BAB I
PENDAHULUAN
1.1 Latar Belakang
Rumah telah menjadi kebutuhan pokok bagi masyarakat di Indonesia
selain untuk pemenuhan kebutuhan sandang dan pangan. Untuk memenuhi
kebutuhan sebuah rumah baru dibutuhkan dana yang sangat besar, tidak sedikit
dari masyarakat Indonesia yang takut untuk membeli rumah dan lebih cenderung
untuk menyewa atau mengontrak rumah dengan kondisi yang tidak sesuai dengan
harapan mereka. Oleh karena itu, beberapa bank yang ada di Indonesia
berlomba-lomba untuk turut serta dalam menyediakan berbagai layanan jasa perbankan
seperti menyediakan kredit khususnya Kredit Pemilikan Rumah (KPR) dengan
bunga dan cicilan yang rendah. Hal ini bertujuan agar keinginan masyarakat untuk
mempunyai rumah yang sesuai dengan keinginan dapat segera terwujud, selain itu
bank secara tidak langsung juga turut aktif memperlancar dan meningkatkan taraf
hidup masyarakat Indonesia.
Bank Pembangunan Daerah Jawa Timur, yang dikenal dengan sebutan
Bank Jatim, pertama kali didirikan pada tanggal 17 Agustus 1961 di Surabaya.
Pendirian Bank Pembangunan Daerah (BPD) ini sesuai dengan Undang-Undang
No. 13 Tahun 1962 yang berisi "BPD adalah bank yang didirikan dengan tujuan
khusus untuk menyediakan pembiayaan bagi pembangunan di daerah dalam
rangka mendukung percepatan pembangunan nasional secara menyeluruh dan
hanya melayani kebutuhan pembiayaan bagi masyarakat Jawa Timur. Bank Jatim
mempunyai beragam produk pembiayaan kredit untuk para nasabahnya baik dari
sektor Kredit Menengah dan Koperasi, Kredit Mikro, dan Kredit Argobisnis dan
Ritel. Dalam sektor Kredit Argobisnis dan Ritel dibagi lagi menjadi beberapa
produk diantaranya; Kredit Usaha Rakyat (KUR), Kredit Usaha Pembibitan Sapi
(KUPS), Kredit Ketahanan Pangan dan Energi (KKP-E), Kredit Resi Gudang,
KUMK SU-005/Kredit Investasi Pemerintah (KIP), Kredit Kepada Koperasi
(KKOP), Kredit Sertifikasi Hak Atas Tanah, Kredit Dana Bergulir Pemprov
Jatim, Kredit Pemilikan Rumah (KPR) umum, kredit Pemilikan Properti (KPP),
Kredit Multiguna, Kredit Pundi Kencana, Kredit Linkage Program BPR, dan
Kredit Mikro Langsung Berguna (Laguna).
Sebelum memberikan layanan produk pembiayaan kredit kepada calon
nasabah peminjam (debitur) Bank Jatim terlebih dahulu melakukan proses
analisis kredit oleh bagian analis kredit kepada calon debitur dengan tujuan untuk
mengetahui secara lengkap informasi riwayat calon debitur dan diharapkan kredit
yang diberikan oleh Bank Jatim (kreditur) adalah kredit dengan kualitas yang
bagus. Proses analisis ini menggunakan prinsip penilaian “5C” yaitu character,
capital, capacity, conditions of economy, dan collateral, sehingga dapat
ditentukan apakah permohonan kredit tersebut dapat diberikan atau tidak. Dalam
perjanjian kredit juga tercakup hak dan kewajiban masing-masing pihak, termasuk
jangka waktu dan bunga yang telah ditetapkan bersama sesuai dengan
Undang-Undang Perbankan nomor 10 tahun 1998 adalah penyedian uang atau tagihan
pinjam meminjam antara bank dengan pihak lain yang mewajibkan pihak
peminjam melunasi utangnya setelah jangka waktu tertentu dengan pemberian
bunga.
Selama ini pemberian KPR di Bank Jatim belum memiliki sistem yang
dapat membantu dalam pengambil keputusan pemberian KPR secara
terkomputerisasi, cepat, dan otomatis karena pihak analis kredit masih
menggunakan analisis secara manual dan berdasarkan pengalaman yang telah
dilalui sebelumnya. Dalam mengambil keputusan persetujuan KPR tentu
mengandung suatu tingkat kerugian (resiko). Resiko ini dapat saja terjadi akibat
suatu musibah yang tidak dapat dielakkan seperti rumah debitur terkena bencana
alam atau kebakaran. Namun resiko yang paling fatal adalah akibat debitur yang
mampu tetapi tidak mau membayar kewajibanya. Adanya resiko kerugian dimana
debitur tidak sanggup lagi untuk membayar semua kewajibannya baik untuk
sementara waktu atau selamanya. Hal ini harus cepat di antisipasi oleh dunia
perbankan jika tidak, maka sudah dapat di pastikan bahwa kredit tersebut macet
alias tidak terbayar lagi.
Semakin besar kredit macet yang dihadapi suatu bank, maka makin
menurun pula tingkat kesehatan bank tersebut atau menurunnya profitabilitas
yang diharapkan dan makin besar pula jumlah dana cadangan yang harus
disediakan oleh pihak bank untuk mengadakan dana cadangan tersebut. Dalam hal
ini kondisi perputaran (sirkulasi) keuangan suatu penyedia jasa kredit harus dalam
Menurut Permadi (1992), kemampuan mengambil keputusan yang cepat
dan cermat akan menjadi kunci keberhasilan dalam persaingan global di waktu
mendatang. Memiliki banyak informasi saja tidak akan cukup, bila tidak mampu
meramunya secara cepat dan tepat menjadi alternatif-alternatif terbaik untuk
pengambilan keputusan. Untuk membantu manusia, khususnya para pengambil
keputusan dalam menentukan kebajikan, secara tepat, efisien dan efektif
diperlukan suatu model pengambilan keputusan yang dikenal dengan sebutan
Sistem Pendukung Keputusan.
K-Nearest Neighbor (K-NN), adalah pendekatan untuk mencari kasus
dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu
berdasarkan pada pencocokkan bobot dari sejumlah fitur yang ada (Kusrini,
2009). Misalkan diinginkan untuk mencari solusi terhadap pasien baru dengan
menggunakan solusi pasien lama. Metode K-NN ini bertujuan mencari jarak
terhadap tujuan data yang telah tersimpan sebelumnya, setelah didapatkan
jaraknya kemudian tinggal mencari jarak terdekat untuk mencari tujuan data yang
baru.
Penelitian yang terkait dengan sistem pendukung keputusan
menggunakan data mining adalah Leidiyana (2013) Penerapan Algoritma K-NN
untuk Penentuan Resiko Kredit Kepemilikan Kendaraan Bermotor, kemudian
penelitian terkait lainnya adalah Podani (1999) Extending Gower's General
Coefficient of Similarity to Ordinal Characters, dan yang terakhir adalah
penelitian oleh Gower (1971) A General Coefficient of Similarity and Some of Its
Dengan keadaan yang telah disebutkan sebelumnya, mendorong peneliti
untuk merancang dan membangun sistem pendukung keputusan persetujuan
pemberian kredit kepemilikan rumah dengan metode K-NNdengan studi kasus
Bank Jatim cabang Dr. Soetomo Surabaya. diharapkan dengan menggunakan
aplikasi ini dapat mengurangi rasa ketidakpastian dan bisa sebagai referensi
tambahan dalam pengambilan keputusan yang terbaik bagi Bank Jatim, analis
kredit, dan debitur dengan mempelajari dari data-data yang sudah ada.
1.2 Rumusan Masalah
Berdasarkan latar belakang, maka perumusan masalah yang akan
diambil, adalah bagaimana membuat rancangan dan membangun sistem
pendukung keputusan persetujuan KPR di Bank Jatim cabang Dr. Soetomo
Surabaya dengan metode K-NN?
1.3 Tujuan
Berdasarkan latar belakang penelitian dan rumusan masalah yang telah
ditulis sebelumnya, maka tujuan dari penelitian ini adalah merancang dan
membangun sistem pendukung keputusan persetujuan pemberian KPR di Bank
Jatim cabang Dr. Soetomo Surabaya dengan metode K-NN.
