APLIKASI KLASIFIKASI KOLEKTIBILITAS KREDIT PEMILIKAN RUMAH
(KPR) MENGGUNAKAN DECISION TREE C5.0
SKRIPSI
MASLIMONA HARIMITA RITONGA
101402016
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
APLIKASI KLASIFIKASI KOLEKTIBILITAS KREDIT PEMILIKAN RUMAH (KPR)
MENGGUNAKAN DECISION TREE C5.0
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana
Teknologi Informasi
MASLIMONA HARIMITA RITONGA
101402016
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
2016
PERSETUJUAN
Judul :APLIKASI KLASIFIKASI KOLEKTIBILITAS
KREDIT PEMILIKAN RUMAH (KPR)
MENGGUNAKAN DECISION TREE C5.0
Kategori : SKRIPSI
Nama : MASLIMONA HARIMITA RITONGA
Nomor Induk Mahasiswa : 101402016
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
..UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Sajadin Sembiring, S.Si., M.Comp.Sc Dr. Syahril Efendi, S.Si.,M.I.T
NIP. - NIP. 196711101996021001
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Muhammad Anggia Muchtar, ST., MM.IT
PERNYATAAN
APLIKASI KLASIFIKASI KOLEKTIBILITAS KREDIT PEMILIKAN RUMAH
(KPR) MENGGUNAKAN DECISION TREE C5.0
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 11 Februari 2016
Maslimona Harimita Ritonga
101402016
UCAPAN TERIMA KASIH
Alhamdulillah, segala puji bagi Allah SWT yang telah memberikan rahmat, karunia, dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini. Penulis mengucapkan banyak terima kasih kepada :
1. Ayahanda, Hasan BP. Ritonga, SE dan Ibunda Mimi Syahroni Tanjung yang senantiasa sabar, selalu mendoakan, memotivasi, menasehati, mendukung dan memberikan kasih sayang sepanjang masa, serta kepada saudara-saudara penulis Muhammad Raja Akbar Ritonga, Sutan Rafsanjani Ritonga dan Pasikoi Tacika Ritonga atas motivasi dan dukungannya selama ini.
2. Bapak Dr. Syahril Efendi, S.Si, M.IT, selaku pembimbing I dan Bapak Sajadin Sembiring, S.Si, M.Comp.Sc, selaku pembimbing II yang telah banyak memberikan bimbingan, motivasi dan dukungan serta selalu sabar dalam membimbing penulis selama penyusunan dan penulisan skripsi ini.
3. Bapak Dani Gunawan,ST.,MT selaku Dosen Penguji I dan Ibu Sarah Purnamawati, ST, M.Sc selaku Dosen Penguji II yang telah memberikan segala koreksi, kritik dan saran dalam penyempurnaan penulisan skripsi ini.
4. Bapak Muhammad Anggia Muchtar, ST., MM.IT. selaku Ketua Program Studi S1 Teknologi Informasi dan Bapak Mohammad Fadly Syahputra, B.Sc., M.Sc.IT. selaku Sekretaris Program Studi S1 Teknologi Informasi.
5. Seluruh Dosen Program Studi S1 Teknologi Informasi yang telah memberikan ilmu yang bermanfaat bagi penulis dari awal perkuliahan.
6. Bapak dan Ibu karyawan PT. Bank Sumut yang telah membimbing dan memotivasi selama masa riset.
7. Sahabat-sahabat penulis Faradilla Savitri, Nadya Amelia, Sonya Lirizky Akbar, Utami Mardiyah Dinanti, M.Naufal Afif, Rahadian Ilham Pelani, Rini Jannati, Sharfina Faza, Tri Annisa, Nurul Putri Ibrahim, Dian Puspitasari, Farid Rakhman, Fitry Hayani, Fadhillah Aini ,Ihda Adila yang selalu memberikan dukungan selama ini.
8. Seluruh staf TU (Tata Usaha) serta pegawai di Program Studi S1 Teknologi Informasi
9. Teman-teman seperjuangan program studi Teknologi Informasi khususnya angkatan 2010 atas segala kebersamaan, doa dan dukungannya.
v
ABSTRAK
Banyaknya kredit macet yang terjadi membuat pihak bank kesulitan untuk
memprediksi sejauh mana debitur melakukan pembayaran kredit serta menentukan
nasabah mana yang berpotensi mencapai kredit macet di kemudian hari, mengingat
banyaknya nasabah yang melakukan berbagai macam jenis kredit salah satunya adalah
kredit pemilikan rumah (KPR). Decision tree C5.0 merupakan teknik data mining
untuk mengubah data menjadi pohon keputusan dan aturan-aturan keputusan (rules).
