IDENTIFIKASI KOLEKTIBILITAS KREDIT MENGGUNAKAN DECISION TREE
NURUL AZIZAH
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
IDENTIFIKASI KOLEKTIBILITAS KREDIT MENGGUNAKAN DECISION TREE
NURUL AZIZAH
Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Program Studi Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
ABSTRAK NURUL AZIZAH. Identifikasi Kolektibilitas Kredit menggunakan Decision Tree. Dibimbing oleh SRI NURDIATI. Kredit merupakan perjanjian pinjam meminjam uang, bank sebagai kreditur dan nasabah sebagai debitur. Tujuan dari penelitian ini adalah untuk memprediksi tingkat kolektibilitas kredit menggunakan metode decision tree yang berbasis web. Variabel yang digunakan untuk penelitian ini diantaranya jenis kelamin, jenis pinjaman, pokok pinjaman, tujuan, jangka waktu, kode penggunaan, kolektibilitas, jaminan, angsuran bulanan, dan tanggal bayar bulanan. Dalam penelitian ini digunakan data yang terbagi dalam 3000 data latih dan 699 data uji. Dengan menggunakan metode decision tree J48, pelatihan data yang diproses untuk menghasilkan model identifikasi. Model kemudian diuji dengan menggunakan 699 pengujian data. Hasilnya menunjukkan bahwa hanya 597 data uji yang dapat diidentifikasi dengan benar. Oleh karena itu, keakuratan model mencapai 85%.
Kata kunci: decision tree, kolektibilitas, kredit.
ABSTRACT NURUL AZIZAH. Credit Collectibility Identification using Decision Tree. Supervised by SRI NURDIATI. Credit is a loan agreement to borrow money, in which the bank as a creditor and a debtor as the client. The purpose of this study is to predict the level of collectibility of loans using the web-based decision tree. The variables used for this study include gender, type of loan, the principal amount, purpose, time, code usage, collectability, collateral, monthly installments and monthly pay date. In this research the data used are divided into 3000 training data and 699 testing data. By using J48 decision tree method, the data training was processed to produce the identification model. The model was then tested using 699 testing data. The result showed that 597 data could be identified correctly. Hence the accuracy of the model was 85%.
Keyword :collectibility, decision tree,loans.
Penguji :1 Hari Agung, S. Si, M. Si 2 Aziz Kustiyo, S. Si, M. Kom
JudulSkripsi Nama NIM
:Identifikasi Ko e;.",... ,.;uu.~ Kredir 1enggunakan Decision Tree : N urnl Azizah
: 064086054
Disetujui oleh:
Pembimbing
I , lr, Sri Nurdiati M.Sc 196011261986012001
Diketahui oleh:
Tanggal Lulus:
J 2 ~l \
{..U \ j
Judul Skripsi Nama NIM
: Identifikasi Kolektibilitas Kredit Menggunakan Decision Tree : Nurul Azizah : G64086054
Disetujui oleh:
Pembimbing
Dr. Ir. Sri Nurdiati, M. Sc NIP 19601126 1986012 001
Diketahui oleh: Ketua Departemen Ilmu Komputer
Dr. Ir. Agus Buono, M. Si, M. Kom NIP. 19660702 199302 1 001
Tanggal Lulus:
RIWAYAT HIDUP Penulis dilahirkan di Bogor pada Tanggal 18 April 1988 dari orangtua yang bernama Dastam Supriatna dan Atik Rohyati. Penulis merupakan anak kedua dari empat bersaudara. Pada tahun 2005, penulis lulus dari SMA Insan Kamil Bogor. Pada tahun yang sama penulis melanjutkan ke Perguruan Tinggi Negeri Diploma 3 IPB Teknik Komputer melalui jalur Penelusuran Minat dan Bakat (PMDK). Penulis lulus pada tahun 2008. Pada bulan November 2008, penulis melanjutkan ke pendidikan S1 di IPB untuk Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Pada saat penelitian ini dilaksanakan, penulis bekerja di PT. BPR Mitra Daya Mandiri Bogor.
PRAKATA Assalamualaikum warahmatullahi wabarakatuh Terimakasih penulis panjatkan kepada Allah Subhanahuwata’ala atas segala karunia-Nya, sehingga penulis dapat menyelesaikan karya ilmiah ini. Pada kesempatan ini, penulis mengucapkan terima kasih kepada semua yang telah memberikan bantuan dan dukungannya sehingga laporan ini dapat terselesaikan. 1 Kedua orangtua dan keluarga atas semua bantuan, semangat, perhatian, doa, dan dukungannya selama ini yang diberikan sehingga penulis dapat menyelesaikan studi di Departemen Ilmu Komputer, IPB. 2 Untuk suami dan anakku tercinta atas semua perhatian, kasih sayang, doa dan dukungannya. 3 Ibu Dr. Ir. Sri Nurdiati M. Sc selaku dosen pembimbing yang selalu sabar membimbing dan mendukung selama penelitian dan penyusunan skripsi ini. 4 Bapak Hari Agung, S. Si, M. Si dan Bapak Aziz Kustiyo, S. Si, M. Kom selaku dosen penguji. 5 Resti, Sigit, Ryan Sapta Nopa, dan Bang Njup yang telah banyak membantu selama penelitian dan penyusunan skripsi. 6 Teman-teman satu bimbingan Resti, Eva, Lufe, dan Fifi yang selalu membantu dan mendukung. 7 Teman-teman Alih Jenis Ilkom angkatan 3 atas kebersamaan, persahabatan, bantuan, dan semangatnya. 8 Direksi dan semua orang yang berada di PT. BPR Mitra Daya Mandiri yang selalu membantu dan mendukung dalam skripsi ini. 9 Semua pihak yang tidak dapat penulis sebutkan satu persatu yang telah membantu terselesaikannya karya ilmiah ini. Semoga penelitian ini dapat bermanfaat bagi pihak yang membutuhkan. Penulis menyadari bahwa tulisan ini masih memiliki kekurangan dan masih kurang dari sempurna, karena itu penulis memohon maaf atas segala kekurangannya. Terimakasih. Wassalamualaikum warahmatullahi wabarakatuh
Bogor, Januari 2013
Nurul Azizah
DAFTAR ISI Halaman DAFTAR TABEL ................................................................................................................................. vi DAFTAR GAMBAR ............................................................................................................................. vi DAFTAR LAMPIRAN .......................................................................................................................... vi PENDAHULUAN .................................................................................................................................. 1 Latar Belakang ................................................................................................................................... 1 Tujuan Penelitian ................................................................................................................................ 1 Ruang Lingkup ................................................................................................................................... 1 Manfaat............................................................................................................................................... 2 TINJAUAN PUSTAKA ......................................................................................................................... 2 Data Preprocessing ............................................................................................................................ 2 Kredit.................................................................................................................................................. 2 Tingkat Kolektibilitas ......................................................................................................................... 3 BPR .................................................................................................................................................... 4 Klasifikasi........................................................................................................................................... 4 Decision Tree ..................................................................................................................................... 4 Entropy dan Gain ............................................................................................................................... 4 WEKA ................................................................................................................................................ 5 METODE PENELITIAN ....................................................................................................................... 5 Identifikasi Masalah ........................................................................................................................... 5 Pengumpulan Data ............................................................................................................................. 5 Praproses Data .................................................................................................................................... 6 Penentuan Data Latih dan Data Uji .................................................................................................... 6 Implementasi Sistem .......................................................................................................................... 6 Proses Identifikasi .............................................................................................................................. 6 Spesifikasi Implementasi .................................................................................................................... 6 HASIL DAN PEMBAHASAN............................................................................................................... 6 Deskripsi Data .................................................................................................................................... 6 Praproses Data .................................................................................................................................... 7 Penentuan Data Latih dan Data Uji .................................................................................................... 8 Implementasi Sistem .......................................................................................................................... 8 Proses Identifikasi .............................................................................................................................. 9 KESIMPULAN DAN SARAN............................................................................................................. 10 Kesimpulan....................................................................................................................................... 10 Saran ................................................................................................................................................. 11 DAFTAR PUSTAKA ........................................................................................................................... 11 LAMPIRAN ......................................................................................................................................... 12
v