1.4 Manfaat
Hasil penelitian diharapkan dapat memberikan manfaat sebagai berikut :
1. Sebagai bahan acuan dan pertimbangan dalam menentukan calon debitur
KPR dengan akurat dan cepat berdasarkan data debitur lama yang telah
2. Dapat memprediksi sejauh mana calon debitur KPR mampu dalam
membayar kewajibannya, guna meminimalkan resiko kredit macet
dikemudian hari dan diharapkan sistem pendukung keputusan ini dapat
mengurangi rasa ketidakpastian yang dihadapi oleh analis kredit.
3. Mengetahui kriteria-kriteria apa saja yang dipertimbangkan oleh bagian
analis kredit dalam menganalisa permohonan kredit yang diajukan oleh
calon debitur.
1.5 Batasan Masalah
Batasan masalah yang akan dibahas pada penelitian ini, dibatasi pada :
1. Obyek penelitian dilakukan pada produk kredit dengan fokus utama
pada produk KPR.
2. Kriteria-kriteria yang akan dijadikan pertimbangan dalam persetujuan
KPR terbatas pada data debitur yang telah diterima, baik data debitur
yang bermasalah maupun yang tidak bermasalah dalam pembayaran
BAB II
TINJAUAN PUSTAKA
2.1 Pengertian Kredit
Menurut Firdaus (2008), istilah kredit sesungguhnya berasal dari bahasa
latin credere yang berarti kepercayaan atau credo yang berarti saya percaya.
Sedangkan di Indonesia pengertian kredit menurut pasal 1 angka 1 butir 11
Undang-Undang No. 10 tahun 1998 tentang Perbankan bahwa kredit adalah
penyediaan uang dan tagihan yang dapat disamakan dengan itu, berdasarkan
persetujuan atau kesepakatan pinjam meminjam antara bank dan pihak lain yang
mewajibkan pihak lain yang mewajibkan pihak peminjam melunasi utangnya
setelah jangka waktu tertentu dengan pemberian bunga.
Dari penjelasan diatas dapat dijelaskan bahwa kredit adalah penyediaan
uang atau tagihan yang nilainya diukur dengan uang, misalkan bank membiayai
kredit untuk pembiayaan rumah atau mobil, kemudian berdasarkan persetujuan
antara pihak bank (kreditur) dengan pihak peminjam (debitur) dengan suatu janji
bahwa pembayarannya akan dilunasi oleh pihak debitur sesuai dengan jangka
waktu yang disepakati beserta besaran bunga dan sanksi yang telah ditetapkan
bersama.
2.1.1 Fungsi Kredit
Menurut Suyatno (1992), fungsi kredit secara umum ialah pemenuhan
jasa untuk melayani kebutuhan masyarakat (to serve the society) dalam rangka
produksi, jasa-jasa dan bahkan konsumsi yang kesemuanya itu pada akhirnya
ditujukan untuk menaikkan taraf hidup orang banyak. sedangkan bila dijabarkan
secara lengkap fungsi kredit adalah sebagai berikut :
1. Kredit pada hakikatnya dapat meningkatkan daya guna uang
2. Kredit dapat meningkatkan peredaran dan lalu lintas uang
3. Kredit dapat pula meningkatkan daya guna dan peredaran uang
4. Kredit sebagai salah satu alat stabilitas ekonomi
5. Kredit dapat meningkatkan kegairahan dalam berusaha
6. Kredit dapat meningkatkan pemerataan pendapatan
7. Kredit sebagai alat untuk meningkatkan hubungan Internasional.
2.1.2 Azaz-Azaz atau Prinsip-Prinsip Pemberian Kredit
Dalam memberikan kredit, bank atau lembaga perkreditan lainnya wajib
mempunyai keyakinan serta kehati-hatian atas kemampuan dan kesanggupan
debitur agar melunasi utangnya sesuai dengan yang diperjanjikan. Untuk
memperoleh keyakinan tersebut, maka sebelum memberikan kredit, bank harus
melakukan penilaian dengan seksama baik itu terhadap watak, kemampuan,
maupun prospek usaha debitur.
Penilaian yang dilakukan ini bertujuan untuk memperkecil kemungkinan
penyimpangan kredit dari apa yang telah diperjanjikan, karena tidak kembalinya
kredit oleh debitur berarti secara langsung mengancam kelangsungan hidup bagi
bank itu sendiri. Hal ini dikarenakan penghasilan bank yang paling utama berasal
dari bunga yang dikenakan terhadap kredit-kredit yang telah diberikannya.
dana simpanan masyarakat (giro, doposito, tabungan, dan lain-lain), maka sudah
sewajarnya dalam pemberian kredit tersebut memerlukan perhitungan yang
mendalam yang meliputi berbagai prinsip-prinsip, azaz-azaz atau persyaratan
tertentu. Dibawah ini akan dijelaskan salah satu konsep azaz-azaz atau
prinsip-prinsip 5C yang lebih lazim dan popular dikalangan bankir (Firdaus,2008), antara
lain :
1. Character (Watak atau Kepribadian)
Bank sebagai pemberi kredit harus yakin bahwa calon debitur termasuk orang
yang bertingkah laku baik, dalam arti selalu memegang teguh janjinya, selalu
berusaha, dan bersedia melunasi hutang-hutangnya pada waktu yang telah
ditetapkannya. Untuk nasabah baru bisa meminta info dari Bank Indonesia dan
bank lain, sementara untuk nasabah lama bisa dilihat dengan kinerja
(performance) kreditnya pada masa lalu apakah pengembaliannya lancar atau
tidak.
2. Capacity (Kemampuan / Kapasitas)
Pihak bank harus mengetahui dengan pasti sampai dimana kemampuan
menjalankan usaha calon peminjam. Kemampuan inilah yang menentukan
besar kecilnya pendapatan atau penghasilan suatu perusahaan dimasa yang
akan datang. Untuk mengetahuinya bank dapat memperolehnya dengan cara
melihat dokumen-dokumen, berkas-berkas, dan catatan kredit yang
sudah-sudah termasuk riwayat hidup dan pengalaman kerja calon debitur.
3. Capital (Modal)
dimiliki oleh calon debitur. Hal ini penting diketahui oleh bank untuk menilai
tingkat Debt to Equity Ratio (DER) yang selanjutnya berkaitan dengan tingkat
rentabilitas dan solvabilitas serta jangka waktu pembayarankembali kredit yang
akan diterima. Bank dapat mengatahuinya dengan cara melihat laporan
keuangan (neraca laba dan rugi).
4. Condition (Kondisi Perekonomian)
Bank harus mengetahui keadaan ekonomi pada saat tersebut yang berpengaruh
dan berkaitan langsung dengan usaha calon debitur dan bagaimana prospek
dimasa mendatang.
5. Collateral (Jaminan atau Agunan)
Agunan atau jaminan yaitu harta benda milik debitur atau pihak ke-3 yang
diikat sebagai agunan andaikata terjadi ketidak mampuan debitur untuk
menyelesaikan utangnya sesuai dengan perjanjian kredit. Dalam hal ini agunan
mempunyai 2 fungsi yaitu sebagai pembayaran dengan jalan menguangkan
atau menjual jaminan tersebut dan sebagai kreteria penentu jumlah kredit yang
akan diberikan, dalam hal ini pihak bank tidak akan memberikan kredit lebih
besar dari jumlah nilai pinjaman yang diberikan kecuali dalam hal khusus
(kepercayaan bank dan pemerintah).
Perlu diketahui bahwa tidak semua harta benda memenuhi syarat sebagai
collateral, melainkan ada azaz-azaz tertentu yaitu MAST principles, yaitu :
a) Marketability (pasar yang luas bagi jaminan yang bersangkutan)
b) Ascertainability of value (mempunyai standar harga tertentu)
d) Transferability (harta benda yang dijaminkan harus mudah dipindah
tangankan baik secara yuridis / fisik).
2.1.3 Penggolongan Kolektabilitas Kredit
Dalam kenyataan tidak semua kredit yang telah diberikan dalam keadaan
lancar, sebagian ada yang kurang lancar bahkan sampai macet. Oleh karena itu
diperlukan langkah-langkah untuk mengelompokkan kredit berdasarkan jenis
kelancarannya. Hal ini sangat penting dilakukan demi terciptanya pengendalian
kredit agar dapat berjalan dengan lancar. Baik buruknya status debitur dapat
dilihat dengan berapa banyak jumlah kolektabilitas yang dimiliki. Kolektabilitas
adalah suatu pembayaran pokok atau bunga pinjaman oleh nasabah. Berdasarkan
Surat Edaran Bank Indonesia No. 7/3/DPNP tanggal 31 Januari 2005 perihal
Penilaian Kualitas Aktiva Bank Umum, penggolongan kualitas kredit berdasarkan
kemampuan membayar dapat dibedakan menjadi;
1) Kredit Lancar (L)
a) Pembayaran pokok dan bunga tepat waktu, perkembangan rekening baik dan
tidak ada tunggakan serta sesuai dengan persyaratan kredit;
b) Dokumentasi kredit lengkap;
c) Tidak terdapat pelanggaran perjanjian kredit.
