KLASIFIKASI NASABAH KARTU KREDIT MENGGUNAKAN ALGORITME FUZZY K-NEAREST NEIGHBOR PADA DATA TIDAK SEIMBANG RETNO WIJAYANTI

KLASIFIKASI NASABAH KARTU KREDIT MENGGUNAKAN ALGORITME FUZZY K-NEAREST NEIGHBOR PADA DATA TIDAK SEIMBANG

RETNO WIJAYANTI

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Klasifikasi Nasabah Kartu Kredit Menggunakan Algoritme Fuzzy K-Nearest Neighbor pada Data Tidak Seimbang adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Juli 2013 Retno Wijayanti NIM G64090070

ABSTRAK RETNO WIJAYANTI. Klasifikasi Nasabah Kartu Kredit Menggunakan Algoritme Fuzzy K-Nearest Neighbor pada Data Tidak Seimbang. Dibimbing oleh AZIZ KUSTIYO. Klasifikasi debitur diperlukan untuk mengurangi kemungkinan kerugian yang akan diderita oleh bank akibat menerima aplikasi kredit yang berpotensi menimbulkan masalah. Penelitian ini mengusulkan sebuah model klasifikasi nasabah kartu kredit menggunakan algoritme fuzzy k-nearest neighbor. Data yang digunakan tidak seimbang ketika data dari satu kelas mendominasi data yang lain. Algoritme klasifikasi umumnya memberikan kinerja yang buruk pada data tidak seimbang, terutama untuk kelas minoritas. Penelitian ini bertujuan meningkatkan kualitas klasifikasi pada data tidak seimbang menggunakan oversampling dan undersampling. Oversampling duplikasi menghasilkan akurasi, precision, recall, dan f-measure terbaik pada saat tetangga terdekat adalah 1, yaitu 91.93%, 86.12%, 100%, dan 92.54%. Namun, menurun drastis pada saat jumlah tetangga terdekat adalah 5. Oversampling acak menghasilkan akurasi, precision, recall, dan fmeasure yang cukup bagus dan stabil pada saat jumlah tetangga terdekat ditingkatkan. Undersampling menghasilkan akurasi, precision, recall, dan fmeasure yang stabil pada saat jumlah tetangga terdekat 1 sampai 5. Kata kunci: fuzzy k-nearest neigbor, data tidak seimbang, oversampling, undersampling

ABSTRACT RETNO WIJAYANTI. Credit Card Debtor Classification using Fuzzy K-Nearest Neighbor Algorithm in Imbalanced Data. Supervised by AZIZ KUSTIYO. Debtor classification is a crucial banking process in order to identify potential problematic credit card applicant. This information is to support decision making in accepting or rejecting the application. The classification method makes use of fuzzy k-nearest neighbor method. Due to the nature of credit card business, most likely, the data collected is imbalanced. In this case, the good debtors always significantly outnumber the bad one. Most of the existing classification systems work well on balanced data, which is not the case in this research. Thus, in order to improve the system, the data composition must be banced using oversampling and undersampling technique. The performance indicator used are accuracy, precision, recall, and f-measure. Replication oversampling improved the algorithm best at the number of nearest neighbors 1. The accuration, precision, recall, and fmeasure is 91.93%, 86.12%, 100%, and 92.54%, while the least performance was achieved at the number of nearest neighbors 5. Random oversampling performed better as the number of the nearest neighbors increases. Undersampling performed more stable with the number of the nearest neighbors between 1 and 5. Keywords:

fuzzy k-nearest undersampling

neighbor,

imbalanced

data,

oversampling,

KLASIFIKASI NASABAH KARTU KREDIT MENGGUNAKAN ALGORITME FUZZY K-NEAREST NEIGHBOR PADA DATA TIDAK SEIMBANG

RETNO WIJAYANTI

Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013

Penguji: 1 Dr Imas Sukaesih Sitanggang, SSi MKom 2 Toto Haryanto, SKom MSi

Judul Skripsi : Klasifikasi Nasabah Kartu Kredit Menggunakan Algoritme Fuzzy K-Nearest Neighbor pada Data Tidak Seimbang Nama : Retno Wijayanti NIM : G64090070

Disetujui oleh

Aziz Kustiyo, SSi MKom Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom Ketua Departemen

Tanggal Lulus:

PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Ungkapan terima kasih penulis sampaikan kepada ayah, ibu, serta seluruh keluarga, atas segala doa dan kasih sayangnya. Terima kasih penulis ucapkan kepada Bapak Aziz Kustiyo, MKom selaku pembimbing, kepada Ibu Dr Imas S Sitanggang, MKom dan Bapak Toto Haryanto, MSi selaku penguji. Terima kasih atas semua bimbingan dan saran yang diberikan dalam menyelesaikan karya ilmiah ini. Terima kasih juga penulis sampaikan kepada Nanang Wahyu Hariyadi, Munjiati, Leni Mariana, Rina Oktaviana, Listia Hesti, dan Ilkomerz 46 khususnya Dhieta Anggraini dan Fiqrotul Ulya atas kerja samanya. Semoga karya ilmiah ini bermanfaat.

Bogor, Juli 2013 Retno Wijayanti

DAFTAR ISI DAFTAR TABEL

vii

DAFTAR GAMBAR

vii

DAFTAR LAMPIRAN

vii

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

1

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

TINJAUAN PUSTAKA

2

Kartu Kredit

2

Klasifikasi

2

Data Tidak Seimbang

3

Algoritme K-Means

3

Metode K-Fold Cross Validation

3

Fuzzy K-Nearest Neighbor

3

Normalisasi

5

Confusion Matrix

5

METODE

6

Pengadaan Data

6

Praproses Data

6

Pembagian Data

7

Klasifikasi dengan FKNN

8

Analisis Hasil Klasifikasi

8

Penerapan Model Terbaik

8

Lingkungan Pengembangan

8

HASIL DAN PEMBAHASAN

8

Pengadaan Data

8

Praproses Data

9

Resampling

10

Analisa Hasil Klasifikasi

10

Penerapan Model Terbaik

14

Perbandingan dengan Penelitian Sebelumnya

14

SIMPULAN DAN SARAN

14

Simpulan

14

Saran

16

DAFTAR PUSTAKA

16

LAMPIRAN

18

DAFTAR TABEL 1 2 3 4 5 6 7 8 9 10 11

Confusion matrix Atribut data Nilai akurasi setiap model data percobaan Nilai precision setiap proses uji oversampling duplikasi saat tetangga terdekat 1 Confusion matrix proses pengujian ke-6 Nilai precision setiap model data percobaan Nilai recall setiap model data percobaan Nilai f-measure setiap model data percobaan Atribut data baru yang diuji beserta hasil prediksi Hasil prediksi data uji Perbandingan metrik pengukuran dengan penelitian lain

5 9 11 11 11 12 12 12 15 15 15

DAFTAR GAMBAR 1 2 3 4

Tahapan penelitian Ilustrasi perhitungan FKNN Grafik akurasi setiap model data percobaan Grafik f-measure setiap model data percobaan