DAFTAR TABEL Halaman 1 Variabel jenis kelamin ...................................................................................................................... 7 2 Variabel jenis pinjaman .................................................................................................................... 7 3 Variabel pokok pinjaman .................................................................................................................. 7 4 Variabel jangka waktu ...................................................................................................................... 7 5 Variabel kode penggunaan ................................................................................................................ 8 6 Variabel jaminan .............................................................................................................................. 8 7 Variabel angsuran bulanan ................................................................................................................ 8 8 Variabel tanggal bayar tiap bulan ..................................................................................................... 8 9 Variabel kolektibilitas ....................................................................................................................... 8 10 Confusion matriks ............................................................................................................................ 10
DAFTAR GAMBAR Halaman 1 Metodologi ........................................................................................................................................... 5 2 Tampilan pembangkitan tree ............................................................................................................... 9 3 Tampilan pengujian tree ...................................................................................................................... 9 4 Tampilan tentang aplikasi .................................................................................................................... 9 5 Pohon keputusan ............................................................................................................................... 10
DAFTAR LAMPIRAN Halaman 1 Data nasabah sebelum praproses ....................................................................................................... 13 2 Contoh data latih ................................................................................................................................ 15 3 Contoh data uji .................................................................................................................................. 16 4 Hasil identifikasi tingkat kolektibilitas .............................................................................................. 17 5 Pembangkitan tree.............................................................................................................................. 46 6 Pengujian tree .................................................................................................................................... 47 7 Tentang aplikasi ................................................................................................................................. 47 8 Pohon keputusan dari WEKA decision tree J48 ................................................................................ 48
vi
1
PENDAHULUAN Latar Belakang Kredit merupakan perjanjian pinjam meminjam uang antara bank sebagai kreditur dan nasabah sebagai debitur. Pada zaman sekarang pemberian kredit di Indonesia banyak mengalami perkembangan. Salah satu badan usaha yang memberikan kredit ialah Bank Perkreditan Rakyat (BPR). BPR merupakan salah satu jenis bank yang melayani golongan pengusaha mikro, kecil, dan menengah. BPR umumnya terletak dengan tempat masyarakat yang membutuhkan. BPR merupakan lembaga perbankan resmi yang diatur berdasarkan Undang-Undang No. 7 tahun 1992 tentang Perbankan dan sebagaimana telah diubah dengan Undang-undang No. 10 tahun 1998. Dalam undang-undang tersebut secara jelas disebutkan bahwa ada dua jenis bank, yaitu Bank Umum dan BPR. Perkembangan kredit memperlihatkan bahwa BPR ikut serta dalam memberikan kredit sebagai upaya memberikan modal pada sektor usaha mikro. Hal ini mengindikasikan bahwa salah satu alasan perkembangan BPR sangat dipengaruhi oleh perkembangan usaha mikro, kecil dan menengah (UMKM) yang keberadaannya semakin lama semakin banyak tumbuh dan berkembang di tengah-tengah masyarakat. Hal ini dapat dimengerti karena pangsa pasar utama dari BPR adalah masyarakat menengah bawah. Oleh karena itu, status kredit atau yang biasa disebut dengan tingkat kolektibilitas dapat digolongkan ke dalam 5 golongan. Berdasarkan Surat Keputusan Direksi Bank Indonesia No. 30/267/KEP/DIR, Tanggal 27 Februari 1998 tentang kualitas produktif dan pembentukan cadangan, ditetapkan 5 tingkat kolektibilitas yaitu ”Lancar”, ”Perhatian Khusus”, ”Kurang Lancar”, ”Diragukan”, dan ”Macet”. Penelitian ini dilakukan untuk mengidentifikasi tingkat kolektibilitas kredit yang mengambil data dari BPR di daerah Bogor yaitu PT. BPR Mitra Daya Mandiri yang beralamat di Jalan Raya Tajur No. 185. Data yang diambil hanya pada tahun 20082012 dan nasabah yang bertempat tinggal di wilayah Bogor sehingga terdapat 3699 data yang digunakan. Dari data tersebut terdapat 14 variabel diantaranya nama, alamat, jenis kelamin, kecamatan, kota, jenis pinjaman, pokok pinjaman, tujuan, jangka waktu, kode penggunaan, kolektibilitas, jaminan, angsuran bulanan, tanggal bayar bulanan, tetapi variabel
yang digunakan untuk penelitian ini diantaranya jenis kelamin, jenis pinjaman, pokok pinjaman, tujuan, jangka waktu, kode penggunaan, kolektibilitas, jaminan, angsuran bulanan, dan tanggal bayar bulanan. Penelitian sebelumnya yang dilakukan oleh Fitriyani (2012) yang dilakukan terhadap data publikasi RW Kumuh DKI Jakarta Tahun 2008 menghasilkan tingkat akurasi sebesar 88%. Sinuhaji (2012) pada data varietas ubi jalar menghasilkan tingkat akurasi sebesar 95%, yang keduanya menggunakan metode decision tree. Oleh sebab itu, penelitian ini juga menggunakan decision tree J48 yang diharapkan dapat menghasilkan nilai akurasi yang baik dalam mengidentifikasi tingkat kolektibilitas kredit. Decision tree akan menghasilkan tree yang memperlihatkan variabel yang memengaruhi tingkat kolektibilitas berdasarkan data. Sistem dibuat berbasis web sehingga memudahkan pengguna dalam menjalankan aplikasi kredit ini tanpa memasang dikomputer lokal dan pengguna dapat mengakses data yang dibutuhkan. Dari sistem tersebut akan dapat diketahui tingkat kolektibilitasnya berdasarkan data yang dimasukkan, sehingga pihak BPR dalam penanganan kredit bermasalah dapat melakukan beberapa penanganan berdasarkan tingkat kolektibitasnya, diantaranya dapat diselesaikan secara yudisial melalui penjadwalan (rescheduling), persyaratan (reconditioning), dan penataan (restrusturing). Penanganan dapat melalui salah satu cara ataupun gabungan dari ketiga cara tersebut tergantung dengan tingkat kolektibilitasnya. Apabila setelah cara tersebut telah ditempuh dan tetap tidak ada kemajuan penanganan, selanjutnya diselesaikan secara yudisial melalui jalur pengadilan. Tujuan Penelitian Tujuan dari penelitian ini ialah memprediksi tingkat kolektibilitas kredit menggunakan metode decision tree yang berbasis web. Ruang Lingkup Ruang lingkup penelitian ini meliputi: 1 Data yang digunakan dalam penelitian ini adalah data dari kredit di PT. BPR Mitra Daya Mandiri Bogor. 2 Terdapat 5 tingkat kolektibilitas dari 3699 data dengan 9 variabel yang digunakan untuk mengidentifikasi tingkat kolektibilitas.
2
Manfaat Penelitian ini diharapkan dapat mengidentifikasi tingkat kolektibilitas dan memudahkan pihak BPR dalam penanganan yang dapat diambil berdasarkan tingkat kolektibilitasnya.
TINJAUAN PUSTAKA Data Preprocessing Menurut Tan (2008), terdapat 7 cara melakukan data preprocessing, yaitu: 1 Aggregation 2 Sampling 3 Dimensionality Reduction 4 Feature Subset Selection 5 Feature Creation 6 Discretization and Binarization 7 Variabel Transformation Terdapat 2 feature Subset Selection, yaitu redundant feature dan irrelevant features. a Redundant features - Menduplikasi banyak atau semua informasi yang terkandung dalam satu atau lebih atribut lainnya, - Contoh: harga pembelian produk dan jumlah pajak penjualan yang dibayar. b Irrelevant features - Tidak mengandung informasi yang berguna, - Contoh: Idsiswa sering tidak relevan dengan tugas memprediksi IPK siswa. Kredit Dalam bahasa Latin, kredit disebut “creder” yang artinya percaya, yaitu kepercayaan dari kreditur bahwa debiturnya akan mengembalikan pinjaman beserta bunganya sesuai dengan perjanjian kedua belah pihak (Kasmir 2005). Pengertian kredit menurut Undang-undang Perbankan No. 10 Tahun 1998 adalah penyediaan uang atau tagihan yang dapat dipersamakan dengan itu berdasarkan persetujuan atau kesepakatan pinjam-meminjam antara bank dan pihak lain yang mewajibkan pihak peminjam untuk melunasi utangnya setelah jangka waktu tertentu dengan jumlah bunga imbalan atau pembagian hasil keuntungan. Jenis-jenis kredit yang disalurkan oleh bank dapat dilihat dari berbagai segi, yaitu: Berdasarkan Tujuan 1 Kredit Konsumtif (KK) KK adalah kredit tidak produktif yang digunakan untuk kebutuhan sendiri
bersama keluarganya, seperti kredit rumah. 2 Kredit Modal Kerja atau Kredit Perdagangan (KMK) KMK adalah kredit produktif yang dipergunakan untuk menambah modal usaha debitur. 3 Kredit Investasi (KI) KI adalah kredit untuk investasi produktif dalam jangka waktu relatif lama, misalnya untuk perkebunan kelapa sawit. Berdasarkan Jangka Waktu 1 Kredit Jangka Pendek Kredit jangka pendek adalah kredit dengan jangka waktu paling lama satu tahun. 2 Kredit Jangka Menengah Kredit jangka menengah adalah kredit dengan jangka waktu antara satu hingga tiga tahun. 3 Kredit JangkaPanjang Kredit jangka panjang adalah kredit dengan jangka waktu lebih dari tiga tahun. Berdasarkan Macamnya 1 Kredit Aksep Kredit aksep adalah kredit yang diberikan bank yang hakekatnya hanya merupakan pinjaman uang biasa. 2 Kredit Penjual Kredit penjual adalah kredit yang diberikan penjual kepada pembeli, dengan arti barang telah diterima pembayaran kemudian. 3 Kredit Pembeli Kredit pembeli adalah pembayaran telah dilakukan kepada penjual tetapi barang diterima belakangan atau pembelian dengan uang muka. Berdasarkan Sektor Perekonomian 1 Kredit Pertanian Kredit pertanian adalah kredit yang diberikan kepada perkebunan, perikanan, dan peternakan. 2 Kredit Perindustrian Kredit perindustrian adalah kredit yang disalurkan kepada industri kecil, menengah, dan besar. 3 Kredit Pertambangan Kredit pertambangan adalah kredit yang disalurkan kepada beraneka macam pertambangan. 4 Kredit Ekspor-Impor Kredit ekspor-impor adalah kredit yang diberikan kepada eksportir dan atau importir beraneka barang.
