implementasi prediksi besar jumlah pinjaman …
TRANSCRIPT
IMPLEMENTASI PREDIKSI BESAR JUMLAH
PINJAMAN MENGGUNAKAN ALGORITMA
LINEAR REGRESSION
LAPORAN SKRIPSI
FERIYALDY 4816040182
PROGRAM STUDI TEKNIK INFORMATIKA
JURUSAN TEKNIK INFORMATIKA DAN KOMPUTER
DEPOK
2020
IMPLEMENTASI PREDIKSI BESAR JUMLAH
PINJAMAN MENGGUNAKAN ALGORITMA
LINEAR REGRESSION
LAPORAN SKRIPSI
Dibuat untuk Melengkapi Syarat-Syarat yang Diperlukan
untuk Memperoleh Diploma Empat Politeknik
FERIYALDY 4816040182
PROGRAM STUDI TEKNIK INFORMATIKA
JURUSAN TEKNIK INFORMATIKA DAN KOMPUTER
DEPOK
2020
i
HALAMAN PERNYATAAN ORISINALITAS
Skripsi ini adalah hasil karya saya sendiri, dan semua sumber baik yang
dikutip maupun dirujuk telah saya nyatakan dengan benar.
Nama : Feriyaldy
NIM : 4816040182
Tanggal : 27/Agustus/ 2020
Tanda Tangan :
ii
LEMBAR PENGESAHAN
Skripsi diajukan oleh :
Nama : Feriyaldy
NIM : 4816040182
Program Studi : Teknik Informatika
Judul Skripsi : Implementasi Prediksi Besarnya Pinjaman
Menggunakan Algoritma Linear Regression
Telah diuji oleh tim penguji dalam Sidang Skripsi pada Hari Selasa, Tanggal 4
,Bulan Agustus,Tahun 2020 dan dinyatakan LULUS.
Disahkan Oleh
Pembimbing I : Euis Oktavianti S.Si., M.T.I
Penguji I : Asep Taufik Muharram, S.Kom., M.Kom
Penguji II : Shinta Oktaviana R, S.Kom., M.Kom
Penguji III : Drs. Agus Setiawan, M.Kom
Mengetahui :
Jurusan Teknik Informatika dan Komputer
Ketua
iii
KATA PENGANTAR
Puji syukur saya panjatkan kepada Tuhan Yang Maha Esa karena atas berkat dan
rahmat-Nya, penulis dapat menyelesaikan laporan skrispsi ini. Penulisan skripsi ini
dilakukan dalam rangka memenuhi syarat untuk mencapai gelar Diploma Empat di
Politeknik Negeri Jakarta. Penulis menyadari bahwa tanpa bantuan, bimbingan,
serta dukungan dari berbagai pihak, laporan skripsi yang berjudul “Implementasi
Algoritma Linear Regression untuk Prediksi Besarnya Pinjaman Kredit Berbasis
Web” ini tidak dapat diselesaikan dengan baik. Oleh karena itu, penulis
mengucapkan terima kasih kepada:
a. Tuhan Yang Maha Esa. Telah memberi kesehatan untuk penulis selama
pembuatan skripsi.
b. Orang tua, keluarga penulis, dan teman – teman penulis yang selalu
memberikan dukungan moral, doa, dan material;
c. Ibu Euis Oktavianti, S.Si., M.Ti. sebagai dosen pembimbing yang telah
menyediakan tenaga, waktu, dan pikiran untuk mengarahkan penulis dalam
menyelesaikan laporan skripsi dan pembuatan sistem;
d. PT. PKP yang telah membantu penulis dalam memperoleh data- data yang
diperlukan dalam penyusunan skripsi;
Akhir kata, penulis berharap Tuhan Yang Maha Esa berkenan membalas segala
kebaikan semua pihak yang telah membantu. Penulis berharap laporan skripsi ini
membawa manfaat bagi pengembangan ilmu.