7 9 13 14

DAFTAR LAMPIRAN 1 2 3 4 5 6 7 8 9 10 11 12

Keterangan atribut Nilai akurasi dalam % pada saat jumlah tetangga adalah 1 sampai 5 Nilai precision dalam % pada saat jumlah tetangga 1 sampai 5 Nilai recall dalam % pada saat jumlah tetangga adalah 1 sampai 5 Nilai f-measure dalam % pada saat jumlah tatangga 1 sampai 5 Contoh hasil klasifikasi data oversampling duplikasi saat k = 1 Contoh hasil klasifikasi data oversampling duplikasi saat k = 2 Contoh hasil klasifikasi data oversampling duplikasi saat k = 3 Contoh hasil klasifikasi data oversampling duplikasi saat k = 4 Contoh hasil klasifikasi data oversampling duplikasi saat k = 5 Tampilan sistem Tampilan sistem saat menampilkan hasil prediksi

18 19 19 20 20 21 21 22 22 23 23 24

PENDAHULUAN Latar Belakang Usaha perbankan tidak hanya melayani penyimpanan dana nasabah, namun terdapat berbagai macam bentuk usaha bank. Salah satu usaha bank tersebut adalah memberikan fasilitas kartu kredit. Setiap bank mempunyai standar yang khusus dalam menentukan diterima atau tidaknya suatu pengajuan kredit. Hal ini sangat penting untuk mengurangi peluang kerugian bank akibat menerima nasabah kartu kredit yang mempunyai potensi bermasalah. Diperlukan manajemen risiko untuk meminimalkan kerugian yang akan diderita oleh pihak bank yang diakibatkan oleh kredit bermasalah. Salah satu bentuk manajemen risiko adalah menganalisis nasabah bermasalah yang sudah ada yang kemudian digunakan sebagai acuan penerimaan nasabah baru. Keputusan pemberian kredit kepada calon nasabah atau calon debitur melewati proses pengajuan kredit dan melalui tahap analisis terhadap kredit yang diajukan. Tahap analisis ini merupakan tahap yang paling penting dalam kualifikasi pemberian kredit. Data nasabah yang akan digunakan untuk pembuatan model klasifikasi merupakan salah satu data yang termasuk kasus data tidak seimbang. Hal ini menyebabkan proses klasifikasi menjadi tidak optimal karena kelas yang mempunyai jumlah data lebih banyak mendominasi hasil klasifikasi daripada kelas yang memiliki jumlah data lebih sedikit. Pada sebagian besar kasus data tidak seimbang, kelas yang menjadi target klasifikasi adalah kelas yang jumlah data lebih sedikit atau minoritas. Berbagai penelitian dilakukan untuk mencari solusi dari permasalahan klasifikasi data tidak seimbang. Salah satu penelitian tersebut adalah Liao (2008) yang mencoba berbagai teknik sampling untuk mengklasifikasikan kegagalan pengelasan menggunakan jarak minimum, k-nearest neighbor (KNN), dan fuzzy knearest neighbor (FKNN). Dari penelitian tersebut dapat disimpulkan bahwa FKNN memiliki perhitungan yang sederhana dan mudah diaplikasikan pada data berukuran besar. Selain itu, akurasi yang dihasilkan FKNN lebih tinggi daripada KNN dan mampu memberikan derajat keanggotaan pada kelas prediksi. Pada penelitian ini akan dibuat suatu model untuk mengklasifikasikan nasabah dengan kategori baik atau buruk. Pembuatan model dilakukan dengan menggunakan algoritme FKNN. Sebelumnya, penelitian dengan menggunakan data yang sama dilakukan oleh Setiawati (2011) menggunakan algoritme jaringan saraf tiruan backpropagation. Berdasarkan penelitian tersebut, diketahui bahwa perbandingan jumlah debitur pada kelas baik dan buruk memiliki perbedaan yang cukup besar, yaitu 4:1. Dari hasil penelitian tersebut diperoleh akurasi dari model terbaik sebesar 73.39%, serta recall dan precision kelas buruk sebesar 56.26% dan 36.90%. Perumusan Masalah Berdasarkan latar belakang yang telah dijelaskan, dapat disimpulkan bahwa proses analisis nasabah kartu kredit perlu dilakukan. Selain itu, terdapat hal-hal yang perlu dilakukan untuk mengatasi permasalahan pada data tidak seimbang.

2 Dengan mengambil sampel data sekunder dari Bank X akan dibuat model untuk mengklasifikasikan nasabah kredit yang diterima baik atau buruk. Tujuan Penelitian Tujuan dari penelitian ini adalah membangun suatu model untuk mengklasifikasikan nasabah kredit yang baik atau buruk menggunakan algoritme FKNN. Manfaat Penelitian Hasil dari penelitian ini diharapkan dapat menjadi alternatif model untuk menganalisis proses penerimaan kredit, khususnya nasabah kartu kredit. Dengan demikian, jumlah kredit yang bermasalah dapat berkurang. Ruang Lingkup Penelitian Data yang dipakai pada penelitian ini adalah data sekunder nasabah kartu kredit Bank X pada periode waktu 2008 2009. Atribut atau feature yang digunakan adalah atribut yang mempengaruhi proses analisis. Algoritme yang digunakan adalah FKNN.

TINJAUAN PUSTAKA Kartu Kredit Kartu kredit adalah alat pembayaran dengan menggunakan kartu yang dapat digunakan untuk melakukan pembayaran atas kewajiban yang timbul dari suatu kegiatan ekonomi, termasuk transaksi pembelanjaan dan/atau untuk melakukan penarikan tunai, dimana kewajiban pembayaran pemegang kartu dipenuhi terlebih dahulu oleh acquirer atau penerbit, dan pemegang kartu berkewajiban untuk melakukan pembayaran pada waktu yang disepakati baik dengan pelunasan secara sekaligus (charge card) ataupun dengan pembayaran secara angsuran (BI 2012). Klasifikasi Klasifikasi merupakan proses menemukan sekumpulan model atau fungsi yang menggambarkan dan membedakan konsep atau kelas-kelas data. Tujuan dari klasifikasi adalah membentuk model yang dapat digunakan untuk memprediksi kelas dari suatu objek atau data yang label kelasnya tidak diketahui (Han dan Kamber 2001). Klasifikasi terdiri atas 2 tahap, yaitu pelatihan dan klasifikasi. Pada tahap pelatihan, dibentuk sebuah model domain permasalahan dari setiap data yang ada. Penentuan model tersebut berdasarkan analisis pada sekumpulan data pelatihan, yaitu data yang label kelasnya sudah diketahui. Pada tahap klasifikasi dilakukan prediksi kelas dari data pada data uji dengan menggunakan model yang telah dibuat pada tahap pelatihan.