3
5 Kredit Koperasi Kredit koperasi adalah kredit yang diberikan kepada jenis-jenis koperasi. 6 Kredit Profesi Kredit profesi adalah kredit yang diberikan untuk beraneka macam profesi. 7 Kredit Perumahan Kredit perumahan adalah kredit untuk membiayai pembangunan atau pembelian rumah. Berdasarkan Agunan/Jaminan 1 Kredit Agunan Orang Kredit agunan orang adalah kredit yang diberikan dengan jaminan seseorang terhadap debitur bersangkutan. 2 Kredit Agunan Efek Kredit agunan efek adalah kredit yang diberikan dengan agunan efek-efek dan surat-surat berharga. 3 Kredit Agunan Barang Kredit agunan barang adalah kredit yang diberikan dengan agunan barang tetap, barang bergerak, dan logam mulia. 4 Kredit Agunan Dokumen Kredit agunan dokumen adalah kredit yang diberikan dengan agunan dokumen transaksi. Berdasarkan Golongan Ekonomi 1 Golongan Ekonomi Lemah Golongan ekonomi lemah adalah kredit yang disalurkan kepada pengusaha golongan ekonomi lemah. 2 Golongan Ekonomi Menengah dan Konglomerat Golongan ekonomi menengah dan konglomerat adalah kredit yang diberikan kepada pengusaha menengah dan besar. Berdasarkan Penarikan dan Pelunasan 1 Kredit Perdagangan Kredit perdagangan adalah kredit yang dapat ditarik dan dilunasi setiap saat, besarnya sesuai dengan kebutuhan. 2 Kredit Berjangka Kredit berjangka adalah kredit yang penarikannya sekaligus (Kasmir 2005). Tingkat Kolektibilitas Menurut ketentuan Bank Indonesia yang dikutip oleh Kasmir (2010), Rivai (2009), serta Dendawijaya (2005) berdasarkan surat keputusan direksi bank Indonesia No. 30/267/KEP/DIR, Tanggal 27 Februari 1998 tentang kualitas produktif dan pembentukan cadangan, ditetapkan tingkat kolektibilitas ada 5 yaitu ”Lancar”, ”Perhatian Khusus”,
”Kurang Lancar”, ”Diragukan”, dan ”Macet”. Kriteria dari tiap tingkat tersebut ialah: 1 Kredit digolongkan sebagai kredit ”Lancar” (Pass) apabila memenuhi kriteria berikut: a Pembayaran angsuran pokok dan/atau bunga tepat waktu, b Memiliki mutasi rekening yang aktif, c Bagian dari kredit yang dijamin dengan agunan tunai (cash collateral), d Kredit tanpa angsuran atau kredit rekening koran yaitu kredit belum jatuh tempo, dan tidak terdapat tunggakan bunga. 2 Kredit digolongkan sebagai kredit dalam “Perhatian Khusus” (Special Mention) apabila memenuhi kriteria berikut: a Terdapat tunggakan angsuran pokok dan/atau bunga yang belum melampaui 90 (Sembilan Puluh) hari atau belum melampaui 3 bulan, b Mutasi rekening relatif aktif, c Jarang terjadi pelanggaran terhadap kontrak yang diperjanjikan, d Didukung oleh pinjaman baru, e Dokumen pinjaman lemah 3 Kredit digolongkan sebagai kredit “Kurang Lancar” (Sub Standar) apabila memenuhi kriteria berikut: a Terdapat tunggakan angsuran pokok dan/atau bunga yang telah melampaui 90 (sembilan puluh) hari, b Mutasi rekening relatif rendah, c Terjadi pelanggaran terhadap kontrak yang diperjanjikan lebih dari 90 (sembilan puluh ) hari, d Terdapat likuiditasi masalah keuangan yang dihadapi debitur, e Dokumentasi pinjaman lemah. 4 Kredit digolongkan sebagai kredit “Diragukan” (Doubtful) apabila memenuhi kriteria berikut: a Terdapat tunggakan angsuran dan/atau bunga yang telah melampaui 180 (seratus delapan puluh) hari, b Dokumentasi hukum yang lemah baik untuk perjanjian kredit maupun peningkatan jaminan. 5 Kredit digolongkan sebagai kredit “Macet” (Loss) apabila memenuhi kriteria berikut: a Terdapat tunggakan angsuran pokok dan/atau bunga yang telah melampaui 270 (dua ratus tujuh puluh) hari, b Kerugian operasional ditutup dengan pinjaman baru,
4
c Dari segi hukum maupun kondisi pasar, jaminan tidak dapat dicairkan pada nilai wajar. BPR BPR adalah salah satu jenis bank yang dikenal melayani golongan pengusaha mikro, kecil dan menengah dengan lokasi yang pada umumnya dekat dengan tempat masyarakat yang membutuhkan. BPR merupakan lembaga perbankan resmi yang diatur berdasarkan Undang-Undang No. 7 tahun 1992 tentang Perbankan dan sebagaimana telah diubah dengan UndangUndang No. 10 tahun 1998. Dalam undangundang tersebut secara jelas disebutkan bahwa ada dua jenis bank, yaitu Bank Umum dan BPR. Fungsi BPR tidak hanya sekedar menyalurkan kredit kepada para pengusaha mikro, kecil dan menengah, tetapi juga menerima simpanan dari masyarakat. Dalam penyaluran kredit kepada masyarakat menggunakan prinsip 3T, yaitu Tepat Waktu, Tepat Jumlah, Tepat Sasaran, karena proses kreditnya yang relatif cepat, persyaratan lebih sederhana, dan sangat mengerti akan kebutuhan nasabah. Klasifikasi Klasifikasi adalah proses untuk menemukan model atau fungsi yang membedakan kelas data dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Pelabelan objek dilakukan berdasarkan kesamaan karakteristik antara sekumpulan objek (training set) dengan objek baru tersebut. Classification juga dikenal sebagai supervised learning karena pelatihan objek digunakan sebagai acuan dalam melakukan klasifikasi. Secara umum, proses klasifikasi dapat dilakukan dalam dua tahap, yaitu proses belajar dari data pelatihan dan klasifikasi kasus baru. Pada proses belajar, algoritma klasifikasi mengolah data pelatihan untuk menghasilkan sebuah model. Setelah model diuji dan dapat diterima, pada tahap klasifikasi, model tersebut digunakan untuk memprediksi kelas dari kasus baru untuk membantu proses pengambilan keputusan (Han dan Kamber 2001; Quinlan1993). Beberapa metode klasifikasi, di antaranya adalah pohon keputusan, Bayesian, KNN dan jaringan saraf tiruan.
Decision Tree Decision Tree adalah suatu flowchart seperti struktur pohon yang setiap titik internalnya (internal node) menunjukkan suatu test pada suatu atribut. Setiap cabang (branch) merepresentasikan hasil dari test tersebut, dan leaf node menunjukkan kelaskelas atau distribusi. Node yang paling atas adalah root node (Han dan Kamber 2001). Pada decision tree terdapat 3 node, yaitu (Alpaydin 2004): a Root Node Root node merupakan node paling atas, tidak ada input dan tidak memunyai output atau memunyai output lebih dari satu. b Internal Node Internal node merupakan node percabangan, input hanya satu, tetapi memunyai output minimal dua. c Leaf Node Leaf node merupakan node akhir, hanya terdapat satu input dan tidak memunyai output. Entropy dan Gain Entropy merupakan jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak suatu kelas dari sejumlah data acak pada ruang sehingga menghasilkan nilai informasi dari suatu kumpulan ciri (Mitchell 1997). Entropi dihitung dengan menggunakan formula (Mitchell 1997): n
ntr py S
pi g pi i
Keterangan: S adalah ruang (data) percobaan yang digunakan untuk training/data latih Pi adalah proporsi dari Si terhadap S n adalah jumlah partisi S Entropi (S) sama dengan 0, jika semua contoh pada S berada dalam kelas yang sama. Entropi (S) sama dengan 1 jika jumlah contoh positif dan negatif dalam S adalah sama. Entropi (S) lebih dari 0, tetapi kurang dari 1 jika jumlah contoh positif dan negatif dalam S tidak sama. Information Gain adalah algoritme yang menggunakan sebuah pengukuran dasar entropy sebagai heuristik untuk memilih atribut terbaik dalam memisahkan sampelsampel ke dalam kelas-kelas individu. Pengukuran information gain digunakan untuk memilih tes atribut di setiap titik dalam
5
pohon. Atribut dengan information gain tertinggi (atau pengurangan entropy terbaik) dipilih sebagai tes atribut untuk titik yang sedang diukur. Gain dihitung dengan menggunakan formula berikut (Mitchell 1997): ain S,
ntr py S -
S a ues( ) S
menentukan tingkat kolektibitas. Tujuan penelitian ini adalah mencari tree dan rule/aturan terlebih dahulu berdasarkan data yang ada, setelah itu diimplementasikan ke dalam sistem.
ntr py (S )
Mulai
Keterangan: a A adalah atribut b S adalah himpunan kasus c |Si| adalah jumlah kasus pada partisi ke- i d |S| adalah jumlah kasus dalam S Term pertama dalam perhitungan diatas adalah entropy total S dan term kedua adalah entropy sesudah dilakukan pemisahan data berdasarkan atribut A. Nilai entropi terkecil atau nilai Gain terbesar yang dipilih untuk menentukan node awal dan perhitungan entropi dilakukan terusmenerus sampai iterasi selesai. WEKA Waikato Environment for Knowledge Analysis (WEKA) adalah suatu perangkat lunak pembelajaran mesin yang populer ditulis dengan Java, yang dikembangkan di Universitas Waikato. WEKA adalah perangkat lunak gratis yang tersedia di bawah General Public License (GNU). Pada WEKA menyediakan penggunaan teknik klasifikasi menggunakan pohon keputusan dengan algoritme J48. Teknik klasifikasi dan algoritma yang digunakan di WEKA disebut classifier (Bouckaert 2013).
