APLIKASI DATA MINING UNTUK PENILAIAN KREDIT … · dan diaplikasikan ke semua observasi di dalam ....

SIDANG TUGAS AKHIR

GRIZELDA WAHYUNINGTYAS

APLIKASI DATA MINING UNTUK PENILAIAN KREDIT MENGGUNAKAN METODE POHON KEPUTUSAN FUZZY

DATA MINING APPLICATION FOR CREDIT SCORING USING FUZZY DECISION TREE

OLEH

1210100005

ABSTRAK

SEMINAR HASIL “APLIKASI DATA MINING UNTUK PENILAIAN KREDIT MENGGUNAKAN FUZZY DECISION TREE”

Fuzzy decision tree merupakan salah satu metode data mining yang merupakan gabungan antara decision tree dengan logika fuzzy. Penerapan logika fuzzy dalam decision tree bertujuan untuk merepresentasikan suatu kondisi yang tidak pasti dan sangat kompleks. Pembentukan fuzzy decision tree menggunakan teknik fuzzy secara kasar (fuzzy rough technique) adalah dengan cara mencari nilai bawah dan significance level untuk setiap faktor yang akan dianalisis. Permasalahan yang dibahas yaitu untuk mengetahui potensi keberhasilan kredit seorang calon nasabah kredit melalui pohon keputusan fuzzy dengan data historis nasabah kredit yang sudah ada. Hasil ini nantinya akan menunjukkan apakah seorang nasabah memiliki potensi kredit lancar atau tidak. Faktor yang digunakan adalah plafond(besar kredit), jangka waktu kredit, bunga kredit (rate), omzet nasabah, dan lama berjalannya usaha nasabah tersebut. Dengan adanya aplikasi ini, maka seorang pengambil keputusan dapat mengetahui potensi calon nasabah dan mencegah terjadinya kredit macet.

Rumusan Masalah • Bagaimana model prediksi status

kredit berdasarkan teknik fuzzy decision tree?

• Bagaimana tingkat akurasi dari model yang dihasilkan?

• Bagaimana karakteristik dari pemohon kredit dan peluang pemohon kredit tersebut digolongkan ke dalam kelas kredit lancar dan macet?


Batasan Masalah • Data diperoleh dari Bank BRI cabang

Kediri. • Data yang digunakan adalah data

nasabah kredit mikro yang diambil pada tahun 2013.

• Software yang digunakan diantaranya adalah Netbeans IDE 7.0.1 dan MySQL


Tujuan • Mendapatkan model status kredit

berdasarkan teknik fuzzy decision tree. • Mengetahui tingkat akurasi dari model

yang dihasilkan. • Mengetahui karakteristik dari calon

pemohon kredit dan peluang pemohon kredit tersebut termasuk ke dalam kelas kredit lancar atau macet.


Manfaat Manfaat dari tugas akhir ini adalah: 1. Membantu bank dalam mengambil

keputusan untuk menerima atau menolak nasabah pemohon kredit

2. Sebagai tambahan pustaka untuk penelitian selanjutnya.


Credit Scoring • Kredit merupakan salah satu mekanisme

pembayaran yang sangat umum di masyarakat.

• Pihak pemberi dan penerima kredit harus bekerjasama untuk mencapai tujuan yang diinginkan. Pihak penerima kredit mempunyai tujuan mendapatkan sumber pembiayaan yang mudah dan cepat. Pihak pemberi kredit mempunyai tujuan mendapatkan keuntungan dari bunga yang dibayarkan oleh debitur.


Data Mining [1] Data mining merupakan suatu proses pencarian pola dengan menggunakan teknik statistik dan matematik dari record yang berjumlah sangat besar yang dapat memberikan manfaat bagi pengambil keputusan. Data mining membantu perusahaan untuk mendapatkan pola dari data-data yang tersimpan di dalam basisdata perusahaan. Pengetahuan yang diperoleh tersebut akan menjadi pedoman dalam mengambil tindakan-tindakan bisnis sebagai upaya pemeliharaan dan peningkatkan tingkat kompetitif bisnis perusahaan.


Data Mining [2] Walaupun sudah banyak perangkat lunak yang menawarkan kemampuan dalam proses data mining, keterlibatan manusia sangat dibutuhkand alam setiap fase proses data mining itu sendiri. Pemahaman terhadap model statistik dan matematik yang digunakan dalam perangkat lunak sangat dituntut demi keberhasilan penerapan data mining[6].


