ESTIMASI KEPUTUSAN PEMBERIAN KREDIT BAGI UMKM MENGGUNAKAN JARINGAN SYARAF TIRUAN BERDASARKAN PRINSIP 5C Safarudin1), Suardi B Haruna2) Program Studi Manajemen Informatika STMIK Profesional Makassar
[email protected] Program Studi Teknik Komputer STMIK Profesional Makassar
[email protected] Abstrak Tujuan dari penelitian ini adalah memperoleh model estimasi keputusan pemberian kredit dengan menggunakan jaringan syaraf tiruan berdasarkan prinsip 5C(Character, Capacity, Capital, Collateral, dan Condition). Target yang dicapai dalam penelitian ini adalah menawarkan suatu alternatif atau solusi bagi para pengambil keputusan bagi lembaga keuangan dalam menentukan kelayakan pemberian kredit bagi calon debitur. Metode pengumpulan data menggunakan metode dokumentasi, yaitu pengumpulan data berupa memorandum analisis pembiayaan (MAP) dan laporan jumlah data pembiayaan yang bersumber dari lembaga objek penelitian yang akan diolah menggunakan algoritma Jaringan Syaraf Tiruan Backpropagation. Prosedur penelitian melalui tahapan : pengumpulanlan data, pemisahan data pelatihan dan pengujian, menentukan struktur jaringan, memilih algoritma pembelajaran, inisialisasi parameter jaringan, penginputan data pelatihan, pengujian, implementasi jaringan syaraf tiruan, menganalisis data, menyusun laporan penelitian, dan publikasi hasil penelitian Dari penelitian ini diperoleh model estimasi keputusan pemberian kredit dengan menggunakan jaringan syaraf tiruan berdasarkan prinsip 5C (character, capacity, capital, collateral, dan condition). Berdasarkan data uji yang diberikan, model jaringan syaraf pada penelitian ini mampu untuk mengenali target secara baik dengan akurasi 100% dan laju error sebesar 0. Kata kunci : Software Estimasi ,Pemberian Kredit, Jaringan Syaraf Tiruan menanganinya.Aspek penilaian pembiayaan
A. Pendahuluan Pemberian kredit yang dilakukan
yang
biasa
dijadikan
acuan
adalah
prinsip
5C’s
yaitu
oleh pihak lembaga keuangan, merupakan
menggunakan
suatu kegiatan rutin yang dilakukan setiap
memperhatikan unsur character, capacity,
saat. Pemberian pembiayaan oleh lembaga
capital, collateral, dan condition dari calon
keuangan
merupakan
yang
debitur. Dengan menggunakan aspek-aspek
menuntut
keterampilan,
dan
tersebut dapat diprediksi apakah seorang
tantangan keahlian,
dedikasi yang tinggi dari pejabat yang 45
calon debitur layak diberikan atau tidak
pemberian kredit dengan menggunakan
diberikan pembiayaan untuk usahanya.
jaringan syaraf tiruan berdasarkan prinsip
Pekerjaan yang dibebankan kepada
5C. Adapun tujuan penelitian ini adalah
seorang analis kredit dalam melakukan
memperoleh model estimasi keputusan
klasifikasi atau prediksi terhadap calon
pemberian kredit dengan menggunakan
debitur biasanya malalui proses yang cukup
jaringan syaraf tiruan berdasarkan prinsip
lama utamanya pengambilan data calon
5C.
debitur. Kelemahan lain yang mungkin timbul adalah keputusan yang diambil
B. METODE PENELITIAN
biasanya sangat subyektif dan adanya
Penelitian ini dilakukan pada salah
perbedaan pendapat antar analis kredit
satu lembaga keuangan yang ada di
utamanya
Makassar selama dua bulan. Pada penelitian
jika
menggunakan
beberapa
orang analis. Oleh karena itu untuk
ini
yang
menjadi
populasi
adalah
membantu proses pengambilan keputusan
memorandum analisis pembiayaan (MAP)
yang lebih konsisten maka dibutuhkan
nasabah yang berjumlah 437, dengan
sebuah aplikasi bantu sebagai alat prediksi.
