ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN KLASIFIKASI
KELAS RISIKO KREDIT MENGGUNAKAN METODE NAÏVE BAYES
SKRIPSI
RIESKHA HERMAWAN PUTRA
PROGRAM STUDI S1 SISTEM INFORMASI
FAKULTAS SAINS DAN TEKNOLGI
UNIVESITAS AIRLANGGA
2016
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P ii
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P iii
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P iv
PEDOMAN PENGGUNAAN SKRIPSI
Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam
lingkungan Universitas Airlangga, diperkenankan unutk dipkai sebagai referensi
perpustakaan, tetapi pengutipan harus seizin penyusun dan harus menyebutkan
sumbernya sesuai kebiasaan ilmiah.
Dokumen skripsi ini merupakan hak milik Universitas Airlangga.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P v
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P vi
KATA PENGANTAR
Puji syukur kehadirat Tuhan Yang Maha Esa, karena atas berkat dan
rahmatnya penulis dapat menyelesaikan proposal skripsi yang berjudul “Rancang
Bangun Sistem Klasifikasi Kelas Risiko Kredit Menggunakan Metode Naïve Bayes”
ini. Terima kasih kepada dosen pembimbing satu, Endah Purwanti, S.Si, M,Kom dan
dosen pembimbing dua, Indah Werdiningsih, S.Si, M.Kom, yang telah memberikan
waktu dan ilmunya untuk membimbing penulis menyelesaikan proposal skripsi ini.
Terima kasih penulis haturkan juga kepada sahabat, keluarga besar S1 Sistem
Informasi 2009, serta semua kawan yang ikut mendukung dan memberi dukungan
moril maupun ilmu selama pengerjaan proposal skripsi ini.
Pada akhirnya, tiada suatu yang sempurna. Penulis menyadari bahwa masih
banyak terdapat kekurangan dalam proposal skripsi ini sehingga saran dan masukan
yang membangun sangat diharapkan untuk menjadi evaluasi dan peningkatan kualitas
yang lebih baik lagi.
Surabaya, April 2014
Penulis
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P vii
UCAPAN TERIMA KASIH
Puji Syukur kepada Allah Subhanahu wa ta’ala, yang telah melimpahkan rahmat
dan hidayah-Nya, sehingga penulis dapat menyelesaikan naskah skripsi yang berjudul
“Rancang Bangun Sistem Pendukung Keputusan Klasifikasi Kelas Risiko Kredit
Menggunakan Metode Naïve Bayes” dengan baik dan lancar.
Dalam penulisan skripsi ini, banyak pihak yang turut serta membantu dalam
penyelesaian skripsi ini, oleh karena itu penulis ingin mengucapkan terima kasih
kepada.
1. Kedua orang tua yang tak pernah lelah memberikan dukungan materil,doa
semangat, dan kasih sayang kepada penulis dalam menyelesaikan penulisan
skripsi ini.
2. Endah Purwanti, S.Si, M.Kom. sebagai pembimbing I yang senantiasa
membimbing, membantu, dan memberikan ilmu selama masa penulisan skripsi.
3. Indah Werdiningsih, S.Si, M.Kom. sebagai pembimbing II yang telah
membimbing, membantu, dan berbagi ilmu dalam penulisan skripsi ini.
4. Drs. Kartono, M.Kom. sebagai dosen wali yang yang dengan ikhlas dan sabar
membagi ilmu, memberikan nasihat, bimbingan dan tuntunan kepada penulis
dalam pengerjaan skripsi
5. Badrus Zaman, S.Kom., M.Cs sebagai ketua program studi S1 Sistem Informasi
yang sudah memberikan perpanjangan masa berlaku proposal.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P viii
6. Jajaran Dosen S1 Sistem Informasi yang dengan sabar dan ikhlas membagi
ilmunya kepada penulis.
7. Nurul Wahyuni, S.Kom yang sudah membantu dalam penulisan proposal skripsi.
8. Vuvut Selviana, S.Si yang sudah membantu dalam penulisan skripsi.
9. Hario Laskito Ardi, S.Kom, Aditya Prastyo, S.Kom, Ahimsa Denhas Afrizal,
S.Kom, Luthfi Ali, S.Kom, Yulianto S Helli, A.md, Hendra Adi Firmansyah,
S.Kom, Swastiko Romadhoni, S.Kom, Sandi Freshtanto, S.Kom, dan Alfian
Adipura Nugraha, S.Kom.
10. Teman-teman S1 Sistem Informasi 2008, 2009, 2010, 2011, 2012 dan 2013 yang
tidak bisa disebutkan satu per-satu, teimakasih telah menjadi teman yang baik
selama masa perkuliahan.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P ix
Rieskha Hermawan Putra, 2016. Rancang Bangun Sistem Pendukung Keputusan Klasifikasi Kelas Risiko Kredit Menggunakan Metode Naïve Bayes. Skripsi ini dibawah bimbingan Endah Purwanti, S.Si, M.Kom dan Indah Werdiningsih, S.Si, M.Kom. Program Studi S1 Sistem Informasi. Fakultas Sains dan Teknologi, Universitas Airlangga.
ABSTRAK
Risiko kredit atau sering juga disebut dengan default risk merupakan suatu risiko akibat kegagalan atau ketidakmampuan nasabah mengembalikan jumlah pinjaman yang diperoleh dari bank beserta bunganya sesuai dengan jangka waktu yang telah dijadwalkan. Sehingga dibutuhkan suatu sistem komputer yang dapat mempelajari data historis dari peminjaman kredit secara efektif. Metode Naïve Bayes adalah suatu pendekatan probabilitas untuk menghasilkan pengklasifikasian penentuan kemungkinan kelas bagi suatu obyek.
Pada penelitian ini dalam merancang bangun sistem klasifikasi kelas risiko kredit menggunakan naïve bayes. Diperlukan model pengklasifikasian dengan tahap pendefinisian variabel yang digunakan, kemudian tahap yang kedua pendefinisian probabilitas prior untuk setiap kelas, dan penghitungan probabilitas posteriorX dengan syarat Ci (P(X|Ci)) untuk setiap kelas. Setelah didapatkan model tersebut, maka data input calon debitur yang diproses akan menghasilkan probabilitas posteriorX untuk setiap kelas. Hasil dari posteriorX tersebut akan dilakukan pemaksimalan dengan cara dikalikan probabilitas prior. Kemudian hasil pemaksimalan tersebut dibandingkan, apakah pemaksimalan kelas risiko kredit baik lebih besar dari pada pemaksimalan kelas risiko kredit buruk atau sebaliknya. Pemaksimalan yang memiliki nilai lebih tinggi adalah kelas risiko kredit dari calon debitur tersebut. Dari hasil penelitian ini dapat disimpulkan bahwa kombinasi atribut yang memiliki tingkat akurasi tertinggi adalah dengan nilai 72%. Kombinasi tersebut dihasilkan oleh beberapa kombinasi yang ada, dimana rancangan sistem ini menggunakan 1000 data record histories debitur, data tersebut digunakan untuk training sebanyak 950 data dan testing sebanyak 50 data, dibuat berbasis web yang menggunakan PHP sebagai bahasa pemograman server side, javascript sebagai bahasa pemograman client side dan MYSQL sebagai database.
Kata kunci: Kredit, Kelas Risiko,Klasifikasi, Naïve Baiyes
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P x
Rieskha Hermawan Putra, 2016. Desaign of Decision Support System For Credit Risk Grade Classification Using Naïve Bayes Method. This Undergraduate thesis was under guidance of Endah Purwanti, S.Si, M.Kom and Indah Werdiningsih, S.Si, M.Kom. Bachelor Degree Information System Study Program Faculty of Science and Technology, Airlangga University.
ABSTRACT
Credit risk or often be called by default risk is a risk due to the failure or inability of customers to refund the amount of loans obtained from banks and interest thereon in accordance with a predetermined period of time or scheduled. So it takes a computer system that can observe the historical data of the credit lending. Naïve Bayes method is an approach where the probability to generate classification Combined with prior probability with posterior probabilities to determine the likelihood of the class for an object.
There were several stages in this research, to design the classification system grade credit risks using a naïve Bayes would take a model classification that defined the variable used for this classification, then the second stage was defined the probability prior to each class, and the calculation of the probability posteriorX on condition Ci (P (X | Ci)) for each class. Having obtained the model, then the input data was processed debtor will generate posteriorX probability for each class. The results of posteriorX would be done in a way to maximize the probability multiplied prior. Then by compared the maximize result, whether the maximize good credit class was greater than maximize bad credit or otherwise. The Maximization result which had a higher value was the class of the credit risk of the debtor.
From these results it can be concluded that the combination of attributes that have the highest degree of accuracy was at a value of 72%. The combination was produced by some combination of existing, where the system design using 1000 data was record histories of debtors, the data is used for training as many as 950 data and testing as many as 50 data, created a web-based using PHP as the programming language server side, JavaScript as the programming language client side and MySQL as the database.
Keywords: Credit, Class of Risk ,Classification, Naïve Baiyes
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P xi
DAFTAR ISI
Halaman
HALAMAN JUDUL ..................................................................................................... i
LEMBAR PERNYATAAN ......................................................................................... ii
LEMBAR PENGESAHAN NASKAH SKRIPSI .......................................................iii
PEDOMAN PENGGUNAAN SKRIPSI .................................................................... iv
KATA PENGANTAR ................................................................................................. v
UCAPAN TERIMA KASIH ....................................................................................... vi
ABSTRAK ................................................................................................................viii
ABSTRACT .................................................................................................................. ix
DAFTAR ISI ................................................................................................................ x
DAFTAR TABEL ...................................................................................................... xii
DAFTAR GAMBAR ................................................................................................xiii
DAFTAR LAMPIRAN .............................................................................................. xv
BAB I PENDAHULUAN
1.1 Latar Belakang ....................................................................................... 1
1.2 Rumusan Masalah .................................................................................. 4
1.3 Tujuan .................................................................................................... 5
1.4 Manfaat .................................................................................................. 5
1.5 Batasan Masalah ..................................................................................... 5
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P xii
BAB II TINJAUAN PUSTAKA
2.1 Kredit ...................................................................................................... 8
2.2 Data Mining .......................................................................................... 13
2.3 Naïve Bayes Classifier .......................................................................... 16
BAB III METODE PENELITIAN
3.1 Pengumpulan Data dan Informasi ....................................................... 20
3.2 Pengolahan Data dan Informasi .......................................................... 21
3.3 Analisis Menggunakan Metode Naïve Bayes ...................................... 26
3.4 Perancangan dan Implementasi Sistem ............................................... 30
3.5 Evaluasi Sistem .................................................................................... 30
BAB IV HASIL DAN PEMBAHASAN
4.1 Pengumpulan Data dan Informasi ....................................................... 33
4.2 Pengolahan Data dan Informasi .......................................................... 34
4.3 Analisis Menggunakan Metode Naïve Bayes ...................................... 34
4.4 Perancangan dan Implementasi Sistem ................................................ 45
4.5 Evaluasi Sistem ................................................................................... 63
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan .......................................................................................... 69
5.2 Saran .................................................................................................... 70
DAFTAR PUSTAKA .............................................................................................. 71
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P xiii
DAFTAR GAMBAR
Gambar 3.1 Flowchart Pencarian Model Kombinasi Atribut .................................. 32
Gambar 4.1 Flowchart umum SPK Penentuan Kelas Risiko Kredit ....................... 45
Gambar 4.2 Algoritma umum SPK Penentuan Kelas Risiko Kredit ....................... 46
Gambar 4.3 Flowchart Estimasi Probabilitas data training ..................................... 47
Gambar 4.4 Algoritma Estimasi Probabilitas data training ..................................... 47
Gambar 4.5 Flowchart Inisialisasi Probabilitas Posterior ....................................... 48
Gambar 4.6 Algoritma Inisialisasi Probabilitas Posterior ....................................... 51
Gambar 4.7 Flowchart Inisialisasi probabilitas prior .............................................. 53
Gambar 4.8 Algoritma Inisialisasi probabilitas prior .............................................. 54
Gambar 4.9 Flowchart pemaksimalan ..................................................................... 55
Gambar 4.10 Algoritma pemaksimalan ................................................................... 56
Gambar 4.11 Flowchart perbandingan hasil pemaksimalan .................................... 56
Gambar 4.12 Algoritma perbandingan hasil pemaksimalan .................................... 57
Gambar 4.13 Flowchart Penyimpanan hasil klasifikasi .......................................... 58
Gambar 4.14 Algoritma Penyimpanan hasil klasifikasi ........................................... 58
Gambar 4.15 Input Data Debitur .............................................................................. 59
Gambar 4.16 Output klasifikasi kelas risiko kredit Debitur .................................... 60
Gambar 4.17 Seting Atribut Uji Akurasi ................................................................. 61
Gambar 4.18 Seting Data Testing Uji Akurasi ........................................................ 61
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P xiv
Gambar 4.19 Hasil Uji Akurasi ................................................................................ 62
Gambar 4.20 Detail Penghitungan Hasil Uji Akurasi .............................................. 62
Gambar 4.21 Detail Hasil Klasifikasi debitur .......................................................... 64
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P xv
DAFTAR TABEL
Tabel 4.1 Hasil probabilitas posterior X bersyarat C (atribut kategorial) ............... 36
Tabel 4.2 Hasil probabilitas posterior X bersyarat C (atribut numerik) ................. 39
Tabel 4.3 Data Input Untuk Proses Penghitungan Manual ...................................... 40
Tabel 4.4 Data Input Untuk Uji Black Box ............................................................. 62
Tabel 4.5 Perbandingan Hasil Implementasi Sistem dengan Data Asli ................... 64
Tabel 4.6 Hasil Tingkat Akurasi Untuk Beberapa Kombinasi ................................ 66
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P xvi
DAFTAR LAMPIRAN
Data Training ........................................................................................................... 74
Data Testing ........................................................................................................... 135
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI SISTEM PENDUKUNG KEPUTUSAN… RIESKHA H P 1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Terminologi kredit berasal dari bahasa Latin yaitu “Credere” yang berarti
percaya. Oleh karena itu, berdasarkan pemberian kredit kepada seseorang atau
badan usaha adalah berdasarkan kepercayaan. Pengertian kredit menurut Suyatno
(2003) yang dikutip dari Mardison (2012) adalah: “Kredit atau pinjaman yang
diberikan yaitu penyediaan uang atau tagihan-tagihan yang dapat disamakan
dengan itu berdasarkan persetujuan pihak pinjam meminjam antara bank dengan
pihak lain dalam hal, pihak peminjam berkewajiban melunasi hutangnya setelah
jangka waktu tertentu dengan jumlah bunga yang sudah ditetapkan“.
Dalam pemberian kredit, unsur kepercayaan adalah hal yang sangat
mendasar yang menciptakan kesepakatan antara pihak yang memberikan kredit
dan pihak yang menerima kredit untuk dapat melaksanakan hak dan kewajiban
yang telah disepakati, baik dari jangka waktu peminjaman sampai masa
pengembalian kredit serta balas jasa yang diperoleh (Fitria dan Sari, 2012).
Dalam penyaluran kreditnya, kreditur harus siap menghadapi risiko kredit
yang menyebabkan kredit tersebut menjadi bermasalah. Untuk itu, kreditur harus
melakukan perencanaan dan analisis kredit agar bisa mendeteksi kemungkinan
terjadi risiko kredit. Risiko kredit atau sering juga disebut dengan default risk
merupakan suatu risiko akibat kegagalan atau ketidakmampuan nasabah
mengembalikan jumlah pinjaman yang diperoleh dari bank beserta bunganya
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 2
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
sesuai dengan jangka waktu yang telah ditentukan atau dijadwalkan.
Ketidakmampuan nasabah memenuhi perjanjian kredit yang disepakati kedua
pihak, secara teknis keadaan tersebut merupakan default (Dahlan Siamat, 2005)
dikutip dari Yusnita (2011).
Menurut Wiyoto (2009) dalam Ramdhani (2010) tindakan kreditur dalam
usaha menyelamatkan dan menyelesaikan kredit bermasalah salah satunya dapat
dilakukan dengan memperhatikan data historis dari nasabah calon penerima
kredit. Permasalahannya adalah data historis biasanya begitu banyak sehingga
menyebabkan analisa data secara manual menjadi tidak memungkinkan. Sehingga
dibutuhkan suatu sistem komputer yang dapat mempelajari data historis dari
peminjaman kredit. Solusi yang dapat dilakukan adalah dengan menggunakan
teknik data mining sebagai serangkaian proses untuk menggali nilai tambah dari
suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara
manual.
Salah satu fungsi data mining adalah untuk melakukan klasifikasi. Bentuk
klasifikasi yang dapat digunakan dalam menentukan kelas resiko kredit sebagai
bahan pertimbangan untuk memutuskan nasabah sebagai calon debitur adalah
metode Naive Bayes atau yang sering disebut sebagai Naive Bayes classifier
(NBC). Naïve Bayes adalah suatu pendekatan probabilitas untuk menghasilkan
pengklasifikasian dimana digabungkannya probabilitas kata dengan probabilitas
kategori untuk menentukan kemungkinan kategori bagi suatu obyek (Jiawei Han
dan Micheline Kamber, 2001).
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 3
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
Algoritma NBC bertujuan untuk melakukan klasifikasi data pada klas
tertentu . NBC merupakan algoritma klasifikasi yang sangat efektif (mendapatkan
hasil yang tepat) dan efisien (proses penalaran dilakukan memanfaatkan input
yang ada dengan cara yang relatif cepat) (Zhang, 2007). Pada metode ini, semua
atribut akan memberikan kontribusi dalam pengambilan keputusan, dengan bobot
atribut yang sama penting dan setiap atribut saling bebas satu sama
lain.(Kusumadewi, 2009).
Dalam penelitian ini, data yang digunakan adalah data German Credit yang
diperoleh dari website dengan alamat
http://archieve.ics.uci.edu/ml/datasets/”Statlog+%28German+Credit+Data%29 .
Data tersebut berisi data debitur beserta kriteria yang digunakan dalam
menentukan kelayakan debitur. Sumber data diperoleh dari Professor Dr. Hans
Hofmann dari institute f"ur Statistik und "Okonometrie, Universit"at Hamburg,
FB Wirtschaftswissenschaften, Von-Melle-Park 5, 2000 Hamburg 13. Data
tersebut berjumlah 1000 record yang terdiri dari 20 atribut yaitu: A1: Status
rekening giro, A2:jangka waktu peminjaman, A3: sejarah kredit, A4: tujuan
kredit, A5: jumlah kredit, A6: jumlah simpanan, A7: lama bekerja, A8: biaya
angsuran terhadap sisa pendapatan, A9: status perkawinan dan jenis kelamin,
A10: status orang yang berhutang lainya (penjamin), A11: lama bertempat tinggal,
A12: properti, A13: usia, A14: rencana angsuran lain, A15: tempat tinggal A16:
jumlah kredit sebelumnya, A17: pekerjaan, A18: jumlah tanggungan, A19:
telepon, dan A20: tenaga kerja asing
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 4
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
Penggunaan dari ke-20 atribut yang ada belum tentu menghasilkan
klasifikasi kelas resiko kredit dengan akurasi tinggi jika dibandingkan dengan
menggunakan sebagian atribut saja. Oleh karena itu, akan dicari model kombinasi
atribut yang menghasilkan klasifikasi kelas resiko dengan akurasi tertinggi. Proses
pencarian dilakukan dengan cara melakukan percobaan sebanyak kombinasi dari
ke-20 atribut tersebut. Hasil evaluasi dari percobaan untuk setiap kombinasi yang
memiliki nilai keakuratan paling tinggi akan dijadikan sebagai model untuk
klasifikasi kelas resiko kredit.
Melihat permasalahan diatas, maka untuk menentukan nasabah yang layak
menjadi calon debitur untuk menghindari kredit yang bermasalah dikemudian
hari, maka dibuat sebuah sistem komputer untuk mengklasifikasikan kelas resiko
kredit nasabah sebagai calon debitur dengan memanfaatkan syarat pengajuan
kredit yang digunakan sebagai kriteria-kriteria penilaian. Sistem komputer
tersebut akan dibangun dengan menggunakan metode Naïve Bayes untuk
mengklasifikasikan kelas resiko kredit debitur apakah termasuk kelas resiko kredit
baik atau termasuk kelas resiko kredit buruk (bermasalah) berdasarkan hasil
penilaian dari kriteria-kriteria masing-masing calon debitur.
1.1 Rumusan Masalah
Berdasarkan latar belakang di atas, maka rumusan masalah dari penelitian ini
adalah:
1. Bagaimana merancang bangun sistem klasifikasi kelas resiko kredit
menggunakan metode Naïve Bayes?
2. Bagaimana membuat model kombinasi atribut terbaik untuk digunakan pada
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 5
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
sistem klasifikasi kelas resiko kredit menggunakan metode Naïve Bayes?
1.2 Tujuan
1. Mermbuat sistem klasifikasi kelas resiko kredit menggunakan metode Naïve
Bayes
2. Menentukan model kombinasi atribut yang terbaik dalam merancang bangun
sistem klasifikasi kelas resiko kredit menggunakan Naïve Bayes
1.4 Manfaat
Manfaat yang bisa didapat dari penelitian dan penulisan ini adalah sebagai
berikut:
1. Dapat memberi rekomendasi terhadap calon debitur yang memiliki
kelayakan untuk menjadi debitur secara objektif.
2. Penerapan sistem klasifikasi kelas resiko kredit ini dapat memberi solusi yang
lebih obyektif dan konsisten untuk menguatkan proses penentuan nasabah
sebagai calon debitur dalam menerima kredit sehingga mengurangi resiko
terjadinya kredit macet.
3. Dapat dijadikan model untuk pengembangan sistem pada organisasi sejenis di
waktu mendatang
4. Memberikan wawasan mengenai bagaimana membuat sistem pada suatu
organisasi, terutama dengan menggunakan metode Naïve Bayes
1.5 Batasan Masalah
Batasan masalah dari penelitian dan penulisan ini adalah sebagai berikut:
1. Pada penelitian kali ini, data yang digunakan merupakan data online German
Credit yang diperoleh dari Professor Dr. Hans Hofmann dari institute f"ur
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 6
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
SStatistik und "Okonometrie, Universit"at Hamburg sebanyak 1000 data.
http://archieve.ics.uci.edu/ml/datasets/”Statlog+%28German+Credit+Data%29
2. Dalam merancang bangun SPK terkait penentuan kelas resiko kredit nasabah
sebagai calon debitur sebagai penerima kredit, terdapat 20 kriteria/ atribut
yang dijadikan penilaian dalam penelitian ini yaitu :
a. A1: Status rekening giro,
b. A2:jangka waktu peminjaman,
c. A3: sejarah kredit,
d. A4: tujuan kredit,
e. A5: jumlah kredit,
f. A6: jumlah simpanan,
g. A7: lama bekerja
h. A8: biaya angsuran terhadap sisa pendapatan
i. A9: status perkawinan dan jenis kelamin
j. A10: status orang yang berhutang lainya (penjamin)
k. A11: lama bertempat tinggal
l. A12: properti
m. A13: usia,
n. A14: rencana angsuran lain
o. A15: tempat tinggal
p. A16: jumlah kredit sebelumnya
q. A17: pekerjaan
r. A18: jumlah orang yang ditanggung biaya hidupnya
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 7
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
s. A19: telepon
t. A20: tenaga kerja asing
3. Untuk setiap kategori numerik datanya diasumsikan berdistribusi normal.
4. Dalam membuat sistem ini, output yang dihasilkan hanya merupakan
klasifikasi kelas resiko kredit, apakah calon debitur termasuk ke dalam kelas
resiko kredit baik atau kelas resiko kredit buruk, bukan menentukan apakah
kredit yang diajukan oleh debitur akan diterima ataukah tidak.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P 8
BAB II
TINJAUAN PUSTAKA
2.1 Kredit
Menurut Suyatno (2003) yang dikutip dari Mardison (2012) , kredit adalah
penyediaan uang atau tagihan- tagihan yang dapat disamakan dengan itu
berdasarkan persetujuan pinjam meminjam antara bank dengan pihak lain dalam
hal mana pihak peinjam berkewajiban melunasi hutangnya setelah jangka waktu
tertentu dengan jumlah bunga yang telah ditetapkan.
Sedangkan menurut Pasal 1 angka 11 Undang-undang Nomor 10 Tahun
1998 tentang Perubahan Atas Undang-undang Nomor 7 Tahun 1992 tentang
Perbankan, kredit adalah penyediaan uang atau tagihan yang dapat dipersamakan
dengan itu, berdasarkanpersetujuan atau kesepakatan pinjam meminjam antara
bank dengan pihak lain yangmewajibkan pihak peminjam melunasi utangnya
setelah jangka waktu tertentu denganpemberian bunga. Istilah kredit berasal dari
bahasa Yunani “Credere” yang berarti kepercayaan, oleh karena itu dasar dari
kredit adalah kepercayaan. Seseorang atau semua badan yang memberikan kredit
(kreditur) percaya bahwa penerima kredit (debitur) di masa mendatang akan
sanggup memenuhi segala sesuatu yang telah dijanjikan itu dapat berupa barang,
uang atau jasa.
2.1.1 Unsur-Unsur Kredit
Unsur- unsur yang ada dalam kredit menurut Thomas. S (1998) yang
dikutip dalam Rosmilia (2009) adalah:
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 9
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
1. Kepercayaan
Keyakinan pemberi kredit bahwa kredit yang diberikan kepada penerima
kredit baik dalam bentuk uang, barang atau jasa akan diterima kembali dalam
jangka waktu yang telah ditetapkan daam perjanjian kredit yang telah dibuat
dan disetujui oleh kedua belah pihak.
2. Waktu
Tenggang waktu yang memisahkan antara pemberian kredit sampai dengan
pembayaran kredit, dimana ada jangka pendek, menengah dan jangka panjang.
3. Resiko
Tingkat resiko yang akan dihadapi karena adanya jangka waktu dalam
pengembalian kredit. Semakin lama kredit diberikan, maka semakin tinggi pula
tingkat resikonya. Dengan adanya unsur resiko inilah maka perlu adanya
jaminan dalam proses pemberian kredit.
4. Prestasi
Disebut juga objek kredit yang dapat berupa uang, barang atau jasa.
Sedangkan menurut Moh.Toejekam (1998) yang dikutip dalam (Fitria dan Sari,
2012) unsur-unsur yang terkandung dalam pemberian fasilitas kredit adalah
sebagai berikut:
a. Waktu
Waktu ini mencakup masa pengembalian kredit yang telah disepakati.