Data Mining [3]


Decision Tree [1] Decision tree merupakan suatu pendekatan yang sangat popular dan praktis dalam machine learning untuk menyelesaikan permasalahan klasifikasi.Konsep decision tree pada dasarnya adalah mengubah data menjadi pohon keputusan danaturan hirarki (aturan-aturan keputusan)yang pada perkembangan selanjutnya dapat disederhanakan dengan menghilangkan cabang-cabangatau aturan-aturan yang tidak perlu. Sedangkan atribut-atribut yang menyertai data tersebut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan pohon. Salah satu atribut merupakan atribut yang menyatakan data penyelesaian per-item data yang disebut dengan klasifikasi atau kelas.Atribut memiliki nilai-nilai yang dinamakan dengan instance[5]. Misalkan atribut pendapatan mempunyai instance berupa rendah, menengah,dan tinggi.


Decision Tree [2] Pohon keputusan terdiri dari node yang membentuk pohon berakar, yang berarti pohon tersebut diarahkan oleh node yang disebut akar (root) yang tidak memiliki masukan (input). Semua node lain memiliki tepat satu masukan (input). Sebuah node tanpa keluaran (output) disebut internal node. Dan semua selain node disebut daun (leaf) atau seringkali dikenal sebagai decision node (node keputusan).Untuk setiap leaf, sebuah keputusan telah dibuat dan diaplikasikan ke semua observasi di dalam leaf. Leaf tersebut merupakan hasil akhir pengelompokan data dari pohon keputusan yang membagi ke dalam kelompok klasifikasi.


Decision Tree [3]


Teori Himpunan Fuzzy [1] Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, ditulis dengan µA[x], memiliki 2 kemungkinan, yaitu: satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.

Gambar 2.3. Interval fuzzy Definisi 2.5.1 Himpunan Fuzzy Diberikan sebuah crisp semesta dari 𝑋𝑋, himpunan fuzzy 𝐴𝐴 (lebih tepatnya, 𝐴𝐴 subset fuzzy dari 𝑋𝑋) diberikan oleh membership function 𝜇𝜇𝐴𝐴 𝑥𝑥 :𝑋𝑋 → [0,1], dan nilai 𝜇𝜇𝐴𝐴 𝑥𝑥 diinterpretasikan sebagai derajat dari anggota 𝑥𝑥 dalam himpunan fuzzy𝐴𝐴. Grup dari semua subset fuzzy dari 𝑋𝑋 dinotasikan sebagai 𝐹𝐹(𝑋𝑋).


Rumus MF Fuzzy Trapesium


Fuzzy Information System [1] Sebuah information system (IS) mengacu kepada 4 tuple, yaitu (U, A ∪ C, V, f ), dimana U = {x1, x2, … , xn} adalah himpunan dari objek yang terbatas tak kosong dan untuk setiap xi direpresentasikan sebagai xi = ai1, ai2, … , ain ; A = {ai, a2, … , an} adalah sebuah himpunan atribut kondisional; C = {c} adalah atribut keputusan; V = ⋃ Vajn

j=1 dimana Vaj(1 ≤ j ≤ n) adalah domain dari nilai atribut aj; f: U × A → V disebut sebuah fungsi informasi.


Fuzzy Information System [2] Sebuah fuzzy information system (FIS) menurut Wang Et Al pada tahun 2001 adalah sebuah versi fuzzy dari IS yang juga mengacu kepada 4 tuple FIS = (U, A ∪ C, V, f ) dimana U mempunyai arti yang sama seperti pada IS dan A adalah sebuah himpunan terbatas dari atribut kondisional fuzzy. Pada FIS, dilambangkan A = {ai, a2, … , an} dimana Ai(1 ≤ i ≤ n) merepresentasikan sebuah atribut kondisional yang terdiri dari sebuah himpunan fuzzy linguistic term FLTi Ai1, Ai2, … , Ain (1 ≤ i ≤ n). C melam-bangkan sebuah atribut keputusan fuzzy dengan sebuah himpunan FLTC C1, C2, … , Cm . Setiap FLT diasumsikan sebagai sebuah himpunan fuzzy pada 𝑈𝑈.


Fuzzy Rough Set [1]

Fuzzy rough set dikembangkan oleh D. Dubois dengan mengintegrasikan konsep dari kesamaran dan sesuatu yang tidak dapat dibedakan dengan jelas. Definisi 2.7.1 Kelas Ekivalensi Fuzzy Misalkan 𝑈𝑈 adalah semesta, 𝑅𝑅 adalah sebuah relasi ekivalensi fuzzy daripada 𝑈𝑈. Kelas ekivalensi fuzzy [𝑥𝑥]𝑅𝑅 didefinisikan oleh

µ[x]R = µR(x,y)


Fuzzy Rough Set [2] Definisi 2.7.2 Aprosimaksi Fuzzy Misalkan 𝑈𝑈 adalah semesta, 𝑋𝑋 dan 𝑃𝑃 adalah dua himpunan fuzzy pada 𝑈𝑈, 𝑈𝑈/𝑃𝑃 adalah partisi fuzzy dari 𝑈𝑈. Untuk sebuah 𝑥𝑥 ∈ 𝑈𝑈 yang diberikan, aprosimaksi fuzzy 𝑃𝑃 -lower dan aprosimaksi fuzzy 𝑃𝑃-upper dari 𝑋𝑋didefinisikan oleh (Jensen dan Shen 2005).

