KLASIFIKASI DATA NASABAH BERPOTENSI TERKENA KREDIT...

KLASIFIKASI DATA NASABAH BERPOTENSI TERKENA

KREDIT MACET DENGAN MENGGUNAKAN METODE

NAÏVE BAYES

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh :

Yohana Mustika Rinjani Putri

155314004

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2019

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

DATA CLASSIFICATION CUSTOMERS HAVE THE

POTENTIAL TO GET BAD CREDIT USING THE NAÏVE BAYES

METHOD

THESIS

Present as Patrial Fulfillment of the Reiquirements

to Obtain Sarjana Komputer Degree

in Informatics Engineering Study Program

Created by :

Yohana Mustika Rinjani Putri

Student ID : 155314004

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2019


i


ii


iii

HALAMAN PERSEMBAHAN

Karena masa depan sungguh ada, dan harapanmu tidak akan

hilang.

(Amsal 23:18)

Skripsi ini kupersembahkan untuk :

Tuhan Yesus Kristus, Bunda Maria

Keluargaku

Sahabat dan Teman – Temanku


iv


v

ABSTRAK

Dalam dunia perbankan saat ini banyak sekali nasabah bank yang terkena

keterlambatan pembayaran tagihan atau dikenal dengan kredit macet. Kredit macet

adalah keadaan dimana nasabah sudah tidak sanggup membayar sebagian atau

seluruh kewajibannya kepada bank seperti yang telah diperjanjikan. Hal ini sering

terjadi pada nasabah bank pemegang kartu kredit. Dimana nasabah tersebut tidak

dapat melunasi tagihan yang harus dibayarkan kepada pihak bank. Pihak bank harus

melakukan analisa terhadap nasabah yang terkena kredit macet. Dari data nasabah

yang ada pada saat ini dapat diolah dengan menggunakan teknik penambangan data

dengan menggunakan metode Naïve Bayes. Metode Naïve Bayes menghitung nilai

probabilitas untuk setiap nilai dari atribut target pada setiap kasus (sampel target).

Selanjutnya Naïve Bayes akan mengelompokkan ke kelas yang memepunyai nilai

probabilitas tinggi. Keluaran dari sistem ini adalah sebuah klasifikasi nasabah yang

terkena kredit macet atau tidak macet. Peneliti melakukan pengujian dengan 15393

data menggunakan fold bernilai 3. Pengujian dilakukan sebanyak 23 kali dengan

menghasilkan akurasi tertinggi yakni 77.2819%.

Kata kunci : kredit macet, Metode Naïve Bayes


vi

ABSTRACT

In the banking world today, many bank customers are exposed to late

payment of bills, known as bad credit. Bad credit is a condition where the customer is

unable to pay part or all of his obligations to the bank as promised. This often

happens to bank credit card holders. Where the customer cannot pay the bills to be

paid to the bank. The bank must analyze customers affected by bad credit.From

existing customer data, it can be processed using data mining techniques using the

Naïve Bayes method. The Naïve Bayes method calculates the probability value for

each value of the target attribute in each case (target sample). Next Naïve Bayes will

group into classes that have a high probability value.The output of this system is a

classification of customers affected by bad credit or not stuck. The researcher

conducted a test with 15393 data using a fold worth 3. Tests were carried out 23

times with the highest accuracy of 77.2819%.

Key word : bad credit, Naïve Bayes method


vii


viii

KATA PENGANTAR

Puji syukur dipanjatkan kepada Tuhan Yesus Kristus, Bunda Maria atas berkat dan

kasih-Nya yang melimpah sehingga penulis dapat menyelesaikan skripsi dengan

judul “Klasifikasi Data Nasabah Berpotensi Terkena Kredit Macet Dengan

Menggunakan Metode Naïve Bayes. Dalam kesempatan ini, penulis ingin

mengucapkan terimakasih yang sebesar – besarnya kepada semua pihak yang turut

memberikan semangat, dukungan dan bantuan sehingga selesainya skripsi ini.

1. Tuhan Yesus Kristus dan Bunda Maria atas kasih dan berkat-Nya yang

melimpah kepada penulis.

2. Bapak Agus Priyono, S.H dan Ibu Suratmi , yang telah memberikan cinta

kasih dan sayang yang begitu besar serta semangat dan dukungannya kepada

penulis selama proses perkuliahan dan proses penulisan skripsi ini.

3. Agustina Permata Rinjani Putri, yang telah memberikan semangat, dukungan

serta penghiburan.

4. Bapak Sudi Mungkasi , S.Si., M.Math.Sc,. Ph.D selaku Dekan Fakultas Sains

dan Teknologi Universitas Sanata Dharma Yogyakarta.

5. Ibu Dr.Anastasia RitaWidiarti selaku Ketua Program Studi Teknik

Informatika Universitas Sanata Dharma Yogyakarta.

6. Romo Dr. Cyprianus Kuntoro Adi , SJ ., M.A., M.Sc, selaku dosen

pembimbing tugas akhir yang telah memberikan bimbingan, pengajaran dan

bersedia memberi ilmunya dalam pengerjaan tugas akhir ini, serta dengan

sabar memberikan pelajaran dan masukan dalam pembuatan skripsi ini.

7. Bapak Robertus Adi Nugroho, M.Eng selaku dosen pembimbing akademik

yang dengan sabar memberikan bimbingan, nasehat serta wejangan selama

masa perkuliahan.

8. Pipi, mimi, yemima, Mbak wiji, Pakde Semi , Holly yang telah memberikan

semangat dukungan serta perhatiannya kepada penulis. Lucia Adventia


ix

Kurniasari dan Priscila Narwastu Putri adik sepupu seperjuangan skripsi ,


x

DAFTAR ISI

HALAMAN PERSETUJUAN PEMBIMBING ......... Error! Bookmark not defined.

HALAMAN PENGESAHAN ........................................................................................ i

HALAMAN PERSEMBAHAN .................................................................................. iii

PERNYATAAN KEASLIAN KARYA ..................... Error! Bookmark not defined.

ABSTRAK .................................................................................................................... v

ABSTRACT ................................................................................................................. vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPERLUAN KEPENTINGAN AKADEMIS .......... Error! Bookmark not

defined.

KATA PENGANTAR ............................................................................................... viii

DAFTAR ISI ................................................................................................................. x

DAFTAR GAMBAR ................................................................................................. xiii

DAFTAR TABEL ...................................................................................................... xiv

BAB I ............................................................................................................................ 1

PENDAHULUAN ........................................................................................................ 1

1.1 Latar Belakang ............................................................................................... 1

1.2 Rumusan Masalah. ......................................................................................... 4

1.3 Tujuan Penelitian ............................................................................................ 4

1.4 Manfaat Penelitian. ......................................................................................... 4

1.5 Batasan Masalah ............................................................................................. 4

1.6 Metodologi Penelitian .................................................................................... 5

1.7 Sistematika Pembahasan. ............................................................................... 6

BAB II ........................................................................................................................... 8

LANDASAN TEORI .................................................................................................... 8

2.1 Kartu Kredit .................................................................................................... 8

2.2 Kredit Macet ........................................................................................................ 9


xi

2.3 Penambangan Data ......................................................................................... 9

2.3.1 Pengertian Penambangan Data ..................................................................... 9

2.3.2 Pengelompokan Penambangan Data ........................................................... 11

2.4 Info Gain ...................................................................................................... 12

2.5 Normalisasi Min Max ........................................................................................ 14

2.6 Klasifikasi ..................................................................................................... 14

2.7 Naïve Bayes ...................................................................................................... 15

2.7.1 Persamaan Metode Naïve Bayes ................................................................. 16

2.8 Cross Validation ........................................................................................... 18

2.9 Akurasi dengan Matrixs Confusion. .................................................................. 19

BAB III ....................................................................................................................... 21

METODOLOGI PENELITIAN .................................................................................. 21

3.1 Desain Alat Uji .................................................................................................. 21

3.2 Data ................................................................................................................... 23

3.3 Preprocessing ..................................................................................................... 29

3.4 Modelling Naïve Bayes...................................................................................... 32

3.5 Akurasi .............................................................................................................. 41

3.6 Desain User Interface. ...................................................................................... 42

BAB IV ....................................................................................................................... 41

HASIL DAN ANALISIS ............................................................................................ 41

4.1 Analisis Hasil .................................................................................................... 41

BAB V ......................................................................................................................... 50

PENUTUP ................................................................................................................... 50

5.1 Kesimpulan ........................................................................................................ 50

5.2 Saran .................................................................................................................. 51

DAFTAR PUSTAKA ................................................................................................. 52

LAMPIRAN ................................................................................................................ 54

Tabel Penjelasan hasil akurasi. ................................................................................ 54


xii

Source code program. .............................................................................................. 64


xiii

DAFTAR GAMBAR

GAMBAR 2.1 3 Fold Validation …………………………………………… 19

GAMBAR 3.2 DIAGRAM BLOK………………………………………….. 21

GAMBAR 3.3 DIAGRAM FLOWCHART………………………………… 23 GAMBAR 3.4 HALAMAN UTAMA…………………………………….……… 39 GAMBAR 4.5 GRAFIK AKURASI RATA – RATA …………………………… 44 GAMBAR 4.6 TABEL CONFUSION MATRIX…………………..…………….. 45


xiv

DAFTAR TABEL

TABEL 2.1 CONTOH MATRIXS CONFUSION …………………………….. 19

TABEL 3.2 CONTOH DATA NASABAH……………………………………. 22

TABEL 3.3 PENJELASAN ATRIBUT………………………………………… 30

TABEL 3.4 HASIL PERANGKINGAN ATRIBUT DATA 31

TABEL 3.5 DATA NASABAH SESUDAH PREPROCESSING……………… 31

TABEL 3.6 DATA NASABAH SESUDAH PREPROCESSING

DIGUNAKAN DALAM PERCOBAAN

……………………………………………

33

TABEL 3.7 JUMLAH MEAN & STANDAR DEVIASI TOTAL

PEMAKAIAN……………………………………………………….

.

36

TABEL 3.8 JUMLAH MEAN & STANDAR DEVIASI TOTAL PEMAKAIAN

PER LIMIT………………………………………………………….

36

TABEL 3.9 JUMLAH MEAN & STANDAR DEVIASI TOTAL PEMAKAIAN

RETAIL……………………………………………………………

…

36

TABEL 3.10 JUMLAH MEAN & STANDAR DEVIASI RASIO

PEMBAYARAN……………………………………………………

37

TABEL 3.11 JUMLAH MEAN & STANDAR DEVIASI RASIO

PEMBAYARAN PER 3 BULAN………………………………..

37

TABEL 3.12 PROBABILITAS JUMLAH KARTU…………………………… 38

TABEL 3.13 PROBABILITAS SETIAP KELAS………………………………… 38

TABEL 3.14 CONTOH HASIL CONFUSION MATRIX……………………… 41

TABEL 4.15 HASIL PERANGKINGAN ATRIBUT DATA NASABAH……… 44

TABEL 4.16 HASIL PERCOBAAN…………………………………………… 45

TABEL PENJELASAN HASIL AKURASI…………………………………. 54


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Kartu kredit adalah alat pembayaran pengganti uang tunai, berbentuk

kartu yang memberikan fasilitas kredit kepada pemiliknya, dimana saat jatuh

tempo dapat dibayar dengan jumlah minimum dan sisanya dijadikan kredit.

Pertumbuhan bisnis kartu kredit sangat pesat yaitu banyaknya pasar swalayan

dan juga toko-toko kecil yang mulai menerima kartu kredit sebagai alternatif

alat pembayaran dibandingkan dengan uang tunai.

Karakteristik pengguna bisa ditemukan pada nasabah pengguna kartu

kredit yang memiliki pendapatan tergolong cukup tinggi, sebagian besar

nasabah berpendidikan S1, terdapat jenjang karir yang jelas sehingga nasabah

memiliki kesempatan untuk berprestasi. Dengan banyak keinginan dan

kebutuhan,pengguna merupakan konsumen yang aktif. Image merupakan hal

yang penting bagi pengguna. Mereka suka produk dan layanan yang sudah

mapan, prestise yang mencerminkan kesuksesan mereka. Kehidupan

pengguna yang sibuk, mereka sangat tertarik terhadap alat-alat yang bisa

membantu mereka menghemat waktu.

