JURNAL DATA SCIENCE & INFORMATIKA (JDSI)
Vol. 2 No. 1 (2022) 1-5 ISSN Media Elektronik: 2808-9987
Penentuan Keputusan Pemberian Pinjaman Kredit Menggunakan Algoritma C.45
Irfan Nurdiyanto1, Odi Nurdiawan2, Nining R3, Ade Irma Purnamasari4, Dian Ade Kurnia5
13Program Studi Komputerisasi Akuntansi, STMIK IKMI CIREBON
25Program Studi Manajemen Informatika, STMIK IKMI CIREBON
4Program Studi Teknik Informatika, STMIK IKMI CIREBON
1[email protected]*, 2[email protected], 3[email protected],
4irrma202gmail.com,5[email protected]
Abstract
The needs of the community are always increasing and are not supported by an income. So loans or credits are one way to meet the needs and also for the sustainability of people's businesses in this era. This credit target is not only aimed at the lower middle class but also all levels of society. One of the loans with the most demand for PD BPR Sumberc is general credit. General credit is credit intended for prospective borrowers or prospective debtors in general for working capital or other needs with a fairly long period of more than one year. The number of credit applications at PD BPR Sumber makes it difficult for the company to determine the right prospective debtor to be given a loan and also the process of determining creditworthiness at the company is still by means of debtor selection, there is no systematic procedure resulting in a lot of bad loans. With these problems, the role of technology is very important to support daily activities including. This study establishes the criteria used in this study, namely Employment, Salary, Marital Status, Loans, Term, Collateral, Eligibility.The data mining development method used to analyze data in the applicatiom of data mining uses a Knowledge Discovery in Database (KDD) process consisting of Data, Data Cleaning, Data Transformation, Data Mining, Pattern Evolution, Knowledge. The results of the C45 algorithm with 74.35% accuracy results. Prediction results are NOT FEASIBLE with True Not worthy has 38 data. Prediction results NOT FEASIBLE with True Eligible has 26 data.
The FEASIBLE Prediction Result with True Not Eligible has 33 data. The FEASIBLE Prediction result with True Eligible has 133 data.
Keywords: People's Credit, C.45 Algorithm, Data Mining
Abstrak
Kebutuhan masyarakat yang selalu meningkat dan tidak ditunjang oleh suatu penghasilan. Maka pinjaman atau kredit menjadi salah satu jalan untuk memenuhi kebutuhan dan juga untuk keberlangsungan usaha masyarakat di era ini. Sasaran kredit ini tidak hanya ditujukan kepada masyarakat lapisan menengah ke bawah tetapi juga seluruh lapisan masyarakat. Salah satu kredit yang paling banyak peminatnya pada PD BPR Sumber adalah kredit umum.
Kredit umum adalah kredit yang ditujukan kepada calon peminjam atau calon debitur secara umum untuk keperluan modal kerja atau kebutuhan lainnya dengan jangka waktu yang cukup lama yaitu lebih dari satu tahun.
Banyaknya pengajuan kredit pada PD BPR Sumber membuat perusahaan kesulitan menentukan calon debitur yang tepat untuk diberi pinjaman dan juga proses penentuan kelayakan kredit pada perusahaan masih dengan cara seleksi debitur belum ada prosedur secara sistematis mengakibatkan banyak kredit yang macet. Dengan adanya permasalahan tersebut maka peran teknologi sangatlah penting untuk mendukung kegiatan sehari-hari termasuk.
Penelitian ini menetapkan kriteria yang digunakan dalam penelitian ini yaitu Pekerjaan, Gaji, Status Pernikahan, Pinjaman, Jangka Waktu, Agunan, Kelayakan. Metode pengembangan data mining yang digunakan untuk menganalisis data dalam penerapan data mining ini menggunakan proses tahapan Knowledge Discovery in Databases (KDD) yang terdiri dari Data, Data Cleaning, Data Transformation, Data Mining, Pattern Evolution, Knowledge. Hasil Algoritma C45 dengan Hasil Akurasi 74.35% Hasil Prediksi TIDAK LAYAK dengan True Tidak Layak memiliki data sebesar 38 Data. Hasil Prediksi TIDAK LAYAK dengan True Layak memiliki data sebesar 26 Data. Hasil Prediksi LAYAK dengan True Tidak Layak memiliki data sebesar 33 Data. Hasil Prediksi LAYAK dengan True Layak memiliki data sebesar 133 Data.