menarik sebanyak 100 sampel. Untuk
Jaringan syaraf tiruan merupakan
mendapatkan data yang dibutuhkan, maka
salah satu algoritma yang sudah digunakan
peneliti menggunakan teknik pengumpulan
secara luas di berbagai bidang untuk
data, 1)dokumentasi, yaitu pengumpulan
keperluan
data
klasifikasi
atau
pengenalan
berupa
memorandum
analisis
pola.Dengan jaringan syaraf tiruan tersebut,
pembiayaan (MAP) dan laporan jumlah
komputer difungsikan untuk melakukan
data pembiayaan yang bersumber dari
prediksi terhadap calon debitur berdasarkan
lembaga objek penelitian,2) wawancara,
kriteria yang telah ditetapkan (5C) tersebut.
yaitu teknik pengumpulan data melalui
Berdasarkan latar belakang di atas, maka
tanya jawab (interview) langsung dengan
dirumuskan masalah penelitian yaitu 1)
pimpinan, analis pembiayaan, karyawan
bagaimana
membuat
dan nasabah sesuai dengan data yang
keputusan
pemberian
menggunakan berdasarkan
model
estimasi
kredit
dengan
jaringan prinsip
5C,
syaraf
diperlukan obyek yang dibahas.
tiruan
Dalam perancangan sistem jaringan
2)bagaimana
syaraf tiruan ini, variabel masukan yang
membangun suatu aplikasi berupa protipe
digunakan
perangkat
untuk
Capital, Collateral dan Condition (5C) dan
estimasi keputusan
keluaran prediksi keputusan yaitu diterima
lunak
membantu proses
(software)
adalah
Character,
Capasity,
46
atau
ditolak.
Adapun
operasionalisasi
variabel-variabel adalah sebagai berikut: 1. Character
baik dengan masyarakat sekitar f. Usaha calon debitur merupakan usaha
Character adalah keadaan watak/sifat dari nasabah, baik dalam kehidupan pribadi maupun
e. Calon debitur memiliki hubungan yang
dalam
lingkungan
yang sesuai dengan prinsip syariah 2. Capacity
usaha.
Capacity adalah kemampuan yang
Kegunaan dari penilaian terhdap karakter
dimiliki calon debitur dalam menjalankan
ini adalah untuk mengetahui sampai sejauh
usahanya guna memperoleh laba yang
mana iktikad/ kemauan nasabah untuk
diharapkan. Kegunaan dari penelitian ini
memenuhi kewajibannya (willingness to
adalah
pay) sesuai dengan perjanjian yang telah
sampai sejauh mana calon debitur mampu
ditetapkan.
mengembalikan
Pengukuran
terhadap
menggunakan
character
quisioner
dikembangkan
yang
untuk
yang
dengan
penilaian
yang
menggunakan
digunakan pada objek penelitian, yang
dikembangkan
terdiri
disesuaikan
6
pertanyaan
dengan
atau
melunasi
waktu, dari hasil usaha yang diperolehnya.
peneliti
dari
mengukur
kewajibannya (ability to pay) secara tepat
oleh
disesuaikan
mengetahui/
Pengukuran
terhadap
capacity
quisioner
yang
oleh
peneliti
yang
dengan
penilaian
yang
menggunakan skala likert dari sangat tidak
digunakan pada objek penelitian, yang
setuju (STS) dengan skor 1, kurang setuju
terdiri
(KS) dengan skor 2, cukup (C) dengan skor
menggunakan skala likert dari sangat tidak
3, setuju (S) dengan skor 4, dan sangat
setuju (STS) dengan skor 1, kurang setuju
setuju (SS) dengan skor 5.
