J-ICON.
Vol.
5 No.
Oktober 2017, pp.
RANCANG BANGUN APLIKASI PREDIKSI CALON KREDITUR
PADA BANK MUAMALAT KUPANG
Abdul Gani Farid 1.
Sebastianus A.
Mola 2.
Dony M.
Sihotang 3
1,2,3
Jurusan Ilmu Komputer.
Fakultas Sains dan Teknik.
Universitas Nusa Cendana
INTISARI
Pemanfaatan data transaksi yang banyak tersimpan, dapat memberikan pengetahuan yang berguna dalam membuat kecerdasan bisnis di Bank Muamalat Kupang.
Namun hal tersebut belum dilakukan oleh Bank Muamalat, sehingga akan kesulitan dalam memberikan kredit kepada calon Penelitian ini bertujuan untuk membuat kecerdasan bisnis berupa aplikasi prediksi calon kreditur dalam melakukan pengembalian kredit dengan memanfaatkan data-data dari formulir kreditur lama yang sudah ada.
Algoritma yang digunakan dalam penelitian ini adalah algoritma KNearest Neighbor (K-NN) dimana algoritma ini mencari kemiripan data calon kreditur baru dengan data kreditur lama sejumlah k yang masih ataupun sudah menyelesaikan kredit pada Bank Muamalat Kupang.
Hasil dari penelitian ini menunjukkan bahwa dengan menggunakan metode KNN, seorang calon kreditur bisa diprediksi potensi pengembalian kreditnya dengan membandingkan data-datanya.
Dan tingkat akurasi tertinggi didapat ketika nilai k=5, dengan tingkat akurasi mencapai 80%.
Kata Kunci: Calon Kreditur.
Kreditur.
Prediksi.
K-Nearest Neighbor.
ABSTRACT
The implementation of stored-transaction data can provide a lot of useful knowledge to create businesses intelligence in Muamalat Bank.
But Muamalat Bank has not done it yet.
so, it will be difficult to give credits to the creditors.
This study aimed to create business intelligence in terms of prospective creditors prediction.
It was expected that it could predict creditors in making payments using old existing creditors forms data.
The research applied the K-Nearest Neighbor algorithm (K-NN) where this algorithm looking for similarly between render candidates and old creditors as much as k values that still or have done their lends to Muamalat Bank Kupang.
The result of this research shows that with KNN algorithm, a creditor can be predict using data comparism.
Highest accuracy can be reach when k value=5, with accuracy level up to 80%.
Keywords: creditors candidates, creditors, prediction.
K-Nearest Neighbor
PENDAHULUAN
Salah satu layanan bank dalam membantu masyarakat dalam mengelola keuangan mereka adalah dengan memberikan kredit-kredit untuk berbagai hal misalnya: cicilan pembiayaan rumah, cicilan pembiayaan usaha, dan lain sebagainya.
Layanan ini diharapkan dapat membantu masyarakat yang belum mempunyai dana besar untuk membeli barang atau produk yang membutuhkan uang dalam jumlah yang cukup besar dengan cara pembayaran secara berkala.
Saat ini banyak bank yang telah menggunakan teknologi informasi untuk mengolah data transaksi kredit, salah satunya adalah Bank Muamalat.
Menurut Aqwa Taqdir selaku supervisor bank Muamalat Kupang, dengan kemajuan teknologi informasi.
Bank Muamalat dapat mengolah data dengan cepat sehingga menghasilkan data transaksi yang banyak baik data transaksi kreditur baik maupun yang buruk.
Meski memiliki data transaksi yang banyak, terkadang bank tersebut belum bisa membuat sebuah kecerdasan bisnis seperti memprediksi calon kreditur yang memiliki potensi baik atau buruk berdasarkan history dari data transaksi pembayaran kreditur-kreditur lama.
Bank
tersebut juga belum bisa memanfaatkan data karakteristik kreditur lama yang ada untuk dijadikan ISSN 2337-7631
ISSN 2337-7631
sebagai informasi tambahan yang nantinya dapat membantu bank dalam membuat kecerdasan bisnis demi menunjang kelancaran transaksi dan menghindari resiko kredit macet.