2) Kredit dalam Perhatian Khusus (DPK)
a) Terdapat tunggakan pembayaran pokok dan atau bunga sampai dengan 90
(sembilan puluh) hari;
b) Jarang mengalami cerukan;
d) Terdapat pelanggaran perjanjian kredit yang tidak prinsipil.
3) Kredit Kurang Lancar (KL)
a) Terdapat tunggakan dalam pengembalian tunggakan beserta bunga telah
melampaui 90 hari sampai 120 hari dari waktu yang telah disepakati dan
terjadi mutasi masalah keuangan yang dialami debitur;
b) Terdapat cerukan yang berulang kali khususnya untuk menutupi kerugian
operasional dan kekurangan arus kas;
c) Dokumentasi kredit kurang lengkap;
d) Terdapat pelanggaran terhadap persyaratan pokok kredit yang cukup
prinsipil.
4) Kredit Diragukan (D)
a) Terdapat tunggakan dalam pengembalian tunggakan beserta bunga telah
melampaui 120 hari sampai 180 hari dari waktu yang telah disepakati;
b) Terjadi cerukan yang bersifat permanen khususnya untuk menutupi
kerugian operasional dan kekurangan arus kas;
c) Dokumentasi kredit tidak lengkap;
d) Terdapat pelanggaran yang prinsipil terhadap persyaratan pokok dalam
perjanjian kredit.
5) Kredit Macet (M)
a) Terdapat tunggakan dalam pengembalian tunggakan beserta bunga telah
melampaui 180 hari dari waktu yang telah disepakati;
b) Tidak terdapat dokumentasi kredit;
perjanjian kredit.
Kredit akan digolongkan bermasalah (Non Performing Loan / NPL)
apabila telah masuk dalam kualitas kurang lancar, diragukan dan macet.
2.1.4 Analisis Perhitungan Plafond dan Angsuran KPR di Bank Jatim
Analisis Perhitungan nilai plafond atau realisasi maksimal dan Angsuran
maksimal KPR digunakan oleh pihak analis KPR untuk mengetahui besaran
plafon maksimal dan angsuran KPR yang boleh diambil oleh calon debitur. Untuk
menghitung besar nilai plafond atau realisasi maksimal KPR yang boleh diambil,
dapat dihitung dengan Persamaan (2.1);
(2.1)
Sedangkan untuk menghitung besar angsuranmaksimal KPR yang boleh diambil,
dapat dihitung dengan Persamaan (2.2);
(2.2)
Untuk menghitung besar angsuran KPR dari realisasi atau besar pinjaman yang
diinginkan, dapat dihitung dengan Persamaan (2.3);
(2.3)
2.2 Konsep Dasar Sistem Informasi
Konsep dasar sistem informasi menurut Muhyuzir (2001), sistem
informasi adalah data yang dikumpulkan, dikelompokkan dan diolah sedemikian
rupa sehingga menjadi sebuah satu kesatuan informasi yang saling terkait dan
saling mendukung sehingga menjadi suatu informasi yang berharga bagi yang
menerimanya. Menurut Kadir (2003) pada umumnya tujuan utama sistem
1) Untuk mendukung fungsi kepengurusan manajemen
2) Untuk mendukung pengambilan keputusan manajemen
3) Untuk kegiatan operasi perusahaan
Semakin berkembangnya sistem informasi yang digunakan maka
semakin banyak jenis-jenis sistem informasi baru yang bermunculan, diantaranya:
a) Sistem Pemrosesan Transaksi (Transaction Processing System atau TPS)
Berfungsi sebagai penghimpun dan peyimpan informasi transaksi bisnis.
b) Sistem Informasi Manajemen (Management Infromation System atau MIS)
Mengkonversi data yang berasal dari TPS menjadi informasi yang berguna
untuk mengelola organisasi dan memantau kinerja biasanya menghasilkan
laporan yang dibutuhkan oleh manajemen.
c) Sistem Pendukung Keputusan (Decision Support System atau DSS)
Pengembangan dari TPS dan MIS yang fokus membantu pengambilan
keputusan dengan menyediakan informasi yang dibutuhkan oleh manajemen.
d) Sistem Informasi Eksekutif (Executive Infromation System atau EIS)
Menyediakan informasi yang mudah diakses dan bersifat interaktif,
biasanya dalam bentuk grafik dengan data dari TPS dan MIS.
e) Sistem Pakar (Expert System atau ES)
Menyediakan pengetahuan pakar pada bidang tertentu untuk membantu
dalam pemecahan masalah.
f) Office Automation System (OAS)
Sistem informasi yang menyediakan fasilitas untuk memproses informasi
2.3 Sistem Pendukung Keputusan
Pengertian Sistem Pendukung Keputusan (SPK) menurut Moore (1980),
adalah sistem yang dapat dikembangkan, mampu mendukung analisis data dan
pemodelan keputusan, berorientasi pada perencanaan masa mendatang, serta tidak
bisa direncanakan interval (periode) waktu pemakaiannya. Pengambilan
keputusan merupakan proses pemilihan alternatif tindakan untuk mencapai tujuan
atau sasaran tertentu. Pengambilan keputusan dapat dilakukan dengan pendekatan
sistematis terhadap permasalahan melalui proses pengumpulan data menjadi
informasi serta ditambah dengan kriteria-kreteria yang perlu dipertimbangkan
dalam pengambilan keputusan.
Menurut Bonezek (1980), SPK terdiri dari 3 komponen yang saling
berinteraksi antara satu dengan lainnya, yaitu :
1. Language system, adalah suatu mekanisme untuk menjembatani (interface)
pemakai dan komponen lainnya.
2. Knowledge system, adalah repositori pengetahuan yang berhubungan dengan
masalah tertentu baik berupa data maupun prosedur.
3. Problem processing system, adalah sebagai penghubung kedua komponen
lainnya, berisi satu atau beberapa kemampuan manipulasi atau menyediakan
masalah secara umum, yang diperlukan dalam pengambilan keputusan.
2.4 Data Mining
Munculnya data mining sebenarnya mulai dikenal sejak tahun 1990,
didasarkan pada jumlah data yang tersimpan dalam basis data semakin semakin
sistematis belum dieksplorasi dan disisi lain kekuatan teknik komputasi dan
komputasi telah tumbuh secara terus menerus sehingga tekanan pada kebutuhan
untuk membuka informasi yang tersembunyi dalam berbagai database menjadi
meningkat.
Menurut Turban (2005), data mining adalah proses yang menggunakan
teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk
mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan
yang terkait dengan berbagai database yang besar.
Data mining juga merupakan sebuah inti dari proses Knowledge
Discovery in Database (KDD), meliputi dugaan algoritma yang mengeksplor
data, membangun model dan menemukan pola yang belum diketahui. KDD
bersifat otomatis, dapat didefinisikan sebagai pengorganisasian proses untuk
pengidentifikasian yang benar, berguna dan penemuan pola dari kumpulan data
yang besar dan kompleks (Maimon, 2010). Informasi yang dihasilkan dari
penggunaan data mining ini dapat menjadi aset untuk meningkatkan daya saing
suatu institusi atau lembaga.
2.4.1 Pengelompokan Data Mining
Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang
dapat dilakukan, yaitu (Larose, 2005):
1. Deskripsi
Terkadang para peneliti dan analis secara sederhana ingin mencoba mencari
cara untuk menggambarkan pola dan kecenderungan yang terdapat di dalam
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih
kearah numerik dari pada kearah kategori. Model dibangun menggunakan
record lengkap yang menyediakan nilai dari variabel target sebagai nilai
prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel
target dibuat berdasarkan nilai variabel prediksi. Contoh estimasi dalam
penelitian adalah estimasi nilai IPK mahasiswa program pasca sarjana dengan
melihat nilai IP mahasiswa tersebut ketika mengikuti kuliah sarjana.
3. Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam
prediksi nilai dari hasil akan ada dimasa mendatang. Beberapa metode dan
teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan
(untuk keadaan yang tepat) untuk prediksi. Contoh prediksi dalam bisnis dan
penelitian adalah prediksi harga beras dalam tiga bulan yang akan datang.
4. Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh,
penggolongan pendapatan dapat dipisahkan dalam tiga kategori yaitu
pendapatan tinggi, pendapatan sedang dan pendapatan rendah. Salah satu
contoh lain klasifikasi dalam bisnis dan penelitian adalah memperkirakan
apakah suatu pengajuan hipotek oleh nasabah merupakan suatu kredit yang
baik atau buruk.
5. Pengklusteran
memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.
Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang
lainnya dan memiliki ketidakmiripan dengan record-record dalam kluster lain.
Perbedaan antara pengklusteran dengan klasifikasi yaitu tidak adanya variabel
target dalam pengklusteran.
6. Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul
dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang
belanja. Salah satu contoh lain klasifikasi dalam bisnis dan penelitian adalah
menemukan barang dalam supermarket yang dibeli secara bersamaan dan
barang yang tidak pernah dibeli secara bersamaan. Contoh penggunaan
asosiasi dalam bisnis dan penelitian adalah menemukan barang dalam
supermarket yang dibeli secara bersamaan dan barang yang tidak pernah dibeli
secara bersamaan.
2.5 Metode K-NN
MetodeK-NN adalah salah satu metode berbasis NN yang paling tua dan
populer. Klasifikasi NN ini didasarkan pada analogi pembelajaran, yaitu dengan
membandingkan data testing dengan data training yang mirip (Han, 2006).
metode K-NN ini berfungsi mencari ruang pola untuk tuple training K yang
paling dekat dengan tuple yang belum diketahui.
Data training atau data latih adalah data yang sudah diketahui
sebelumnya untuk label kelas, dan digunakan untuk membangun model
(dianggap belum diketahui) label kelasnya untuk kemudian diprediksi kelasnya
menggunakan model klasifikator yang sudah dibangun (Prasetyo, 2014).
K-NN juga termasuk ke dalam kelompok instance based learning yaitu
menyimpan semua data pembelajarandan dapat disebut juga lazy learning. Selain
itu K-NN juga termasuk jenis klasifikasi dengan katagori terpandu (supervised),
dimana hasil dari query instance yang baru diklasifikasikan berdasarkan
mayoritas kategori pada K-NN.
2.5.1 Algoritma K-NN
Beberapa tahapan dalam menggunakan algortima K-NN adalah sebagai
berikut (Yeni,2010):
1) Tentukan parameter K;
2) Hitung jarak antara data yang akan dievaluasi dengan semua data pelatihan;
3) Urutkan jarak yang terbentuk dari yang terdekat;
4) Tentukan jarak terdekat sampai urutan K;
5) Pasangkan kelas yang bersesuaian;
6) Cari jumlah kelas dari tetangga yang terdekat dan tetapkan kelas tersebut
sebagai kelas data yang akan dievaluasi. Misalnya ditetapkan nilai K = 5, maka
ambil 5 jarak yang terdekat. Kemudian evaluasi data tersebut dengan melihat
jumlah kelas yang paling mendominasi.
Menurut Prasetyo (2014), dalam metode klasifikasi seperti K-NN dan
metode clustering, biasanya menggunakan suatu pengukuran yang disebut
kedekatan atau proximity. Dimana terdapat dua jenis kedekatan, yaitu kemiripan
diukur berdasarkan jarak antara data yang pertama dengan data yang kedua,
semakin dekat jarak kedua data maka semakin besar kemiripannya (semakin
kecil ketidakmiripannya), dan semakin kecil kemiripannya (semakin besar
ketidakmiripannya).
2.5.2 Penentuan nilai K pada metode K-NN
Nilai K yang digunakan pada metode K-NNmenyatakan jumlah tetangga
terdekat yang dilibatkan dalam penentuan prediksi label kelas pada data uji, dari
K tetangga terdekat yang terpilih kemudian dilakukan voting kelas dari K tetangga
terdekat tersebut. Kelas dengan jumah suara tetangga terbanyaklah yang diberikan
sebagai label kelas hasil prediksi pada data uji tersebut (Tan et al, 2005). Sebagai
contoh gambaran tetangga terdekat dapat dilihat pada Gambar 2.1 dibawah ini,
dimana data baru atau data testing digambarkan dengan simbol titik hitam dan
data training dengan simbol “ o “ dan “ + ” sebagai kelompok :
1 tetangga terdekat (1-NN) 3 tetangga terdekat (3-NN)
Gambar 2.1 Tetangga terdekat K-NN
Pada Gambar 2.1 posisi data testing untuk (1-NN) terdapat hanya 1 tetangga
terdekat yaitu kelompok “+”, jadi termasuk dalam kelompok “+”, sementara untuk
posisi data testing untuk (3-NN) terdapat 3 tetangga terdekat yaitu kelompok “+”
“o” dikarenakan jumlah “o” lebih banyak dibandingkan jumlah “+”.
Pada K-NNpenentuan nilai K sangatlah penting. Jika nilai K terlalu kecil
maka gangguan noise terhadap hasil sangat besar, jika nilai K terlalu besar maka
akan sangat sulit menentukan mayoritas dalam mengelompokkan data terbaru
(Larose,2005). Nilai K yang dipilih biasanya merupakan angka ganjil, agar
terhindar dari munculnya nilai kedekatan atau jarak yang sama.
2.5.3 Similarity
Dalam prakteknya, kadang ditemukan bahwa atribut yang digunakan
dalam data tidak menggunakan tipe yang seragam, misalnya tidak selalu semua
atribut bertipe numerik (interval atau rasio) ataupun bertipe kategori (nominal atau
ordinal), kadang dataset menggunakan atribut berjenis campuran. Maka dari itu
perhitungan yang cocok untuk tipe data campuran adalah dengan menggunakan
similarity atau nilai kedekatan seperti yang dikemukakan oleh Gower (1971) dan
disempurnakan perhitungannya kembali oleh Podani (1999), maka untuk
menghitung nilai similarity antara 2 buah objek maka dapat digunakan Persamaan
Similarity (2.4):
(2.4)
Dengan :
wijk = 0 , jika objek j dan k tidak dapat digabungkan untuk variabel i karena xij
atau xik tidak diketahui.
wijk = 1 dan sijk = 0 jika xij ≠ xik
wijk = sijk = 1 jika xij = xik = 1 atauxij = xik = 0, dan nol berganda (mutual
absences) yang disertakan.
wijk = sijk = 0 jika xij = xik = 0 dan nol berganda (mutual absences) yang tidak
disertakan dari perbandingan.
b) Untuk variabel nominal, dapat digunakan :
wijk =1 jika xij dan xik diketahui. Kemudian lakukanlah,
sijk = 0 jika xij ≠ xik
sijk = 1 jika xij = xik
c) Untuk variabel yang diukur dengan skala interval dan rasio, dapat digunakan :
wijk = 1 jika xij dan xik keduanya diketahui,
Kemudian untuk menghitung nilai sijk , digunakan :
sijk = 1 - { | xij - xik | / (range of variable i) (2.5)
d) Untuk variabel ordinal dapat digunakan (Podani, 1999) :
Tabel 2.1 Tabel data ordinal
Wijk adalah sama dengan (c); seluruh xij diganti dengan rank rij menentukan objek
secara keseluruhan (lihat Tabel 2.1. baris ke 3 dan 4). Kemudian,
selainnya,
(2.7) Dengan :
Tij adalah nomer dari objek yang mana sama dengan nilai rank untuk variabel i
sebagai objek j (contoh pada Tabel 2.1, baris ke 5)
Ti, max adalah nomer dari objek yang mana memiliki nilai rank maksimum, yaitu
max{ri}.
Ti, min adalah nomer dari objek yang mana memiliki nilai rank minimum, yaitu
min{ri}.
2.5.4 Evaluasi Algoritma K-NN Menggunakan Cross Validation
Cross validation atau K-fold cross validation dapat digunakan untuk
menghitung tingkat akurasi klasifikasi dengan memperkirakan jumlah
keseluruhan klasifikasi yang benar dari iterasi K, dibagi dengan jumlah total tuple
dalam data awal. Selanjutnya untuk prediksi, perkiraan salah (error) dapat
dihitung sebagai kerugian total dari iterasi K, dibagi dengan jumlah total tuple
dalam data awal. Dalam proses cross validation ini, data akan dibagi dalam partisi
K (fold) dengan ukuran yang sama D1, D2, D3 ... Dk, selanjutnya proses testing
dan training dilakukan sebanyak Kkali. Dalam iterasi ke-i partisi Di akan menjadi
data testing dan sisanya akan menjadi data training (Han,2006). Untuk
penggunaan jumlah fold terbaik untuk uji validitas, dianjurkan menggunakan
10-fold cross validation (Han,2006). Proses pembagian dataset kedalam 10 fold
Gambar 2.2 Pembagian 43 dataset dengan 10-fold cross validation
Dapat dilihat pada Gambar 2.3 yang berwarna putih merupakan data
testing, kemudian sisanya merupakan data training, selanjutnyaproses testing dan
training dilakukan sebanyak K.