µPx x = supF∈U/P

min �µF x , infy∈U

max{1

− µF y , µF x }� (11)

µP�x x =supF∈U/P

min µF x , supy∈U

min 1 − µF y , µF x (12)

Tuple (PX, P�X) disebut himpunan kasar fuzzy (fuzzy rough).


Fuzzy Decision Tree [1] Teknik decision tree telah terbukti menginter-pretasikan masalah secara independen dan dapat menyelesaikan masalah dalam skala besar, akan tetapi teknik ini juga dikenal sebagai teknik klasifikasi dengan tingkat ketidakstabilannya yang tinggi sehubungan dengan gangguan dalam training data dan cara penyajian data dengan variansi yang tinggi.Teori fuzzy dapat meningkatkan ketahanan saat melakukan klasifikasi kasus-kasus baru pada sebuah decision tree (Marsala 1998). Logika fuzzy membawa perbaikan dalam aspek ini karena elastisitas dari himpunan fuzzy. Metode yang bertujuan telah dipelajari secara detail dan dikomparasikan dengan metode crisp alternatif dan hasilnya menunjukkan banyak perbaikan dari tingkat akuransi hasil prediksi, ditunjukkan dengan banyak berkurangnya variansi model. Selain itu logika fuzzy juga lebih stabil pada tingkat parameter yang terinterpretasi lebih baik [2].


Fuzzy Decision Tree [2] Fuzzy decision tree berbasis pada teknik kasar fuzzy (fuzzy rough technique) adalah sebuah kriteria baru yang berdasarkan pada pertemuan antara atribut kondisional fuzzy dengan atribut keputusan fuzzy untuk memilih atribut yang akan diekspansi. Akan dipilih atribut kondisional fuzzy yang paling penting sebagai atribut yang akan mengalami ekspansi. Untuk sebuah FIS yang diberikan, setiap atribut kondisional fuzzy memiliki kontribusi yang berbeda terhadap atribut keputusan fuzzy, hubungan kepentingan dari sebuah atribut fuzzy kepada atribut fuzzy yang lain didefinisikan oleh (Junhai Zhai, 2010)


Fuzzy Decision Tree [3] Definisi 2.8.1 Fuzzy Positive Region µPOSPQ = sup

X∈U/Qµ𝑃𝑃x x (13)

Pada literatur (Jensen dan Shen, 2005), persamaan diatas merepresentasikan derajat keanggotaan dari sebuah objek x pada daerah positif fuzzy (fuzzy positive region). Definisi 2.8.2 Significance Fuzzy dengan keterkaitan terhadap atribut lain Misalkan 𝑃𝑃 dan 𝑄𝑄 adalah dua atribut fuzzy pada FIS yang diberikan, hubungan kepentingan (significance) dari 𝑃𝑃 dengan keterkaitan pada 𝑄𝑄 didefinisikan oleh: 𝜏𝜏𝑃𝑃 𝑄𝑄 =

∑ 𝜇𝜇𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑄𝑄 𝑥𝑥𝑥𝑥∈𝑈𝑈

𝑈𝑈 14

Dimana |𝑈𝑈| adalah banyaknya semesta 𝑈𝑈.


Algoritma FDT Langkah 1 : Menyiapkan FIS yang berasal dari nilai masing-masing membership function Langkah 2 : Memilih atribut yang akan mengalami ekspansi. Langkah 2.1: Untuk setiap atribut kondisional fuzzy Ai dan setiap fuzzy linguistic term Aiki(1 ≤ i ≤ n), significance dari Ai dengan keterkaitan pada atribut keputusan fuzzy dihitung dengan menggunakan persamaan (14) Langkah 2.2: memilih io menurut 𝑖𝑖0 = Argmax

1≤𝑖𝑖≤𝑛𝑛 𝜏𝜏𝐴𝐴𝑖𝑖 𝐶𝐶

𝐴𝐴𝑖𝑖0adalah atribut yang diekspan. Setiap satu FLT hanya bisa diekspan oleh satu cabang. Langkah 3 : Jika kondisi tujuan tidak dapat dipenuhi, maka partisi 𝑈𝑈, dan secara rekursif memilih atribut yang diekspan sampai sebuah fuzzy decision tree berhasil dibangkitkan. Langkah 4 : Mengekstrak klasifikasi aturan fuzzy dari fuzzy decision tree 𝑇𝑇.


