875 Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 875-884 E-ISSN 2503-2933
Algoritma C4.5 Pada Sistem Analisis Data Untuk Klasifikasi Nasabah Sebagai Dasar Promosi Penjualan
Produk Asuransi
Sholihul Umam1, Febrian Wahyu Christanto*2
1PT. Sun Life Financial, Semarang, Indonesia
*2Program Studi S1 Teknik Informatika Universitas Semarang, Semarang, Indonesia e-mail: 1sholihulumam140109@gmail.com, *2febrian.wahyu.christanto@usm.ac.id
Abstrak
PT. Sun Life Financial adalah perusahaan yang bergerak di bidang jasa konsultan Financial atau Asuran-si. Perusahaan ini mengolah data klasifikasi nasabah masih menggunakan perhitungan secara manual dan menggunakan program Ms.Excel. Metode pengembangan sistem pada penelitian ini menggunakan RAD (Rapid Application Development). Metode untuk mengolah data klasifikasi nasabah menggunakan pohon keputusan algoritma C4.5. Kelebihan algoritma ini antara lain adalah kemampuan memproses data numerik dan diskrit, mudah ditafsirkan, dan tersepat diantara algoritma lainnya. Bahwa hasil kuesioner kepuasan pengguna menyatakan 48% sangat setuju, 45% setuju, 5% cukup, dan 2% menyatakan tidak setuju. Kesimpulan yang didapatkan bahwa aplikasi sistem informasi data mining yang dibangun ini berhasil menyelesaikan masalah untuk membantu pencarian penyebab polis mati (Lapse) atau polis aktif (Inforce) di PT. Sun Life Financial Indonesia.
Kata kunci—Sistem Informasi, Algoritma C4.5, Promosi, UML, RAD.
Abstract
PT. Sun Life Financial is a company engaged in the field of financial consulting or insurance services. This company processes customer classification data still using calculations manually and using Ms. Excel. The system development method in this research uses RAD (Rapid Application Development). The method for pro-cessing customer classification data uses the decision tree algorithm C4.5. The strengths of this algorithm in-clude the ability to process numerical and discrete data, are easily interpreted, and are fastest among other algorithms.
That the results of the user satisfaction questionnaire stated 48% strongly agreed, 45% agreed, 5% were enough, and 2% stated disagreed. The conclusion was that the data mining information system applica-tion that was built successfully resolved the problem to help find the cause of the dead policy (Lapse) or active policy (Inforce) at PT. Sun Life Financial Indonesia.
Keywords—Information Systems, C4.5 Algorithm, Promotion, UML, RAD.
1. PENDAHULUAN
Perkembangan dalam sains dan teknologi membuat manusia terus melakukan sesuatu yang baru di berbagai bidang - bidang pekerjaan. Dengan perkembangan teknologi ini,
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 875-884 E- ISSN 2503-2933 876
Berdasarkan wawancara dengan Kepala Biro Promosi PT. Sun Life Financial Semarang, didapatkan data seperti strategi untuk penentuan anggaran promosi dan pembentukan tim promosi yang akan mempromosikan produk-produk PT. Sun Life Financial Semarang.Pencapaian target market dari tim promosi sendiri akan sulit tercapai jika data-data yang ada tidak bisa diolah secara baik, benar dan cepat. Contoh data menggunakan data di dalam SPAJ (Surat Pengajuan Asuransi Jiwa).
PT. Sun Life Financial adalah perusahaan di bidang asuransi dan konsultan finansial.
Sistem analisa data nasabah yang terdapat pada PT. Sun Life Financial selama ini masih mengunakan proses manual yaitu dalam melakukan proses analisa masih menggunakan program bantu Ms.Excel dimana dalam proses perhitungan klasifikasi data nasabah membutuhkan waktu yang sangat lama sehingga hal ini menyebabkan terjadi kesalahan-kesalahan dalam melakukan perhitungan analisa klasifikasi data nasabah. Melihat permasalahan ini, maka dibutuhkan solusi yang nantinya dapat membantu pada sistem tersebut.