Jangka waktu tersebut menyatakan bahwa ada jarak antara saat pesetujuan
pemberian kredit dan pelunasannya.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 10
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
b. Kepercayaan
Kepercayaan ini yang melandasi pemberian kredit oleh pihak kreditur
kepada debitur, bahwa setelah jangka waktu tertentu debitur akan
mengembalikannya sesuai kesepakatan yang disetujui oleh pihak kedua.
c. Penyerahan
Penyerahan ini merupakan pernyataan bahwa pihak kreditur
menyerahkan nilai ekonomi kepada debitur yang harus dikembalikannya
setelah jatuh tempo.
d. Risiko
Risiko yang menyatakan adanya risiko yang mungkin timbul sepanjang
jarak antara saat memberikan dan perlunasannya. Semakin panjang suatu
kredit semakin besar risikonya demikian pula sebaliknya. Risiko ini menjadi
tanggungan bank, baik yang disengaja oleh nasabah maupun yang tidak di
sengaja.
e. Persetujuan/ Perjanjian
Persetujuan/Perjanjian merupakan suatu hal yang menyatakan bahwa
antara kreditur dan debitur terdapat suatu persetujuan dan dibuktikan dengan
suatu perjanjian.
2.1.2. Prinsip-Prinsip Perkreditan
Prinsip perkreditan disebut juga sebagai konsep 5C (Robbins dan Mary,
1999).
1. Character
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 11
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
Character adalah kejujuran, integritas, stabilitas, motivasi yang ada pada
diri peminjam.
2. Capacity
Capacity adalah kemapuan manajemen dari calon peminjam untuk
mengelola kas yang cukup untuk memenuhi kewajibannya kepada pihak
pemberi pinjaman.
3. Capital
Capital adalah jumlah harta yang dimiliki dibandingkan dengan modal.
Analisa ini bertujuan untuk mengetahui capital strukture calon peminjam,
berapa yang bersumber dari dalam perusahaan sendiri dan berapa yang
bersumber dari pihak lain.
4. Collateral
Collateral adalah Aset Peminjam yang diserahkan kepada Kreditur apabila
peminjam gagal dalam memenuhi kewajibannya.
5. Condition
Condition adalah situasi dan kondisi politik, sosial, ekonomi, budaya dan
lain-lain yang mempengaruhi keadaan perekonomian pada suatu saat maupun
kurun waktu tertentu yang kemungkinan akan mempengaruhi kelancaran usaha
calon peminjam.
2.1.4 Kredit Bermasalah
Menurut Tjoekam (2004) kredit bermasalah adalah gambaran dari suatu
kondisi kredit dimana persetujuan pengembalian kredit berupa prinsipal, bunga,
biaya-biaya dan overdraft akan mengalami kegagalan karena tanda- tanda
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 12
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
penyimpangan dibiarkan terakumulasi sehingga menurunkan mutu kredit dan
cenderung menimbulkan kerugian yang potensial bagi bank.
H. Budi Untung (2000) dalam Rosmalia (2009) menyebutkan kredit macet
masih dapat terjadi diantaranya dapat disebabkan karena :
1. Kesalahan appraisal
2. Membiayai proyek dari pemilik/ terafiliasi
3. Membiayai proyek yang direkomendasi oleh kekuatan tertentu
4. Dampak makro ekonomi/ unforecasted variable
5. Kenakalan nasabah
Sedangkan Siswanto Sutojo (2007) dalam Rosmalia (2009) mengatakan
bahwa kredit bermasalah dapat timbul selain karena sebab-sebab dari pihak
kreditur, sebagian besar kredit bermasalah timbul karena hal-hal yang terjadi pada
pihak debitur, antara lain :
1. Menurunnya kondisi usaha bisnis perusahaan yang disebabkan merosotnya
kondisi ekonomi umum dan/ atau bidang usaha dimana mereka beroperasi.
2. Adanya salah urus dalam pengelolaan usaha bisnis perusahaan, atau karena
kurang berpengalaman dalam bidang usaha yang mereka tangani.
3. Problem keluarga, misalnya perceraian, kematian, sakit yang berkepanjangan,
atau pemborosan dana oleh salah satu atau beberapa orang anggota keluarga
debitur.
4. Kegagalan debitur pada bidang usaha atau perusahaan mereka yang lain.
5. Kesulitan likuiditas keuangan yang serius.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 13
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
6. Munculnya kejadian di luar kekuasaan debitur, misalnya perang dan bencana
alam.
2.2 Data Mining
Data mining disebut sebagai serangkaian proses untuk menggali nilai tambah
berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu
kumpulan data (Bustami, 2011). Menurut Badriyah (2008), data mining diartikan
sebagai sustu proses ekstraksi informasi berguna dan potensial dari sekumpulan
data yang terdapat secara implisit dalam suatu basis data. Banyak istilah lain dari
data mining yang dikenal luas seperti Knowledge Mining From Database,
Knowledge Extraction, Data Archeology dan lain sebagainya.
Dengan diperolehnya informasi- informasi yang berguna dari data yang ada,
hubungan antara item dalam transaksi, maupun informasi- informasi yang
potensial, selanjutnya dapat diteliti dan dianalisa lebih lanjut dari berbagai sudut
pandang.
Informasi yang ditemukan ini selanjutnya dapat diaplikasikan untuk aplikasi
manajemen, melakukan query processing, pengambilan keputusan dan lain
sebagainya. Dengan semakin berkembangnya kebutuhan akan informasi-
informasi, semakin banyak pula bidang-bidang yang menerapkan konsep data
mining.
Menurut Fu (2007) terdapat lima macam model dari Data Mining berdasarkan
pola yang dicari, yaitu:
a. Asosiasi
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 14
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
Model Data Mining untuk mendapatkan hubungn ketergantungan antar
barang (produk) pada sekumpulan record yang terdiri atas beberapa produk
yang berbeda. Asosiasi merupakan penemuan kebersamaan atau hubungan dari
objek-objek. Sebagai contoh toko retail mungkin menemukan bahwa orang-
orang sering membeli roti bersama dengan mentega, dan kemudian manager
toko tersebut memutuskan untuk meletakkan mentega tidak jauh dengan roti.
b. Ringkasan
Ringkasan merupakan abstraksi atau generalisasi data. Ringkasan akan
menghasilkan himpunan yang lebih kecil yang akan memberikan pandangan
umum dari data dan berasal dari pengumpulan informasi. Sebagai contoh
panggilan jarak jauh konsumen dapat diringkas pada total menit, total
pengeluaran, total panggilan dan lain lain. Ringkasan informasi tersebut, selain
panggilan detail dilaporkan pada sales manager untuk analisa konsumen.
c. Klasifikasi
Model data mining untuk mendapatkan model dari kelas variabel target
(predicted variable) berdasarkan record- record yang terdiri dari beberapa
variabel bebas (predictor variable). Hasil akhir dari klasifikasi ini adalah
menentukan kelas suatu record yang sebelumnya tidak diketahui. Untuk
melakukan aktifitas ini diperlukan dua buah himpunan data. Himpunan data
pertama adalah Training Set yang digunakan utnuk membangun model dan
kedua adalah Testing Set yang digunakan untuk menguji model yang
dihasilkan. Contoh penggunaan klasifikasi adalah pada kasus penghematan
biaya pengiriman brosur penawaran. Pendekatan yang dilakukan adalah dengan
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 15
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
menggunakan data historis penawaran produk yang dimiliki sebelumnya,
dimana terlihat siapa yang akan membeli dan siapa yang tidak. Dalam hal ini
{Membeli dan Tidak Membeli} adalah kelas variabel target (predicted
variable). Dengan menggunakan data historis tersebut, dibangun model
klasifikasi dengan input berupa variabel bebas (predictor variable).
d. Klasterisasi
Model data mining yang berusaha mengelompokkan data dari sekumpulan
data yang mempunyai beberapa attribut yang memiliki kesamaan ke dalam
suatu kelompok dan memisahkan data lain ke dalam kelompok yang berbeda
apabila tidak memiliki kesamaan. Syarat utnuk melakukan pengelompokan ini
adalah berapa banyak kata yang berhubungan dengan salah satu kategori pada
masing- masing artikel.
e. Analisa Tren
Identifikasi pola pada evolusi sebuah objek. Salah satu topik dalam
analisis tren adalah identifikasi pola pada evolusi sebuah objek, seperti naik,
turun, puncak, lembah dan lain- lain. Sebagai contoh, pengestimasian laba
perusahaan tahun ini dari laba tahun lalu berdasarkan estimasi peningkatan laba
rata-rata tahunan.
2.3 Naïve Bayes Classifier
Dikutip dari buku Introduction to Data Mining, Naïve Bayes
mengasumsikan bahwa nilai dari sebuah input atribut pada kelas yang diberikan
tidak tergantung dengan nilai dari atribut yang lain. Naive Bayes mengestimasi
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 16
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
peluang kelas bersyarat dengan mengasumsikan bahwa atribut adalah independen
secara bersyarat yang diberi label kelas y (Pang-Ning Tan, et al, 2006).
Bayes Classification merupakan metode pengklasifikasian statistik yang
dapat memprediksikan probabilitas class keanggotaan seperti probabilitas tupel
milik class yang sudah jelas. Bayes classification melakukan klasifikasi terhadap
algoritma yang memiliki bayesian classifier sederhana agar kinerjanya sebanding
dengan decision tree dan neural network classifier. Bayesian classification juga
memiliki akurasi dan kecepatan yang tinggi ketika diterapkan ke dalam database
yang besar. Naive bayes classifier mengasumsikan nilai dari atibut yang ada di
dalam kelas adalah independent. Asumsi ini disebut juga dengan class-conditional
indoependent yang digunakan untuk menyederhanakan perhitungan yang terlibat.
2.3.1 Bayes Theorem
Bayes berasal dari nama belakang seorang pastur yaitu Thomas Bayes
yang telah berkecimpung dalam teori probabilitas dan teori decision selama abad
ke 18. X adalah data tupel, dalam istilah bayesian, X dianggap sebagai evidence
(bukti) yang dijelaskan melalui pengukuran dari sekumpulan atribut. Sedangkan H
merupakan beberapa hipotesis, seperti halnya data tupel X yang termasuk dalam
ketentuan class C. Dalam mengklasifikasikan masalah, perlu menentukan
, untuk mendapatkan hipotesis H diperlukan evidence atau dengan cara
mengobservasi data tupel X. Dengan kata lain, untuk melihat probabilitas bahwa
tupel X termasuk dalam class C, perlu mengetahui lebih dulu deskripsi dari X.
adalah probabilitas posterior, dimana H mengkondisikan X dan
merupakan probabilitas prior dari H. berasal dari beberapa
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 17
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
informasi, sedangkan sebagai probabilitas prior berasal dari independent of
X. Dengan kata lain, adalah probabilitas posterior dari X yang
dikondisikan dalam H.
Teori bayes ini berguna untuk menghitung probabilitas posterior
dari , dan .
2.3.2 Cara Kerja Naive Bayes
Naive Bayes merupakan metode yang menggunakan pendekatan
probabilitas untuk menghasilkan klasifikasi. Metode ini menggabungkan
probabilitas term dengan probabilitas kategori untuk menentukan kemungkinan
kategori hasil. Sebelum masuk ke langkah-langkah penghitungan, berikut adalah
penjelasan mengenai Naive Bayes (Jiawei Han dan Micheline Kamber, 2001):
1. Setiap data direpresentasikan sebagai vektor berdimensi-n yaitu
X=(X1,X2,X3,….Xn), n adalah gambaran dari ukuran yang dibuatkan test dari n
atribut yaitu A1,A2,A3,……,An.
2. m adalah kumpulan kategori yaitu C1,C2,…,Cm. Diberikan data test X yang
tidak diketahui kategorinya, maka classifier akan memprediksi bahwa X adalah
milik kategori dengan posterior probability tertinggi berdasarkan kondisi X.
Oleh karena itu, Naïve Bayes menandai bahwa test X yang tidak diketahui tadi
ke kategori Ci jika dan hanya jika:
P(Ci|X)>P(Cj|X) untuk i ≤ j ≤ m, j ≠ i. Kemudian P(Ci|X) perlu dimaksimalkan.
P(Ci|X) =
(2.1)
(2.2)
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 18
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
3. Untuk mengurangi perhitungan dalam evaluasi P(X| ) , asumsi naif
independensi kelas bersyarat perlu dibuat. Hal ini menganggap nilai atribut
saling independen dengan yang lainnya.
P(X| ) =
= × × … × .
Sehingga lebih mudah memperkirakan , ,…, dari
data training. Dimana mengacu pada nilai atribut untuk data . Untuk
setiap atribut yang akan dihitung harus diperhatikan terlebih dahulu, apakah
termasuk atribut kategorial atau atribut numerik. Oleh karenanya, untuk
menghitung P(X| ) perlu memperhatikan hal berikut :
a Jika adalah atribut kategorial, maka adalah jumlah data dengan
kelas pada D yang bernilai yang mengacu pada dibagi oleh .
Dimana D adalah jumlah data training dan adalah jumlah data dengan
kelas pada data training.
b Jika adalah atribut numerik, maka perlu dilakukan sedikit lebih banyak
langkah penyelesaian. Atribut numerik biasanya diasumsikan memiliki
distribusi Gaussian dengan µ sebagai rata-rata dan sebagi standar deviasi.
g(x, µ, ) =
,
Sehingga = g( , , ).
Sedangkan untuk mean ( dihitung dengan persamaan:
(2.4)
(2.5)
(2.6)
(2.3)
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 19
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
Dan standar deviasi ( dihitung dengan persamaan:
4. Untuk memprediksi kelas dari X, P(X|Ci)P(Ci) dievaluasi untuk setiap kelas Ci.
Naïve bayes akan memprediksi bahwa kelas dari X adalah Ci jika dan hanya
jika P(X|Ci)P(Ci) P(X|Ck)P(Cj) , dimana 1 . Dengan kata lain
prediksi kelas termasuk kelas Ci jika P(X|Ci)P(Ci) bernilai maksimal.
P(X|Ci)P(Ci) bernilai maksimal.
(2.7)
(2.8)
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P 20
BAB III
METODE PENELITIAN
Metode penelitian merupakan tahapan dan cara yang perlu dilakukan
untuk membuat suatu pemecahan masalah yang terjadi dengan berdasarkan pada
teori yang dikumpulkan.Langkah-langkah yang diambil untuk memecahkan
masalah merupakan susunan tahapan yang sistematis dan teratur guna
mengefisiensikan waktu penelitian.
Adapun tahapan yang dilakukan pada rancang bangun sistem pendukung
penentuan kelas resiko kredit adalah sebagai berikut:
1. Pengumpulan data dan informasi
2. Pengolahan data dan informasi
3. Analisis dan pengolahan data dengan metode Naïve Bayes
4. Perancangan dan Implementasi Sistem
5. Evaluasi Sistem
3.1 Pengumpulan Data dan Informasi
3.1.1 Bahan Penelitian
Data yang digunakan dalam menunjang penelitian ini adalah German Credit
Data yang diunduh dari website dengan alamat
http://archieve.ics.uci.edu/ml/datasets/”Statlog+%28German+Credit+Data%29
yang berisi tentang data debitur beserta kriteria yang digunakan dalam
menentukan kelayakan debitur tersebut.Sumber data ini diperoleh dari Professor
Dr. Hans Hofmann dari Institut f"urStatistik und "Okonometrie,
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 21
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Universit"atHamburg, FB Wirtschaftswissenschaften, Von-Melle-Park 5, 2000
Hamburg 13. Data tersebut berjumlah 1000 record yang terdiri dari 20 atribut
yaitu: A1: Status rekening giro, A2:jangka waktu peminjaman, A3: sejarah kredit,
A4: tujuan kredit, A5: jumlahkredit, A6: jumlah simpanan, A7: lama bekerja, A8:
biaya angsuran terhadap sisa pendapatan, A9: status perkawinan dan jenis
kelamin, A10: status orang yang berhutang lainya (penjamin), A11: lama
bertempat tinggal, A12: properti, A13: usia, A14: rencana angsuran lain, A15:
tempat tinggal A16: jumlah kredit sebelumnya, A17: pekerjaan, A18: jumlah
tanggungan, A19: telepon, dan A20: tenaga kerja asing
3.1.2 Obyek Penelitian
Obyek penelitian yang dituju adalah calon debitur yang akan
diklasifikasikan dalam kelas resiko kredit baik atau buruk, dengan melakukan
proses klasifikasi data peminjam yang berisiko kredit baik dan peminjam yang
berisiko kredit buruk dengan mengenali pola data yang telah ada sebelumnya.
3.2 Pengolahan Data dan Informasi
Pada penelitian ini akan digunakan sebanyak 1000 data record histories
peminjam, data tersebut digunakan untuk training sebanyak 950 data dan testing
sebanyak 50 data. Data training adalah data yang akan digunakan untuk membuat
model klasifikasi. Sedangkan data testing, adalah data yang nantinya akan
digunakan untuk mengukur tingkat keakuratan sistem.
Data yang digunakan dalam penelitian ini mempunyai 20 attribut yang
terdiri dari 7 attribut numerik dan 13 attribut kategori, serta 1 attribut sebagai
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 22
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
variabel output atau kelas resiko kredit. Dan khusus untuk atribut numerik
penghitungan probabilitas baik dan buruk menggunakan persamaan 2.5.
Ke-20 attribut yang akan digunakan dalam membangun sistem klasifikasi
dalam menentukan kelas resiko kredit adalah sebagai berikut.
Atribut kategori :
1) A1: Status rekening giro
Merupakan data kualitatif yang dibedakan menjadi 4 kategori, yaitu:
1 : … < 0 DM
2 : …< 200 DM
3 : … >= 200 DM/ salary assignment for at least 1 years
4 : tidak mempunyai giro
2) A3: Sejarah kredit
Merupakan data kualitatif yang dibedakan menjadi 5 kategori, yaitu:
1 : tidak pernah mempunyai kredit
2 : semua kredit dibayar tepat waktu
3 : semua kredit pada bank ini dibayar tepat waktu
4 : terdapat penundaan pembayaran kredit sebelumnya
5 : akun kritis/ masih mempunyai tanggungan kredit lain
3) A4: Tujuan kredit
Merupakan data kualitatif yang menunjukkan untuk tujuan apa debitur
mengajukan kredit. Atribut ini dibedakan menjadi 10 kategori, yaitu:
1 : mobil (baru)
2 : mobil (bekas)
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 23
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
3 : furnitur dan sejenisnya
4 : radio/ televisi
5 : peralatan rumah tangga
6 : perbaikan
7 : pendidikan
8 : liburan
9 : pelatihan ulang
10 : bisnis/ usaha
11 : lain-lain
4) A6: Jumlah simpanan
Merupakan data kualitatif yang menunjukkan jumlah tabungan yang dimiliki
oleh calon debitur. Attribut ini terdiri dari 5 kategori, yaitu:
1 : … < 100 DM
2 : 100 <= … < 500 DM
3 : 500 <= … < 1000 DM
4 : … >= 1000 DM
5 : tidak memiliki simpanan/ tidak diketahui
5) A7: lama bekerja
Merupakan data kualitatif yang menunjukkan telah berapa lama calon
peminjam telah bekerja. Atribut ini terdiri dari 5 kategori, yaitu:
1 : tidak bekerja
2 : … < 1 tahun
3 : 1 <= … < 4 tahun
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 24
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
4 : 4 <= … < 7 tahun
5 : … >= 7 tahun
6) A9: Status perkawinan dan jenis kelamin,
Merupakan data kualitatif yang menunjukkan jenis kelamin dan status
perkawinan calon peminjam. Atribut ini terdiri dari 5 kategori, yaitu:
1 : pria (berpisah/ bercerai)
2 : wanita (berpisah/ bercerai/ menikah)
3 : pria (belum menikah)
4 : pria (menikah/ duda)
5 : wanita (belum menikah)
7) A10: status orang yang berhutang lainya (penjamin)
Merupakan data kualitatif yang menunjukkan peminjam lain/ penjamin yang
dapat menjadi jaminan bagi calon peminjam. Atribut ini terdiri dari 3 kategori,
yaitu:
1 : tidak ada penjamin
2 : peminjam lain
3 : penjamin
8) A12: Properti
Merupakan data kualitatif yang menunjukkan properti apa yang dimiliki calon
peminjam. Atribut ini terdiri dari 4 kategori, yaitu:
1 : real estate
2 : jika bukan 1, asuransi hidup atau sertifikat tanah/ bangunan
3 : jika bukan 1 / 2, mobil atau lainya yang tidak termasuk pada atribut A6
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 25
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
4 : tidak ada properti/ tidak diketahui
9) A14: Rencana angsuran lain
Merupakan data kualitatif yang menunjukkan rencana angsuran lain yang
dimiliki oleh calon peminjam. Atribut ini terdiri dari 3 kategori, yaitu:
1 : bank
2 : toko
3 : tidak ada rencana angsuran lain
10) A15: Tempat tinggal
Merupakan data kualitatif yang menunjukkan status kepemilikn tempat tinggal
calon peminjam. Atribut ini dibagi menjadi 3 kategori, yaitu:
1 : sewa
2 : milik sendiri
3 : bebas
11) A17: Pekerjaan
Merupakan data kualitatif, menunjukkan jenis pekerjaan calon debitur, yang
dibedakan menjadi 4 kategori, yaitu:
1 : tidak bekerja/ tidak memiliki keterampilan (bukan penduduk)
2 : tidak memiliki keterampilan (penduduk)
3 : pekerja yang memiliki keterampilan/ karyawan
4 : wirausaha/ manajemen/ karyawan atas dengan kualifikasi tinggi
12) A19: Telepon
Merupakan data kualitatif yang menunjukkan apakah calon peminjam
memiliki telepon atau tidak. Atribut ini dibedakan menjadi 2 kategori, yaitu:
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 26
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
1 : tidak ada telepon
2 : ada, dan terdaftar atas nama peminjam sendiri
13) A20: Tenaga kerja asing
Merupakan data kualitatif, menunjukkan apakah calon peminjam merupakan
pekerja asing yang berasal dari luar negeri ataukah memang penduduk asli negara
tersebut. Atribut ini dibedakan menjadi 2 kategori, yaitu:
1 : ya (pekerja asing)
2 : bukan pekerja asing
Atribut numerik:
1) A2:Jangka waktu peminjaman (bulan)
2) A5: Jumlahkredit (euro)
3) A8: Biaya angsuran terhadap sisa pendapatan (frekuensi angsuran tiap bulan)
4) A11: Lama bertempat tinggal (tahun)
5) A13: Usia (tahun)
6) A16: Jumlah kredit sebelumnya (frekuensi kredit)
7) A18: Jumlah tanggungan. (jumlah orang yang ditanggung)
3.3 Analisis Menggunakan Metode Naïve Bayes
3.3.1 Langkah Penghitungan Naïve Bayes
Naïve Bayes merupakan metode yang dibentuk melalui pengklasifikasian
data test melalui satu set data training yang telah ada sebelumnya sehingga dapat
mengetahui hubungan antara atribut data dengan variabel kelas yang dibentuk
melalui probabilitas bagi setiap kemungkinan klasifikasinya.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 27
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Berdasarkan attribut yang telah disebutkan diatas, kemudian dilakukan dua
tahapan proses untuk memprediksi kelas resiko kredit kepada peminjam yang
beresiko kredit baik dan buruk, yaitu tahapan proses training dan tahapan proses
klasifikasi. Pada tahapan training, akan dilakukan proses pencarian nilai peluang
bersyarat dan proses pencarian nilai peluang prior. Setelah model prediksi
dibangun pada proses training, maka selanjutnyadilakukan proses
pengklasifikasian data yang belum diketahui label kelasnya.
Naïve Bayes Classifier diterapkan untuk melakukan beberapa proses yang
telah dijelaskan diatas, output yang akan dihasilkan sistem berupa nilai peluang
bersyarat, nilai peluang prior dan tingkat akurasi klasifikasi. Sedangkan yang
kedua adalah data hasil prediksi yaitu kelas resiko kredit (Baik/Buruk). Kelas
resiko kredit yang digunakan adalah yang terbesar, yaitu Baik didapatkan jika
P(Baik|X) > P(Buruk|X) dimana X adalah atribut yang sudah diketahui.
Sebaliknya, Buruk didapat jika P(Baik|X) < P(Buruk|X).
Attribut yang digunakan dalam memprediksi kelas resiko kredit dibedakan
menjadi 2, yaitu atribut kategori dan numerik. Atribut kategori terdiri dari A1:
Status Giro, A3: Sejarah Kredit, A4: Tujuan Kredit, A6: Jumlah Simpanan, dan
A9: Pekerjaan. Sedangkan attribut numerik terdiri dari A2: Durasi Kredit, A5:
Jumlah Kredit, A7: Usia, A8: Jumlah Kredit Sebelumnya, dan A10: Jumlah Orang
yang Menjadi Tanggungan.Penghitungan kelas resiko kredit dengan metode Naïve
Bayes Classifier menggunakan persamaan 2.2.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 28
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Dengan demikian, tahapan analisis Naïve Bayes adalah sebagai berikut:
1. Mendefinisikan kelas (P(Ci|X))
P(Ci|X) akan mewakili hasil pengklasifikasian, dimana hasil klasifikasi
menunjukkan kelas resiko kredit Baik dan Buruk yang direpresentasikan pada
Ci melalui C0 dan C1 untuk 0=Baik dan 1=Buruk. Hal ini berarti diperlukan
perhitungan untuk mengetahui kemungkinan Ci terhadap kriteria yang terdapat
pada vektor X sehingga variabel yang akan dicari pada penelitian ini adalah
P(C0|X) dan P(C1|X).
2. Penghitungan Probabilitas prior ( P(Ci) )
P(Ci) merupakan kemungkinan jawaban klasifikasi kelas resiko kredit
Baik (C0) atau Buruk (C1) yang akan dihitung melalui hasil pembagian jumlah
kemungkinan jawaban C0 atau C1 yang muncul pada data training dengan total
keseluruhan jawaban.
3. Penghitungan Probabilitas posterior X dengan syarat C ( P(X|Ci) )
Setiap kemungkinan kejadian dengan syarat C akan dihitung dengan
melihat probabilitas jumlah kejadian X yang memiliki persyaratan kejadian C.