Dengan diterapkannya Algoritma K-Nearest Neighbor maka diharapkan Bank Muamalat dapat menerapkan kecerdasan bisnis yakni memprediksi potensi calon kreditur berdasarkan history data transaksi pembayaran kredit kreditur lama yang nantinya akan baik atau tidak serta dapat memanfaatkan data karakteristik kreditur lama untuk dijadikan sebagai informasi tambahan yang dapat membantu perusahaan dalam membuat kecerdasan bisnis tersebut.
II.
MATERI DAN METODE
Deskripsi K-Nearest Neighbor (K-NN) Algoritma K-Nearest Neighbor (K-NN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut.
Dalam hal ini jumlah data/tetangga terdekat ditentukan oleh user yang dinyatakan dengan k.
Misalkan ditentukan k=5, maka setiap data testing dihitung jaraknya terhadap data training dan dipilih 5 data training yang jaraknya paling dekat ke data testing.
Lalu periksa output atau labelnya masing-masing, kemudian tentukan output mana yang frekuensinya paling banyak.
Lalu masukkan suatu data testing ke kelompok dengan output paling banyak.
Misalkan dalam kasus klasifikasi dengan 3 kelas, lima data tadi terbagi atas tiga data dengan output kelas 1, satu data dengan output kelas 2 dan satu data dengan output kelas 3, maka dapat disimpulkan bahwa output dengan label kelas 1 adalah yang paling banyak.
Maka data baru tadi dapat dikelompokkan ke dalam kelas 1.
Prosedur ini dilakukan untuk semua data testing (Santosa, 2.
Sebelum dilakukannya perhitungan K-NN, dilakukan proses nornalisasi terlebih dahulu agar data-data non numeric dan data-data yang memiliki range yang lebar bisa lebih mudah dihitung.
Tahap Pembangunan Sistem 1 Studi Pustaka Yaitu pencarian data dengan membaca buku-buku yang berkaitan dengan sistem informasi perancangan sistem dan panduan pemrograman.
2 Pengumpulan Data Pengumpulan data dengan cara observasi dan wawancara .
elakukan pengamatan dan wawancara dengan pegawai dan supervisor Bank Muamalat Kupan.
3 Perancangan Sistem Rancangan desain dari sistem yang akan dibuat meliputi Data Flow Diagram (DFD), rancangan Diagram Berjenjang (HIPO), dan desain interface atau antarmuka.
Data Flow Diagram (DFD) Menurut Jogiyanto .
DFD digunakan untuk menggambarkan suatu sistem yang telah ada atau sistem baru yang dikembangkan secara logika tanpa mempertimbangkan lingkungan fisik dimana data tersebut mengalir atau dimana data tersebut akan disimpan.
DFD merupakan alat yang digunakan pada metodologi pengembangan sistem yang terstruktur.
Gambar 1 merupakan DFD level 0 dari Aplikasi Prediksi Kreditur Pada Bank Muamalat Kupang.
J-ICON.
Vol.
5 No.
Oktober 2017 : 15
J-ICON
ISSN 2337-7631
DATA LOGIN
DATA LOGIN
LOGIN
INFORMASI DATA LOGIN
DATA LOGIN
INFORMASI DATA LOGIN
DATA KREDITUR
DATA KREDITUR
INFORMASI DATA KREDITUR
INFORMASI DATA KREDITUR
BAGIAN
PEMBIAYAAN
INFORMASI
DATA
KREDITUR
DATA KREDITUR
DATA MASTER
KREDITUR
NORMALISASI DATA KRITERIA
CALON KREDITUR
DATA KREDITUR
TERNORMALISASI
DATA KREDITUR
TERNORMALISASI
CETAK LAPORAN
DATA KREDITUR TERNORMALISASI
DATA KRITERIA CALON KREDITUR BARU
HASIL PREDIKSI
PREDIKSI
DENGAN
METODE KNN
PREDIKSI CALON KREDITUR
HASIL PREDIKSI
HASIL PREDIKSI
HASIL PREDIKSI
LAPORAN HASIL PREDIKSI
BRANCH
MANAGER
LAPORAN HASIL PREDIKSI
HASIL PREDIKSI
LAPORAN
MARKETING
PEMBIAYAAN
LAPORAN HASIL PREDIKSI
Gambar 1.