Sistem analisa data untuk klasifikasi nasabah sebagai dasar promosi penjualan produk asuransi adalah sebuah sistem yang akan digunakan untuk menentukan klasifikasi pengkategorian nasabah masuk ke golongan pasar menengah atau golongan pasar keatas sebagai acuan untuk penjualan produk asuransi yang tepat sasaran dengan kemampuan finansial nasabah tersebut dan bertujuan untuk menghindari terjadinya polis lapse (mati) yang bisa berdampak pada penurunan RBC (Risk Based Capital) perusahaan [2][3][4]. Sehubungan dengan permasalahan ini maka dibutuhkan sistem informasi analisa klasifikasi data nasabah yang terkomputerisasi dan bisa diakses secara mudah yang terkoneksi oleh jaringan internet [5].
Teknologi yang tepat dalam pemanfaatan teknologi internet adalah teknologi aplikasi sistem informasi berbasis web. Dengan menggunakan aplikasi berbasis web yang terkomputerisasi diharapkan akan lebih efektif dalam pekerjaan dan meminimalkan terjadinya kesalahan dalam perhitungan analisa klasifikasi data nasabah [6]. Dengan permasalahan tersebut maka judul yang diangkat sebagai tema adalah “Algoritma C4.5 Pada Sistem Analisis Data Untuk Klasifikasi Nasabah Sebagai Dasar Promosi Penjualan Produk Asuransi”
Data mining adalah proses penggalian data dari data yang bersifat implisit, tidak di ketahui, dan dianggap kurang berguna menjadi sebuah informasi atau pengetahuan dari pengeloaan pola dari data yang berjumlah banyak [7][8], secara umum terdapat 5 (lima) peranan yaitu estimasi, prediksi, klasifikasi, clustering, dan asosiasi. Pemilihan algoritma C4.5 sendiri dalam penelitian ini sendiri melalui beberapa perbandingan antara algoritma C4.5, K-Nearest, dan Naïve Bayes yang hasilnya terdapat pada Tabel 1 di bawah ini.
Tabel 1. Perbandingan Algoritma Klasifikasi
C4.5 K-Nearest Naïve Bayesian
Digunakan untuk
pengambilan keputusan menggunakan struktur hirarki atau pohon.
Digunakan untuk
pengklasifikasian yang didasarkan pada analogi.
Digunakan dalam statistika dalam perhitngan peluang dan penarikan hipotesis.
Konsep C4.5 adalah data yang digambarkan dalam tabel berisi atribut dan record.
Membandingkan data uji dan data pelatihan yang terletak dekat dan memiliki kemiripan dengan data uji.
Berdasarkan pada probabilitas
sederhana dengan
mengasumsikan bahwa atribut dalam data bersifat terpisah.
Atribut digunakan sebagai parameter.
Jarak data uji dan data pelatihan dihitung dengan banyak persamaan
Menentukan label yang memiliki peluang paling tinggi
877 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 875-884 E-ISSN 2503-2933
Pada Tabel 1 diatas menjelaskan perbandingan antara C4.5 dengan metode data mining lain yaitu K-Nearest Neighbor adalah algoritma K-Nearest Neighbor ini digunakan untuk pengklasifikasian yang didasarkan pada analogi. Dari perbandingan-perbandingan ini maka dalam penelitian sistem analisis data untuk klasifikasi nasabah sebagai dasar promosi penjualan produk asuransi ini efektif apabila digunakan Algoritma C4.5 karena metode ini di gunakan untuk pengambilan keputusan menggunakan struktur hirarki atau pohon dalam mengetahui keputusan sebab polis mati dan aktif dari pengelolaan data nasabah yang sudah ada bukan untuk memprediksi lagi.2. METODE PENELITIAN 2.1 Tinjauan Pustaka
Penelitian terdahulu disajikan dalam tabel daftar judul dan hasil penelitian terdahulu untuk dianalisa sebagai dasar pembuatan klasifikasi nasabah pada PT. Sun Life Financial bertujuan untuk membuat analisa klasifikasi lebih baik dan unggul dari penelitian-penelitian terdahulu, berikut ini adalah tabel penelitian terdahulu yang terdapat pada Tabel 2.
Tabel 2. Penelitian Terdahulu
Judul Hasil Penelitian
Klasifikasi Nasabah Menggunakan Algoritma C4.5 Sebagai Dasar Pemberian Kartu Kredit [9].
Sistem yang dibangun membantu klasifikasi kriteria anggota dalam pengajuan kartu kredit yang berpotensi dan tidak berpotensi.
Implementasi Data Mining Untuk Pengenalan Karakteristik Transaksi Customer Dengan Menggunakan Algoritma C4.5 [10].