Penghitungan Probabilitas posterior X dengan syarat C akan terbagi menjadi 2
yaitu penghitungan Probabilitas posteriorX dengan syarat C0 ( P(X|C0) ) untuk
melihat kemungkinan suatu objek ternasuk kelas resiko kredit baik dan
penghitungan Probabilitas posteriorX dengan syarat C1 ( P(X|C1) ) untuk
melihat kemungkinan suatu objek termasuk dalam kelas resiko kredit buruk
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 29
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Dikarenakan X diketahui adalah vektor, maka penjabaran penghitungan
untuk setiap kemungkinan P(X|Ci) seperti pada persamaan 2.2, dimana P(X)
dapat diabaikan karena tidak mempengaruhi hasil penghitungan maka,
a. P(Ci|X) =
(persamaan 2.2)
b. Untuk P(X|Ci) yang mencari kemungkinan suatu objek termasuk dalam
kelas resiko kredit baik, maka: P(C0|XX1,X2,X3,…,X20) = P(XX1,X2,X3,…,X20|C0)
× P(C0), dan untuk P(X|Ci) yang mencari kemungkinan suatu objek
termasuk dalam kelas resiko kredit buruk, maka: P(C1|XX1,X2,X3,…,X20) =
P(XX1,X2,X3,…,X20|C1) × P(C1).
c. Dimana P(XX1,X2,X3,…,X20|C0) terdiri atas P(X1|C0) × P(X2|C0) × P(X3|C0) x…
× P(X20|C0) demikian pula dengan P(XX1,X2,X3,…,X20|C1) terdiri dari P(X1|C1)
× P(X2|C1) × P(X3|C1) × … × P(X20|C1) (persamaan 2.4)
4. Pemaksimalan P(X|Ci)P(Ci)
Untuk mendapatkan kelas Ci yang memaksimalkan P(X|Ci)P(Ci) maka hasil
perhitungan posterior (P(X|Ci)) pada setiap kemungkinan C0 dan C1 akan
dikalikan dengan hasil perhitungan prior (P(Ci)) pada kemungkinan C0 dan C1.
Nilai probabilitas akhir yang muncul dan bernilai paling besar pada C0 atau C1
akan menjadi prediksi hasil klasifikasi kelas resiko kredit baik atau kelas resiko
kredit buruk berdasarkan metode Naïve Bayes.
3.3.2 Penghitungan Manual
Pada proses ini akan dilakukan penghitungan manual dengan memberikan
input data berupa data calon debitur. Penghitungan manual yang akan dilakukan
ini mengacu pada langlah-langkah yang sudah dijelaskan pada bab 3.3.1. Data
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 30
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
input calon debitur ini berupa nilai atribut debitur yang terdiri dari 20 atribut
seperti yang telah dijelaskan pada bab 3.2 dan nilainya ditentukan sacara acak.
3.4 Perancangan dan Implementasi Sistem
Rancangan Sistem klasifikasi kelas resiko kredit ini akan digambarkan
dalam bentuk flowchart dan algoritma. Sementara implementasi sistem ini akan
menggunakan bahasa pemrogaman berbasis web.
1. Perancangan sistem
2. Implementasi sistem
3.5 Evaluasi Sistem
a. Uji Blackbox
Pada tahap ini, akan diambil satu contoh fungsi pada sistem dengan
memberikan sebuah input. Output yang dihasilkan sistem akan menjadi bahan
untuk dibandingkan dengan hasil penghitungan manual. Kesesuaian antara hasil
sistem dengan penghitungan manual akan menjadi acuan dalam keberhasilan uji
black box ini.
b. Uji Tingkat Akurasi
Pada tahap ini akan dilakukan evaluasi sistem untuk mengetahui seberapa
baik kinerja sistem yang telah diimplementasikan menggunakan 20 atribut. Proses
ini diawali dengan membandingkan output kelas resiko kredit yang dihasilkan
sistem dengan kelas resiko kredit pada data asli debitur.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 31
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
c. Pencarian Model Kombinasi dengan Tingkat Akurasi Tertinggi
Pada tahap ini, penghitungan naïve bayes dilakukan berulang-ulang
sebanyak kombinasi yang ada. Kombinasi diperoleh dari ke-20 atribut yang ada
dengan jumlah . Atribut yang digunakan dalam penghitungan naïve bayes
adalah atribut yang dihasilkan dari setiap kombinasi. Sebagai contoh, jika suatu
kombinasi terdiri dari 3 atribut maka jumlah kombinasi yang terbentuk adalah
sebanyak 7 dengan susunan sebagai berikut: A1 saja, A2 saja, A3 saja, A1 dan
A2, A1 dan A3, A2 dan A3, dan A1,A2, dan A3. Dari penghitungan naïve bayes
tersebut akan diperoleh hasil evaluasi berupa keakuratan sistem.
Hasil prosentase keakuratan sistem ini akan digunakan sebagai acuan
dalam menentukan model kombinasi atribut. Prosentase keakuratan sistem dari
kombinasi atribut dengan nilai tertinggi, akan dijadikan sebagi model kombinasi
atribut dalam klasifikasi kelas resiko kredit.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 32
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Gambar 3.1 Flowchart Pencarian Model Kombinasi Atribut
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUNG SISTEM… RIESKHA H P
BAB IV
HASIL DAN PEMBAHASAN
4.1 Pengumpulan Data dan Informasi
4.1.1 Bahan Penelitian
Data yang digunakan dalam penelitian ini adalah German Credit Data yang
diunduh dari website dengan alamat
http://archieve.ics.uci.edu/ml/datasets/”Statlog+%28German+Credit+Data%29
yang berisi tentang data debitur beserta kriteria yang digunakan dalam
menentukan kelayakan debitur tersebut. Sumber data ini diperoleh dari Professor
Dr. Hans Hofmann dari Institut f"urStatistik und "Okonometrie, Universit"at
Hamburg, FB Wirtschaftswissenschaften, Von-Melle-Park 5, 2000 Hamburg 13.
Data tersebut berjumlah 1000 record yang terdiri dari 20 atribut yaitu: A1: Status
rekening giro, A2:jangka waktu peminjaman, A3: sejarah kredit, A4: tujuan
kredit, A5: jumlah kredit, A6: jumlah simpanan, A7: lama bekerja, A8: biaya
angsuran terhadap sisa pendapatan, A9: status perkawinan dan jenis kelamin,
A10: status orang yang berhutang lainya (penjamin), A11: lama bertempat tinggal,
A12: properti, A13: usia, A14: rencana angsuran lain, A15: tempat tinggal A16:
jumlah kredit sebelumnya, A17: pekerjaan, A18: jumlah tanggungan, A19:
telepon, dan A20: tenaga kerja asing
4.1.2 Obyek Penelitian
Obyek pada penelitian ini adalah calon debitur yang diklasifikasikan
dalam kelas resiko kredit baik atau buruk, dengan melakukan proses klasifikasi
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 34
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
data peminjam yang berisiko kredit baik dan peminjam yang berisiko kredit buruk
dengan mengenali pola data yang telah ada sebelumnya.
4.2 Pengolahan Data dan Informasi
Pada penelitian ini digunakan sebanyak 1000 data record histories debitur,
data tersebut digunakan untuk training sebanyak 950 data dan testing sebanyak 50
data. Data training adalah data yang digunakan untuk membuat model klasifikasi.
Sedangkan data testing, adalah data yang nantinya untuk mengukur tingkat
keakuratan sistem yang telah dibuat.
Data yang digunakan dalam penelitian ini mempunyai 20 atribut yang
terdiri dari 7 attribut numerik dan 13 attribut kategori, serta 1 attribut sebagai
variabel output atau kelas resiko kredit. Khusus untuk atribut numerik
penghitungan probabilitas baik dan buruk menggunakan persamaan (2.5)
4.3 Analisis Mengunakan Metode Naïve Bayes
4.3.1 Langkah Penghitungan Naïve Bayes
1. Pendefinisian kelas (P(Ci|X))
Ci merupakan kelas klasifikasi dimana terdapat C0 yang menunjukkan kelas
resiko kredit baik dan C1 yang menunjukkan kelas resiko kredit buruk. X
merupakan data testing yang terdiri dari vektor atas semua atribut penentun
kreditur terbaik yaitu XStatusRekeningGiro, XJangkaWaktuPeminjaman, XSejarahKredit, XTujuanKredit,
XJumlahKredit, XJumlahSimpanan, XLamaBekerja, XBiayaAgsuranTerhadapsisaPendapatan,
XStatusPerkawinandanJenisKelamin, Xpenjamin, XLamaBertempatTinggal, XProperti, XUsia,
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 35
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
XRencanaAngsuranLain, XTempatTinggal, XJumlahKreditSebelumnya, XPekerjaan, XJumlahTanggungan,
XTelepon, XTenagaKerjaAsing.
2. Penghitungan Probabilitas prior ( P(Ci) )
Dari 950 data training yang digunakan, diketahui kelas C0
sebanyak664data dan kelas C1 sebanyak 286 data. Penghitungan Probabilitas
prior untuk kemungkinan kelas kreditur baik P(C0) berdasarkan persamaan (2.3)
adalah sebagai berikut:
0.698947368
Sedangkan penghitungan probabilitas prior untuk kemungkinan kelas
kreditur buruk P(C1) berdasarkan persamaan (2.3) adalah sebagai berikut:
0.301052632
3. Penghitungan Probabilitas posterior X bersyarat C ( P(X|Ci) )
Penghitungan probabilitas posterior dilakukan pada data training sejumlah 950
data dengan menggunakan X yang merupakan vektor untuk atribut penentuan
resiko kreditur yaituXStatusRekeningGiro, XJangkaWaktuPeminjaman, XSejarahKredit, XTujuanKredit,
XJumlahKredit, XJumlahSimpanan, XLamaBekerja, XBiayaAgsuranTerhadapsisaPendapatan,
XStatusPerkawinandanJenisKelamin, Xpenjamin, XLamaBertempatTinggal, XProperti, XUsia,
XRencanaAngsuranLain, XTempatTinggal, XJumlahKreditSebelumnya, XPekerjaan, XJumlahTanggungan,
XTelepon, XTenagaKerjaAsing sehingga P(X,Ci) yang diijabarkan menjadi
P(XStatusRekeningGiro, XJangkaWaktuPeminjaman, XSejarahKredit, XTujuanKredit, XJumlahKredit,
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 36
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
XJumlahSimpanan, XLamaBekerja, XBiayaAgsuranTerhadapsisaPendapatan, XStatusPerkawinandanJenisKelamin,
Xpenjamin, XLamaBertempatTinggal, XProperti, XUsia, XRencanaAngsuranLain, XTempatTinggal,
XJumlahKreditSebelumnya, XPekerjaan, XJumlahTanggungan, XTelepon, XTenagaKerjaAsing | Ci) dan
untuk setiap X dihitung kemungkinannya terhadap Ci berdasarkan persamaan 2.4.
Untuk menghitung setiap kemungkinan setiap atribut kategorial untuk
setiap kemungkinan X termasuk ke dalam kelas Ci digunakan persamaan 2.2.
Sebagai contoh dilakukan penghitungan atribut StatusRekeningGiro dengan
kategori atribut A1-1 untuk kelas resiko baik.
P(Ci|X) =
P(Ckelasresikobaik|X) =
= 131 / 664 = 0.197289157.
Untuk detail hasil penghitungan setiap atribut dapat dilihat pada tabel 4.1 berikut.
Tabel 4.1. Hasil Penghitungan probabilitas posterior X bersyarat C (atribut kategorial).
Atribut kategori Atribut Kemungkinan kelas baik Kemungkinan kelas buruk
Status Rekening Giro (A1)
1 0.197289157 0.451048951
2 0.230421687 0.353146853
3 0.067771084 0.048951049
4 0.504518072 0,1468531
Sejarah kredit (A3) 1 0.021084337 0.087412587
2 0.030120482 0.090909091
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 37
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Tabel 4.1 (Lanjutan)
Atribut kategori Atribut Kemungkinan kelas baik Kemungkinan kelas buruk
Sejarah kredit (A3)
3 0.513554217 0,5629371
4 0.087349398 0.090909091
5 0.347891566 0.167832168
Tujuan Kredit (A4)
1 0.207831325 0.297202797
2 0.125 0.052447552
3 0.177710843 0.195804196
4 0.305722892 0.206293706
5 0.012048193 0.013986014
6 0.018072289 0.027972028
7 0.040662651 0.076923077
8 0 0
9 0.012048193 0.003496503
10 0.090361446 0.108391608
11 0.010542169 0.017482517
Jumlah Simpanan (A6)
1 0.551204819 0.723776224
2 0.094879518 0.115384615
3 0.076807229 0.027972028
4 0.061746988 0.020979021
5 0.215361446 0.111888112
Lama Bekerja (A7)
1 0.051204819 0.06993007
2 0.149096386 0.241258741
3 0.334337349 0.346153846
4 0.197289157 0.129370629
5 0.268072289 0.213286713
Status perkawinan dan jenis kelamin (A92) 1 0.040662651 0.06993007
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 38
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Tabel 4.1 (Lanjutan)
Atribut kategori Atribut Kemungkinan kelas baik Kemungkinan kelas buruk
Status perkawinan dan jenis kelamin (A92)
2 0.286144578 0.370629371
3 0.579819277 0.475524476
4 0.093373494 0.083916084
Penjamin (A10)
1 0.906626506 0.909090909
2 0.034638554 0.055944056
3 0.05873494 0.034965035
Memiliki Properti (A12)
1 0.323795181 0.20979021
2 0.219879518 0.234265734
3 0.329819277 0.332167832
4 0.126506024 0.223776224
Rencana Angsuran Lain (A14)
1 0.118975904 0.192307692
2 0.040662651 0.066433566
3 0.840361446 0.741258741
Tempat Tinggal (A15)
1 0.155120482 0.227272727
2 0.751506024 0.622377622
3 0.093373494 0.15034965
Pekerjaan (A17)
1 0.021084337 0.020979021
2 0.198795181 0.185314685
3 0.643072289 0.622377622
4 0.137048193 0.171328671
Telepon (A19) 1 0.578313253 0.622377622
2 0.421688747 0.377622378
Tenaga kerja Asing (A20) 1 0.950301205 0.986013986
2 0.049689795 0.013986014
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 39
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Untuk menghitung setiap kemungkinan semua atribut numerik digunakan
persamaan 2.5. Sebagai contoh dilakukan penghitungan atribut jangka waktu
peminjaman untuk kelas resiko baik.
g( ).
= 19.14156627.
=
= 11.12785241.
Detail hasil dari penghitungan setiap atribut numerik dapat dilihat pada tabel 4.2
berikut.
Tabel 4.2. Hasil Penghitungan Probabilitas Posterior X bersyarat C (atribut numerik)
Atribut µ kemungkinan baik
µ kemungkinan buruk
kemungkinan baik
kemungkinan buruk
Jangka waktu peminjaman 19.14156627 24.47902098 11.12785241 13.24815434
Jumlah kredit 2993.62 3914.99 2431.017332 3558.771428
Biaya angsuran terhadap sisa pendapatan 2.915662651 3.104895105 1.13046201 1.093606855
Lama bertempat tinggal 2.841867 1.108309547 2.86014 1.096094493
Usia 36.15963855 34.05594406 11.36950211 11.32039068
Jumlah kredit sebelumnya 1.423193 1.363636 0.583951835 0.562518828
Jumlah tanggungan 1..156626506 1.153846154 0.363722259 0.361433643
4. Pemaksimalan P(X|Ci)P(Ci)
Penghitungan P(X|Ci)P(Ci) dilakukan dengan cara mengambil hasil
penghitungan probabilitas posterior untuk data trainingkemudian membagi setiap
kriteria probabilitas posterioruntuk X yamg telah diambil dengan jumlah Ci.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 40
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Semua hasil pembagian tersebut lalu dikalikan untuk mendapatkan P(X|Ci). Hasil
penghitungan P(X|Ci) tersebut kemudian dikalikan dengan P(Ci) guna mengetahui
kelas klasifikasi data testing X.
4.3.2 Contoh Penghitungan Manual dengan Metode Naïve Bayes
Contoh penghitungan dengan menggunakan metode Naive Bayes
dilakukan berdasarkan hasil penghitungan probabilitas prior dan posterior yang
telah dilakukan sebelumnya pada 950 data training dimana data training tersebut
diketahui memiliki 664 yang masuk dalam kelas resiko kredit baik (C0) dan 286
yang termasuk ke dalam kelas resiko kredit buruk (C1). Untuk melakukan
penghitungan, dibutuhkan input data untuk data testing yang diambil secara acak.
Data yang diambil adalah sebagai berikut.
Tabel 4.3. Data Input Untuk Proses Penghitungan Manual
Atribut Nilai Atribut Nilai
A1 2 A11 2 A2 21 A12 3 A3 5 A13 32 A4 3 A14 3 A5 2745 A15 2 A6 4 A16 2 A7 4 A17 3 A8 3 A18 1 A9 3 A19 2 A10 1 A20 1
Tahapan penghitungan contoh data testing diatas dilakukan sebagai berikut :
1. Pendefinisian variabel
Berdasarkan tabel 4.1, dapat dibuat definisi data testing X sebagai berikut.
X = (XStatusRekeningGiro = 2, XJangkaWaktuPeminjaman = 21 , XSejarahKredit = 5, XTujuanKredit = 3,
XJumlahKredit = 2745, XJumlahSimpanan = 4, XLamaBekerja = 4, XBiayaAgsuranTerhadapsisaPendapatan =
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 41
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
3, XStatusPerkawinandanJenisKelamin = 3, Xpenjamin = 1, XLamaBertempatTinggal = 2, XProperti = 3,
XUsia = 32, XRencanaAngsuranLain = 3, XTempatTinggal = 2, XJumlahKreditSebelumnya = 2, XPekerjaan
= 3, XJumlahTanggungan = 1, XTelepon = 2, XTenagaKerjaAsing = 1 | Ci)
2. Pendefinisian Probabilitas Prior P(Ci)
Hasil pendefinisian probabilitas prior yang dilakukan berdasarkan persamaan
(2.3) menghasilkan definisi untuk kelas resiko kredit baik P(C0) sebesar
0.698947368 dan pendefisian probalitas prior untuk kelas resiko kredit buruk
P(C1) sebesar 0.301052632.
3. Penghitungan Probabilitas PosteriorX dengan syarat Ci (P(X|Ci))
Untuk menghitung data testing X yang terklasifikasi ke dalam kelas resiko
kredit baik P(C0) diketahui nilai untuk masing-masing atribut adalah
0.230422, 0.035354, 0.347892, 0.177711, 0.000163, 0.061747, 0.197289,
0.351921, 0.579819, 0.906627, 0.269748, 0.329819277, 0.032817, 0.840361,
0.751506, 0.419437, 0.643072289, 0.999709, 0.421687 dan 0.950301 yang
dimana nilai tersebut dikalikan sebagai berikut.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 42
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
0.230422 x 0.035354 x 0.347892 x 0.177711 x 0.000163 x
0.061747 x 0.197289 x 0.351921 x 0.579819 x 0.906627 x 0.269748 x
0.329819277 x 0.032817 x 0.840361 x 0.751506 x 0.419437 x 0.643072289 x
0.999709 x 0.421687 x 0.950301.
3.69187 x
Sedangkan untuk menghitung data testing X yang terklasifikasi ke dalam
kelas resiko kredit buruk P(C1) diketahui nilai untuk masing-masing kriteria
adalah 0.353147. 0.029092, 0.167832, 0.195804, 0.000106, 0.026979, 0.129371,
0.0363121, 0.475524, 0.909091, 0.267511, 0.332167832, 0.034665, 0.741259,
0.622378, 0.374, 0.622377622, 1.00818, 0.377622, dan 0.986014
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 43
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
yang dimana nilai tersebut dikalikan sebagai berikut.
0.353147 x 0.029092 x 0.167832 x 0.195804 x 0.000106 x
0.026979 x 0.129371 x 0.0363121 x 0.475524 x 0.909091 x 0.267511 x
0.332167832 x 0.034665 x 0.741259 x 0.622378 x 0.374 x 0.622377622 x
1.00818 x 0.377622 x 0.986014.
= 1.89687 x
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 44
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
4. Pemaksimalan P(X|Ci)P(Ci)
Penghitungan pemaksimalan untuk kemungkinan klasifikasi kedalam kelas
resiko kredit baik adalah dengan mengalikan hasil dengan P(C0) sebagai
berikut:
=
Dimana α bernilai 1/ , maka
=
Karena 1/ bernilai konstan, maka
= × P(C0)
= 3.69187 x 0.698947368
= 2.58042 x
Sedangkan Penghitungan pemaksimalan untuk kemungkinan klasifikasi kedalam
kelas resiko kredit buruk adalah dengan mengalikan hasil dengan
sebagai berikut:
=
Dimana α bernilai 1/ , maka
=
Karena 1/ bernilai konstan, maka
= × P(C1)
= 1.89687 x 0.301052632
= 5.71059 x
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 45
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Dari penghitungan diatas didapatkan hasil adalah 2.58042 x ,
sedangkan adalah 5.71059 x . Berdasarkan persamaan (2.8),
dibuktikan bahwa sehingga data tersebut diklasifikasikan ke
dalam kelas resiko baik.
4.4 Perancangan dan Implementasi Sistem
4.4.1 Perancangan Sistem
Perancangan sistem kali ini akan digambarkan dalam bentuk flowchart dan
algoritma program sebagai berikut.
a. SPK penentuan kelas resiko kredit
Gambar 4.1 Flowchart umum SPK Penentuan Kelas Resiko Kredit
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 46
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
1. Mulai 2. Input Data Debitur 3. Input Atribut Klasifikasi 4. Estimasi Probabilitas data training() 5. Hitung pemaksimalan() 6. Perbandingan hasil pemaksimalan() 7. Penyimpanan hasil() 8. selesai
Gambar 4.2 Algoritma umum SPK Penentuan Kelas Resiko Kredit
b. Estimasi probabilitas data training
Dari data training yang digunakan akan didapatkan sebuah data yang
terdiri dari nilai StatusRekeningGiro, nilai SejarahKredit, nilai TujuanKredit,
…, nilai TenagaKerjaAsing yang dapat dimisalkan X=(x1,x2,x3,…, ) dimana
x1 adalah nilai atribut StatusRekeningGiro, x2 adalah nilai atribut
SejarahKredit, x3 adalah nilai atribut TujuanKredit, …, dan x20 adalah nilai
atribut TenagaKerjaAsing. Selain itu dimisalkan salah satu kelas target
adalah C. Data tersebut kemudian akan diklasifikasikan ke dalam kelas resiko
kredit baik (C0) atau kelas resiko buruk (C1). Untuk dapat melakukan
klasifikasi data maka perlu dicari probabilitas prior tiap kelas target dan
probabilitas posterior kelas target untuk data tersebut dimana dapat dilihat
seperti pada Gambar 4.4 berikut.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 47
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Gambar 4.3 Flowchart Estimasi Probabilitas data training.
1. Mulai 2. Inisialisasi Probabilitas Posterior() 3. Inisialisasi Probabilitas Prior() 4. Selesai
Gambar 4.4 Algoritma Estimasi Probabilitas data training.
Dari algoritma pada Gambar 4.4 tersebut lalu ditentukan probabilitas
posterior kelas target dari data training dengan melihat pada persamaan (2.5).
Flowchart dan Algoritma untuk penghitungan probabilitas posterior kelas target
untuk data tersebut dapat dilihat pada berikut.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 48
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
2
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 49
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
2
3
ya
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 50
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
3
4
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 51
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Gambar 4.5 Flowchart Inisialisasi Probabilitas Posterior ( kategorial ).
1. Mulai 2. Inisialisai X[][] = data training, 3. n = jumlah data, 4. n_baik = jumlah data dengan kelas resiko baik, 5. n_buruk = jumlah data dengan kelas resiko buruk, 6. NA[][] = nilai atribut kategorial, 7. n_attribut_kategorial = jumlah atribut kategorial, 8. n_nilai_atribut = jumlah nilai atribut kategorial, 9. n_setiap_atribut[] = jumlah X[] setiap atribut, 10. n_setiap_atribut_baik[][] = jumlah X[] setiap atribut dengan
kelas resiko baik, 11. n_setiap_atribut_buruk[][] = jumlah X[] setiap atribut dengan
kelas resiko buruk, 12. p_setiap_atribut_baik[][[] = prosantase setiap atribut dengan
kelas resiko baik, 13. p_setiap_atribut_baik[][] = prosentase setiap atribut dengan
kelas resiko buruk 14. n_atribut_numerik = jumlah atribut numerik, 15. mean_baik[] = rata-rata baik untuk setiap atribut numerik, 16. mean_buruk[] = rata-rata buruk untuk setiap atribut numerik, 17. sd_baik[] = standart deviasi baik untuk setiap atribut numerik, 18. sd_buruk[] = standart deviasi buruk untuk setiap atribut
numerik 19. 20. FOR i=1 TO n DO 21. FOR j=1 TO n_atribut_kategorial DO 22. FOR k=1 TO n_nilai_atribut DO 23. IF X[i][kelas] = baik THEN 24. IF X[i][j] = NA[j][k] 25. n_setiap_atribut_baik[j][k] += 1 26. END IF 27. ELSE 28. IF X[i][j] = NA[j][k] 29. n_setiap_atribut_buruk[j][k] += 1 30. END IF 31. END IF 32. END FOR 33. END FOR 34. END FOR 35. FOR j=1 TO n_atribut_kategorial DO 36. FOR k=1 TO n_nilai_atribut DO
4
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 52
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
37. p_setiap_atribut_baik[j][k] = n_setiap_atribut_baik[j][k] / n_baik
38. p_setiap_atribut_buruk[j][k] = n_setiap_atribut_buruk[j][k] / n_buruk
39. END FOR 40. END FOR 41. 42. FOR i=1 TO n_atribut_numerik DO 43. FOR j=1 TO n DO 44. IF X[j][kelas] = baik THEN 45. total_baik[i] += X[j][i] 46. n_baik[i] += 1 47. ELSE 48. total_buruk[i] += X[j][i] 49. n_buruk[i] += 1 50. END IF 51. END FOR 52. mean_baik[i] = total_baik[i] / n_baik[i] 53. mean_buruk[i] = total_buruk[i] / n_buruk[i] 54. END FOR 55. 56. FOR i=1 To n_atribut_numerik DO 57. FOR j=1 To n DO 58. IF X[j][kelas] = baik THEN 59. varians_baik[i] += ((X[j][i] – mean_baik[i]) * 60. (X[j][i] – mean_baik[i]))) 61. ELSE 62. varians_buruk[i] += ((X[j][i] – mean_buruk[i]) * 63. (X[j][i] – mean_buruk[i]))) 64. END IF 65. sd_baik[i] = sqrt(varians[i][baik]) 66. sd_buruk[i] = sqrt(varians[i][buruk]) 67. END FOR 68. END FOR 69. 70. Selesai
Gambar 4.6 Algorirma Inisialisasi probabilitas prior.