(KS) dengan skor 2, cukup (C) dengan skor
Adapun indikator character adalah sebagai berikut:
debitur
2
pertanyaan
dengan
3, setuju (S) dengan skor 4, dan sangat setuju (SS) dengan skor 5.
a. Calon debitur merupakan debitur baru b. Calon
dari
memiliki
riwayat
pembiayaan yang baik c. Calon debitur merupakan orang yang jujur d. Calon debitur memiliki kemauan yang baik untuk bekerjasama
Adapun indikator capacity adalah sebagai berikut: a. Calon debitur melakukan pemasaran produk dengan baik b. Calon debitur memiliki aspek keuangan yang baik 3. Capital
47
Capital adalah jumlah dana/modal sendiri yang dimiliki calon debitur. Makin
agunan tersebut meliputi jenis, lokasi, bukti kepemilikan, dan status hukumnya.
besar modal sendiri dalam perusahaan,
Pengukuran
terhadap
collateral
tentu semakin tinggi kesungguhan calon
menggunakan
debitur menjalankan usahnya dan lembaga
dikembangkan
keuangan pun akan merasa lebih yakin
disesuaikan
untuk memberikan pembiayaan.
digunakan pada objek penelitian, yang
Pengukuran menggunakan dikembangkan
terdiri
quisioner
yang
oleh
peneliti
yang
dengan
penilaian
yang
terhadap
capital
dari
4
pertanyaan
dengan
quisioner
yang
menggunakan skala likert dari sangat tidak
oleh
peneliti
yang
setuju (STS) dengan skor 1, kurang setuju
dengan
penilaian
yang
(KS) dengan skor 2, cukup (C) dengan skor
digunakan pada objek penelitian, yang
3, setuju (S) dengan skor 4, dan sangat
terdiri
setuju (SS) dengan skor 5.
disesuaikan
dari
2
pertanyaan
dengan
menggunakan skala likert dari sangat tidak
Adapun indikator collateral adalah
setuju (STS) dengan skor 1, kurang setuju
sebagai berikut:
(KS) dengan skor 2, cukup (C) dengan skor
a. Jenis jaminan calon debitur merupakan
3, setuju (S) dengan skor 4, dan sangat setuju (SS) dengan skor 5. Adapun
indikator
b. Status jaminan calon debitur adalah capital
adalah
sebagai berikut:
yang
milik sendiri c. Jaminan calon debitur memiliki nilai
a. Calon debitur memiliki modal usaha sendiri
surat-surat berharga
masih
membutuhkan
pembiayaan
likuiditas yang memadai d. Jaminan calon debitur memiliki nilai ekonomis yang tinggi
b. Status kepemilikan modal calon debitur
5. Condition
adalah milik sendiri
Condition of economic adalah situasi
4. Collateral Collateral
dan kondisi politik, sosial, ekonomi, dan adalah
barang
yang
budaya
yang
mempengaruhi
keadaan
diserahkan oleh debitur sebagai agunan
perekonomian yang kemungkinan pada
terhadap pembiayaan yang diterimanya.
suatu
Collateral
perusahaan
harus
dinilai
oleh
pejabat
saat
mempengaruhi calon
debitur.
kelancaran Pengukuran
lembaga keuangan untuk mengetahui sejauh
terhadap condition menggunakan kuisioner
mana risiko kewajiban finansial debitur
yang dikembangkan oleh peneliti yang
kepada pihak lembaga keuangan. Penilaian
disesuaikan
dengan
penilaian
yang 48
digunakan pada objek penelitian, yang terdiri
dari
3
pertanyaan
Arsitektur jaringan yang digunakan
dengan
dalam hal ini, terdiri atas 3 lapisan dengan
menggunakan skala likert dari sangat tidak
satu lapisan masukan yang terdiri atas 5
setuju (STS) dengan skor 1, kurang setuju
unit sel, satu lapisan tersembunyi dengan
(KS) dengan skor 2, cukup (C) dengan skor
jumlah unit sel yang ditentukan secara acak
3, setuju (S) dengan skor 4, dan sangat
dan satu lapisan keluaran berjumlah 1 unit
setuju (SS) dengan skor 5.