Implementasi data mining dengan Algoritma C4.5 untuk pengenalan karakteristik customer.
Klasifikasi Data Nasabah Sebuah Asuransi Menggunakan Algoritma C4.5 [11].
Menggunakan atribut penghasilan, premi dasar, cara pembbayaran, mata uang, dan status custumer. Label klasifikasi menggunakan keterangan lancar atau tidak lancar.
Penerapan Algoritma C4.5 Untuk Memprediksi Keuntungan Pada PT SMOE Indonesia [12].
Prediksi pencapaian keuntungan PT. SOME Indonesia. Data awal numerik maupun non numerik akan sesusai klasifikasi untuk keperluan analisa. Output dari penelitian ini adalah proses klasifikasi dan pohon keputusan.
Analisa dan Penerapan Algoritma C4.5 Dalam Data Mining Untuk Mengidentifikasi Faktor- faktor Penyebab Kecelakaan Kerja Konstruksi PT. Arupadhatu Adisesanti [13].
Penggunaan Algoritma C4.5 untuk mengidentifikasi penyebab kecelakaan konstruksi serta pengukuran efektivitas C4.5.
Tabel 2 di atas telah menjelaskan mengenai hasil penelitian terdahulu menggunakan C4.5.
dari hasil analisa 5 penelitian terdahulu tersebut maka sistem analisa klasifikasi nasabah dengan algoritma C4.5 yang akan dibangun pada PT. Sun Life Financial memiliki keunggulan dari penelitian terdahulu yaitu sistem ini membantu pengklasifikasian nasabah yang berpotensi polis mati (Lapse) dan polis dapat berlanjut jangka panjang (inforce), dapat mengenali karakteristik nasabah sesuai kemampuan financial yang dimiliki, memiliki atribut yang lebih lengkap untuk klasifikasi, dan sistem yang dibangun memiliki output lebih baik dalam proses pendataan
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 875-884 E- ISSN 2503-2933 878
2.2 Metode Pengumpulan Data
Makalah Pengumpulan data dititik beratkan pada klasifikasi data nasabah data yang didapat yaitu berupa SPAJ (Surat Pengajuan Asuransi Jiwa) yang berisikan data nasabah yang lengkap. Selain itu pengumpulan data dilakukan dengan mencari literatur yang berhungan dengan pembuatan Sistem Analisis Data Untuk Klasifikasi Nasabah Sebagai Dasar Promosi Penjualan Produk Asuransi.
Wawancara secara langsung kepada pihak PT. Sun Life Financial untuk mendapatkan data yang berhubungan dengan biro promosi. Contoh pertanyaan :
a. Bagaimana cara bapak mendapatkan data nasabah yang mengajukan asuransi?
Narasumber : dengan memberikan form SPAJ yang diisi oleh calon nasabah diisi dengan sesuai tujuan pengajuan asuransi nasabah.
b. Selanjutnya proses apa yang dilakukan setelah memperoleh data tersebut?
Narasumber : setelah data didapat lengkap akan di teruskan ke proses bagain verifikasi (bagian underwriting) apakah calon nasabah diterima atau tidak berdasarkan aturan perusahaan asuransi.
c. Bagaimana cara bagian biro promosi memasarkan produk?
Narasumber: biasanya biro promosi akan mencari data nasabah yang sudah disetujui oleh perusahaan sebagai bahan pertimbangan ke arah mana produk akan dipasarkan, ke pasar ekonomi kebawah, menengah atau keatas, pengusaha, karyawan, pekerja professional ataupun pedagang.
2.3 Metode Pengembangan Sistem
Penelitian ini memerlukan metodologi agar pelaksanaan tercapai. Metode pengembangan sistem menggunakan RAD (Rapid Application Development). Berikut dalam Gambar 1 adalah tahap-tahap metodologi Rapid Application Development (RAD) [14].
Gambar 1. Siklus Rapid Application Development
Gambar 1 diatas merupakan gambaran proses pada metode Rapid Application Development (RAD) untuk tahapan – tahapan yaitu identifikasi syarat dan tujuan, perancangan sistem dengan pengguna, pembangunan sistem, dan pengenalan sistem baru yang sesuai dengan pengembangan sistem dalam penelitian ini.
879 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 875-884 E-ISSN 2503-2933
3. HASIL DAN PEMBAHASAN
Dari hasil pengumpulan data pada PT. Sun Life Financial Indonesia digunakan sebagai data primer dalam penelitian dimana diambil sampel data selama sebulan yaitu pada bulan Oktober 2020, data tersebut diberikan dalam bentuk soft copy menggunakan Microsoft Excel.