Gambar 2.3 Contoh proses 10-fold cross validation
2.6 Perancangan Sistem
Menurut Scott (2001), desain sistem menentukan bagaimana suatu sistem
akan menyelesaikan apa yang mesti diselesaikan, tahap ini menyangkut
mengkonfigurasikan dari komponen-komponen perangkat lunak dan perangkat
keras dari suatu sistem, sehingga setelah instalasi dari sistem akan benar-benar
memuaskan rancang bangun yang telah ditetapkan pada akhir tahap analisis
sistem.
2.6.1 Data Flow Diagram
Data Flow Diagram (DFD) adalah sebuah teknis grafis yang
menggambarkan aliran informasi dan transformasi yang diaplikasikan pada saat
data bergerak dari input menjadi output (Pressman, 2002). DFD mempunyai dua
tujuan, diantaranya :
2. Memberikan indikasi mengenai bagaimana data ditransformasi pada saat data
bergerak melalui sistem.
Tingkatan pada DFD di mulai dari diagram konteks yang menjelaskan
secara umum suatu sistem atau batasan sistem dari level 0 dikembangkan menjadi
level 1 sampai sistem tergambarkan secara rinci. Gambaran ini tidak tergantung
pada perangkat keras, perangkat lunak, struktur data atau organisasi file.
KomponenDFD Menurut Yourdon / De Marco, adalah :
a) Terminator / Entitas luar.
Gambar 2.4 Komponen terminator
Terminator mewakili entitas eksternal yang berkomunikasi dengan sistem
yang sedang dikembangkan. Biasanya terminator dikenal dengan nama
entitas luar (external entity).Terdapat dua jenis terminator, antara lain :
1. Terminator Sumber (source) : merupakan terminator yang menjadi
sumber.
2. Terminator Tujuan (sink) : merupakan terminator yang menjadi tujuan data
atau informasi sistem.
b) Proses
Gambar 2.5 Komponen proses
mentransformasikan input menjadi output. Proses diberi nama untuk
menjelaskan proses atau kegiatan apa yang sedang atau yang akan
dilaksanakan. Pemberian nama proses dilakukan dengan menggunakan kata
kerja transitif (kata kerja yang membutuhkan obyek).
c) Alur data
Gambar 2.6 Komponen alur data
Suatu data flow atau alur data digambarkan dengan anak panah, yang
menunjukkan arah menuju ke dan keluar dari suatu proses. Alur data ini
digunakan untuk menerangkan perpindahan data atau paket data informasi
dari satu bagian sistem ke bagian lainnya.
d) Data store
Gambar 2.7 Komponen data store
Komponen ini digunakan untuk membuat model sekumpulan paket data dan
diberi nama dengan kata benda jamak, misalnya Mahasiswa. Data store ini
biasanya berkaitan dengan penyimpanan penyimpanan, seperti file atau database
yang berkaitan dengan penyimpanan secara komputerisasi. Data store juga
berkaitan dengan penyimpanan secara manual seperti buku alamat, file folder, dan
agenda.
2.7 Database MySQL
Pengertian MySQL menurut MySQL manual adalah sebuah open source
software database Structure Query Language (SQL) yang menangani sistem
oleh sebuah perusahaan asal Swedia yaitu MySQL AB. MySQL sendiri
mempunyai fitur-fitur yang sangat mudah dipelajari bagi para penggunanya dan
dikembangkan untuk menangani database yang besar dengan waktu yang lebih
singkat. Kecepatan, konektivitas dan keamanannya yang lebih baik membuat
MySQL sangat dibutuhkan untuk mengakses database di internet.
MySQL menggunakan bahasa standar yaitu SQL sebagai bahasa
interaktif dalam mengelola data. MySQL memiliki kinerja, kecepatan proses dan
ketangguhan yang tidak kalah dibanding database-database besar lainnya yang
komersil seperti ORACLE, Sybase, Unify dan sebagainya. MySQL dapat berjalan
di atas banyak sistem operasi seperti Linux, Windows, Solaris, Free BSD, Mac
OS X, dan lain sebagainya.
2.8 PHP
PHP pertama kali dibuat oleh Rasmus Lerdorf pada tahun 1995. Pada
waktu itu PHP bernama Form Interpreted (FI). Pada saat tersebut PHP adalah
sekumpulan script yang digunakan untuk mengolah data form dari web. Saat ini,
PHP sendiri merupakan kepanjangan “PHP: Hypertext Preprocessor” adalah
sebuah bahasa script berjenis server side yang menyatu dengan Hyper Text
Markup Language (HTML). Sintaks dan perintah-perintah yang dimasukkan akan
sepenuhnya dijalankan dan dikerjakan oleh server dan disertai pada halaman
HTML biasa. PHP bertujuan untuk membuat aplikasi-aplikasi yang dijalankan
diatas teknologi web. Dalam hal ini, aplikasi pada umumnya akan memberikan
hasil pada web browser, tetapi prosesnya secara keseluruhan dijalankan dan
28
BAB III
METODE PENELITIAN
Metode penelitian merupakan cara atau prosedur yang berisikan
tahapan-tahapan yang jelas dan sistematis untuk menyelesaikan permasalahan yang sedang
diteliti dengan landasan ilmiah. Dalam melakukan penelitian ini, penulis
menggunakan metode sebagai berikut :
3.1. Lokasi dan Waktu Penelitian
Tempat yang digunakan untuk melakukan penelitian ini adalah Bank
Jatim Cabang Dr. Soetomo Surabaya yang beralamat di Jl. Prof. Mustopo 6-8,
Surabaya. Penelitian dilakukan mulai pada tanggal 1 Desember 2014 sampai
dengan tanggal 31 Desember 2014, dengan narasumber pakar yaitu seorang analis
kredit bagian KPR.
3.2. Objek Penelitian
Hal yang menjadi obyek penelitian ini adalah berfokus kepada produk
KPR dan kriteria- kriteria yang akan dijadikan pertimbangan dalam persetujuan
pemberian kredit oleh bagian analis kredit kepada calon debitur.
3.3. Pengumpulan Data dan Informasi
Teknik pengumpulan data yang digunakan untuk membantu proses
penelitian dilakukan dalam beberapa tahap, diantaranya :
3.3.1 Studi Literatur
Metode ini dilakukan dengan mempelajari buku yang mendukung topik
yang akan dibahas dalam penelitian ini. Sumber literatur yang dipergunakan di
penulisan karya ilmiah (jurnal) khususnya yang berkaitan dengan SPK, data
mining, metode K-NN, dan kredit.
3.3.2 Wawancara
Proses wawancara dilakukan dengan mengadakan tanya jawab dengan
pihak pakar, dalam hal ini adalah seorang analis KPR dari Bank Jatim cabang Dr.
Soetomo Surabaya. Pertanyaan-pertanyaan yang diajukan dalam proses
wawancara ini memiliki tujuan utama yaitu mendapatkan informasi-informasi dan
pengetahuan yang lebih mendetail terkait sistem yang telah digunakan dalam
proses pengambilan keputusan oleh pihak analisis KPR Bank Jatim cabang Dr.
Soetomo Surabaya.
Informasi ini digunakan sebagai kriteria dan penilaian khusus dalam
pengisian data pada SPK pemberian KPR yang akan dibuat sekaligus penulis
dapat memperoleh pengetahuan khusus seperti prosedur pemberian kredit, produk
kredit, penggunaan istilah dan sebagainya yang berhubungan dengan kredit.
3.4. Pengolahan Data dan Informasi
Sebelum data diolah, dilakukan terlebih dahulu teknik pengumpulan data
yang digunakan untuk membantu proses penelitian, yaitu :
1) Mengambil data debitur KPR Bank Jatim cabang Dr. Soetomo Surabaya telah
diterima baik yang tidak bermasalah maupun debitur yang bermasalah dalam
pembayaran angsuran kredit dengan rentang periode selama 5 tahun yaitu
periode 2008 - 2013, dengan jumlah 181 record.