3 Data Tidak Seimbang Data tidak seimbang merupakan suatu kondisi ketika sebuah himpunan data terdapat satu kelas yang memiliki jumlah data yang kecil dibandingkan jumlah data dari kelas yang lain. Kondisi tersebut dapat menimbulkan proses klasifikasi pada kelas minoritas menjadi kurang optimal, sedangkan kelas minoritas dianggap lebih penting dari kelas mayoritas. Sebagai contoh pada proses klasifikasi teks, pengenalan citra satelit untuk mendeteksi titik-titik tertentu, kecurangan transaksi, dan sebagainya (Kotsiantis et al. 2006). Sebagai upaya untuk mengatasi permasalahan yang ada pada proses klasifikasi data tidak seimbang, dapat dilakukan perubahan pada level algoritme dan level data. Perubahan pada level algoritme dilakukan dengan mengubah algoritme yang sudah ada atau dengan membuat algoritme baru. Perubahan pada level data dilakukan dengan resampling. Ada 2 cara teknik resampling, yaitu oversampling kelas minoritas dan undersampling kelas mayoritas. Oversampling dilakukan dengan cara memperbanyak kelas minoritas sehingga jumlahnya sama dengan kelas mayoritas. Teknik undersampling dilakukan dengan mengurangi jumlah kelas mayoritas sehingga jumlahnya sama dengan kelas minoritas (Kotsiantis et al. 2006). Undersampling dapat dilakukan dengan mengambil data mayoritas secara acak atau dengan memakai teknik tertentu, misalnya dengan clustering. Algoritme K-Means Algoritme k-means merupakan salah satu algoritme data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam beberapa cluster. Hal pertama yang dilakukan adalah memilih k obyek secara acak, yang masing-masing merupakan nilai rata-rata cluster atau centroid. Untuk masing-masing obyek yang tersisa, dihitung kemiripannya berdasarkan jarak antara obyek tersebut dengan centroid pada masing-masing cluster. Kemudian menghitung rata-rata baru untuk setiap cluster. Proses ini dilakukan sampai fungsi kriteria konvergen (Han dan Kamber 2001). Metode K-Fold Cross Validation Metode k-fold cross validation membagi data secara acak sejumlah k subset yang saling bebas dengan ukuran yang kira-kira sama. Setelah subset terbentuk, dilakukan pengulangan sebanyak k-kali untuk pelatihan dan pengujian. Pada masing-masing proses pengujian, digunakan 1 subset sebagai data uji, sedangkan subset lainnya sebagai data latih (Kohavi 1995). Fuzzy K-Nearest Neighbor FKNN merupakan pengembangan dari algoritme KNN yang sudah ada. FKNN menggunakan konsep logika fuzzy untuk menentukan derajat keanggotaan setiap kelas yang berbeda berdasarkan jarak yang didapatkan dari perhitungan KNN. Inti dari algoritme FKNN adalah memberikan derajat keanggotaan sebagai fungsi dari jarak vektor dari tetangga terdekatnya dan kelas yang memungkinkan (Keller et al. 1985).

4 Pada data yang digunakan terdapat 2 jenis tipe atribut, yaitu atribut rasio dan nominal. Pengukuran jarak pada data rasio dapat digunakan fungsi Euclidean yang ada pada persamaan berikut. (

)

√∑

Namun, penggunaan fungsi Euclidean untuk mengukur jarak data nominal tidak tepat karena meskipun dapat dinyatakan dalam bentuk angka, data nominal tidak memiliki urutan atau makna secara matematika sehingga tidak dapat dibandingkan besarnya. Untuk menghitung jarak nominal, fungsi yang digunakan adalah: { dengan: x = data uji y = data latih (Larose 2005) Untuk menggabungkan kedua jarak tersebut, diperlukan fungsi aggregate ketidaksamaan berat rata-rata yang diukur dari masing-masing fitur (Teknomo 2006). Fungsi yang digunakan sebagai berikut: ∑ ∑ dengan: Sij = jarak data uji dengan data latih k = jumlah variabel fitur Sijk = nilai ketidaksamaan antarobjek wijk = bobot fitur, bernilai 1 untuk jarak rasio dan 0.5 untuk jarak nominal. Besarnya nilai pembobotan ini diberikan agar jarak nominal tidak terlalu mendominasi hasil perhitungan (Nurjayanti 2011). Setelah didapatkan nilai agregasi kedua jarak, perhitungan menurut konsep FKNN mulai dilakukan. Untuk mendapatkan derajat keanggotaan suatu data uji, digunakan fungsi: (

)

∑

( ∑

dengan: u(x,cn) k m u(xk,cn)

)

( (

)

)

= derajat keanggotaan data x pada kelas cn = jumlah tetangga terdekat yang digunakan = bobot yang diberikan (pada penelitian ini nilai m adalah 2) = derajat keanggotaan data dalam k tetangga terdekat pada kelas cn Bernilai 1 jika data latih xk merupakan anggota dari kelas cn atau 0 jika bukan (Keller et al. 1985).

5 Normalisasi Pada perhitungan untuk jarak rasio, atribut yang mempunyai rentang nilai besar akan mempengaruhi hasil dari perhitungan jarak Euclidean. Solusi yang dapat digunakan untuk mengatasi permasalahan tersebut adalah dilakukannya normalisasi (Larose 2005). Metode normalisasi yang dapat diterapkan adalah minmax normalization dengan mengikuti persamaan berikut: ( ) dengan X* adalah nilai hasil normalisasi, X nilai sebelum normalisasi, min(X) nilai minimun dari fitur, dan max(X) nilai maksimum dari fitur. Confusion Matrix Salah satu teknik untuk mengukur kemampuan dari algoritme klasifikasi pada kasus data tidak seimbang adalah dengan menggunakan confusion matrix. Confusion matrix berisi informasi mengenai klasifikasi aktual dengan hasil prediksi yang disajikan dalam bentuk tabel. Confusion matrix untuk dua kelas dapat dilihat pada Tabel 1. Tabel 1 Confusion matrix Kelas hasil klasifikasi Kelas aktual Kelas positif Kelas negatif Kelas positif TP FN Kelas negatif FP TN TP adalah jumlah dari kelas positif (kelas yang mempunyai jumlah data lebih sedikit) yang benar diklasifikasikan. FN adalah jumlah kelas positif yang salah diklasifikasikan ke dalam kelas negatif. FP adalah jumlah kelas negatif yang salah diklasifikasikan ke dalam kelas positif. TN adalah jumlah kelas negatif yang benar diklasifikasikan. Berdasarkan data yang didapatkan dari confusion matrix, akan dihitung (Weng dan Poon 2008): 1 Akurasi Akurasi adalah jumlah perbandingan data yang benar dengan jumlah keseluruhan data. Untuk menghitung akurasi, digunakan fungsi sebagai berikut:

2 Precision Precision digunakan untuk mengukur seberapa besar proporsi dari kelas data positif yang berhasil diprediksi dengan benar dari keseluruhan hasil prediksi kelas positif. Untuk menghitung precision, digunakan fungsi sebagai berikut:

6 3 Recall Recall digunakan untuk menunjukkan persentase kelas data positif yang berhasil diprediksi benar dari keseluruhan data kelas positif. Untuk menghitung recall, digunakan fungsi sebagai berikut: all 4 F-measure F-measure merupakan gabungan dari precision dan recall yang digunakan untuk mengukur kemampuan algoritme dalam mengklasifikasikan kelas minoritas. Untuk menghitung f-measure, digunakan fungsi sebagai berikut: all all

METODE Penelitian ini dilakukan dalam beberapa tahapan. Alur tahapan penelitian yang dilakukan dapat dilihat pada Gambar 1. Pengadaan Data Pada tahap ini, dilakukan pembuatan proposal penelitian dan menghubungi pihak bank yang bersedia untuk bekerja sama dalam penelitian yang sedang dilakukan. Praproses Data Data yang sudah didapat kemudian diubah menurut keperluan algoritme dan jenis tipe atribut data itu sendiri. Data nominal diolah dengan menggunakan jarak nominal. Praproses data rasio dilakukan dengan normalisasi agar didapatkan range nilai antara 0 hingga 1 agar menghindari perbedaan range nilai yang terlalu besar. Pada saat praproses data, dilakukan teknik resampling. Oversampling dilakukan dengan 2 cara. Teknik oversampling yang pertama adalah dengan menduplikasi data minoritas hingga jumlahnya sama dengan data mayoritas. Teknik oversampling yang kedua dilakukan dengan cara membangkitkan data minoritas secara acak sehingga jumlahnya sama dengan data mayoritas. Data rasio didapatkan dengan membangkitkan data yang ada pada selang tiap atribut data minoritas. Data nominal didapatkan dengan membangkitkan data yang ada pada data minoritas mengikuti sebaran normal. Pada penelitian ini, keterkaitan data tidak diperhatikan. Undersampling dilakukan dengan 2 cara, yaitu undersampling acak dan undersampling dengan clustering. Undersampling secara acak dilakukan sebanyak 3 kali. Clustering dilakukan dengan metode k-means sebanyak 9 kali, dibagi menjadi 2 sampai 10 cluster. Agar data yang diambil tidak mengelompok pada suatu cluster tertentu, jumlah data yang diambil pada masing-masing cluster mengikuti fungsi berikut (Yen dan Lee 2009):