sel sebagai target. Skema jaringan yang
Adapun indikator condition adalah
dimaksud seperti pada gambar 2
sebagai berikut:
X1
W1
a. Usaha calon debitur menaati peraturan
W2
X2
pemerintah
terhadap
produk
yang W3
dihasilkan/diperdagangkan
y
X3
b. Produk
W4
yang
X4
diperjualbelikan/diproduksi oleh calon X5
debitur memiliki nilai jual yang tinggi
W5
di pasaran Lapisan Masukan
Lapisan tersembunyi
Lapisan keluaran
c. Usaha calon debitur memiliki pangsa yang luas Rancangan penelitian
yang akan
dilakukan dalam membangun aplikasi JST
Gambar 2. Arsitektur Jaringan untuk memprediksi keputusan pemberian kredit Keterangan: a. X1=Character
seperti ditunjukkan dalam bagan gambar 1
b. X2=Capasity
1. Kumpulkan Data
c. X3=Capital
2. Pisahkan Data untuk pelatihan dan pengujian
d. X4=Collateral 3. Tentukan Struktur Jaringan
e. X5=Condition 4. Pilih algoritma pembelajaran
Proses pelatihan dilakukan untuk
5. Inisialisasi parameter jaringan
mencari konfigurasi terbaik dengan cara
6. Inputan data pelatihan
mengubah konstanta belajar dan jumlah
7.Pelatihan (ubah/perbaharui bobot)
lapisan tersembuyi secara coba-coba(trial
8.Pengujian 9.Implementasi Jaringan Syaraf Tiruan (ubah/perbaharui bobot)
Gambar 1. Langkah-langkah pembuatan aplikasi Jaringan Syaraf Tiruan
error).
Pelatihan
memakai
perangkat
lunak(sofware) Matlab. Proses pelatihan menggunakan
algoritma
BP
(Backpropagation). 49
Pengukuran kinerja estimasi diukur
Training for 38 Epochs
2
Sum-Squared Error
10
melalui dua hal yaitu: 1) dengan mengukur
0
10
-2
akurasi prediksi
10
dan 2) mengukur laju
0
5
10
15
20 Epoch
25
30
35
2
Learning Rate
error.Untuk menghitung akurasi dan laju error digunakan formula seperti pada
1
0
-1
0
5
10
15
20 Epoch
25
30
35
40
persamaan (1) dan (2), A kurasi =
jumlah data yangdiprediksi benar
Gambar 3. Grafik konvergensi prediksi keputusan pemberian kredit
……(1)
jumlah seluruh prediksi
Laju Error =
……(2)
jumlah data yangdiprediksi salah
Tabel hasil pelatihan terhadap 50 data seperti yang terlihat pada tabel 1
jumlah seluruh prediksi
Tabel 1. Hasil pelatihan terhadap 50 data
C. HASIL Pelatihan(training) dilakukan untuk
N O
C1
C2
C3
C4
C5
Tar get
Has il
12
5
6
14
9
0
0
14
5
5
13
9
0
0
13
5
6
12
10
0
0
12
7
4
12
10
0
0
8
3
6
13
7
0
0
8
6
5
12
7
0
0
8
5
6
10
9
0
0
Seben arnya
memperkenalkan pola-pola atau model 1.
masukan. Ada 50 data yang dilatihkan, terdiri atas 25 data dengan pola keluaran ditolak(0) dan 25 data dengan pola keluaran diterima(1).
Proses
training
dilakukan
dengan menggunakan software Matlab yang
2. 3. 4. 5. 6. 7. 8.
telah menyediakan fungsi-fungsi pelatihan pada aplikasi jaringan syaraf tiruan. Pada
9. 10. 11.
kasus ini digunakan algoritma jaringan syaraf tiruan metode back propagation
12. 13. 14.