METODE PENELITIAN Tahapan penelitian mencakup identifikasi masalah, pengumpulan data yang dibutuhkan, pengolahan data, pemilihan data latih dan data uji, proses klasifikasi dan pengujian. Tahapan penelitian dapat dilihat pada Gambar 1. Identifikasi Masalah Tahapan awal yang dilakukan adalah tahap identifikasi masalah. Tahapan terdiri atas masalah yang ada dan penentuan tujuan sistem. Masalah yang ada adalah mencari variable yang dapat memengaruhi tingkat kolektibilitas, menentukan tingkat kolektibilitas berdasarkan data kredit dengan berbagai variabel kredit yang ada, sehingga dibutuhkan sistem identifikasi untuk
Identifikasi Masalah
Pengumpulan Data
Praproses Data
Pembagian Data Uji dan Data Latih
Data Latih
Data Uji
Implementasi Sistem
Proses Identifikasi
Selesai
Gambar 1 Metodologi.
Permasalahan yang dibahas dalam penelitian ini adalah: a Mencari dari data yang ada, variabel mana yang mempengaruhi tingkat kolektibilitas, b Membangun aplikasi web yang menjadi akhir dari penelitian. Pengumpulan Data Data yang digunakan pada penelitian ini adalah data kredit yang diambil dari aplikasi ISBS di BPR Mitra Daya Mandiri dan datanya disimpan dalam bentuk Excel. Data kredit sebelumnya terdapat 14 variabel yang terdiri atas nama, alamat, jenis kelamin, kecamatan, kota, jenis pinjaman, pokok pinjaman, tujuan, jangka waktu, kode penggunaan, kolektibilitas, jaminan, angsuran per bulan, dan tanggal bayar, namun yang digunakan
6
pada penelitian ini hanya 9 variabel yang diharapkan dapat mewakili variabel yang lain. Hasilnya dari sistem ini akan mengeluarkan 5 tingkat kolektibilitas. Jumlah keseluruhan data yang digunakan 3699, menjadi data latih 3000 data dan yang lainnya digunakan untuk data uji. Praproses Data Data kredit yang diambil dari aplikasi ISBS dan sudah disimpan dalam bentuk Excel, karena datanya banyak yang diperoleh dari tahun 2006 sampai 2012 kemudian data difilter berdasarkan tahunnya dari tahun 20082012, selain itu karena BPR berada di wilayah Jawa Barat terlalu banyak maka dataya dipersempit hanya untuk yang bertempat tinggal di daerah Bogor. Berikut variabel yang tidak digunakan untuk penelitian ini: 1 Variabel nama tidak digunakan karena banyak kemungkinan nama orang banyak yang sama. 2 Variabel alamat tidak digunakan karena banyak nasabah yang memiliki lebih dari 1 alamat. 3 Variabel kecamatan tidak digunakan karena nama kecamatan banyak walaupun data yang digunakan hanya daerah Bogor. 4 Variabel kota tidak digunakan karena di daerah Kabupaten Bogor dan Kota Bogor. 5 Variabel tujuan tidak digunakan karena sudah dilabelkan dengan kode penggunaan. Variabel yang digunakan adalah: 1 Jenis kelamin yang menyatakan apakah dengan jenis kelamin dapat mempengaruhi tentang kredit, 2 Jenis pinjaman yang menyatakan kepentingan dari kreditnya. 3 Pokok pinjaman yang menyatakan berapa besar seseorang nasabah meminjam kredit, 4 Jangka waktu yang menyatakan berapa lama waktu untuk nasabah melunasi kreditnya, 5 Kode penggunaan yang menyatakan tujuan dari penggunaan kreditnya, 6 Jaminan yang menyatakan sebagai agunan sebelum nasabah melunasi, 7 Angsuran bulanan yang menyatakan berapa jumlah yang harus dibayarkan nasabah setiap bulannya, 8 Tanggal bayar tiap bulan yang menyatakan tanggal berapa nasabah membayar kreditnya tiap bulan, dan 9 Tingkat kolektibilitas yang menyatakan kemampuan nasabah dalam hal
pembayaran apakah lancar, perhatian khusus, kurang lancar, diragukan, dan macet. Data diproses menggunakan representasi pohon keputusan (decision tree) dengan metode J48. Penentuan Data Latih dan Data Uji Jumlah keseluruhan data adalah 3699, yang digunakan untuk data latih sebanyak 3000 data, sedangkan yang lainnya digunakan sebagai data uji. Implementasi Sistem Setelah tree nya diketahui kemudian tahapan selanjutnya membuat sistem berbasis web yang digunakan untuk menghasilkan keluaran tingkat kolektibilitas berdasarkan variabel yang diinputkan. Proses Identifikasi Pada tahap ini dilakukan pencocokan apakah data uji dengan model pengenalan akan menghasilkan hasil yang sesuai dengan data yang ada atau tidak berdasarkan tingkat kolektibilitasnya. Selanjutnya akan dilakukan perhitungan akurasi untuk proses dokumentasi. Tingkat akurasi dihitung dengan cara: u ah Data yang enar kurasi Data Pengu ian Spesifikasi Implementasi Aplikasi yang digunakan pada penelitian ini dibangun dengan menggunakan perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut: Spesifikasi perangkat keras berupa: Intel Core2 Duo prosesor 1,83GHz Memori DDR2 2,5 GB Harddisk 160 GB Monitor Keyboard dan Mouse -
Perangkat lunak berupa : Sistem Operasi : Microsoft Windows XP XAMPP yang terdiri atas WebServer Bahasa Pemrograman: PHP Browser: Mozilla Firefox Adobe Dreamweaver WEKA 3.6.4
HASIL DAN PEMBAHASAN Deskripsi Data Data yang digunakan pada penelitian ini diambil dari aplikasi PT. BPR Mitra Daya
7
Mandiri yaitu ISBS. ISBS ini merupakan aplikasi yang digunakan untuk semua transaksi di BPR tersebut. Pada penelitian ini diambil hanya data kredit saja, tahun 20082012 dan hanya nasabah yang beralamat di daerah Bogor. Data tersebut disimpan dalam bentuk Excel. Praproses Data Tahapan praproses data merupakan tahapan data yang harus dipersiapkan sebelum ke tahapan klasifikasi. Variabel yang digunakan ada 9 variabel. Data yang sudah difilter berdasarkan tahun dan tempat tinggal nasabah yang di daerah Bogor, kemudian data yang numerik diubah ke bentuk nominal (proses di WEKA . arff : @relation 'data latihweka.filters.unsupervised.attribute.NumericTo Nominal-Rfirst-last') seperti pada variabel jenis kelamin, jenis pinjaman, kode penggunaan, serta untuk jaminan, dan untuk beberapa variabel tertentu dibuat range nilai tertentu. Berikut kesembilan variabelnya: a Jenis Kelamin Jenis kelamin (Tabel 1) merupakan salah satu variabel yang diambil untuk mengetahui apakah dari jenis kelamin dapat mempengaruhi kredit atau tidak. Tabel 1 Variabel jenis kelamin Jenis Kelamin Kode L P
1 2
b Jenis Pinjaman Jenis pinjaman (Tabel 2) merupakan jenis kredit berdasarkan tujuan menurut Perbankan, tetapi dalam penelitian ini terdapat 2 tambahan jenis kredit yaitu demand loan dan motor loan. Tabel 2 Variabel jenis pinjaman Jenis Pinjaman Kode DEMAND LOAN 1 KI 2 KK 3 KMK 4 MOTOR LOAN 5 Keterangan: Demand loan
=
kredit yang dicairkan bertahap, debitur membayar bunga saja kecuali sudah jatuh tempo, debitur harus
membayar bunga dan pokoknya juga. Motor loan = kredit motor, dimana nasabah membeli motor ke showroom atau dealer dengan membayar uang mukanya terlebih dahulu, kekurangannya BPR yang melunasi ke showroom, nasabah kredit membayarnya tiap bulan ke BPR, sebagai jaminan BPKB motornya digunakan sebagai agunan hingga nasabah melunasi ke BPR kreditnya. c Pokok Pinjaman Pokok pinjaman (Tabel 3) merupakan jumlah seseorang meminjam. Data pinjaman yang ada pada penelitian ini berkisar antara Rp 325.000 – Rp 145.000.000, sehingga datanya dipecah menjadi 3. Dapat dilihat pada Tabel 3. Tabel 3 Variabel pokok pinjaman Pokok Pinjaman Kode 1-50.000.000 1 50.000.001-100.000.000
2
10.0000.001-150.000.000
3
d Jangka Waktu Jangka waktu (Tabel 4) merupakan seberapa lama waktu yang dibutuhkan nasabah untuk melunasi kreditnya. Jika jangka waktu menurut Undang-undang Perbankan dibagi menjadi 3, Pada penelitian ini data untuk jangka waktu berkisar antara 1 bulan hingga 96 bulan. Sehingga data yang digunakan pada penelitian ini dipecah menjadi 4. Dapat dilihat pada Tabel 4. Tabel 4 Variabel jangka waktu Jangka Waktu Kode 1-24
1
25-48
2
49-72
3
73-96
4
8
Tanggal bayar tiap bulan (Tabel 8) merupakan tanggal jatuh tempo, jika lebih dari tanggal yang sudah ditentukan untuk membayar angsuran maka akan dikenakan denda. Pada penelitian ini dibagi menjadi 3. Dapat dilihat pada Tabel 8.
