JURNAL INFORMATIKA HAMZANWADI ISSN: 2527 - 6069

Vol. 2 No. 1, Mei 2017, hal. 28-47

PENERAPAN CLASSIFICATION BASE ON MULTIPLE ASSOCIANTON RULE PADA

ANALISA RESIKO KREDIT USAHA MIKRO DI BANK SYARIAH MANDIRI KCP
PRAYA

Moh. Farid Wajdi1, Hamzan Ahmadi2, L. M. S a m s u3

1,2,3
Universitas Hamzanwadi
faridwajdi@gmail.com

Abstract
Based on data of customer Micro Credit in BSM KCP Praya, there is a fact customer with troubled credit status is
high enough percentage level. Of the total 171 customers, found as many as 42 clients with problematic status or by
24.56%. This is despite the presentation is still below the current credit status, it still would be a problem at KCP
Praya because it would result in the loss and affect the balance of assets or general praya KCP. For the analysis of
micro credit in KCP Praya has not used methods or techniques specific, but in another study that examines in
particular the problem of credit ratings many use classification algorithm C4.5, SVM, neural network, logistic
regression and classification methods traditional or other common. Particularly in this study, the authors use the
technique Classification Asociative approach CMAR, because it is known proven Accuracy better than traditional
methods. Results of measurement accuracy for 171 datasets micro credit customers in BSM KCP Praya obtained
value reached 99.42% accuracy. Credit risk analysis that will be examined starting from the identification of
variables that influence the existing loan in the training data, generate a model Classification Association Rule
(CARs) with CMAR method, do ranking and pruning rule to get the best classifier models, and carry out testing of
data to predict credit risk. At last evaluate performance and accuracy of the results in the form of credit risk
prediction

Keywords: Accuracy, Association classification (AC), Classification Association rule (CARs), CMAR,
Credit risk Analysis.

PENDAHULUAN
Penyaluran kredit merupakan kegiatan usaha yang mendominasi pengalokasian dana bank.
Oleh karena itu sumber utama pendapatan bank berasal dari kegiatan penyaluran kredit dalam
bentuk pendapatan bunga untuk bank konvensional dan bagi hasil untuk bank syariah. PT. Bank
Syariah Mandiri merupakan bank umum syariah nasional milik Negara yang sudah
mengembangkan konsentrasinya ke sektor Usaha Mikro Kecil Menengah (UMKM) dengan
mempunyai satu produk unggulan yang disebut sebagai Warung Mikro. Menurut data 2013,
BSM telah mengucurkan dana untuk pembiayaan UMKM sebesar Rp 1,5 T meningkat dari tahun
2012 sebesar 1,2 T. Hal ini menunjukkan semakin bergairahnya iklim usaha skala mikro dan
menengah dan bergairah pula minat BSM untuk membantu perekonomian masyarakat melalui
penyaluran pembiayaan kepada UMKM.
Disatu sisi peningkatan jumlah pencairan dana mengairahkan sektor UMKM, namun disisi
lain ini menjadi catatan oleh pemerintah dan komite perbankan bahwa rata-rata munculnya kasus

28
Moh. Farid Wajdi, Hamzan Ahmadi, L. M. S a m s u

kredit macet rata-rata terjadi pada sektor UMKM ini. Berdasarkan laporan komite per Juni 2014
yang dimuat di website Kontan tanggal 12 Agustus 2014, rata-rata perbankan mencatat rasio
kredit macet tinggi pada Kredi t Usaha Rakyat atau Mikro. Rasio NPL atau Non performing loan
dan BSM termasuk yang memiliki NPL tinggisebesar 12.5%. Fakta tingginya persentase NPL
Bank Syariah Mandiri di awal 2014 ini jelas menjadi pekerjaan rumah yang harus segera
diselesaikan karena secara langsung akan menggangu stabilitas keuangan dan kerugian bagi
BSM.
Lebih khusus dalam skala terkecil yaitu Kantor Cabang Pembantu, berdasarkan data status
nasabah kredit Mikro BSM KCP Praya, ditemukan fakta nasabah dengan status kredit
bermasalah cukup tinggi tingkat persentasenya. Dari total 171 nasabah, ditemukan sebanyak 42
nasabah dengan status bermasalah atau sebesar 24.56%. Hal tersebut apabila tidak segera dicari
solusinya akan menjadi sebuah permasalahan pada KCP Praya karena akan berakibat kerugian
dan mempengaruhi aktiva atau neraca KCP praya secara umum. Fakta lain ditemukan bahwa di
KCP Praya belum menggunakan metode/teknik tertentu dalam menganalisa resiko kredit
bermasalah karena kredit bermasalah hanya akan diketahui oleh pihak KCP BSM praya setelah
terjadi masalah atau nasabah terlanjur macet. KCP Praya belum memanfaatkan pengalian
informasi dan pengetahuan dari data-data nasabah kredit mikro yang sedang berjalan kreditnya
atau yang sudah lunas. Padahal, dari data-data nasabah yang sedang atau sudah berjalan
kreditnya bisa digali pengetahuan/knowledge base untuk mendapatkan aturan-aturan/rule base
yang dipakai untuk menganalisa resiko kredit lebih awal sebelum terjadinya kredit bermasalah.
Pada penilitian lalu [4-6] lebih banyak menitik beratkan pada membandingkan beberapa
metode klasifikasi tradisional dan hasilnya pun sudah bisa dipastikan tidak akan beranjak dari
Decision Tree, SVM dan Neural Network sebagai metode dengan tingkat akurasi terbaik. Para
peneliti mencoba beberapa alternatif yang lain sebagai upaya untuk mengembangkan keilmuan
mereka sekaligus mengupayakan perbaikan dan peningkatan performance dari metode
tradisional. Salah satu pendekatan yang dikemukakan adalah Association Classification (AC).
AC meng integrasikan kedua teknik data mining yang dikenal yaitu Asosiasi dan klasifikasi
untuk membangun model (classifier) yang bertujuan memprediksi. Dan terbukti bahwa
performance yang dihasilkan dari penerapan metode integrasi AC ini rata-rata akurasi klasifikasi
lebih baik dari metode tradisional seperti C45/Decision Tree, dll. [1]