Metodologi

Studi literatur

Pengumpulan data

Perancangan interface

Preprocessing data

Pemodelan data

Input data Sinkronisasi data

Uji coba dan evaluasi

Penulisan tugas akhir


Diagram Alur Penelitian


Data mentah nasabah kredit bank

Data nasabah kredit bank yang siap diproses

Cleaning

Parameter dan Kategori data

Data terklasifikasi

Model credit scoring dengan fuzzy decision tree untuk Proses Analisa Kelayakan Pemberian Kredit Bank

Analisis Data

Transformasi

Fuzzy decision tree

Jadwal Kegiatan No Kegiatan

Bulan

1 2 3 1 2 3 4 1 2 3 4 1 2 3 4

1. Studi literatur 2. Pengumpulan data

3. Perancangan dan implementasi program

4. Uji coba dan evaluasi 5. Penulisan tugas akhir


Data Mentah • Data yang didapat berupa data nasabah kredit dengan

atribut : - periode - sektor ek - uker - tagihan pokok - tipe - tagihan bunga - curr - tunggakan pokok - no rekening - tunggakan bunga - debitur - total tunggakan - plafond - PPAP - cicilan - omzet - jangka waktu - lama usaha - rate - kode segmen ACRS - baki debet - kolektibilitas ADK - kolekti - flag adjusment


Fuzzy Information System Data training berjumlah 500 data nasabah kredit yang kemudian akan diuabh ke dalam bentuk FIS. Fuzzy Information Sistem yang ada pada penelitian ini terdiri dari 4 tuple. IS = (U, A ∪ 𝐶𝐶,𝑉𝑉, 𝑓𝑓) dimana 𝑈𝑈 = 𝑥𝑥1, 𝑥𝑥2, … , 𝑥𝑥500 objek terbatas yang tak kosong Untuk setiap 𝑥𝑥1 merepresentasikan atribut kondisional :

𝐴𝐴 = 𝐴𝐴1,𝐴𝐴2,𝐴𝐴3,𝐴𝐴4,𝐴𝐴5 𝐴𝐴1 = Plafond ,𝐹𝐹𝐹𝐹𝑇𝑇1 = 𝐴𝐴11,𝐴𝐴12,𝐴𝐴13 = 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟, 𝑠𝑠𝑠𝑠𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟, 𝑠𝑠𝑖𝑖𝑟𝑟𝑡𝑡𝑡𝑡𝑖𝑖 𝐴𝐴2 = Jangka Waktu ,𝐹𝐹𝐹𝐹𝑇𝑇2 = 𝐴𝐴21,𝐴𝐴22 = {𝑝𝑝𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑝𝑝, 𝑝𝑝𝑟𝑟𝑟𝑟𝑝𝑝𝑟𝑟𝑟𝑟𝑡𝑡} 𝐴𝐴3 = Rate,𝐹𝐹𝐹𝐹𝑇𝑇2 = 𝐴𝐴31,𝐴𝐴32 = {𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟, 𝑠𝑠𝑖𝑖𝑟𝑟𝑡𝑡𝑡𝑡𝑖𝑖} 𝐴𝐴4 = Omzet ,𝐹𝐹𝐹𝐹𝑇𝑇4 = 𝐴𝐴41,𝐴𝐴42,𝐴𝐴43 = {𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟, 𝑠𝑠𝑠𝑠𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟, 𝑠𝑠𝑖𝑖𝑟𝑟𝑡𝑡𝑡𝑡𝑖𝑖} 𝐴𝐴5 = Lama Usaha ,𝐹𝐹𝐹𝐹𝑇𝑇5 = 𝐴𝐴51,𝐴𝐴52 = 𝑚𝑚𝑚𝑚𝑟𝑟𝑟𝑟, 𝑙𝑙𝑟𝑟𝑚𝑚𝑟𝑟 Fuzzy decision atributnya adalah :

𝐶𝐶 = Score,𝐹𝐹𝐹𝐹𝑇𝑇𝑐𝑐 = 𝐶𝐶1,𝐶𝐶2 = {𝑏𝑏𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑠𝑠𝑖𝑖𝑙𝑙,𝑡𝑡𝑟𝑟𝑡𝑡𝑟𝑟𝑙𝑙} Langkah selanjutnya adalah mencari nilai Membership Function