Kartu kredit pada dasarnya adalah sebagai sebuah alat identifikasi

untuk konsumen yang secara keuangan bertanggung jawab. Penggunaannya

memberikan kredit berputar (revolving credit) tanpa jaminan untuk pembelian

barang atau jasa dari para pedagang (merchant) (Rahmadiana, 2013).

Hal yang paling mendasar dalam setiap pemberian kredit perbankan

adalah bahwa setiap orang atau badan usaha yang mendapatkan fasilitas kredit


2

dari bank berarti bahwa orang atau badan usaha yang bersangkutan telah

mendapatkan kepercayaan terhadap kemampuan nasabah untuk membayar

kredit tersebut.

Kredit macet adalah keadaan dimana nasabah sudah tidak sanggup

membayar sebagian atau seluruh kewajibannya kepada bank seperti yang telah

dijanjikan.Faktor – faktor kredit macet adalah hal – hal yang ikut

menyebabkan suatu keadaan dimana nasabah sudah tidak sanggup membayar

sebagian atau seluruh kewajibannya kepada bank seperti yang telah

diperjanjikan. Faktor dari kredit macet tersebut yakni waktu pembayaran yang

terlambat, tagihan yang semakin banyak, penggunaan overlimit (Mudrajad

Kuncoro dan Suhardjono, 2002).

Suatu kredit dikatakan bermasalah jika debitor wanprestasi atau

ingkar janji atau tidak menyelesaikan kewajibanya sesuai dengan perjanjian

baik jumlah maupun waktu, misalnya pembayaran atas perhitungan bunga

maupun utang pokok. Kredit bermasalah disebabkan oleh karena nasabah

kartu kredit tidak dapat untuk memenuhi kewajibannya. Dalam perbankan,

kredit bermasalah khususnya mengenai kredit macet lebih dikenal dengan

nama Non-Performing Loan yang selanjutnya akan disebut NPL.Penyaluran

kredit yang berhasil akan membawa keuntungan besar bagi bank. Oleh

karena itu , bank harus berhati – hati dalam menyalurkan kredit kepada

seorang calon nasabah atau nasabah bank itu sendiri. Bank harus menentukan

terlebih dahulu nasabah mana yang berpotensi di berikan kredit.

Dengan banyaknya data nasabah yang memiliki kartu kredit, akan

menyulitkan pihak bank dalam menentukan nasabah mana yang paling

berpotensi terkena kredit macet maupun tidak macet dalam proses

pembayarannya. Prediksi tersebut dapat diketahui dengan menggunakan data

– data nasabah yang diproses secara matematik sehingga menemukan suatu

pola. Proses tersebut dinamakan data mining.


3

Menurut Pramudiono, data mining adalah analisis otomatis dari setiap

data yang berjumlah besar atau kompleks dengan tujuan untuk menemukan

pola kecenderungan yang penting yang biasanya tidak disadari

keberadaannya. Data mining memiliki berbagai macam teknik salah satunya

yakni klasifikasi. (Kusrini & Luthfi,2009)

Klasifikasi memiliki berbagai algoritma yang dapat diterapkan untuk

melakukan klasifikasi data nasabat yang berpotensi terkena pembayaran kredit

macet. Sejumlah penelitian telah dilakukan, seperti penelitian yang dilakukan

oleh Awaludin Rizky Wicaksono(2016), penelitian yang dibuat yakni

klasifikasi data mining untuk menentukan potensi kredit macet pada koperasi

simpan pinjam primkoveri waleri. Penelitian ini menggunakan algoritma

decision tree C.45, hasil dari penelitian dari permasalahan yang

dikembangkan dapat disimpulkan bahwa pengimplementasian metode

desicion tree terhadap data nasabah kredit Koperasi Primkoveri Waleri tahun

2014 memiliki tingkat akurasi yang baik dalam menyelesaikan solusi

klasifikasi data mining dengan algoritma C4.5 yaitu sebesar 86%.

Penelitian serupa juga dilakukan oleh Sri Kusumadewi (2013),

penelitian yang dibuat yakni klasifikasi status gizi menggunakan naïve bayes

classification, pada penelitian ini , peneliti menggunakan semua atribut pada

data. Hasil penelitian permasalahan yang dikembangkan dapat disimpulkan

bahwa klasifikasi status gizi menggunakan naïve bayes classification ,

didapatkan akurasi sebesar 0.932 atau 93.2%

Berdasarkan uraian diatas peneliti mencoba untuk memprediksi data

nasabah suatu bank yang diperoleh dari salah satu bank swasta di Yogyakarta

dengan menggunakan teknik klasifikasi dan menerapkan algoritma Naïve

Bayes. Sehingga berdasarkan dari latar belakang diatas maka penulis

mengangkat judul “Klasifikasi Data Nasabah Berpotensi Terkena Kredit

Macet Dalam Pembayaran Tagihan Kartu Kredit dengan Metode Naïve

Bayes”.


4

1.2 Rumusan Masalah.

1. Bagaimana membuat pendekatan Naïve Bayes mampu secara otomatis

melakukan klasifikasi data nasabah berpotensi terkena kredit macet ?

2. Seberapa tepat klasifikasi pendekatan data nasabah berpotensi terkena

kredit macet dan berapa nilai akurasi pada model tersebut ?

1.3 Tujuan Penelitian

Secara umum tujuan penelitian ini yaitu membuat model klasifikasi data

nasabah untuk membantu bank guna menentukan nasabah mana yang

berpotensi terkena kredit macet. Mengetahui uji akurasi pada model tersebut.

1.4 Manfaat Penelitian.

Mengetahui metode Naïve Bayes dapat diterapkan untuk

mengklasifikasikan data nasabah yang berpotensi terkena kredit macet

berdasarkan data penggunaan kartu kredit.

1.5 Batasan Masalah

Dalam penelitian yang dilakukan dalam tugas akhir ini memiliki

batasan – batasan masalah, sebagai berikut :

1. Data yang diolah hanya data yang berhubungan dengan data nasabah

pengguna kartu kredit.

2. Sumber data yang digunakan merupakan data nasabah dari suatu Bank

swasta yang ada di Indonesia.

3. Data yang digunakan adalah data excel.

4. Metode yang akan digunakan untuk mengklasifikasikan data nasabah

adalah metode Naïve Bayes.


5

1.6 Metodologi Penelitian

Dalam penyelesaian tugas akhir yang berjudul klasifikasi data nasabah

yang berpotensi terkena kredit macet dalam pembayaran tagihan kartu kredit

menggunakan metode Naïve Bayes, akan ditempuh langkah – langkah sebagai

berikut :

1. Studi Pustaka

a. Penelitian pustaka, yaitu dengan mempelajari hal – hal yang

berkaitan dengan Data Mining metode Naïve Bayes, dengan

mengumpulkan dan mempelajari informasi dari buku buku artikel

dan website internet.

b. Interview, yaitu dengan melakukan konsultasi atau tanya jawab

dengan orang – orang yang memiliki pengetahuan dan wawasan

yang berhubungan dengan topik tugas akhir ini.

2. Pengumpulan Data.

Metodologi yang kedua adalah pengumpulan data. Data yang

digunakan dalam penelitian ini merupakan data nasabah yang berasala

dari salah satu bank swasta yang berada di Indonesia.

3. Pembuatan Alat Uji

Metodologi yang ketiga adalah pembuatan alat uji dilakukan dengan

teknik penambangan data yang langkah – langkahnya seperti dibawah

ini :

a. Pembersihan data, menghilangkan noise, dan data yang tidak

konsisten.

b. Integrasi data, menggabungkan data dari berbagai sumber data

yang berbeda.

c. Seleksi data dan transformasi data, untuk menentukan kualitas dari

hasil data mining, sehingga data diubah menjadi bentuk yang

sesuai untuk di mining.


6

d. Penerapan teknik data mining, teknik yang digunakan adalah

teknik Naïve Bayes.

e. Evaluasi pola yang ditentukan, menampilkan hasil dari teksnik

data mining berupa pola yang khas maupun mengukur akurasi.

f. Presentasi pengetahuan, merupakan tahap terakhir dari proses data

mining yaitu memformulasikan keputusan atau aksi dari hasil

analisa yang didapat.

4. Pengujian dan Analisa Hasil

Metodologi yang keempat adalah pengujian dan analisis hasil.

Alat uji yang telah dibuat akan diuji menggunakan data nasabah dan

selanjutnya hasil dari pengujian akan dianalisis.

5. Pembuatan Dokumen

Metodologi yang terakhir adalah pembuatan dokumen

berdasarkan semua metodologi penelitian yang sudah dilakukan.

1.7 Sistematika Pembahasan.

BAB 1. Pendahuluan

Dalam bab ini menguraikan tentang latar belakang masalah, rumusan

masalah, batasan masalah, tujuan penelitian dan sistematika penulisan.

BAB 2. Landasan Teori

Bab 2 berisi tentang penjelasan teori – teori yang digunakan dalam

melakukan penelitian.

BAB 3. Metodologi Penelitian

Dalam bab ini menguraikan tentang gambaran umum penelitian serta

cara penerapan konsep dasar yang telah diuraikan untuk menganalisis

dan merancang tentang system sesuai tahap – tahap penyelesaian

masalah tersebut dengan menggunakan metode Naïve Bayes.


7

BAB 4 Analisis dan Perancangan Sistem.

Dalam bab ini berisi tentang implementasu ke program komputer

berdasarkan hasil perancangan yang dibuat, analisis perangkat lunak

yang telah dibuat.

BAB 5 Implementasi dan Analisis

Dalam bab ini berisi tentang kesimpulan dan saran dari keseluruhan

penulisan tugas akhir.


8

BAB II

LANDASAN TEORI

Pada bab ini akan dibahas mengenai teori – teori yang digunakan untuk mendukung

penulisan tugas akhit klasifikasi data nasabah berpotensi terkena kredit macet dengan

menggunakan metode Naïve Bayes

2.1 Kartu Kredit

Kartu kredit merupakan sebuah alat pembayaran berupa kartu yang

tertera nama dan tanda tangan pemilik serta dapat digunakan untuk membayar

barang yang dibeli dengan dana dipinjamkan oleh suatu lembaga ditempat –

tempat yang bersedia menerima pembayaran tanpa harus mengeluarkan uang

tunai. Dengan kata lain, kartu kredit diciptakan untuk memudahkan nasabah

dalam berbelanja. Kartu kredit pada dasarnya merupakan alat identifikasi

untuk konsumen yang bertanggunag jawab secara keuangan. Penggunaan dari

kartu kredit tersebut memberikan kredit berputar tanpa adanya jaminan untuk

pembelian barang atau jasa dari para pedagang. Kartu kredit memberikan

jaminan nasabahnya dalam bertransaksi dengan limit minimum dan

maksimum yang diberikan kepada nasabah. Hal ini dilakukan agar nasabah

dapat menggunakan kartu tersebut untuk bertransaksi memberi barang atau

sesuatu yang diinginkan. Nasabah yang memiliki kartu kredit, biasanya

memiliki batas minimum limit dan maksimum limit penggunaan berbeda –

beda. Hal ini dilakukan karena pihak bank memberi hak limit dalam

bertransaksi berdasarkan penghasilan yang diperoleh nasabah tersebut.

Semakin banyak kartu yang dimiliki nasabah tersebut semakin banyak juga

biaya yang dikeluarkan oleh nasabah dalam membayar tagihan kartu kredit


9

setiap bulannya. Disisi lain kartu kredit dapat memberikan bencana bagi

nasabahnya.