Kata kunci: Kredit Rakyat, Algoritma C.45, Data Mining.
1. Pendahuluan
Perkembangan teknologi yang semakin pesat menuntut suatu sistem untuk bekerja secara optimal agar dapat memenuhi kebutuhan suatu perusahaan atau instansi.
Hal yang paling penting untuk dapat bersaing di era globalisasi ini adalah keakuratan suatu sistem beserta kecepatan aksesnya. Suatu sistem dapat dikatakan baik apabila sistem tersebut dapat mengolah data secara akurat dan cepat. Pengertian Kredit mempunyai dimensi yang beraneka ragam, dimulai dari arti kata “ kredit” yang berasal dari bahasa Yunani “ credere”
yang berarti kepercayaan akan kebenaran dalam praktek sehari – hari. Pengertian Kredit adalah kemampuan untuk melaksanakan suatu pembelian atau mengadakan suatu pinjaman dengan suatu janji, pembayaran akan dilaksanakan pada jangka waktu yang telah disepakati. Agar kegiatan pelaksanaan perkreditan dapat berjalan dengan sehat dan layak, dikenal dengan 6 C yaitu Character (kepribadian/Watak), Capacity (kemampuan), Capital (modal), Collateral (jaminan), Condition of Economic (kondisi ekonomi) dan Constrain (batasan atau hambatan).[1]
Penelitian pertama yang dilakukan oleh Yogiek Indra Kurniawan, Annastalia Fatikasari, Muhammad Luthfi Hidayat, Mohamad Waluyo jurnal teknik informatika (jutif) vol. 2, no. 2, desember 2021, hlm. 67-74 p-issn:
2723-386 judul prediction for cooperative credit eligibility using data mining classification with c4.5 algorithm menjelaskan bahwa bmt artha mandiri merupakan salah satu koperasi yang melayani jasa simpan pinjam. Dalam pemberian kredit, bmt artha mandiri masih menggunakan cara manual yaitu dengan melihat catatan buku besar dan history setiap nasabah, untuk mengetahui apakah pemohon layak atau tidak layak untuk mendapat kredit sehingga tidak efektif dan efisien. Tujuan penelitian ini adalah untuk membuat sebuah aplikasi yang dapat memprediksi apakah calon nasabah layak atau tidak untuk diberikan kredit.
Prediksi yang dilakukan menggunakan metode klasifikasi data mining, yaitu algoritma c4.5 berdasarkan data-data penunjang yang dimiliki setiap nasabah untuk mengklasifikasikan faktor manakah yang paling berpengaruh pada tingkat pembayaran kredit di koperasi. Pada aplikasi yang dibangun, algoritma c4.5 menghasilkan pohon keputusan yang mudah diinterpretasikan berdasarkan variable-variable yang ada. Pada aplikasi terdapat fitur yang dapat digunakan untuk mengambil keputusan terhadap nasabah yang akan mengajukan kredit di koperasi.
Hasil pengujian blackbox pada aplikasi menunjukkan bahwa aplikasi telah dapat berjalan sesuai dengan yang diharapkan, sedangkan hasil pengujian algoritma juga menunjukkan bahwa aplikasi telah dapat mengimplementasikan algoritma c4.5 dengan benar.
Selain itu, hasil pengujian terhadap akurasi
menunjukkan bahwa nilai rata-rata maksimal dari accuracy mencapai 79,19% [2].