29
 PENERAPAN CLASSIFICATION BASE ON MULTIPLE ASSOCIANTON RULE PADA ANALISA RESIKO KREDIT USAHA …

Berangkat dari beberapa penelitian dan konsep AC [1-3] maka guna meminimalkan
munculnya kredit bermasalah pada sektor UMKM di BSM salah satu upaya yang menjadi usulan
penelitian ini adalah dengan klasifikasi resiko kredit dengan menggunakan metode CMAR yaitu
sistem analisa kredit dengan melakukan prediksi resiko kredit berdasarkan ekplorasi pengetahuan
(Knowladge Base) dari data histori nasabah lama BSM yang telah diketahui status
kolektibilitasnya yang kemudian diolah dengan menggunakan metode/teknik data mining
klasifikasi berdasarkan beberapa aturan Asosiasi (Classification base on Multiple Association
Rule). Dan dipilihnya metode CMAR karena diketahui terbukti keakurasiannya lebih baik dari
metode tradisional [2].

Association Rule Mining (ARM)

ARM adalah teknik data mining yang digunakan untuk menemukan pola frekuensi kemunculan,
hubungan, korelasi dan struktur sebab akibat dalam kumpulan item data atau objek dalam
database transaksi, database relasional dan sumber informasi lainnya [7]. Penerapan ARM
umumnya untuk menganalisa keranjang belanja (market base analysis).
Beberapa definisi aturan atau istilah dalam ARM antara lain [7]:
- Itemset : kumpulan satu atau lebih item seperti {roti, susu,telur}. K-itemset artinya itemset
yang terdiri dari k item.
- Support count (σ) : frekuensi kemunculan dari itemset secara bersama
sama. Contoh σ({roti,susu}) =3
- ({roti,susu, biscuit}) = 2
- Support : perbandingan support count terhadap seluruh transaksi (N).
- Confidence : berapa sering item tertentu muncul dalam itemset.
- Frequent Itemset : itemset yang sering muncul dimana nilai supportnya lebih besar atau
sama dengan nilai minimum support threshold (minsup).

Association Classification (AC)

Adalah integrasi metode teknik data mining asosiasi dan klasifikasi. Dengan kata lain aturan
asosiasi yang sebenarnya unsupervised learning/tanpa class “dipaksa” menjadi supervised
learning/harus ada class, karena tujuan akhirnya adalah klasifikasi.

30
Moh. Farid Wajdi, Hamzan Ahmadi, L. M. S a m s u

Contoh: sebuah rule: X Y (pada aturan asosiasi X,Y adalah item tetapi pada AC X atribut
item dan Y harus class)
Tabel 1. Perbedaan AC dan Association Rule
Association Rule AC
Tidak ada class atribut, termasuk Sebuah atribut class harus ada (supervised
unsuperviced learning learning)
Tujuannya menemukan asosiasi atau Tujuannya membangun classifier untuk
hubungan antar item dalam database memprediksi class pada data uji.
Terdapat lebih dari satu atribut di sisi Hanya atribut class saja yang ada disisi
consequent. consequent (
Overfitting bukan isu penting Overfitting menjadi isu penting
Kelebihan Metode AC dibandingkan metode klasik klasifikasi misalnya Decision Tree/C.45
menurut Thabat :
1. Output dari algoritma AC diwakili dalam aturan if-then sederhana, yang membuatnya mudah
bagi pengguna akhir untuk memahami dan menafsirkannya [8].
2. Tidak seperti Decision Tree, satu aturan dapat dirubah atau diperbaiki dalam AC tanpa
mempengaruhi kumpulan aturan yang lain, sedangkan pada Decision Tree harus dirubah
kembali keseluruhan pohon aturan yang sudah ada.
3. Menurut penelitian B.Liu [1], metode AC rata-rata memiliki akurasi lebih baik dari metode
klasik.