(galat
mundur)
dengan
menggunakan
momentum dengan spesifikasi jumlah sel input sebanyak 5, sel output sebanyak 1, jumlah lapisan tersembunyi sebanyak 75 ,besar galat adalah 0.1 , konstanta belajar
15. 16. 17. 18. 19. 20. 21.
adalah 0.01 , besar momentum 0.97 , rasio kesalahan 1.04 dan fungsi aktivasi logsig.
22. 23. 24.
Grafik konvergensi untuk
memprediksi
keputusan pemberian kredit seperti pada
25. 26. 27.
gambar 3.
28. 29.
8
4
6
6
7
0
0
11
4
5
11
7
0
0
9
3
6
12
9
0
0
12
5
8
14
12
0
0
9
4
6
14
9
0
0
8
4
6
12
7
0
0
10
4
6
11
7
0
0
10
5
5
11
9
0
0
12
7
5
12
8
0
0
12
6
6
12
9
0
0
9
7
6
14
12
0
0
10
5
6
14
10
0
0
10
5
6
11
9
0
0
7
5
6
14
9
0
0
11
4
6
9
9
0
0
12
5
6
10
7
0
0
8
3
5
11
9
0
0
22
8
8
20
3
0
0
25
10
10
20
12
1
1
25
10
10
20
12
1
1
25
10
10
20
12
1
1
25
10
10
20
12
1
1
Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Diteri ma Diteri ma Diteri ma Diteri ma
Ket epa tan Jari nga n Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar
50
N O
30. 31. 32. 33. 34. 35. 36. 37. 38. 39. 40. 41. 42. 43. 44. 45. 46. 47. 48. 49. 50.
C1
25
C2
10
C3
10
C4
20
C5
12
Tar get
1
Has il
1
25
10
10
20
12
1
1
25
10
10
20
12
1
1
25
10
10
20
12
1
1
25
10
10
20
12
1
1
25
10
10
20
12
1
1
25
10
10
20
12
1
1
25
10
10
20
12
1
1
25
10
10
20
12
1
1
25
10
10
20
12
1
1
25
10
10
20
12
1
1
25
10
10
20
12
1
1
25
10
10
20
12
1
1
25
10
10
20
12
1
1
25
10
8
20
9
1
1
20
8
8
20
6
1
1
25
10
10
20
12
1
1
25
10
10
20
12
1
1
25
10
10
20
12
1
1
25
10
10
20
12
1
1
25
10
10
20
12
1
1
Seben arnya
Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma
Ket epa tan Jari nga n Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar
Dari hasil pelatihan diketahui bahwa jaringan mengenali 100% dari data yang dilatihkan, seperti yang ditunjukkan pada tabel 1. Setelah konfigurasi diketahui maka dilakukan pengujian terhadap 50 data yaitu 25 data dengan pola keluaran ditolak(0) dan 25 data dengan pola keluaran diterima(1) . Dari 50 data yang dicobakan semuanya dikenali dengan baik , seperti ditunjukkan pada tabel 2. Tabel 2. Hasil pengujian terhadap 50 buah data. N 0
C1
C2
C3
C4
C5
Tar get
Has il
1.
12
5
6
14
9
0
0
2.
14
5
5
13
9
0
0
3.
13
5
6
12
10
0
0
4.
12
7
4
12
10
0
0
Seben ar nya Ditola k Ditola k Ditola k Ditola k
Ket epa tan Jari nga n Ben ar Ben ar Ben ar Ben ar
5.
8
3
6
13
7
0
0
6.
8
6
5
12
7
0
0
7.
8
5
6
10
9
0
0
8.
8
4
6
6
7
0
0
9.
11
4
5
11
7
0
0
10.
9
3
6
12
9
0
0
11.
25
10
10
20
12
1
1
12.
25
10
10
20
12
1
1
13.
25
10
10
20
12
1
1
14.
