 3 1 1 4 2 1 1 1 B
310
2 3 1 1 4 2 1 1 1 B
311
2 3 1 1 4 2 1 1 1 B
312
2 3 1 1 4 2 1 1 1 B
313
2 3 1 1 4 2 1 1 1 B
314
2 3 1 1 4 2 1 1 1 B
315
2 3 1 1 4 2 1 1 1 B
316
1 3 1 1 4 2 1 1 1 B
317
2 3 1 1 4 2 1 1 1 B
318
1 3 1 1 4 2 1 1 1 B
319
320
2 3 1 1 4 2 1 1 1 B
321
1 3 1 1 4 3 1 1 2 S
322
2 3 1 1 4 2 1 1 1 B
323
2 3 1 1 4 2 1 1 1 B
324
2 3 1 1 4 2 1 1 1 B
325
1 3 1 1 4 2 1 1 1 B
326
2 3 1 1 4 2 1 1 1 B
327
2 3 1 1 4 2 1 1 1 B
328
1 3 1 1 4 2 1 1 1 B
329
2 3 1 1 4 2 1 1 1 B
330
2 3 1 1 4 2 1 1 1 B
331
1 3 1 1 4 2 1 1 1 B
332
2 3 1 1 4 2 1 1 1 B
333
1 3 1 1 4 2 1 1 1 B
334
2 3 1 1 4 2 1 1 1 B
335
1 3 1 1 4 5 1 1 1 B
336
2 3 1 1 4 2 1 1 1 B
337
2 3 1 1 4 2 1 1 1 B
338
2 3 1 1 4 2 1 1 1 B
339
2 3 1 1 4 2 1 1 1 B
340
2 3 1 1 4 2 1 1 1 B
341
2 3 1 1 4 2 1 1 1 B
342
2 3 1 1 4 2 1 1 1 B
343
1 3 1 1 4 2 1 1 1 B
344
345
2 3 1 1 4 2 1 1 1 B
346
2 3 1 1 4 2 1 1 1 B
347
1 3 2 2 4 5 1 1 1 B
348
1 3 1 1 4 2 1 1 1 B
349
2 3 1 1 4 2 1 1 1 B
350
2 3 1 1 4 2 1 1 1 B
351
2 3 1 1 4 2 1 1 1 B
352
2 3 1 1 4 2 1 1 1 B
353
1 3 1 1 4 2 1 1 1 B
354
1 3 1 1 4 2 1 1 1 B
355
2 3 1 1 4 2 1 1 1 B
356
2 3 1 1 4 2 1 1 1 B
357
2 3 1 1 4 2 1 1 1 B
358
2 3 1 1 4 2 1 1 1 B
359
2 3 1 1 4 2 1 1 1 B
360
2 3 1 1 4 2 1 1 1 B
361
2 3 1 1 4 2 1 1 1 B
362
2 3 1 1 4 2 1 1 1 B
363
1 3 1 1 4 2 1 1 1 B
364
2 3 1 1 4 2 1 1 1 B
365
2 3 1 1 4 2 1 1 1 B
366
2 3 1 1 4 2 1 1 1 B
367
2 3 1 1 4 2 1 1 1 B
368
1 3 1 1 4 2 1 1 1 B
369
370
1 3 1 1 4 2 1 1 1 B
371
2 3 1 1 4 2 1 1 1 B
372
2 3 1 1 4 2 1 1 1 B
373
1 3 1 1 4 2 1 1 1 B
374
2 3 1 1 4 2 1 1 1 B
375
2 3 1 1 4 2 1 1 1 B
376
2 3 1 1 4 2 1 1 1 B
377
1 3 1 1 4 2 1 1 1 B
378
2 3 1 1 4 2 1 1 1 B
379
2 3 1 1 4 2 1 1 1 B
380
2 3 1 1 4 2 1 1 1 B
381
2 3 1 1 4 2 1 1 1 B
382
2 3 1 1 4 2 1 1 1 B
383
2 3 1 1 4 2 1 1 1 B
384
1 3 1 1 4 2 1 1 1 B
385
2 3 1 1 4 2 1 1 1 B
386
2 3 1 1 4 2 1 1 1 B
387
2 3 1 1 4 2 1 1 1 B
388
1 3 1 1 4 2 1 1 1 B
389