7 l

Pembagian Data Data dibagi menjadi dua, yaitu data uji dan data latih. Pembagian data dilakukan secara acak dengan metode k-fold cross validation. Karena data yang digunakan cukup besar, pada metode ini melakukan proses folding sebanyak 10 kali untuk pelatihan dan pengujian dengan besar 10 adalah sejumlah iterasi yang ingin dilakukan. Pemilihan 10 fold bertujuan untuk mengoptimalkan hasil klasifikasi yang diperoleh. Pada setiap pengujian, 1 subset digunakan sebagai data uji, sedangkan subset yang lain digunakan sebagai data latih.

Mulai Pengadaan Data Praproses Data Pembagian Data (10-fold cross validation) ) Data Latih

Data Uji

FKNN

Analisa Hasil Klasifikasi Penerapan Model Terbaik

Selesai Gambar 1 Tahapan penelitian

8 Klasifikasi dengan FKNN Teknik klasifikasi menggunakan FKNN berbasis sama dengan KNN, yaitu mencari jarak terdekat antara data yang akan dievaluasi dengan sejumlah k tetangga terdekatnya dalam data latih. Langkah-langkah untuk memodelkan prediksi menggunakan FKNN pada penelitian ini adalah sebagai berikut: 1 Perhitungan jarak Euclidean untuk data rasio. Perhitungan jarak dilakukan setelah data dinormalisasi. 2 Perhitungan jarak nominal dengan membandingkan data latih dengan data uji. Fitur nominal dilambangkan dengan angka agar mempermudah proses perbandingan. 3 Agregasi jarak yang telah didapatkan, yaitu dengan menggabungkan perolehan jarak rasio dan nominal. 4 Penentuan nilai k untuk menunjukkan berapa jumlah tetangga terdekat yang diinginkan. 5 Perhitungan derajat keanggotaan data pada masing-masing kelas. Kelas hasil klasifikasi ditentukan oleh derajat keanggotaan terbesar di antara 2 kelas yang dituju. Ilustrasi perhitungan FKNN selengkapnya dapat dilihat pada Gambar 2. Analisis Hasil Klasifikasi Untuk mengetahui keefektifan suatu algoritme dalam mengklasifiikasikan data, dilakukan perhitungan akurasi, precision, recall, dan f-measure. Semakin tinggi tingkat akurasi, precision, recall dan f-measure, maka algoritme semakin baik dalam melakukan klasifikasi. Penerapan Model Terbaik Setelah analisis hasil dilakukan, akan dibuat sistem yang mampu memprediksi kelas dari data baru. Berdasarkan hasil analisis akan didapatkan model data terbaik. Model data tersebut digunakan sebagai dasar pada proses prediksi data baru. Lingkungan Pengembangan Aplikasi yang dibangun pada penelitian ini menggunakan kode program yang ditulis dalam buku Prasetyo (2012). Kode program tersebut kemudian dimodifikasi sesuai keperluan. Program diimplementasikan menggunakan spesifikasi perangkat processor Intel Core i3 2.30 GHz, RAM kapasitas 2 GB, dan harddisk kapasitas 500 GB. Perangkat lunak yang digunakan ialah sistem operasi Windows 7 Professional, Matlab 7.7.0, dan Microsoft Excel.

HASIL DAN PEMBAHASAN Pengadaan Data Data didapatkan dari penelitian sebelumnya yang melakukan penelusuran banyaknya unit dan lapisan tersembunyi jaringan saraf tiruan pada data tidak

9

Gambar 2 Ilustrasi perhitungan FKNN seimbang (Setiawati 2011). Terdapat 4413 data dan 14 atribut yang terkait dengan nasabah. Ada 3 jenis atribut, yaitu atribut rasio sebanyak 7 atribut, ordinal sebanyak 1 atribut, dan nominal sebanyak 6 atribut. Atribut data selengkapnya dapat dilihat pada Tabel 2. Untuk mempermudah proses klasifikasi, atribut ordinal dan nominal dikategorisasikan dalam bentuk angka. Keterangan lengkap atribut tersebut dapat dilihat pada Lampiran 1. Praproses Data Jumlah data setiap kelas berubah setelah dilakukan praproses data. Sebelum praproses, jumlah data sebesar 4413 dengan 839 data untuk kelas buruk dan 3574 data kelas baik. Data yang terdapat missing value tidak digunakan dalam proses klasifikasi. Selain itu, data yang mempunyai nilai fitur tidak valid seperti 0 atau 1 pada fitur pendapatan, -1 pada fitur masa kerja dan lama tinggal juga tidak digunakan. Banyaknya data setelah mengalami praproses data berkurang menjadi 3895 data. Dari hasil praproses didapatkan 636 data dengan kelas buruk dan 3259 data dengan kelas baik. Tabel 2 Atribut data Ordinal Pendidikan

Rasio Usia Jumlah tanggungan Penghasilan Jumlah kartu kredit lain Presentase utang kartu kredit lain Lama kerja Lama tinggal

Nominal Gender Status pernikahan Tipe perusahaan Jenis pekerjaan Status pekerjaan Kepemilikan rumah