Banyak nasabah yang tidak dapat mengelola kartu kredit tersebut

dengan baik. Hal ini akan berdampak pada pembayaran tagihan yang

terlambat. Pembayaran tagihan yang terlambat ini jika tidak segera

diselesaikan akan terkena kredit macet (Wahyuni dan Pranoto ,2013)

2.2 Kredit Macet

Kredit macet adalah keadaan dimana nasabah sudah tidak sanggup

membayar sebagian atau seluruh kewajibannya kepada bank seperti yang telah

.Faktor – faktor kredit macet adalah hal – hal yang ikut menyebabkan suatu

keadaan dimana nasabah sudah tidak sanggup membayar sebagian atau

seluruh kewajibannya kepada bank seperti yang telah diperjanjikan. Faktor

dari kredit macet tersebut yakni waktu pembayaran yang terlambat, tagihan

yang semakin banyak, penggunaan overlimit. Hal ini dapat menyulitkan pihak

bank untuk menentukan nasabah mana yang terkena kredit macet dalam

pembayaran tagihan. Agar nasabah pemegang kartu kredit dikatakan tidak

terkena kredit macet , maka nasabah tersebut harus membayar tagihan tersebut

dengan pembayaran penuh termasuk juga bunga yang diberikan oleh pihak

bank(Mudrajad Kuncoro dan Suhardjono, 2002).

.

2.3 Penambangan Data

2.3.1 Pengertian Penambangan Data

Menurut Pramudiono, data mining adalah serangkaian proses untuk

menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama

ini tidak diketahui secara manual (Kursrini & Luthfi,2009).


10

Data mining mengacu pada mining knowledge dari data dalam jumlah

besar (Han & Kamber, 2006). Secara umum data mining dikenal dengan proses

Knowledge Discovery from Data (KDD). Proses KDD sebagai berikut :

1. Pembersihan data (Data Cleaning).

Proses pembersihan data atau data cleaning dilakukan untuk menghilangkan

noise dan data yang konsisten.

2. Integrasi data (Data Integration).

Proses data integrasi adalah proses menggabungkan data dari sumber data

yang berbeda.

3. Seleksi data ( Data Selection).

Seleksi data atau data selection adalah proses memilih data atau atribut yang

relevan untuk atribut ini. Pada tahap ini dilakukan analisis korelasi atribut

data. Atribut – atribut data tersebut dicek apakah relevan untuk dilakukan

penambangan data.

4. Transformasi data (Data Transformation).

Transformasi atau data transformation proses menggabungkan data ke dalam

bank yang sesuai untuk ditambang.

5. Penambangan data (Data Mining).

Langkah ini adalah langkah paling penting yaitu melakukan pengaplikasian

metode yang tepat untuk pola data.

6. Evaluasi pola (Pattern Evaluation).

Pada langkah ini dilakukan identifikasi pola dalam bentuk pengetahuan

berdasarkan beberapa pengukuran yang penting.

7. Presentasi pengetahuan (Knowledge Presentation).

Pada langkah ini dilakukan proses penyajian pengetahuan dari hasil

penambangan data. hasil klasifikasi data nasabah akan ditampilkan ke dalam

bentuk yang mudah dipahami user/pengguna.


11

2.3.2 Pengelompokan Penambangan Data

Penambangan data dibagi menjadi beberapa kelompok berdasarkan tugas

yang dapat dilakukan, yaitu (Kursrini & Luthfi,2009) :

1. Deskripsi

Tugas deskripsi pada penambangan data adalah menggambarkan pola dan

keenderungan sering memberikan kemungkinan penjelasan untuk suatu pola

atau kecenderungan.

2. Estimasi

Estimasi hampir sama dengan klasifikasi, namun pada variable target,

estimasi lebih kearah numerik dari pada kearah kategori. Peninjauan estimasi

nilai dari variable target dibuat berdasarkan nilai prediksi. Sebagai contoh,

estimasi nilai indeks prestasi kumulatif mahasiswa program pascasarjana

dengan melihat nilai indeks prestasi mahasiswa tersebut pada saat mengikuti

program sarjana.

3. Prediksi

Prediksi hampir sama dengan klasifikasi dan estimasi. Namun dalam prediksi

niali dari hasil akan merujuk ke masa mendatang. Contoh prediksi dalam

bisnis dan penelitian adalah prediksi harga beras dalam 6 bulan yang akan

datang.

4. Klasifikasi

Klasifikasi adalah proses penemuan model atau fungsi yang menjelaskan atau

membedakan konsep atau kelas data, dengan tujuan untuk dapat

memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Dalam

klasifikasi, terdapat target variable kategori. Sebagai contoh, penggolongan

pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi,

pendapatan sedang, dan pendapatan rendah.


12

5. Pengklusteran

Pengklusteran merupakan pengelompokan record, pengamatan, atau

memprihatinkan dan membentuk kelas objek – objek yang memiliki

kemiripan. Contoh pengklusteran dalam dunia bisnis atau penelitian adalah

mendapatkan kelompok – kelompok konsumen untuk target pemasaran dari

suatu produk sebuah perusahaan yang tidak memiliki dana pemasaran yang

besar.

6. Asosiasi

Tugas asosiasi dalam penambangan data adalah menemukan atribut yang

muncul satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang

belanja. Contoh asosiasi dalam dunia bisnis atau penelitian adalah

menemukan barang dalam supermarket yang dibeli secara bersamaan dan

barang yang tidak pernah dibeli secara samaan.

2.4 Info Gain

Proses seleksi atribut pada penelitian ini dilakukan menggunakan Weka Tools

3.8.2. Dalam melakukan seleksi atribut, peneliti melakukan eksperimen

menggunakan metode information gain.

Untuk menghitung information gain menggunakan rumus di bawah ini (Han et

al.,2012) :

( ) pi log2(pi) ……. (2.1)


13

Keterangan :

D : Jumlah seluruh sampel data

M : jumlah nilai pada atribut target (jumlah kelas klasifikasi).

I : Maksimal nilai pada atribut target.

Pi : Jumlah sampel untuk kelas i.

Info A (D) =

X Info (Di) ……(2.2)

Keterangan dari rumus otersebut adalah :

A : Atribut

v : Suatu nilai yang mungkin untuk atribut A.

J : Maksimal nilai yang mungkin untuk atribut A.

D : Jumlah seluruh sampel data.

|Dj|: Jumlah sampel untuk nilai j.

Di : jumlah sampel untuk kelas i.

Kemudian niali information gain yang digunakan untuk mengukur efektifitas suatu

atribut dalam pengklasifikasin data dapat dihitung dengan rumus di bawah ini :

Gain (A) = |Info(D) – InfoA(D)| ………..(2.3)


14

Keterangan :

A : Atribut.

Info (D) : Entropi untuk kelas D.

InfoA(D) : Entropi untuk kelas D pada atribut A.

2.5 Normalisasi Min Max

Normalisasi data mencoba untuk memberikan semua atribut bobot yang sama.

Misalkan bahwa minA dan maxA adalah nilai minimum dan maksimum atribut,

A.Normalisasi Min-max memetakan nilai, vi, dari A ke v0 i dalam kisaran [minA

baru, maks baru] (Han et al.,2012) :

Vi= ( )

( ) ( ) (new_maxA – new_minA) + new-minA ……(2.4)

Keterangan :

X = Data yang akan di normalisasi.

Min(X) = Jumlah minimum data.

Max(X) = Jumlah maksimum data.

new_minA = range minimum data.

new_maxA = range maximum data.

2.6 Klasifikasi

Klasifikasi adalah proses pembelajaran suatu fungsi tujuan (target) f

memetakan tiap himpunan atribut x dari label kelas y yang didefinisikan sebelumnya.

Fungsi target tersebut juga dengan model klasifikasi.


15

Terdapat dua jenis model klasifikasi yaitu :

a. Pemodelan Desktiptif (descriptive modeling).

Model klasifikasi yang berfungsi sebagai alat penjelasan untuk membedak

objek – objek dalam kelas – kelas yang berbeda.

b. Pemodelan Prediktif ( predictive modeling).

Model klasifikasi yang digunakan untuk memprediksi label kelas record yang

tidak diketahui(Herawati,2013).

2.7 Naïve Bayes

Naive Bayes merupakan sebuah pengklasifikasian probabilistik

sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan

frekuensi dan kombinasi nilai dari dataset yang diberikan. Algoritma

mengunakan teorema Bayes dan mengasumsikan semua atribut independen

atau tidak saling ketergantungan yang diberikan oleh nilai pada variabel kelas

(Patil,2013). Definisi lain mengatakan Naive Bayes merupakan

pengklasifikasian dengan metode probabilitas dan statistik yang dikemukan

oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa

depan berdasarkan pengalaman di masa sebelumnya (Bustami, 2013).

Naive Bayes didasarkan pada asumsi penyederhanaan bahwa nilai

atribut secara kondisional saling bebas jika diberikan nilai output. Dengan

kata lain, diberikan nilai output, probabilitas mengamati secara bersama

adalah produk dari probabilitas individu (Ridwan, 2013). Keuntungan

penggunaan Naive Bayes adalah bahwa metode ini hanya membutuhkan

jumlah data pelatihan (Training data) yang kecil untuk menentukan estimasi

paremeter yang diperlukan dalam proses pengklasifikasian. Naive Bayes

sering bekerja jauh lebih baik dalam kebanyakan situasi dunia nyata yang

kompleks dari pada yang diharapkan (Pattekari & Parveen, 2012).


16

2.7.1 Persamaan Metode Naïve Bayes

Persamaan dari teorema Bayes adalah :

( ) ( ) ( )

( ) …………..(2.5)

Dimana :

X : Data dengan class yang belum diketahui.

H : Hipotesis data merupakan suatu class spesifik.

P(H|X) : Probabilitas hipotesis H berdasarkan kondisi X (posterior

probabilitas).

P(H) : Probabilitas hipotesis H (prior probabilitas).

P(X) : Probabilitas X.

Untuk menjelaskan metode Naive Bayes, perlu diketahui bahwa

proses klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa

yang cocok bagi sampel yang dianalisis tersebut. Karena itu, metode Naive

Bayes di atas disesuaikan sebagai berikut

( ) ( ) ( )

( ) ……(2.6)

Di mana Variabel C merepresentasikan kelas, sementara variabel F1 ...

Fn merepresentasikan karakteristik petunjuk yang dibutuhkan untuk

melakukan klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang

masuknya sampel karakteristik tertentu dalam kelas C (Posterior) adalah

peluang munculnya kelas C (sebelum masuknya sampel tersebut, seringkali

disebut prior), dikali dengan peluang kemunculan karakteristik-karakteristik

sampel pada kelas C (disebut juga likelihood), dibagi dengan peluang

kemunculan karakteristik-karakteristik sampel secara global (disebut juga


17

evidence). Karena itu, rumus di atas dapat pula ditulis secara sederhana

sebagai berikut:

…… (2.7)

Nilai Evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai

dari posterior tersebut nantinya akan dibandingkan dengan nilai-nilai posterior

kelas lainnya untuk menentukan ke kelas apa suatu sampel akan

diklasifikasikan. (nomor urut) Penjabaran lebih lanjut rumus Bayes tersebut

dilakukan dengan menjabarkan (C|F1,..,Fn) menggunakan aturan perkalian

sebagai berikut:

P(C|F1,…,Fn=P(C)P(F1,…,Fn|C)

= P(C)P(F1|C)P(F2,…,Fn|C,F1) ……(2.8)

= P(C)P(F1|C)P(F2|C,F1)P(F3,…,Fn|C,F1,F2,F3)

= (C)P(F1|C)P(F2|C,F1)P(F3|C,F1,F2)P(F4,…,Fn|C,F1,F2,F3)

= P(C)P(F1|C)P(F2|C,F1)P(F3|C,F1,F2)…P(Fn|C,F1,F2,F3,…,Fn-1)

Dapat dilihat bahwa hasil penjabaran tersebut menyebabkan semakin

banyak dan semakin kompleksnya faktor - faktor syarat yang mempengaruhi

nilai probabilitas, yang hampir mustahil untuk dianalisa satu persatu.

Akibatnya, perhitungan tersebut menjadi sulit untuk dilakukan. Di sinilah

digunakan asumsi independensi yang sangat tinggi (naif), bahwa masing-

masing petunjuk (F1,F2...Fn) saling bebas (independen) satu sama lain.