2 3 1 1 4 2 1 1 1 B
390
2 3 1 1 4 2 1 1 1 B
391
2 3 1 1 4 2 1 1 1 B
392
2 3 1 1 4 2 1 1 1 B
393
2 3 1 1 4 2 1 1 1 B
394
395
1 3 1 1 4 2 1 1 1 B
396
2 3 1 1 4 2 1 1 1 B
397
2 3 1 1 4 2 1 1 1 B
398
2 3 2 2 4 2 1 1 1 B
399
2 3 1 1 4 2 1 1 1 B
400
2 3 1 1 4 2 1 1 1 B
401
1 3 1 1 4 2 1 1 1 B
402
2 3 1 1 4 2 1 1 1 B
403
2 3 1 1 4 2 1 1 1 B
404
2 3 1 1 4 2 1 1 1 B
405
1 3 1 1 4 2 1 1 2 S
406
1 3 2 1 4 4 1 1 1 B
407
1 3 2 1 4 3 2 1 2 S
408
2 3 1 1 4 2 1 1 1 B
409
2 3 1 1 4 2 1 1 1 B
410
1 3 1 1 4 2 1 1 1 B
411
2 3 1 1 4 2 1 1 1 B
412
2 3 1 1 4 2 1 1 1 B
413
2 3 1 1 4 2 1 1 1 B
414
1 3 1 1 4 2 1 1 1 B
415
1 3 1 1 4 2 1 1 1 B
416
2 3 1 1 4 2 1 1 1 B
417
2 3 1 1 4 2 1 1 1 B
418
2 3 1 1 4 2 1 1 1 B
419
420
2 3 1 1 4 2 1 1 1 B
421
2 3 1 1 4 2 1 1 1 B
422
2 3 1 1 4 2 1 1 1 B
423
1 3 1 1 4 2 1 1 1 B
424
1 3 1 1 4 2 1 1 1 B
425
2 3 1 1 4 2 1 1 1 B
426
2 3 1 1 4 2 1 1 1 B
427
1 3 1 1 4 2 1 1 1 B
428
1 3 1 1 4 2 1 1 1 B
429
1 3 1 1 4 2 1 1 1 B
430
2 3 2 2 4 2 1 1 1 B
431
1 3 1 1 4 2 1 1 1 B
432
1 3 1 1 4 2 1 1 2 S
433
2 3 1 1 4 2 1 1 1 B
434
2 3 1 1 4 2 1 1 1 B
435
2 3 1 1 4 2 1 1 1 B
436
1 3 1 1 4 5 1 1 2 S
437
2 3 1 1 4 2 1 1 1 B
438
2 3 1 1 4 2 1 1 1 B
439
1 3 1 1 4 2 1 1 1 B
440
1 3 1 1 4 2 1 1 1 B
441
2 3 1 1 4 2 1 1 1 B
442
1 3 1 1 4 2 1 1 1 B
443
2 3 1 1 4 5 1 1 2 S
444
445
2 3 1 1 4 2 1 1 1 B
446
2 3 1 1 4 2 1 1 1 B
447
2 3 1 1 4 2 1 1 1 B
448
2 3 1 1 4 2 1 1 1 B
449
1 3 1 1 4 2 1 1 1 B
450
2 3 1 1 4 2 1 2 1 B
451
2 3 1 1 4 2 1 2 1 B
452
2 3 1 1 4 2 1 2 1 B
453
2 3 1 1 4 2 1 2 1 B
454
2 3 1 1 4 2 1 2 1 B
455
2 3 1 1 4 2 1 2 1 B
456
2 3 1 1 4 2 1 2 1 B
457
1 3 2 1 4 2 1 2 2 S
458
1 3 1 1 4 2 1 2 1 B
459
1 3 2 1 4 2 1 2 2 S
460
2 3 1 1 4 2 1 2 1 B
461
1 3 1 1 4 2 1 2 1 B
462
2 3 1 1 4 2 1 2 1 B
463
1 3 1 1 4 2 1 2 1 B
464
1 3 1 1 4 2 1 2 2 S
465
2 3 1 1 4 2 1 2 1 B
467
2 3 1 1 4 2 1 2 1 B
468
2 3 1 1 4 2 1 2 1 B
469
2 3 1 1 4 2 1 2 1 B
470