Depok,
Feriyaldy
iv
iv
HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI
UNTUK KEPENTINGAN AKADEMIS
Sebagai sivitas akademik Politeknik Negeri Jakarta, saya yang bertanda tangan di
bawah ini:
Nama : Feriyaldy
NIM : 4816040182
Program Studi : Teknik Informatika
Jurusan : Teknik Informatika dan Komputer
Jenis Karya : Skripsi
demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada
Politeknik Negeri Jakarta Hak Bebas Royalti Noneksklusif (Non-exclusive
Royalty- Free Right) atas karya ilmiah saya yang berjudul :
Implementasi Algoritma Linear Regression untuk Prediksi Besarnya
Pinjaman Kredit Berbasis Web
beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti
Noneksklusif ini Politeknik Negeri Jakarta berhak menyimpan,
mengalihmedia/format-kan, mengelola dalam bentuk pangkalan data (database),
merawat, dan memublikasikan skripsi saya selama tetap mencantumkan nama
saya sebagai penulis/pencipta dan sebagai pemilik Hak Cipta.
Demikian pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Depok Pada tanggal : …………………….
Yang menyatakan
(Feriyaldy)
v
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Implementasi Algoritma Linear Regression untuk Prediksi Besarnya
Pinjaman Kredit Berbasis Web
Abstrak
Kredit macet merupakan kesulitan nasabah di dalam penyelesaian kewajiban-
kewajibannya terhadap bank. Baik dalam bentuk pembayaran kembali pokoknya,
pembayaran bunga, maupun pembayaran ongkos-ongkos bank yang menjadi beban
nasabah debitur yang bersangkutan. Oleh karena itu Website ini dibuat dengan tujuan
mengurangi kredit macet. Website ini dibuat menggunakan metode waterfall dan
framework Flask untuk website dan juga menggunakan algoritma menggunakan linear
regresi untuk prediksi besar pinjaman. Data yang digunakan untuk prediksi besar
pinjaman didapat dari PT. PKP dari tahun 2017-2019 nilai RMSE (Root Mean Square
Error) yang dihasilan adalah 1321315.7190952399 dengan persamaan . Y = 3.022e+06
+ (0.0174 x Salary) + (0.0629 x SPOUSE_SALARY) - (0.0033 x OTHER_INCOME) -
(1.487e+04 x TANGGUNGAN) + (0.0800 x EXPENSE_MONTHLY)
Kata Kunci: Kredit, Linear Regression, Linear Regression, Prediksi
vi
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
DAFTAR ISI
HALAMAN PERNYATAAN ORISINALITAS ................................................................... i
LEMBAR PENGESAHAN .................................................................................................... ii
KATA PENGANTAR ............................................................................................................ iii
Abstrak ...................................................................................................................................... v
DAFTAR ISI........................................................................................................................... vi
DAFTAR TABEL ................................................................................................................ viii
DAFTAR GAMBAR .............................................................................................................. ix
BAB I ........................................................................................................................................ 1
PENDAHULUAN ................................................................................................................... 1
1.1 Latar Belakang .................................................................................................................... 1
1.2 Perumusan Masalah ............................................................................................................ 2
1.3 Batasan masalah .................................................................................................................. 2
1.4 Tujuan ................................................................................................................................. 2
1.5 Manfaat ............................................................................................................................... 2
1.6 Metode Pelaksanaan Skripsi ............................................................................................... 2
BAB II ...................................................................................................................................... 4
TINJAUAN PUSTAKA .......................................................................................................... 4
2.1. Data Mining ....................................................................................................................... 4
2.2. Cross-Industry Standard Process untuk Data Mining (CRISP-DM) .................................. 4
2.3. Prediksi .............................................................................................................................. 5
2.4. Linear Regression .............................................................................................................. 5
2.5. System Development Life Cycle ....................................................................................... 6
2.6. Unified Modeling Language (UML) .................................................................................. 7
2.7. Flask .................................................................................................................................. 8
2.8. MySQL .............................................................................................................................. 8
2.9. Penelitian Terdahulu .......................................................................................................... 9
BAB III ................................................................................................................................... 12
PERENCANAAN DAN REALISASI.................................................................................. 12
3.1 Perancangan Sistem .......................................................................................................... 12
3.1.1 Deskripsi Progam Aplikasi ............................................................................................ 12
3.1.2 Cara Kerja Aplikasi ........................................................................................................ 12
vii
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
3.1.3 Analisa Kebutuhan Pengguna ........................................................................................ 13
3.1.4 Metode Pengembangan Program Aplikasi ..................................................................... 13
3.1.5 Rancangan Antar Muka ................................................................................................. 22
3.2 Realisasi Program ............................................................................................................. 24