Penelitian kedua yang dilakukan oleh Elly Gustiyani S, Setiawan Assegaff jurnal manajemen sistem informasi vol. 6, no.1, maret 2021 dengan judul analisis dan perancangan sistem pendukung keputusan pemberian kredit menggunakan metode saw pada PT. BPR Artha Prima Persada menjelaskan meningkatnya kredit macet yang terjadi pada PT. BPR Artha Prima Persada dari tahun ke tahun menyebabkan turunnya kualitas performa perusahaaan tersebut. Untuk itu dibutuhkan sebuah sistem yang dapat mendukung keputusan yang diambil. Sistem pendukung keputusan menyediakan fasilitas untuk melakukan analisis sehingga proses pengambilan keputusan yang dilakukan oleh pelaku bisnis bisa menjadi lebih berkualitas. Penelitian ini menggunakan metode SAW dan alat bantu pemodelan UML (Unified Modelling Language) dengan diagram yang dipakai diantaranya use case diagram, class diagram, activity diagram dan penelitian ini menghasilkan sebuah prototype yang dapat diimplementasikan lebih lanjut sehingga menghasilkan sistem pendukung keputusan yang dapat diimplementasikan pada PT. BPR Artha Prima Persada hasil sistem pendukung keputusan yang dirancang pada PT. BPR Artha Prima Persada menggunakan metode saw sehingga dapat mempermudah penilaian kelayakan pemberian kredit kepada calon debitur atau debitur di PT. BPR Artha Prima Persada. Serta dapat melakukan penilaian kelayakan pemberian kredit kepada calon debitur atau debitur yang direkomendasi untuk menerima fasilitas kredit sesuai dengan perhitungan- perhitungan dan kriteria yang ditetapkan oleh PT. BPR Artha Prima Persada. Sistem pendukung keputusan ini dapat menghasilkan laporan yang dibutuhkan dengan cepat, dan dengan adanya sistem pendukung keputusan pemberian kredit yang dirancang pada PT. BPR Artha Prima Persada ini dapat meningkatkan kinerja analist kredit.[3]
Kebutuhan masyarakat yang selalu meningkat dan tidak ditunjang oleh suatu penghasilan. Maka pinjaman atau kredit menjadi salah satu jalan untuk memenuhi kebutuhan dan juga untuk keberlangsungan usaha masyarakat di era ini. Sasaran kredit ini tidak hanya ditujukan kepada masyarakat lapisan menengah ke bawah tetapi juga seluruh lapisan masyarakat. Salah satu kredit yang paling banyak peminatnya pada PD BPR Sumber adalah kredit umum. Kredit umum adalah kredit yang ditujukan kepada calon peminjam atau calon debitur secara umum untuk keperluan modal kerja atau kebutuhan lainnya dengan jangka waktu yang cukup lama yaitu lebih dari satu tahun. Banyaknya pengajuan kredit pada PD BPR Sumber membuat perusahaan kesulitan menentukan calon debitur yang tepat untuk diberi pinjaman dan juga proses penentuan kelayakan kredit pada perusahaan masih dengan cara seleksi debitur belum ada prosedur secara sistematis
mengakibatkan banyak kredit yang macet. Dengan adanya permasalahan tersebut maka peran teknologi sangatlah penting untuk mendukung kegiatan sehari- hari.
2. Metode Penelitian
Adapun teknik pengumpulan data merupakan suatu cara yang dilakukan oleh peneliti untuk memperoleh data-data yang diperlukan. Dalam penelitian ini teknik yang digunakan antara lain sebagi berikut :
a. Survey penelitian dilakukan dengan melakukan wawancara dengan Pimpinan PD BPR Sumber.
b. Sumber data pada penelitian ini menggunakan Data Skunder dan Data Primer.
2.1. Pendekatan Penelitian
Pada penelitian ini peneliti menggunakan pendekatan deskriptif kuantitatif. Dalam pengertiannya penelitian deskriptif adalah penelitian yang menggambarkan suatu keadaan atau kondisi yang terjadi disuatu daerah, yang pemecahan masalahnya secara tersistem berdasarkan data – data yang bersikap fakta yang ada.
dan data kualitatif adalah jenis data berupa angka yang dapat digunakan dalam proses operasi matematika, data ini berasal dari data fakta yang ada. Jenis data yang digunakan dalam penelitian ini bersifat rasio yang merupakan data yang berbentuk angka sebenarnya.
2.2. Tahapan Penelitian
Metode analisis data yang digunakan di penelitian ini adalah analisis deskriptif dalam menyeleksi data kuantitatif. Dalam fungsinya analisis deskriptif digunakan untuk mendeskripsikan atau memberi gambaran dari data yang terkumpul dari fakta fakta yang ada, data yang dimaksud adalah data sekunder yang berupa data kuantitatif yang bentuk angka-angka dapat digunakan untuk operasi matematika.