Sedangkan probabilitas prior kelas target dapat dicari dari jumlah data
training untuk kelas target (kelas resiko baik atau kelas resiko buruk) dibagi
dengan total jumlah data training. Flowchart dan Algoritma perhitungannya dapat
dijelaskan melalui gambar berikut.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 53
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Gambar 4.7 Flowchart Inisialisasi probabilitas prior.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 54
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
1. Mulai 2. Inisialisai X[] = data training, 3. n = jumlah data, 4. n_baik = jumlah data dengan kelas resiko baik, 5. n_buruk = jumlah data dengan kelas resiko buruk, 6. p_baik = prosentase kelas resiko baik, 7. p_buruk = prosentase kelas resiko buruk, 8. p_kelas_c[] = probabilitas prior kelas C 9. n = 950 10. FOR i=1 TO n DO 11. IF X[kelas resiko] = baik THEN n_baik + 1 12. ELSE n_buruk + 1 13. END IF 14. END FOR 15. p_baik = n_baik / n 16. p_buruk = n_buruk / n 17. p_kelas_c[kelas_resiko_baik] = p_baik 18. p_kelas_c[kelas_resiko_buruk] = p_buruk 19. Kembalikan p_kelas_c 20. Selesai
Gambar 4.8 Algoritma Inisialisasi probabilitas prior.
c. Hitung pemaksimalan
Setelah didapatkan nilai untuk probabilitas prior dan probabilitas posterior
tiap target kelas, maka hasil propabilitas posterior dari setiap nilai atribut data
debitur dikalikan. Baik probabilitas posterior kelas resiko kredit baik maupun
probabilitas posterior kelas resiko kredit buruk. Hasil perkalian tersebut
kemudian dikalikan dengan hasil probabilitas prior. Probabilitas posterior kelas
resiko kredit baik dikalikan dengan probabilitas prior kelas resiko kredit baik,
sedangkan probabilitas posterior kelas resiko kredit buruk dikalikan dengan
probabilitas prior kelas resiko kredit buruk. Flowchart dan Algoritma
perhitungannya dapat dijelaskan melalui gambar berikut.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 55
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Gambar 4.9 Flowchart pemaksimalan.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 56
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
1. Mulai 2. Inisialisai X[] = input data debitur, 3. NA[][] = nilai atribut kategorial, 4. n_attribut = jumlah atribut kategorial, 5. n_nilai_atribut = jumlah nilai atribut kategorial, 6. pemak_posterior = probabilitas posterior 7. pemak_prior = probabilitas prior 8. pemak_posterior = call inisialisai probabilitas posterior() 9. pemak_prior = call inisialisasi probabilitas prior() 10. pemaksimalan_baik = 1 11. pemaksimalan_buruk = 1 12. FOR j=1 TO n_atribut DO 13. pemaksimalan_baik *= pemak_posterior[baik][j] 14. pemaksimalan_buruk *= pemak_posterior[buruk][j] 15. END FOR 16. Pemaksimalan_baik *= pemak_prior[baik] 17. Pemaksimlan_buruk *= pemak_prior[buruk] 18. selesai
Gambar 4.10 Algoritma pemaksimalan.
d. Perbandingan hasil pemaksimalan
Setelah didapatkan hasil pemaksimalan dari probabilitas prior dan
probabilitas posterior untuk tiap target kelas, maka akan dibandingkan nilai
P(X|C0)P(C0) dan P(X|C1)P(C1).Maka data debitur akan diklasifikasikan ke dalam
kelas target dengan nilai terbesar berdasarkan persamaan (2.6) . Algoritma proses
klasifikasi dapat dijelaskan pada gambar berikut.
2
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 57
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Gambar 4.11 Flowchart perbandingan hasil pemaksimalan.
1. mulai 2. nilai_C0 = pemaksimalan Probabilitas kelas baik 3. nilai_C1 = pemaksimalan Probabilitas kelas buruk 4. nilai_pemaksimalan = hasil pemaksimalan 5. debitur[] = data debitur 6. nilai_pemaksimalan = call hitung pemaksimalan() 7. nilai_C0 = nilai_pemaksimalan[baik] 8. nilai_C1 = nilai_pemaksimalan[buruk] 9. IF(Nilai_C0 > Nilai_C1) THEN debitur = Kelas C0 10. ELSE(Nilai_C1 > Nilai_C0) THEN debitur = Kelas C1 11. Call penyimpanan hasil(debitur) 12. selesai
Gambar 4.12 Algoritma perbandingan hasil pemaksimalan.
e. Penyimpanan hasil
Setelah data debitur diklasifikasikan ke dalam kelas resiko kredit baik atau
kelas resiko kredit buruk, data hasil klasifikasi tersebut kemudian disimpan agar
selanjutnya dapat dipakai untuk pengetahuan bagi klasifikasi selanjutnya.
2
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 58
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Gambar 4.13 Flowchart Penyimpanan hasil klasifikasi.
1. Mulai 2. IF(pilihan = 1) THEN Update Data Training() 3. Selesai
Gambar 4.14 Algoritma Penyimpanan hasil klasifikasi.
4.4.2 Implementasi Sistem
Implementasi sistem ini membutuhkan minimum requirements dengan
rincian seperti, apache server, php programming, dan mysql. Dan berikut adalah
tampilan aplikasinya.
a. Halaman Input Data
Pada halaman ini user menginputkan data calon debitur untuk
dilakukan proses klasifikasi, output yang dihasilkan adalah kelas resiko
kredit.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 59
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Gambar 4.15 Input Data calon Debitur
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 60
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Dari inputan Gambar 4.15 akan dihasilkan output seperti gambar dibawah ini
Gambar 4.16 Output kelas resiko kredit Data Debitur
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 61
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
b. Halaman Uji Akurasi (seting atribut)
Pada halaman ini user melakukan uji akurasi sistem dengan
menyeting atribut yang akan digunakan dan data testing yang digunakan.
Dibawah ini adalah tampilan ketika user sedang menyeting atribut yang
akan digunakan.
Gambar 4.17 Seting Atribut Uji Akurasi
c. Halaman Uji Akurasi (seting data testing)
Pada halaman ini user melakukan uji akurasi sistem dengan
menyeting atribut yang akan digunakan dan data testing yang digunakan.
Dibawah ini adalah tampilan ketika user sedang menyeting data training
yang akan digunakan.
Gambar 4.18 Seting Data testing Uji Akurasi
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 62
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
d. Halaman Hasil Uji Akurasi
Halaman ini menampilkan hasil penghitungan uji akurasi sistem
sesuai dengan seting yang sudah ditentukan.
Gambar 4.19 Hasil Uji Akurasi
e. Halaman Detail Penghitungan Hasil Akurasi
Halaman berikut menampilkan detail hasil penghitungan uji
akurasi sistem untuk setiap data training.
Gambar 4.20 Detail Penghitungan Hasil Uji Akurasi
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 63
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
4.5 Evaluasi Sistem
Data yang digunakan pada penelitian ini sebanyak 1000 data. Dimana dari data
tersebut, 950 buah data dijadikan data training dan 50 data dijadikan data testing
untuk diuji dengan metode klasifikasi Naïve Bayes. Evaluasi yang dilakukan
dalam tahap dibagi menjadi 2 macam, yaitu uji blackbox dan analisa hasil akurasi.
a. Uji Black Box
Untuk mengevaluasi kekonsistenan dan keakuratan sistem, maka
dibutuhkan uji blackbox. Pengujian dilakukan dengan memberikan sebuah
input pada sistem, kemudian hasilnya akan dibandingkan dengan penghitungan
manual yang sudah. Pada pengujian kali ini, diberikan input data pada sistem
untuk mengklasifikasikan kelas resiko kredit. Data input yang diberikan adalah
sebagai berikut.
Tabel 4.4 Data Input Untuk Uji Black Box
Atribut Nilai Atribut Nilai
A1 2 A10 1 A2 21 A11 2 A3 5 A12 3 A4 3 A13 32 A5 2745 A14 3 A6 4 A15 2 A7 4 A16 2 A8 3 A17 3 A9 3 A18 1 A10 1 A19 2 A11 2 A20 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 64
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Berdasarkan Output yang dihasilkan sistem dibawah ini, terlihat antara
prediksi kelas dengan kelas asli bernilai sama, yaitu baik. Uji black box dalam
tahap ini dianggap berhasil.
Gambar 4.21 Detail Hasil Klasifikasi debitur
b. Tingkat Akurasi dengan 20 Atribut
Pada evaluasi ini dilakukan proses komparasi antara hasil dari sistem
dengan data asli. Perbandingan dari kedua hasil tersebut akan dijadikan acuan
dalam menghitung tingkat akurasi sistem. Detail analisa hasil akurasi pada
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 65
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
evaluasi ini dengan menggunakan 20 atribut dapat dilihat pada Tabel 4.4
berikut.
Tabel 4.5 Perbandingan Hasil Implementasi Sistem dengan Data Asli
No Data debitur Hasil Sistem Data Asli Keterangan
1 Data ke-1 1 1 Sesuai
2 Data ke-2 2 2 Sesuai
3 Data ke-3 2 2 Sesuai
4 Data ke-4 2 2 Sesuai
5 Data ke-5 1 1 Sesuai
6 Data ke-6 1 1 Sesuai
7 Data ke-7 1 1 Sesuai
8 Data ke-8 1 1 Sesuai
9 Data ke-9 2 2 Sesuai
10 Data ke-10 2 1 Tidak Sesuai
11 Data ke-11 1 1 Sesuai
12 Data ke-12 1 1 Sesuai
13 Data ke-13 1 1 Sesuai
14 Data ke-14 1 2 Tidak Sesuai
15 Data ke-15 2 1 Tidak Sesuai
16 Data ke-16 2 1 Tidak Sesuai
17 Data ke-17 1 2 Tidak Sesuai
18 Data ke-18 1 1 Sesuai
19 Data ke-19 2 1 Tidak Sesuai
20 Data ke-20 1 1 Sesuai
21 Data ke-21 1 1 Sesuai
22 Data ke-22 2 1 Tidak Sesuai
23 Data ke-23 2 2 Sesuai
24 Data ke-24 2 2 Sesuai
25 Data ke-25 2 1 Tidak Sesuai
26 Data ke-26 1 1 Sesuai
27 Data ke-27 1 1 Sesuai
28 Data ke-28 1 1 Sesuai
29 Data ke-29 1 2 Tidak Sesuai
30 Data ke-30 2 2 Sesuai
31 Data ke-31 2 2 Sesuai
32 Data ke-32 2 2 Sesuai
33 Data ke-33 2 1 Tidak Sesuai
34 Data ke-34 2 2 Sesuai
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 66
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Tabel 4.5 Perbandingan Hasil Implementasi Sistem dengan Data Asli (Lanjutan)
No Data debitur Hasil Sistem Data Asli Keterangan
35 Data ke-35 1 1 Sesuai
36 Data ke-36 2 1 Tidak Sesuai
37 Data ke-37 2 1 Tidak Sesuai
38 Data ke-38 1 1 Sesuai
39 Data ke-39 2 1 Tidak Sesuai
40 Data ke-40 1 1 Sesuai
41 Data ke-41 1 1 Sesuai
42 Data ke-42 1 1 Sesuai
43 Data ke-43 1 1 Sesuai
44 Data ke-44 2 1 Tidak Sesuai
45 Data ke-45 1 1 Sesuai
46 Data ke-46 1 1 Sesuai
47 Data ke-47 2 1 Tidak Sesuai
48 Data ke-48 1 1 Sesuai
49 Data ke-49 2 2 Sesuai
50 Data ke-50 2 1 Tidak Sesuai
Pada perbandingan hasil klasifikasi data testing oleh sistem dengan data
asli menggunakan 20 atribut (A1, A2 A3,…, A20), didapatkan 16 data yang
diklasifikasikan sistem tidak sesuai dengan data asli dan didapatkan 34 data
yang diklasifikasikan sistem sesuai dengan data asli. Dengan demikian dapat
dihitung akurasi sistem dengan penghitungan sebagai berikut:
Akurasi sistem =
× 100 %
=
× 100 %
= 72 %
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 67
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
c. Pencarian Model Kombinasi dengan Tingkat Akurasi Tertinggi
Merupakan proses dalam mencari kombinasi atribut yang menghasilkan
tingkat akurasi sistem tertinggi dalam pengklasifikasian data debitur. Dari 20
atribut yang ada, kombinasi yang dihasilkan sangatlah banyak. Oleh karena itu,
untuk setiap kombinasi yang dihasilkan dengan jumlah satu atribut sampai
dengan dua puluh atribut akan diwakili satu kombinasi yang dipilih acak.
Detail dari kombinasi yang dipilih secara acak dan tingkat akurasi sistem yang
dihasilkan dapat dilihat pada Tabel 4.6 dibawah ini.
Tabel 4.6. Hasil Tingkat Akurasi Untuk Beberapa Kombinasi.
No Kombinasi dengan n atribut Kombinasi yang digunakan
Tingkat akurasi sistem
1 1 atribut Jumlah simpanan 42% 2 2 atribut Jumlah simpanan, jangka waktu peminjaman 64%
3 3 atribut Jumlah simpanan, jangka waktu peminjaman, sejarah kredit 62%
4 4 atribut Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia 68%
5 5 atribut Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan kredit 68%
6 6 atribut Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan kredit, pekerjaan 66%
7 7 atribut Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan kredit, pekerjaan,status rekening giro 64%
8 8 atribut Jumlah simpanan, jangka waktu peminjaman, sejarah
kredit, usia, tujuan kredit, pekerjaan,status rekening giro, properti
64%
9 9 atribut Jumlah simpanan, jangka waktu peminjaman, sejarah
kredit, usia, tujuan kredit, pekerjaan,status rekening giro, properti, tempat tinggal
66%
10 10 atribut Jumlah simpanan, jangka waktu peminjaman, sejarah
kredit, usia, tujuan kredit, pekerjaan,status rekening giro, properti, tempat tinggal, jumlah kredit sebelumnya
66%
11 11 atribut
Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan kredit, pekerjaan,status rekening giro,
properti, tempat tinggal, jumlah kredit sebelumnya, jumlah kredit
70%
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 68
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Tabel 4.6 Tingkat Akurasi Untuk Beberapa Kombinasi (Lanjutan).
No Kombinasi dengan n atribut Kombinasi yang digunakan
Tingkat akurasi sistem
12 12 atribut
Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan kredit, pekerjaan,status rekening giro,
properti, tempat tinggal, jumlah kredit sebelumnya, jumlah kredit, jumlah tanggungan
70%
13 13 atribut
Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan kredit, pekerjaan,status rekening giro,
properti, tempat tinggal, jumlah kredit sebelumnya, jumlah kredit, jumlah tanggungan, lama bekerja
70%
14 14 atribut
Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan kredit, pekerjaan,status rekening giro,
properti, tempat tinggal, jumlah kredit sebelumnya, jumlah kredit, jumlah tanggungan, lama bekerja,
penjamin
72%
15 15 atribut
Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan kredit, pekerjaan,status rekening giro,
properti, tempat tinggal, jumlah kredit sebelumnya, jumlah kredit, jumlah tanggungan, lama bekerja,
penjamin, lama bertempat tiggal
72%
16 16 atribut
Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan kredit, pekerjaan,status rekening giro,
properti, tempat tinggal, jumlah kredit sebelumnya, jumlah kredit, jumlah tanggungan, lama bekerja,
penjamin, lama bertempat tiggal, telepon
72%
17 17 atribut
Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan kredit, pekerjaan,status rekening giro,
properti, tempat tinggal, jumlah kredit sebelumnya, jumlah kredit, jumlah tanggungan, lama bekerja,
penjamin, lama bertempat tiggal, telepon, rencana angsuran lain
72%
18 18 atribut
Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan kredit, pekerjaan,status rekening giro,
properti, tempat tinggal, jumlah kredit sebelumnya, jumlah kredit, jumlah tanggungan, lama bekerja,
penjamin, lama bertempat tiggal, telepon, rencana angsuran lain, status perkawinan dan jenis kelamin
70%
19 19 atribut
Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan kredit, pekerjaan,status rekening giro,
properti, tempat tinggal, jumlah kredit sebelumnya, jumlah kredit, jumlah tanggungan, lama bekerja,
penjamin, lama bertempat tiggal, telepon, rencana angsuran lain, status perkawinan dan jenis kelamin,
tenaga kerja asing
70%
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 69
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
Tabel 4.6 Tingkat Akurasi Untuk Beberapa Kombinasi (Lanjutan).
No Kombinasi dengan n atribut Kombinasi yang digunakan
Tingkat akurasi sistem
20 20 atribut Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan kredit, pekerjaan,status rekening giro, properti, tempat tinggal, jumlah kredit sebelumnya, jumlah kredit, jumlah tanggungan, lama bekerja, penjamin, lama bertempat tiggal, telepon, rencana angsuran lain, status perkawinan dan jenis kelamin, tenaga kerja asing, biaya angsuran terhadap sisa pendapatan
72%
Berdasarkan Tabel 4.6 diatas, dapat ditarik kesimpulan sementara bahwa
kombinasi atribut yang memiliki tingkat akurasi sistem tertinggi dihasilkan oleh
beberapa kombinasi, diantaranya adalah kombinasi dengan empat belas atribut,
yaitu : Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan
kredit, pekerjaan,status rekening giro, properti, tempat tinggal, jumlah kredit
sebelumnya, jumlah kredit, jumlah tanggungan, lama bekerja, penjamin dengan
tingkat akurasi sistem 72%.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P 69
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil evaluasi sistem yang sudah dilakukan dalam penelitian
ini, dapat diambil kesimpulan sebagai berikut.
1. Untuk merancang bangun sistem klasifikasi kelas resiko kredit menggunakan
naïve bayes diperlukan model pengklasifikasian dengan tahap pendefinisian
variabel yang digunakan, pendefinisian probabilitas prior untuk setiap kelas,
dan penghitungan probabilitas posteriorX dengan syarat Ci (P(X|Ci)) untuk
setiap kelas. Setelah didapatkan model tersebut, maka data input debitur yang
diproses akan menghasilkan probabilitas posteriorX untuk setiap kelas. Hasil
dari probabilitas posteriorX tersebut akan dilakukan pemaksimalan dengan
cara dikalikan probabilitas prior. Kemudian hasil pemaksimalan tersebut
dibandingkan, apakah hasil pemaksimalan kelas resiko kredit baik lebih besar
dari hasil pemaksimalan kelas resiko kredit buruk ataupun sebaliknya. Dari
hasil perbandingan tersebut, maka nilai yang lebih besar adalah sebagai
prediksi kelas dari data debitur tersebut.
2. kombinasi atribut yang memiliki tingkat akurasi tertinggi adalah dengan nilai
72%. Kombinasi tersebut dihasilkan oleh beberapa kombinasi yang terdiri
dari kombinasi 14 atribut, kombinasi 15 atribut, kombinasi 16 atribut,
kombinasi 17 atribut, dan kombinasi 20 atribut.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 70
SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P
5.2 Saran
Saran dalam penelitian ini untuk penelitian selanjutnya adalah sebagai
berikut.
1. Klasifikasi data debitur ini juga dapat diolah menggunakan metode lain,
seperti metode decision tree, rule based, support vector machine dan neural
network.
2. Untuk penelitian selanjutnya diharapkan data yang digunakan bersifat lebih
dependen dan memiliki kualitas yang tinggi dan subyektifitas yang rendah.
Sehingga diharapkan hasil pengklasifikasian yang dihasilkan memiliki tingkat
akurasi sistem yang lebih tinggi.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI SISTEM PENDUKUNG KEPUTUSAN… RIESKHA H P
71
DAFTAR PUSTAKA
Badriyah, Tessy. 2008. Data Mining. (online).
(http://lecturer.eepis.its.edu/tessy/lecturenotes/db2/bab10.pdf ), diakses April 2014.
Bustami. 2011. Penerapan Algoritma Naive Bayes Untukmengklasifikasi Data
Nasabah Asuransi. TECHSI: Jurnal Penelitian Teknik Informatika. Fitria, Nurul dan Sari, Raina Linda. 2012. Analisis Kebijakan Pemberian Kredit
Dan Pengaruh Non Performing Loan Terhadap Loan to Deposit Ratio pada PT. Bank Rakyat Indonesia (Persero), Tbk Cabang Rantau, Aceh Tamiang. Jurnal Ekonomi dan Keuangan, Vol.1, No.1, Desember 2012.
Han, Jiawei., dan Kamber, Micheline., 2001, Data Mining: Concepts and Techniques, Elsevier, San Diego.
Kusumadewi, Sri. 2009. Klasifikasi Status Gizi Menggunakan Naive Bayesian Classification. CommIT, Vol. 3 No. 1 Mei 2009, hlm. 6 – 11
Mardison. Sistem Pendukung Keputusan Dalam Pencairan Kredit Nasabah Bank
Dengan Menggunakan Logika Fuzzy Dan Bahasa Pemrograman Java. Jurnal Teknologi Informasi & Pendidikan vol. 5 no. 1 maret 2012 ISSN : 2086 – 4981
Ramdhani, Yudi. 2010. Rancang Bangun Aplikasi untuk memprediksi Kelas
Resiko Pemberian Kredit dengan Menggunakan Metode Naïve Bayes Classifier. Sekolah Tinggi Manajemen Informatika dan Teknik Komputer. Surabaya
Robbins, Stephen P and Coulter Mary. 1999. Manajemen Sixth Edition, Jakarta.