Dengan asumsi tersebut, maka berlaku suatu kesamaan sebagai

berikut:

( ) ( )

( ) ( ) ( )

( ) = P(Fi) ……(2.9)

Untuk i≠j , sehingga


18

P(Fi|C,Fj) = P(Fi|C) ….. (2.10)

Persamaan di atas merupakan model dari teorema Naive Bayes yang

selanjutnya akan digunakan dalam proses klasifikasi. Untuk klasifikasi

dengan data kontinyu digunakan rumus Densitas Gauss :

P (Xi = xi |Y = yj )=

√ ( )

( ) ……(2.11)

Dimana :

P : Peluang

Xi : Atribut ke i

xi : Nilai atribut ke i

Y : Kelas yang dicari

yi : Sub kelas Y yang dicari

µ : mean, menyatakan rata – rata dari seluruh atribut

σ :Deviasi standar, menyatakan varian dari seluruh atribut.

Likelihood

P(A1) x P(A2) x P(A3)….P(An) x Nilai Probabilitas kategori ….. (2.12)

2.8 Cross Validation

Pada pendekatan ini, setiap data digunakan dalam jumlah yang sama

untuk pelatihan dan tepat satu kali untuk pengujian. Bentuk umum pendekatan

ini disebut dengan k-fold cross – validation, yang memecah set data menjadi k

bagian set data dengan ukuran yang sama. Setiap kali berjalan, satu pecahan


19

berperan sebagai data set data latih sedangkan pecahan lainnya menjadi set

data latih. Prosedur tersebut dilakukan sebanyak k kali sehingga setiap data

kesempatan menjadi data uji tepat satu kali dan menjadi data latih sebanyak k-

1 kali. Total error didapatkan dengan menjumlahkan semua error yang

didapatkan dari k kali proses (Prasetyo,2014).

Gambar 2.1 3Fold Validation

2.9 Akurasi dengan Matrixs Confusion.

Matrixs confusion merupakan tabel yang mencatat hasil kerja

klasifikasi. Contoh matrixs confusion sebagai berikut :

Tabel 2.1 Contoh Matrixs Confusion

fij Kelas hasil prediksi (j)

Kelas =1 Kelas = 0

Kelas asli(i) Kelas =1 f11 f10

Kelas = 0 f01 f00

Tabel 2.9 merupakan contoh confusion yang melakukan klasifikasi

masalah biner (dua kelas) untuk dua kelas, misalnya kelas 0 dan 1. Setiap sel

fy dalam matrix menyatakan jumlah record data dari kelas I yang hasil

prediksinya masuk ke kelas j. Misalnya, sel f11 adalah jumlah data dalam

kelas 1 yang secara benar dipetakan ke kelas 1, dan f10 adalah data dalam


20

kelas 1 yang dipetakan secara salah ke kelas 0. Berdasarkan isi matrixs

confusion , maka dapat diketahui jumlah data dari masing – masing kelas

yang diprediksi secara benar yaitu (f11 + f00) dan data yang diklasifikasi

secara salah yaitu (f10+f01). Kuantitas matrixs confusion dapat diringkas

menjadi dua nilai, yaitu akurasi dan laju error. Dengan mengetahui jumlah

data yang diklasifikasikan secara benar, maka dapat diketahui akurasi hasil

prediksi dan dengan mengetahui jumlah data yang diklasifikasikan secara

salah maka dapat diketahui laju error dari prediksi yang dilakukan. Dua

kuantitas ini digunakan sebagai matrix kinerja klasifikasi.

Untuk menghitung akurasi digunakan formula sebagai berikut :

Akurasi =

….(2.13)

c =


21

BAB III

METODOLOGI PENELITIAN

Pada bab ini akan dijelaskan analisa data dan analisa system yang akan dibuat untuk

klasifikasi data nasabah berpotensi terkena kredit macet dengan menggunakan

metode Naïve Bayes.

3.1 Desain Alat Uji

Gambar 3.2 Diagram Blok

Berdasarkan pada gambar 3.2 diatas dimana data yang akan di proses pada sistem..

Tahap presprocessing pada data tersebut yakni seleksi atribut, dimana seleksi atribut

ini memilih atribut mana saja yang akan digunakan. Dalam sistem kerja tersebut

dimana data tersebut akan di rangking atau di urutkan berdasarkan bobotnya yang

terpenting. Data tersebut dipilih menjadi beberapa atribut. Selanjutnya, data tersebut

melalui tahap normalisasi. Tahap ini dilakukan, dimana pada data set tersebut

terdapat range data yang cukup jauh dan susah untuk diproses. Data tersebut

dilakukan proses transformasi linear terhadap data asli. Pada proses ini menggunakan

metode min max. Nilai pada set tersebut diubah skalanya dengan batas nilai minimum

yang diberikan yakni 0 sementara untuk batas maximum yang diberikan yakni 1.


22

Setelah data melewati process preprocessing, data akan masuk ke tahap bagian

pembentukan model. Dimana data akan dibagi terlebih dahulu menjadi 2 bagian

yakni antara data training dan data testing. Dalam pembentukan model, data akan dio-

lah untuk mengetahui nilai rata – rata (mean) dan standar deviasi. Dimana setiap data

pada atribut terlebih dahulu di hitung jumlah rata –rata dan standar deviasi.

Selanjutnya jika model telah terbentuk, maka akan dilakukan uji model, dimana pada

uji model ini akan ada data baru yang akan dimasukkan sebagai data test. Data

dimasukkan dan di cari nilai probabilitas setiap atribut dengan menggunakan hasil

modeling. Setelah mencari nilai probabilitas kemudian menghitung nilai likelihood

berdasarkan status kelas, yang mana nilai likehood tersebut akan di gunakan untuk

mencari nilai probabilitas hasil. Nilai probabilitas hasil di hitung untuk mengetahui

hasil yang akan diketahui oleh sistem apakah data tersebut terkena kredit macet atau

tidak macet.


23

Gambar 3.3 Diagram Flowchart

3.2 Data

Data yang digunakan pada penelitian ini merupakan data dari salah satu bank

swasta yang berada di Indonesia. Data tersebut memiliki 23 atribut dan 1 label kelas

dengan jumlah data 15393 data. Data ini dikumpulkan dari beberapa riwayat transaksi

nasabah pada bank tersebut. Berikut merupakan contoh dari data nasabah salah satu

bank di Indonesia.


24

Tabel 3.2 Contoh Data Nasabah

X Jumlah

Kartu

Outstanding

(Rp)

Limit

Kredit

(Rp)

Tagihan

(Rp)

Total

Pemakaian

Tunai

(Rp)

Total

Pemakaian

Retail

(Rp)

1

2 36158

7.00E+06 23437

0

94

4 4

3496732

2.10E+07

111231

0

2536660

10 3 5747546

6.00E+06

5754698

0.045075

0

6 3 7691430

7.00E+06

2334602

0

4494421

8 2 22533915

2.00E+07 9

0 0

7 2 5309091

5.00E+06

5309314

0 380000

2 2 268691

1.00E+07

254564

0

1012

3 3

6769149

2.80E+07

4159779

0

0

5 2

9402085

1.00E+07

6099283

0

2666558

9 2 55083

8.00E+06

23120

0 0


25

X Sisa

Tagihan

Tidak

Dibayar

(Rp)

Kode

Caban

g

Rasio

Pembayar

an

(%)

Prese

ntasi

Overli

mit

Rasio

Pembaya

rna 3

Bulan

(%)

Rasio

Pembayar

an 6 bulan

(%)

Skor

Delikuen

si

1

2623 9 102.19 0 74.78 100 0

4 581334

1 100

0

25.01

22.64

0

10 5757744

1 42.09

0 8.98

12.09

0

6 5902767

7 9.17

0 68.4

100

0

8 22442690

1 0 12.75

7.49

12.2

0

7 5310555

5 10.51

19.54

18.29

13.26

0

2 0

1 0

0

0

0

0

3 581334

1 100

0

25.01

22.64

0

5 581334

1 100

0

25.01

22.64

0

9 0 9 0 10.51

17.27

28.07

0


26

X Jumlah

Tahun

Sejak

Pembu

kaan

Kredit

Total

Pemaka

ian

(Rp)

Sisa

Tagih

an Per

Jumla

h

Kartu

(Rp)

Sisa

Tagiha

n Per

Limit

(Rp)

Total

Pemakai

an Per

Limit

(Rp)

Pemakaian

3 Bulan

Per Limit

(Rp)

Pemakaian 6

Bulan Per

Limit

(Rp)

1 15.42 94 13161

.5

0.0037

6

0.000013

4

0.0117 0.0178

14 19.75

2536660

145333.5

0.0277 0.120793333

0.056 0.0169

5 11.83

1300000

1919248

9.60E-01

0.216667

2.65E-01

1.06E-02

2 1

0

2655278

1.06E+00

0

6.75E-02

7.97E-02

19 0.92

0

0

1.12E+00

0

9.95E-02

1.12E-01

4 2.83

0

11221345

1.06E+00

0

2.37E-02

2.69E-01

24 0.75

1012

0

0.00E+00

0.000101

0.00E+00

0.00E+00

3 10.75

0

0

0 0

0.0405 4.77E-02

43 1.67

2666558

2466024

5.95E-01

0.266656

3.23E-01

1.31E-01

38 0.75

0

0 0

0

0.00E+00

0.00E+00


27

X Utilisasi 3 bulan Utilisasi 6 bulan Kelas

1 1.32E-02

0.0219 0

14 0.102 3.47E-01

0

5 7.28E-01

5.49E-01

1

2 1.04E+00

9.29E-01

1

19 1.12E-02

2.24E-02

1

4 9.88E-01

9.64E-01

1

24 0.00423 0.0003 0

3 2.49E-01

2.68E-01

0

43 7.08E-01

3.37E-01

0

38 1.12E-02

2.24E-02

1

Beberapa atribut dari data set tersebut merupakan hasil penggabungan dari

beberapa atribut seperti pemakaian 3 bulan per limit, atribut tersebut merupakan hasil

dari perhitungan rata – rata jumlah yang di bayar dengan jumlah tagihan. Berikut ini

merupakan penjelasan dari setiap atribut pada data set tersebut.

Tabel 3.3 Penjelasan Atribut

No Atribut Keterangan

1 Jumlah kartu Jumlah kartu aktif yang dimiliki

pelanggan.

2 Outstanding Total saldo pemakaian kartu

kredit.

3 Limit kredit Jumlah maksimum limit kartu

kredit yang dapat digunakan.


28


4 Tagihan Jumlah tagihan pada bulan

terakhir.

5 Total pemakaian Total pemakaian kartu kredit(tunai

dan retail) pada bulan terakhir.

6 Total pemakaian tunai Total pemakaian transaksi tunai

pada bulan terakhir.

7 Total pemakaian retail Total pemakaian transsaksi retail

pada bulan terakhir.

8 Sisa tagihan tidak terbayar Jumlah tagihan yang tidak

terbayar pada bulan terakhir.

9 Kode cabang -

10 Rasio pembayaran Rasio perbandingan jumlah yang

dibayar dengan tagihan pada

bulan terakhir.

11 Presentasi overlimit Presentasi overlimit

12 Nomor pelanggan ID pelanggan

13 Ultilisasi 3 bulan Ultilisasi kartu kredit selama 3

bulan terakhir.

14 Pemakaian 3 bulan per limit Rata – rata pemakaian selama 3

bulan terakhir dibagi total limit.

15 Rasio pembayaran 3 bulan Rata-rata rasio pembayaran 3

bulan terakhir


29


18 Skor pembayaran Nilai yang dihitung berdasarkan

jumlah minimum pembayaran

yang dilakukan pelanggan dalam

6 bulan terakhir.

19 Sisa tagihan per jumlah kartu Jumlah tagihan yang tidak

terbayar pada bulan terakhir

dibagi jumlah kartu aktif.

20 Sisa tagihan per limit Jumlah tagihan yang tidak

terbayar pada bulan terakhir

dibagi total limit.

21 Total pemakaian per limit Total pemakaian kartu kredit

(tunai dan retail) pada bulan

terakhir dibagi total limit

22 Jumlah tahun sejak pembukaan kredit Jumlah tahun sejak pembukaan

kartu kredit pertama kali.

23 Flag kredit macet

1/0

Flag yang menandakan apakah

kredit macet atau tidak.