Metode pengembangan data mining yang digunakan untuk menganalisis data dalam penerapan data mining ini menggunakan proses tahapan knowledge discovery in databases (KDD) yang terdiri dari Data, Data Cleaning, Data transformation, Data mining, Pattern evolution, knowledge :
Gambar 1 Tahapan Proses KDD
berikut merupan hal – hal yang perlu di lakukan dalam penelitian berdasarkan tahapan knowledge discovery in databases :
a. Dataset
Data merupakan sekumpulan data operasional yang diperlu sebelum dilakukan sebelum tahap penggalian informasi dalam Knowledge Discovery Database (KDD) dimulai.
b. Data Cleaning
Proses data cleaning merupakan proses Pembersihan data yang bertujuan untuk menghilangkan data yang tidak memiliki nilai (null), data yang salah input, data yang tidak relevan, duplikat data dan data yang tidak konsisten karena keberadaanya bisa mengurangi mutu atau akurasi dari hasil data mining nantinya.
Pembersihan data juga akan mempengaruhi performasi dari system data mining karena data yang akan ditangani akan berkurang jumlah dan kompleksitasnya.
c. Data Transformation
Data transformation dilakukan dengan memberikan inisialisasi terhadap data yang memiliki nilai nominal menjadi bernilai numerik.
d. Data Mining.
Pada fase ini yang dilakukan adalah menerapkan algoritma atau metode pencarian pengetahuan. Ini adalah langkah penting di mana teknik kecerdasan diterapkan untuk mengekstrak pola informasi yang berpotensi berguna dari data yang dipilih.
e. Evaluation
Pada tahap evaluasi, akan diketahui apakah hasil daripada tahap data mining dapat menjawab tujuan yang telah ditetapkan. Untuk itu akan dilakukan profilisasi pada setiap cluster yang telah terbentuk, untuk diketahui karakteristik pada kelompok tersebut.
Disamping itu untuk diketahui kesesuaian dengan jalur perminatan akan dilakukan analisis lebih lanjut untuk dihubungkan dengan atribut perminatan, Sehingga diharapkan mendapatkan informasi atau pola yang berguna sebagai acuan pemutakhiran data.
f. Knowledge
Tahap terakhir dari proses data mining adalah bagaimana memformulasikan keputusan atau aksi dari hasil analisis yang didapat.
3. Hasil dan Pembahasan
Sumber Data pada penelitian ini menggunakan data nasabah pada bulan januari tahun 2021, dengan kumpulan data nasabah calon peminjam kredit sebanyak 230 nasabah, adapun atribut yang digunakan
yaitu Pekerjaan, Gaji, Status Pernikahan, Pinjaman, jangka waktu, anggunan dan kelayakan.
3.1. Pre Processing Data
Data Cleaning atau PreProcessing bertujuan untuk melakukan membersihkan data yang tidak lengkap, data yang salah input atau data yang harus disesuaikan dengan kebutuhan pada Algoritma C.45, kategori yang dinyatakan layak adalah Nasabah yang memiliki pekerjaan tetap, gaji diatas UMR Belum Menikah, pinjaman rendah, jangka waktu panjang dan anggunan BPKB Mobil.
3.2. Transformasi Data
Data transformation dilakukan dengan memberikan inisialisasi terhadap data yang memiliki nilai akan disesuaikan type data yang dibutuhkan pada Algoritma C.45. Data Tersebut dapat dilihat pada gambar berikut ini
Gambar 1 Transformasi Data.
3.3. Model Data
Penerapan model Algoritma C.45 dalam menganalisa penentuan pemberian kredit dapat dilihat pada gambar berikut ini :
Gambar 2 Model Pemanggilan Data.
Gambar 3 Model Algoritma.
Berdasarkan gambar diatas menjelaskan bahwa dalam menerapkan model Algoritma C.45 diperlukan aplikasi rapidminer versi 9.9 dengan operator kegunaan yaitu retrieve, Cros Validation, Algoritma C.45, Apply Model dan Performance.
3.4. Hasil Akurasi
Berdasarkan hasil pengujian maka didapatkan hasil akurasi sebagai berikut:
Gambar 4 Hasil Akurasi
Berdasarkan gambar diatas menjelaskan bahwa hasil algoritma C45 dengan Hasil Akurasi 74.35% hasil prediksi sebagai berikut :
Hasil Prediksi TIDAK LAYAK dengan True Tidak Layak memiliki data sebesar 38 Data.
Hasil Prediksi TIDAK LAYAK dengan True Layak memiliki data sebesar 26 Data.
Hasil Prediksi LAYAK dengan True Tidak Layak memiliki data sebesar 33 Data.