MF Plafond

𝜇𝜇𝑃𝑃𝑅𝑅(𝑥𝑥)= 1 jika 1≤ x ≤ 10

1- 𝑥𝑥−1030−10

jika 10 < x <30

0, untuk yang lain

𝜇𝜇𝑃𝑃𝑆𝑆(𝑥𝑥)= 1- 30−𝑥𝑥30−15

jika 15<x < 30

1 jika 30≤ x ≤ 40

1- 𝑥𝑥−4055−40

jika 40<x < 55

0, untuk yang lain

𝜇𝜇𝑃𝑃𝑇𝑇(𝑥𝑥)= 1- 80−𝑥𝑥80−50

jika 50< x < 80

1 jika 80≤ x 0, untuk yang lain


Jangka Waktu

𝜇𝜇𝐽𝐽𝑃𝑃(𝑥𝑥)= 1 jika 1≤ x ≤ 12

1- 𝑥𝑥−1224−12

jika 12 < x < 24

0, untuk yang lain

𝜇𝜇𝐽𝐽𝐽𝐽(𝑥𝑥)= 1- 36−𝑥𝑥36−15

jika 1<x < 36



Rate

𝜇𝜇𝑅𝑅𝑅𝑅(𝑥𝑥)= 1 jika 1≤ x ≤ 10

1- 𝑥𝑥−1030−10

jika 10 < x <30

0, untuk yang lain

𝜇𝜇𝑅𝑅𝑇𝑇(𝑥𝑥)= 1- 40−𝑥𝑥40−20

jika 20<x < 40



Omzet

𝜇𝜇𝑂𝑂𝑅𝑅(𝑥𝑥)= 1 jika 0≤ x ≤ 1

1- 𝑥𝑥−12.5−1

jika 1 <x < 2.5

0, untuk yang lain

𝜇𝜇𝑂𝑂𝑆𝑆(𝑥𝑥)= 1- 3−𝑥𝑥3−2

jika 2< x < 3

1 jika 3≤ x ≤ 4

1- 𝑥𝑥−45−44

jika 4 < x <5

0, untuk yang lain

𝜇𝜇𝑂𝑂𝑇𝑇(𝑥𝑥)= 1- 10−𝑥𝑥10−4

jika 4< x < 10



Lama Usaha

𝜇𝜇𝑈𝑈𝑈𝑈(𝑥𝑥)= 1 jika 0≤ x ≤ 12

1- 𝑥𝑥−1224−12

jika 12 < x < 24

0, untuk yang lain

𝜇𝜇𝑈𝑈𝑈𝑈(𝑥𝑥)= 1- 36−𝑥𝑥36−18

jika 18<x < 36



Pemilihan Root Untuk memilih root (akar) untuk model fuzzy decision tree digunakan persamaan (14) untuk Masing-masing atribut,didapatkan :

𝜏𝜏𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑛𝑛𝑃𝑃 𝐶𝐶 =∑ 𝜇𝜇𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝐶𝐶 𝑥𝑥𝑥𝑥∈𝑈𝑈

𝑈𝑈= 0,8480

𝜏𝜏𝐽𝐽𝑃𝑃𝑛𝑛𝐽𝐽𝐽𝐽𝑃𝑃 𝑊𝑊𝑃𝑃𝐽𝐽𝑊𝑊𝑊𝑊 𝐶𝐶 =∑ 𝜇𝜇𝑃𝑃𝑃𝑃𝑃𝑃𝑗𝑗𝑃𝑃𝑃𝑃𝑗𝑗𝑗𝑗𝑃𝑃 𝑤𝑤𝑃𝑃𝑗𝑗𝑤𝑤𝑤𝑤 𝐶𝐶 𝑥𝑥𝑥𝑥∈𝑈𝑈

𝑈𝑈= 0,7638

𝜏𝜏𝑟𝑟𝑃𝑃𝑊𝑊𝑟𝑟 𝐶𝐶 =∑ 𝜇𝜇𝑃𝑃𝑃𝑃𝑃𝑃𝑟𝑟𝑃𝑃𝑤𝑤𝑟𝑟 𝐶𝐶 𝑥𝑥𝑥𝑥∈𝑈𝑈

𝑈𝑈= 0,7427

𝜏𝜏𝑃𝑃𝑜𝑜𝑜𝑜𝑟𝑟𝑊𝑊 𝐶𝐶 =∑ 𝜇𝜇𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑜𝑜𝑜𝑜𝑟𝑟𝑤𝑤 𝐶𝐶 𝑥𝑥𝑥𝑥∈𝑈𝑈

𝑈𝑈= 0,8284

𝜏𝜏𝑃𝑃𝑃𝑃𝑜𝑜𝑃𝑃 𝑊𝑊𝑢𝑢𝑃𝑃𝑢𝑃𝑃 𝐶𝐶 =∑ 𝜇𝜇𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑜𝑜𝑃𝑃 𝑤𝑤𝑢𝑢𝑃𝑃𝑢𝑃𝑃 𝐶𝐶 𝑥𝑥𝑥𝑥∈𝑈𝑈

𝑈𝑈= 0,8181

Dari hasil diatas atribut Plafond memiliki significance yang paling tinggi. Sehingga atribut Plafond terpilih sebagai root


Pemilihan Leaf Node Untuk atribut Plafond terdapat tiga cabang, yakni : rendah, standar dan tinggi. Untuk setiap cabang kemudian dicari leaf node dari hasil significance yang tertinggi dari atribut pada masing-masing cabang. Dari proses perhitungan yang sama dengan pencarian root, didapat : 1.Cabang Rendah