DFD level 0 .
Diagram Berjenjang (HIPO) HIPO merupakan alat dokumentasi program yang berdasarkan fungsinya untuk meningkatkan efisiensi usaha perawatan program.
Dokumen ini dilaksanakan dengan mempercepat lokasi dalam kode pada fungsi program yang akan dimodifikasi.
Dengan kata lain dapat dikatakan HIPO dikembangkan agar tersedia suatu teknik untuk mendokumentasikan fungsi Pembentukan HIPO ini dilakukan pada tahap pengembangan sistem informasi (Putranta, 2.
Diagram Berjenjang dalam sistem ini ditunjukan pada gambar 2.
SISTEM PREDIKSI KREDITUR
MENGGUNAKAN KNN
LogIn
DATA MASTER
KREDITUR
PREDIKSI MDENGAN
MENGGUNAKAN KNN
LAPORAN
DATA MASTER
NORMALISASI
Gambar 2.
HIPO .
Rancang Bangun Aplikasi Prediksi Calon Kreditur Pada Bank Muamalat Kupang (Abdul Gani Fari.
ISSN 2337-7631 Interface (Antarmuk.
Agar pengguna dan komputer dapat saling berinteraksi, sehingga pengguna merasakan adanya kemudahan dan keramahan sistem komputer kepadanya, diperlukan suatu media yang memungkinkan interaksi tersebut secara langsung.
Media yang dimaksud adalah antarmuka berbasis grafis yang dikenal dengan istilah GUI (Graphical User Interfac.
Dengan antarmuka berbasis grafis, pengguna dapat merasakan berbagai kemudahan dalam pengoperasian sebuah Perancangan antarmuka untuk aplikasi prediksi dapat dilihat pada gambar 3.
Gambar 3.
Antarmuka Perhitungan K-NN .
HASIL DAN PEMBAHASAN
Aplikasi ini berhasil dikembangkan dan dalam proses aplikasi prediksi calon kreditur ini, dilakukan perhitungan normalisasi data calon kreditur yang sudah menyelesaikan pengembalian Hasil normalisasi ini yang kemudian akan digunakan sebagai data uji untuk calon kreditur yang akan mengajukan kredit.
Proses pengajuannya dilakukan dengan metode K-Nearest Neighbor.
Dari ketiga hasil pengujian dengan menggunakan nilai k=3, k=5 k=7, didapat bahwa penggunaan nilai k=5 menghasilkan tingkat akurasi yang paling baik yakni 80%.
IV.
PENUTUP
KESIMPULAN
Berdasarkan hasil pembahasan laporan dan program yang telah dibuat maka dapat disimpulkan sebagai berikut:
Aplikasi untuk memprediksi calon kreditur pada Bank Muamalat Kupang berhasil Penggunaan nilai k=5 menghasilkan tingkat akurasi prediksi yang paling baik yakni SARAN Setelah mengevaluasi keseluruhan penelitian ini, beberapa saran dapat diberikan untuk pengembangan aplikasi prediksi calon kreditur ke depannya yaitu:
J-ICON.
Vol.
5 No.
Oktober 2017 : 15
J-ICON
ISSN 2337-7631
Untuk peneliti selanjutnya dapat mengembangkan aplikasi ini hingga mencakup keseluruhan jenis pembiayaan yang ada pada bank.
Metode yang digunakan sebaiknya bisa diuji dulu dan dikembangkan agar mendapatkan hasil yang lebih baik.
Perlu ditambahkannya data uji yang lebih banyak agar bisa menghasilkan prediksi yang lebih akurat.
DAFTAR PUSTAKA