1 = Kredit Macet

0 = Tidak Macet

3.3 Preprocessing

Pada tahap preprocessing akan dilakukan tahap pembersihan data, integrasi

data, seleksi data dan transformasi data. Seleksi atribut dilakukan pada sebelum

melakukan tahap normalisasi. Sebelumnya data tersebut diolah menggunakan metode

Info gaint dengan menggunakan Weka Tools 3.8.2 untuk mengetahui perangkingan

atau urutan bobot pada atribut data. Berikut adalah hasil perangkingan data yang

dilakukan menggunakan Weka Tools 3.8.2


30

Tabel 3.4 Hasil Perangkingan Atribut Data Nasabah

Rangking

Attribut / fitur

1 RasioPembayaran

2 Total Pemakaian Retail

3 Total Pemakaian Per Limit

4 Total Pemakaian

5 Rasio Pembayaran Per 3 Bulan

6 Utilisasi per 3 bulan

7 Tagihan

8 Outstanding

9 Sisa tagihan per limit

10 Sisa tagihan tidak terbayar.

11 Sisa tagihan per jumlah kartu.

12 Utilisasi per 6 bulan.

13 Rasio pembayaran per 6 bulan.

14 Pemakain 3 bulan per limit.

15 Presentasi over limit.

16 Pemakaian 6 bulan per limit.

17 Jumlah tahun sejak pembukaan kredit

18 Jumlah kartu

19 Limit kredit

20 Total pemakaian tunai

21 Kode Cabang

22 Skordelikuensi

23 X

Setelah itu dimana pada tahap ini jumlah atribut yang akan diproses terlebih

dahulu di masukkan atau diinputkan. Selanjutnya dilakukan proses normalisasi,

dimana pada proses ini merupakan proses penskalaan nilai atribut dari data sehingga

bisa jatuh pada range tertentu. Dimana pada tahap ini dilakukan proses pemilihan

atribut dengan menggunakan 5 atribut yang dipilih setelah melalui tahap

perangkingan.


31

Pada data set ini terdapat range data yang cukup jauh dan susah untuk

diproses. Metode yang digunakan dalam normalisasi ini yakni metode Min-Max.

Metode Min-Max merupakan metode normalisasi dengan melakukan transformasi

linear.

Vi= ( )

( ) ( ) (new_maxA – new_minA) + new-minA ………….(3.14)

Berdasarkan persamaan diatas dapat dinormalisasi data dibawah ini :

Normalisasi data atribut jumlah kartu

Vi =

( ) 0.0000453074513300073

Normalisasi data atribut outstanding

Vi =

( ) 0.00401203610832497

Normalisasi data atribut limit

Vi =

(1 -0 ) + 0 = 0.0000054046310907977

Normalisasi data atribut tagihan

Vi =

(1 – 0 ) +0 = 0

Tabel 3.5 Data nasabah sesudah di preprocessing

X A1 A2 A3 A4 A5 Kelas

1 0.209366

0.052108

0.047524576

0.435699

0

0

14 0.208193

0.052108

0.047524291

0.007425

0.052737

1


32


5 0.209295

0.060977

0.055612927

0.027324

0

0

2 0.208193

0.052111

0.047527361

0

0

0

19 0.208298

0.052108 0.047524291

0.061776

0.032684

1

4 0.209341

0.060545

0.0552189

0.564301

0

0

24 0.208193

0.052108 0.047524291

0

0 1

3 0.209341

0.052108

0.047524291

0.297

0

0

43 0.208676

0.052108 0.051467662

0.329076

0 1

Keterangan :

A1= Rasio pembayaran

A2 = Tabel pemakaian retail

A3 = Total pemakaian per limit

A4 = Total Pemakaian.

A5 =Rasio pembayaran per 6 bulan

3.4 Modelling Naïve Bayes.

Pada tahap ini dilakukan proses penambangan data dengan menggunakan

algoritma Naïve Bayes. Data yang sudah diolah pada tahap sebelumnya akan diolah

menggunakan perhitungan algoritma. Data yang diolah adalah data training dan

testing.


33

Berikut ini merupakan data yang dilakukan untuk mengolah data nasabah dengan

menggunakan metode Naïve Bayes :

1. Data yang digunakan merupakan data training dan data testing. Data testing

adalah data yang dicari hasil akhirnya sedangkan data training adalah data

yang akan digunakan untuk menentukan hasil akhir atau lebih dari data

testing.

2. Data testing yang sudah siap akan dipisahkan dari labelnya.

3. Data testing yang tidak memiliki tabel akan melakukan perulangan untuk

dihitung nilai probabilitas dari setiap data dengan berdasarkan data training.

4. Jumlah feature yang digunakan yakni 5 feature yaitu rasio pembayaran, total

pemakaian, total pemakaian per limit, total pemakaian retail, rasio

pembayaran per 6 bulan.

5. Data akan dibagi menjadi data training dan data testing dengan menggunakan

6. menggunakan cross validation yaitu k-fold validation. Percobaan yang

dilakukan menggunakan 3 jenis k-fold. Data akan dibagi sesuai dengan

jumlah k, dengan jumlah data yang sama rata. Data yang sudah dibagi nanti

akan menjadi data testing dan data training. Setiap percobaan akan mengambil

1 data testing dan data yang lain akan digunakan sebagai data training.

Berikut ini adalah contoh perhitungan untuk mencari nilai probabilitas dari setiap

data, data testing yang akan dihitung dilambangkan dengan X.

Tabel 3.6 Data nasabah sesudah di preprocessing digunakan dalam percobaan.


1 0.209366

0.052108

0.047524576

0.047525

0.433893

0

14 0.208193

0.052108

0.047524291

0.047524

0.43343

1


34


5 0.209295

0.060977

0.055612927

0.055613

0.434063

0

2 0.208193

0.052111

0.047527361

0.047527

0.433332

0

19 0.208298

0.052108 0.047524291

0.047524

0.433388

1

4 0.209341

0.060545

0.0552189

0.055219

0.43352

0

24 0.208193

0.052108 0.047524291

0.047524

0.433388

1

3 0.209341

0.052108

0.047524291

0.047524

0.434082

0

43 0.208676

0.052108 0.051467662

0.051468

0.433895

1

38 0.208193

0.052108

0.120795

0.047524

0.433332

0

Keterangan :

A1= Rasio pembayaran

A2 = Tabel pemakaian

A3 = Total pemakaian per limit

A4 = Total Pemakaian.

A5 =Rasio pembayaran per 3 bulan


35

Berdasarkan pada tabel memperlihatkan data training dengan atribut jumlah kartu,

outstanding, limit kredit, tagihan, total pemakaian, total pemakaian tunai , total

pemakaian tunai , total pemakaian retail , sisa tagihan tidak dibayar, kode cabang,

rasio pembayaran, presentasi overlimit, nomer pelanggan, ultilisasi 3 bulan,

pemakaian 3 bulan per limit , rasio pembayaran per 3 bulan, utilisasi 6 bulan, rasio

pembayaran 6 bulan, skor pembayaran, sisa tagihan per jumlah kartu, sisa tagihan per

limit, total pemakaian per limit, jumlah tahun sejak pembukaan kredit sedangkan

atribut kelas adalah nasabah yang berpotensi terkena kredit macet dan tidak macet.

Berikut ini adalah penyelesaian contoh kasus menggunakan algoritma Naïve Bayes.

Terdapat dua kelas dari klasifikasi yang terbentuk :

1 : Macet

0 : Tidak Macet

Langkah – Langkah perhitungan sebagai berikut :

a. Menghitung mean dan standar deviasi untuk setiap data atribut.

Menghitung Mean atau nilai rata – rata menggunakan rumus sebagai

berikut : Nilai rata – rata =

………… (3.15)

Sementara untuk menghitung nilai standar deviasi setiap atribut dengan

rumus :

S = √ ( )

……………(3.16)


36

Berikut merupakan hasil dari nilai mean dan standar deviasi dari setiap atribut

sesuai dengan persamaan pada 3.16 :

Tabel 3.7Hasil Mean & Standar Deviasi Total Pemakaian

Total pemakaian Macet Tidak

Mean 0.04831 0.05068

Standar Deviasi 0.00197 0.00407

Tabel 3.8 Jumlah Mean & Standar Deviasi Total Pemakaian per limit

Total Pemakaian Tunai Macet Tidak

Mean 0.13114

0.13314

Standar Deviasi 0.02070

0.02105

Tabel 3.9 Jumlah Mean & Standar Deviasi Total Pemakaian Retail

Total Pemakaian

Retail

Macet Tidak

Mean 0.05210

0.05549

Standar Deviasi 0

0.00446


37

Tabel 3.10 Jumlah Mean & Standar Deviasi Rasio Pembayaran

Rasio pembayaran Macet Tidak

Mean 0.20834

0.20911


0.000512

Tabel 3.11 Jumlah Mean & Standar Deviasi Rasio Pembayaran Per 3 Bulan

Rasio pembayaran per

6 bulan

Macet Tidak

Mean 0.43349

0.43378


0.00033

b. Menghitung probabilitas kategori kelas untuk variabel jumlah kartu untuk setiap

kategori itu sendiri. Tabel berikut menunjukkan probabilitas variabel setiap jumlah

kartu pada kategori kelas. Sedangkan tabel selanjutnya yakni menunjukkan

probabilitas untuk setiap kategori pada kelas.


38

Tabel 3.12 Probabilitas jumlah kartu

Tabel Probabilitas Jumlah Kartu

Jumlah Kartu Probabilitas Jumlah Kartu

Jumlah

Kartu

Macet Tidak

Macet

Macet Tidak Macet

2 3 3 3/4 3/6

3 1 2 1/4 2/6

4 0 1 0/4 1/6

Jumlah 4 6 1 1

Tabel 3.13 Probabilitas setiap kelas

Jumlah Kelas Probabilitas Kelas

Jumlah Macet Tidak

Macet

Macet Tidak Macet

4 6 4/10 6/10

c. Menghitung probabilitas setiap katagori kelas dengan acuan nilai mean dan standar

deviasi pada halaman 36 dan 37 untuk setiap atributnya, apabila di berikan data baru

sebagai berikut : Misalkan seorang nasabah yang memiliki jumlah kartu 3 , tagihan

0.002006018, total pemakaian 0.008852531, , total pemakaian retail 0.017051153,

total pemakaian per limit 0.036745324, total pemakaian 0.097085453, rasio

pembayaran per 3 bulan 0.433924 dan rasio pembayaran 0.2081920 . Dengan

rumus sebagai berikut :

P (Xi = xi |Y = yj )= =

√ ( )

( ) ……….(3.17)


39

Untuk rasio pembayaran = 0.2081920. Berdasarkan Persamaan (3)

sebagai berikut :

P(rasio pembayaran = 0.20819203| Kelas = Macet )

=

√ ( ) )

( ) = 831.0985144

P(rasio pembayaran = 0.20819203|| Kelas = Tidak Macet )

=

√ ( ) ( )

( ) = 236.8627312

Untuk total pemakaian retail = 0.01705113. Berdasarkan

Persamaan (3) sebagai berikut :

P(total pemakaian retail =0.01705113|Kelas = Macet )

=

√ ( ) ( )

( ) = 0

P(total pemakaian retail= 0.01705113|Kelas = Tidak Macet )

=

√ ( ) ( )

( ) = 0.18307

Untuk total pemakaian per limit = 0.01705113. Berdasarkan


P(Total pemakaian per limit = 0.0367| Kelas = Macet )

=

√ ( ) ( )

( ) = 0.000584

P(Total Pemakaian per Limit = 0.0367| Kelas = Tidak Macet Macet )

=

√ ( ) ( )

( ) = 0.000525


40

Untuk total pemakaian = 0.0970. Berdasarkan Persamaan (3)

sebagai berikut :

P(Total Pemakaian = 0.0970| Kelas = Macet )

=

√ ( ) ( )

( ) = 0.2082

P(Total Pemakaian =0.0970 | Kelas =Tidak Macet )

=

√ ( ) ( )

( ) = 0.93519

Untuk rasio pembayaran per 3 bulan = 0.4339. Berdasarkan


P(Rasio pembayaran per 3 bulan = 0.4339| Kelas = Macet )

=

√ ( ) ( )

( ) = 603.376

P(Rasio Pembayaran per 3 bulan = 0.4339 | Kelas = Tidak Macet )

=

√ ( ) ( )

( ) = 1176.4

d. Menghitung nilai likelihood. Menghitung nilai likelihood ini menggunakan hasil

dari nilai perhitungan probabilitas. Nilai likelihood dibagi menjadi 2 yakni

likelihood macet dan likelihood tidak macet.