Decision tree memiliki dua jenis atribut dari data yang terdiri dari beberapa atribut input dari atribut target dan tentunya mendukung masalah yag ada, fungsinya sebagai pembanding dalam perhitungan Gain dan Ratio.
Sampel data training minimal harus memiliki satu atribut target yang nilainya yang berisi hipotesis permasalahan dari setiap record. Penelitian ini menggunakan nilai dari atribut target yaitu inforce atau lapse. Atribut input yang memiliki gain ratio yang terbesar adalah atribut akar seperti yang terdapat dalam Tabel 3 berikut.
Tabel 3. Konsep Data Dalam Decision Tree
Tabel 3 diatas merupakan tabel yang digunakan untuk rule penentuan pembuatan pohon keputusan (decision tree) yang akan diimplementasikan ke dalam aplikasi. Untuk perhitungan split info dan gain ratio pada persamaan dibawah ini menggunakan beberapa atribut yaitu S yang berisi kumpulan kasus, A yang berisi atribut, dan n yang berisi jumlah pembagian atribut A, |S_i| yang adalah proposi |S_i| terhadap S, |S| adalah banyak kasus dalam S, dan Entropy (S_i) adalah entropy untuk sampel dengan nilai ke-i [7].
(1)
∗
(2)
||
|| ∗
Pada SplitInfo, nilai D adalah ruang data sampel untuk data training, Nilai D_j adalah jumlah sampel pada adribut j.
(3)
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 875-884 E- ISSN 2503-2933 880
!"#$%& () *)+*
|)| ∗ &,-)+
|)|
.
+/
(4) 01!$21"!& 01!$ , (
!"#$%&()
Class Diagram adalah gambaran struktur dari abstraksi domain (kelas) dari suatu sistem yang berelasi. Relasi tersebut digambarkan Gambar 2.
Gambar 2. Class Diagram
Pada Gambar 2 Class diagram diatas menggambarkan relasi kelas beserta hubungan class satu sama lain seperti hubungan antara data nasabah dan hubungan user dengan sistem diaplikasi.
Form menu Admin berfungsi untk memberikan menu pilihan untuk mengelola data yang disediakan diaplikasi ini, untuk interface ini terdapat pada Gambar 3 di bawah ini.
881 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 875-884 E-ISSN 2503-2933
Gambar 3. Form Menu Home Admin
Pada Gambar 3 di atas adalah gambar tampilan interface di dalam home admin aplikasi tampilan utama. Di dalam interface home ini berisikan menu-menu yang ada di aplikasi.
Sedangkan tampilan hasil perhitungan menggunakan C4.5 dan pohon keputusan hasil dan saran terdapat pada Gambar 4 dan Gambar 5.
Gambar 4. Tampilan Form Perhitungan C4.5
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 875-884 E- ISSN 2503-2933 882
Gambar 5. Tampilan Form Hasil dan Saran
5. SARAN
Data mining dengan algoritma C4.5 (Decision Trees) ini efektif karena dalam metode ini dapat dilihat rule perhitungan untuk menentukan sebuah keputusan berdasarkan klasifikasi suatu data yang digambarkan dalam bentuk rule pohon keputusan atau Decision Trees. Berdasarkan hasil persentase yang sudah dibuat dapat di simpulkan bahwa 48% responden sangat setuju menyatakan aplikasi memerlukan update, 45% responden menyatakan setuju, dan 5%
menyatakan cukup, dan 2% menyatakan tidak setuju. Untuk diagram hasil terdapat pada Gambar 6 di bawah ini.
883 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 875-884 E-ISSN 2503-2933
Gambar 6. Diagram Pie Kuesioner
Dari Gambar 6 diagram pie hasil kuesionar yang menjelaskan persentase keseluruhan kuesionar yang sudah diisi oleh 20 orang pengguna sistem menyatakan bahwa aplikasi sistem informasi data mining ini berhasil menyelesaikan masalah untuk membantu pencarian penyebab polis mati (Lapse) atau polis aktif (Inforce) di PT. Sun Life Financial Indonesia.