𝜏𝜏𝐽𝐽𝑃𝑃𝑛𝑛𝐽𝐽𝐽𝐽𝑃𝑃 𝑊𝑊𝑃𝑃𝐽𝐽𝑊𝑊𝑊𝑊 𝑃𝑃𝑙𝑙𝑟𝑟𝑓𝑓𝑃𝑃𝑟𝑟𝑟𝑟 𝑅𝑅𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 = 0.5097 𝜏𝜏𝑅𝑅𝑃𝑃𝑊𝑊𝑟𝑟 𝑃𝑃𝑙𝑙𝑟𝑟𝑓𝑓𝑃𝑃𝑟𝑟𝑟𝑟 𝑅𝑅𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 = 0.4749

𝝉𝝉𝑶𝑶𝑶𝑶𝑶𝑶𝑶𝑶𝑶𝑶 𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷 𝑹𝑹𝑶𝑶𝑷𝑷𝑷𝑷𝑷𝑷𝑹𝑹 = 𝟎𝟎.𝟔𝟔𝟔𝟔𝟔𝟔𝟔𝟔 𝜏𝜏𝑈𝑈𝑃𝑃𝑜𝑜𝑃𝑃 𝑈𝑈𝑢𝑢𝑃𝑃𝑢𝑃𝑃 𝑃𝑃𝑙𝑙𝑟𝑟𝑓𝑓𝑃𝑃𝑟𝑟𝑟𝑟 𝑅𝑅𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 = 0.5290

2. Cabang Standar 𝜏𝜏𝐽𝐽𝑃𝑃𝑛𝑛𝐽𝐽𝐽𝐽𝑃𝑃 𝑊𝑊𝑃𝑃𝐽𝐽𝑊𝑊𝑊𝑊 𝑃𝑃𝑙𝑙𝑟𝑟𝑓𝑓𝑃𝑃𝑟𝑟𝑟𝑟 𝑆𝑆𝑠𝑠𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 = 0.1373

𝝉𝝉𝑹𝑹𝑷𝑷𝑶𝑶𝑶𝑶 𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷 𝑺𝑺𝑶𝑶𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑺𝑺 = 𝟎𝟎.𝟐𝟐𝟐𝟐𝟐𝟐𝟔𝟔 𝜏𝜏𝑂𝑂𝑜𝑜𝑜𝑜𝑟𝑟𝑊𝑊 𝑃𝑃𝑙𝑙𝑟𝑟𝑓𝑓𝑃𝑃𝑟𝑟𝑟𝑟 𝑆𝑆𝑠𝑠𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 = 0.4120

𝜏𝜏𝑈𝑈𝑃𝑃𝑜𝑜𝑃𝑃 𝑈𝑈𝑢𝑢𝑃𝑃𝑢𝑃𝑃 𝑃𝑃𝑙𝑙𝑟𝑟𝑓𝑓𝑃𝑃𝑟𝑟𝑟𝑟 𝑆𝑆𝑠𝑠𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 = 0.5493 3. Cabang Tinggi

𝜏𝜏𝐽𝐽𝑃𝑃𝑛𝑛𝐽𝐽𝐽𝐽𝑃𝑃 𝑊𝑊𝑃𝑃𝐽𝐽𝑊𝑊𝑊𝑊 𝑃𝑃𝑙𝑙𝑟𝑟𝑓𝑓𝑃𝑃𝑟𝑟𝑟𝑟 𝑆𝑆𝑠𝑠𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 = 0.1966 𝜏𝜏𝑅𝑅𝑃𝑃𝑊𝑊𝑟𝑟 𝑃𝑃𝑙𝑙𝑟𝑟𝑓𝑓𝑃𝑃𝑟𝑟𝑟𝑟 𝑆𝑆𝑠𝑠𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 = 0.3933

𝜏𝜏𝑂𝑂𝑜𝑜𝑜𝑜𝑟𝑟𝑊𝑊 𝑃𝑃𝑙𝑙𝑟𝑟𝑓𝑓𝑃𝑃𝑟𝑟𝑟𝑟 𝑆𝑆𝑠𝑠𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 = 0.5900 𝝉𝝉𝑳𝑳𝑷𝑷𝑶𝑶𝑷𝑷 𝑼𝑼𝑼𝑼𝑷𝑷𝑹𝑹𝑷𝑷 𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷 𝑺𝑺𝑶𝑶𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑺𝑺 = 𝟎𝟎.𝟐𝟐𝟕𝟕𝟔𝟔𝟔𝟔