Classification Base On Multple Association Rule (CMAR)

CMAR adalah algoritma klasifikasi dengan menggunakan beberapa aturan asosiasi yang
dikembangkan oleh Wenmin Li, Jiawei Han and Jian Pei (2001). CMAR dijalankan melalui 2
tahapan pendekatan untuk menghasilkan model (classifier) [2]:
1. Membangkitkan sekumpulan Classification Association Rules (CARs) berdasarkan
parameter pengguna : Support threshold untuk menentukan frekeunsi kemunculan item sets,
Confidence threshold mengkonfirmasi CRs.
2. Memangkas CARs untuk menghasilkan classifier.
Dua tahapan diatas merupakan tahapan yang umum digunakan oleh algortima algoritma CARM,
termasuk CBA (Liu et al 1998).

Algoritma CMAR (Li et al. 2001) awalnya menggunakan algoritma FP-growth (Frequent
Pattern, Han et al. 2000) untuk membangkitkan sekumpulan CARs. Kemudian Coenen et. al.

31
 PENERAPAN CLASSIFICATION BASE ON MULTIPLE ASSOCIANTON RULE PADA ANALISA RESIKO KREDIT USAHA …

(2004) bersama dengan tim dari LUCS-KDD (Liverpool University Computer Science-
Knowledge Discovery in Datas) mengadopsi CMAR dengan cara yang sama dengan Lie et. al
(2001) tetapi memiliki cara yang berbeda dalam membangkitkan CARs yakni dengan Algoritma
Apriori-TFP. Perbedaannya terletak pada, FP-Growth dengan struktur FP-Treenya diganti
dengan struktur P-Tree dan T-Tree [9].
Lebih jelasnya tahapan metode CMAR dalam gambar 2.1 sbb.

Training
Data

Step 1 :
menemukan
Frequent ruleitems

dengan Apriori- Test Data

TFP Frequent

Ruleitems
Step 3 :
perangkingan Step 4:
dan
prediksi
pemangkasan dengan
Step 2 : CMAR
metode CMAR
Generate rules
Kumpulan Classifier
CARs

Gambar 2. Tahapan alur dengan metode CMAR.

32
Moh. Farid Wajdi, Hamzan Ahmadi, L. M. S a m s u

Algoritma Apriori-TFP [9]

Algoritma Apriori-TPF lahir disebabkan beberapa algoritma terdahulu seperti Apriori, FP-
Growth masih memerlukan perbaikan optimasi storage dan generate time. Apriori-TFP
menggabungkan metode Apriori-T dan TFP guna mendapatkan frequent rule itemset dari
penggunaan struktur P-Tree dengan metode Apriori untuk membentuk struktur yang lebih efisien
yang disebut T-Tree. Dengan kata lain Apriori-TFP disebut juga algoritma pembentukan T-Tree.
a. P-Tree [10]
Partial Support Tree (P-Tree) adalah sebuah enumerasi struktur tree untuk menyimpan partial
support counts dari itemset. Konsep partial support counts didasarkan atas ide dari P-Tree yang
melakukan penyalinan data input dalam sekali jalan dalam struktur data Tree kemudian
mengolah seluruh hal yang terkait dan menambang struktur tersebut. P-Tree menawarkan dua
keuntungan yaitu
1) Mengabungkan baris data ganda/sama sehingga dapat mengurangi pemakaian storage.
2) Mempercepat runtime atau generate time sebab perhitungan partial support sebagian telah
dilakukan.

b. T-Tree [10]
Total support Tree (T-Tree) adalah sebuah enumerasi struktur tree untuk menyimpan informasi
Frequent Itemset. T-Tree didahului dengan menerapkan metode Apriori untuk menemukan
candidat N-Itemset bersumber dari P-Tree yang sudah didapat.

1.1.1. CARs Generation [2][9]

Dari T-Tree akan diperoleh frequent rule itemset yang memenuhi minimum support. Dan dari
kumpulan frequent itemset dipilih yang mengandung class target sebagai CARs karena sesuai
aturan AC, frequent rule itemset yang mengandung class saja yang menjadi CARs.
CARs yang terpilih tidak semua menjadi rule karena yang memenuhi minimum confidence saja
yang akan menjadi rule CARs (Strong association rule).

33
 PENERAPAN CLASSIFICATION BASE ON MULTIPLE ASSOCIANTON RULE PADA ANALISA RESIKO KREDIT USAHA …

Pemangkasan Rule
Jumlah rule yang berhasil digenerate dari proses mining CARs bisa saja sangat banyak. Untuk
mendapatkan klasifikasi yang efektif, yang diperlukan adalah memangkas rule untuk menghapus
redundasi dan kebiasan informasi. Mekanisme pemangkasan terbagi dalam 3 tahap, Precedence
Relationship, mencari korelasi positif antara atribut dengan class dengan metode X2–testing, dan
multiple database coverage [2].