25
10
10
20
12
1
1
15.
25
10
10
20
12
1
1
16.
25
10
10
20
12
1
1
17.
25
10
10
20
12
1
1
18.
25
10
10
20
12
1
1
19.
25
10
10
20
12
1
1
20.
25
10
10
20
12
1
1
21.
12
5
8
14
12
0
0
22.
9
4
6
14
9
0
0
23.
8
4
6
12
7
0
0
24.
10
4
6
11
7
0
0
25.
10
5
5
11
9
0
0
26.
12
7
5
12
8
0
0
27.
12
6
6
12
9
0
0
28.
9
7
6
14
12
0
0
29.
10
5
6
14
10
0
0
30.
10
5
6
11
9
0
0
31.
7
5
6
14
9
0
0
32.
11
4
6
9
9
0
0
33.
12
5
6
10
7
0
0
34.
8
3
5
11
9
0
0
35.
22
8
8
20
3
0
0
36.
25
10
10
20
12
1
1
37.
25
10
10
20
12
1
1
38.
25
10
10
20
12
1
1
39.
25
10
10
20
12
1
1
40.
25
10
10
20
12
1
1
41.
25
10
10
20
12
1
1
42.
25
10
10
20
12
1
1
43.
25
10
10
20
12
1
1
44.
25
10
8
20
9
1
1
45.
20
8
8
20
6
1
1
46.
25
10
10
20
12
1
1
47.
25
10
10
20
12
1
1
48.
25
10
10
20
12
1
1
49.
25
10
10
20
12
1
1
50.
25
10
10
20
12
1
1
Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Ditola k Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma Diteri ma
Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar Ben ar
51
Hasil pengujian menunjukkan bahwa dari
[5]
Purnomo,M.H dan Agus Kurniawan.
50 data tersebut, 50 data (100%) sesuai
2006. Supervised Neural Network.
dengan target, dengan laju error sebesar 0,
Penerbit Graha Ilmu. Yogyakarta.
sesuai hasil perhitungan,
[6]
Shepperd,G.M dan C. Koch. 1990. Introduction to synaptics circuits. The
A kurasi =
jumlah data yangdiprediksi benar jumlah seluruh prediksi
=
50 .100% = 100% 50
Synaptic Organisation of the Brain. Oxford university Press. New York.
Laju Error =
jumlah data yangdiprediksi salah jumlah seluruh prediksi
=
0 = 0 50
[7]
Suparman
dan
Komputer
Masa
Marlan.
2007.
Depan.
Penerbit
Andi. Yogyakarta. D. KESIMPULAN
[8]
a. Jadi pada prinsipnya telah diperoleh
Penelitian.
model estimasi keputusan pemberian kredit dengan menggunakan jaringan syaraf tiruan berdasarkan prinsip 5C (character, capacity, capital, collateral, dan condition)
Sugiyono.
mampu untuk mengenali target secara baik dengan akurasi 100% dan laju error
Statistik
Penerbit
Untuk
Alfabeta.
Bandung. [9]
Sutojo
T.,Edy
Mulyanto,Vincent
Suhartono. 2010. Kecerdasan Buatan. Penerbit Andi. Yogyakarta. [10] Widodo,P.P
b. Jaringan syaraf pada pelatihan ini
2008.
dan Rahmadya T.A.
2006. Penerapan Soft Computing dengan Matlab. Penerbit Informatika. Bandung.
sebesar 0.
DAFTAR PUSTAKA [1]
Alma.
2009.
Manajemen
Bisnis
Syariah. Bandung. Alfabeta [2]
Hermawan Arief. 2006. Jaringan Saraf
Tiruan.
Penerbit
Andi.
Yogyakarta. [3]
Rivai, Veitshzal & Permata, Veithzal. 2008. Islamic Financial Management. Rajawali Pers. Jakarta
[4]
Prasetyo,Eko. 2012. Data Mining. Penerbit Andi. Yogyakarta. 52