10 Resampling Pada saat teknik oversampling diterapkan, jumlah data bertambah menjadi 6518 data. Pada saat teknik undersampling diterapkan, jumlah data berkurang menjadi 1272 data. Analisa Hasil Klasifikasi Pada penelitian ini, hasil yang diperoleh adalah akurasi, precision, recall, dan f-measure yang merupakan rata-rata dari 10-fold cross validation. Hasil dari cluster undersampling dan undersampling acak merupakan yang terbesar dari hasil 9 data cluster undersampling dan 3 undersampling acak. Akurasi yang paling besar didapatkan dari teknik oversampling duplikasi pada saat nilai tetangga terdekat adalah 1, yaitu sebesar 91.93%. Namun, nilai ini menurun saat jumlah tetangga terdekat ditingkatkan. Akurasi yang didapatkan dari data oversampling acak paling besar adalah 84.37% pada saat jumlah tetangga terdekat 4. Jumlah tetangga terdekat tidak begitu berpengaruh terhadap akurasi yang diperoleh. Akurasi yang didapatkan dari data asli paling besar adalah 79.05% pada saat jumlah tetangga terdekat adalah 5. Nilai ini naik meskipun tidak signifikan saat jumlah tetangga terdekat ditingkatkan. Akurasi yang didapatkan dari data cluster undersampling paling besar adalah 76.33% pada saat jumlah tetangga terdekat 5. Akurasi yang didapatkan dari data undersampling acak paling besar adalah 75.71% pada saat jumlah tetangga terdekat 4. Hasil akurasi keduanya tidak berbeda jauh pada saat jumlah tetangga terdekat adalah 1 sampai 5. Perbandingan hasil akurasi pada saat jumlah tetangga terdekat 1 sampai 5 untuk masing-masing data hasil resampling dan data asli dapat dilihat pada Tabel 3. Nilai selengkapnya dapat dilihat pada Lampiran 2. Namun, hasil akurasi tersebut belum dapat mengukur kemampuan algoritme dalam melakukan proses klasifikasi pada data minoritas. Sehingga, dihitung precision dan recall yang didapatkan dari hasil confusion matrix. Precision tertinggi dihasilkan oleh data hasil oversampling duplikasi, yaitu sebesar 86.12% pada saat jumlah tetangga terdekat 1. Namun, hasil tersebut menurun seiring dengan meningkatnya jumlah tetangga terdekat. Penurunan sangat drastis terjadi pada saat jumlah tetangga terdekat adalah 5, yaitu menjadi sebesar 50.36%. Berdasarkan Tabel 4, precision terbaik diperoleh pada proses uji ke-6 yaitu sebesar 88.23%. Confusion matrix untuk proses pengujian ke-6 dapat dilihat pada Tabel 5. Precision yang didapatkan dari data oversampling acak paling besar adalah 85.82% pada saat jumlah tetangga terdekat adalah 4. Precision yang didapatkan dari data asli paling besar adalah 27.17% pada saat jumlah tetangga terdekat adalah 4. Precision yang didapatkan dari data cluster undersampling paling besar adalah 78.27% pada saat jumlah tetangga terdekat adalah 5. Precision yang didapatkan dari data undersampling acak paling besar adalah 78.44% pada saat jumlah tetangga terdekat adalah 4. Hasil precision ini tidak berbeda jauh pada saat nilai K adalah 1 sampai 5. Perbandingan hasil precision pada jumlah tetangga terdekat 1 sampai 5 untuk masing-masing data hasil resampling dan data asli dapat dilihat pada Tabel 6. Nilai selengkapnya dapat dilihat pada Lampiran 3. Recall tertinggi masih dihasilkan oleh data hasil oversampling duplikasi, yaitu mencapai 100%. Namun, hasil tersebut menurun seiring dengan

11 meningkatnya jumlah tetangga terdekat. Penurunan sangat drastis terjadi pada saat jumlah tetangga terdekat adalah 5, yaitu menjadi sebesar 32.49%. Recall yang didapatkan dari data oversampling acak paling besar adalah 83.17% pada saat jumlah tetangga terdekat adalah 2. Recall yang didapatkan dari data asli paling besar adalah 22.75% pada saat jumlah tetangga terdekat adalah 1. Recall yang didapatkan dari data cluster undersampling paling besar adalah 75.85% pada saat jumlah tetangga terdekat adalah 4. Recall yang didapatkan dari data undersampling acak paling besar adalah 72.35% pada saat jumlah tetangga terdekat adalah 1. Hasil recall ini tidak berbeda jauh pada saat jumlah tetangga terdekat adalah 1 sampai 5. Perbandingan hasil recall pada jumlah tetangga terdekat adalah 1 sampai 5 untuk masing-masing data hasil resampling dan data asli dapat dilihat pada Tabel 7. Nilai recall selengkapnya dapat dilihat pada Lampiran 4. Dari hasil precision dan recall yang didapatkan, kemudian dihitung nilai fmeasure untuk mengetahui kemampuan algoritme dalam mengklasifikasikan data minoritas secara keseluruhan. F-measure tertinggi masih dihasilkan oleh data Tabel 3 Nilai akurasi setiap model data percobaan Model data Data asli Oversampling duplikasi Oversampling acak Cluster undersampling Undersampling acak

Akurasi tiap jumlah tetangga (k) (%) 1 2 3 4 5 74.48 74.69 78.08 78.56 79.05 91.93 91.60 85.44 75.22 50.24 83.94 84.00 84.17 84.37 84.35 75.63 75.16 75.24 76.18 76.33 74.30 74.21 75.16 75.71 74.60

Tabel 4 Nilai precision setiap proses uji oversampling duplikasi saat tetangga terdekat 1 Pengujian kePrecision (%) 1 86.56 2 86.44 3 85.08 4 87.70 5 84.89 6 88.23 7 84.65 8 86.44 9 84.25 10 86.99 Tabel 5 Confusion matrix proses pengujian ke-6 Kelas hasil klasifikasi Kelas aktual Bad Good Bad 322 0 Good

43

287

12 Tabel 6 Nilai precision setiap model data percobaan Model data Data asli Oversampling duplikasi Oversampling acak Cluster undersampling Undersampling acak

Precision tiap jumlah tetangga (k) (%) 1 2 3 4 5 22.53 22.25 26.56 27.17 25.68 86.12 85.85 79.24 74.06 50.36 84.52 84.56 85.71 85.82 85.80 75.62 74.84 76.31 77.74 78.27 75.43 75.03 77.02 78.44 77.53

Tabel 7 Nilai recall setiap model data percobaan Model data Data asli Oversampling duplikasi Oversampling acak Cluster undersampling Undersampling acak

Recall tiap jumlah tetangga (k) (%) 1 2 3 4 5 22.75 22.47 19.50 18.54 15.59 100.00 99.64 95.99 77.58 32.49 83.10 83.17 82.01 82.34 82.35 75.38 75.85 73.61 73.84 72.80 72.35 72.34 71.64 71.05 69.27

hasil oversampling duplikasi, yaitu mencapai 92.54%. Namun, hasil tersebut menurun seiring dengan meningkatnya jumlah tetangga terdekat. Penurunan sangat drastis terjadi pada saat jumlah tetangga terdekat adalah 5, yaitu menjadi sebesar 39.50%. F-measure yang didapatkan dari data oversampling acak paling besar adalah 84.04% pada saat jumlah tetangga terdekat adalah 4 dan 5. Hasil fmeasure paling besar yang didapatkan dari data asli adalah 22.64% pada saat nilai jumlah tetangga terdekat adalah 1. F-measure yang didapatkan dari data cluster undersampling paling besar adalah 75.74% pada saat jumlah tetangga terdekat adalah 4. F-measure yang didapatkan dari data undersampling acak paling besar adalah 74.56% pada saat jumlah tetangga terdekat adalah 4. Perbandingan hasil fmeasure pada jumlah tetangga terdekat adalah 1 sampai 5 untuk masing-masing data hasil resampling dan data asli dapat dilihat pada Tabel 8. Nilai f-measure selengkapnya dapat dilihat pada Lampiran 5. Selain menghasilkan akurasi, precision, recall, dan f-measure, algoritme FKNN mampu memberikan derajat keanggotaan pada masing-masing kelas. Derajat keanggotaan tersebut menjadi dasar algoritme untuk menentukan kelas hasil prediksi. Sebagai contoh pada Lampiran 6 hingga Lampiran 10 dapat dilihat derajat keanggotaan yang dihasilkan pada masing-masing nilai k saat Tabel 8 Nilai f-measure setiap model data percobaan F-measure tiap jumlah tetangga (k) (%) Model data 1 2 3 4 5 Data asli 22.64 22.36 22.49 22.04 19.40 Oversampling duplikasi 92.54 92.23 86.82 75.78 39.50 Oversampling acak 83.80 83.86 83.81 84.04 84.04 Cluster undersampling 75.50 75.34 74.94 75.74 75.43 75.34 75.34 75.34 75.34 75.34 Undersampling acak