Pemilihan Terminal Node Berdasarkan leaf node yang telah dibentuk, hanya tersisa satu atribut yaitu jangka waktu. Oleh karena itu langkah selanjutnya adalah menghitung nilai significance jangka waktu untuk masing-masing leaf node, dan menghitung nilai significance untuk masing-masing atribut keputusan fuzzy (berhasil, gagal). Dengan rumus yang sama didapat 𝜏𝜏𝑂𝑂𝑜𝑜𝑜𝑜𝑟𝑟𝑊𝑊𝑟𝑟𝑟𝑟𝑛𝑛𝑃𝑃𝑃𝑃𝑢 𝐵𝐵𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑠𝑠𝑖𝑖𝑙𝑙 < 𝜏𝜏𝑂𝑂𝑜𝑜𝑜𝑜𝑟𝑟𝑊𝑊𝑟𝑟𝑟𝑟𝑛𝑛𝑃𝑃𝑃𝑃𝑢 𝐺𝐺𝑟𝑟𝑡𝑡𝑟𝑟𝑙𝑙 𝜏𝜏𝑂𝑂𝑜𝑜𝑜𝑜𝑟𝑟𝑊𝑊𝑢𝑢𝑊𝑊𝑃𝑃𝑛𝑛𝑃𝑃𝑃𝑃𝑟𝑟 𝐵𝐵𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑠𝑠𝑖𝑖𝑙𝑙 > 𝜏𝜏𝑂𝑂𝑜𝑜𝑜𝑜𝑟𝑟𝑊𝑊𝑟𝑟𝑟𝑟𝑛𝑛𝑃𝑃𝑃𝑃𝑢 𝐺𝐺𝑟𝑟𝑡𝑡𝑟𝑟𝑙𝑙 𝜏𝜏𝑂𝑂𝑜𝑜𝑜𝑜𝑟𝑟𝑊𝑊𝑟𝑟𝑟𝑟𝑛𝑛𝑃𝑃𝑃𝑃𝑢 𝐵𝐵𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑠𝑠𝑖𝑖𝑙𝑙 > 𝜏𝜏𝑂𝑂𝑜𝑜𝑜𝑜𝑟𝑟𝑊𝑊𝑟𝑟𝑟𝑟𝑛𝑛𝑃𝑃𝑃𝑃𝑢 𝐺𝐺𝑟𝑟𝑡𝑡𝑟𝑟𝑙𝑙 𝜏𝜏𝑂𝑂𝑜𝑜𝑜𝑜𝑟𝑟𝑊𝑊𝑟𝑟𝑟𝑟𝑛𝑛𝑃𝑃𝑃𝑃𝑢 𝐵𝐵𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑠𝑠𝑖𝑖𝑙𝑙 > 𝜏𝜏𝑂𝑂𝑜𝑜𝑜𝑜𝑟𝑟𝑊𝑊𝑟𝑟𝑟𝑟𝑛𝑛𝑃𝑃𝑃𝑃𝑢 𝐺𝐺𝑟𝑟𝑡𝑡𝑟𝑟𝑙𝑙 𝜏𝜏𝑂𝑂𝑜𝑜𝑜𝑜𝑟𝑟𝑊𝑊𝑟𝑟𝑟𝑟𝑛𝑛𝑃𝑃𝑃𝑃𝑢 𝐵𝐵𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑠𝑠𝑖𝑖𝑙𝑙 > 𝜏𝜏𝑂𝑂𝑜𝑜𝑜𝑜𝑟𝑟𝑊𝑊𝑟𝑟𝑟𝑟𝑛𝑛𝑃𝑃𝑃𝑃𝑢 𝐺𝐺𝑟𝑟𝑡𝑡𝑟𝑟𝑙𝑙 𝜏𝜏𝑂𝑂𝑜𝑜𝑜𝑜𝑟𝑟𝑊𝑊𝑟𝑟𝑟𝑟𝑛𝑛𝑃𝑃𝑃𝑃𝑢 𝐵𝐵𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑠𝑠𝑖𝑖𝑙𝑙 < 𝜏𝜏𝑂𝑂𝑜𝑜𝑜𝑜𝑟𝑟𝑊𝑊𝑟𝑟𝑟𝑟𝑛𝑛𝑃𝑃𝑃𝑃𝑢 𝐺𝐺𝑟𝑟𝑡𝑡𝑟𝑟𝑙𝑙 𝜏𝜏𝑂𝑂𝑜𝑜𝑜𝑜𝑟𝑟𝑊𝑊𝑟𝑟𝑟𝑟𝑛𝑛𝑃𝑃𝑃𝑃𝑢 𝐵𝐵𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑠𝑠𝑖𝑖𝑙𝑙 > 𝜏𝜏𝑂𝑂𝑜𝑜𝑜𝑜𝑟𝑟𝑊𝑊𝑟𝑟𝑟𝑟𝑛𝑛𝑃𝑃𝑃𝑃𝑢 𝐺𝐺𝑟𝑟𝑡𝑡𝑟𝑟𝑙𝑙


