ANALISIS PEMBIAYAAN MURABAHAH DENGAN METODE ASSOCIATION RULE MINING

Dhimas Wahyu Ardito 1, Muhammad Sadam Salsabillah 2, Nur Rahmawati3, Cintya Cahyandari4, Siti Aisyah Hamri5

1,2,3,4,5Jurusan Ilmu Komputasi ,Fakultas Sains, Institut Teknologi Telkom, Bandung1chaky.wiraga@gmail.com, 2sadamlaino@gmail.com, 3Nurahmawati91@gmail.com,

4 cintya.cahyandari@gmail.com , 5aisyahhamri@gmail.comAbstrak

Murabahah merupakan penjualan suatu barang dengan membayar harga pokok ditambah dengan laba yang telah disepakati oleh pihak bank dengan nasabah [2]. Murabahah sering dilakukan oleh pihak bank dan nasabah, dimana bank sebagai penjual dan nasabah sebagai pembeli. Transaksi seperti ini telah banyak dilakukan oleh masyarakat pada umumnya. Dengan banyaknya transaksi yang ada, tentunya sia-sia jika data yang ada tidak digali informasinya. Dengan menggali suatu data ,kita dapat memperoleh informasi yang terkandung didalamnya. Dari informasi yang diperoleh tentunya akan memberikan banyak manfaat.

Salah satu metode dalam menggali data sehingga diperoleh informasi adalah Association rule Mining dengan algoritma Apriori. Metode ini dapat menentukan hubungan antar atribut dimana hasil yang diperoleh dalam bentuk rule. Dari setiap rule inilah informasi penting dapat kita ketahui. Pada penelitian ini atribut yang digunakan adalah plafon, lama angsuran dan prosentase margin. Dengan metode association rule informasi yang diperoleh dapat digunakan untuk pengambilan keputusan oleh pihak bank dalam menentukan pembiayaan murabahah.

Kata kunci : murabahah, association rule mining, apriori

AbstractMurabahah is selling things which the consumen pay for primary price added by profit that have been

agreed before. Murabahah often done by the bank and customer, which is bank act as buyer and customer act as seller. This transaction usually done by many peoples around the world. With a lot of transaction’s data, it will be more usefull if we can extract the information inside it. With more exploration in to the data, we can get the unseen information. From the information that we get, it will give a lot of benefit.

One of the method in exploring data aspecially for combination item is Association rule mining with Apriori algorithm. This method can determine the relation between atributes where it can produce some rulesas the result. From the rules, every important information can be known. In this assigment, atributes that we use such as plafond, long-time installment, and margin percentage. Information that we get with assotiation rule method can be used by the bank to make the decision for determining murabahah’s payment

Keywords : murabahah, association rule mining, apriori

1. Pendahuluan Perkembangan Bank Syari’ah di Indonesia

sangat pesat. Hampir di setiap wilayah terdapat Bank Syari’ah. Hal ini tentunya semakin banyak persaingan yang terjadi diantara Bank Syari’ah yang ada di Indonesia. Selain itu juga terjadi persaingan dengan bank lain. Untuk bisa menjadi pemenang dalam persaingan, suatu Bank Syari’ah harus memiliki sisi beda yang menjadi kelebihan jika dibandingkan dengan Bank Syari’ah yang lain.

Salah satu kesempatan yang dapat dimanfaatkan yaitu memiliki kelebihan dibidang teknologi informasi. Pada Bank Syari’ah tentunya memiliki banyak data-data transaksi. Yang jika diolah akan mendapatkan informasi yang berarti dari data tersebut. Terutama data transaksi dari Murabahah.

Murabahah merupakan penjualan suatu barang dengan membayar harga pokok ditambah dengan laba yang telah disepakati oleh pihak bank dengan nasabah [2]. Menetukan besarnya keuntungan dalam penjualan inilah yang menjadi masalah oleh pihak Bank Syari’ah. Tidak boleh sangat besar, karena nasabah juga akan berpikir dua kali untuk melakukan transaksi dengan Bank Syari’ah tersebut. Tidak juga terlalu sedikit dalam mengambil keuntungan.