2) Mengambil persyaratan KPR yang akan diajukan oleh pihak debitur. Data yang
akan dibahas dalam skripsi ini. Pengolahan data dilakukan berdasarkan teori
yang didapat dari berbagai sumber, baik secara langsung melalui wawancara
dengan narasumber, juga melalui berbagai referensi seperti buku, jurnal, dan
internet. Kegiatan pengolahan data yang dimaksud adalah :
a) Menganalisis data debitur KPR Bank Jatim cabang Dr. Soetomo Surabaya
baik yang tidak bermasalah maupun debitur yang bermasalah dalam
pembayaran kredit di ketahui dengan banyaknya jumlah memo yang telah
tercatat oleh sistem, kemudian dimasukkan sebagai data training dan di
klasifikasikan sebagai debitur bermasalah atau tidak bermasalah, yang
kemudian disimpan dalam database.
b) Menganalisis kriteria-kriteria pengajuan KPR yang berpengaruh terhadap
penentuan klasifikasi debitur yang nantinya akan dijadikan dasar dalam
membangun model klasifikator pada SPK persetujuan pemberian KPR.
3.5. Menyelesaikan Masalah dengan Metode K-NN
Menyelesaikan masalah dengan metode K-NN dapat dilakukan dengan
beberapa langkah, seperti yang terlihat pada Gambar 3.1, diantaranya :
1) Dari dataset debitur lama yang telah tersimpan, kemudian digunakan
sebagai data training, yaitu data yang sudah diketahui label kelasnya, dalam
dataset ini terdapat atribut-atribut pendukung lain yang diperhitungkan
dalam pengajuan KPR yang berfungsi dalam membangun model
klasifikator. Kemudian kategorikan status debitur tersebut ke dalam 2 label
Mulai
Menentukan nilai K Input data testing
calon debitur
Menghitung nilai kedekatan dengan
Similarity
Urutkan hasil perhitungan jarak terbesar, sejumlah
nilai k
Pilih alternatif terbanyak
Hasil keputusan calon debitur bermasalah / tidak
berdasarkan data debitur lama Data Training
debitur lama
Selesai
Gambar 3.1Flowchart metode K-NN
3, 4, dan 5) dan juga terdapat atribut-atribut pendukung lain dalam
pengajuan KPR;
2) Input data testing calon debitur;
3) Tentukan nilai parameter K;
4) Hitung jarak kedekatan antara data testing dengan semua data training,
Sebelum masuk ke Persamaan (2.4), maka pertama kali yang dilakukan
adalah menghitung nilai kedekatan sesuai dengan tipe data nya terlebih
dahulu. Karena tipe datanya berbeda-beda, maka untuk tipe data interval
digunakan Persamaan (c) untuk nilai wijk dan Persamaan (2.5) untuk nilai
sijk, kemudian untuk tipe data ordinal dihitung menggunakan Persamaan
(2.6) jika kedua objek sama dan Persamaan (2.7) jika kedua objek berbeda
untuk nilai sijk dan Persamaan (c) untuk nilai wijk, dan yang terakhir untuk
tipe data bertipe nominal dapat digunakan Persamaan (b).
5) Urutkan jarak kedekatan yang terbentuk, mulai dari nilai yang terbesar;
6) Cari jumlah kelas dari tetangga yang terdekat dan tetapkan kelas tersebut
sebagai kelas data yang akan dievaluasi, misalnya ditetapkan nilai K adalah
5, maka ambil 5 jarak yang terbesar. Kemudian ambil kelas yang paling
mendominasi, jika terdapat 3 kelas yang mempunyai label tidak bermasalah
dan terdapat 2 kelas yang mempunyai label bermasalah jadi dapat kita ambil
kesimpulan bahwa kelas yang diuji tersebut termasuk ke dalam label kelas
yang tidak bermasalah.
3.6. Perancangan Sistem
Perancangan sistem dilakukan dengan menggunakan Microsoft Visio.
Hal–hal yang perlu dibuat dalam perancangan sistem adalah menggunakan DFD.
DFD adalah suatu diagram yang menggunakan notasi-notasi untuk
menggambarkan arus data dari sistem, yang penggunaannya sangat membantu
untuk memahami sistem secara logika, tersruktur dan jelas. Beberapa hal yang
1. Entitas luar
Berdasarkan data yang telah dikumpulkan dan dianalisis, maka dapat diperoleh
entitas luar yang terlibat dalam sistem yang kemudian digambarkan dalam
diagram. Entitas yang terdapat dalam sistem adalah :
a) Admin : bertugas untuk memasukkan daftar debitur yang telah diterima oleh
bagian analis KPR Bank Jatim Cabang Dr. Soetomo Surabaya, serta
melakukan update jika debitur tersebut masuk dalam status pembayaran
yang bermasalah.
b) Operator : operator yang dimaksud adalah para analis KPR Bank Jatim
Cabang Dr. Soetomo Surabaya, bertugas apabila ada calon debitur
yang ingin mengajukan kredit kemudian operator tersebut akan
memasukkan data calon debitur yang kemudian hasilnya akan dianalisa ke
dalam SPK pemberian KPR.
2. Proses
Komponen proses menggambarkan bagian dari sistem yang
mentransformasikan input menjadi output. Dalam SPK pemberian KPR ini,
terdapat beberapa proses yang berhubungan dengan data calon debitur yang
akan dianalisa.
3.7. Implementasi Sistem
Pada kasus SPK pemberian KPR Bank Jatim Cabang Dr. Soetomo
Surabaya ini menggunakan sistem berbasis web, karena memiliki kelebihan dapat
diakses dari berbagai platform. Untuk bahasa pemrogramanya menggunakan
3.8. Pengujian Sistem
Pengujian sistem dilakukan dengan melakukan pengujian black box,
yaitu dengan melakukan pengujian terhadap fitur–fitur yang terdapat di dalam
sistem apakah dengan memasukkan input tertentu output yang dihasilkan sudah
sesuai dengan yang diharapkan.
3.9. Evaluasi Sistem
Evaluasi yang akan digunakan dalam sistem ini menggunakan cross
validation atau k-fold cross validation yang berfungsi untuk mengetahui seberapa
BAB IV
HASIL DAN PEMBAHASAN
4.1. Pengumpulan Data dan Informasi
Tempat pengumpulan data dan informasi pada penelitian ini adalah Bank
Jatim Cabang Dr. Soetomo Surabaya yang beralamat di Jln. Prof. Mustopo 6-8,
Surabaya. Teknik pengumpulan data yang digunakan untuk membantu proses
penelitian dilakukan dalam beberapa tahap, diantaranya :
4.1.1 Studi Literatur
Sumber literatur yang dipergunakan di dalam penulisan skripsi ini
bertujuan untuk mengetahui dan memahami lebih mendalam tentang proses
pemberian KPR dan bagaimana metode K-NN dapat menyelesaikan masalah
pemberian KPR khususnya debitur yang terlambat atau bermasalah dalam
pembayaran angsurannya. Dari studi literatur tersebut dapat diperoleh informasi
mengenai tahapan-tahapan perhitungan metode K-NN dan kriteria-kriteria apa
saja yang diperlukan dalam pengambilan keputusan pemberian KPR di Bank
Jatim.
4.1.2 Wawancara
Penelitian yang telah dilakukan sebelumnya dengan cara wawancara
secara langsung dengan mengadakan tanya jawab dengan pihak pakar dalam hal
ini adalah Ibu Distha Ayu selaku bagian analis KPR Bank Jatim cabang Dr.
Soetomo Surabaya yang telah sesuai dengan outline wawancara pada Lampiran 1,
yang dihadapi dengan sistem yang sudah berjalan. Selanjutnya adalah
menanyakan tentang form isian persyaratan atau kriteria-kriteria apa saja yang
perlu dipertimbangkan dalam pengambilan keputusan pemberian KPR di Bank
Jatim sesuai dengan yang terdapat pada Lampiran 2. Namun, khusus untuk
kriteria Sistem Informasi Debitur (SID) tidak ikut dimasukkan ke dalam
perhitungan SPK pemberian KPR dikarenakan SID adalah kriteria wajib dalam
pemberian KPR dan jika SID tidak dalam status 0 (tidak ditemukan) atau 1
(lancar) maka pemberian KPR tidak akan diproses lebih lanjut.
Dari proses wawancara tersebut dapat diperoleh informasi bahwa
terdapat persyaratan atau kriteria-kriteria yang dipertimbangkan oleh seorang
analis dalam menganalisa calon debitur KPR, diantaranya: usia, jenis pekerjaan,
status perusahaan, lama kerja, domisili, jenis jaminan, lokasi jaminan, jangka
waktu pinjaman, angsuran, gaji, realisasi, jumlah anak yang dimiliki, dan status
perkawinan.