Metode ini menggunakan struktur pohon yang merepresentasikan atribut, nilai dari
atribut dan kelas. Atribut dengan nilai entropy tertinggi dijadikan sebagai root atau
akar pohon keputusan. Dari hasil pengujian klasifikasi decision tree pada data KPR
nasabah bank diketahui bahwa atribut yang memiliki nilai gain tertinggi adalah jumlah
tunggakan sehingga jumlah tunggakan menjadi atribut yang paling berpengaruh
terhadap prediksi KPR. Akurasi data yang diperoleh adalah 99,16% dan error rate
0,83%.
Kata kunci : Data mining, Decision Tree C5.0, Kredit Pemilikan Rumah (KPR).
vi
APPLICATION CLASSIFICATION KPR COLLECTIBILITY BY USING
DECISION TREE C5.0
ABSTRACT
Number of bad loan/credit that happened make the bank difficulties to predict the extent to which the debitur making payment by credit as well as determining which clients could potentially reach the bad debts at a later given the large number of clients who did a wide variety of credit one of which is KPR. Decision C5.0 is data mining techniques as to transform data into decision tree rules and rules of decision. This method uses a tree structure which present the attribute, the value of attribute and class. Attribute with the value of the highest entropy as the root or the the root of the decision tree. From the results of testing on data bank of KPR note that the attributes value is the highest gain value is the amount of arrears become the most influential attribute against predictions of KPR. The accuracy of the data obtained is 99,16% and the error rate is 0,83%.
vii
2.2 Decision Tree (Pohon Keputusan) 11
2.2.1 Konsep Decision Tree 11
2.2.2 Manfaat Decision Tree 12
2.2.3 Kelebihan Decision Tree 12
2.2.4 Kekurangan Decision Tree 13
2.3 Algoritma C5.0 13
2.4 Bank 14
viii
2.4.1 Kredit 14
2.4.2 Analisa Kredit 18
2.4.3 Kredit Pemilikan Rumah (KPR) 19
2.5 Penilitian Terdahulu 19
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 21
3.1 Identifikasi Masalah 21
3.2 Data yang digunakan 21
3.3 Data Mining 21
3.3.1 Penentuan atribut 21
3.3.2 Pembentukan pohon keputusan 24
3.3.3 Knowledge Presentation 51
3.4 Analisis Sistem 53
3.4.1 Diagram alir system 53
3.4.2 Diagram alir pohon keputusan 55
3.5 Perancangan Sistem 55
3.5.1 Rancangan halaman utama 56
3.5.2 Rancangan menu data training 57
3.5.3 Form input training 58
3.5.4 Form data training 58
3.5.5 Rancangan menu data testing 59
3.5.6 Rancangan menu tree 60
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 61
4.1 Implementasi Sistem 61
4.1.1 Spesifikasi perangkat keras dan lunak yang digunakan 61
4.1.2 Implementasi Perancangan Antarmuka 61
ix
5.2 Saran 72
DAFTAR PUSTAKA 73
x
DAFTAR TABEL
Hal.
Tabel 2.1 Kolektibilitas kredit 16
Tabel 3.1 Ketentuan condition 22
Tabel 3.2 Ketentuan plafond 23
Tabel 3.3 Pembagian kasus 24
Tabel 3.4 Sample perhitungan entropy condition 27
Tabel 3.5 Perhitungan node akar 28
Tabel 3.13 Perhitungan node 1.3 41
Tabel 3.14 Perhitungan node 1.3.1 43
xi
DAFTAR GAMBAR
Hal.
Gambar 2.1 Tahap-tahap penambangan data 8
Gambar 2.2 Konsep decision tree 11
Gambar 3.11 Pembentukan node 1.3.1.1 45
Gambar 3.12 Pembentukan node 1.3.1.2 46
Gambar 3.13 Pembentukan node 1.3.2 48
Gambar 3.14 Pembentukan node keseluruhan 50
Gambar 3.15 Diagram alir system 54
Gambar 3.16 Diagram alir pohon keputusan 55
Gambar 3.17 Rancangan halaman utama 56
Gambar 3.18 Rancangan menu file 56
Gambar 3.19 Rancangan pengaturan database 57
Gambar 3.20 Rancangan menu data training 57
Gambar 3.21 Rancangan form input data training 58
Gambar 3.22 Rancangan form data training 58
Gambar 3.23 Rancangan form cek kolektibilitas 59
Gambar 3.24 Rancangan form data kolektibilitas 59
Gambar 3.25 Rancangan menu tree 60
Gambar 3.26 Rancangan tree view 60
xii
Gambar 4.1 Halaman file 62
Gambar 4.2 Halaman data training 62
Gambar 4.3 Form input data training 63
Gambar 4.4 Form data training 64
Gambar 4.5 Halaman data testing 64
Gambar 4.6 Form cek kolektibilitas 65
Gambar 4.7 Hasil prediksi cek kolektibilitas 66
Gambar 4.8 Halaman data kolektibilitas 67
Gambar 4.9 Halaman tree 67
Gambar 4.10 Sub menu decision tree 68
Gambar 4.11 Tree view 68
Gambar 4.12 Data training 69
Gambar 4.13 Data testing 69