Untuk mengatasi hal tersebut kita harus mengetahui hubungan antar atribut yang terlibat didalam transaksi Murabahah. Untuk mengetahui hubungan atribut tersebut dapat dilakukan dengan menggunakan teknik data mining yaitu Assosiation Rule dengan menggunakan algoritma apriori. Analisa terhadap pola dalam data pembiayaan Muharahah berdasarkan pada harga pokok

(plafond), lama angsuran dan prosentase margin (keuntungan yang disepakati).

2. MurabahahMurabahah merupakan penjualan suatu

barang dengan membayar harga pokok ditambah dengan laba yang telah disepakati oleh pihak bank dengan nasabah [2]. Murabahah memiliki beberapa manfaat meliputi :1) Membiayai kebutuhan nasabah dalam hal

pengadaan barang konsumsi seperti rumah, kendaraan atau barang produktif seperti mesin produksi, pabrik dan lain-lain.

2) Nasabah dapat mengangsur pembayaran dengan jumlah angsuran yang tidak akan berubah selama masa perjanjian.

Data murabahah yang digunakan adalah data pembiayaan Bai' Bitsamanil Ajil (BBA) pada Mei 2008 sampai dengan Mei 2009 yang berjumlah 182 record. Data tersebut terdiri dari beberapa atribut yaitu nama nasabah, nama barang, harga pokok (plafon), Total Margin (keuntungan yang disepakati ), prosentase margin, lama angsuran, angsuran pokok dan angsuran margin. Pada penelitian ini atribut yang digunakan hanya tiga, yaitu harga pokok (plafond), lama angsuran dan prosentase margin (keuntungan yang disepakati).

3. PreprocessingPreprocessing merupakan suatu proses yang

dilakukan sebelum melakukan data mining. Preprocessing yang digunakan dalam observasi ini adalah dengan metode diskritisasi. Diskritisasi adalah suatu proses mengelompokkan data ke dalam interval tertentu untuk memudahkan dalam mengubah atribut dari bentuk data kontinu menjadi data yang memiliki type data berbentuk data diskrit. Pada proses diskritisasi terdapat dua kategori untuk mendiskritisasi data dari data kontinu menjadi data diskrit, yaitu dengan supervised yaitu nilai dari setiap atribut sudah memiliki kelas atau label dan unsupervised yaitu nilai dari setiap atribut belum memiliki kelas atau label. Pada kategori supervised dibagi menjadi dua cara yaitu dengan menggunakan chi-square dan Entropy Based. Sedangkan pada kategori unsupervised dibagi menjadi beberapa cara seperti Equal width interval, Equal frequency interval, Clustering Based, Boolean Reasoning, dan Naïve Bayes. Pada observasi yang kami lakukan, kami melakukan preprocessing data dengan metode unsupervised melalui dua cara yaitu Equal width interval, dan Equal frequency interval. Tujuan penggunaan kedua metode tersebut adalah membandingkan hasil yang diperoleh sehingga dapat dipilih cara mana yang lebih baik untuk proses preprocessing data dalam metode Association rule. Pada Equal

width interval algoritma membagi data ke dalam interval k dengan ukuran yang sama, dengan lebar interval sebagai berikut : w = (max-min)/k (1)dan batas batas interval sebagai berikut : min + w, min +2 w, ... , min + (k-1) w (2)Sedangkan Equal frequency interval algoritma membagi data ke dalam kelompok k yang masing-masing kelompok berisi sekitar jumlah nilai yang sama.

4. Association Rule Mining

Teknik data mining terdiri dari berbagai macam diantaranya classification, clustering, association rule dan deviation detection. Pada penelitian ini teknik data mining yang digunakan adalah association rule.