PT.Prenhallindo
Rosmilia, Rita. 2009. Pelaksanaan Penyelesaian Kredit Bermasalah (studi di PT. Bank Rakyat Indonesia (persero) tbk. Cabang Semarang Pattimura). Program Studi Magister Kenotariatan, Program Pasca Sarjana. Universitas Diponegoro. Semarang
Sentana, I Wayan Budi, dkk. 2011. Implementasi The Five C’s Of Credit Analysis
dan Naïve Bayes Classifier pada Sistem Informasi Pencairan Kredit KSU Nawa Eka Cita. Konferensi Nasional Sistem dan Informatika
Tan, Pang-Ning., Steinbach, Michael., dan Kumar, Vipin., 2006, Introduction to Data Mining, Boston :Pearson Education.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 72
SKRIPSI SISTEM PENDUKUNG KEPUTUSAN… RIESKHA H P
Tjoekam, Moh. 2004. Perkreditan Bisnis Inti Bank Komersial. Jakarta: Gramedia Pustaka Utama
Undang‐Undang Nomor 10 Tahun 1998 Tentang Perubahan Atas Undang‐Undang No.7 Tahun 1992
Yongjian Fu. 1997. Data mining: Tasks, techniques and Applications. Department of Computer Science. University of Missouri- Rolla,
Yusnita, Rita Tri. 2011. Pengaruh Kredit Bermasalah Terhadap Perputaran Kas
Dan Dampaknya Terhadap Likuiditas. Jurnal Akuntansi Vol.6 No.2 Juli- Desember 2011.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
Lampiran 1 Data Training
Tabel Keterangan
Jenis Atribut Kode Atribut Nama Atribut Kode Nilai Atribut Nama Nilai Atribut
Kategorial
A1
Status Rekening Giro
1 … < 0 DM
2 … < 200 DM
3 … >= 200 DM
4 tidak mempunyai giro
Numerik A2 Jangka Waktu Peminjaman
Kategorial
A3
Sejarah Kredit
1 Tidak pernah memppunyai kredit
2 Semua kredit dibayar tepat waktu
3 Semua kredit pada bank ini dibayar tepat waktu
4 Terdapat penundaan pembayaran kredit sebelumnya
5 Masih mempunyai tanggungan kredit lain
Kategorial
A4
Tujuan kredit
1 Mobil (baru)
2 Mobil (bekas)
3 Furniture dan sejenisnya
4 Radio / televisi
5 Peralatan rumah tangga
6 Perbaikan
7 Pendidikan
8 Liburan
9 Pelatihan ulang
10 Bisnis / usaha
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
Jenis Atribut Kode Atribut Nama Atribut Kode Nilai Atribut Nama Nilai Atribut
Kategorial A4 Tujuan kredit 11 Lain-lain
Numerik A5 Jumlah Kredit
Katergorial
A6
Jumlah Simpanan
1 … < 100 DM
2 100 <= … < 500 DM
3 500 <= … < 1000 DM
4 … > 1000 DM
5 Tidak memiliki simpanan
Kategorial
A7
Lama Bekerja
1 Tidak bekerja
2 … < 1 tahun
3 1 <= … < 4 tahun
4 4 <= …< 7 tahun
5 … >= 7 tahun
Numerik A8 Biaya Angsuran
Kategorial
A9
Status Perkawinan dan Jenis Kelamin
1 Pria (berpisah/bercerai)
2 Wanita(berpisah/bercerai/menikah)
3 Pria (belum menikah)
4 Pria (menikah/duda)
5 Wanita (belum menikah)
Kategorial
A10 Penjamin
1 Tidak ada penjamin
2 Peminjam lain
3 penjamin
Numerik A11 Lama Bertempat Tinggal
Kategorial
A12
Properti
1 Real estate
2 Jika bukan satu 1, sertifikat tanah
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
Jenis Atribut Kode Atribut Nama Atribut Kode Nilai Atribut Nama Nilai Atribut
Kategorial
A12
Properti
3 Jika bukan 1 atau 2, mobil atau lainnya yg tidak termasuk dalam A6
4 Tidak memiliki property
Numerik A13 Usia
Kategorial
A14 Rencana Angsuran Lain
1 Bank
2 Took
3 Tidak ada rencana
Kategorial
A15 Tempat Tinggal
1 Sewa
2 Milik sendiri
3 bebas
Numerik A16 Jumlah Kredit Sebelumnya
Kategorial
A17
Pekerjaan
1 Tidak bekerja (bukan penduduk)
2 Tidak bekerja (penduduk)
3 Karyawan
4 Wirausaha/manajemen/karyawan kualifikasi tinggi
Numerik A18 Jumlah Tanggungan
Kategorial A19 Telepon
1 Tidak ada telepon
2 Ada, terdaftar atas nama sendiri
Kategorial
A20
Tenaga Kerja Asing
1 Ya (pekerja asing)
2 Bukan pekerja asing
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
1 1 6 5 4 1169 5 5 4 3 1 4 1 67 3 2 2 3 1 2 1 1
2 2 48 3 4 5951 1 3 2 2 1 2 1 22 3 2 1 3 1 1 1 2
3 4 12 5 7 2096 1 4 2 3 1 3 1 49 3 2 1 2 2 1 1 1
4 1 42 3 3 7882 1 4 2 3 3 4 2 45 3 3 1 3 2 1 1 1
5 1 24 4 1 4870 1 3 3 3 1 4 4 53 3 3 2 3 2 1 1 2
6 4 36 3 7 9055 5 3 2 3 1 4 4 35 3 3 1 2 2 2 1 1
7 4 24 3 3 2835 3 5 3 3 1 4 2 53 3 2 1 3 1 1 1 1
8 2 36 3 2 6948 1 3 2 3 1 2 3 35 3 1 1 4 1 2 1 1
9 4 12 3 4 3059 4 4 2 1 1 4 1 61 3 2 1 2 1 1 1 1
10 2 30 5 1 5234 1 1 4 4 1 2 3 28 3 2 2 4 1 1 1 2
11 2 12 3 1 1295 1 2 3 2 1 1 3 25 3 1 1 3 1 1 1 2
12 1 48 3 10 4308 1 2 3 2 1 4 2 24 3 1 1 3 1 1 1 2
13 2 12 3 4 1567 1 3 1 2 1 1 3 22 3 2 1 3 1 2 1 1
14 1 24 5 1 1199 1 5 4 3 1 4 3 60 3 2 2 2 1 1 1 2
15 1 15 3 1 1403 1 3 2 2 1 4 3 28 3 1 1 3 1 1 1 1
16 1 24 3 4 1282 2 3 4 2 1 2 3 32 3 2 1 2 1 1 1 2
17 4 24 5 4 2424 5 5 4 3 1 4 2 53 3 2 2 3 1 1 1 1
18 1 30 1 10 8072 5 2 2 3 1 3 3 25 1 2 3 3 1 1 1 1
19 2 24 3 2 12579 1 5 4 2 1 2 4 44 3 3 1 4 1 2 1 2
20 4 24 3 4 3430 3 5 3 3 1 2 3 31 3 2 1 3 2 2 1 1
21 4 9 5 1 2134 1 3 4 3 1 4 3 48 3 2 3 3 1 2 1 1
22 1 6 3 4 2647 3 3 2 3 1 3 1 44 3 1 1 3 2 1 1 1
23 1 10 5 1 2241 1 2 1 3 1 3 1 48 3 1 2 2 2 1 2 1
24 2 12 5 2 1804 2 2 3 3 1 4 2 44 3 2 1 3 1 1 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
25 4 10 5 3 2069 5 3 2 4 1 1 3 26 3 2 2 3 1 1 2 1
26 1 6 3 3 1374 1 3 1 3 1 2 1 36 1 2 1 2 1 2 1 1
27 4 6 1 4 426 1 5 4 4 1 4 3 39 3 2 1 2 1 1 1 1
28 3 12 2 4 409 4 3 3 2 1 3 1 42 3 1 2 3 1 1 1 1
29 2 7 3 4 2415 1 3 3 3 3 2 1 34 3 2 1 3 1 1 1 1
30 1 60 4 10 6836 1 5 3 3 1 4 4 63 3 2 2 3 1 2 1 2
31 2 18 3 10 1913 4 2 3 4 1 3 1 36 1 2 1 3 1 2 1 1
32 1 24 3 3 4020 1 3 2 3 1 2 3 27 2 2 1 3 1 1 1 1
33 2 18 3 1 5866 2 3 2 3 1 2 3 30 3 2 2 3 1 2 1 1
34 4 12 5 10 1264 5 5 4 3 1 4 4 57 3 1 1 2 1 1 1 1
35 3 12 3 3 1474 1 2 4 2 1 1 2 33 1 2 1 4 1 2 1 1
36 2 45 5 4 4746 1 2 4 3 1 2 2 25 3 2 2 2 1 1 1 2
37 4 48 5 7 6110 1 3 1 3 1 3 4 31 1 3 1 3 1 2 1 1
38 3 18 3 4 2100 1 3 4 3 2 2 1 37 2 2 1 3 1 1 1 2
39 3 10 3 5 1225 1 3 2 3 1 2 3 37 3 2 1 3 1 2 1 1
40 2 9 3 4 458 1 3 4 3 1 3 1 24 3 2 1 3 1 1 1 1
41 4 30 3 4 2333 3 5 4 3 1 2 3 30 1 2 1 4 1 1 1 1
42 2 12 3 4 1158 3 3 3 1 1 1 3 26 3 2 1 3 1 2 1 1
43 2 18 4 6 6204 1 3 2 3 1 4 1 44 3 2 1 2 2 2 1 1
44 1 30 5 2 6187 2 4 1 4 1 4 3 24 3 1 2 3 1 1 1 1
45 1 48 5 2 6143 1 5 4 2 1 4 4 58 2 3 2 2 1 1 1 2
46 4 11 5 1 1393 1 2 4 2 1 4 3 35 3 2 2 4 1 1 1 1
47 4 36 3 4 2299 3 5 4 3 1 4 3 39 3 2 1 3 1 1 1 1
48 1 6 3 2 1352 3 1 1 2 1 2 2 23 3 1 1 1 1 2 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
49 4 11 5 1 7228 1 3 1 3 1 4 2 39 3 2 2 2 1 1 1 1
50 4 12 3 4 2073 2 3 4 2 2 2 1 28 3 2 1 3 1 1 1 1
51 2 24 4 3 2333 5 2 4 3 1 2 2 29 1 2 1 2 1 1 1 1
52 2 27 4 2 5965 1 5 1 3 1 2 3 30 3 2 2 4 1 2 1 1
53 4 12 3 4 1262 1 3 3 3 1 2 3 25 3 2 1 3 1 1 1 1
54 4 18 3 2 3378 5 3 2 3 1 1 2 31 3 2 1 3 1 2 1 1
55 2 36 4 1 2225 1 5 4 3 1 4 4 57 1 3 2 3 1 2 1 2
56 4 6 2 1 783 5 3 1 3 3 2 1 26 2 2 1 2 2 1 1 1
57 2 12 3 4 6468 5 1 2 3 1 1 4 52 3 2 1 4 1 2 1 2
58 4 36 5 4 9566 1 3 2 2 1 2 3 31 2 2 2 3 1 1 1 1
59 3 18 3 1 1961 1 5 3 2 1 2 3 23 3 2 1 4 1 1 1 1
60 1 36 5 3 6229 1 2 4 2 2 4 4 23 3 1 2 2 1 2 1 2
61 2 9 3 10 1391 1 3 2 4 1 1 1 27 1 2 1 3 1 2 1 1
62 2 15 5 4 1537 5 5 4 3 3 4 1 50 3 2 2 3 1 2 1 1
63 2 36 1 10 1953 1 5 4 3 1 4 4 61 3 3 1 4 1 2 1 2
64 2 48 1 10 14421 1 3 2 3 1 2 3 25 3 2 1 3 1 2 1 2
65 4 24 3 4 3181 1 2 4 2 1 4 2 26 3 2 1 3 1 2 1 1
66 4 27 3 6 5190 5 5 4 3 1 4 2 48 3 2 4 3 2 2 1 1
67 4 12 3 4 2171 1 2 2 2 1 2 3 29 1 2 1 3 1 1 1 1
68 2 12 3 1 1007 4 3 4 4 1 1 1 22 3 2 1 3 1 1 1 1
69 4 36 3 7 1819 1 3 4 3 1 4 4 37 2 3 1 3 1 2 1 2
70 4 36 3 4 2394 5 3 4 2 1 4 3 25 3 2 1 3 1 1 1 1
71 4 36 3 2 8133 1 3 1 2 1 2 2 30 1 2 1 3 1 1 1 1
72 4 7 5 4 730 5 5 4 3 1 2 2 46 3 1 2 2 1 2 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
73 1 8 5 11 1164 1 5 3 3 1 4 4 51 1 3 2 4 2 2 1 1
74 2 42 5 10 5954 1 4 2 2 1 1 1 41 1 2 2 2 1 1 1 1
75 1 36 3 7 1977 5 5 4 3 1 4 4 40 3 2 1 4 1 2 1 2
76 1 12 5 2 1526 1 5 4 3 1 4 4 66 3 3 2 4 1 1 1 1
77 1 42 3 4 3965 1 2 4 3 1 3 3 34 3 2 1 3 1 1 1 2
78 2 11 4 4 4771 1 4 2 3 1 4 2 51 3 2 1 3 1 1 1 1
79 4 54 1 2 9436 5 3 2 3 1 2 2 39 3 2 1 2 2 1 1 1
80 2 30 3 3 3832 1 2 2 4 1 1 2 22 3 2 1 3 1 1 1 1
81 4 24 3 4 5943 5 2 1 2 1 1 3 44 3 2 2 3 1 2 1 2
82 4 15 3 4 1213 3 5 4 3 1 3 2 47 2 2 1 3 1 2 1 1
83 4 18 3 10 1568 2 3 3 2 1 4 2 24 3 1 1 2 1 1 1 1
84 1 24 3 11 1755 1 5 4 2 3 4 1 58 3 2 1 2 1 2 1 1
85 1 10 3 4 2315 1 5 3 3 1 4 1 52 3 2 1 2 1 1 1 1
86 4 12 5 10 1412 1 3 4 2 3 2 1 29 3 2 2 4 1 2 1 1
87 2 18 5 3 1295 1 2 4 2 1 1 2 27 3 2 2 3 1 1 1 1
88 2 36 3 7 12612 2 3 1 3 1 4 4 47 3 3 1 3 2 2 1 2
89 1 18 3 1 2249 2 4 4 3 1 3 3 30 3 2 1 4 2 2 1 1
90 1 12 1 6 1108 1 4 4 3 1 3 1 28 3 2 2 3 1 1 1 2
91 4 12 5 4 618 1 5 4 3 1 4 1 56 3 2 1 3 1 1 1 1
92 1 12 5 2 1409 1 5 4 3 1 3 1 54 3 2 1 3 1 1 1 1
93 4 12 5 4 797 5 5 4 2 1 3 2 33 1 2 1 2 2 1 1 2
94 3 24 5 3 3617 5 5 4 3 2 4 4 20 3 1 2 3 1 1 1 1
95 2 12 3 1 1318 4 5 4 3 1 4 1 54 3 2 1 3 1 2 1 1
96 2 54 1 10 15945 1 2 3 3 1 4 4 58 3 1 1 3 1 2 1 2
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
97 4 12 5 7 2012 5 4 4 2 1 2 3 61 3 2 1 3 1 1 1 1
98 2 18 3 10 2622 2 3 4 3 1 4 3 34 3 2 1 3 1 1 1 1
99 2 36 5 4 2337 1 5 4 3 1 4 1 36 3 2 1 3 1 1 1 1
100 2 20 4 2 7057 5 4 3 3 1 4 2 36 1 1 2 4 2 2 1 1
101 4 24 3 1 1469 2 5 4 4 1 4 1 41 3 1 1 2 1 1 1 1
102 2 36 3 4 2323 1 4 4 3 1 4 3 24 3 1 1 3 1 1 1 1
103 4 6 4 4 932 1 3 3 2 1 2 1 24 3 2 1 3 1 1 1 1
104 2 9 5 3 1919 1 4 4 3 1 3 3 35 3 1 1 3 1 2 1 1
105 4 12 3 2 2445 5 2 2 4 1 4 3 26 3 1 1 3 1 2 1 1
106 2 24 5 11 11938 1 3 2 3 2 3 3 39 3 2 2 4 2 2 1 2
107 4 18 2 1 6458 1 5 2 3 1 4 4 39 1 2 2 4 2 2 1 2
108 2 12 3 1 6078 1 4 2 3 1 2 3 32 3 2 1 3 1 1 1 1
109 1 24 3 3 7721 5 2 1 2 1 2 2 30 3 2 1 3 1 2 2 1
110 2 14 3 10 1410 3 5 1 4 1 2 1 35 3 2 1 3 1 2 1 1
111 2 6 4 10 1449 2 5 1 1 1 2 3 31 1 2 2 3 2 1 1 1
112 3 15 3 7 392 1 2 4 2 1 4 2 23 3 1 1 3 1 2 1 1
113 2 18 3 1 6260 1 4 3 3 1 3 1 28 3 1 1 2 1 1 1 1
114 4 36 5 1 7855 1 3 4 2 1 2 1 25 2 2 2 3 1 2 1 2
115 1 12 3 4 1680 3 5 3 4 1 1 1 35 3 2 1 3 1 1 1 1
116 4 48 5 4 3578 5 5 4 3 1 1 1 47 3 2 1 3 1 2 1 1
117 1 42 3 4 7174 5 4 4 2 1 3 3 30 3 2 1 4 1 2 1 2
118 1 10 5 3 2132 5 2 2 2 2 3 1 27 3 1 2 3 1 1 2 1
119 1 33 5 3 4281 3 3 1 2 1 4 3 23 3 2 2 3 1 1 1 2
120 2 12 5 1 2366 3 4 3 1 1 3 3 36 3 2 1 4 1 2 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
121 1 21 3 4 1835 1 3 3 2 1 2 1 25 3 2 2 3 1 2 1 2
122 4 24 5 2 3868 1 5 4 2 1 2 3 41 3 1 2 4 1 2 1 1
123 4 12 3 3 1768 1 3 3 3 1 2 1 24 3 1 1 2 1 1 1 1
124 3 10 5 1 781 1 5 4 3 1 4 4 63 3 3 2 3 1 2 1 1
125 2 18 3 3 1924 5 2 4 2 1 3 1 27 3 1 1 3 1 1 1 2
126 1 12 5 1 2121 1 3 4 3 1 2 2 30 3 2 2 3 1 1 1 1
127 1 12 3 4 701 1 3 4 4 1 2 1 40 3 2 1 2 1 1 1 1
128 2 12 3 6 639 1 3 4 3 1 2 3 30 3 2 1 3 1 1 1 2
129 2 12 5 2 1860 1 1 4 3 1 2 3 34 3 2 2 4 1 2 1 1
130 1 12 5 1 3499 1 3 3 2 2 2 1 29 3 2 2 3 1 1 1 2
131 2 48 3 1 8487 5 4 1 2 1 2 3 24 3 2 1 3 1 1 1 1
132 1 36 4 7 6887 1 3 4 3 1 3 2 29 2 2 1 3 1 2 1 2
133 4 15 3 3 2708 1 2 2 3 1 3 2 27 1 2 2 2 1 1 1 1
134 4 18 3 3 1984 1 3 4 3 1 4 4 47 1 3 2 3 1 1 1 1
135 4 60 3 4 10144 2 4 2 2 1 4 1 21 3 2 1 3 1 2 1 1
136 4 12 5 4 1240 5 5 4 2 1 2 1 38 3 2 2 3 1 2 1 1
137 4 27 4 2 8613 4 3 2 3 1 2 3 27 3 2 2 3 1 1 1 1
138 2 12 3 4 766 3 3 4 3 1 3 1 66 3 2 1 2 1 1 1 2
139 2 15 5 4 2728 5 4 4 3 3 2 1 35 1 2 3 3 1 2 1 1
140 3 12 3 4 1881 1 3 2 2 1 2 3 44 3 1 1 2 1 2 1 1
141 3 6 3 1 709 4 2 2 4 1 2 1 27 3 2 1 1 1 1 2 1
142 2 36 3 4 4795 1 2 4 2 1 1 4 30 3 2 1 4 1 2 1 1
143 1 27 3 4 3416 1 3 3 3 1 2 3 27 3 2 1 4 1 1 1 1
144 1 18 3 3 2462 1 3 2 3 1 2 3 22 3 2 1 3 1 1 1 2
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
145 4 21 5 3 2288 1 2 4 2 1 4 2 23 3 2 1 3 1 2 1 1
146 2 48 2 10 3566 2 4 4 3 1 2 3 30 3 2 1 3 1 1 1 1
147 1 6 5 1 860 1 5 1 2 1 4 4 39 3 2 2 3 1 2 1 1
148 4 12 5 1 682 2 4 4 2 1 3 3 51 3 2 2 3 1 2 1 1
149 1 36 5 3 5371 1 3 3 3 3 2 2 28 3 2 2 3 1 1 1 1
150 4 18 5 4 1582 4 5 4 3 1 4 3 46 3 2 2 3 1 1 1 1
151 4 6 3 4 1346 2 5 2 3 1 4 4 42 1 3 1 3 2 2 1 1
152 4 10 3 4 1924 1 3 1 3 1 4 2 38 3 2 1 3 1 2 2 1
153 3 36 3 4 5848 1 3 4 3 1 1 3 24 3 2 1 3 1 1 1 1
154 2 24 5 2 7758 4 5 2 2 1 4 4 29 3 1 1 3 1 1 1 1
155 2 24 4 10 6967 2 4 4 3 1 4 3 36 3 1 1 4 1 2 1 1
156 1 12 3 3 1282 1 3 2 2 1 4 3 20 3 1 1 3 1 1 1 2
157 1 9 5 6 1288 2 5 3 3 3 4 1 48 3 2 2 3 2 1 2 1
158 1 12 2 9 339 1 5 4 4 1 1 3 45 1 2 1 2 1 1 1 1
159 2 24 3 1 3512 2 4 2 3 1 3 3 38 1 2 2 3 1 2 1 1
160 4 6 5 4 1898 5 3 1 3 1 2 1 34 3 2 2 2 2 1 1 1
161 4 24 5 4 2872 2 5 3 3 1 4 1 36 3 2 1 3 2 2 1 1
162 4 18 5 1 1055 1 2 4 2 1 1 2 30 3 2 2 3 1 1 1 1
163 4 15 3 5 1262 3 4 4 3 1 3 2 36 3 2 2 3 1 2 1 1
164 2 10 3 1 7308 1 1 2 3 1 4 4 70 1 3 1 4 1 2 1 1
165 4 36 3 1 909 3 5 4 3 1 4 2 36 3 2 1 3 1 1 1 1
166 4 6 3 3 2978 3 3 1 3 1 2 3 32 3 2 1 3 1 2 1 1
167 1 18 3 3 1131 1 1 4 2 1 2 3 33 3 2 1 3 1 1 1 2
168 2 11 3 3 1577 4 2 4 2 1 1 1 20 3 2 1 3 1 1 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
169 4 24 3 3 3972 1 4 2 2 1 4 2 25 3 1 1 3 1 2 1 1
170 2 24 5 10 1935 1 5 4 1 1 4 1 31 3 2 2 3 1 2 1 2
171 1 15 1 1 950 1 5 4 3 1 3 3 33 3 1 2 3 2 1 1 2
172 4 12 3 3 763 1 3 4 2 1 1 1 26 3 2 1 3 1 2 1 1
173 2 24 4 3 2064 1 1 3 2 1 2 2 34 3 2 1 4 1 2 1 2
174 2 8 3 4 1414 1 3 4 3 3 2 1 33 3 2 1 3 1 1 2 1
175 1 21 4 7 3414 1 2 2 3 1 1 2 26 3 2 2 3 1 1 1 2
176 4 30 2 2 7485 5 1 4 2 1 1 1 53 1 2 1 4 1 2 1 2
177 1 12 3 3 2577 1 3 2 1 1 1 3 42 3 2 1 3 1 1 1 1
178 1 6 5 4 338 3 5 4 3 1 4 3 52 3 2 2 3 1 1 1 1
179 4 12 3 4 1963 1 4 4 3 1 2 3 31 3 1 2 4 2 2 1 1
180 1 21 5 1 571 1 5 4 3 1 4 1 65 3 2 2 3 1 1 1 1
181 4 36 4 10 9572 1 2 1 1 1 1 3 28 3 2 2 3 1 1 1 2
182 2 36 4 10 4455 1 3 2 1 1 2 1 30 2 2 2 4 1 2 1 2
183 1 21 2 1 1647 5 3 4 3 1 2 2 40 3 2 2 2 2 1 1 2
184 4 24 5 3 3777 4 3 4 3 1 4 1 50 3 2 1 3 1 2 1 1
185 2 18 5 1 884 1 5 4 3 1 4 3 36 1 2 1 3 2 2 1 2
186 4 15 5 4 1360 1 3 4 3 1 2 2 31 3 2 2 3 1 1 1 1
187 2 9 2 2 5129 1 5 2 2 1 4 4 74 1 3 1 4 2 2 1 2
188 2 16 5 1 1175 1 1 2 3 1 3 3 68 3 3 3 1 1 2 1 1
189 1 12 3 4 674 2 4 4 4 1 1 2 20 3 2 1 3 1 1 1 2
190 2 18 1 3 3244 1 3 1 2 1 4 3 33 1 2 2 3 1 2 1 1
191 4 24 3 10 4591 4 3 2 3 1 3 2 54 3 2 3 4 1 2 1 2
192 2 48 1 10 3844 2 4 4 3 1 4 4 34 3 3 1 2 2 1 1 2
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
193 2 27 3 10 3915 1 3 4 3 1 2 3 36 3 2 1 3 2 2 1 2
194 4 6 3 4 2108 1 4 2 4 1 2 1 29 3 1 1 3 1 1 1 1
195 2 45 3 4 3031 2 3 4 3 3 4 2 21 3 1 1 3 1 1 1 2
196 2 9 5 7 1501 1 5 2 2 1 3 3 34 3 2 2 4 1 2 1 2
197 4 6 5 4 1382 1 3 1 2 1 1 3 28 3 2 2 3 1 2 1 1
198 2 12 3 3 951 2 2 4 2 1 4 3 27 1 1 4 3 1 1 1 2
199 2 24 3 2 2760 5 5 4 3 1 4 4 36 1 3 1 3 1 2 1 1
200 2 18 4 3 4297 1 5 4 1 1 3 4 40 3 2 1 4 1 2 1 2
201 4 9 5 7 936 3 5 4 3 1 2 3 52 3 2 2 3 1 2 1 1
202 1 12 3 1 1168 1 3 4 4 1 3 1 27 3 2 1 2 1 1 1 1
203 4 27 4 10 5117 1 4 3 3 1 4 3 26 3 2 2 3 1 1 1 1