BAB IV ................................................................................................................................... 28
PEMBAHASAN .................................................................................................................... 28
4. 1 Pengujian ........................................................................................................................... 28
4.1.1 Deskripsi Pengujian ....................................................................................................... 28
4.1.2 Prosedur Pengujian ........................................................................................................ 28
4.1.3 Data Hasil Pengujian ...................................................................................................... 29
4. 2 Analisis Data ...................................................................................................................... 32
4. 3 Evaluasi Hasil Pengujian ................................................................................................... 33
4. 4 Hasil Pengujian User Acceptance Test .............................................................................. 33
BAB V .................................................................................................................................... 38
PENUTUP .............................................................................................................................. 38
Daftar Pustaka ...................................................................................................................... 38
viii
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
DAFTAR TABEL
TABEL 2 1 PENELITIAN TERDAHULU ............................................................................................ 9
TABEL 4. 1 RENCANA PENGUJIAN ................................................................................................ 28
TABEL 4. 2 HASIL PENGUJIAN AUTENTIKASI ............................................................................ 29
TABEL 4. 3 PENGUJIAN HALAMAN PREDIKSI ............................................................................ 30
TABEL 4. 4 PENGUJIAN HALAMAN HOME ADMIN .................................................................... 31
TABEL 4. 5 TABEL HASIL PENGUJIAN.......................................................................................... 32
TABEL 4. 6 PERTANYAAN KUISIONER......................................................................................... 33
TABEL 4. 7 JAWABAN KUESIONER ............................................................................................... 34
TABEL 4. 8 BOBOT NILAI ................................................................................................................. 34
TABEL 4. 9 TANGGAPAN KUESIONER .......................................................................................... 34
TABEL 4. 10 DATA JAWABAN KUESIONER ................................................................................. 36
ix
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
DAFTAR GAMBAR
GAMBAR 3. 1 FLOWCHART PREDIKSI .......................................................................................... 12
GAMBAR 3. 2 WATERFALL ............................................................................................................. 13
GAMBAR 3. 3 USE CASE DIAGRAM ............................................................................................... 14
GAMBAR 3. 4 DATA PELANGGAN 1 .............................................................................................. 15
GAMBAR 3. 5 DATA PELANGGAN 2 .............................................................................................. 15
GAMBAR 3. 6 ATRIBUT .................................................................................................................... 16
GAMBAR 3. 7 SPSS ............................................................................................................................ 17
GAMBAR 3. 8 KORELASI.................................................................................................................. 17
GAMBAR 3. 9 HASIL MODELING ................................................................................................... 18
GAMBAR 3. 10 HASIL MSE YANG DIHASILKAN ........................................................................ 18
GAMBAR 3. 11 HASIL RMSE YANG DIHASILKAN ...................................................................... 18
GAMBAR 3. 12 ACIVITY PREDIKSI ................................................................................................ 22
GAMBAR 3. 13 MOCKUP HALAMAN HOME ................................................................................ 23
GAMBAR3. 14 MOCKUP HALAMAN LOGIN ................................................................................. 23
GAMBAR 3. 15 MOCKUP HALAMAN PREDIKSI .......................................................................... 24
GAMBAR 3. 16 MOCKUP HALAMAN DATA PREDIKSI .............................................................. 24
GAMBAR 3. 17 HALAMAN HOME .................................................................................................. 25
GAMBAR 3. 18 HALAMAN LOGIN .................................................................................................. 25
GAMBAR 3. 19 HALAMAN HOME ADMIN .................................................................................... 26
GAMBAR 3. 20 HALAMAN PREDIKSI ............................................................................................ 26
GAMBAR 3. 21 SOURCE CODE MODEL PREDIKSI ...................................................................... 27
GAMBAR 3. 22 SOURCE CODE PREDIKSI ..................................................................................... 27
GAMBAR 4. 1 HASIL RMSE .............................................................................................................. 33
GAMBAR 4. 2 HASIL R SQUARE ..................................................................................................... 33
1
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
BAB I
PENDAHULUAN
1.1 Latar Belakang
Kredit macet merupakan kesulitan nasabah di dalam penyelesaian kewajiban-
kewajibannya terhadap bank. Baik dalam bentuk pembayaran kembali pokoknya,
pembayaran bunga, maupun pembayaran ongkos-ongkos bank yang menjadi
beban nasabah debitur yang bersangkutan. (Fransisca Claudya Mewoh, 2016)
Non-performing loan (NPL) atau kredit menjadi salah satu masalah dalam sector
perbankan Indonesia. Hal ini disebabkan karena bank kurang tepat dalam
memberikan keputusan mana peminjam yang pantas dan mampu untuk diberikan
pinjaman.