Likehood Macet

P(rasio pembayaran) x P(total pemakaian retail) x P(total pemakaian per limit) x

P(total pemakaian) x P(rasio pembayaran per 3 bulan)

= (831.098)*(0)*(0.000584)*(481.066)*(0.2082)*(0.25)*(0.4) = 0


41

Likehood Tidak macet

P(rasio pembayaran) x P(total pemakaian retail) x P(total pemakaian per limit) x

P(total pemakaian) x P(rasio pembayaran per 3 bulan)

= (0.18307)*(0.00055)*(1035.632)*(0.9351)*(0.19307)*(0.333)*(0.6) = 0.26495

e. Mencari nilai probabilitas dengan melakukan normalisasi terhadap likehood tersebut

sehingga jumlah nilai yang diperoleh = 1.

Probabilitas Macet =

Probabilitas Tidak Macet =

Dari hasil tersebut, terlihat bahwa nilai probabilitas tertinggi ada pada kelas

tidak macet dimana hasil nilai dari kelas tersebut yakni 1 dapat disimpulkan nasabah

yang memiliki jumlah kartu 3 masuk pada kelas kredit tidak macet.

3.5 Akurasi

Setelah dilakukan proses pembentukan modeling, maka selanjutnya dilakukan

proses menghitung akurasi dengan menggunakan confusion matrix, yakni dengan

menjumlahkan data yang benar dan membaginya dengan semua data yang benar

maupun yang salah dan kemudian dikalikan dengan 100%.

Tabel 3.14 Contoh Hasil Confusion Matrix

Kelas Macet Tidak Macet

Macet A B

Tidak Macet C D


42

Berdasarkan Tabel 3.4 diatas, jumlah akurasi dari setiao percobaan dapat

dihitung menggunakan rumus akurasi sebagai berikut :

Jumlah data yang memprediksi secara benar yakni data yang terletak pada

garis diagonal yaitu data data A+D. jumlah prediksi yang dilakukan adalah jumlah

semua hasil perhitungan confusion matrix yakni A+B+C+D. Setelah itu akurasi dapat

dikalikan dengan 100%

3.6 Desain User Interface.

Untuk mempermudah dalam melakukan tahap klasifikasi pada penelitian ini

dibuart user interface. User interface dibuat untuk membantu dalam proses

preprocessing , proses klasifikasi dan proses hasil akurasi. Berikut ini merupakan

halaman utama dalam penelitian ini :

Gambar 3.4 Halaman Utama

Pada halaman user interface terdapat 3 macam proses, yang pertama yakni

process preprocessing. Process preprocessing yakni dimana user menginputkan file

data yang akan diolah. Terdapat text box jumlah ciri, sebelum melakukan

preprocessing user diharuskan menginput jumlah ciri yang akan digunaka. Jika user


43

telah menginputkan jumlah ciri yang diinputkan maka selanjutnya melakukan proses

preprocessing.

Bagian kedua yakni proses klasifikasi, jika data sudah di preprocessing akan

masuk ke tahap klasifikasi. Dimana pada bagian ini data akan di proses menggunakan

model yang telah dibuat dan akan menghasilkan akurasi dari sistem tersebut. Bagian

ketiga yakni uji data tunggal. Pada bagian ini user akan menginput data yang sudah

dinormalisasi sebelumnya untuk mengetahui apakah data tersebut masuk ke dalam

kelompok kredit macet atau tidak macet.


44

BAB IV

HASIL DAN ANALISIS

Pada bab ini akan di bahas hal – hal yang berkaitan dengan hasil implementasi sistem

hasil yang didapatkan dari pengujian – pengujian yang dilakukan serta analisis dari

suatu dari hasil pengujian.

4.1 Analisis Hasil

Berdasarkan hasil pengujian yang dilakukan dengan menggunakan klasifikasi

Naïve Bayes telah dilakukan proses sebelumnya yakni seleksi atribut. Seleksi atribut

ini dilakukan dengan menggunakan Weka Tool 3.8.2 dengan menggunakan

menggunakan Info gain dengan hasil sebagai berikut .

Tabel 4.15 Hasil perangkingan atribut data nasabah

Rangking

Attribut / fitur

1 RasioPembayaran

2 Total Pemakaian Retail

3 Total Pemakaianperlimit

4 Total Pemakaian

5 RasioPembayaran Per 3 Bulan

6 Utilisasi per 3 bulan

7 Tagihan

8 Outstanding

9 Sisatagihan per limit

10 Sisatagihantidakterbayar.


45

Rangking

Attribut / fitur

11 Sisatagihan per jumlahkartu.

12 Utilisasi per 6 bulan.

13 Rasiopembayaran per 6 bulan.

14 Pemakain 3 bulan per limit.

15 Presentasi over limit.

16 Pemakaian 6 bulan per limit.

17 Jumlahtahunsejakpembukaankredit

18 Jumlahkartu

19 Limit kredit

20 Total pemakaiantunai

21 Skordelikuensi

22 X

Berdasarkan tabel 4. 15 diatas dapat dilakukan pengujian sebanyak 23 kali

yang dilakukan dengan menggunakan klasifikasi Naïve Bayes dan dengan

menggunakan k-fold validation didapat hasil akurasi seperti tabel 4.15 berikut ini.

Tabel 4.16 Tabel Hasil Percobaan

Jumlah Atribut Akurasi

1 8.792%

2 32.034%

3 46.0534%


46

Jumlah Atribut Akurasi

4 57.2468%

5 77.2819%

6 76.4049%

7 71.8703%

8 58.2213%

9 58.0069%

10 45.9884%

11 29.7993

12 27.5970%

13 34.6911%

14 34.8730%

15 25.0309%

16 23.5237%

17 23.7121%

18 22.0425%

19 22.0620%

20 20.7627%

21 23.2638%

22 8.7962%

23 8.7962 %

Tabel 4.16 merupakan tabel hasil akurasi dari semua percobaan yang

dilakukan sebanyak dua puluh tiga kali. Dari dua puluh tiga pengujian dengan jumlah

feature yang digunakan berbeda dan dengan jumlah fold yang sama didapatkan hasil

klasifikasi dan hasil akurasi yang berbeda. Hasil akurasi 77.28 % dengan hanya

menggunakan 5 feature yakni Rasio Pembayaran, Total Pemakaian Retail, Total

Pemakaian Per Limit, Total Pemakaian, Rasio Pembayaran Per 3 Bulan sedangkan


47

untuk akurasi paling rendah 8.79% yang menggunakan jumlah 1atribut yakni Rasio

pembayaran , 22 feature yakni Rasio Pembayaran, Total Pemakaian Retail, Total

Pemakaian Per Limit, Total Pemakaian, Rasio Pembayaran Per 3 Bulan, Utilisasi Per

3 Bulan, Tagihan, Outstanding, Sisa Tagihan Per Limit, Sisa Tagihan Tidak Terbayar,

Sisa Tagihan per Jumlah Kartu, Utilisasi Per 6 Bulan, Rasio Pembayaran Per 6 Bulan,

Pemakaian 3 Bulan Per Limit, Presentasi Overlimit, Pemakaian 6 Bulan Per Limit,

Jumlah Tahun Sejak Pembukaan Kredit, Jumlah Kartu, Limit Kredit, Total

Pemakaian Tunai, dan 23 feature yakni Rasio Pembayaran, Total Pemakaian Retail,

Total Pemakaian Per Limit, Total Pemakaian, Rasio Pembayaran Per 3 Bulan,

Utilisasi Per 3 Bulan, Tagihan, Outstanding, Sisa Tagihan Per Limit, Sisa Tagihan

Tidak Terbayar, Sisa Tagihan per Jumlah Kartu, Utilisasi Per 6 Bulan, Rasio

Pembayaran Per 6 Bulan, Pemakaian 3 Bulan Per Limit, Presentasi Overlimit,

Pemakaian 6 Bulan Per Limit, Jumlah Tahun Sejak Pembukaan Kredit, Jumlah Kartu,

Limit Kredit, Total Pemakaian Tunai,Skor delikuensi, X. Grafik hasil rata- rata

akurasi pengujian ditunjukkan melalui gambar 4.5 dibawah ini :

Gambar 4.5 Grafik Akurasi Rata – Rata

0

10

20

30

40

50

60

70

80

90

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Aku

rasi

Jumlah Feature

Akurasi


48

Gambar 4.6 Tabel confusion matrix

Gambar 4.5 merupakan grafik akurasi rata – rata. Percobaan dilakukan dengan

menggunakan feature/atribut yang berbeda. Setiap atribut akan dilakukan percobaan

dengan 3 fold dirata – rata untuk mencari nilai maksimal dari percobaan berdasarkan

feature/atribut. Berdasarkan hasil rata – rata akurasi terbesar adalah 77.2819%

dengan melakukan 23 kali percobaan menggunakan 5 feature/atribut yakni rasio

pembayaran , total pemakaian retail, total pemakaian limit, total pemakaian, rasio

pembayaran per 6 bulan. Sedangkan untuk akurasi terkecil yakni 8.79. % dengan 1,

yakni rasio pembayaran , untuk 22 feature yakni Rasio Pembayaran, Total Pemakaian

Retail, Total Pemakaian Per Limit, Total Pemakaian, Rasio Pembayaran Per 3 Bulan,

Utilisasi Per 3 Bulan, Tagihan, Outstanding, Sisa Tagihan Per Limit, Sisa Tagihan

Tidak Terbayar, Sisa Tagihan per Jumlah Kartu, Utilisasi Per 6 Bulan, Rasio

Pembayaran Per 6 Bulan, Pemakaian 3 Bulan Per Limit, Presentasi Overlimit,

Pemakaian 6 Bulan Per Limit, Jumlah Tahun Sejak Pembukaan Kredit, Jumlah Kartu,

Limit Kredit, Total Pemakaian Tunai, sementara untuk 23 feature/atribut yakni Rasio

Pembayaran, Total Pemakaian Retail, Total Pemakaian Per Limit, Total Pemakaian,

Rasio Pembayaran Per 3 Bulan, Utilisasi Per 3 Bulan, Tagihan, Outstanding, Sisa

Tagihan Per Limit, Sisa Tagihan Tidak Terbayar, Sisa Tagihan per Jumlah Kartu,

Utilisasi Per 6 Bulan, Rasio Pembayaran Per 6 Bulan, Pemakaian 3 Bulan Per Limit,

Presentasi Overlimit, Pemakaian 6 Bulan Per Limit, Jumlah Tahun Sejak Pembukaan

Kredit, Jumlah Kartu, Limit Kredit, Total Pemakaian Tunai,Skor delikuensi, X. Hal

ini dikarenakan penggunaan jumlah atribut yang digunakan dan hasil perangkingan

atribut untuk proses klasifikasi sangat berpengaruh terhadap hasil klasifikasi dan

akurasi sistem. Dalam hal ini untuk mengetahui apakah seseorang itu dapat terkena


49

kredit macet tidak hanya dilihat dari rasio pembayaran tagihannya saja melainkan

harus melihat dari sisi pemakaian sehari – hari, dilihat dari pemakaian yang melebihi

limit atau tidak serta melihat rasio pembayaran per 6 bulan juga, hal ini dapat dilihat

dari hasil akurasi rata – rata dengan feature/atribut rasio pembayaran , total

pemakaian retail, total pemakaian limit, total pemakaian, rasio pembayaran per 6

bulan dengan menghasilkan 77.2819% merupakan akurasi tertinggi dalam penelitian

ini. 1..