204 1 12 3 9 902 1 4 4 4 1 4 2 21 3 1 1 3 1 1 1 2
205 4 12 5 1 1495 1 5 4 3 1 1 1 38 3 2 2 2 2 1 1 1
206 1 30 5 2 10623 1 5 3 3 1 4 4 38 3 3 3 4 2 2 1 1
207 4 12 5 3 1935 1 5 4 3 1 4 1 43 3 2 3 3 1 2 1 1
208 2 12 5 5 1424 1 4 4 3 1 3 2 26 3 2 1 3 1 1 1 1
209 1 24 3 10 6568 1 3 2 4 1 2 3 21 2 2 1 2 1 1 1 1
210 4 12 3 2 1413 4 4 3 3 1 2 2 55 3 2 1 3 1 1 2 1
211 4 9 5 4 3074 5 3 1 3 1 2 1 33 3 2 2 3 2 1 1 1
212 4 36 3 4 3835 5 5 2 2 1 4 1 45 3 2 1 2 1 2 1 1
213 1 27 1 10 5293 1 1 2 3 1 4 2 50 2 2 2 3 1 2 1 2
214 3 30 4 10 1908 1 5 4 3 1 4 1 66 3 2 1 4 1 2 1 2
215 4 36 5 4 3342 5 5 4 3 1 2 3 51 3 2 1 3 1 2 1 1
216 2 6 5 9 932 5 4 1 2 1 3 2 39 3 2 2 2 1 1 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
217 1 18 1 10 3104 1 4 3 3 1 1 2 31 1 2 1 3 1 2 1 1
218 3 36 3 4 3913 1 3 2 3 1 2 1 23 3 2 1 3 1 2 1 1
219 1 24 3 3 3021 1 3 2 1 1 2 1 24 3 1 1 2 1 1 1 1
220 4 10 3 1 1364 1 3 2 2 1 4 3 64 3 2 1 3 1 2 1 1
221 2 12 3 4 625 1 2 4 4 3 1 1 26 1 2 1 2 1 1 1 1
222 1 12 3 7 1200 5 3 4 2 1 4 2 23 1 1 1 3 1 2 1 1
223 4 12 3 4 707 1 3 4 3 1 2 1 30 1 2 2 3 1 1 1 1
224 4 24 4 10 2978 5 3 4 3 1 4 1 32 3 2 2 3 2 2 1 1
225 4 15 3 2 4657 1 3 3 3 1 2 3 30 3 2 1 3 1 2 1 1
226 4 36 1 6 2613 1 3 4 3 1 2 3 27 3 2 2 3 1 1 1 1
227 2 48 3 4 10961 4 4 1 3 2 2 4 27 1 2 2 3 1 2 1 2
228 1 12 3 3 7865 1 5 4 3 1 4 4 53 3 3 1 4 1 2 1 2
229 4 9 3 4 1478 1 4 4 3 1 2 3 22 3 2 1 3 1 1 1 2
230 1 24 3 3 3149 1 2 4 3 1 1 4 22 1 3 1 3 1 1 1 1
231 3 36 3 4 4210 1 3 4 3 1 2 3 26 3 2 1 3 1 1 1 2
232 4 9 3 1 2507 3 5 2 3 1 4 4 51 3 3 1 2 1 1 1 1
233 4 12 3 4 2141 2 4 3 3 1 1 4 35 3 2 1 3 1 1 1 1
234 2 18 3 4 866 1 3 4 4 3 2 1 25 3 2 1 2 1 1 1 1
235 4 4 5 4 1544 1 4 2 3 1 1 1 42 3 2 3 2 2 1 1 1
236 1 24 3 4 1823 1 1 4 3 1 2 3 30 2 2 1 4 2 1 1 2
237 2 6 3 1 14555 5 1 1 3 1 2 2 23 3 2 1 1 1 2 1 2
238 2 21 3 10 2767 2 5 4 1 1 2 3 61 1 1 2 2 1 1 1 2
239 4 12 5 4 1291 1 3 4 2 1 2 2 35 3 2 2 3 1 1 1 1
240 1 30 3 4 2522 1 5 1 3 3 3 2 39 3 2 1 3 2 1 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
241 1 24 3 1 915 5 5 4 2 1 2 3 29 1 2 1 3 1 1 1 2
242 4 6 3 4 1595 1 4 3 3 1 2 2 51 3 2 1 3 2 1 1 1
243 1 48 1 2 4605 1 5 3 3 1 4 4 24 3 3 2 3 2 1 1 2
244 4 12 5 10 1185 1 3 3 2 1 2 1 27 3 2 2 3 1 1 1 1
245 4 12 2 9 3447 3 3 4 2 1 3 1 35 3 2 1 2 2 1 1 1
246 4 24 3 10 1258 1 4 4 3 1 1 1 25 3 2 1 3 1 2 1 1
247 4 12 5 4 717 1 5 4 3 1 4 1 52 3 2 3 3 1 1 1 1
248 4 6 1 1 1204 2 3 4 3 1 1 4 35 1 1 1 3 1 1 2 1
249 3 24 3 3 1925 1 3 2 3 1 2 1 26 3 2 1 3 1 1 1 1
250 4 18 3 4 433 1 1 3 2 2 4 1 22 3 1 1 3 1 1 1 2
251 1 6 5 1 666 4 4 3 2 1 4 1 39 3 2 2 2 1 2 1 1
252 3 12 3 3 2251 1 3 1 2 1 2 3 46 3 2 1 2 1 1 1 1
253 2 30 3 1 2150 1 3 4 2 3 2 4 24 1 2 1 3 1 1 1 2
254 4 24 4 3 4151 2 3 2 3 1 3 2 35 3 2 2 3 1 1 1 1
255 2 9 3 3 2030 5 4 2 3 1 1 3 24 3 2 1 3 1 2 1 1
256 2 60 4 4 7418 5 3 1 3 1 1 1 27 3 2 1 2 1 1 1 1
257 4 24 5 4 2684 1 3 4 3 1 2 1 35 3 2 2 2 1 1 1 1
258 1 12 2 4 2149 1 3 4 1 1 1 4 29 3 3 1 3 1 1 1 2
259 4 15 3 2 3812 2 2 1 2 1 4 3 23 3 2 1 3 1 2 1 1
260 4 11 5 4 1154 2 1 4 2 1 4 1 57 3 2 3 2 1 1 1 1
261 1 12 3 3 1657 1 3 2 3 1 2 1 27 3 2 1 3 1 1 1 1
262 1 24 3 4 1603 1 5 4 2 1 4 3 55 3 2 1 3 1 1 1 1
263 1 18 5 1 5302 1 5 2 3 1 4 4 36 3 3 3 4 1 2 1 1
264 4 12 5 7 2748 1 5 2 2 1 4 4 57 1 3 3 2 1 1 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
265 4 10 5 1 1231 1 5 3 3 1 4 1 32 3 2 2 2 2 1 2 1
266 2 15 3 4 802 1 5 4 3 1 3 3 37 3 2 1 3 2 1 1 2
267 4 36 5 10 6304 5 5 4 3 1 4 1 36 3 2 2 3 1 1 1 1
268 4 24 3 4 1533 1 2 4 2 1 3 3 38 2 2 1 3 1 2 1 1
269 1 14 3 1 8978 1 5 1 1 1 4 2 45 3 2 1 4 1 2 2 2
270 4 24 3 4 999 5 5 4 3 1 2 3 25 3 2 2 3 1 1 1 1
271 4 18 3 1 2662 5 4 4 3 1 3 2 32 3 2 1 3 1 1 2 1
272 4 12 5 3 1402 3 4 3 2 1 4 3 37 3 1 1 3 1 2 1 1
273 2 48 2 1 12169 5 1 4 3 2 4 4 36 3 3 1 4 1 2 1 1
274 2 48 3 4 3060 1 4 4 3 1 4 1 28 3 2 2 3 1 1 1 2
275 1 30 3 6 11998 1 2 1 1 1 1 4 34 3 2 1 2 1 2 1 2
276 4 9 3 4 2697 1 3 1 3 1 2 1 32 3 2 1 3 2 1 1 1
277 4 18 5 4 2404 1 3 2 2 1 2 3 26 3 2 2 3 1 1 1 1
278 1 12 3 3 1262 5 5 2 1 1 4 2 49 3 2 1 2 1 2 1 1
279 4 6 3 3 4611 1 2 1 2 1 4 2 32 3 2 1 3 1 1 1 2
280 4 24 3 4 1901 2 3 4 3 1 4 3 29 3 1 1 4 1 2 1 1
281 4 15 5 2 3368 4 5 3 3 1 4 4 23 3 1 2 3 1 2 1 1
282 4 12 3 3 1574 1 3 4 3 1 2 1 50 3 2 1 3 1 1 1 1
283 3 18 2 4 1445 5 4 4 3 1 4 3 49 1 2 1 2 1 1 1 1
284 4 15 5 3 1520 5 5 4 3 1 4 2 63 3 2 1 3 1 1 1 1
285 2 24 5 1 3878 2 2 4 1 1 2 3 37 3 2 1 3 1 2 1 1
286 1 47 3 1 10722 1 2 1 2 1 1 1 35 3 2 1 2 1 2 1 1
287 1 48 3 2 4788 1 4 4 3 1 3 2 26 3 2 1 3 2 1 1 1
288 2 48 4 11 7582 2 1 2 3 1 4 4 31 3 3 1 4 1 2 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
289 2 12 3 4 1092 1 3 4 2 3 4 1 49 3 2 2 3 1 2 1 1
290 1 24 4 4 1024 1 2 4 4 1 4 1 48 2 2 1 3 1 1 1 2
291 4 12 3 10 1076 1 3 2 4 1 2 1 26 3 2 1 3 1 2 2 1
292 2 36 3 2 9398 1 2 1 4 1 4 3 28 3 1 1 4 1 2 1 2
293 1 24 5 2 6419 1 5 2 2 1 4 4 44 3 3 2 4 2 2 1 1
294 3 42 5 2 4796 1 5 4 3 1 4 4 56 3 3 1 3 1 1 1 1
295 4 48 5 10 7629 5 5 4 1 1 2 3 46 1 2 2 4 2 1 1 1
296 2 48 3 3 9960 1 2 1 2 1 2 3 26 3 2 1 3 1 2 1 2
297 4 12 3 2 4675 5 2 1 2 1 4 3 20 3 1 1 3 1 1 1 1
298 4 10 3 1 1287 5 5 4 3 2 2 2 45 3 2 1 2 1 1 2 1
299 4 18 3 3 2515 1 3 3 3 1 4 1 43 3 2 1 3 1 2 1 1
300 2 21 5 3 2745 4 4 3 3 1 2 3 32 3 2 2 3 1 2 1 1
301 4 6 3 1 672 1 1 1 2 1 4 1 54 3 2 1 1 1 2 1 1
302 2 36 1 4 3804 1 3 4 2 1 1 3 42 3 2 1 3 1 2 1 2
303 3 24 5 1 1344 5 4 4 3 1 2 1 37 1 2 2 2 2 1 1 2
304 1 10 5 1 1038 1 4 4 3 2 3 2 49 3 2 2 3 1 2 1 1
305 4 48 5 1 10127 3 3 2 3 1 2 4 44 1 3 1 3 1 1 1 2
306 4 6 3 3 1543 4 3 4 1 1 2 1 33 3 2 1 3 1 1 1 1
307 4 30 3 2 4811 5 4 2 2 1 4 2 24 2 1 1 2 1 1 1 1
308 1 12 3 4 727 2 2 4 4 1 3 4 33 3 2 1 2 1 2 1 2
309 2 8 3 3 1237 1 3 3 2 1 4 1 24 3 2 1 3 1 1 1 2
310 2 9 3 1 276 1 3 4 4 1 4 1 22 3 1 1 2 1 1 1 1
311 2 48 3 11 5381 5 1 3 3 1 4 4 40 1 3 1 1 1 2 1 1
312 4 24 3 3 5511 2 3 4 3 1 1 3 25 2 2 1 3 1 1 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
313 3 24 3 3 3749 1 2 2 2 1 4 3 26 3 2 1 3 1 1 1 1
314 2 12 3 1 685 1 4 2 4 1 3 3 25 1 2 1 2 1 1 1 2
315 3 4 3 1 1494 5 2 1 3 1 2 1 29 3 2 1 2 2 1 2 1
316 1 36 2 3 2746 1 5 4 3 1 4 3 31 1 2 1 3 1 1 1 2
317 1 12 3 3 708 1 3 2 3 3 3 2 38 3 2 1 2 2 1 1 1
318 2 24 3 3 4351 5 3 1 2 1 4 2 48 3 2 1 2 1 2 1 1
319 4 12 5 7 701 1 3 4 3 1 2 3 32 3 2 2 3 1 1 1 1
320 1 15 4 3 3643 1 5 1 2 1 4 2 27 3 2 2 2 1 1 1 1
321 2 30 5 1 4249 1 1 4 4 1 2 3 28 3 2 2 4 1 1 1 2
322 1 24 3 4 1938 1 2 4 1 1 3 2 32 3 2 1 3 1 1 1 2
323 1 24 3 2 2910 1 4 2 3 1 1 4 34 3 3 1 4 1 2 1 1
324 1 18 3 3 2659 4 3 4 3 1 2 3 28 3 2 1 3 1 1 1 1
325 4 18 5 1 1028 1 3 4 2 1 3 1 36 3 2 2 3 1 1 1 1
326 1 8 5 1 3398 1 4 1 3 1 4 1 39 3 2 2 2 1 1 2 1
327 4 12 5 3 5801 5 5 2 3 1 4 2 49 3 1 1 3 1 2 1 1
328 4 24 3 1 1525 4 4 4 2 1 3 3 34 3 2 1 3 2 2 1 1
329 3 36 3 4 4473 1 5 4 3 1 2 3 31 3 2 1 3 1 1 1 1
330 2 6 3 4 1068 1 5 4 3 1 4 3 28 3 2 1 3 2 1 1 1
331 1 24 5 2 6615 1 1 2 3 1 4 4 75 3 3 2 4 1 2 1 1
332 4 18 5 7 1864 2 3 4 2 1 2 1 30 3 2 2 3 1 1 1 2
333 2 60 3 1 7408 2 2 4 2 1 2 2 24 3 2 1 4 1 1 1 2
334 4 48 5 2 11590 2 3 2 2 1 4 3 24 1 1 2 2 1 1 1 2
335 1 24 1 3 4110 1 5 3 3 1 4 4 23 1 1 2 3 2 1 1 2
336 1 6 5 3 3384 1 3 1 1 1 4 1 44 3 1 1 4 1 2 1 2
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
337 2 13 3 4 2101 1 2 2 2 3 4 2 23 3 2 1 2 1 1 1 1
338 1 15 3 5 1275 5 3 4 2 1 2 3 24 3 1 1 3 1 1 1 2
339 1 24 3 3 4169 1 3 4 3 1 4 2 28 3 2 1 3 1 1 1 1
340 2 10 3 3 1521 1 3 4 1 1 2 3 31 3 2 1 2 1 1 1 1
341 2 24 5 7 5743 1 2 2 2 1 4 4 24 3 3 2 3 1 2 1 1
342 1 21 3 3 3599 1 4 1 2 1 4 3 26 3 1 1 2 1 1 1 1
343 2 18 3 4 3213 3 2 1 4 1 3 1 25 3 1 1 3 1 1 1 1
344 2 18 3 10 4439 1 5 1 3 2 1 1 33 1 2 1 4 1 2 1 1
345 3 10 3 1 3949 1 2 1 3 3 1 2 37 3 2 1 2 2 1 1 1
346 4 15 5 4 1459 1 3 4 2 1 2 3 43 3 2 1 2 1 1 1 1
347 2 13 5 4 882 1 2 4 3 3 4 1 23 3 2 2 3 1 1 1 1
348 2 24 3 4 3758 3 1 1 2 1 4 4 23 3 1 1 1 1 1 1 1
349 4 6 4 10 1743 2 3 1 3 1 2 1 34 3 2 2 2 1 1 1 1
350 2 9 5 7 1136 4 5 4 3 1 3 4 32 3 3 2 3 2 1 1 2
351 4 9 3 5 1236 1 2 1 2 1 4 1 23 3 1 1 3 1 2 1 1
352 2 9 3 3 959 1 3 1 2 1 2 3 29 3 2 1 3 1 1 2 2
353 4 18 5 2 3229 5 1 2 3 1 4 4 38 3 2 1 4 1 2 1 1
354 1 12 1 4 6199 1 3 4 3 1 2 2 28 3 1 2 3 1 2 1 2
355 4 10 3 7 727 3 5 4 3 1 4 4 46 3 3 1 3 1 2 1 1
356 2 24 3 1 1246 1 2 4 3 1 2 1 23 2 2 1 2 1 1 1 2
357 4 12 5 4 2331 5 5 1 3 2 4 1 49 3 2 1 3 1 2 1 1
358 4 36 4 4 4463 1 3 4 3 1 2 3 26 3 2 2 4 1 2 1 2
359 4 12 3 4 776 1 3 4 4 1 2 1 28 3 2 1 3 1 1 1 1
360 1 30 3 3 2406 1 4 4 2 1 4 1 23 3 1 1 3 1 1 1 2
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
361 2 18 3 7 1239 5 3 4 3 1 4 4 61 3 3 1 3 1 1 1 1
362 3 12 3 4 3399 5 5 2 3 1 3 3 37 3 2 1 4 1 1 1 1
363 3 12 4 1 2247 1 3 2 2 1 2 3 36 2 2 2 3 1 2 1 1
364 4 6 3 3 1766 1 3 1 4 1 2 2 21 3 1 1 3 1 1 1 1
365 1 18 3 3 2473 1 1 4 3 1 1 3 25 3 2 1 1 1 1 1 2
366 4 12 3 10 1542 1 4 2 3 1 4 3 36 3 2 1 3 1 2 1 1
367 4 18 5 2 3850 1 4 3 3 1 1 3 27 3 2 2 3 1 1 1 1
368 1 18 3 3 3650 1 2 1 2 1 4 3 22 3 1 1 3 1 1 1 1
369 1 36 3 3 3446 1 5 4 3 1 2 3 42 3 2 1 3 2 1 1 2
370 2 18 3 3 3001 1 4 2 2 1 4 1 40 3 1 1 3 1 1 1 1
371 4 36 3 1 3079 5 3 4 3 1 4 1 36 3 2 1 3 1 1 1 1
372 4 18 5 4 6070 1 5 3 3 1 4 3 33 3 2 2 3 1 2 1 1
373 4 10 5 3 2146 1 2 1 2 1 3 1 23 3 1 2 3 1 1 1 1
374 4 60 5 1 13756 5 5 2 3 1 4 4 63 1 3 1 4 1 2 1 1
375 2 60 2 11 14782 2 5 3 2 1 4 4 60 1 3 2 4 1 2 1 2
376 1 48 2 10 7685 1 4 2 2 3 4 3 37 3 1 1 3 1 1 1 2
377 4 18 4 4 2320 1 1 2 4 1 3 1 34 3 2 2 3 1 1 1 1
378 4 7 4 4 846 5 5 3 3 1 4 4 36 3 3 1 3 1 1 1 1
379 2 36 3 1 14318 1 5 4 3 1 2 4 57 3 3 1 4 1 2 1 2
380 4 6 5 1 362 2 3 4 2 1 4 3 52 3 2 2 2 1 1 1 1
381 1 20 3 3 2212 5 4 4 3 1 4 3 39 3 2 1 3 1 2 1 1
382 2 18 3 2 12976 1 1 3 2 1 4 4 38 3 3 1 4 1 2 1 2
383 4 22 3 1 1283 5 4 4 2 1 4 2 25 3 1 1 3 1 1 1 1
384 3 12 3 1 1330 1 2 4 3 1 1 1 26 3 2 1 3 1 1 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
385 4 30 4 10 4272 2 3 2 3 1 2 2 26 3 2 2 2 1 1 1 1
386 4 18 5 4 2238 1 3 2 2 1 1 3 25 3 2 2 3 1 1 1 1
387 4 18 3 4 1126 5 2 4 2 1 2 1 21 3 1 1 3 1 2 1 1
388 2 18 5 3 7374 1 1 4 3 1 4 2 40 2 2 2 4 1 2 1 1
389 2 15 5 10 2326 3 3 2 3 1 4 3 27 1 2 1 3 1 1 1 1
390 4 9 3 10 1449 1 4 3 2 1 2 3 27 3 2 2 3 1 1 1 1
391 4 18 3 1 1820 1 3 2 4 1 2 2 30 3 2 1 4 1 2 1 1
392 2 12 3 3 983 4 2 1 2 1 4 1 19 3 1 1 2 1 1 1 1
393 1 36 3 1 3249 1 4 2 3 1 4 4 39 1 3 1 4 2 2 1 1
394 1 6 5 4 1957 1 4 1 2 1 4 3 31 3 2 1 3 1 1 1 1
395 4 9 5 3 2406 1 1 2 3 1 3 3 31 3 2 1 4 1 1 1 1
396 2 39 4 7 11760 2 4 2 3 1 3 4 32 3 1 1 3 1 2 1 1
397 1 12 3 3 2578 1 1 3 2 1 4 4 55 3 3 1 4 1 1 1 1
398 1 36 5 3 2348 1 3 3 4 1 2 2 46 3 2 2 3 1 2 1 1
399 2 12 3 1 1223 1 5 1 1 1 1 1 46 3 1 2 3 1 1 1 2
400 4 24 5 4 1516 4 3 4 2 1 1 1 43 3 2 2 2 1 1 1 1
401 4 18 3 4 1473 1 2 3 4 1 4 1 39 3 2 1 3 1 2 1 1
402 2 18 5 10 1887 5 3 4 4 1 4 1 28 1 2 2 3 1 1 1 1
403 4 24 4 10 8648 1 2 2 3 1 2 3 27 1 2 2 3 1 2 1 2
404 4 14 4 1 802 1 3 4 3 1 2 3 27 3 2 2 2 1 1 1 1
405 2 18 4 1 2899 5 5 4 3 1 4 3 43 3 2 1 3 2 1 1 1
406 2 24 3 4 2039 1 2 1 4 1 1 2 22 3 2 1 3 1 2 1 2
407 4 24 5 2 2197 5 4 4 3 1 4 3 43 3 2 2 3 2 2 1 1
408 1 15 3 4 1053 1 2 4 4 1 2 1 27 3 2 1 3 1 1 2 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
409 4 24 3 4 3235 3 5 3 1 1 2 3 26 3 2 1 4 1 2 1 1
410 3 12 5 1 939 3 4 4 4 1 2 1 28 3 2 3 3 1 2 1 2
411 2 24 3 4 1967 1 5 4 2 1 4 3 20 3 2 1 3 1 2 1 1
412 4 33 5 2 7253 1 4 3 3 1 2 3 35 3 2 2 4 1 2 1 1
413 4 12 5 10 2292 1 1 4 3 1 2 3 42 2 2 2 4 1 2 1 2
414 4 10 3 1 1597 3 3 3 3 1 2 4 40 3 1 1 2 2 1 2 1
415 1 24 3 1 1381 5 3 4 2 1 2 2 35 3 2 1 3 1 1 1 2
416 4 36 5 2 5842 1 5 2 3 1 2 2 35 3 2 2 3 2 2 1 1
417 1 12 3 1 2579 1 2 4 3 1 1 1 33 3 2 1 2 2 1 1 2
418 1 18 4 7 8471 5 3 1 2 1 2 3 23 3 1 2 3 1 2 1 1
419 4 21 3 1 2782 3 4 1 2 1 2 3 31 1 2 1 4 1 1 1 1
420 2 18 3 1 1042 5 3 4 2 1 2 2 33 3 2 1 3 1 1 1 2
421 4 15 3 1 3186 4 4 2 2 1 3 3 20 3 1 1 3 1 1 1 1
422 2 12 3 2 2028 5 3 4 3 1 2 3 30 3 2 1 3 1 1 1 1
423 2 12 5 1 958 1 4 2 3 1 3 1 47 3 2 2 2 2 1 1 1
424 4 21 4 3 1591 2 4 4 3 1 3 1 34 3 2 2 4 1 1 1 1
425 2 12 3 3 2762 5 5 1 2 1 2 2 25 1 2 1 3 1 2 1 2
426 2 18 3 2 2779 1 3 1 4 1 3 3 21 3 1 1 3 1 2 1 1
427 4 28 5 4 2743 1 5 4 3 1 2 3 29 3 2 2 3 1 1 1 1
428 4 18 5 4 1149 4 3 4 3 1 3 1 46 3 2 2 3 1 1 1 1
429 4 9 3 3 1313 1 5 1 3 1 4 3 20 3 2 1 3 1 1 1 1
430 1 18 5 6 1190 1 1 2 2 1 4 4 55 3 3 3 1 2 1 1 2
431 4 5 3 10 3448 1 4 1 3 1 4 1 74 3 2 1 2 1 1 1 1
432 2 24 3 11 11328 1 3 2 3 2 3 3 29 1 2 2 4 1 2 1 2
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
433 1 6 5 3 1872 1 1 4 3 1 4 4 36 3 3 3 4 1 2 1 1
434 4 24 5 6 2058 1 3 4 1 1 2 1 33 3 2 2 3 1 2 1 1
435 1 9 3 3 2136 1 3 3 3 1 2 1 25 3 2 1 3 1 1 1 1
436 2 12 3 4 1484 5 3 2 4 1 1 1 25 3 2 1 3 1 2 1 2
437 4 6 3 6 660 3 4 2 4 1 4 1 23 3 1 1 2 1 1 1 1
438 4 24 5 1 1287 4 5 4 2 1 4 1 37 3 2 2 3 1 2 1 1
439 1 42 5 6 3394 1 1 4 3 2 4 3 65 3 2 2 1 1 1 1 1
440 3 12 2 10 609 1 2 4 2 1 1 1 26 3 2 1 1 1 1 1 2
441 4 12 3 1 1884 1 5 4 3 1 4 3 39 3 2 1 4 1 2 1 1
442 1 12 3 3 1620 1 3 2 2 2 3 2 30 3 2 1 3 1 1 1 1
443 2 20 4 11 2629 1 3 2 3 1 3 3 29 1 2 2 3 1 2 1 1
444 4 12 3 7 719 1 5 4 3 1 4 3 41 1 2 1 2 2 1 1 2
445 2 48 5 3 5096 1 3 2 2 1 3 3 30 3 2 1 4 1 2 1 2
446 4 9 5 7 1244 5 5 4 2 1 4 2 41 3 1 2 2 1 1 1 1
447 1 36 3 1 1842 1 2 4 2 1 4 3 34 3 2 1 3 1 2 1 2
448 2 7 3 4 2576 1 3 2 3 3 2 1 35 3 2 1 3 1 1 1 1
449 3 12 3 3 1424 5 5 3 2 1 4 1 55 3 2 1 4 1 2 1 1
450 2 15 4 6 1512 4 3 3 4 1 3 2 61 2 2 2 3 1 1 1 2
451 4 36 5 2 11054 5 3 4 3 1 2 3 30 3 2 1 4 1 2 1 1
452 4 6 3 4 518 1 3 3 2 1 1 1 29 3 2 1 3 1 1 1 1
453 4 12 1 3 2759 1 5 2 3 1 4 2 34 3 2 2 3 1 1 1 1
454 4 24 3 2 2670 1 5 4 3 1 4 3 35 3 2 1 4 1 2 1 1
455 1 24 3 1 4817 1 4 2 3 2 3 2 31 3 2 1 3 1 2 1 2
456 4 24 3 2 2679 1 2 4 2 1 1 4 29 3 2 1 4 1 2 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
457 1 11 5 1 3905 1 3 2 3 1 2 1 36 3 1 2 3 2 1 1 1
458 1 12 3 2 3386 1 5 3 3 1 4 4 35 3 3 1 3 1 2 1 2
459 1 6 3 5 343 1 2 4 2 1 1 1 27 3 2 1 3 1 1 1 1
460 4 18 3 4 4594 1 2 3 3 1 2 3 32 3 2 1 3 1 2 1 1
461 1 36 3 3 3620 1 3 1 3 3 2 2 37 3 2 1 3 2 1 1 1
462 1 15 3 1 1721 1 2 2 3 1 3 1 36 3 2 1 3 1 1 1 1
463 2 12 3 3 3017 1 2 3 2 1 1 1 34 3 1 1 4 1 1 1 1
464 2 12 3 9 754 5 5 4 3 1 4 2 38 3 2 2 3 1 1 1 1
465 4 18 3 10 1950 1 4 4 3 1 1 3 34 2 2 2 3 1 2 1 1
466 1 24 3 2 2924 1 3 3 3 3 4 4 63 1 2 1 3 2 2 1 1
467 1 24 4 4 1659 1 2 4 2 1 2 3 29 3 1 1 2 1 2 1 2
468 4 48 4 4 7238 5 5 3 3 1 3 3 32 1 2 2 3 2 1 1 1
469 4 33 4 10 2764 1 3 2 2 1 2 3 26 3 2 2 3 1 2 1 1
470 4 24 4 2 4679 1 4 3 3 1 3 3 35 3 2 2 2 1 2 1 1