e Kode Penggunaan Kode penggunaan (Tabel 5) merupakan pensimbolan dari tujuan penggunaannya. Tabel 5 Variabel kode penggunaan Kode Penggunaan Kode 10 1 11 2 20 3 39 4 Keterangan: 10 = Untuk tujuan modal usaha 11 = Untuk tujuan pengerjaan proyek dan pembangunan proyek 20 = Untuk tujuan investasi 39 = Untuk tujuan multiguna, biaya pendidikan, renovasi rumah
Tabel 8 Variabel tanggal bayar tiap bulan Tanggal Bayar Tiap Bulan Kode
Jaminan Jaminan (Tabel 6) merupakan barang yang dapat dijaminkan selama kredit belum dilunasi. Dapat dilihat pada Tabel 6. Tabel 6 Variabel jaminan Jaminan Kode KTA & Mikro 1 Ijasah/SK/Jamsostek 2 Deposito, Tabungan 3 AJB/Sertifikat/Akta 4 BPKB 5 Keterangan: KTA & Mikro merupakan Kredit Tanpa Agunan. g Angsuran Bulanan Angsuran bulanan (Tabel 7) merupakan jumlah uang yang harus disetorkan setiap bulan. Pada penelitian ini data yang ada berkisar antara Rp 95.000 hingga Rp 7.424.800, sehingga data untuk penelitian ini dipecah menjadi 5. Dapat dilihat pada Tabel 7. Tabel 7 Variabel angsuran bulanan Angsuran Bulanan Kode 1-1.600.000
1
1.600.001-3.200.000
2
3.200.001-4.800.000
3
4.800.001-6.400.000
4
6.400.001-8.000.000
5
h Tanggal Bayar Tiap Bulan
1
13-24
2
25-31
3
Tanggal bayar tiap bulan dibagi menjadi 3, dikarenakan pada tanggal 1-12 umumnya pada nasabah yang pegawai negeri pada awal bulan, dan 25-31 umumnya pada nasabah swasta pada akhir bulan. i
f
1-12
Kolektibilitas Kolektibilitas (Tabel 9) menurut Bank Indonesia ada 5 (lima), dapat dilihat pada Tabel 9. Tabel 9 Variabel kolektibilitas Tingkat Kolektibilitas Kode Lancar 1 Perhatian Khusus 2 Kurang Lancar 3 Diragukan 4 Macet 5
Data diproses dengan menggunakan teknik representasi pohon keputusan (decision tree). Pohon keputusan terbentuk dengan menghitung nilai entropy. Penentuan Data Latih dan Data Uji Data dari aplikasi ISBS yang menampilkan data kredit nasabah dapat dilihat pada Lampiran 1. Jumlah data yang digunakan sebanyak 3699, yang menjadi data latih sebanyak 3000 data dan sisanya menjadi data uji. Dapat dilihat pada Lampiran 2 yang menampilkan data latih dan Lampiran 3 menampilkan data ujinya. Implementasi Sistem Setelah data diolah menggunakan WEKA dan sudah menghasilkan pohon keputusan, kemudian diimplementasikan ke sistemnya yang berbasis web. Berikut merupakan tampilan webnya dapat dilihat pada Gambar 2. Untuk gambar yang lebih jelasnya dapat dilihat pada Lampiran 5.
9
else if ($data['pokok_pinjaman'] == '2'){ if($data['jenis_kelamin'] == '1') return 2; else return 1; } else return 1; } else return 1; } else if($data['jaminan'] == '3') { return 1; } else if($data['jaminan'] == '4') { return 1; } else if($data['jaminan'] == '5') { if($data['jenis_pinjaman']
Gambar 2 Tampilan pembangkitan tree. == '1')
Pada halaman PEMBANGKITAN TREE sistem ini menampilkan pohon keputusan, rule/aturan dan evaluasi dari WEKA, dapat dilihat pada Gambar 3. Untuk gambar yang lebih jelasnya dapat dilihat pada Lampiran 6.
return 1; else if($data['jenis_pinjaman'] == '2') return 2; else if($data['jenis_pinjaman'] == '3') return 1; else if($data['jenis_pinjaman'] == '5') return 5; else if($data['jenis_pinjaman'] == '4'){ if($data['tgl_bayar'] == '1') return 2; else return 1; } } }
Pada halaman TENTANG APLIKASI sistem ini menampilkan mengenai data yang digunakan, dapat dilihat pada Gambar 4. Untuk gambar yang lebih jelasnya dapat dilihat pada Lampiran 7. Gambar 3 Tampilan pengujian tree. Pada halaman PENGUJIAN TREE sistem ini menampilkan form isian data kredit nasabah dan setelah submit di tekan akan menampilkan nasabah tersebut termasuk ke dalam tingkat kolektibilitas mana. Berikut fungsi yang dilakukan sistem untuk mengidentifikasi dari data. function get_klasifikasi($data){ if($data['jaminan'] == '1') { if($data['tgl_bayar'] == '1') return 2; else return 3; } else if($data['jaminan'] == '2') { if($data['tgl_bayar'] == '1') { if($data['pokok_pinjaman'] == '1') return 1;
Gambar 4 Tampilan tentang aplikasi.
Proses Identifikasi Data yang sudah siap selanjutnya menggunakan WEKA untuk mendapatkan pohon keputusannya. Dapat dilihat pada Gambar 5 merupakan tampilan treenya. Untuk gambar yang lebih jelasnya dapat dilihat pada Lampiran 8.
10
Tabel 10 disajikan confusion matrix dari WEKA.
Kelas Asal
Tabel 10 Confusion matriks Kelas Prediksi
Gambar 5 Pohon keputusan. Selain menampilkan dalam bentuk tree nya dihasilkan pula rule/aturannya. Berikut merupakan rule/aturan yang diperoleh: JAMINAN = 1 | TGL_BAYAR_BULANAN = 1: 2 | TGL_BAYAR_BULANAN = 2: 3 | TGL_BAYAR_BULANAN = 3: 3 JAMINAN = 2 | TGL_BAYAR_BULANAN = 1 | | POKOK_PINJAMAN = 1: 1 | | POKOK_PINJAMAN = 2 | | | JENIS_KELAMIN = 1: 2 | | | JENIS_KELAMIN = 2: 1 | | POKOK_PINJAMAN = 3: 1 | TGL_BAYAR_BULANAN = 2: 1 | TGL_BAYAR_BULANAN = 3: 1 JAMINAN = 3: 1 JAMINAN = 4: 1 JAMINAN = 5 | jenis pinjaman = 1: 1 | jenis pinjaman = 2: 1 | jenis pinjaman = 3: 1 | jenis pinjaman = 4 | | TGL_BAYAR_BULANAN = 1: 2 | | TGL_BAYAR_BULANAN = 2: 1 | | TGL_BAYAR_BULANAN = 3: 1 | jenis pinjaman = 5: 5 Data latih yang sudah diproses di WEKA dan sudah diketahui tree dan rule/aturannya, selanjutnya diujikan terhadap data ujinya. Jumlah dari data uji yang benar sebanyak 597, dan data yang salah sebanyak 102. Dapat dilihat pada Lampiran 4 yang menampilkan hasil Identifikasi Tingkat Kolektibilitas. Confusion matrix adalah salah satu alat ukur berbentuk matriks yang digunakan untuk menetapkan jumlah penempatan klasifikasi pada proses menggunakan WEKA J48. Pada
1
2
3
4
5
1
579
26
2
0
0
2
66
19
0
0
0
3
0
0
0
0
0
4
0
0
0
0
0
5
0
7
0
0
0
Dari Tabel 10 dapat dilihat dari kesalahan prediksi yang seharusnya masuk kedalam kelas 1 (kolektibilitas=lancar) sebanyak 26 data tetapi diprediksi sebagai kelas 2 (kolektibilitas=Perhatian Khusus). Kesalahan prediksi data dilihat dari rule yang terbentuk untuk data kredit ini terjadi karena data untuk jaminannya ijasah/SK/jamsostek, tanggal bayar bulanan 1-12, pokok pinjamannya 50.000.001-100.000.000, tetapi yang mengakibatkan kesalahan prediksi ini pada variabel jenis kelamin, yang seharusnya jenis kelaminnya laki-laki tetapi dari data jenis kelaminnya perempuan. Pada prediksi kelas 2 (kolektibilitas=Perhatian Khusus) ada 66 data yang salah prediksi, hal ini disebabkan diantaranya karena untuk jaminan ijasah/SK/jamsostek, tanggal bayar bulanannya 1-12, seharusnya pokok pinjamanya 50.000.001-100.000.000 tetapi datanya pokok pinjamannya berkisar antara 150.000.000. Pada prediksi kelas 5 (kolektibilitas=macet) ada 7 kesalahan prediksi yang masuk kedalam kelas 2 (kolektibilitas=perhatian khusus), hal ini disebabkan karena seharusnya jaminannya BPKB tetapi dari data hanya jaminannya KTA&mikro, selain itu jika jaminannya BPKB jenis pinjamannya seharusnya motor loan tetapi dari data hanya jenis pinjaman kredit modal kerja (KMK).