Association rule mining adalah salah satu teknik data mining untuk memperoleh suatu kejadian secara bersamaan. Tujuan dari association adalah mencari aturan ( rule) untuk mengukur hubungan antara dua atau lebih atribut. Association rule adalah bentuk jika “kejadian sebelumnya” kemudian “konsekuensinya” (If antecedent, then consequent).

Association rule dapat diperoleh dengan dua parameter, yaitu support dan confidence. Support yaitu persentase kombinasi item tersebut dalam database. Sedangkan confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam association rule. Association rule biasanya dinyatakan dalam bentuk :

{A,B} -> {C} (support = 40%, confidence = 50%)

Yang artinya : ”50% dari transaksi di database yang memuat item A dan B juga memuat item C. Sedangkan 40% dari seluruh transaksi yang ada di database memuat ketiga item tersebut.” .

Berikut adalah rumus support dan confidence missal pada kasus A → B :

Support (A) = J u m l a h t r a n sa k s i m e n g a ndung itemset AdanB *100 Total transaksi

Rumus Support

Confidence=P(A\B)=Σ t r a n s a k s i m e n g a ndung A d a n B *100 Σ Transaksi mengandung A

Rumus Confidence

Ada beberapa algoritma yang dapat diterapkan pada association rule meliputi apriori, GRI, sequence.

4.1 Apriori

Algoritma apriori diusulkan oleh R. Agrawal dan R Srikant pada tahun 1994 untuk menggali frequent item set dalam memperoleh association rule yang paling kuat hubungan antar atributnya[1]. Frequent item set adalah himpunan transaksi yang terjadi berdasarkam minimum support. Rule yang kuat adalah yang memenuhi syarat minimum support dan minimum confidence. Algoritma apriori menggunakan pencarian berulang berdasarkan level item set, dimana k-itemsets digunakan untuk menemukan item set pada k+1.

Metode dasar pada algoritma apriori adalah menemukan himpunan frequent pada 1-itemsets (k=1), misalkan dinotasikan L1. L1 kemudian digunakan untuk menemukan hmpunan frequent 2-itemsets, L2. Selanjutnya L2 akan digunakan untuk menemukan L3 begitu seterusnya sampai tidak ada frequent k-itemsets ditemukan.Berikut algoritma apriori yang digunakan :- K=1- Membangkitkan frequent itemsets dari length 1- Repeat until tidak ada frequent itemsets yang

ditemukan Bangkitkan length kandidat itemsets (k+1)

dari length k yang frequent Pangkas kadidat itemsets yang berisi subset

dari k yang infrequent Hitung support pada tiap kandidat Eliminasi kandidat yang infrequent, sisakan

hanya yang frequent

4.2 Generalized Rule Induction (GRI)

Generalized Rule Induction menggali rule yang memberikan informasi tertinggi berdasarkan support dan confidence. Memiliki batasan jumlah rule yang dipertahankan. GRI dapat mengatasi input data numerik dan kategorikal, namun target harus kategorikal.

4.3 SequenceAlgoritma Sequence menemukan rule secara

berurutan. Sebuah sequence adalah daftar item set yang cenderung terjadi pada prediksi. Contoh , customer yang membeli A dan B mungkin akan membeli C pada pembelian selanjutnya.

5. Implementasi dan Analisis Hasil Penelitian

Berikut tahapan penelitian yang dilakukan :

Gambar 5.1 Tahapan Penelitian

5.1 Diskritisasi Preprocessing yang digunakan pada

penelitian ini adalah diskritisasi yaitu dengan membandingkan dua metode equal frequency dan equal width. Dari kedua metode tersebut, digunakan beberapa interval kemudian membandingkan hasil dari keduannya. Selain itu algoritma apriori yang digunakan juga akan dibandingkan hasilnya dengan algoritma GRI.