471 2 24 3 4 3092 2 2 3 4 1 2 3 22 3 1 1 3 1 2 1 2
472 1 6 3 7 448 1 2 4 2 1 4 2 23 3 2 1 3 1 1 1 2
473 1 9 3 1 654 1 3 4 3 1 3 3 28 3 2 1 2 1 1 1 2
474 4 6 3 9 1238 5 1 4 3 1 4 2 36 3 2 1 4 2 2 1 1
475 2 18 5 4 1245 1 3 4 4 1 2 3 33 3 2 1 3 1 1 1 2
476 1 18 1 3 3114 1 2 1 2 1 4 2 26 3 1 1 3 1 1 1 2
477 4 39 3 2 2569 3 3 4 3 1 4 3 24 3 2 1 3 1 1 1 1
478 3 24 3 4 5152 1 4 4 3 1 2 3 25 1 2 1 3 1 1 1 1
479 2 12 3 10 1037 2 4 3 3 1 4 1 39 3 2 1 2 1 1 1 1
480 1 15 5 3 1478 1 5 4 3 1 4 3 44 3 2 2 3 2 2 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
481 2 12 5 4 3573 1 3 1 2 1 1 1 23 3 2 1 2 1 1 1 1
482 2 24 3 1 1201 1 2 4 3 1 1 2 26 3 2 1 3 1 1 1 1
483 1 30 3 3 3622 4 5 4 2 1 4 2 57 3 1 2 3 1 2 1 1
484 4 15 4 3 960 4 4 3 2 1 2 2 30 3 2 2 3 1 1 1 1
485 4 12 5 1 1163 3 3 4 3 1 4 1 44 3 2 1 3 1 2 1 1
486 2 6 4 1 1209 1 1 4 3 1 4 2 47 3 2 1 4 1 2 1 2
487 4 12 3 4 3077 1 3 2 3 1 4 3 52 3 2 1 3 1 2 1 1
488 4 24 3 1 3757 1 5 4 2 2 4 4 62 3 3 1 3 1 2 1 1
489 4 10 3 1 1418 2 3 3 3 1 2 1 35 3 1 1 2 1 1 2 1
490 4 6 3 1 3518 1 3 2 3 3 3 2 26 3 1 1 3 1 1 1 1
491 4 12 5 4 1934 1 5 2 3 1 2 4 26 3 2 2 3 1 1 1 1
492 2 27 1 10 8318 1 5 2 2 1 4 4 42 3 3 2 4 1 2 1 2
493 4 6 5 4 1237 2 3 1 2 1 1 2 27 3 2 2 3 1 1 1 1
494 2 6 3 4 368 5 5 4 3 1 4 2 38 3 2 1 3 1 1 1 1
495 1 12 5 1 2122 1 3 3 3 1 2 1 39 3 1 2 2 2 1 2 1
496 1 24 3 3 2996 5 3 2 4 1 4 3 20 3 2 1 3 1 1 1 2
497 2 36 3 3 9034 2 2 4 3 2 1 4 29 3 1 1 4 1 2 1 2
498 4 24 5 3 1585 1 4 4 3 1 3 2 40 3 2 2 3 1 1 1 1
499 2 18 3 4 1301 1 5 4 4 3 2 1 32 3 2 1 2 1 1 1 1
500 3 6 5 1 1323 2 5 2 1 1 4 3 28 3 2 2 3 2 2 1 1
501 1 24 3 1 3123 1 2 4 2 1 1 2 27 3 2 1 3 1 1 1 2
502 1 36 3 2 5493 1 5 2 3 1 4 4 42 3 3 1 3 2 1 1 1
503 3 9 3 4 1126 2 5 2 1 1 4 1 49 3 2 1 3 1 1 1 1
504 2 24 5 4 1216 2 2 4 3 1 4 4 38 1 2 2 3 2 1 1 2
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
505 1 24 3 1 1207 1 2 4 2 1 4 2 24 3 1 1 3 1 1 1 2
506 4 10 3 1 1309 5 3 4 3 3 4 2 27 3 2 1 2 1 1 1 2
507 3 15 5 2 2360 3 3 2 3 1 2 3 36 3 2 1 3 1 2 1 1
508 2 15 2 1 6850 2 1 1 3 1 2 2 34 3 2 1 4 2 2 1 2
509 4 24 3 4 1413 1 3 4 4 1 2 2 28 3 2 1 3 1 1 1 1
510 4 39 3 2 8588 2 5 4 3 1 2 3 45 3 2 1 4 1 2 1 1
511 1 12 3 1 759 1 4 4 3 1 2 1 26 3 2 1 3 1 1 1 2
512 4 36 3 2 4686 1 3 2 3 1 2 4 32 3 3 1 4 1 2 1 1
513 3 15 3 10 2687 1 4 2 3 1 4 2 26 3 1 1 3 1 2 1 1
514 2 12 4 4 585 1 3 4 4 2 4 1 20 3 1 2 3 1 1 1 1
515 4 24 3 1 2255 5 2 4 3 1 1 2 54 3 2 1 3 1 1 1 1
516 1 6 5 1 609 1 4 4 2 1 3 2 37 3 2 2 3 1 1 2 1
517 1 6 5 1 1361 1 2 2 3 1 4 1 40 3 2 1 2 2 1 2 1
518 4 36 5 3 7127 1 2 2 2 1 4 2 23 3 1 2 3 1 2 1 2
519 1 6 3 1 1203 2 5 3 3 1 2 2 43 3 2 1 3 1 2 1 1
520 4 6 5 4 700 5 5 4 3 1 4 4 36 3 3 2 3 1 1 1 1
521 4 24 5 6 5507 1 5 3 3 1 4 4 44 3 3 2 3 1 1 1 1
522 1 18 3 4 3190 1 3 2 2 1 2 1 24 3 2 1 3 1 1 1 2
523 1 48 1 3 7119 1 3 3 3 1 4 4 53 3 3 2 3 2 1 1 2
524 4 24 3 2 3488 2 4 3 2 1 4 3 23 3 2 1 3 1 1 1 1
525 2 18 3 4 1113 1 3 4 2 3 4 1 26 3 2 1 2 2 1 1 1
526 2 26 3 2 7966 1 2 2 3 1 3 3 30 3 2 2 3 1 1 1 1
527 4 15 5 7 1532 2 3 4 2 1 3 3 31 3 2 1 3 1 1 1 1
528 4 4 5 4 1503 1 4 2 3 1 1 1 42 3 2 2 2 2 1 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
529 1 36 3 4 2302 1 3 4 1 1 4 3 31 3 1 1 3 1 1 1 2
530 1 6 3 1 662 1 2 3 3 1 4 1 41 3 2 1 2 2 2 1 1
531 2 36 3 7 2273 1 4 3 3 1 1 3 32 3 2 2 3 2 1 1 1
532 2 15 3 1 2631 2 3 2 2 1 4 3 28 3 1 2 3 1 2 1 2
533 4 12 4 2 1503 1 3 4 4 1 4 1 41 3 1 1 3 1 1 1 1
534 4 24 3 4 1311 2 4 4 4 1 3 2 26 3 2 1 3 1 2 1 1
535 4 24 3 4 3105 5 2 4 3 1 2 3 25 3 2 2 3 1 1 1 1
536 3 21 5 7 2319 1 2 2 1 1 1 3 33 3 1 1 3 1 1 1 2
537 1 6 3 1 1374 5 1 4 2 1 3 2 75 3 2 1 4 1 2 1 1
538 2 18 5 3 3612 1 5 3 2 1 4 2 37 3 2 1 3 1 2 1 1
539 1 48 3 1 7763 1 5 4 3 1 4 4 42 1 3 1 4 1 1 1 2
540 3 18 3 3 3049 1 2 1 2 1 1 2 45 2 2 1 2 1 1 1 1
541 2 12 3 4 1534 1 2 1 4 1 1 1 23 3 1 1 3 1 1 1 2
542 4 24 4 1 2032 1 5 4 3 1 4 4 60 3 3 2 3 1 2 1 1
543 1 30 3 3 6350 5 5 4 3 1 4 2 31 3 2 1 3 1 1 1 2
544 3 18 3 3 2864 1 3 2 3 1 1 1 34 3 2 1 2 2 1 1 2
545 4 12 5 1 1255 1 5 4 3 1 4 1 61 3 2 2 2 1 1 1 1
546 1 24 4 1 1333 1 1 4 3 1 2 1 43 3 3 2 3 2 1 1 2
547 4 24 5 1 2022 1 3 4 2 1 4 3 37 3 2 1 3 1 2 1 1
548 4 24 3 4 1552 1 4 3 3 1 1 3 32 1 2 1 3 2 1 1 1
549 1 12 2 4 626 1 3 4 2 1 4 1 24 1 2 1 2 1 1 1 2
550 4 48 5 2 8858 5 4 2 3 1 1 4 35 3 3 2 3 1 2 1 1
551 4 12 5 6 996 5 4 4 2 1 4 1 23 3 2 2 3 1 1 1 1
552 4 6 2 4 1750 3 5 2 3 1 4 2 45 1 2 1 2 2 1 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
553 1 48 3 4 6999 1 4 1 4 3 1 1 34 3 2 2 3 1 2 1 2
554 2 12 5 1 1995 2 2 4 3 1 1 3 27 3 2 1 3 1 1 1 1
555 2 9 3 7 1199 1 4 4 2 1 4 2 67 3 2 2 4 1 2 1 1
556 2 12 3 4 1331 1 2 2 3 1 1 3 22 2 2 1 3 1 1 1 2
557 2 18 1 1 2278 2 2 3 2 1 3 3 28 3 2 2 3 1 1 1 2
558 4 21 1 1 5003 5 3 1 2 1 4 2 29 1 2 2 3 1 2 1 2
559 1 24 2 3 3552 1 4 3 3 1 4 3 27 1 2 1 3 1 1 1 2
560 2 18 5 3 1928 1 2 2 3 1 2 1 31 3 2 2 2 1 1 1 2
561 1 24 3 2 2964 5 5 4 3 1 4 4 49 1 3 1 3 2 2 1 1
562 1 24 2 4 1546 1 4 4 3 3 4 3 24 1 1 1 2 1 1 1 2
563 3 6 4 4 683 1 2 2 2 1 1 2 29 1 2 1 3 1 1 1 1
564 2 36 3 1 12389 5 3 1 3 1 4 4 37 3 3 1 3 1 2 1 2
565 2 24 4 10 4712 5 3 4 3 1 2 2 37 1 2 2 4 1 2 1 1
566 2 24 4 4 1553 2 4 3 2 1 2 2 23 3 1 2 3 1 2 1 1
567 1 12 3 1 1372 1 4 2 1 1 3 3 36 3 2 1 3 1 1 1 2
568 4 24 5 4 2578 4 5 2 3 1 2 3 34 3 2 1 3 1 1 1 1
569 2 48 3 4 3979 5 4 4 3 1 1 3 41 3 2 2 3 2 2 1 1
570 1 48 3 4 6758 1 3 3 2 1 2 3 31 3 2 1 3 1 2 1 2
571 1 24 3 3 3234 1 2 4 2 1 4 1 23 3 1 1 2 1 2 1 2
572 4 30 5 4 5954 1 4 3 3 2 2 3 38 3 2 1 3 1 1 1 1
573 4 24 3 2 5433 5 1 2 2 1 4 2 26 3 1 1 4 1 2 1 1
574 1 15 3 10 806 1 3 4 2 1 4 2 22 3 2 1 2 1 1 1 1
575 2 9 3 4 1082 1 5 4 3 1 4 3 27 3 2 2 2 1 1 1 1
576 4 15 5 3 2788 1 4 2 2 2 3 3 24 1 2 2 3 1 1 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
577 2 12 3 4 2930 1 4 2 2 1 1 1 27 3 2 1 3 1 1 1 1
578 4 24 5 7 1927 5 3 3 2 1 2 3 33 3 2 2 3 1 2 1 1
579 2 36 5 1 2820 1 2 4 1 1 4 3 27 3 2 2 3 1 1 1 2
580 4 24 3 9 937 1 2 4 4 1 3 3 27 3 2 2 2 1 1 1 1
581 2 18 5 1 1056 1 5 3 3 3 3 1 30 1 2 2 3 1 1 1 2
582 2 12 5 1 3124 1 2 1 3 1 3 1 49 1 2 2 2 2 1 1 1
583 4 9 3 3 1388 1 3 4 2 1 2 1 26 3 1 1 3 1 1 1 1
584 2 36 3 6 2384 1 2 4 3 1 1 4 33 3 1 1 2 1 1 1 2
585 4 12 3 1 2133 5 5 4 2 1 4 4 52 3 3 1 4 1 2 1 1
586 1 18 3 3 2039 1 3 1 2 1 4 1 20 1 1 1 3 1 1 1 2
587 1 9 5 1 2799 1 3 2 3 1 2 1 36 3 1 2 3 2 1 1 1
588 1 12 3 3 1289 1 3 4 3 3 1 2 21 3 2 1 2 1 1 1 1
589 1 18 3 5 1217 1 3 4 4 1 3 1 47 3 2 1 2 1 2 1 2
590 1 12 5 3 2246 1 5 3 3 1 3 2 60 3 2 2 3 1 1 1 2
591 1 12 5 4 385 1 4 4 2 1 3 1 58 3 2 4 2 1 2 1 1
592 2 24 4 1 1965 5 3 4 2 1 4 3 42 3 1 2 3 1 2 1 1
593 4 21 3 10 1572 4 5 4 2 1 4 1 36 1 2 1 2 1 1 1 1
594 2 24 3 1 2718 1 3 3 2 1 4 2 20 3 1 1 2 1 2 1 2
595 1 24 2 11 1358 5 5 4 3 1 3 3 40 2 2 1 4 1 2 1 2
596 2 6 2 1 931 2 2 1 2 1 1 2 32 2 2 1 2 1 1 1 2
597 1 24 3 1 1442 1 4 4 2 1 4 3 23 3 1 2 3 1 1 1 2
598 2 24 1 10 4241 1 3 1 3 1 4 1 36 3 2 3 2 1 2 1 2
599 4 18 5 1 2775 1 4 2 3 1 2 2 31 1 2 2 3 1 1 1 2
600 4 24 4 10 3863 1 3 1 3 1 2 4 32 3 3 1 3 1 1 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
601 2 7 3 4 2329 1 2 1 2 3 1 1 45 3 2 1 3 1 1 1 1
602 2 9 3 3 918 1 3 4 2 1 1 2 30 3 2 1 3 1 1 1 2
603 2 24 2 7 1837 1 4 4 2 1 4 4 34 1 3 1 2 1 1 1 2
604 4 36 3 3 3349 1 3 4 2 1 2 3 28 3 2 1 4 1 2 1 2
605 3 10 3 3 1275 1 2 4 2 1 2 2 23 3 2 1 3 1 1 1 1
606 1 24 2 3 2828 3 3 4 3 1 4 1 22 2 2 1 3 1 2 1 1
607 4 24 5 10 4526 1 3 3 3 1 2 1 74 3 2 1 4 1 2 1 1
608 2 36 3 4 2671 2 3 4 2 2 4 4 50 3 3 1 3 1 1 1 2
609 4 18 3 4 2051 1 2 4 3 1 1 1 33 3 2 1 3 1 1 1 1
610 4 15 3 2 1300 5 5 4 3 1 4 4 45 1 3 1 3 2 1 1 1
611 1 12 3 5 741 2 1 4 2 1 3 2 22 3 2 1 3 1 1 1 2
612 3 10 3 1 1240 2 5 1 2 1 4 4 48 3 3 1 2 2 1 1 2
613 1 21 3 4 3357 4 2 4 2 1 2 3 29 1 2 1 3 1 1 1 1
614 1 24 2 2 3632 1 3 1 2 3 4 3 22 1 1 1 3 1 1 2 1
615 4 18 4 3 1808 1 4 4 2 1 1 1 22 3 2 1 3 1 1 1 2
616 2 48 1 10 12204 5 3 2 3 1 2 3 48 1 2 1 4 1 2 1 1
617 2 60 4 4 9157 5 3 2 3 1 2 4 27 3 3 1 4 1 1 1 1
618 1 6 5 1 3676 1 3 1 3 1 3 1 37 3 1 3 3 2 1 1 1
619 2 30 3 3 3441 2 3 2 2 2 4 3 21 3 1 1 3 1 1 1 2
620 4 12 3 1 640 1 3 4 1 1 2 1 49 3 2 1 2 1 1 1 1
621 2 21 5 10 3652 1 4 2 3 1 3 2 27 3 2 2 3 1 1 1 1
622 4 18 5 1 1530 1 3 3 3 1 2 2 32 1 2 2 3 1 1 1 2
623 4 48 3 10 3914 5 3 4 1 1 2 1 38 1 2 1 3 1 1 1 2
624 1 12 3 3 1858 1 2 4 2 1 1 3 22 3 1 1 3 1 1 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
625 1 18 3 4 2600 1 3 4 3 1 4 4 65 3 3 2 3 1 1 1 2
626 4 15 3 4 1979 5 5 4 3 1 2 3 35 3 2 1 3 1 1 1 1
627 3 6 3 3 2116 1 3 2 3 1 2 1 41 3 2 1 3 1 2 1 1
628 2 9 2 1 1437 2 4 2 3 1 3 4 29 3 2 1 3 1 1 1 2
629 4 42 5 3 4042 3 3 4 3 1 4 1 36 3 2 2 3 1 2 1 1
630 4 9 3 7 3832 5 5 1 3 1 4 1 64 3 2 1 2 1 1 1 1
631 1 24 3 4 3660 1 3 2 2 1 4 3 28 3 2 1 3 1 1 1 1
632 1 18 2 3 1553 1 3 4 3 1 3 3 44 1 2 1 3 1 1 1 2
633 2 15 3 4 1444 5 2 4 3 1 1 2 23 3 2 1 3 1 1 1 1
634 4 9 3 3 1980 1 2 2 2 2 2 3 19 3 1 2 3 1 1 1 2
635 2 24 3 1 1355 1 2 3 2 1 4 3 25 3 2 1 2 1 2 1 2
636 4 12 3 7 1393 1 5 4 3 1 4 2 47 1 2 3 3 2 2 1 1
637 4 24 3 4 1376 3 4 4 2 1 1 3 28 3 2 1 3 1 1 1 1
638 4 60 4 4 15653 1 4 2 3 1 4 3 21 3 2 2 3 1 2 1 1
639 4 12 3 4 1493 1 2 4 2 1 3 3 34 3 2 1 3 2 1 1 1
640 1 42 4 4 4370 1 4 3 3 1 2 2 26 1 2 2 3 2 2 1 2
641 1 18 3 7 750 1 1 4 2 1 1 1 27 3 2 1 1 1 1 1 2
642 2 15 3 6 1308 1 5 4 3 1 4 3 38 3 2 2 2 1 1 1 1
643 4 15 3 7 4623 2 3 3 3 1 2 2 40 3 2 1 4 1 2 1 2
644 4 24 5 4 1851 1 4 4 4 3 2 3 33 3 2 2 3 1 2 1 1
645 1 18 5 4 1880 1 4 4 4 1 1 2 32 3 2 2 4 1 2 1 1
646 4 36 4 10 7980 5 2 4 3 1 4 3 27 3 1 2 3 1 2 1 2
647 1 30 1 3 4583 1 3 2 1 3 2 1 32 3 2 2 3 1 1 1 1
648 4 12 3 1 1386 3 3 2 2 1 2 2 26 3 2 1 3 1 1 1 2
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
649 3 24 3 1 947 1 4 4 3 1 3 4 38 1 3 1 3 2 1 1 2
650 1 12 3 7 684 1 3 4 3 1 4 3 40 3 1 1 2 2 1 1 2
651 1 48 3 7 7476 1 4 4 3 1 1 4 50 3 3 1 4 1 2 1 1
652 2 12 3 3 1922 1 3 4 3 1 2 2 37 3 2 1 2 1 1 1 2
653 1 24 3 1 2303 1 5 4 3 2 1 1 45 3 2 1 3 1 1 1 2
654 2 36 4 1 8086 2 5 2 3 1 4 3 42 3 2 4 4 1 2 1 2
655 4 24 5 2 2346 1 4 4 3 1 3 3 35 3 2 2 3 1 2 1 1
656 1 14 3 1 3973 1 1 1 3 1 4 4 22 3 3 1 3 1 1 1 1
657 2 12 3 1 888 1 5 4 3 1 4 3 41 1 2 1 2 2 1 1 2
658 4 48 3 4 10222 5 4 4 3 1 3 3 37 2 2 1 3 1 2 1 1
659 2 30 1 10 4221 1 3 2 2 1 1 3 28 3 2 2 3 1 1 1 1
660 2 18 5 3 6361 1 5 2 3 1 1 4 41 3 2 1 3 1 2 1 1
661 3 12 3 4 1297 1 3 3 4 1 4 1 23 3 1 1 3 1 1 1 1
662 1 12 3 1 900 5 3 4 4 1 2 3 23 3 2 1 3 1 1 1 2
663 4 21 3 3 2241 1 5 4 3 1 2 1 50 3 2 2 3 1 1 1 1
664 2 6 4 3 1050 1 1 4 3 1 1 2 35 2 2 2 4 1 2 1 1
665 3 6 5 7 1047 1 3 2 2 1 4 2 50 3 2 1 2 1 1 1 1
666 4 24 5 11 6314 1 1 4 3 2 2 4 27 1 2 2 4 1 2 1 1
667 2 30 2 3 3496 4 3 4 3 1 2 3 34 2 2 1 3 2 2 1 1
668 4 48 2 10 3609 1 3 1 2 1 1 1 27 2 2 1 3 1 1 1 1
669 1 12 5 1 4843 1 5 3 3 2 4 2 43 3 1 2 3 1 2 1 2
670 3 30 5 4 3017 1 5 4 3 1 4 2 47 3 2 1 3 1 1 1 1
671 4 24 5 10 4139 2 3 3 3 1 3 2 27 3 2 2 2 1 2 1 1
672 4 36 3 10 5742 2 4 2 3 1 2 3 31 3 2 2 3 1 2 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
673 4 60 3 1 10366 1 5 2 3 1 4 2 42 3 2 1 4 1 2 1 1
674 4 6 5 1 2080 3 3 1 4 1 2 3 24 3 2 1 3 1 1 1 1
675 4 21 4 10 2580 3 2 4 3 1 2 1 41 1 2 1 2 2 1 1 2
676 4 30 5 4 4530 1 4 4 2 1 4 3 26 3 1 1 4 1 2 1 1
677 4 24 5 3 5150 1 5 4 3 1 4 3 33 3 2 1 3 1 2 1 1
678 2 72 3 4 5595 2 3 2 4 1 2 3 24 3 2 1 3 1 1 1 2
679 1 24 3 4 2384 1 5 4 3 1 4 1 64 1 1 1 2 1 1 1 1
680 4 18 3 4 1453 1 2 3 2 1 1 1 26 3 2 1 3 1 1 1 1
681 4 6 3 7 1538 1 2 1 2 1 2 4 56 3 2 1 3 1 1 1 1
682 4 12 3 4 2279 5 3 4 3 1 4 4 37 3 3 1 3 1 2 1 1
683 4 15 4 4 1478 1 3 4 4 1 3 1 33 1 2 2 3 1 1 1 1
684 4 24 5 4 5103 1 2 3 4 1 3 4 47 3 3 3 3 1 2 1 1
685 2 36 4 10 9857 2 4 1 3 1 3 2 31 3 2 2 2 2 2 1 1
686 4 60 3 1 6527 5 3 4 3 1 4 4 34 3 3 1 3 2 2 1 1
687 3 10 5 4 1347 5 4 4 3 1 2 2 27 3 2 2 3 1 2 1 1
688 2 36 4 1 2862 2 5 4 3 1 3 4 30 3 3 1 3 1 1 1 1
689 4 9 3 4 2753 2 5 3 3 2 4 3 35 3 2 1 3 1 2 1 1
690 1 12 3 1 3651 4 3 1 3 1 3 2 31 3 2 1 3 2 1 1 1
691 1 15 5 3 975 1 3 2 1 1 3 2 25 3 2 2 3 1 1 1 1
692 2 15 3 6 2631 2 3 3 2 1 2 1 25 3 2 1 2 1 1 1 1
693 2 24 3 4 2896 2 2 2 3 1 1 3 29 3 2 1 3 1 1 1 1
694 1 6 5 1 4716 5 2 1 3 1 3 1 44 3 2 2 2 2 1 1 1
695 4 24 3 4 2284 1 4 4 3 1 2 3 28 3 2 1 3 1 2 1 1
696 4 6 3 2 1236 3 3 2 3 1 4 2 50 3 1 1 3 1 1 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
697 2 12 3 4 1103 1 4 4 3 3 3 1 29 3 2 2 3 1 1 2 1
698 4 12 5 1 926 1 1 1 2 1 2 2 38 3 2 1 1 1 1 1 1
699 4 18 5 4 1800 1 3 4 3 1 2 3 24 3 2 2 3 1 1 1 1
700 3 15 3 7 1905 1 5 4 3 1 4 3 40 3 1 1 4 1 2 1 1
701 4 12 3 3 1123 3 3 4 2 1 4 3 29 3 1 1 2 1 1 1 2
702 1 48 5 2 6331 1 5 4 3 1 4 4 46 3 3 2 3 1 2 1 2
703 3 24 3 4 1377 2 5 4 2 1 2 4 47 3 3 1 3 1 2 1 1
704 2 30 4 10 2503 2 5 4 3 1 2 2 41 2 2 2 3 1 1 1 1
705 2 27 3 10 2528 1 2 4 2 1 1 2 32 3 2 1 3 2 2 1 1
706 4 15 3 1 5324 3 5 1 2 1 4 4 35 3 3 1 3 1 1 1 1
707 2 48 3 1 6560 2 4 3 3 1 2 2 24 3 2 1 3 1 1 1 2
708 2 12 1 3 2969 1 2 4 2 1 3 2 25 3 1 2 3 1 1 1 2
709 2 9 3 4 1206 1 5 4 2 1 4 1 25 3 2 1 3 1 1 1 1
710 2 9 3 4 2118 1 3 2 3 1 2 1 37 3 2 1 2 2 1 1 1
711 4 18 5 4 629 3 5 4 3 1 3 2 32 1 2 2 4 1 2 1 1
712 1 6 2 7 1198 1 5 4 2 1 4 4 35 3 3 1 3 1 1 1 2
713 4 21 3 2 2476 5 5 4 3 1 4 1 46 3 2 1 4 1 2 1 1
714 1 9 5 4 1138 1 3 4 3 1 4 1 25 3 2 2 2 1 1 1 1
715 2 60 3 1 14027 1 4 4 3 1 2 4 27 3 2 1 4 1 2 1 2
716 4 30 5 2 7596 5 5 1 3 1 4 3 63 3 2 2 3 1 1 1 1
717 4 30 5 4 3077 5 5 3 3 1 2 3 40 3 2 2 3 2 2 1 1
718 4 18 3 4 1505 1 3 4 3 1 2 4 32 3 3 1 4 1 2 1 1
719 3 24 5 4 3148 5 3 3 3 1 2 3 31 3 2 2 3 1 2 1 1
720 2 20 1 2 6148 2 5 3 4 1 4 3 31 1 2 2 3 1 2 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
721 3 9 1 4 1337 1 2 4 3 1 2 3 34 3 2 2 4 1 2 1 2
722 2 6 2 7 433 4 2 4 2 1 2 2 24 1 1 1 3 2 1 1 2
723 1 12 3 1 1228 1 3 4 2 1 2 1 24 3 2 1 2 1 1 1 2
724 2 9 3 4 790 3 3 4 2 1 3 1 66 3 2 1 2 1 1 1 1
725 4 27 3 1 2570 1 3 3 2 1 3 1 21 3 1 1 3 1 1 1 2
726 4 6 5 1 250 4 3 2 2 1 2 1 41 1 2 2 2 1 1 1 1
727 4 15 5 4 1316 3 3 2 4 1 2 2 47 3 2 2 2 1 1 1 1
728 1 18 3 4 1882 1 3 4 2 1 4 3 25 1 1 2 3 1 1 1 2
729 2 48 2 10 6416 1 5 4 2 1 3 4 59 3 1 1 3 1 1 1 2
730 3 24 5 10 1275 4 3 2 1 1 4 1 36 3 2 2 3 1 2 1 1
731 2 24 4 4 6403 1 2 1 3 1 2 3 33 3 2 1 3 1 1 1 1
732 1 24 3 4 1987 1 3 2 3 1 4 1 21 3 1 1 2 2 1 1 2
733 2 8 3 4 760 1 4 4 2 3 2 1 44 3 2 1 2 1 1 1 1
734 4 24 3 2 2603 4 3 2 2 1 4 3 28 3 1 1 3 1 2 1 1
735 4 4 5 1 3380 1 4 1 2 1 1 1 37 3 2 1 3 2 1 1 1
736 2 36 2 5 3990 5 2 3 2 1 2 4 29 1 2 1 1 1 1 1 1
737 2 24 3 2 11560 1 3 1 2 1 4 3 23 3 1 2 4 1 1 1 2