Fuzzy Decision Tree Diperoleh model sebagai berikut : Dengan tingkat akurasi 83% (dilihat dari pengujian pada 200 data, dan didapatkaan 166 data yang benar)


Rule Dari model diatas, berhasil didapatkan 7 rule : • Rule 1. IF Plafond IS Rendah AND Omzet IS Rendah THEN GAGAL • Rule 2. IF Plafond IS Rendah AND Omzet IS Standar THEN BERHASIL • Rule 3. IF Plafond IS Rendah AND Omzet IS Tinggi THEN BERHASIL • Rule 4. IF Plafond IS Standar AND Rate IS Rendah THEN BERHASIL • Rule 5. IF Plafond IS Standar AND Rate IS Tinggi THEN BERHASIL • Rule 6. IF Plafond IS Tinggi AND Lama Usaha IS Muda THEN GAGAL • Rule 7. IF Plafond IS Tinggi AND Lama Usaha IS Lama THEN BERHASIL Dengan tingkat akurasi 83% (dilihat dari pengujian pada 200 data, dan didapatkaan 166 data yang benar)


Kesimpulan Berdasarkan analisis terhadap hasil pengujian sistem aplikasi penilaian kredit mikro pada Bank menggunakan algoritma Fuzzy Decision Tree berbasis Fuzzy Rough Technique , maka dapat diambil beberapa kesimpulan sebagai berikut:

– Sistem ini telah berhasil menampilkan data yang diproses dan diubah ke dalam bentuk FIS dengan proses fuzzy trapesium untuk masing-masing atribut.

– Algoritma Fuzzy Decision Tree mampu menghasilkan aturan yang memiliki tingkat akurasi sebesar 83 % untuk 200 data uji.

– Pada prediksi nasabah kredit, didapatkan nilai kredit nasabah tersebut berhasil atau gagal beserta derajat kebenarannya.


Saran • Dengan melihat hasil yang dicapai pada penelitian ini,

ada beberapa hal yang penulis sarankan untuk pengembangan selanjutnya yaitu:

• Untuk mendapatkan hasil yang lebih baik lagi, perlu dilakukan uji coba dengan sistem yang lebih efektif lagi seperti penambahan data yang dimining agar hasil lebih akurat.

• Dalam penelitian ini hanya digunakan lima faktor penilaian, untuk kedepannya akan lebih baik jika dikembangkan dengan lebih banyak faktor penilaian agar hasil konsultasi semakin baik.


Daftar Pustaka • [1] Han, Jiawei., Micheline Kamber(2011). “Data Mining Concepts and

Techniques”.Morgan Kaufman: USA. • [2] Olaru, Cristina.,Wehenkel, Louis. (2003). ”A Complete Fuzzy Decision Tree

Technique”. Journal of Fuzzy Sets and Systems. • [3] Hullermeier, Eyke.,Vanderlooy, Stjin. (2010). ”Why Fuzzy Decision Trees are Good

Rankers”. Fuzzy Systems paper in IEEE. • [4] Lahsasna, Adel.,Ainon, Raja Noor,. Wah, Teh Ying. (2010). ”Credit Scoring Models

Using Soft Computing Methods: A Survey”. The International Arab Journal of Information Technology, Vol. 7, No. 2.

• [5] Wahyu, Dwi., Widyanto, M. Rahmat. (2011). ”Studi Perbandingan Metode Pohon

Keputusan dan Pohon Keputusan Fuzzy pada Klasifikasi Penutup Lahan”.Jurnal Ilmiah KURSOR Vol. 6 No.1.


Daftar Pustaka • [6] W.,Yogi Yusuf., Pratikto, F. Rian., S,. Vivianne A.S. (2009). ”Evaluasi Pemohon

Kredit di PT”X” dengan Menggunakan Teknik Data Mining Decision Tree”.Simposium Nasional RAPI VIII 2009.

• [7] Zhai, Jun-Hai. (2010). ”Fuzzy Decision Tree Based on Fuzzy-rough Technique”.

Fuzzy Systems paper in Springer.

• [8] Smith III, Dr. James F. (2010). ”Fuzzy Logic Resource Manager: Evolving Fuzzy Decision Tree Structure that Adapts in Real-Time”. Naval Research Laboratory, Code 5741, Washington, D.C.

• [9] Saputro, Dendy. (2011). ”Model Credit Scoring untuk Proses Analisa Kelayakan

Fasilitas Kredit Motor menggunakan Metode Classification and Regression Tree(CART)”. Tugas Akhir, Universitas Islam Negeri Syarif Hidayatullah, Jakarta.


TERIMA KASIH


APLIKASI DATA MINING UNTUK PENILAIAN KREDIT … · dan diaplikasikan ke semua observasi di dalam ....

Documents

Transcript of APLIKASI DATA MINING UNTUK PENILAIAN KREDIT … · dan diaplikasikan ke semua observasi di dalam ....