4.2 Pengolahan Data dan Informasi
Sebelum data diolah, terlebih dahulu dilakukan teknik pengumpulan data
dengan beberapa tahap, yaitu :
1) Mengambil data debitur KPR yang telah diterima, baik yang tidak bermasalah
maupun debitur yang bermasalah dalam pembayaran KPR. Dengan rentang
periode selama 5 tahun yaitu periode 2008 - 2013, dengan jumlah 181 record.
2) Mengambil persyaratan KPR yang akan diajukan oleh pihak debitur. Data yang
telah terkumpul selanjutnya diolah untuk disesuaikan dengan masalah yang
yang didapat dari berbagai sumber, baik secara langsung melalui narasumber
maupun melalui berbagai referensi seperti buku, jurnal, dan internet. Kegiatan
pengolahan data yang dimaksud adalah :
a) Menganalisis data debitur KPR yang telah diterima, baik yang tidak
bermasalah maupun debitur yang bermasalah dalam pembayaran angsuran
yang secara otomatis telah tercatat oleh sistem.
b) Menganalisis dan mengambil kriteria-kriteria pendukung awal dalam
pengajuan KPR yang berpengaruh terhadap penentuan klasifikasi debitur
seperti usia, jenis pekerjaan, posisi pekerjaan, status perusahaan, lama
kerja, domisili, jenis jaminan, lokasi jaminan, jangka waktu pinjaman,
realisasi, angsuran, gaji, jumlah anak yang dimiliki, status perkawinan,
jumlah kolektabilitas (memo), nilai Taksasi Harga Umum (THU), dan
keterangan lunas.
c) Memisahkan kriteria posisi pekerjaan, nilai THU, dan keterangan lunas
sebagai keterangan tambahan debitur dan memo sebagai label.
d) Kemudian data yang telah diolah melalui point 2a, 2b, dan 2c tersebut
dapat digunakan sebagai data training dengan tujuan untuk membangun
model klasifikasi apakah debitur yang baru tersebut termasuk dalam
klasifikasi yang cenderung bermasalah atau cenderung tidak bermasalah,
selanjutnya data training tersebut disimpan ke dalam database.
4.3 Penyelesaian dengan Metode K-NN
Pada rancang bangun sistem ini terdapat beberapa tahapan dalam
1) Dari dataset debitur lama yang telah tersimpan, kemudian digunakan sebagai
data training, yaitu data yang sudah diketahui label kelasnya dan digunakan
untuk membangun model klasifikator seperti pada Tabel 4.1 yang berisi 24
dataset debitur, untuk selengkapnya dapat dilihat pada lampiran 3. Tabel 4.1
berisi tentang dataset debitur KPR yang masih belum diolah dan terdapat 22
atribut diantaranya adalah no.loan, usia, posisi pekerjaan, jenis pekerjaan,
status perusahaan, lama kerja, domisili, jenis jaminan, lokasi jaminan, tahun
pinjaman, jangka waktu pinjaman, jangka waktu dalam tahun, bunga, angsuran,
realisasi, gaji, jumlah anak, status perkawinan, memo, nilai THU dan
keterangan lunas. Kemudian dari dataset yang belum diolah tersebut, dapat
diambil beberapa atribut yang sesuai dengan kriteria-kriteria dalam persetujuan
KPR oleh pihak analis. Selanjutnya dipilih 13 atribut yang akan diperhitungkan
dalam SPK pemberian KPR diantaranya atribut usia, jenis pekerjaan, status
perusahaan, lama kerja, domisili kerja, angsuran, realisasi, gaji, jangka waktu
pinjaman dalam tahun, jenis jaminan, lokasi jaminan, jumlah anak, dan status
perkawinan. Untuk atribut gaji hanya digunakan sebagai indikator untuk
mengetahui besarnya nilai angsuran dan realisasi yang diambil sehingga tidak
termasuk ke dalam perhitungan K-NN, kemudian untuk atribut lainnya yang
tidak ikut tersebut sifatnya hanya untuk keterangan tambahan saja. Kemudian
lakukan klasifikasi status debitur dengan menambahkan 2 atribut label yaitu
atribut memo dan atribut label memo. Dalam atribut label memo tersebut
terdapat 2 label memo yaitu tidak bermasalah untuk memo 1 dan 2 dan
Tabel 4.1Dataset debitur lama yang belum diolah
No. Urut
No.
Loan Usia Posisi Pekerjaan
40
Tabel 4.2 Dataset debitur yang sudah dipisahkan menurut atribut yang akan diperhitungkan
No.
diperhitungkan tinggal menjadi 12 atribut dengan 2 atribut label tambahan
yaitu memo dan label memo, seperti yang terdapat pada Tabel 4.2. Tabel 4.2
yang berisi 20 contoh data dari 181 data debitur yang telah diterima, untuk
lebih lengkapnya dapat dilihat pada Lampiran 4.
Selanjutnya pisahkan dari 12 atribut tersebut, mana yang termasuk tipe data
interval, ordinal, nominal, dan label. Kemudian akan dilakukan representasi
data pada sub atribut agar nilai pada sub atribut tersebut dapat dihitung oleh
SPK pemberian KPR. Untuk tipe data interval terdapat atribut usia, lama kerja,
angsuran, dan realisasi dimana nilai pada sub atribut tersebut akan
direpresentasikan kembali sesuai dengan nilai pada masing-masing sub atribut
tersebut, contohnya pada atribut usia sub atribut 17 dapat direpresentasikan
kembali dengan nilai 17 kemudian lakukan hal yang sama kepada atribut lama
kerja, angsuran, dan realisasi. Untuk tipe data ordinal seperti atribut jenis
pekerjaan, status perusahaan, domisili, jenis jaminan, dan lokasi jaminan pada
sub atribut tersebut dapat direpresentasikan dengan nilai mulai dari 1 sampai
sejumlah masing-masing sub atribut tersebut, contohnya pada atribut jenis
pekerjaan untuk sub atribut PNS dapat direpresentasikan kembali dengan
angka 1. Kemudian lakukan hal yang sama kepada atribut status perusahaan,
domisili, jenis jaminan, dan lokasi jaminan. Untuk tipe data nominal seperti
atribut jangka waktu pinjaman dalam tahun dan jumlah anak nilai pada sub
atribut tersebut dapat direpresentasikan sesuai dengan nilai pada
masing-masing sub atribut tersebut contohnya pada atribut jangka waktu pinjaman
kemudian lakukan hal yang sama kepada atribut jumlah anak. Khusus untuk
atribut status perkawinan nilai pada sub atribut tersebut dapat direpresentasikan
dengan angka 1. Untuk 2 atribut label yaitu memo dan label memo. Pada
atribut memo dapat direpresentasikan sesuai dengan nilai pada sub atribut,
contohnya pada atribut memo untuk sub atribut 1 dapat di representasikan
dengan angka 1. Terakhir adalah atribut label memo untuk sub atribut collect 1
dan 2 dapat direpresentasikan dengan tidak bermasalah sedangkan untuk
collect 3,4, dan 5 dapat direpresentasikan dengan bermasalah seperti yang
terdapat pada Tabel 4.3 dan untuk lebih lengkapnya akan di jelaskan pada
Lampiran 5.
Tabel 4.3 Pembagian atribut menurut tipe data
No. Tipe data Atribut Sub atribut Representasi
1 Interval Usia
2 Ordinal Jenis Pekerjaan
PNS 1
TNI / POLRI 2
Karyawan 3
... ...