Jumlah Non Performing Loan (NPL) Bank Perkreditan Rakyat di 33 lokasi di
Indonesia terus meningkat dari bulan Januari hingga bulan Oktober pada tahun
2019. Total Non Performing Loan (NPL) hingga bulan oktober 2019 mencapai Rp
74.348M dan daerah dengan jumlah NPL tertinggi terdapat di Jawa Tengah.
(Keuangan, 2019)
Kredit macet dapat memberikan masalah yang cukup besar dalam industri
perbankan, mengingat sebagian dana yang dihimpun bank digunakan bank untuk
menutup kewajiban baik jangka pendek maupun jangka panjang, maka
kemampuan bank dalam memberikan kredit baru menjadi berkurang hingga
menutup kemungkinan debitur baru untuk memperoleh fasilitas kredit dari bank
yang bersangkutan.
Sebuah sistem harus dibuat untuk menentukan besarnya pinjaman yang diajukan
peminjam sehingga masalah kredit macet dapat berkurang, dengan pembuatan
sistem ini diharapkan liabilitas dapat terselesaikan. Sistem yang dibuat ini dapat
menggunakan multiple linear regression sebagai algoritma yang digunakan untuk
2
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
memprediksi, karena multiple linear regression cocok untuk memprediksi data
dengan atribut data yang lebih dari satu
1.2 Perumusan Masalah
Berdasarkan masalah yang ada di PT.PKP maka dibuat lah cara bagaimana
mengimplementasikan Linear Regression untuk memprediksi besar pinjaman?
1.3 Batasan masalah 1. Menggunakan data yang diambil dari PT.PKP.
2. Prediksi menggunakan algoritma Linear Regression untuk menentukan
besarnya pinjaman.
3. Melihat akurasi dari algoritma Linear Regression
4. Menggunakan dashboard website.
1.4 Tujuan
Tujuan dari penelitian ini adalah untuk membantu PT.PKP dengan
mengimplementasikan algoritma Linear Regression untuk menentukan besarnya
pinjaman untuk peminjam baru di website .
1.5 Manfaat
a. Mempermudah untuk menentukan pemberian kredit.
b. Dashboard memudahkan untuk memvisualisasikan data.
1.6 Metode Pelaksanaan Skripsi
Adapun metode pelaksanaan skripsi meliputi :
a. Analisa Permasalahan
Menganalisa segala permasalahan yang terkait untuk dicari penyelesaiannya.
Dengan mengangkat pihak owner PT. X sebagai narasumber untuk sistem
pendukung keputusan evaluasi kinerja karyawan.
b. Studi Literatur
Mencari data-data sumber informasi berupa buku, jurnal , dan literatur lain yang
digunakan sebagai bahan referensi sebelum menyelesaikan permasalahan yang
dihadapi.
c. Analisa Kebutuhan
3
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Menganalisa segala alat dan bahan yang dibutuhkan sebagai solusi penyelesaian
masalah.
d. Perencanaan Sistem
Melakukan perancangan sistem sebagai penyelesaian masalah secara detail dan
global.
e. Implementasi Sistem
Melakukan implementasi dan pembangunan sistem sebagai solusi penyelesaian
masalah.
4
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
BAB II
TINJAUAN PUSTAKA
2.1. Data Mining
Data mining juga bisa disebut knowledge discovery adalah proses pengambilan
pola pada data yang akan di proses lalu output tersebut berupa informasi yang
sangat penting. jadi apa itu data ? data merupakan kumpulan fakta dan dapat
memberikan gambaran, jadi setiap kita melakukan sesuatu dalam pengambilan
data maka data tersebut tersimpan dan pola-pola data itu akan diteliti secara
manual sehingga kita bisa mengetahui hal-hal yang akan terjadi.
Ada beberapa proses yang dilakukan oleh data mining yaitu deskripsi (
mengidentifikasi pola yang tersembunyi secara tersembunyi dan mengubah pola
menjadi aturan yang dapat dimengerti oleh para ahli), prediksi ( mengklasifikasi
berdasarkan perilaku yang akan diperkirakan yang akan mendatang), estimasi (
seperti prediksi kecuali untuk variabel estimasi lebih kearah numerik ), klasifikasi
( proses sebuah menemukan model fungsi dan mendeskripsikan data ke kelas-
kelas), clustering (pengelompokan data tanpa berdasarkan kelas tertentu kepada
objek tersebut), asosiasi ( menemukan atribut yang muncul dalam waktu ).