Metode Klasifikasi CMAR [2], [9]

Metode klasifikasi dengan CMAR pada dasarnya sama dengan metode klasifikasi tradisional
yang lain, yaitu dengan menjalankan rule-rule yang cocok pada data testing atau data uji untuk
memprediksi label class. Diberikan classifier R dan objek/data training t , CMAR akan
mengambil sebagian rule, Rk, dalam R yang sesuai dengan t. Terdapat 2 kemungkinan kondisi :
1. Jika rule lebih dari satu dan semua rule dalam Rk Class yang diprediksi hanya satu class,
maka label class nya langsung dapat ditentukan.
2. Jika kasusnya labelnya class dalam Rk berbeda (multiple class), CMAR akan membagi
kedalam kelompok sesuai labelnya class dan membandingkan kekuatan tiap tiap kelompok.
Pendekatan yang digunakan adalah dengan analisis pembobotan (X2) atau weighted (X2) atau
2
disingkat WCS. Pembobotan X untuk tiap-tiap kelompok class dapat dihitung menggunakan
rumus WCS :

Teknik Evaluasi
Pengukuran kualitas pengklasifikasian pada data testing adalah pekerjaan yang penting dalam
Klasifikasi Data mining untuk mengetahui seberapa efektif hasil klasifikasi yang sudah didapat.
Untuk menguji model, pada penelitian ini, digunakan metode Confusion Matrix. Sedangkan nilai
evaluasi kinerja metode CMAR dihitung dengan persamaan Akurasi [11].
True positif (TP) adalah jumlah record positif yang diklasifikasikan sebagai positif, false positif
(FP) adalah jumlah record negatif yang diklasifikasikan sebagai positif, false negatif (FN)adalah
jumlah record positif yang diklasifikasikan sebagai negatif, true negatif(TN) adalah jumlah
record negatif yang diklasifikasikan sebagai negative

34
Moh. Farid Wajdi, Hamzan Ahmadi, L. M. S a m s u

Kerangka Pemikiran
Kerangka Pemikiran dalam menjabarkan apa dan bagaimana penelitian ini secara garis besarnya
dapat dituliskan dalam diagram proses sebagai berikut:

Latar Belakang Masalah

Pada peneltian
terdahulu,
Tingkat kredit analisa resiko kredit
bermasalah di Belum digunakan metode yang
KCP BSM Cabang praya analisis resiko kredit dipakai umumnya
cukup tertentu metode
klasifikasi klasik. (C.45,
tinggi (24,56%). di KCP BSM Praya . SVM,
NN)

35
 PENERAPAN CLASSIFICATION BASE ON MULTIPLE ASSOCIANTON RULE PADA ANALISA RESIKO KREDIT USAHA …

Rumusan Masalah

Bagaimana cara mengukur akurasi dari

Bagaimana memprediksi resiko kredit
metode CMAR dan berapakah nilai akurasi
usaha Mikro BSM KCP Praya dengan
diperoleh terhadap data kredit usaha
menggunakan metode CMAR?.
mikro di BSM? )

Pendekatan Metode ANALISA

THE LUCS - KDD
Associative Classification dengan Algoritma
Apriori- SOFTWARE LIBRARY
Metode CMAR TFP CMAR
ALgorithm

36
Moh. Farid Wajdi, Hamzan Ahmadi, L. M. S a m s u

Pengukuran Penerapan

Objek: Data Perancanga

Nasabah n
Warung Mikro BSM Desain
Accuracy KCP Eksperimenta aplikasi
l
PRaya CMAR

Tujuan / Hasil
CMAR dapat diterapkan untuk memprediksi resiko kredit Mikro di BSM KCP Praya dengan
Akurasi Tinggi
Gambar 2.2 kerangka Pemikiran

METODE
Metode pada penelitian ini adalah dengan tahapan-tahapan seperti berikut: Bussiness
understanding, data understanding, data preparation, analisa, deployment/perancangan
aplikasi, evaluation.
Bussiness Understanding
Penelitian ditetapkan pada sektor perbankan dengan mengambil lokasi di BSM Kantor Cabang
Pembantu Praya. Dari hasil interview awal diarahkan untuk mengambil penelitian pada divisi
Kredit Mikro karena menjadi core business BSM KCP Praya. Berdasarkan data status nasabah
kredit Mikro KCP Praya, ditemukan fakta bahwa nasabah dengan status kredit bermasalah
(status kolektabilitas DPK,KL, D,M) cukup tinggi tingkat persentasenya. Dari total 171 nasabah,
ditemukan sebanyak 42 nasabah dengan status bermasalah atau sebesar 24.56%

Data Understanding
Telah diidentifikasi variabel variabel penelitian mana yang relevan atau ada hubungan dengan
objek penelitian dan ada yang kurang relevan atau tidak berhubungan. Yang relevan menjadi
varibel penelitian sedangkan yang tidak relevan dikesampingkan karena bersifat keterangan
tambahan.