Notaris 10
3 Ordinal Status Perusahaan
No. Tipe data Atribut Sub atribut Representasi
7 Nominal Jangka Waktu Pinjaman
1 1
8 Interval Realisasi
25000000 25000000
10 Ordinal Lokasi Jaminan
Surabaya 1
12 Nominal Status Perkawinan
2) Melakukan input data testing calon debitur, dengan memasukkan isian 14 sub
atribut, diantaranya adalah sub atribut usia, jenis pekerjaan, status perusahaan,
lama kerja, domisili, jenis jaminan, lokasi jaminan, jangka waktu pinjaman,
bunga KPR, besar pinjaman yang diinginkan, prosentase batasan gaji, gaji
suami dan istri, jumlah anak, dan status perkawinan. Untuk input data testing
calon debitur maka dapat diambil contoh pada Tabel 4.4 yang hanya
menampilkan 20 contoh data dari 181 data, untuk lebih lengkapnya dapat
dilihat pada Lampiran 6. Pada Tabel 4.4, khusus untuk no.loan 1 digunakan
sebagai contoh data testing dengan mengabaikan memo, label memo dan
keterangan lunas. Kemudian untuk perhitungannya pada no.loan 1 sampai
dengan no.loan 20 digunakan sebagai data training. Untuk mengetahui nilai
maksimal besarnya plafon atau realisasi yang bisa diambil maka dapat
digunakan Persamaan (2.1), sebagai contoh untuk debitur dengan gaji suami
Rp 3.304.600, gaji istri Rp 1.000.000, prosentase gaji adalah 50 %, jangka
waktu 10 tahun yang terlebih dahulu dikonversi kedalam bulan menjadi 120
bulan, dan bunga KPR sebesar 8,5 %, maka dapat dihitung :
Max realisasi =
Max realisasi = Rp 139.608.648,649
Setelah mengetahui nilai plafond atau realisasi maksimal maka langkah
selanjuntnya adalah menghitung besarnya angsuran maksimal yang bisa
diambil dengan menggunakan Persamaan (2.2) :
Tabel 4.4Dataset debitur yang sudah direpresentasi dan diolah
Kerja Domisili Jaminan
Lokasi Jaminan
Jangka Waktu (Thn)
Bunga Angsuran Realisasi Gaji Jumlah
Setelah mengetahui nilai besar pinjaman atau plafond dan angsuran maksimal
yang bisa diambil, langkah selanjutnya adalah mengisi nominal besar pinjaman
atau realisasi yang diinginkan oleh calon debitur dengan melihat batasan nilai
realisasi maksimal, sebagai contoh untuk mengetahui nilai angsuran atau
cicilan menggunakan Persamaan (2.3) :
Angsuran =
Angsuran = Rp 1.772.916,667
kemudian nilai angsuran dan realisasi atau besar pinjaman yang diinginkan
selanjutnya akan digunakan dalam proses perhitungan SPK Pemberian KPR.
3) Menentukan banyaknya jumlah parameter K tetangga yang ingin dicari,
misalnya parameter K = 13.
4) Menghitung nilai kedekatan antara data yang akan di testing dengan semua
data training, menggunakan Persamaan Similarity (2.4);
Sebelum masuk ke Persamaan (2.4), maka pertama kali yang dilakukan adalah
menghitung nilai kedekatan sesuai dengan tipe data nya terlebih dahulu, karena
tipe datanya berbeda-beda. Oleh sebab itu, untuk :
a) Tipe data interval seperti atribut usia, lama kerja, angsuran, dan realisasi
maka dapat digunakan Persamaan (c) untuk menentukan nilai wijk, dan
Persamaan (2.5) untuk menghitung nilai sijk, dengan penjelasan bahwa untuk
atribut usia mempunyai range bernilai 10, untuk atribut lama kerja
mempunyai range bernilai 5, untuk atribut angsuran mempunyai range
bernilai 500.000, dan untuk atribut realisasi mempunyai range bernilai
dengan Tabel 4.8 yang ditampilkan hanya 20 data dari 181 data, sedangkan
untuk perhitungan lebih lengkap dapat dilihat pada Lampiran 7 sampai
dengan Lampiran 10.
Tabel 4.5 Perhitungan usia dengan tipe data interval
No.
Pada Tabel 4.5, Pengukuran nilai kedekatan akan diukur berdasarkan jarak
antara data testing dengan data training no.loan kedua. Semakin dekat jarak
kedua data maka semakin besar nilai similarity nya, dalam hal ini nilai sijk =
1. Pada Tabel 4.5 jarak antara data testing dengan data training no.loan
sedangkan nilai sijk adalah :
Pada Tabel 4.6, Pengukuran nilai kedekatan akan diukur berdasarkan jarak
antara data yang testing dengan data training no.loan kedua, Semakin dekat
jarak kedua data maka semakin besar nilai similarity nya, dalam hal ini nilai
sijk = 1.
Tabel 4.6 Perhitungan lama kerja dengan tipe data interval
No.
Pada Tabel 4.6, jarak antara data testing dengan data training no.loan kedua
didapatkan nilai wijk adalah 1 karena xij dan xik keduanya diketahui,
Pada Tabel 4.7, Pengukuran nilai kedekatan akan diukur berdasarkan jarak
antara data yang testing dengan data training no.loan kedua, Semakin dekat
jarak kedua data maka semakin besar nilai similarity nya, dalam hal ini nilai
sijk = 1.
Tabel 4.7 Perhitungan angsuran dengan tipe data interval
No.
Pada Tabel 4.7, jarak antara data testing dengan data training no.loan kedua
didapatkan nilai wijk adalah 1 karena xij dan xik keduanya diketahui
Pada Tabel 4.8, Pengukuran nilai kedekatan akan diukur berdasarkan jarak
antara data yang testing dengan data training no.loan kedua, Semakin dekat
jarak kedua data maka semakin besar nilai similarity nya, dalam hal ini nilai
sijk = 1.
Tabel 4.8 Perhitungan realisasi dengan tipe data interval
Pada Tabel 4.8, jarak antara data testing dengan data training no.loan kedua
didapatkan nilai wijk adalah 1 karena xij dan xik keduanya diketahui
sedangkan nilai sijk adalah :
b) Untuk tipe data ordinal seperti atribut jenis pekerjaan, status perusahaan,
domisili, jenis jaminan, dan lokasi jaminan maka untuk menentukan
nilai wijk dapat dihitung dengan Persamaan (c), sedangkan untuk
menghitung sijk dapat menggunakan Persamaan (2.6) jika kedua objek
sama, dan Persamaan (2.7) jika kedua objek berbeda. Untuk lebih jelasnya
dapat dilihat pada Tabel 4.9 sampai dengan Tabel 4.13 yang ditampilkan
hanya 20 data dari 181 data dan untuk lebih lengkapnya dapat dilihat pada
Lampiran 11 sampai dengan Lampiran 15.
Pada Tabel 4.9 terdapat rank dan T, dimana rank adalah pembagian antara
penjumlahan nomer urut dengan jumlah data yang memiliki nilai yang
sama. Sedangkan T adalah jumlah data yang memiliki nilai yang sama.
Sebagai contoh pada Tabel 4.9, untuk jenis pekerjaan yang bernilai 1 nilai T
adalah 17 karena terdapat 17 angka 1 yang sama. Kemudian angka 1
dilakukan konversi ke rank menjadi :
.
Setelah dikonversi ke rank dan mengetahui nilai T, langkah selanjutnya
adalah pengembalian nilai sesuai dengan nilai yang tertera pada jenis
pekerjaan awal. Kemudian menggantinya dengan nilai rank dan T, melalui
adalah 9 dan original T adalah 17. Kemudian lakukan pengukuran nilai
kedekatan yang akan diukur berdasarkan jarak antara data testing dengan
data training no.loan kedua, dengan Persamaan (2.7), didapatkan hasil sijk
adalah;
dan nilai wijk adalah 1 karena xij dan xik keduanya diketahui. Perhitungan
secara keseluruhan untuk Tabel 4.9, selengkapnya dapat dilihat pada
Lampiran 11.
Pada Tabel 4.10 terdapat rank dan T, dimana rank adalah pembagian antara
penjumlahan nomer urut dengan jumlah data yang memiliki nilai yang
sama. Sedangkan T adalah jumlah data yang memiliki nilai yang sama.
Sebagai contoh pada Tabel 4.10, untuk status perusahaan yang bernilai 2
nilai T adalah 53 karena terdapat 53 angka 2 yang sama. Kemudian angka 2
dilakukan konversi ke rank menjadi :
.
Setelah dikonversi ke rank dan mengetahui nilai T, langkah selanjutnya
adalah pengembalian nilai sesuai dengan nilai yang tertera pada status
perusahaan awal. Kemudian menggantinya dengan nilai rank dan T, melalui
original rank dan original T, misalnya untuk status perusahaan 2 original
Tabel 4.9 Perhitungan jenis pekerjaan dengan tipe data ordinal Mengurutkan Jumlah Rank
yang Sama Data Testing Dibanding dengan Data Training
No.
Rank Original T Similarity
54
Tabel 4.10 Perhitungan status perusahaan dengan tipe data ordinal
Mengurutkan Jumlah Rank
yang Sama Data Testing Dibanding dengan Data Training
No.
Rank Original T Similarity