KESIMPULAN DAN SARAN Kesimpulan Dari penelitian yang dilakukan untuk mengidentifikasi tingkat kolektibilitas terhadap data kredit PT. BPR Mitra Daya Mandiri dengan decision tree, diperoleh
11
kesimpulan bahwa akurasi yang didapat untuk mengidentifikasi sebesar 85%. Rule/aturan yang dihasilkan WEKA pada sistem ini berdasarkan jumlah dan pemilihan data uji yang dapat mempengaruhi hasil klasifikasi. Hasil identifikasi yang diproses WEKA dari data hanya berpengaruh untuk yang tingkat kolektibilitasnya lancer berdasarkan dari rule/aturan , untuk tingkat kolektibilitas yang lain sistem ini kurang baik dalam mengidentifikasi, dapat dilihat dari tree yang terbentuk untuk jaminan BPKB dan jenis pinjamannya motor loan maka akan kemungkinan kreditnya macet. Variabel yang utama mempengaruhi tingkat kolektibilitas yaitu jaminan, karena semakin besar nilai jaminannya maka semakin cepat nasabah ingin melunasi kreditnya. Saran Untuk pengembangan yang selanjutnya perlu ditambahkan variabel lain untuk mengidentifikasi tingkat kolektibitas sehingga menghasilkan nilai akurasi yang lebih baik.
DAFTAR PUSTAKA Alpaydin, Ethem. 2004. Introduction to Machine Learning. United States of America. The MIT Press. Bouckaert, Remcoet al. 2013. Weka Manual for Version 3-7-8. The University of Waikato Te Wahre Wananga Waikato[internet]. [diunduh 2013 Jun 20]. Tersedia pada: http://www.gnu.org/licenses/gpl-3.0standalone.html. Dendawijaya, Lukman. 2005. Manajemen Perbankan. Ed Ke-2. Ghalia Indonesia: Jakarta. Fitriyani. 2012. Klasifikasi Pemukiman Kumuh di Wilayah DKI Jakarta menggunakan Decision Tree [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Han J, Kamber M. 2001. Data Mining Concepts & techniques. USA: Academic Press. Kasmir. 2005. Pemasaran Bank. Jakarta: Prenada Media. Kasmir. 2010. Pengantar Manajemen Keuangan. Edke-1. Jakarta: Kencana. Mitchell, Tom M. 1997. Machine Learning. United States of America: McGraw-Hill.
Quinlan JR. 1993. C.45: Programs for Machine Learning. San Francisco: Morgan Kaufmann Publisher. Rivai, Veithzal. 2009. Manajemen Sumber Daya Manusia Untuk Perusahaan. Jakarta: Rajawali Pers. Sinuhaji. 2012. Identifikasi Varietas Ubi Jalar menggunakan Metode Decision Tree J48 [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Tan, Pang-Ning. 2008. Introduction to Data Mining. Addison Wesley.
LAMPIRAN
12
Lampiran 1 Data nasabah sebelum praproses
NAMA
a b c d e f g h i j k l m
ALAMAT
KP CITEKO RT 003/003 JL BABAKAN RAYA NO 83 RT 01/01 BABAKAN TARIKOLOT RT 001/005 KP BABAKAN TUMAS RT 05/04 PONDOK KENCANA PERMAI BLOK C 76 RT 003/013 LALADON GEDE RT.05/04 KP SADENG PASAR RT 004/003 BOJONG DEPOK BARU II BLOK CC RT 007/013 KP CITARINGGUL RT 003/003 KP BABAKAN JAM-JAM RT 004/001 BOJONG DEPOK BARU II BLOK CC RT 007/013 KP SUKAASIH RT 003/002 PERUM BDB III BLOK MD NO 16 RT 006/018
n o p
JNS_K LMN
1 2 1 1
CISARUA DRAMAGA CIBINONG SUKARAJA
1 CIOMAS 1 1 2 2 1 2 2 2 1
KP CIBEBER IV RT.001/002 TMN PAGELARA BLOK B13 RT 004/012 KP PONDOK BUJANG RT
KECAMAT AN
1 1
CIOMAS LEUWISADE NG CIBINONG BABAKAN MADANG CIAWI CIBINONG LEUWILIAN G CIBINONG LEUWILIAN G CIOMAS LEUWISADE
KOT A
kab bogor kab bogor kab bogor kab bogor kab bogor kab bogor kab bogor kab bogor kab bogor kab bogor kab bogor kab bogor kab bogor kab bogor kab bogor kab
JNS_P NJMN
PK_PNJM N
KI
3,000,000
KI
8,000,000
KI
30,000,000
KI
13,025,000
KI
12,000,000
KI
30,000,000
KI
8,000,000
KI
45,000,000
KI
5,350,000
KI
10,000,000
KI
20,600,000
KI
25,000,000
KI
9,060,000
KI
10,000,000
KI KI
30,000,000 15,000,000
TUJUAN
PENAMBAHAN PEMBELIAN TANAH RENOVASI TEMPAT KOS PEMBELIAN TANAH PEMBELIAN KENDARAAN PEMBELIAN KOMPUTER PERLUASAN KOLAM IKAN
JNGK_ WKT
24 24 24 24
KD_PG NAAN
20 20 20 20
K O L
JAMIN AN
ANGS_B LN
TGL_B YR_BL N
2
BPKB
187,000
28
2
SHM
498,200
3
1
SHM
1,788,000
18
2
BPKB
797,000
16
2
BPKB
748,000
5
1
SHM
1,408,500
23
2
AJB
499,000
12
1
BPKB
2,000,000
25
2
BPKB
406,000
17
1
AJB
753,000
27
1
BPKB
1,191,000
1
1
SHM
1,360,000
15
1
SHM
463,500
3
2
AJB
602,000
7
1 2
SHM AKTA
1,409,000 902,000
12 22
20 24 36
PEMBELIAN TANAH PEMBELIAN ANGKOT
24
PEMBELIAN MOTOR PENAMBAHAN PEMBELIAN KIOS PEMBELIAN ANGKOT PEMBANGUNAN RUKO PENAMBAHAN PEMB KIOS BY RENOVASI RUMAH KONTRAKAN PENAMBAHAN PEMBELIAN RUMAH PEMBELIAN TANAH
18
36
18 24 30 31
20 20 20 20 20 20 20 20 20
24 36 24
20 20
13
14
005/002 q r s t u v w x y z
KP CIGUDEG RT 003/002 KP BABAKAN CIBATOK NO 63 RT 02/04 KP CIGUDEG RT 003/002 KP PARAKAN SALAK RT 003/001 KP BABAKAN RT 002/004 DRAMAGA PASAR RT 04/03 KP PARUNG TANJUNG RT 003/011 KP KEBON KALAPA RT 001/004 KP WARUNG LOA RT 001/012 KP JAMPANG PRAPATAN RT 004/002
NG 1 1 1 2 1 2 1 1 1 1
CIGUDEG CIBUNGBUL ANG CIGUDEG KEMANG CARINGIN DRAMAGA GUNUNG PUTRI SUKARAJA TAMANSAR I KEMANG
bogor kab bogor kab bogor kab bogor kab bogor kab bogor kab bogor kab bogor kab bogor kab bogor kab bogor
KI
25,000,000
KI
15,000,000
KI
30,000,000
KI
7,000,000
KI
10,000,000
KI
30,000,000
KI
27,000,000
KI
15,000,000
KI
10,000,000
KI
10,000,000
PEMBELIAN KIOS PENAMBAHAN PEMBELIAN KOMPRESOR
24
PEMBELIAN KIOS PENAMBAHAN PEMBELIAN TANAH PENAMBAHAN KONTRAKAN BY PENAMBHN PEMB TANAH PEMBELIAN ALAT PANGKAS RAMBUT PENAMBAHAN PEMBELIAN KIOS PEMBELIAN ANGKOT PENAMABHN DANA PEMBELIAN TANAH
24
20
2
SHM
1,503,000
12
2
AJB
902,000
18
2
SHM
1,804,000
28
1
AJB
524,000
16
2
AJB
602,000
13
1
SHM
1,804,000
13
2
SHM AKTA HIBAH
1,268,000
26
1,522,000
24
BPKB AKTA HIBAH
1,015,000
4
602,000
14
20 24
18 24 24 36 12 12 24
20 20 20 20 20 20 20 20
1 1 2
Lampiran 2 Contoh data latih 2
2
1
1
3
4
1
1
2
1
2
2
1
3
4
2
2
1
1
2
2
1
3
5
1
2
2
1
2
2
1
3
5
1
1
2
1
2
2
2
3
4
1
2
1
1
2
1
1
3
4
1
1
2
2
2
2
2
3
5
2
3
1
2
2
1
1
3
5
1
2
2
1
2
1
1
3
4
1
3
1
2
2
2
1
3
5
1
1
1
2
2
2
2
3
4
1
2
1
2
2
1
2
3
4
1
1
1
1
2
1
1
3
4
1
1
2
1
2
2
2
3
4
1
1
1
1
2
2
1
3
4
1
2
2
1
2
2
1
3
4
1
1
2
1
2
2
1
3
4
1
2
2
1
2
2
1
3
4
2
3
2
2
2
1
1
3
4
1
2
1
15
16
Lampiran 3 Contoh data uji 1
3
1
1
4
5
1
2
1
2
3
1
1
4
2
1
2
1
1
3
1
1
4
2
1
2
1
2
3
1
1
4
2
1
2
1
2
3
1
1
4
2
1
2
1
2
3
1
1
4
2
1
2
1
1
3
1
1
4
2
1
2
1
2
3
1
1
4
2
1
2
1
2
3
1
1
4
2
1
2
1
2
3
1
1
4
2
1
2
1
1
3
1
1
4
2
1
2
1
2
3
1
1
4
2
1
2
1
2
3
1
1
4
2
1
2
1
2
3
1
1
4
2
1
2
1
1
3
2
1
4
2
1
2
1
1
3
1
1
4
5
1
2
1
2
3
1
1
4
3
1
2
1
2