Langkah pertama yang dilakukan untuk memperoleh rule pada association rule yaitu melakukan diskritisasi terhadap data. Proses diskritisasi dilakukan dengan menggunakan tool weka. Pada observasi diskritisasi dilakukan terhadap 3 atribut yaitu plafon, prosentase margin dan lama angsuran,dimana plafon direpresentasikan oleh PF , prosentase margin direpresentasikan oleh PM dan lama angsuran direpresentasikan oleh LA. Pembagian interval prosentase margin pada setiap observasi, dilakukan hanya dengan menggunakan equal width saja karena rentang nilai yang digunakan hanya kecil,berikut interval diskritisasi prosentase margin dengan equal width :

Prosentase Margin

Batas Bawah Batas Atas

PM1 2 2.2PM2 2.2 2.4PM3 2.4 2.6

Tabel 1. Interval Prosentase Margin

5.1.1 Diskritisasi dengan jumlah interval 3 buah

Equal frequency

Plafon Batas Bawah Batas AtasPF1 0 19.000.000

PF2 19.000.000 32.500.000PF3 32.500.000 80.000.000

Tabel 2. Interval Plafon

Lama Angsura

n

Batas Bawah Batas Atas

LA1 0 11LA2 11 15LA3 15 37

Tabel 3. Interval Lama angsuran

Equal widthPlafon Batas Bawah Batas AtasPF1 0 25.266.666,67PF2 25.266.666,67 50.133.333,33PF3 50.133.333,33 75.000.000

Tabel 4. Interval Plafon

Lama Angsura

n

Batas Bawah Batas Atas

LA1 0 18.67LA2 18.67 27.33LA3 27.33 37

Tabel 4. Interval Lama Angsuran

5.1.2 Diskritisasi dengan jumlah interval 4 buah

Equal frequency

Plafon Batas Bawah Batas AtasPF1 0 16.000.000PF2 16.000.000 28.500.000PF3 28.500.000 42.500.000PF4 42.500.000 80.000.000

Tabel 5. Interval Plafon

Lama Angsura

n

Batas Bawah Batas Atas

LA1 0 11LA2 11 15LA3 15 21LA4 21 37

Tabel 6. Interval Lama AngsuranEqual width

Plafon Batas Bawah Batas AtasPF1 0 19.050.000PF2 19.050.000 37.700.000PF3 37.700.000 56.350.000PF4 56.350.000 75.000.000

Table 7. Interval Plafon

Lama Angsura

Batas Bawah Batas Atas

nLA1 0 16.5LA2 16.5 23LA3 23 29.5LA4 29.5 37

Tabel 8. Interval Lama Angsuran

5.2 Association Rule MiningDalam penelitian ini untuk

mengimplementasikan association rule digunakan software Clementine untuk mendapatkan rule dari metode association rule. Algoritma yang digunakan dalam penelitian adalah apriori dan Generalized Rule Induction(GRI). Pada Clementine dengan algoritma apriori, batas minimum support yang digunakan adalah minimum support anticendent. Sedangkan GRI menggunakan minimum support anticendent dan consequent.

.

a. Perbandingan hasil observasi dengan menggunakan algoritma apriori dan GRI berdasarkan data preprocessing

Observasi dilakukan dengan menggunakan data preprocessing yang telah diperoleh sebelumnya. Pada observasi ini dilakukan dengan nilai minimum anticendent support 30 % dan confidence 75 % kecuali pada data yang menggunakan equal frequency interval dengan jumlah 4 menggunakan nilai minimum anticendent support sebesar 25 %.Berikut data hasil observasi yang diperoleh :