37
 PENERAPAN CLASSIFICATION BASE ON MULTIPLE ASSOCIANTON RULE PADA ANALISA RESIKO KREDIT USAHA …

Dari 14 kolom variabel yang digunakan sebanyak 11 kolom yaitu Alamat, Jenis Kelamin,
Status Perkawinan, Plafon, Angsuran, Jangka Waktu, Jaminan, Jatuh Tempo, Usaha,
Tunggakan dan Status Kolektabilitas. 10 kolom menjadi atribut independen dam 1 kolom
yaitu status kolektabilitas menjadi class (atribut dependen).

Data Preparation
Preprocessing merupakan tahap mempersiapkan dataset yang akan dijadikan data training
Metode AC dengan CMAR data Trainingnya bertipe nominal u seluruh atribut/varibelnya
termasuk label/class. Oleh karena itu dataset diolah/ditransformasikan tipe datanya menjadi
nominal melalui tahapan kategorisasi.
Kategorisasi adalah merubah seluruh item data kedalam data berbentuk bilangan positif.
Kategorisasi data menghasilkan data bernilai 1,2,3,4,5 dst untuk semua data dimana nilai
merepresentasikan data dalam arti sebenarnya. Dari data diperoleh rentang kolom sebanyak 46
kolom dengan 44 atribut item dan 2 atribut class.

Tabel 3.1 Kategorisasi Data (Tahap persiapan data)

KATEGORISASI DATA

Data Alamat yang dipakai kecamatan saja.

Data kecamatan dikelompokkan menjadi nomor 1-13, Praya =1, Praya barat=2, praya
tengah=3, praya timur=4, praya barat daya=5, kopang=6, janapria=7, pujut=8,
batukliang =9, batukliang utara=10, jonggat= 11, pringgarata=12, lain=13.
Nomor untuk laki=14,
dan Perempuan=15
Nomor 16-18 status pernikahan,
menikah= 16, Belum menikah=17,
janda/duda=18
Nomor 19-21, plafon dibuat interval sesuai kelompok
pembiayaan 2 jt s.d 10 juta =19

38
Moh. Farid Wajdi, Hamzan Ahmadi, L. M. S a m s u

>10 jt sd 50 jt =
20 > 50 s.d 100 jt
= 21
Nomor 22-27 : jangka waktu/periode
pinjaman 12 bulan= 22, 18
bulan=23
24 bulan= 4, 36 bulan = 25,
48 bulan= 26, lain-lain=27

Nomor 28-30, angsuran dibuat interval sesuai kelompok pembiayaan

dan angsuran s.d 1 juta = 28
>1 sd 2 jt = 29
> 2jt = 30
Nomor 31-32, jaminan SHM = 31, BPKB motor/mobil=32, SK PNS/SK lain =33
Nomor 34-35,
kredit masih berjalan=34, dan kredit sudah selesai=35
Karena usaha yang dibiayai beragam maka dari itu dibuat dalam kelompok usaha.
Pedagang sembako/kelontongan/kebutuhan sehari-hari/ = 36, counter hp, konveksi,
mainan, pecah belah dsb kebutuhan sekunder=37, jasa seperti heuler, bengkel, pjtki=38,
rumah makan, warung,bakso, toko kue, catering = 39, PNS atau karyawan= 40, dan
pertanian dan peternakan= 41, multiusaha dan lain-lain=42.
Ada tunggakan= 43, tidak ada tunggakan 44
Status L=45,
DPK, K, L, M =46
8

Analisa
Tahap ini juga dapat disebut tahap learning atau tahap mining karena pada tahap ini data training
diolah secara manual, yang secara terurut dan sistematis sesuai alur algoritma Association
Classification metode CMAR, dari tahap mengenerate rule (sistem rule Generation) untuk
menemukan Classification Association Rule (CARs) dengan algoritma Apriori_TFP, dan

39
 PENERAPAN CLASSIFICATION BASE ON MULTIPLE ASSOCIANTON RULE PADA ANALISA RESIKO KREDIT USAHA …

melaksanakan Pruning/Pemangkasan dan sampai tahap Classification dengan menjalankan rule

untuk tujuan memprediksi nilai class baru data uji yang disiapkan.
Deployment/Perancangan Aplikasi
Tahap ini adalah tahap perancangan prototype sistem dan pengembangan aplikasi CMAR dengan
diawali tahap analisa activity diagram, desain user interface hingga tahap pengkodean.
Evaluasi Klasifikasi/Evaluation
Pada tahap ini dilakukan pengujian terhadap hasil klasifikasi guna mendapatkan informasi
seberapa besar nilai kehandalan metode CMAR yang digunakan dari sisi akurasi. Selain itu,
sebagai penjelasan hasil akan dibahas rule CMAR dan penafsirannya dan penerapannya dalam
contoh kasus prediksi data nasabah baru. Dan pada akhir tahap evaluasi ini, akan dilakukan
komparasi hasil akurasi metode CMAR dengan hasil ekperimen dengan metode klasifikasi lain
seperti C.45 dan NN jika data yang diolah sama yaitu data nasabah mikro BSM KCP Praya.