738 1 18 3 1 4380 2 3 3 3 1 4 3 35 3 2 1 2 2 2 1 1
739 4 6 5 1 6761 1 4 1 3 1 3 4 45 3 2 2 4 2 2 1 1
740 2 30 1 10 4280 2 3 4 2 1 4 3 26 3 1 2 2 1 1 1 2
741 1 24 2 1 2325 2 4 2 3 1 3 3 32 1 2 1 3 1 1 1 1
742 2 10 2 4 1048 1 3 4 3 1 4 1 23 2 2 1 2 1 1 1 1
743 4 21 3 4 3160 5 5 4 3 1 3 2 41 3 2 1 3 1 2 1 1
744 1 24 2 3 2483 3 3 4 3 1 4 1 22 2 2 1 3 1 2 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
745 1 39 5 3 14179 5 4 4 3 1 4 2 30 3 2 2 4 1 2 1 1
746 1 13 5 10 1797 1 2 3 3 1 1 2 28 1 2 2 2 1 1 1 1
747 1 15 3 1 2511 1 1 1 2 1 4 3 23 3 1 1 3 1 1 1 1
748 1 12 3 1 1274 1 2 3 2 1 1 1 37 3 2 1 2 1 1 1 2
749 4 21 3 2 5248 5 3 1 3 1 3 3 26 3 2 1 3 1 1 1 1
750 4 15 3 2 3029 1 4 2 3 1 2 3 33 3 2 1 3 1 1 1 1
751 1 6 3 3 428 1 5 2 2 1 1 2 49 1 2 1 3 1 2 1 1
752 1 18 3 1 976 1 2 1 2 1 2 3 23 3 2 1 2 1 1 1 2
753 2 12 3 10 841 2 4 2 2 1 4 1 23 3 1 1 2 1 1 1 1
754 4 30 5 4 5771 1 4 4 2 1 2 3 25 3 2 2 3 1 1 1 1
755 4 12 4 6 1555 4 5 4 3 1 4 4 55 3 3 2 3 2 1 1 2
756 1 24 3 1 1285 5 4 4 2 1 4 4 32 3 1 1 3 1 1 1 2
757 3 6 5 1 1299 1 3 1 3 1 1 1 74 3 2 3 1 2 1 2 1
758 3 15 5 4 1271 5 3 3 3 1 4 4 39 3 3 2 3 1 2 1 2
759 4 24 3 1 1393 1 3 2 3 3 2 1 31 3 2 1 3 1 2 1 1
760 1 12 5 1 691 1 5 4 3 1 3 2 35 3 2 2 3 1 1 1 2
761 4 15 5 1 5045 5 5 1 2 1 4 3 59 3 2 1 3 1 2 1 1
762 1 18 5 3 2124 1 3 4 2 1 4 1 24 3 1 2 3 1 1 1 2
763 1 12 3 4 2214 1 3 4 3 1 3 2 24 3 2 1 2 1 1 1 1
764 4 21 5 1 12680 5 5 4 3 1 4 4 30 3 3 1 4 1 2 1 2
765 4 24 5 1 2463 2 4 4 4 1 3 2 27 3 2 2 3 1 2 1 1
766 2 12 3 4 1155 1 5 3 4 3 3 1 40 1 2 2 2 1 1 1 1
767 1 30 3 3 3108 1 2 2 1 1 4 2 31 3 2 1 2 1 1 1 2
768 4 10 3 2 2901 5 2 1 2 1 4 1 31 3 1 1 3 1 1 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
769 2 12 5 3 3617 1 5 1 3 1 4 3 28 3 1 3 3 1 2 1 1
770 4 12 5 4 1655 1 5 2 3 1 4 1 63 3 2 2 2 1 2 1 1
771 1 24 3 2 2812 5 5 2 2 1 4 1 26 3 1 1 3 1 1 1 1
772 1 36 5 7 8065 1 3 3 2 1 2 4 25 3 2 2 4 1 2 1 2
773 4 21 5 2 3275 1 5 1 3 1 4 3 36 3 2 1 4 1 2 1 1
774 4 24 5 4 2223 2 5 4 3 1 4 2 52 1 2 2 3 1 1 1 1
775 3 12 5 1 1480 3 1 2 3 1 4 4 66 1 3 3 1 1 1 1 1
776 1 24 3 1 1371 5 3 4 2 1 4 1 25 3 1 1 3 1 1 1 2
777 4 36 5 1 3535 1 4 4 3 1 4 3 37 3 2 2 3 1 2 1 1
778 1 18 3 4 3509 1 4 4 2 3 1 1 25 3 2 1 3 1 1 1 1
779 4 36 5 2 5711 4 5 4 3 1 2 3 38 3 2 2 4 1 2 1 1
780 2 18 3 6 3872 1 1 2 2 1 4 3 67 3 2 1 3 1 2 1 1
781 2 39 5 4 4933 1 4 2 3 3 2 1 25 3 2 2 3 1 1 1 2
782 4 24 5 1 1940 4 5 4 3 1 4 1 60 3 2 1 3 1 2 1 1
783 2 12 1 9 1410 1 3 2 3 1 2 1 31 3 2 1 2 1 2 1 1
784 2 12 3 1 836 2 2 4 2 1 2 2 23 1 2 1 2 1 1 1 2
785 2 20 3 2 6468 5 1 1 1 1 4 1 60 3 2 1 4 1 2 1 1
786 2 18 3 10 1941 4 3 4 3 1 2 2 35 3 2 1 2 1 2 1 1
787 4 22 3 4 2675 3 5 3 3 1 4 3 40 3 2 1 3 1 1 1 1
788 4 48 5 2 2751 5 5 4 3 1 3 3 38 3 2 2 3 2 2 1 1
789 2 48 4 7 6224 1 5 4 3 1 4 4 50 3 3 1 3 1 1 1 2
790 1 40 5 7 5998 1 3 4 3 1 3 4 27 1 2 1 3 1 2 1 2
791 2 21 3 10 1188 1 5 2 2 1 4 2 39 3 2 1 3 2 1 1 2
792 4 24 3 2 6313 5 5 3 3 1 4 3 41 3 2 1 4 2 2 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
793 4 6 5 3 1221 5 3 1 4 1 2 2 27 3 2 2 3 1 1 1 1
794 3 24 3 3 2892 1 5 3 1 1 4 4 51 3 3 1 3 1 1 1 1
795 4 24 3 3 3062 3 5 4 3 1 3 4 32 3 1 1 3 1 2 1 1
796 4 9 3 3 2301 2 2 2 2 1 4 2 22 3 1 1 3 1 1 1 1
797 1 18 3 2 7511 5 5 1 3 1 4 2 51 3 3 1 3 2 2 1 2
798 4 12 5 3 1258 1 2 2 2 1 4 2 22 3 1 2 2 1 1 1 1
799 4 24 4 1 717 5 5 4 4 1 4 3 54 3 2 2 3 1 2 1 1
800 2 9 3 1 1549 5 2 4 3 1 2 1 35 3 2 1 1 1 1 1 1
801 4 24 5 7 1597 1 5 4 3 1 4 4 54 3 3 2 3 2 1 1 1
802 2 18 5 4 1795 1 5 3 2 3 4 1 48 1 1 2 2 1 2 1 1
803 1 20 5 3 4272 1 5 1 2 1 4 2 24 3 2 2 3 1 1 1 1
804 4 12 5 4 976 5 5 4 3 1 4 3 35 3 2 2 3 1 1 1 1
805 2 12 3 1 7472 5 1 1 2 1 2 1 24 3 1 1 1 1 1 1 1
806 1 36 3 1 9271 1 4 2 3 1 1 3 24 3 2 1 3 1 2 1 2
807 2 6 3 4 590 1 2 3 4 1 3 1 26 3 2 1 2 1 1 2 1
808 4 12 5 4 930 5 5 4 3 1 4 1 65 3 2 4 3 1 1 1 1
809 2 42 2 2 9283 1 1 1 3 1 2 4 55 1 3 1 4 1 2 1 1
810 2 15 1 1 1778 1 2 2 2 1 1 1 26 3 1 2 1 1 1 1 2
811 2 8 3 10 907 1 2 3 4 1 2 1 26 3 2 1 3 1 2 1 1
812 2 6 3 4 484 1 4 3 4 3 3 1 28 1 2 1 2 1 1 1 1
813 1 36 5 2 9629 1 4 4 3 1 4 3 24 3 2 2 3 1 2 1 2
814 1 48 3 5 3051 1 3 3 3 1 4 3 54 3 2 1 3 1 1 1 2
815 1 48 3 1 3931 1 4 4 3 1 4 4 46 3 3 1 3 2 1 1 2
816 2 36 4 1 7432 1 3 2 2 1 2 2 54 3 1 1 3 1 1 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
817 4 6 3 5 1338 3 3 1 1 1 4 1 62 3 2 1 3 1 1 1 1
818 4 6 5 4 1554 1 4 1 2 1 2 3 24 3 1 2 3 1 2 1 1
819 1 36 3 11 15857 1 1 2 1 2 3 3 43 3 2 1 4 1 1 1 1
820 1 18 3 4 1345 1 3 4 4 1 3 1 26 1 2 1 3 1 1 1 2
821 4 12 3 1 1101 1 3 3 4 1 2 1 27 3 2 2 3 1 2 1 1
822 3 12 3 4 3016 1 3 3 4 1 1 3 24 3 2 1 3 1 1 1 1
823 1 36 3 3 2712 1 5 2 3 1 2 2 41 1 2 1 3 2 1 1 2
824 1 8 5 1 731 1 5 4 3 1 4 1 47 3 2 2 2 1 1 1 1
825 4 18 5 3 3780 1 2 3 1 1 2 3 35 3 2 2 4 1 2 1 1
826 1 21 5 1 1602 1 5 4 4 1 3 3 30 3 2 2 3 1 2 1 1
827 1 18 5 1 3966 1 5 1 2 1 4 1 33 1 1 3 3 1 2 1 2
828 4 18 1 10 4165 1 3 2 3 1 2 3 36 2 2 2 3 2 1 1 2
829 1 36 3 2 8335 5 5 3 3 1 4 4 47 3 3 1 3 1 1 1 2
830 2 48 4 10 6681 5 3 4 3 1 4 4 38 3 3 1 3 2 2 1 1
831 4 24 4 10 2375 3 3 4 3 1 2 3 44 3 2 2 3 2 2 1 1
832 1 18 3 1 1216 1 2 4 2 1 3 3 23 3 1 1 3 1 2 1 2
833 1 45 1 10 11816 1 5 2 3 1 4 3 29 3 1 2 3 1 1 1 2
834 2 24 3 4 5084 5 5 2 2 1 4 3 42 3 2 1 3 1 2 1 1
835 3 15 3 4 2327 1 2 2 2 1 3 1 25 3 2 1 2 1 1 1 2
836 1 12 1 1 1082 1 3 4 3 1 4 3 48 1 2 2 3 1 1 1 2
837 4 12 3 4 886 5 3 4 2 1 2 3 21 3 2 1 3 1 1 1 1
838 4 4 3 3 601 1 2 1 2 1 3 1 23 3 1 1 2 2 1 1 1
839 1 24 5 2 2957 1 5 4 3 1 4 2 63 3 2 2 3 1 2 1 1
840 4 24 5 4 2611 1 5 4 4 2 3 1 46 3 2 2 3 1 1 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
841 1 36 3 3 5179 1 4 4 3 1 2 2 29 3 2 1 3 1 1 1 2
842 4 21 4 2 2993 1 3 3 3 1 2 1 28 2 2 2 2 1 1 1 1
843 4 18 3 6 1943 1 2 4 2 1 4 1 23 3 2 1 3 1 1 1 2
844 4 24 2 10 1559 1 4 4 3 1 4 3 50 1 2 1 3 1 2 1 1
845 4 18 3 3 3422 1 5 4 3 1 4 2 47 1 2 3 3 2 2 1 1
846 2 21 3 3 3976 5 4 2 3 1 3 3 35 3 2 1 3 1 2 1 1
847 4 18 3 1 6761 5 3 2 3 1 4 3 68 3 1 2 3 1 1 1 2
848 4 24 3 1 1249 1 2 4 4 1 2 1 28 3 2 1 3 1 1 1 1
849 1 9 3 4 1364 1 4 3 3 1 4 1 59 3 2 1 3 1 1 1 1
850 1 12 3 4 709 1 5 4 3 1 4 1 57 2 2 1 2 1 1 1 2
851 1 20 5 1 2235 1 3 4 4 3 2 2 33 1 1 2 3 1 1 2 2
852 4 24 5 2 4042 5 4 3 3 1 4 2 43 3 2 2 3 1 2 1 1
853 4 15 5 4 1471 1 3 4 3 1 4 4 35 3 3 2 3 1 2 1 1
854 1 18 2 1 1442 1 4 4 3 1 4 4 32 3 3 2 2 2 1 1 2
855 4 36 4 1 10875 1 5 2 3 1 2 3 45 3 2 2 3 2 2 1 1
856 4 24 3 1 1474 2 2 4 4 1 3 1 33 3 2 1 3 1 2 1 1
857 4 10 3 9 894 5 4 4 2 1 3 2 40 3 2 1 3 1 2 1 1
858 4 15 5 3 3343 1 3 4 3 1 2 4 28 3 3 1 3 1 2 1 1
859 1 15 3 1 3959 1 3 3 2 1 2 2 29 3 2 1 3 1 2 1 2
860 4 9 3 1 3577 2 3 1 3 3 2 1 26 3 1 1 3 2 1 2 1
861 4 24 5 2 5804 4 3 4 3 1 2 1 27 3 2 2 3 1 1 1 1
862 4 18 4 10 2169 1 3 4 4 1 2 3 28 3 2 1 3 1 2 1 2
863 1 24 3 4 2439 1 2 4 2 1 4 1 35 3 2 1 3 1 2 1 2
864 4 27 5 3 4526 4 2 4 3 1 2 1 32 2 2 2 2 2 2 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
865 4 10 3 3 2210 1 3 2 3 1 2 1 25 1 1 1 2 1 1 1 2
866 4 15 3 3 2221 3 3 2 2 1 4 3 20 3 1 1 3 1 1 1 1
867 1 18 3 4 2389 1 2 4 2 1 1 3 27 2 2 1 3 1 1 1 1
868 4 12 5 3 3331 1 5 2 3 1 4 2 42 2 2 1 3 1 1 1 1
869 4 36 3 10 7409 5 5 3 3 1 2 2 37 3 2 2 3 1 1 1 1
870 1 12 3 3 652 1 5 4 2 1 4 2 24 3 1 1 3 1 1 1 1
871 4 36 4 3 7678 3 4 2 2 1 4 3 40 3 2 2 3 1 2 1 1
872 3 6 5 1 1343 1 5 1 3 1 4 1 46 3 2 2 3 2 1 2 1
873 1 24 5 10 1382 2 4 4 3 1 1 1 26 3 2 2 3 1 2 1 1
874 4 15 3 5 874 5 2 4 2 1 1 1 24 3 2 1 3 1 1 1 1
875 1 12 3 3 3590 1 3 2 3 2 2 2 29 3 2 1 2 2 1 1 1
876 2 11 5 1 1322 4 3 4 2 1 4 3 40 3 2 2 3 1 1 1 1
877 1 18 2 4 1940 1 2 3 3 2 4 4 36 1 3 1 4 1 2 1 1
878 4 36 3 4 3595 1 5 4 3 1 2 3 28 3 2 1 3 1 1 1 1
879 1 9 3 1 1422 1 2 3 3 1 2 4 27 3 3 1 4 1 2 1 2
880 4 30 5 4 6742 5 4 2 3 1 3 2 36 3 2 2 3 1 1 1 1
881 4 24 3 2 7814 1 4 3 3 1 3 3 38 3 2 1 4 1 2 1 1
882 4 24 3 2 9277 5 3 2 1 1 4 4 48 3 3 1 3 1 2 1 1
883 2 30 5 1 2181 5 5 4 3 1 4 1 36 3 2 2 3 1 1 1 1
884 4 18 5 4 1098 1 1 4 2 1 4 3 65 3 2 2 1 1 1 1 1
885 2 24 3 3 4057 1 4 3 1 1 3 3 43 3 2 1 3 1 2 1 2
886 1 12 3 7 795 1 2 4 2 1 4 2 53 3 2 1 3 1 1 1 2
887 2 24 5 10 2825 5 4 4 3 1 3 4 34 3 2 2 3 2 2 1 1
888 2 48 3 10 15672 1 3 2 3 1 2 3 23 3 2 1 3 1 2 1 2
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
889 4 36 5 1 6614 1 5 4 3 1 4 3 34 3 2 2 4 1 2 1 1
890 4 28 2 2 7824 5 2 3 3 3 4 1 40 1 1 2 3 2 2 1 1
891 1 27 5 10 2442 1 5 4 3 1 4 3 43 2 2 4 4 2 2 1 1
892 4 15 5 4 1829 1 5 4 3 1 4 3 46 3 2 2 3 1 2 1 1
893 1 12 5 1 2171 1 3 4 3 1 4 2 38 1 2 2 2 1 1 2 1
894 2 36 5 2 5800 1 3 3 3 1 4 3 34 3 2 2 3 1 2 1 1
895 4 18 5 4 1169 5 3 4 3 1 3 2 29 3 2 2 3 1 2 1 1
896 4 36 4 2 8947 5 4 3 3 1 2 3 31 2 2 1 4 2 2 1 1
897 1 21 3 4 2606 1 2 4 2 1 4 2 28 3 1 1 4 1 2 1 1
898 4 12 5 3 1592 4 4 3 2 1 2 2 35 3 2 1 3 1 1 2 1
899 4 15 3 3 2186 5 4 1 2 1 4 1 33 1 1 1 2 1 1 1 1
900 1 18 3 3 4153 1 3 2 3 2 3 3 42 3 2 1 3 1 1 1 2
901 1 16 5 1 2625 1 5 2 3 3 4 2 43 1 1 1 3 1 2 1 2
902 4 20 5 1 3485 5 2 2 1 1 4 1 44 3 2 2 3 1 2 1 1
903 4 36 5 2 10477 5 5 2 3 1 4 4 42 3 3 2 3 1 1 1 1
904 4 15 3 4 1386 5 3 4 4 1 2 1 40 3 1 1 3 1 2 1 1
905 4 24 3 4 1278 1 5 4 3 1 1 1 36 3 2 1 4 1 2 1 1
906 1 12 3 4 1107 1 3 2 3 1 2 1 20 3 1 1 4 2 2 1 1
907 1 21 3 1 3763 5 4 2 3 2 2 1 24 3 2 1 2 1 1 2 1
908 2 36 3 7 3711 5 3 2 4 1 2 3 27 3 2 1 3 1 1 1 1
909 4 15 4 2 3594 1 2 1 2 1 2 2 46 3 2 2 2 1 1 1 1
910 2 9 3 1 3195 5 3 1 2 1 2 1 33 3 2 1 2 1 1 1 1
911 4 36 4 4 4454 1 3 4 2 1 4 1 34 3 2 2 3 1 1 1 1
912 2 24 5 3 4736 1 2 2 2 1 4 3 25 1 2 1 2 1 1 1 2
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
913 2 30 3 4 2991 5 5 2 2 1 4 3 25 3 2 1 3 1 1 1 1
914 4 11 3 10 2142 4 5 1 1 1 2 1 28 3 2 1 3 1 2 1 1
915 1 24 2 10 3161 1 3 4 3 1 2 2 31 3 1 1 3 1 2 1 2
916 2 48 1 11 18424 1 3 1 2 1 2 2 32 1 2 1 4 1 2 2 2
917 4 10 3 2 2848 2 3 1 3 2 2 1 32 3 2 1 3 2 1 1 1
918 1 6 3 1 14896 1 5 1 3 1 4 4 68 1 2 1 4 1 2 1 2
919 1 24 3 3 2359 2 1 1 1 1 1 2 33 3 2 1 3 1 1 1 2
920 1 24 3 3 3345 1 5 4 3 1 2 2 39 3 1 1 4 1 2 1 2
921 4 18 5 3 1817 1 3 4 2 1 2 4 28 3 2 2 3 1 1 1 1
922 4 48 4 4 12749 3 4 4 3 1 1 3 37 3 2 1 4 1 2 1 1
923 1 9 3 4 1366 1 2 3 2 1 4 2 22 3 1 1 3 1 1 1 2
924 2 12 3 1 2002 1 4 3 3 1 4 2 30 3 1 1 3 2 2 1 1
925 1 24 2 3 6872 1 2 2 1 1 1 2 55 1 2 1 3 1 2 1 2
926 1 12 2 1 697 1 2 4 3 1 2 3 46 1 2 2 3 1 2 1 2
927 1 18 5 3 1049 1 2 4 2 1 4 2 21 3 1 1 3 1 1 1 1
928 1 48 3 2 10297 1 4 4 3 1 4 4 39 2 3 3 3 2 2 1 2
929 4 30 3 4 1867 5 5 4 3 1 4 3 58 3 2 1 3 1 2 1 1
930 1 12 4 1 1344 1 3 4 3 1 2 1 43 3 2 2 2 2 1 1 1
931 1 24 3 3 1747 1 2 4 3 2 1 2 24 3 2 1 2 1 1 2 1
932 2 9 3 4 1670 1 2 4 2 1 2 3 22 3 2 1 3 1 2 1 2
933 4 9 5 1 1224 1 3 3 3 1 1 1 30 3 2 2 3 1 1 1 1
934 4 12 5 4 522 3 5 4 3 1 4 2 42 3 2 2 3 2 2 1 1
935 1 12 3 4 1498 1 3 4 2 1 1 3 23 1 2 1 3 1 1 1 1
936 2 30 4 4 1919 2 2 4 3 1 3 4 30 2 2 2 4 1 1 1 2
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
937 3 9 3 4 745 1 3 3 2 1 2 1 28 3 2 1 2 1 1 1 2
938 2 6 3 4 2063 1 2 4 4 1 3 3 30 3 1 1 4 1 2 1 1
939 2 60 3 7 6288 1 3 4 3 1 4 4 42 3 3 1 3 1 1 1 2
940 4 24 5 2 6842 5 3 2 3 1 4 2 46 3 2 2 4 2 2 1 1
941 4 12 3 1 3527 5 2 2 3 1 3 2 45 3 2 1 4 2 2 1 1
942 4 10 3 1 1546 1 3 3 3 1 2 1 31 3 2 1 2 2 1 2 1
943 4 24 3 3 929 5 4 4 3 1 2 3 31 2 2 1 3 1 2 1 1
944 4 4 5 1 1455 1 4 2 3 1 1 1 42 3 2 3 2 2 1 1 1
945 1 15 3 3 1845 1 2 4 2 3 1 2 46 3 1 1 3 1 1 1 1
946 2 48 1 1 8358 3 2 1 2 1 1 3 30 3 2 2 3 1 1 1 1
947 1 24 2 3 3349 3 2 4 3 1 4 4 30 3 3 1 3 2 2 1 2
948 4 12 3 1 2859 5 1 4 3 1 4 4 38 3 2 1 4 1 2 1 1
949 4 18 3 3 1533 1 2 4 4 2 1 2 43 3 2 1 2 2 1 1 2
950 4 24 3 4 3621 2 5 2 3 1 4 3 31 3 2 2 3 1 1 1 2
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
Lampiran 1 Data Testing
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
951 2 18 4 10 3590 1 1 3 4 1 3 3 40 3 2 3 1 2 2 1 1
952 1 36 3 10 2145 1 4 2 3 1 1 3 24 3 2 2 3 1 2 1 2
953 2 24 2 2 4113 3 2 3 2 1 4 3 28 3 1 1 3 1 1 1 2
954 4 36 2 3 10974 1 1 4 2 1 2 3 26 3 2 2 4 1 2 1 2
955 1 12 2 1 1893 1 3 4 2 3 4 2 29 3 2 1 3 1 2 1 1
956 1 24 4 4 1231 4 5 4 2 1 4 2 57 3 1 2 4 1 2 1 1
957 3 30 4 4 3656 5 5 4 3 1 4 2 49 2 2 2 2 1 1 1 1
958 2 9 4 4 1154 1 5 2 3 1 4 1 37 3 2 3 2 1 1 1 1
959 1 28 2 1 4006 1 3 3 3 1 2 3 45 3 2 1 2 1 1 1 2
960 2 24 2 3 3069 2 5 4 3 1 4 4 30 3 3 1 3 1 1 1 1
961 4 6 4 4 1740 1 5 2 4 1 2 1 30 3 1 2 3 1 1 1 1
962 2 21 3 1 2353 1 3 1 1 1 4 2 47 3 2 2 3 1 1 1 1
963 4 15 2 1 3556 5 3 3 3 1 2 4 29 3 2 1 3 1 1 1 1
964 4 24 2 4 2397 3 5 3 3 1 2 3 35 1 2 2 3 1 2 1 2
965 2 6 2 6 454 1 2 3 4 1 1 2 22 3 2 1 2 1 1 1 1
966 2 30 2 4 1715 5 3 4 2 1 1 3 26 3 2 1 3 1 1 1 1
967 2 27 4 4 2520 3 3 4 3 1 2 2 23 3 2 2 2 1 1 1 2
968 4 15 2 4 3568 1 5 4 2 1 2 3 54 1 1 1 4 1 2 1 1
969 4 42 2 4 7166 5 4 2 4 1 4 2 29 3 1 1 3 1 2 1 1
970 1 11 4 1 3939 1 3 1 3 1 2 1 40 3 2 2 2 2 1 1 1
971 2 15 2 6 1514 2 3 4 3 3 2 1 22 3 2 1 3 1 1 1 1
972 4 24 2 1 7393 1 3 1 3 1 4 2 43 3 2 1 2 2 1 1 1
973 1 24 1 1 1193 1 1 1 2 2 4 4 29 3 1 2 1 1 1 1 2
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
974 1 60 2 10 7297 1 5 4 3 2 4 4 36 3 1 1 3 1 1 1 2
975 4 30 4 4 2831 1 3 4 2 1 2 3 33 3 2 1 3 1 2 1 1
976 3 24 2 4 1258 3 3 3 2 1 3 3 57 3 2 1 2 1 1 1 1
977 2 6 2 4 753 1 3 2 2 3 3 1 64 3 2 1 3 1 1 1 1
978 2 18 3 10 2427 5 5 4 3 1 2 2 42 3 2 2 3 1 1 1 1
979 4 24 3 1 2538 1 5 4 3 1 4 3 47 3 2 2 2 2 1 1 2
980 2 15 1 1 1264 2 3 2 4 1 2 2 25 3 1 1 3 1 1 1 2
981 2 30 4 3 8386 1 4 2 3 1 2 2 49 3 2 1 3 1 1 1 2
982 4 48 2 10 4844 1 1 3 3 1 2 3 33 1 1 1 4 1 2 1 2
983 3 21 2 1 2923 2 3 1 2 1 1 3 28 1 2 1 4 1 2 1 1
984 1 36 2 2 8229 1 3 2 3 1 2 2 26 3 2 1 3 2 1 1 2
985 4 24 4 3 2028 1 4 2 3 1 2 2 30 3 2 2 2 1 1 1 1
986 1 15 4 3 1433 1 3 4 2 1 3 2 25 3 1 2 3 1 1 1 1
987 3 42 0 10 6289 1 2 2 1 1 1 2 33 3 2 2 3 1 1 1 1
988 4 13 2 4 1409 2 1 2 2 1 4 1 64 3 2 1 3 1 1 1 1
989 1 24 2 2 6579 1 1 4 3 1 2 4 29 3 3 1 4 1 2 1 1
990 2 24 4 4 1743 1 5 4 3 1 2 2 48 3 2 2 2 1 1 1 1
991 4 12 4 7 3565 5 2 2 3 1 1 2 37 3 2 2 2 2 1 1 1
992 4 15 1 4 1569 2 5 4 3 1 4 3 34 1 2 1 2 2 1 1 1
993 1 18 2 4 1936 5 4 2 4 1 4 3 23 3 1 2 2 1 1 1 1
994 1 36 2 3 3959 1 1 4 3 1 3 2 30 3 2 1 4 1 2 1 1
995 4 12 2 1 2390 5 5 4 3 1 3 3 50 3 2 1 3 1 2 1 1
996 4 12 2 3 1736 1 4 3 2 1 4 1 31 3 2 1 2 1 1 1 1
997 1 30 2 2 3857 1 3 4 1 1 4 2 40 3 2 1 4 1 2 1 1
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P
DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
KELAS RESIKO
998 4 12 2 4 804 1 5 4 3 1 4 3 38 3 2 1 3 1 1 1 1
999 1 45 2 4 1845 1 3 4 3 1 4 4 23 3 3 1 3 1 2 1 2
1000 2 45 4 2 4576 2 1 3 3 1 4 3 27 3 2 1 3 1 1 1 1
Top Related