13 menggunakan data oversampling duplikasi. Pada saat tetangga terdekat 1, derajat keanggotaan masing-masing kelas hanya berupa angka 0 dan 1 karena hanya membandingkan 1 jarak tetangga. Pada saat jumlah tetangga lebih dari 1, mulai terlihat bahwa derajat keanggotaan yang dihasilkan semakin beragam. Dari hasil penjabaran di atas, dapat dilihat bahwa akurasi dari data asli cukup tinggi. Namun, hasil tersebut lebih didominasi oleh hasil klasifikasi data mayoritas. Hal tersebut dibuktikan dengan hasil f-measure yang rendah. Pada penelitian ini secara umum teknik resampling mampu meningkatkan nilai Fmeasure. Hasil yang diperoleh dari teknik oversampling acak lebih stabil daripada hasil yang diperoleh dari teknik oversampling duplikasi. Pada saat jumlah tetangga terdekat adalah 4 dan 5, hasil akurasi dan f-measure oversampling acak lebih bagus daripada teknik yang lain. Pada saat undersampling baik secara acak maupun berdasarkan cluster, hasil f-measure dan akurasi cenderung stabil pada saat jumlah tetangga terdekat ditingkatkan. Untuk lebih jelasnya, digambarkan dengan grafik pada Gambar 3 untuk akurasi dan Gambar 4 untuk f-measure. Pada saat digunakan teknik oversampling acak, hasil yang didapatkan lebih bagus dibandingkan hasil dari undersampling dan oversampling duplikasi pada jumlah tetangga terdekat adalah 4 dan 5. Hal ini disebabkan data yang dibangkitkan merupakan data yang diacak dari data minoritas. Hasil yang didapat dari oversampling, baik secara duplikasi maupun acak lebih bagus daripada teknik yang lain. Hal ini disebabkan konsep jarak yang ada pada algoritme KNN. Pada saat oversampling duplikasi, data minoritas diduplikasi sehingga jumlahnya sama dengan data mayoritas. Saat pengujian terdapat kemungkinan data yang diuji membandingkan jarak dengan dirinya sendiri yang ada pada data latih, sehingga hasil klasifikasi yang didapatkan lebih bagus. Undersampling terbukti berhasil meningkatkan f-measure dari data asli. Ketika menggunakan undersampling, perbandingan data buruk dengan baik seimbang. Dari hasil penelitian didapatkan bahwa teknik undersampling acak menghasilkan akurasi, precision, recall dan f-measure yang lebih rendah daripada undersampling yang dilakukan secara clustering. Pada saat teknik clustering diterapkan untuk pengambilan sampel data baik, jarak antara satu data dengan data yang lain sudah diukur kedekatannya. Oleh karena itu, pada saat proses klasifikasi diperoleh hasil yang stabil pada saat jumlah tetangga terdekat adalah 1 sampai 5.

Akurasi (%)

100

50

0

Data asli

Oversampling Oversampling Cluster Undersampling duplikasi acak undersampling acak K=1

K=2

K=3

K=4

K=5

Gambar 3 Grafik akurasi setiap model data percobaan

14

F-measure (%)

100

50

0 Data asli

Oversampling Oversampling Cluster Undersampling acak duplikasi undersampling acak K=1

K=2

K=3

K=4

K=5

Gambar 4 Grafik f-measure setiap model data percobaan Penerapan Model Terbaik Berdasarkan penelitian ini, didapatkan model terbaik berasal dari data hasil oversampling acak karena menghasilkan akurasi, precision, recall, dan f-measure yang stabil. F-measure terbaik dihasilkan pada saat jumlah tetangga adalah 4. Model terbaik tersebut digunakan sebagai dasar untuk pengujian data baru. Tampilan sistem untuk menguji data baru ada pada Lampiran 11. Pada saat dimasukkan data baru untuk diprediksi, sistem berhasil menampilkan kelas prediksi dan derajat keanggotaan untuk setiap kelas. Pada saat data pertama dimasukkan, sistem memprediksi data tersebut adalah kelas 1 dengan derajat keanggotaan sebesar 0.64. Kemudian pada saat data kedua dimasukkan, sistem memprediksi data tersebut adalah kelas 2 dengan derajat keanggotaan sebesar 0.66. Tampilan sistem pada saat menamplikan hasil prediksi ada pada Lampiran 12. Data baru yang diujikan dapat dilihat pada Tabel 9. Hasil prediksi sistem dapat dilihat pada Tabel 10. Perbandingan dengan Penelitian Sebelumnya Perbandingan metrik pengukuran pada penelitian Natasia (2013), Setiawati (2011), Aritonang (2006), dan penelitian ini diperlihatkan pada Tabel 11. Hasil penelitian yang dilakukan oleh Natasia (2013) dan Setiawati (2011) menunjukkan hasil f-measure yang rendah. Hal ini kemungkinan disebabkan pada kedua penelitian tersebut tidak mengubah data yang digunakan. Pada penelitian yang dilakukan oleh Aritonang (2006) yang menggunakan pendekatan pada level data, hasil yang didapatkan cukup bagus. Aritonang (2006) menggunakan algoritme VFI5 untuk mengklasifikasikan data hypothyroid yang merupakan data tidak seimbang.

SIMPULAN DAN SARAN Simpulan Berdasarkan penelitian yang telah dilakukan dapat disimpulkan bahwa: 1 Teknik resampling dengan oversampling dan undersampling dapat meningkatkan f-measure.

15 Tabel 9 Atribut data baru yang diuji beserta hasil prediksi Atribut Data 1 Data 2 3 3 Pendidikan Gender 1 1 Status pernikahan 1 2 Tipe perusahaan 4 4 Status pekerjaan 1 1 Pekerjaan 3 4 Status rumah 0 1 Tanggunan 4 0 Pendapatan 5 000 000 150 000 000 Banyaknya kartu kredit lain 3 3 Persentase utang kartu kredit lain 55 2 Usia 32 32 Masa kerja 344 144 Lama tinggal 123 123 Penjelasan atribut ada pada Lampiran 1.

Tabel 10 Hasil prediksi data uji Hasil prediksi Kelas Derajat keanggotaan

Data 1 1 0.64 0.36

Kelas 1 Kelas 2

Data 2 2 0.66 0.34

Tabel 11 Perbandingan metrik pengukuran dengan penelitian lain

Hypothyroida

VFI5 model Undersampling

88.73

97.77

Fmeasure 79.17 87.49

Debitur

Backpropagationb

73.39

36.90

56.26

44.57

VFI5 dengan semua atributc FKNN data asli; K=5 FKNN oversampling duplikasi; K = 1 FKNN oversampling acak; K = 4 FKNN cluster undersampling; K = 5 FKNN undersampling acak; K = 4

65.30

21.14

40.63

27.81

79.05

25.68

15.59

19.40

91.93

86.12 100.00

92.54

84.37

85.82

82.34

84.04

76.33

78.27

72.80

72.43

75.71

78.44

71.05

75.34

Data

a

Model

Akurasi Precision Recall

Aritonang (2006) bSetiawati (2011) cNatasia (2013)