HASIL DAN PEMBAHASAN

Hasil Ekperimen Metode CMAR
Dalam subbab ini mencakup pelaksanaan ekperimen algoritma CMAR dengan menjalankan
aplikasi Demonstrasi Algoritma CMAR hasil pengembangan pada tahap deployment aplikasi.
Ekperimen dilaksanakan melalui 2 tipe ekperimen yaitu Tipe I dimana ekperimen dengan
mengganti nilai parameter support confidence dengan data training dan data testing sama, dan
Tipe II dengan melakukan peubahan pada data training dan data testing yang berbeda dengan
nilai support dan confidence yang optimal.
Tabel 4.1 Rekap ekperimen Tipe 1
Ekperimen 1 Ekperimen 2 Ekperimen 3 Ekperimen 4
S=20% S=30% S=30% S=10%
C=80% C=80% C=90% C=90%
Accuracy 99.42 75.44 75.44 99.42
Item prune 27 31 31 20
Jumlah frequent set 304 108 108 1271
Jumlah CMAR Rule 33 19 17 53
Generate Time 0.86 second 0.9 second 0.87 second 0.51 second

Dari tabel rekap diatas diambil kesimpulan untuk ekperimen data training dan data testing
yang sama, yang akurasi yang optimal adalah ekperimen 4 S=10% C=90% dengan akurasi

40
Moh. Farid Wajdi, Hamzan Ahmadi, L. M. S a m s u

99.42. Berikutnya 1,3, dan terkhir 2. Ekperimen 1 dan 4 memiliki akurasi yang sama tetapi
generate time ekperimen 4 lebih baik.
Tabel 4.2 Rekap Hasil Ekperimen Tipe 2
Ekperimen 5 Ekperimen 6 Ekperimen 7 Ekperimen 8
S=10% S=10% S=10% S=10%
C=90% C=90% C=90% C=90%
Accuracy 99.23 99.01 98.84 98.0
Jumlah record 130 100 86 50
Item prune 19 19 20 18
Jumlah frequent set 1611 1580 1504 1887
Jumlah CMAR
23 19 16 27
Rule
Generate Time 0.33 0.24 0.51 0.18 second

Dari tabel rekap diatas diambil kesimpulan untuk ekperimen data training dan data testing yang
berbeda, dengan nilai support dan confidence tetap (S=10% dan C=90%) didapatkan akurasi
yang optimal adalah ekperimen 5 (jumlah record 130) dengan akurasi 99.23. Berikutnya 6, 7 dan
terkhir ekperimen 8.
Dari ekperimen Tipe 1 dan Tipe 2, pilihan yang paling optimal adalah ekperimen tipe 1. Dengan
accuracy yang lebih baik dari ekperimen tipe ke-2. Dimana dapat disimpulkan sebagai berikut :
Untuk mendapatkan akurasi yang optimal dan terbaik, pilihan settingnya adalah Data Trainig
dan data Testing yang sama dan dengan jumlah record terbanyak yakni 171 record.
Dengan Support 10% dan Confidence 90%, ini akan menghasilkan variasi rule CMAR
yang lebih banyak yaitu 53 rules dan nilai akurasi mendekati sempurna yaitu 99.42%.
Dapat digambarkan secara grafik line hasil pengukuran tingkat akurasi dari 8 ekperimen diatas
sbb:

41
 PENERAPAN CLASSIFICATION BASE ON MULTIPLE ASSOCIANTON RULE PADA ANALISA RESIKO KREDIT USAHA …

120
Accuracy
100 99.42 99.42 99.23 99.01 98.84 98
80
75.44 75.44
60

40
Accuracy
20

0
S=30
S=20% S=30% % S=10% S=10% S=10% S=10% S=10%
C=90 C=90 C=90
C=80% C=80% % C=90% % % C=90% C=90%
Ekperime Ekperime Ekperime Ekperime Ekperime Ekperime Ekperim Ekperime
n nn n n n en n
1 2 3 4 5 6 7 8
Gambar 4.1 Grafik akurasi hasil 8 ekperimen dengan metode CMAR

Rule CMAR dan Pembahasannya

Hasil ekperimen algoritma CMAR diatas juga menghasilkkan rule base CMAR sebanyak 53
rule sbb: Format penulisan rule :
10
(No Rule ) {Ante} {Cons} confidence % (Sup. Rule, Sup. Ante, Sup. Cons.)
\(1) {44 14} {45} 100.0%, (69.0, 69.0, 129.0)
(2) {16 44 14} {45} 100.0%, (69.0, 69.0, 129.0)
(3) {44 35} {45} 100.0%, (58.0, 58.0, 129.0)
(4) {44 25} {45} 100.0%, (58.0, 58.0, 129.0)
(5) {44 28} {45} 100.0%, (54.0, 54.0, 129.0)
…