UCAPAN TERIMA KASIH
Tim peneliti mengucapkan terimakasih kepada Program Studi S1 Teknik Informatika Fakultas Teknologi Informasi dan Komunikasi Universitas Semarang atas dukungan dana penelitian PT. Sun Life Financial Semarang atas dukungan dalam penggalian data sebagai bahan dalam penelitian ini
DAFTAR PUSTAKA
[1] H. Hanafiah and A. Pirmansyah, “Pembangunan Sistem Informasi Kepegawaian Berbasis Web di Kantor Desa Manggungharja,” J. Sist. Informasi, J-SIKA, Vol. 01, No.
01, pp. 47–52, 2019.
[2] S. S. Akpan, F. Mahat, N. Bany-Ariffin, and A. Nassir, “Performance Effect of Risk- Based Capital Policy on Insurers: Longitudinal Microdata Evidence,” J. African Bus., Vol. 22, No. 1, pp. 1–21, 2019, doi: 10.1080/15228916.2019.1695181.
[3] M. R. Azkia, M. Mayadi, M. Huda, and Kusrini, “Sistem Pendukung Keputusan Pemilihan Program Studi Calon Peserta Didik Menggunakan Metode Pohon Keputusan C4.5 (Studi Kasus : Prodi Universitas Amikom Yogyakarta)” Semnasteknomedia Online, Vol. 6, No. 1, pp. 43–48, 2018.
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 875-884 E- ISSN 2503-2933 884
[4] L. Swastina, “Penerapan Algoritma C4 . 5 Untuk Penentuan Jurusan Mahasiswa,” GemaAktual., Vol. 2, No. 1, pp. 93–98, 2018.
[5] Y. Kustiyahningsih and E. Rahmanita, “Aplikasi Sistem Pendukung Keputusan Menggunakan Algoritma C4.5. Untuk Penjurusan SMA,” J. Semantec, Vol. 5, No. 2, pp.
101–108, 2016.
[6] S. F. Mulaki, N. Setiyawati, and A. F. Wijaya, “Analisis Data Mahasiswa Menggunakan Algoritma K-Means Clustering Sebagai Dasar Pelaksana Promosi,” JBASE - J. Bus.
Audit Inf. Syst., Vol. 1, No. 2, pp. 30–39, 2018, doi: 10.30813/.v1i2.1259.
[7] J. Suntoro, Data Mining Algoritma dan Implementasi Dengan Pemrograman PHP, Vol.
1. Jakarta, 2019.
[8] J. Suntoro, F. W. Christanto, and H. Indriyawati, “Software Defect Prediction Using AWEIG + ADACOST Bayesian Algorithm for Handling High Dimensional Data and Class Imbalance Problem Software Defect Prediction Using AWEIG + ADACOST Bayesian Algorithm for Handling High Dimensional Data and Class Imbalanced,” Int. J.
Inf. Technol. Bus., Vol. 1, No. 1, pp. 36–41, 2018, doi: 10.24246/ijiteb.112018.36-41.
[9] L. N. Rani, “Klasifikasi Nasabah Menggunakan Algoritma C4.5 Sebagai Dasar Pemberian Kredit,” INOVTEK Polbeng - Seri Inform., Vol. 1, No. 2, p. 126, 2016, doi:
10.35314/isi.v1i2.131.
[10] S. Faradillah, “Implementasi Data Mining Untuk Pengenalan Karakteristik Transaksi Customer Dengan Menggunakan Algoritma C4.5,” Pelita Inform. Budi Darma, Vol. V, No. 3, pp. 63–70, 2013.
[11] Sunjana, “Klasifikasi Data Nasabah Sebuah Asuransi Menggunakan Algoritma C4.5,”
Seminar Nasional Aplikasi Teknologi Informasi (SNATI 2010). p. D-31-D34, 2010.
[12] T. Tukino, “Application of The C4.5 Algorithm to Predict Profits at PT SMOE Indonesia,” J. Sist. Inf. Bisnis, Vol. 9, No. 1, p. 39, 2019.
[13] E. Elisa, “Analisa dan Penerapan Algoritma C4.5 Dalam Data Mining Untuk Mengidentifikasi Faktor-faktor Penyebab Kecelakaan Kerja Kontruksi PT. Arupadhatu Adisesanti,” J. Online Inform., Vol. 2, No. 1, p. 36, 2017, doi: 10.15575/join.v2i1.71.
[14] C. Solamo and M. Rowena, Software Engineering, 1.2. Java Education & Development Initiative (JEDI), 2006.