50

BAB V

PENUTUP

5.1 Kesimpulan

Dari hasil penelitian ini, dengan menggunakan metode Naïve Bayes untuk

melakukan proses klasifikasi data nasabah berpotensi terkena kredit macet dalam

pembayaran tagihan kartu kredit, dapat diambil kesimpulan sebagai berikut :

1. Penggunaan jumlah atribut yang digunakan dan hasil perangkingan atribut

untuk proses klasifikasi sangat berpengaruh terhadap hasil klasifikasi dan

akurasi sistem. Pada percobaan ini dengan menggunakan 5 atribut dapat

menghasilkan hasil akurasi sistem yang optimal yakni 77.2819%.

2. Dari pengujian sebanyak 23 kali dihasilkan akurasi rata- rata terbaik sebesar

77.2819 % dengan hanya menggunakan 5 feature atau atribut data yakni rasio

pembayaran , total pemakaian retail, total pemakaian limit, total pemakaian,

rasio pembayaran per 6 bulan. Rata – rata akurasi terendah sebesar 8.792 %

dengan hanya menggunakan 1 feature data yakni rasio pembayaran ,, 22

feature data yakni Rasio Pembayaran, Total Pemakaian Retail, Total

Pemakaian Per Limit, Total Pemakaian, Rasio Pembayaran Per 3 Bulan,

Utilisasi Per 3 Bulan, Tagihan, Outstanding, Sisa Tagihan Per Limit, Sisa

Tagihan Tidak Terbayar, Sisa Tagihan per Jumlah Kartu, Utilisasi Per 6

Bulan, Rasio Pembayaran Per 6 Bulan, Pemakaian 3 Bulan Per Limit,

Presentasi Overlimit, Pemakaian 6 Bulan Per Limit, Jumlah Tahun Sejak

Pembukaan Kredit, Jumlah Kartu, Limit Kredit, Total Pemakaian Tunai dan

23 feature data yakni Rasio Pembayaran, Total Pemakaian Retail, Total

Pemakaian Per Limit, Total Pemakaian, Rasio Pembayaran Per 3 Bulan,

Utilisasi Per 3 Bulan, Tagihan, Outstanding, Sisa Tagihan Per Limit, Sisa


51

Tagihan Tidak Terbayar, Sisa Tagihan per Jumlah Kartu, Utilisasi Per 6

Bulan, Rasio Pembayaran Per 6 Bulan, Pemakaian 3 Bulan Per Limit,

Presentasi Overlimit, Pemakaian 6 Bulan Per Limit, Jumlah Tahun Sejak

Pembukaan Kredit, Jumlah Kartu, Limit Kredit, Total Pemakaian Tunai,Skor

delikuensi

5.2 Saran

Saran untuk penelitian akhir ini adalah :

1. Sistem ini dapat dikembangkan dengan menggunakan metode yang lain.

2. Pemilihan atribut pada sistem ini dapat dikembangkan dengan metode lain

3. Hasil klasifikasi dampat dikembangkan dalam bentuk penampilan grafik pada

user interface.

4. Program dapat menerima masukan file bertipe lain, tidak hanya tipe file xls.

5. Uji data tunggal dapat dikembangkan dengan masukkan file.


52

DAFTAR PUSTAKA

Han, J., et al. (2012). Data Mining : Concepts and Techniques 3rd

Edition. San

Fransisco : Morgan Kaufmann Publishers

Kusrini dan Luthfi, E.T.(2009). Algoritma Data Mining. Yogyakarta: ANDI.

Ariasih dkk. 2011. Pengantar Data Mining. Program Studi Magister Teknik

Elektro, Universitas Udayana. Denpasar.

Buaton Relita. 2014. 15 Metode Menyelesaikan Data Mining, Sistem Pakar dan

Sistem Pendukung Keputusan. STMIK Kaputama. Sumatera Utara.

Prasetyo, E. (2014) Data Mining : Mengolah data Menjadi Informasi Menggunakan

Matlab. Yogyakarta : Andi

Herawati, F.A. (2013) Data Mining. Yogyakarta : Andi.

Khasanah Imroatul. 2013. Sistem Prosedur Pemberian Kredit Modal Kerja Dalam

Upaya Meminimalisir Tunggakan Kredit. Jurnal. Fakultas Ilmu Administrasi.

Universitas Brawijaya.

Septiawanti, Sinta. 2018. Penerapan Algoritma Case Based Reasoning Pada Prediksi

Nasabah Berpotensi Membuka Simpanan Deposito. Jurnal. Teknik Informatika.

Universitas Sanata Dharma.

Bustami., 2013, Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data

Nasabah Asuransi, TECHSI : Jurnal Penelitian Teknik Informatika, Vol. 3, No.2, Hal.

127-146.

Pattekari, S. A., Parveen, A., 2012, Prediction System for Heart Disease Using Naive

Bayes, International Journal of Advanced Computer and Mathematical Sciences,

ISSN 2230-9624, Vol. 3, No 3, Hal 290-294.

Abdullah, Sigit 2013. Penerapan Algoritma Decision Tree C4.5 Untuk Diagnosa

Penyakit Stroke Dengan Klasifikasi Data Mining Pada Rumah Sakit Santa Maria

Pemalang. Semarang.


53

Wahyuni & Pranoto. (2013). Pelayanan dan Orientasi Pelanggan Terhadap

Loyalitas dengan Kepuasan Sebagai Variabel Intervening pada Pengguna Kartu

Kredit BCA. E-Jurnal Manajemen dan Bisnis. Vol. 1 (1): 1-23.

Mudrajad Kuncoro & Suhardjono (2002). Manajemen Perbankan : Teori dan Aplikasi

. BPFE. Yogyakarta.

Kusumadewi, Sri.2003.Klasifikasi Status Gizi Menggunakan Naïve Bayes

Classification. Jurnal. Teknik Informatika. Universitas Islam Indonesia.


54

LAMPIRAN

Tabel Penjelasan hasil akurasi.

No Jumlah Atribut Nama atribut yang

digunakan Hasil Akurasi

1 1 - Rasio Pembayaran. 8.792%

2 2 - Rasio Pembayaran.

- Total Pemakaian Retail.

32.034%



- Total Pemakaian Per

Limit.

46.0534%




Limit.

- Total Pemakaian.

57.2468%




Limit.

- Total Pemakaian.

- Rasio Pembayaran per 3

bulan

77.2819%




Limit.

- Total Pemakaian.


bulan.

- Utilisasi per 3 bulan.

76.4049%


55




Limit.

- Total Pemakaian.


bulan.


- Tagihan.

71.8703%




Limit.

- Total Pemakaian.


bulan.


- Tagihan.

- Outstanding

58.2213%




Limit.

- Total Pemakaian.


bulan.


- Tagihan.

- Outstanding.

- Sisa tagihan per limit.

58.0069%




Limit.

- Total Pemakaian.


bulan.


- Tagihan.

- Outstanding.


- Sisa tagihan tidak

45.9884%


56

terbayar.




Limit.

- Total Pemakaian.


bulan.


- Tagihan.

- Outstanding.



terbayar.

- Sisa tagihan per jumlah

kartu.

29.7993




Limit.

- Total Pemakaian.


bulan.


- Tagihan.

- Outstanding.



terbayar.


kartu.


27.5970%




Limit.

- Total Pemakaian.


bulan.


- Tagihan.

- Outstanding.

34.6911%


57



terbayar.


kartu.


- Rasio pembayaran per 6

bulan.




Limit.

- Total Pemakaian.


bulan.


- Tagihan.

- Outstanding.



terbayar.


kartu.



bulan.

- Pemakaian 3 bulan per

limit.

34.8730%




Limit.

- Total Pemakaian.


bulan.


- Tagihan.

- Outstanding.



terbayar.


25.0309%


58

kartu.



bulan.


limit.

- Presentasi overlimit.




Limit.

- Total Pemakaian.


bulan.


- Tagihan.

- Outstanding.



terbayar.


kartu.



bulan.


limit.



limit.

23.5237%




Limit.

- Total Pemakaian.


bulan.


- Tagihan.

- Outstanding.


23.7121%


59


terbayar.


kartu.



bulan.


limit.



limit.

- Jumlah tahun sejak

pembukaan akhir.




Limit.

- Total Pemakaian.


bulan.


- Tagihan.

- Outstanding.



terbayar.


kartu.



bulan.


limit.



limit.


pembukaan akhir.

- Jumlah kartu.

22.0425%



22.0620%


60


Limit.

- Total Pemakaian.


bulan.


- Tagihan.

- Outstanding.



terbayar.


kartu.



bulan.


limit.



limit.


pembukaan akhir.

- Jumlah kartu.

- Limit kredit.




Limit.

- Total Pemakaian.


bulan.


- Tagihan.

- Outstanding.



terbayar.


kartu.



20.7627%


61

bulan.


limit.



limit.


pembukaan akhir.

- Jumlah kartu.

- Limit kredit.

- Total pemakaian tunai.




Limit.

- Total Pemakaian.


bulan.


- Tagihan.

- Outstanding.



terbayar.


kartu.



bulan.


limit.



limit.


pembukaan akhir.

- Jumlah kartu.

- Limit kredit.

- Total pemakaian

tunai.

- Skordelikuensi.

23.2638%

22 22 - Rasio Pembayaran. 8.7962%


62



Limit.

- Total Pemakaian.


bulan.


- Tagihan.

- Outstanding.



terbayar.


kartu.



bulan.


limit.



limit.


pembukaan akhir.

- Jumlah kartu.

- Limit kredit.

- Total pemakaian

tunai.

- Skordelikuensi.

- Kode cabang




Limit.

- Total Pemakaian.


bulan.


- Tagihan.

- Outstanding.



8.7962 %


63

terbayar.


kartu.



bulan.


limit.



limit.


pembukaan akhir.

- Jumlah kartu.

- Limit kredit.

- Total pemakaian

tunai.

- Skordelikuensi.

- Kode cabang.

- X.


64

Source code program.

1. Potongan.m clear;clc; %hasil perangkingan info gain rating =

[10,7,19,16,12,22,5,3,18,8,17,23,13,20,11,21,15,4,2,6,14,9,1]; Data = xlsread('normalisasi2.xls'); %memilih atribut yang akan digunakan jumlahciri = 5; if jumlahciri > size(rating,2)-1 jumlahciri = size(rating,2); end

for i=1:jumlahciri if i==1 Datapakai = Data(:,rating(i)); else Datapakai = [Datapakai,Data(:,rating(i))]; end end %menyimpan model Datapakai = [Datapakai,Data(:,24)]; save 'DataBaru2.mat' 'Datapakai';

2. Normal.m %Baca data data=xlsread('transformasi.xls'); out=data(:,3); limit=data(:,4); tagihan=data(:,5); pemakai=data(:,6); pakaire=data(:,7); sisa=data(:,8); kode=data(:,9); over=data(:,10); rasio=data(:,11); jenis=data(:,12); lamat=data(:,13); geni=data(:,14); heni=data(:,15); totpakai=data(:,16); sisatag=data(:,17); gagi=data(:,18); gusi=data(:,19); hidup=data(:,20);


65

ty=data(:,21); hg=data(:,22); jh=data(:,23); %proses normalisasi out=Min_Max(out); limit=Min_Max(limit); tagihan=Min_Max(tagihan); pemakai=Min_Max(pemakai); pakaire=Min_Max(pakaire); sisa=Min_Max(sisa); kode=Min_Max(kode); over=Min_Max(over); rasio=Min_Max(rasio); jenis=Min_Max(jenis); lamat=Min_Max(lamat); geni=Min_Max(geni); heni=Min_Max(heni); totpakai=Min_Max(totpakai); sisatag=Min_Max(sisatag); gagi=Min_Max(gagi); gusi=Min_Max(gusi); hidup=Min_Max(hidup); ty=Min_Max(ty); hg=Min_Max(hg); jh=Min_Max(jh); [m,n]=size(out); norm_data=zeros(m,3);