42
Moh. Farid Wajdi, Hamzan Ahmadi, L. M. S a m s u

(35) {44 31 30} {45} 100.0%, (27.0, 27.0, 129.0)

(36) {20 43} {46} 100.0%, (26.0, 26.0, 42.0)
(37) {16 44 31 30} {45} 100.0%, (25.0, 25.0, 129.0)
(38) {14 43} {46} 100.0%, (24.0, 24.0, 42.0)
…
(47) {44 37} {45} 100.0%, (18.0, 18.0, 129.0)
(48) {34 43} {46} 100.0%, (18.0, 18.0, 42.0)

(49) {25 43} {46} 100.0%, (18.0, 18.0, 42.0)

(50) {44} {45} 99.23%, (129.0, 130.0, 129.0)
(51) {16 44} {45} 99.18%, (122.0, 123.0, 129.0)
(52) {44 31} --> {45} 98.95%, (95.0, 96.0, 129.0)
(53) {16 44 31} --> {45} 98.88%, (89.0, 90.0, 129.0)
Pembahasan rule meliputi 1) proses rekonversi rule 2) proses penafsiran rule.

Rekonversi rule adalah proses merubah kembali format rule yang sebelumnya bentuk angka
menjadi bentuk data sebenarnya sehingga proses pembacaan dan penafsiran rule akan jauh lebih
mudah.
Rule ke 37 : {16 44 31 30} {45} 100.0%, (25.0, 25.0, 129.0) , dikonversi kembali menjadi
Menikah+Tidak Ada Tunggakan + Jaminan SHM+ Angsuran > 2jt Lancar

Penafsiran rule : Dengan tingkat kepercayaan sebesar 100% telah terjadi sebanyak 25 kali
kejadian status kredit Lancar dengan ciri-ciri status perkawinan nasabah telah menikah, tidak
terdapat tunggakan, menggunakan jaminan SHM, dengan angsuran > 2jt.
Rule 48: {34 43} {46} 100% (18.0,18.0,42.0) dikonversi kembali menjadi
Kredit masih berjalan + ada tunggakan Macet

Penafsiran rule : Dengan tingkat kepercayaan sebesar 100% telah terjadi sebanyak 18 kali
kejadian status kredit Macet dengan ciri-ciri kredit masih berjalan dan adanya tunggakan.

43
 PENERAPAN CLASSIFICATION BASE ON MULTIPLE ASSOCIANTON RULE PADA ANALISA RESIKO KREDIT USAHA …

Perbandingan Akurasi Metode CMAR dengan Metode C.45 dan NN

Selain metode CMAR dengan teknik integrasi metode Association dengan klasifikasi, data
nasabah mikro BSM KCP Praya dapat pula dianalisa dengan metode klasifikasi klasik lain untuk
tujuan perbandingan metode agar dapat diketahui metode mana yang lebih baik dari sisi akurasi.
Untuk keperluan perbandingan ini penulis menentukan metode pembanding adalah Decision
Tree/C.45 dan Neural Network. Proses analisa dengan metode lain dibantu dengan tools data
mining yang sudah umum dipakai yaitu Rapidminer versi 5.
Perbandingan Dengan Metode Decision Tree/C.45
: split
Data uji dan Training : bsmmikro.xls Metode evaluasi validation
: 0.9 s.d
Split ration 0.4
Tabel 4.3 Hasil Akurasi Metode Decision Tree

Accuracy dengan metode Sampling

split validation linear Shuffled Stratified
0.9 64.71 82.35 70.59
0.8 82.35 70.59 82.35
0.7 74.51 86.27 68.63
0.6 72.06 77.94 73.53
0.5 65.88 81.18 72.94
0.4 69.61 69.61 79.41
Averag
e 71.52 77.99 74.575

Dari tabel dapat disimpulkan nilai akurasi maksimal yang bisa didapat sebesar rata-rata nilai
akurasi metode decision tree sebesar 86.27 %. Artinya masih dibawah metode CMAR 99.42 %.

44
Moh. Farid Wajdi, Hamzan Ahmadi, L. M. S a m s u

Perbandingan Dengan Metode Neural Network

Data uji dan : splt
Training : bsmmikro.xls Metode evaluasi validation
Split ration : 0.9 s.d 0.4 Hidden layer :3
Training cycle : 500 Momentum : 0.2
Error epsilon : 1.00E-05

Tabel 4.4 Hasil Akurasi Metode NN

Accuracy dengan metode Sampling
split validation Linear shuffled Stratified
0.9 29.41 11.76 23.53
0.8 20.59 20.59 76.47
0.7 25.49 15.69 25.49
0.6 75 80.88 25
0.5 78.82 22.35 24.71
0.4 19.61 21.57 24.51
Average 41.48666667 28.80666667 33.285

Dari tabel dapat disimpulkan nilai akurasi maksimal yang bisa didapat sebesar rata-rata nilai
akurasi metode NN sebesar 80.88 %. Artinya masih dibawah metode CMAR 99.42 %.