(Firman, 2019)
2.2. Cross-Industry Standard Process untuk Data Mining (CRISP-DM)
Cross-Industry Standard Process untuk Data Mining atau CRISP-DM
dikembangkan tahun 1996 oleh analis dari beberapa industri seperti Daimler
Chrysler, SPSS dan NCR. CRISP-DM merupakan standarisasi proses data mining
sebagai strategi pemecahan masalah secara umum dari bisnis atau unit penelitian.
Dalam CRISP-DM sebuah proyek data mining memiliki siklus hidup yang terbagi
dalam enam fase :
a. Business Understanding Phase atau Fase Pemahaman Bisnis adalah
pemahaman tentang substansi dari kegiatan data mining yang akan dilakukan,
kebutuhan dari
5
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
b. perspektif bisnis. Kegiatannya antara lain menentukan sasaran atau tujuan
bisnis, memahami situasi bisnis, menerjemahkan tujuan bisnis kedalam tujuan
data mining. 2
c. Data Understanding Phase atau Fase Pemahaman Data adalah pengumpulan
data, mempelajari data untuk dapat memahami data yang akan digunakan
dalam penelitian, mengidentifikasi masalah yang berkaitan dengan data.
d. Data Preparation Phase atau Fase Pengolahan Data pada tahap ini struktur
basis data akan dipersiapkan sehingga mempermudah proses mining.
e. Modeling Phase atau Fase Pemodelan adalah fase menentukan teknik data
mining yang digunakan, menentukan tools data mining, algoritma data
mining, menentukan parameter dengan nilai yang optimal.
f. Evaluation Phase atau Fase Evaluasi adalah fase interpretasi terhadap hasil
data mining yang ditunjukkan dalam proses pemodelan yang terdapat pada
fase sebelumnya. Evaluasi dilakukan secara mendalam dengan tujuan
menyesuaikan model yang didapat agar sesuai dengan sasaran yang ingin
dicapai dalam fase pertama.
g. Deployment Phase atau Fase Penyebaran fase penyusunan laporan atau
presentasi dari pengetahuan yang didapat dari evaluasi pada proses data
mining. (Feblian & Dadan, 2017)
2.3. Prediksi
Algoritma prediksi biasanya digunakan untuk memperkirakan atau forecasting
suatu kejadian sebelum kejadian atau peristiwa tertentu terjadi. Contohnya pada
bidang Klimatologi dan Geofisika, yaitu bagaimana Badan Meterologi Dan
Geofisika (BMKG) memperkirakan tanggal tertentu bagaimana Cuacanya, apakah
Hujan, Panas dan lain sebagainya. (Saleh, 2018)
2.4. Linear Regression
Metode Statistik yang berfungsi untuk menguji sejauh mana hubungan sebab
akibat antara Variabel Faktor Penyebab (X) terhadap Variabel Akibatnya. Faktor
Penyebab pada umumnya dilambangkan dengan X atau disebut juga dengan
Predictor sedangkan Variabel Akibat dilambangkan dengan Y atau disebut juga
dengan Response. Regresi Linear Sederhana atau sering disingkat dengan SLR
6
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
(Simple Linear Regression) juga merupakan salah satu Metode Statistik yang
dipergunakan dalam produksi untuk melakukan peramalan ataupun prediksi
tentang karakteristik kualitas maupun Kuantitas.
Model Persamaan Regresi Linear Sederhana adalah seperti berikut ini :
Y = a + bX
Y = Variabel Response atau Variabel Akibat (Dependent)
X = Variabel Predictor atau Variabel Faktor Penyebab (Independent)
a = konstanta
b = koefisien regresi (kemiringan);
besaran Response yang ditimbulkan oleh Predictor.
Nilai-nilai a dan b dapat dihitung dengan menggunakan Rumus dibawah ini :
a = (Σy) (Σx²) – (Σx) (Σxy)
. n(Σx²) – (Σx)²
b = n(Σxy) – (Σx) (Σy)
. n(Σx²) – (Σx)² (Kho, 2019)
2.5. System Development Life Cycle
SDLC mengacu pada model dan proses yang digunakan untuk mengembangkan
sistem perangkat lunak dan menguraikan proses, yaitu pengembang menerima
perpindahan dari permasalahan ke solusi. Pengembangan rekayasa sistem
informasi (system development) dan atau perangkat lunak (software engineering)
dapat berarti menyusun sistem atau perangkat lunak yang benar – benar baru atau
yang lebih sering terjadi menyempurnakan yang sebelumnya. (Sofyan,
Puspitorini, & Yulianto, 2016)
7
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
a. Waterfall
Waterfall merupakan metode yang bekerja secara sistematis dan terstruktur secara
bertahap dalam membangun sistem.