Hasil Prediksi LAYAK dengan True Layak memiliki data sebesar 133 Data.
4.2.Hasil Graph
Berdasarkan hasil uji algoritma C.45 menjelaskan bahwa hasil Graph dapat dilihat pada Gambar Berikut Ini :
Gambar 6 Graph 3.5. Hasil Klasifikasi
Hasil klasifikasi penerima pinjaman kredit dapat dilihat pada gambar berikut ini :
Gambar 7 Hasil Klasifikasi 4. Kesimpulan
Berdasarkan hasil penelitian maka penulis menyimpulkan bahwa penelitian ini menetapkan kriteria yang digunakan dalam penelitian ini yaitu Pekerjaan, Gaji, Status Pernikahan, Pinjaman, Jangka Waktu, Agunan, Kelayakan. Hasil algoritma C45 dengan Hasil Akurasi 74.35% Hasil Prediksi TIDAK LAYAK dengan True Tidak Layak memiliki data sebesar 38 Data. Hasil Prediksi TIDAK LAYAK dengan True Layak memiliki data sebesar 26 Data.
Hasil Prediksi LAYAK dengan True Tidak Layak memiliki data sebesar 33 Data. Hasil Prediksi LAYAK dengan True Layak memiliki data sebesar 133 Data.
Daftar Rujukan
[1] G. Supramono, “Perbankan dan Masalah Kredit Suatu Tinjauan Yuridis,” Jakarta: Penerbit Djambatan, 1996, p. 1996.
[2] Y. I. Kurniawan, A. Fatikasari, M. L. Hidayat, and
M. Waluyo, “PREDICTION FOR
COOPERATIVE CREDIT ELIGIBILITY
USING DATA MINING PREDIKSI
KELAYAKAN KREDIT KOPERASI
MENGGUNAKAN KLASIFIKASI DATA
MINING DENGAN ALGORITMA C4 . 5,” vol.
2, no. 2, pp. 67–74, 2021.
[3] E. G. S and S. Assegaff, “Analisis Dan Perancangan Sistem Pendukung Keputusan Pemberian Kredit Menggunakan Metode SAW Pada PT . BPR Artha Prima Persada,” vol. 6, no.
1, pp. 1–12, 2021.
[4] Y. Kalasuat, W. Hariyono, and Rosyidah,
“SISTEM PENGELOLAAN LOGITIK
BARANG NON MEDIS DI RUMAH SAKIT PANTI NUGROHO KABUPATEN SLEMAN,”
vol. 1, no. 1, pp. 1–14, 2010.
[5] F. Irhamni, F. Damayanti, B. Khusnul K, and M.
A, “Optimalisasi Pengelompokan Kecamatan Berdasarkan Indikator Pendidikan Menggunakan Metode Clustering dan Davies Bouldin Index,”
Semin. Nas. dan Teknol. UMJ, no. 11, pp. 1–5, 2014.
[6] Subandi H. Augmented Reality dalam Mendeteksi Produk Rotan menggunakan Metode Multimedia Development Life Cycle ( MDLC ).
2021;6(2):135–41.
[7] Nurdin, Azhar R, Abdullah D, Erliana CI, Nurdiawan O, Dikananda AR, et al. The Implementation of Backtracking Algorithm on Crossword Puzzle Games Based on Android. J Phys Conf Ser. 2019;1363(1).
[8] Rohmat CL, Anwar S, Dikananda AR, Ali I, Rizki AR. Election model classifications of problem- based learning using a machine learning technique. IOP Conf Ser Mater Sci Eng.
2021;1088(1):012030.
[9] Nurdiawan O. Penerapan Algoritma Support Vector Machine xalam mengukur Kepuasan Pembelajaran Hybrid Learning. 2021;6(2):130–4.
[10] Nurdiawan O, Kurnia DA, Solihudin D, Hartati T, Suprapti T. Comparison of the K-Nearest Neighbor algorithm and the decision tree on moisture classification. IOP Conf Ser Mater Sci Eng. 2021;1088(1):012031.
[11] Nurdiawan O, Pratama FA, Kurnia DA, Kaslani, Rahaningsih N. Optimization of Traveling Salesman Problem on Scheduling Tour Packages using Genetic Algorithms. J Phys Conf Ser.
2020;1477(5).