3
1
1
4
2
1
2
1
2
3
1
1
4
2
1
2
1
17
Lampiran 4 Hasil identifikasi tingkat kolektibilitas NO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
JENIS_KELA MIN
JNS_PNJMA N
1
3
1
POKOK_PINJAM AN
JANGKA_WAK TU
KODE_PENGGUNA AN
JAMINA N
2
1
4
5
3
1
1
4
2
3
1
1
1
3
1
2
3
2 2
ANGSURAN_BULAN AN
TGL_BAYAR_BULAN AN
KO L
HASI L
1
2
1
B
5
1
2
1
B
4
2
1
2
1
B
1
4
2
1
2
1
B
1
1
4
2
1
2
1
B
3
1
1
4
2
1
2
1
B
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
2
1
4
2
1
2
1
B
1
3
1
1
4
5
1
2
1
B
2
3
1
1
4
3
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
18
22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
2
4
2
1
2
1
B
1
3
1
1
4
5
1
2
2
S
1
3
1
1
4
5
1
2
1
B
1
3
1
1
4
5
1
2
1
B
1
3
1
1
4
5
1
2
2
S
1
3
1
1
4
5
1
2
1
B
2
3
1
2
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
2
2
4
2
1
2
1
B
2
3
2
2
4
2
1
2
1
B
2
3
2
2
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
5
1
3
1
B
2
3
1
1
4
2
1
3
1
B
1
3
1
1
4
2
1
3
1
B
2
3
2
1
4
4
2
3
1
B
19
47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71
2
3
1
1
4
2
1
3
1
B
2
3
1
1
4
2
1
3
1
B
2
3
1
1
4
2
1
3
1
B
2
3
1
1
4
2
1
3
1
B
2
3
1
1
4
2
1
3
2
S
2
3
1
1
4
2
1
3
1
B
2
3
1
1
4
5
1
3
1
B
2
3
1
1
4
3
1
3
1
B
2
3
2
1
4
5
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
2
2
4
2
1
1
1
B
1
3
2
2
4
2
1
1
1
S
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
2
S
2
3
1
1
4
2
1
1
2
S
2
3
2
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
2
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
2
2
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
2
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
2
S
20
72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
5
1
1
2
S
2
3
1
1
4
4
1
1
2
S
1
3
1
1
4
5
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
2
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
5
1
1
1
B
2
3
1
1
4
5
1
1
2
S
1
3
1
1
4
2
1
1
1
B
1
3
1
2
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
2
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
2
2
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
5
1
1
1
B
1
3
1
1
4
5
1
1
1
B
1
3
1
1
4
4
1
1
1
B
1
3
2
1
4
2
1
1
1
S
2
3
1
1
4
2
1
1
1
B
2
3
2
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
5
1
1
1
B
21
97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
2
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
2
S
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
2
1
4
5
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
2
S
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
2
1
4
2
1
2
1
B
2
3
1
1
4
2
1
1
1
B
1
3
2
1
4
4
1
1
2
S
1
3
1
1
4
5
1
1
1
B
2
3
1
1
4
2
1
2
1
B
1
3
2
1
4
2
1
2
2
S
2
3
2
2
4
2
1
2
1
B
1
3
2
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
22
122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146
1
3
1
1
4
5
1
2
1
B
2
3
1
1
4
2
1
1
1
B
2
3
2
2
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
2
S
1
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
2
S
2
3
1
1
4
5
1
2
2
S
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
2
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
2
4
2
1
2
1
B
2
3
2
2
4
2
1
2
1
B
2
3
2
2
4
5
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
2
1
4
2
1
2
1
B
2
3
2
2
4
2
1
2
1
B
23
147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 164 165 166 167 168 169 170
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
2
2
4
2
1
2
1
B
1
3
2
1
4
2
1
2
1
B
2
3
1
1
4
5
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
2
4
4
1
2
1
B
1
3
1
1
4
5
1
2
1
B
1
3
2
2
4
4
1
2
1
B
1
3
2
1
4
4
1
2
1
B
1
3
1
1
4
5
1
2
1
B
2
3
1
1
4
5
1
3
1
B
2
3
1
1
4
2
1
3
1
B
1
3
1
1
4
1
1
3
1
S
2
3
1
1
4
2
1
3
1
B
1
3
1
2
4
4
1
3
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
24
171 172 173 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
2
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
4
1
1
1
B
1
3
1
1
4
5
1
1
1
B
1
3
1
1
4
3
1
1
2
S
1
3
1
2
4
2
1
1
1
B
2
3
1
2
4
2
1
1
1
B
1
3
1
1
4
5
1
1
2
S
1
3
1
1
4
5
1
1
2
S
1
3
1
1
4
5
1
1
1
B
1
3
2
1
4
5
5
1
2
S
1
3
1
1
4
5
1
1
1
B
2
3
1
2
4
2
1
1
1
B
1
3
1
1
4
5
1
1
1
B
2
3
1
1
4
5
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
2
2
4
2
1
1
1
B
2
3
1
2
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
25
195 196 197 198 199
1
3
1
1
4
2
1
1
2
S
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
5
1
1
2
S
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
2
S
1
3
2
1
4
4
1
1
2
S
2
3
1
1
4
5
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
1
1
1
1
S
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
5
1
1
1
B
1
3
1
1
4
5
1
1
2
S
1
3
1
1
4
5
1
1
1
B
1
3
2
1
4
5
1
1
1
B
2
3
2
2
4
2
1
1
1
B
1
3
1
1
4
5
1
1
1
B
1
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
1
3
1
1
4
5
1
1
1
B
1
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
5
1
2
1
B
1
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219
26
220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244
1
3
1
1
4
4
1
2
1
B
1
3
1
1
4
5
1
2
1
B
1
3
1
1
4
3
1
2
2
S
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
5
1
2
1
B
1
3
1
1
4
5
1
2
2
S
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
2
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
2
2
4
2
1
2
1
B
1
3
2
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
5
1
2
1
B
2
3
2
2
4
2
1
2
1
B
1
3
2
2
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
27
245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269
1
3
2
2
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
1
3
2
1
4
4
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
2
S
1
3
1
1
4
2
1
2
1
B
1
3
1
1
4
3
1
2
2
S
1
3
1
1
4
2
1
2
1
B
2
3
2
2
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
28
270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
5
1
2
1
B
2
3
1
1
4
2
1
3
1
B
2
3
1
1
4
5
1
3
1
B
1
3
1
1
4
1
1
3
1
S
1
3
1
1
4
2
1
3
1
B
2
3
1
1
4
2
1
3
1
B
1
3
1
1
4
2
1
3
1
B
2
3
1
1
4
2
1
3
1
B
2
3
1
1
4
2
1
3
1
B
1
3
1
1
4
2
1
3
1
B
2
3
1
2
4
4
1
3
1
B
2
3
1
1
4
2
1
3
1
B
1
3
1
1
4
2
1
3
1
B
2
3
1
1
4
2
1
3
1
B
2
3
1
1
4
2
1
3
1
B
2
3
1
1
4
2
1
3
1
B
1
3
1
1
4
2
1
3
1
B
2
3
1
1
4
2
1
3
1
B
1
3
1
1
4
5
1
3
1
B
1
3
1
1
4
2
1
3
1
B
2
3
1
1
4
5
1
3
1
B
1
3
1
1
4
5
1
3
1
B
29
295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319