1. Analisis Kebutuhan, Mengidentifikasi kebutuhan apa saja yang dibutuhkan
dalam pembangunan aplikasi.
2. Perancangan, maksudnya yaitu merancang gambaran sementara yang berfokus
kepada perancangan interface pengguna yang menggambarkan input dan
output pada sistem.
3. Mengkodekan, Pada tahap ini setelah melakukan perancangan berupa
gambaran interface dan diaplikasikan ke dalam sebuah aplikasi menggunakan
bahasa pemrograman untuk dapat diimplementasikan.
a. Python
Python adalah bahasa pemrograman yang bersifat open source. Bahasa
pemrograman ini dioptimalisasikan untuk software quality, developer
productivity, program portability, dan component integration (Lutz, 2010).
Python telah digunakan untuk mengembangkan berbagai macam perangkat
lunak, seperti internet scripting, systems programming, user interfaces,
product customization, numberic programming dll. Python saat ini telah
menduduki posisi 4 atau 5 bahasa pemrograman paling sering digunakan di
seluruh dunia. (Harismawan, Kharisma, & Afirianto, 2018)
4. Pengujian, adalah tahap pengujian sistem yang telah menjadi perangkat lunak
siap pakai yang akan di uji langsung oleh user
5. Implementasi, Tahap akhir ini adalah pembangunan aplikasi telah selesai
dengan demikian aplikasi siap diterapkan. (Khambali, Rohayah, & Somantri,
2017).
2.6. Unified Modeling Language (UML)
UML adalah bahasa untuk menspesifikasi,memvisualisasi, membangun dan
mendokumentasikan artifacts (bagian dari informasi yang digunakan untuk
dihasilkan oleh proses pembuatan perangkat lunak, artifact tersebut dapat berupa
model, deskripsi atau perangkat lunak)dari sistem perangkat lunak,seperti pada
pemodelan bisnis dan sistem non perangkat lunak lainnya. Selain itu UML adalah
8
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
bahasa pemodelan yang menggunakan konsep orientasi object.UML dibuat oleh
Grady Booch, James Rumbaugh, dan Ivar Jacobson di bawah bendera Rational
Software Corps. (Pratama, 2019)
Diagram UML yang digunakan pada penulisan:
1. Use Case Diagram.
merupakan pemodelan untuk kelakuan sistem informasi yang akan dibuat. Use
case bekerja dengan mendeskripsikan tipikal interaksi antara user sebuah sistem
dengan sistemnnya sendiri melalui sebuah cerita bagaimana sistem itu dipakai.
2. Activity Diagram.
Activity diagram merupakan diagram yang menggambarkkan workflow atau
aktivitas dari sebuah sistem yang ada pada perangkat lunak (Putra1 & Andriani2,
2019 )
2.7. Flask
Flask adalah microframework yang dipelopori oleh Armin Ronacher. Flask jauh
lebih ringan dan cepat karena Flask dibuat dengan ide menyederhanakan inti
framework-nya seminimal mungkin. Dengan tagline “web development, one drop
at a time”, Flask dapat membantu kita membuat situs dengan sangat cepat
meskipun dengan librari yang sederhana. (Putra & Putera, 2019)
2.8. MySQL
Pengembangan MySQL dimulai pada tahun 1979 dengan tool database UNIREG
yang dibuat oleh Michael "Monty" Widenius untuk perusahaan TcX di Swedia.
Kemudian mereka menguji beberapa server komersial namun semuanya masih
terlalu lambat untuk tabel-tabel TcX yang besar.
Tahun 1995 David Axmark dari Detro HB berusaha menekan TcX untuk
merelease MySQL di internet. Ia juga membuat dokumentasi MySQL yang
dibangun untuk untuk GNU configure utility. MySQL dipublikasikan di dunia
tahun 1996 dan didistribusikan untuk Linux dan solaris. Sekarang ini MySQL
bekerja untuk banyak platform (Ariata, 2019).