(1) Algoritma Apriori

Gambar 1. Rule dari Equal frequency interval 3

Gambar 2. Rule dari Equal width interval 3

Gambar 3. Rule dari Equal frequency interval 4

Gambar 4. Rule dari Equal width interval 4

(2) Algoritma GRI

Gambar 5. Rule dari Equal frequency interval 3

Gambar 6. Rule dari Equal width interval 3

Gambar 7. Rule dari Equal frequency interval 4

Gambar 8. Rule dari Equal width interval 4

Rule yang dihasilkan pada observasi di atas menunjukan bahwa performansi dengan data yang menggunakan equal width interval lebih baik daripada equal frequency interval. Hal ini terjadi karena pada pembagian data dengan equal width interval seimbang, penentuan rentang interval dibagi dengan ukuran yang sama. Sedangkan

dengan equal frequency interval, ukuran intervalnya tidak pasti karena bergantung pada jumlah data di setiap intervalnya. Data dibagi dengan jumlah yang sama pada setiap interval sehingga ada kemungkinan terjadi nilai dengan selisih besar pada interval yang sama. Performansi dari implementasi dengan algoritma Apriori dan GRI menunjukan hasil yang tidak jauh berbeda.

Berikut beberapa rule yang dihasilkan dengan nilai support dan confidence yang besar dari observasi dengan equal width interval 3 :

(1) PM3 → PF1, yang berari nasabah dengan prosentase margin antara 2.4 % - 2.6 % dengan harga plafon antara Rp 0 – Rp 25.266.666,67 adalah sebanyak 100%

(2) LA1 → PF1, yang berarti nasabah yang mengajukan lama angsuran antara 0-19 kali dengan plafon Rp 0 – Rp 25.266.666,67 adalah sebanyak 100%

(3) PM3,LA1→PF1, yang berarti nasabah yang mengajukan prosentase margin antara 2.4% - 2.6 %, dengan lama angsuran sebanyak 0-19 kali dan harga plafon antara Rp 0 – Rp 25.266.666,67 adalah sebanyak 100%.

b. Hasil obserbvasi dengan menggunakan algoritma GRI dengan data kontinyu

Observasi dilakukan dengan menggunakan data antecendent bertitpe data kontinyu dan consequent bertipe data diskrit. Denan menggunakan minimum anticendent support sebesar 30% dan minimum confidence 75%, diperoleh hasil sebagai berikut.

Gambar 9. Rule hasil dari algoritma GRI

Dari hasi observasi di atas diperoleh rule(1) PM=2.6% →LA1, yang artinya nasabah

mengajukan prosentase margin sebesar 2.6% dengan lama angsuran 0-19 kali adalah sebesar 100%

(2) Plafon <22.500.000 →LA1 yang artinya nasabah mengajukan harga plafon kurang dari Rp 22.500.000 dengan lama angsuran 0-19 kali adalah sebesar 100%

Dari rule yang dihasilkan di atas dapat disimpulkan bahwa algoritma GRI dapat mengatasi kasus kontinyu pada anticendent. Rule yang dihasulkan tidak berbeda jauh dengan algoritma apriori

6KesimpulanDari hasil observasi dapat ditarik kesimpulan

bahwa preprocessing dengan menggunakan diskritisasi dapat digunakan untuk mengolah data kontinyu sebelum dilakukan penggalian data dengan metode association rule. Diskritisasi dengan equal width interval menghasilkan rule dengan performansi lebih baik daripada equal frequency interval. Algoritma Generalized Rule Induction(GRI) dapat mengatasi kasus kontinyu pada anticendent yang tidak dapat diatasi pada algoritma apriori dan GRI menghasilkan rule yang tidak berbeda jauh dengan algoritma apriori. Perbedaan antara algoritma apriori dan GRI yaitu pada GRI terdapat pembatasan jumlah rule yang dibangkitkan sedangkan pada apriori tidak. Rule yang dihasilkan dapat digunakan sebagai pertimbangan oleh pihak bank dalam mengambil keputusan pembiayaan murabahah.

REFERENSI

[1] Prasad ,Pramod.”Using Association rule Mining for Extracting Product Sales Patterns in Retail Store Transactions”. International Journal on Computer Science and Engineering (IJCSE) Vol. 3 No. 5 May 2011

[2] Sholicah, Alfiyatus.2009.”Data Mining untuk Pembiayaan Murabahah Menggunakan Assosiation Rule “.UIN Maulana Malik Ibrahim : Malang