KESIMPULAN DAN SARAN

Dari hasil penelitian ini menunjukkan bahwa penggunaan algoritma Classification base on
Multiple Association Rule (CMAR) dapat diterapkan dalam memprediksi resiko kredit sektor
mikro di KCP cabang praya dengan mengetahui karakteristik kredit yang lancar dan karakteristik
kredit yang macet dari basis aturan yang berhasil didapatkan. Dari hasil pengukuran accuracy
didapati tingkat akurasi tertinggi diperoleh sebesar 99.42% dengan rule CMAR sebanyak 53 rule,
dari data training sebanyak 171 nasabah dengan data uji yang sama dengan data training.
Sehingga dapat diambil kesimpulan bahwa penerapan metode CMAR terbukti akurat untuk dapat
memprediksi resiko kredit sektor mikro di KCP Praya.

45
 PENERAPAN CLASSIFICATION BASE ON MULTIPLE ASSOCIANTON RULE PADA ANALISA RESIKO KREDIT USAHA …

Berdasarkan hasil analisis dan pembahasan penelitian ini, terdapat beberapa saran untuk
pengembangan penelitian topik ini kedepan:
1 Mempertajam perbedaan karakteristik nasabah berdasarkan pola atribut nasabah yang status
kreditnya lancar dengan kredit yang macet.
2 Menambahkan jumlah atribut atau variabel independen yang spesifik seperti jumlah
tanggungan, jumlah pendapatan, jumlah pengeluaran atau variabel lainnya dan menambah
jumlah record data training, karena semakin banyak data training, model classifier yang
diperoleh akan lebih baik walaupun secara akurasi sama. Disamping itu agar data yang digali
lebih banyak dan informasi yang diperoleh pun lebih lengkap.
3 Melakukan perbandingan tingkat akurasi metode CMAR dengan metode Association
Classification lainnya untuk mendapatkan metode yang terbaik baik secara akurasi maupun
kelengkapan informas

DAFTAR PUSTAKA

[1] B. Liu, “Integrating Classification and Association Rule Mining,” Proc. Int. Conf. Knowl.
Discov. Data Mining. New York, NY AAAI Press, pp. 80–88, 1998.

[2] W. Li, J. Han, and J. Pei, “CMAR : Accurate and Efficient Classification Based on
Multiple,” Proc. Int. Conf. Data Min. (ICDM’01), San Jose, CA,. Lim, pp. 369–376, 2001.

[3] D. K. Tiwary, “A COMPARATIVE STUDY OF CLASSIFICATION ALGORITHMS

FOR CREDIT CARD APPROVAL USING WEKA,” Int. Interdiscip. Res. J. _ ISSN
2347-6915, vol. 2, no. 3, pp. 165–174, 2014.

[4] S. U. Purohit, V. Mahadevan, and A. N. Kulkarni, “Credit Evaluation Model of Loan

Proposals for Indian Banks,” Int. J. Model. Optim., vol. 2, no. 4, pp. 530–534, 2012.

[5] J. B. Simha, “Comparing decision trees with logistic regression for credit risk analysis,”
SAS APAUGC 2006 MUMBAI, 2006.

[6] S. Soni and O. P. Vyas, “Using Associative Classifiers for Predictive Analysis in Health
Care Data Mining,” Int. J. Comput. Appl., vol. 4, no. 5, pp. 33–37, 2010.

[7] K. Tan, Steinbach, “Association Analysis : Basic Concepts and Algoritm,” in

Introduction Of Data Mining, 2004, pp. 327–370.

[8] F. Thabtah, “A review of associative classification mining,” Knowl. Eng. Rev., vol. 22, no.
01, p. 37, May 2007.

46
Moh. Farid Wajdi, Hamzan Ahmadi, L. M. S a m s u

[9] F. Conen, “Apriori-TFP Association Rule Mining (ARM) Software The CMAR
Algorithm,” LUCS KDD , Department of Computer Science, The University of Liverpool,
UK, 2004. [Online]. Available:
http://www.csc.liv.ac.uk/~frans/KDD/Software/CMAR/cmar.html.

[10] F. Coenen, P. Leng, and S. Ahmed, “Data Structure for Association Rule Mining :T-Tree
and P-Tree,” IEEE Trans. Knowl. Data Eng., vol. 16, no. 6, pp. 1–5, 2004.

[11] J. Han, Data Mining : Concept and Techniques-3rd Edition, Third., vol. 40, no. 6. Morgan
Kaufman, USA, 2012.

47