%memanggil kembali data yang tidak dinormalisasi for i=1:m norm_data(i,3)=out(i); norm_data(i,4)=limit(i); norm_data(i,5)=tagihan(i); norm_data(i,6)=pemakai(i); norm_data(i,7)=pakaire(i); norm_data(i,8)=sisa(i); norm_data(i,9)=kode(i); norm_data(i,10)=over(i); norm_data(i,11)=rasio(i); norm_data(i,12)=jenis(i); norm_data(i,13)=lamat(i); norm_data(i,14)=geni(i); norm_data(i,15)=heni(i); norm_data(i,16)=totpakai(i); norm_data(i,17)=sisatag(i); norm_data(i,18)=gagi(i); norm_data(i,19)=gusi(i); norm_data(i,20)=hidup(i); norm_data(i,21)=ty(i); norm_data(i,22)=hg(i); norm_data(i,23)=jh(i); end


66

norm_data(:,1) = data(:,1); norm_data(:,2) = data(:,2); norm_data(:,24) = data(:,24); xlswrite('normalisasi2.xls',norm_data,1);

3. NaiveC.m function output = naiveC(DataTr,LabelTr,DataTs) kelas = [1,0]; Yes = find(LabelTr(:) == 1); No = find(LabelTr(:) == 0);

%nilai prior prob_yes = length(Yes)/length(LabelTr); prob_no = length(No)/length(LabelTr); prob = [prob_yes, prob_no];

% nilai likehood for i=1:length(kelas(1,:)) mn(i,:) = mean(DataTr(LabelTr == kelas(1,i),:)); st_dev(i,:) = std(DataTr(LabelTr == kelas(1,i),:)); end

% nilai posterior for j=1:size(kelas,2) likelihood = normpdf(DataTs, mn(j,:), st_dev(j,:)); posterior(j) = prod(likelihood)*prob(j); end

if posterior(1) > posterior(2) output = 0; else output= 1; end end


67

4. YukCoba.m

Data = Datapakai; ukurandata= size(Data,2); X = Data(:,1:ukurandata-1); Y = Data(:,ukurandata); jumdata = size(X);

range = jumdata(1)/3;

kel1 = X(1:range,:); kel2 = X(range+1:range*2,:); kel3 = X(range*2+1:jumdata(1),:);

DataTr1 = [kel2;kel3]; DataTs1 = kel1;



Lkel1 = Y(1:range); Lkel2 = Y(range+1:range*2); Lkel3 = Y(range*2+1:jumdata(1));

LabelTr1 = [Lkel2;Lkel3]; LabelTs1= Lkel1;

LabelTr2 = [Lkel1;Lkel3]; LabelTs2 = Lkel2;

LabelTr3= [Lkel1;Lkel2]; LabelTs3 = Lkel3;

%Model = fitcnb(DataTr,LabelTr);

for i=1:size(DataTs1,1) hasil(i,1) = naiveC(DataTr1,LabelTr1,DataTs1(i,:)); end

cf1 = confusionmat(hasil,LabelTs1); output1 = (sum(diag(cf1))/sum(sum(cf1)))*100; set(handles.uitable9,'data',cf1); set(handles.text7,'String',['Akurasi : '


68

num2str(output1) '%']); for i=1:size(DataTs2,1) hasil(i,1) = naiveC(DataTr2,LabelTr2,DataTs2(i,:));

end

cf2 = confusionmat(hasil,LabelTs2); output2 = (sum(diag(cf2))/sum(sum(cf2)))*100; set(handles.text8,'String',['Akurasi : '

num2str(output2) '%']); set(handles.uitable8,'data',cf2); for i=1:size(DataTs3,1) hasil(i,1) = naiveC(DataTr3,LabelTr3,DataTs3(i,:)); end

cf3 = confusionmat(hasil,LabelTs3); output3 = (sum(diag(cf3))/sum(sum(cf3)))*100;

set(handles.uitable7,'data',cf3); set(handles.text9,'String',['Akurasi : ' num2str(output3)

'%']);

akurasi = (output1+output2+output3)/3;

5. Gui.m

function varargout = gui(varargin) % GUI MATLAB code for gui.fig % GUI, by itself, creates a new GUI or raises the existing % singleton*. % % H = GUI returns the handle to a new GUI or the handle to % the existing singleton*. % % GUI('CALLBACK',hObject,eventData,handles,...) calls the

local % function named CALLBACK in GUI.M with the given input

arguments. % % GUI('Property','Value',...) creates a new GUI or raises

the % existing singleton*. Starting from the left, property

value pairs are % applied to the GUI before gui_OpeningFcn gets called. An % unrecognized property name or invalid value makes property

application % stop. All inputs are passed to gui_OpeningFcn via

varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI


69

allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help gui

% Last Modified by GUIDE v2.5 10-Jun-2019 16:41:09

% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @gui_OpeningFcn, ... 'gui_OutputFcn', @gui_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end

if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT

% eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure varargout{1} = handles.output;

% --- Executes on button press in togglebutton1. function togglebutton1_Callback(hObject, eventdata, handles) % hObject handle to togglebutton1 (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) % Hint: get(hObject,'Value') returns toggle state of

togglebutton1 [filename,filepath]=uigetfile([{'*.xls','XLS

Only'};{'*.xlsx','XLSX Only'}],'Select Data File'); global data; data=xlsread(strcat(filepath,filename)); set(handles.uitable4,'data',data);


70

% --- Executes on button press in togglebutton2. function togglebutton2_Callback(hObject, eventdata, handles) % hObject handle to togglebutton2 (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) % Hint: get(hObject,'Value') returns toggle state of

togglebutton2 global Datapakai; Data = Datapakai; ukurandata= size(Data,2); X = Data(:,1:ukurandata-1); Y = Data(:,ukurandata); jumdata = size(X);

range = jumdata(1)/3;

kel1 = X(1:range,:); kel2 = X(range+1:range*2,:); kel3 = X(range*2+1:jumdata(1),:);




Lkel1 = Y(1:range); Lkel2 = Y(range+1:range*2); Lkel3 = Y(range*2+1:jumdata(1));

LabelTr1 = [Lkel2;Lkel3]; LabelTs1= Lkel1;

LabelTr2 = [Lkel1;Lkel3]; LabelTs2 = Lkel2;

LabelTr3= [Lkel1;Lkel2]; LabelTs3 = Lkel3;

%Model = fitcnb(DataTr,LabelTr);

for i=1:size(DataTs1,1) hasil(i,1) = naiveC(DataTr1,LabelTr1,DataTs1(i,:)); end


71

cf1 = confusionmat(hasil,LabelTs1); output1 = (sum(diag(cf1))/sum(sum(cf1)))*100; set(handles.uitable9,'data',cf1); set(handles.text7,'String',['Akurasi : ' num2str(output1) '%']); for i=1:size(DataTs2,1) hasil(i,1) = naiveC(DataTr2,LabelTr2,DataTs2(i,:)); end

cf2 = confusionmat(hasil,LabelTs2); output2 = (sum(diag(cf2))/sum(sum(cf2)))*100; set(handles.text8,'String',['Akurasi : ' num2str(output2) '%']); set(handles.uitable8,'data',cf2); for i=1:size(DataTs3,1) hasil(i,1) = naiveC(DataTr3,LabelTr3,DataTs3(i,:)); end

cf3 = confusionmat(hasil,LabelTs3); output3 = (sum(diag(cf3))/sum(sum(cf3)))*100; set(handles.uitable7,'data',cf3); set(handles.text9,'String',['Akurasi : ' num2str(output3) '%']);

akurasi = (output1+output2+output3)/3;

set(handles.text39,'String',['Akurasi rata-rata : '

num2str(akurasi) '%']); % --- Executes on button press in togglebutton4. function togglebutton4_Callback(hObject, eventdata, handles) % hObject handle to togglebutton4 (see GCBO) % eventdata reserved - to be defined in a future version of


% Hint: get(hObject,'Value') returns toggle state of

togglebutton4

function edit1_Callback(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of


% Hints: get(hObject,'String') returns contents of edit1 as text % str2double(get(hObject,'String')) returns contents of

edit1 as a double

% --- Executes during object creation, after setting all

properties.


72

function edit1_CreateFcn(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles empty - handles not created until after all

CreateFcns called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

% --- Executes on button press in pushbutton1. function pushbutton1_Callback(hObject, eventdata, handles) % hObject handle to pushbutton1 (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) global data; out=data(:,3); limit=data(:,4); tagihan=data(:,5); pemakai=data(:,6); pakaire=data(:,7); sisa=data(:,8); kode=data(:,9); over=data(:,10); rasio=data(:,11); jenis=data(:,12); lamat=data(:,13); geni=data(:,14); heni=data(:,15); totpakai=data(:,16); sisatag=data(:,17); gagi=data(:,18); gusi=data(:,19); hidup=data(:,20); ty=data(:,21); hg=data(:,22); jh=data(:,23); out=Min_Max(out); limit=Min_Max(limit); tagihan=Min_Max(tagihan); pemakai=Min_Max(pemakai); pakaire=Min_Max(pakaire); sisa=Min_Max(sisa); kode=Min_Max(kode); over=Min_Max(over);


73

rasio=Min_Max(rasio); jenis=Min_Max(jenis); lamat=Min_Max(lamat); geni=Min_Max(geni); heni=Min_Max(heni); totpakai=Min_Max(totpakai); sisatag=Min_Max(sisatag); gagi=Min_Max(gagi); gusi=Min_Max(gusi); hidup=Min_Max(hidup); ty=Min_Max(ty); hg=Min_Max(hg); jh=Min_Max(jh); [m,n]=size(out); norm_data=zeros(m,3);

for i=1:m norm_data(i,3)=out(i); norm_data(i,4)=limit(i); norm_data(i,5)=tagihan(i); norm_data(i,6)=pemakai(i); norm_data(i,7)=pakaire(i); norm_data(i,8)=sisa(i); norm_data(i,9)=kode(i); norm_data(i,10)=over(i); norm_data(i,11)=rasio(i); norm_data(i,12)=jenis(i); norm_data(i,13)=lamat(i); norm_data(i,14)=geni(i); norm_data(i,15)=heni(i); norm_data(i,16)=totpakai(i); norm_data(i,17)=sisatag(i); norm_data(i,18)=gagi(i); norm_data(i,19)=gusi(i); norm_data(i,20)=hidup(i); norm_data(i,21)=ty(i); norm_data(i,22)=hg(i); norm_data(i,23)=jh(i); end norm_data(:,1) = data(:,1); norm_data(:,2) = data(:,2); norm_data(:,24) = data(:,24);

rating =

[10,7,19,16,12,22,5,3,18,8,17,23,13,20,11,21,15,4,2,6,14,9,1]; jumlahciri = str2num(get(handles.edit5,'String')); if jumlahciri > size(rating,2)-1 jumlahciri = size(rating,2); end global Datapakai; disp(jumlahciri);


74

for i=1:jumlahciri if i==1 Datapakai = norm_data(:,rating(i)); else Datapakai = [Datapakai,norm_data(:,rating(i))]; end end Datapakai = [Datapakai,norm_data(:,24)]; % disp(size(Datapakai)) set(handles.uitable1,'data',Datapakai);

function edit7_Callback(hObject, eventdata, handles) % hObject handle to edit7 (see GCBO) % eventdata reserved - to be defined in a future version of


properties. function edit32_CreateFcn(hObject, eventdata, handles) % hObject handle to edit32 (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles empty - handles not created until after all

CreateFcns called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

% --- Executes on button press in pushbutton2. function pushbutton2_Callback(hObject, eventdata, handles) % hObject handle to pushbutton2 (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) input1 = str2num(get(handles.edit23,'String')); input2 = str2num(get(handles.edit13,'String')); input3 = str2num(get(handles.edit32,'String')); input4 = str2num(get(handles.edit28,'String')); input5 = str2num(get(handles.edit26,'String'));

inputan = [input1,input2,input3,input4,input5]; load DataTr3; load LabelTr3; hasil = naiveC(DataTr3,LabelTr3,inputan);


75

if hasil==1 set(handles.text38,'String','Yes'); else set(handles.text38,'String','No'); end % disp(inputan);

function edit36_Callback(hObject, eventdata, handles)


KLASIFIKASI DATA NASABAH BERPOTENSI TERKENA KREDIT...

Documents

Transcript of KLASIFIKASI DATA NASABAH BERPOTENSI TERKENA KREDIT...