9
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
2.9.Penelitian Terdahulu
Tabel 2 1 Penelitian Terdahulu
NO Identit
as
Algoritm
a
Masalah Hasil atau Kesimpulan
1 Sefto
Pratam
a,
“Techno
logia”
Vol 7,
No.2,
April -
Juni
2016
Linear
Regressi
on
Sejauh mana
akurasi pada
Metode linear
Regression
dalam
memprediksi
harga tanah
yang
mendekati
harga yang
ideal agar
memperoleh
“penilaian”
atas
kepemilikan
tanah secara
obyektif dan
transparan
Hasil eksperimen Penentuan
Harga Tanah menggunakan
algoritma Linear Regression yang
melalui tahapan akhir
dieksperimen keempat dengan
nilai Number of Validations dan
Sampling Type Shuffled
Sampling menghasilkan Root
Mean Square Error (RMSE) dari
Label Penawaran Total yang
menjadi acuan harga tanah ideal
dikota Banjarmasin menghasilkan
4 hasil Root Mean Square Error
(RMSE).
2 Melisa
Winda
Pertiwi
,
Richard
us Eko
Indrajit
Linear
Regressi
on
Memprediksi
inventaris
barang yang
akan
dilakukan
pengadaan
setiap tahun
di lingkungan
Dinas
Berdasarkan uji coba dataset
inventaris barang menggunakan
metode regresi linear, maka dapat
disimpulkan bahwa metode ini
baik terhadap dataset yang
digunakan dengan menunjukan
akurasi RMSE 0.94. Prediksi
pengadaan barang dari tahun
2012 – 2016 mendapatkan hasil
10
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
a. Penelitian yang dilakukan Sefto Pratama yang berjudul “PREDIKSI HARGA
TANAH MENGGUNAKAN ALGORITMA LINEAR REGRESSION”
bertujuan untuk mengetahui keakuratan metode linear Regression dalam
memprediksi harga tanah yang mendekati harga ideal. Hasil penelitian
Penentuan Harga Tanah menggunakan algoritma Linear Regression dengan
hasil Root Mean Square Error (RMSE) terendah berada di eksperimen ketiga
yang menggunakan data training 70% dan data testing 30% dengan K-Fold
validasi 8 dengan hasil 77072562.116 dari atribut label Penawaran M2 yang
menjadi acuan harga tanah ideal dikota Banjarmasin.
b. Penelitian yang dilakukan Melisa Winda Pertiwi dan Richardus Eko Indrajit
yang berjudul “Metode Regresi Linier Untuk Prediksi Pengadaan Inventaris
Barang” bertujuan untuk memprediksi inventaris barang terhadap dataset yang
Kebudayaan
Pariwisata
Pemuda dan
Olahraga
Kotak
Tasikmalaya
yaitu dari harga minimal 495000
prediksi minimalnya 3011855.102
dan maksimal harga 99481250
prediksinya adalah 23752745.511
3 Heru
Wahyu
Herwan
to,
Triyann
a
Widiya
ningtya
s,
Poppy
Indrian
a
Linear
Regressi
on
prediksi hasil
panen untuk
memperkirak
an
penanaman
yang akan
dilakukan
sehingga
dapat
mencukupi
pemenuhan
kebutuhan
pokok
pangan
Dari jumlah data sebanyak 300
instance, dihasilkan tingkat
kecocokan model multiple linear
regression sebesar 94,51%
11
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
digunakan dari tahun 2012-2016. Penelitian ini menghasilkan nilai RMSE
0.94
c. Penelitian yang dilakukan oleh Heru Wahyu Herwanto, Triyanna
Widiyaningtyas, Poppy Indriana yang berjudul “Penerapan Algoritme Linear
Regression untuk Prediksi Hasil Panen Tanaman Padi” bertujuan untuk
memprediksi hasil panen untuk memperkirakan penanaman yang akan
dilakukan untuk mencukupi pemenuhan kebutuhan pokok pangan. Penelitian
ini menghasilkan nilai RMSE sebesar 0,432.
Berdasarkan penelitian yang ada diatas, penggunaan linear regression memiliki
jumlah error yang sedikit, yang berarti cocok untuk memprediksi. Karena itu
Linear Regression dipilih dalam penelitian ini
12
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
BAB III
PERENCANAAN DAN REALISASI
3.1 Perancangan Sistem
Proses perancangan sistem dan realisasi dari implementasi algoritma linear
regression untuk prediksi besarnya pinjaman kredit berbasis web untuk
menentukan besar pinjaman untuk pelanggan. Proses pengembangan website
menggunakan metode waterfall dimana pengembangan perangkat lunak dilakukan
secara bertahap dan sistematis. Algoritma yang digunakan untuk memprediksi
adalah Linear Regression.