2
3
1
1
4
4
1
3
1
B
1
3
1
1
4
2
1
3
1
B
1
3
1
1
4
5
1
3
1
B
1
3
1
1
4
3
1
3
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
3
1
1
2
S
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
2
2
4
2
1
1
1
B
30
320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
3
1
1
2
S
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
5
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
31
345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
2
2
4
5
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
32
370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
33
395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
2
2
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
2
S
1
3
2
1
4
4
1
1
1
B
1
3
2
1
4
3
2
1
2
S
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
34
420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
2
2
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
2
S
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
5
1
1
2
S
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
5
1
1
2
S
1
3
1
1
4
2
1
1
1
B
35
445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 467 468 469 470
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
2
1
4
2
1
2
2
S
1
3
1
1
4
2
1
2
1
B
1
3
2
1
4
2
1
2
2
S
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
2
S
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
36
471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
4
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
2
1
4
2
1
2
1
B
1
3
2
1
4
4
1
2
1
B
1
3
1
1
4
4
1
2
1
B
1
3
1
1
4
5
1
2
1
B
1
3
1
1
4
5
1
2
2
S
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
3
1
2
2
S
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
37
496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
5
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
2
4
4
1
2
1
B
1
3
1
1
4
5
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
1
1
4
5
1
2
1
B
1
3
1
2
4
4
1
2
1
B
38
521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545
2
3
1
1
4
2
1
3
1
B
2
3
1
1
4
2
1
3
1
B
2
3
1
1
4
2
1
3
1
B
1
3
1
1
4
3
1
3
1
B
1
3
1
1
4
5
1
3
1
B
2
3
2
1
4
4
1
3
1
B
1
3
1
1
4
3
1
3
1
B
1
3
1
1
4
5
1
3
1
B
2
3
1
1
4
2
1
3
1
B
2
3
1
1
4
2
1
3
1
B
1
3
2
1
4
2
1
3
1
B
1
3
2
1
4
2
1
3
1
B
1
3
1
2
4
2
1
3
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
2
1
4
4
1
1
1
B
1
3
1
1
4
3
1
1
1
B
2
3
1
1
4
5
1
1
1
B
2
3
1
1
4
5
1
1
1
B
2
3
1
1
4
4
1
1
1
B
1
3
2
2
4
4
1
1
1
B
1
3
1
1
4
5
1
1
1
B
1
3
1
1
4
5
1
1
1
B
1
3
2
1
4
5
1
1
1
B
39
546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 567 568 569 570 571
2
3
1
1
4
4
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
2
2
4
2
1
1
1
S
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
5
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
4
1
1
1
B
2
3
2
1
4
4
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
2
1
4
3
1
1
1
B
1
3
1
2
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
2
1
1
1
B
1
3
1
1
4
5
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
1
3
1
1
4
2
1
1
1
B
2
3
1
1
4
4
1
1
1
B
1
3
2
1
4
2
1
1
1
S
2
3
1
1
4
4
1
1
1
B
1
3
1
1
4
5
1
1
1
B
40
572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596
1
3
1
2
4
2
1
1
1
B
2
3
2
2
4
2
1
2
1
B
1
3
1
1
4
5
1
2
1
B
2
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
1
3
1
1
4
2
1
2
1
B
2
3
2
1
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
2
2
4
2
1
2
1
B
2
3
1
1
4
2
1
2
1
B
2
3
2
2
4
2
1
2
1
B
1
3
1
1
4
5
1
2
1
B
1
3
1
1
4
5
1
2
1
B
1
3
1
1
4
5
1
2
1
B
2
4
1
1
1
5
1
1
5
S
1
4
1
1
1
1
1
1
5
S
2
4
1
1
1
1
1
1
5
S
2
4
1
1
1
1
1
1
5
S
1
4
1
1
1
1
1
1
5
S
1
4
1
1
1
5
1
3
2
S
1
4
2
1
1
5
2
1
2
B
2
4
1
1
1
4
1
1
1
B
1
4
1
1
1
5
1
1
5
S
1
4
1
1
1
5
1
1
2
B
1
4
2
1
1
4
1
2
1
B
41
597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621
1
4
1
1
1
4
1
2
1
B
2
4
1
1
1
4
1
3
2
S
1
4
2
2
1
4
1
3
1
B
1
4
2
1
1
5
2
3
1
B
1
4
1
1
1
5
1
1
2
B
1
4
2
2
1
5
3
1
2
B
2
4
1
1
1
5
1
2
2
S
2
4
2
2
1
4
1
3
1
B
1
4
2
1
1
4
1
3
2
S
1
4
1
1
1
1
1
1
5
S
1
4
1
1
1
5
1
1
1
S
1
4
1
1
1
4
1
2
2
S
1
4
1
1
1
5
1
1
1
S
1
4
1
1
1
4
1
2
2
S
1
4
1
1
1
4
1
2
2
S
1
4
1
1
1
4
1
2
1
B
2
4
1
1
1
4
1
3
2
S
2
4
1
1
1
5
1
1
1
S
1
4
1
1
1
5
1
2
1
B
1
4
2
1
1
4
1
1
1
B
1
4
1
1
1
5
1
1
2
B
2
4
1
1
1
5
1
2
2
S
1
4
1
1
1
4
1
3
2
S
1
4
1
1
1
5
1
2
1
B
2
4
1
1
1
4
1
3
2
S
42
622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646
1
4
1
1
1
5
1
1
2
B
1
4
1
1
1
5
1
1
2
S
2
4
1
1
1
5
1
1
1
S
1
4
1
1
1
5
1
1
2
B
2
4
1
1
1
5
1
1
2
B
2
4
1
1
1
4
1
1
2
S
1
4
1
1
1
5
1
2
1
B
1
4
1
1
1
5
1
2
1
B
1
4
2
1
1
4
1
3
1
B
1
4
1
1
1
4
1
3
1
B
1
4
1
1
1
5
1
1
1
S
1
4
1
1
1
5
1
1
2
B
1
4
1
1
1
5
1
1
2
B
1
4
1
1
1
5
1
2
1
B
2
4
2
1
1
4
1
2
2
S
1
4
1
1
1
5
1
2
1
B
1
4
2
1
1
5
1
2
2
S
1
4
1
1
1
5
1
2
2
S
1
4
1
1
1
5
1
1
1
S
1
4
2
1
1
4
1
1
1
B
2
4
1
1
1
5
1
1
2
B
1
4
1
2
1
4
1
2
2
S
1
4
1
1
1
5
1
2
2
S
2
4
1
1
1
5
1
3
2
S
1
4
1
1
1
5
1
3
2
S
43
647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671
1
4
1
1
1
5
1
3
2
S
1
4
1
1
1
5
1
1
1
S
1
4
1
1
1
4
1
1
1
B
1
4
1
1
1
4
1
1
1
B
1
4
1
1
1
5
1
1
1
S
2
4
1
1
1
4
1
1
1
B
1
4
1
1
1
5
1
1
2
B
1
4
2
1
1
4
1
2
2
S
2
4
1
1
1
5
1
3
1
B
1
4
2
1
1
5
1
1
1
S
1
4
1
1
1
5
1
1
1
S
2
4
1
1
1
5
1
2
1
B
1
4
1
1
1
5
1
2
2
S
1
4
1
1
1
5
1
3
1
B
1
4
1
1
1
5
1
3
1
B
1
4
1
1
1
5
1
1
1
S
1
4
1
1
1
5
1
1
2
B
2
4
2
1
1
4
1
2
1
B
1
4
2
2
1
4
1
2
1
B
2
4
1
1
1
5
1
2
2
S
2
4
2
2
1
4
1
1
1
B
1
4
1
1
1
5
1
1
1
S
1
4
1
1
1
5
1
1
2
B
2
4
1
1
1
4
1
1
1
B
2
4
1
1
1
5
1
2
1
B
44
672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696
1
4
2
2
1
4
1
2
2
S
1
4
1
1
1
5
1
3
2
S
1
4
1
1
1
5
1
1
1
S
2
4
1
1
1
5
1
1
1
S
1
4
1
1
1
5
1
1
1
S
2
4
1
1
1
5
1
2
1
B
1
4
1
1
1
5
1
1
1
S
1
4
1
1
1
4
1
1
1
B
1
4
1
1
1
5
1
1
2
B
2
4
1
1
1
5
1
1
1
S
2
4
1
1
1
4
1
2
1
B
1
4
1
1
1
5
1
1
1
S
1
4
1
1
1
5
1
1
1
S
2
4
1
1
1
5
1
1
2
B
1
4
1
1
1
5
1
1
2
B
2
4
1
2
1
5
1
2
1
B
1
4
1
1
1
5
1
3
1
B
2
4
2
1
1
5
3
3
1
B
1
4
1
1
1
5
1
3
1
B
1
4
1
1
1
5
1
1
1
S
1
4
1
1
1
4
1
1
1
B
2
4
1
1
1
5
1
1
2
B
1
4
1
1
1
5
1
2
1
B
2
4
1
1
1
4
1
3
1
B
2
4
2
1
4
3
4
3
1
B
45
697 698 699
1
4
2
2
1
4
2
1
1
B
1
4
1
1
1
1
1
1
1
S
1
4
1
1
1
4
1
1
1
B
Lampiran 5 Pembangkitan tree
46
Lampiran 6 Pengujian tree
Lampiran 7 Tentang aplikasi
47
Lampiran 8 Pohon keputusan dari WEKA decision tree J48
48