16 2 Besarnya jumlah tetangga terdekat mempunyai pengaruh berbeda pada masingmasing data percobaan. Pada percobaan menggunakan data asli, meningkatnya jumlah tetangga terdekat meningkatkan nilai akurasi. Akurasi tertinggi terjadi pada saat jumlah tetangga terdekat adalah 5, yaitu sebesar 79.05%. Nilai ini lebih tinggi daripada akurasi yang dihasilkan pada saat menggunakan undersampling, tapi lebih rendah jika dibandingkan dengan akurasi yang dihasilkan oleh oversampling secara umum. Pada saat menggunakan oversampling duplikasi, meningkatnya jumlah tetangga terdekat menurunkan nilai akurasi, precision, recall, dan f-measure. Jumlah tetangga terdekat tidak berpengaruh signifikan pada saat digunakan oversampling acak dan undersampling. 3 F-measure paling tinggi dihasilkan saat menggunakan oversampling duplikasi, yaitu 92.54% pada saat jumlah tetangga terdekat 1. 4 Pada percobaan menggunakan data oversampling duplikasi menghasilkan fmeasure untuk data minoritas cukup besar, yaitu 92.54%. Hasil ini lebih tinggi jika dibandingkan dengan percobaan menggunakan data oversampling acak yang menghasilkan f-measure 84.04%. 5 Pada percobaan menggunakan data cluster undersampling menghasilkan fmeasure untuk data minoritas cukup besar, yaitu 75.74%. Hasil ini lebih tinggi jika dibandingkan dengan percobaan menggunakan data undersampling acak yang menghasilkan f-measure 74.56%. 6 Sistem berhasil memprediksi data baru dengan menggunakan model terbaik, yaitu oversampling acak dengan tetangga terdekat 4. Saran Pada penelitian selanjutnya diharapkan dapat membandingkan hasil klasifikasi FKNN yang didapatkan pada penelitian ini dengan teknik sampling yang lain, seperti synthetic minority oversampling technique dan bootstrap undersampling dengan memperhatikan keterkaitan antar-atribut. Selain itu, diharapkan juga untuk mencoba algoritme klasifikasi yang lain, seperti weighted KNN.

DAFTAR PUSTAKA Aritonang R. 2006. Klasifikasi imbalanced data menggunakan algoritme klasifikasi voting feature intervals [skripsi]. Bogor (ID): Institut Pertanian Bogor. [BI] Bank Indonesia. 2012. Peraturan Bank Indonesia nomor 14/2/PBI/2012 tentang Perubahan Atas Peraturan Bank Indonesia nomor 11/11/PBI/2009 Tentang Penyelenggaraan Kegiatan Alat Pembayaran Dengan Menggunakan Kartu. Bank Indonesia. Jakarta. Han J, Kamber M. 2001. Data Mining Concepts & Techniques. San Fansisco (US): Morgan Kaufmann. Keller JM, Gray MR, Givens JA. 1985. A fuzzy k-nearest neigbor algorithm. IEEE Trans System Man Cybernet. 15(4):580-585. doi:10.1109/TSMC.198 5.65313426.

17 Kohavi R. 1995. A study of cross-validation and bootstrap for accuracy estimation and model selection. International Joint Conference on Artificial Intelligence [Internet]; 1995 Agu 20-25. Quebec, Kanada. Quebec (CA). [diunduh 2013 Juli 16]. Tersedia pada: http://frostiebek.free.fr/docs/Machine %20Learning/validation-1.pdf Kotsiantis S, Kanellopoulos D, Pintelas P. 2006. Handling imbalanced datasets: a review. GESTS International Transactions on Computer Science and Engineering. 30(1):25-36. doi:10.1.1.96.9248. Larose DT. 2005. Discovering Knowledge in Data: An Introduction to Data Mining. New Jersey (US). J Wiley. Liao TW. Classification of weld flaws with imbalanced class data. Expert System with Application. 35(3):1041-1052. doi:10.1016/j.eswa.207.08.044. Natasia SR. 2013. Klasifikasi debitur kartu kredit dengan pemilihan fitur menggunakan voting feature intervals 5 [skripsi]. Bogor (ID): Institut Pertanian Bogor. Nurjayanti B. 2011. Identifikasi Shorea menggunakan k-nearest neighbor berdasarkan karakteristik morfologi daun [skripsi]. Bogor (ID): Institut Pertanian Bogor. Prasetyo E. 2012. Data Mining: Konsep dan Aplikasi Menggunakan Matlab. Nikodemus WK, editor. Yogyakarta (ID): Andi Offset. Setiawati PA. 2011. Penelusuran banyaknya unit dan lapisan tersembunyi jaringan saraf tiruan pada data tidak seimbang [skripsi]. Bogor (ID): Institut Pertanian Bogor. Teknomo K. 2006. Similarity measurement [internet]. [diunduh 2013 Apr 3]. Tersedia pada: http://people.revoledu.com/kardi/ tutorial/Similarity/. Weng GC, Poon J. 2008. A new evaluation measure for imbalanced datasets. Di dalam: Roddick FJ, Li J, Christen P, Kennedy P, editor. Seventh Australian Data Mining Conference (AusDM 2008) [Internet]; 2008 Nov 27; Glenelg, Australia. Adelaide (AU). [diunduh 2013 Mei 21]. Tersedia pada: http://crpit.com/confpapers/CRPITV87Weng.pdf. Yen SJ, Lee YS. 2009. Cluster-based under-sampling approaches for imbalanced data distributions. Expert Systems with Applications. 36(3):5718-5727. doi:10.1016/j.eswa.2008.06.108.

18 Lampiran 1 Keterangan atribut Tipe atribut

Atribut

Keterangan

Ordinal

Pendidikan

1 = SMP/SMA 2 = Akademi 3 = S1/S2

Nominal

Gender

1 = Pria 2 = Wanita 1 = Lajang 2 = Menikah 3 = Bercerai 1 = Kontraktor 2 = Conversion 3 = Industri berat 4 = Pertambangan 5 = Jasa 6 = Transportasi 1 = Permanen 2 = Kontrak 1 = Conversion 2 = PNS 3 = Profesional 4 = Wiraswasta 5 = Perusahaan swasta 0 = Bukan milik sendiri 1 = Milik sendiri

Status pernikahan

Tipe perusahaan

Status pekerjaan Pekerjaan

Status rumah

Rasio

Kelas

Tanggunan Pendapatan Banyaknya kartu kredit lain Persentase utang kartu kredit lain Usia Masa kerja Lama tinggal

Orang Rupiah per tahun

Dalam bulan Dalam bulan Dalam bulan 1 = buruk 2 = baik

19 Lampiran 2 Nilai akurasi dalam % pada saat jumlah tetangga adalah 1 sampai 5 Model data Data asli Oversampling duplikasi Oversampling acak 2-cluster undersampling 3-cluster undersampling 4-cluster undersampling 5-cluster undersampling 6-cluster undersampling 7-cluster undersampling 8-cluster undersampling 9-cluster undersampling 10-cluster undersampling Undersampling acak 1 Undersampling acak 2 Undersampling acak 3

Akurasi tiap jumlah tetangga (k) 1 2 3 4 5 74.48 74.69 78.08 78.56 79.05 91.93 91.84 85.44 75.22 50.24 83.94 84.00 84.17 84.37 84.35 75.63 75.16 75.24 76.18 76.33 63.83 63.68 63.92 65.64 65.57 67.68 69.11 69.97 69.73 70.35 63.60 64.16 64.70 65.65 65.56 60.93 62.03 62.18 61.94 63.05 60.53 60.54 62.89 62.90 62.81 63.13 61.63 62.73 63.91 63.60 61.94 60.93 62.57 62.89 61.94 70.05 69.81 70.21 71.69 71.07 74.30 74.21 75.16 75.71 74.60 74.06 73.75 76.18 75.24 75.47 71.15 70.13 72.01 72.49 71.62

Lampiran 3 Nilai precision dalam % pada saat jumlah tetangga 1 sampai 5 Model data Data asli Oversampling duplikasi Oversampling acak 2-cluster undersampling 3-cluster undersampling 4-cluster undersampling 5-cluster undersampling 6-cluster undersampling 7-cluster undersampling 8-cluster undersampling 9-cluster undersampling 10-cluster undersampling Undersampling acak 1 Undersampling acak 2 Undersampling acak 3

Precision tiap jumlah tetangga (k) 1 2 3 4 5 22.53 22.25 26.56 27.17 25.68 86.12 86.13 79.24 74.06 50.36 84.52 84.56 85.71 85.82 85.80 75.62 74.84 76.31 77.74 78.27 64.27 64.11 64.46 66.08 66.53 68.56 69.00 70.13 70.32 70.68 64.23 64.60 65.29 66.98 67.32 60.10 61.45 61.86 61.52 62.80 60.46 60.61 63.04 63.59 62.77 62.97 61.23 62.62 63.90 63.32 62.58 60.91 62.58 63.43 62.52 70.76 70.57 70.97 73.14 73.00 75.43 75.03 77.02 78.44 77.53 75.04 74.59 78.31 77.25 77.66 71.57 70.81 72.95 73.18 72.75

20 Lampiran 4 Nilai recall dalam % pada saat jumlah tetangga adalah 1 sampai 5 Model data Data asli Oversampling duplikasi Oversampling acak 2-cluster undersampling 3-cluster undersampling 4-cluster undersampling 5-cluster undersampling 6-cluster undersampling 7-cluster undersampling 8-cluster undersampling 9-cluster undersampling 10-cluster undersampling Undersampling acak 1 Undersampling acak 2 Undersampling acak 3

Recall tiap jumlah tetangga (k) 1 2 3 4 22.75 22.47 19.50 18.54 100.00 99.76 95.99 77.58 83.10 83.17 82.01 82.34 75.38 75.85 73.61 73.84 63.21 62.56 61.94 64.93 66.14 69.75 69.55 68.12 62.11 63.25 61.58 62.68 63.08 63.52 62.83 63.12 61.11 61.52 61.75 61.52 62.66 62.29 63.78 64.15 60.93 59.40 61.12 61.95 68.89 67.95 68.57 68.64 72.35 72.34 71.64 71.05 72.41 71.89 72.64 71.24 70.53 67.58 70.57 71.02

5 15.59 32.49 82.35 72.80 63.74 69.57 62.53 63.62 62.20 64.53 60.94 67.22 69.27 71.28 68.86

Lampiran 5 Nilai f-measure dalam % pada saat jumlah tetangga 1 sampai 5 Model data Data asli Oversampling duplikasi Oversampling acak 2-cluster undersampling 3-cluster undersampling 4-cluster undersampling 5-cluster undersampling 6-cluster undersampling 7-cluster undersampling 8-cluster undersampling 9-cluster undersampling 10-cluster undersampling Undersampling acak 1 Undersampling acak 2 Undersampling acak 3

F-measure tiap jumlah tetangga (k) 1 2 3 4 5 22.64 22.36 22.49 22.04 19.40 92.54 92.23 86.82 75.78 39.50 83.80 83.86 83.81 84.04 84.04 75.50 75.34 74.94 75.74 75.43 63.74 63.33 63.18 65.50 65.11 67.33 69.38 69.84 69.20 70.12 63.15 63.92 63.38 64.76 64.83 61.55 62.47 62.34 62.31 63.21 60.78 61.06 62.39 62.54 62.48 62.81 61.75 63.20 64.02 63.92 61.74 60.14 61.84 62.68 61.72 69.81 69.24 69.75 70.82 69.99 73.86 73.66 74.23 74.56 73.17 73.70 73.21 75.37 74.12 74.33 71.05 69.16 71.74 72.08 70.76

21 Lampiran 6 Contoh hasil klasifikasi data oversampling duplikasi saat k = 1 Kelas asli 2 2 1 1 1 1 1 2 2 1 1 2 1 1 1

Kelas Membership Membership hasil uji kelas 1 kelas 2 2 0 1 2 0 1 1 1 0 1 1 0 1 1 0 1 1 0 1 1 0 2 0 1 2 0 1 1 1 0 1 1 0 2 0 1 1 1 0 1 1 0 1 1 0

Lampiran 7 Contoh hasil klasifikasi data oversampling duplikasi saat k = 2 Kelas asli 2 2 2 2 2 2 1 1 1 1 2 1 1 1 1

Kelas Membership Membership hasil uji kelas 1 kelas 2 1 1.00 0.00 2 0.44 0.56 2 0.00 1.00 1 1.00 0.00 2 0.00 1.00 1 1.00 0.00 1 1.00 0.00 1 1.00 0.00 1 1.00 0.00 1 1.00 0.00 1 1.00 0.00 1 1.00 0.00 1 1.00 0.00 1 1.00 0.00 1 1.00 0.00

22 Lampiran 8 Contoh hasil klasifikasi data oversampling duplikasi saat k = 3 Kelas asli 1 1 2 1 2 2 2 2 1 1 1 1 1 1 1

Kelas Membership Membership hasil uji kelas 1 kelas 2 0.00 1 1.00 0.00 1 1.00 1.00 2 0.00 0.00 1 1.00 0.54 0.46 1 0.69 0.31 1 0.00 1.00 2 0.66 0.34 1 0.00 1 1.00 0.00 1 1.00 0.00 1 1.00 0.00 1 1.00 0.00 1 1.00 0.00 1 1.00 0.00 1 1.00

Lampiran 9 Contoh hasil klasifikasi data oversampling duplikasi saat k = 4 Kelas asli 2 2 2 2 2 2 2 2 2 1 1 1 1 1 2

Kelas Membership Membership hasil uji kelas 1 kelas 2 1 0.74 0.26 1 0.73 0.27 2 0.00 1.00 2 0.20 0.80 1 1.00 0.00 2 0.15 0.85 2 0.07 0.93 2 0.00 1.00 2 0.48 0.52 2 0.01 0.99 1 1.00 0.00 1 1.00 0.00 1 1.00 0.00 1 1.00 0.00 1 0.67 0.33

23 Lampiran 10 Contoh hasil klasifikasi data oversampling duplikasi saat k = 5 Kelas asli 2 1 2 2 2 1 1 2 2 2 2 1 1 2 2

Kelas Membership Membership hasil uji kelas 1 kelas 2 1 0.79 0.21 2 0.35 0.65 1 0.53 0.47 2 0.00 1.00 1 1.00 0.00 2 0.35 0.65 2 0.02 0.98 2 0.25 0.75 1 1.00 0.00 2 0.48 0.52 2 0.00 1.00 1 1.00 0.00 1 1.00 0.00 2 0.18 0.82 1 0.58 0.42

Lampiran 11 Tampilan sistem

24 Lampiran 12 Tampilan sistem saat menampilkan hasil prediksi

RIWAYAT HIDUP

Penulis dilahirkan di Kediri, Jawa Timur, pada tanggal 29 Juni 1991 sebagai anak pertama dari pasangan Selam dan Sri Mardiari. Penulis merupakan lulusan SMA Negeri 1 Kediri (2006-2009), SMP Negeri 1 Kepung (2003-2006), dan SD Negeri Kepung 6 (1997-2003). Pada tahun 2009, penulis diterima sebagai mahasiswa Ilmu Komputer Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI). Selama menjadi mahasiswa penulis aktif menjadi anggota Organisasi Mahasiswa Daerah KAMAJAYA. Penulis pernah menjadi panitia dalam acara BUGS 2009 yang diselenggarakan oleh BEM KM IPB dan IT TODAY 2011