3.1.1 Deskripsi Progam Aplikasi
Implementasi algoritma linear regression untuk prediksi besarnya pinjaman kredit
berbasis web digunakan untuk pegawai di PT. PKP yang ingin memprediksi
jumlah pinjaman yang cocok untuk peminjam, yang diharapkan akan mengurangi
adanya kredit macet.
3.1.2 Cara Kerja Aplikasi
Gambar 3. 1 Flowchart Prediksi
13
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Gambar 3.1 menunjukan flowchart yang memberitahu proses secara detail dan
hubungan antara proses satu dengan proses lainnya yang ada dalam aplikasi.
3.1.3 Analisa Kebutuhan Pengguna
Analisis ini dilakukan untuk mengetahui fitur apa saja yang dibutuhkan oleh user.
Analisis ini dilakukan dengan melakukan wawancara kepada manager multi
finance pada PT.PKP, berikut adalah beberapa kebutuhan dan permasalahan yang
ada:
Tabel 3. 1 Functional User Requirment
No Narasumber Requirement
1. Manager multi finance PT.PKP Simulasi pinjaman
2. Klasifikasi pada data
pelanggan lama
3. Prediksi jumlah
pinjaman pelanggan baru
4. Validasi pada Login
3.1.4 Metode Pengembangan Program Aplikasi
Metode yang digunakan dalam pembuatan website ini penulis menggunakan
metode waterfall karena pengumpulan data dan tahap pengerjaan dilakukan
dilakukan sesuai dengan tahap – tahap yang ada pada metode waterfall. Tahap –
tahap yang ada
pada waterfall
adalah:
Gambar 3. 1 Metode Waterfall Gambar 3. 2 waterfall
14
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
a. Analisis Kebutuhan
Tahap ini untuk mengidentifikasi kebutuhan apa saja yang dibutuhkan dalam
pembangunan aplikasi.
Gambar 3. 3 Use Case Diagram
Berdasarkan use case diatas, aplikasi ini hanya memiliki 1 aktor dan 6 inisiator.
Aktor yang dimaksud disini adalah admin, dan untuk inisiatornya terdapat login,
input data pelanggan, memilih data pelanggan lama, simulasi kredit, melakukan
klasifikasi dan melakukan prediksi.
15
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Gambar 3. 4 Data Pelanggan 1
Gambar 3. 5 Data Pelanggan 2
Selain kebutuhan untuk fitur di usecase website ini juga membutuhkan data
seperti gambar diatas. Setelah diperoleh, data tersebut akan diproses lagi untuk
membuat model untuk memprediksi jumlah pinjaman. Tahap – tahap yang
dilakukan untuk memproses data tersebut adalah sebagai berikut:
1. Business Understanding Phase adalah pemahaman tentang substansi dari
kegiatan data mining yang akan dilakukan, kebutuhan dari perspektif bisnis.
16
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Kegiatannya antara lain menentukan sasaran atau tujuan bisnis, memahami
situasi bisnis, menerjemahkan tujuan bisnis kedalam tujuan data mining.
2. Data Understanding Phase di tahap ini data yang telah diperoleh akan
dipelajari, atribut apa saja yang akan diproses dan atribut mana yang akan
dijadikan diprediksi hasilnya. Untuk memilih atribut mana saja yang akan
dipakai untuk diproses, penulis menggunakan rapid miner untuk melihat
korelasi antara atribut.
Gambar 3. 6 Atribut
3. Data Preparation Phase pada tahap ini atribut dari data yang digunakan akan
dipilih sehingga hanya menyisakan atribut yang digunakan untuk diproses saat
pembuatan model seperti pada gambar 3.6. Atribut yang digunakan adalah
salary, spouse_salary, other_income, tanggungan, expense_monthly, pinjaman.
Atribut-atribut tersebut dipilih karena memiliki nilai korelasi yang lebih tinggi
17
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
dibanding dengan atribut lain. Dari atribut yang dipilih yang dijadikan label
adalah atribut pinjaman. Setelah memilih atribut, yang dilakukan adalah
melihat data yang missing, data yang missing defile tersebut adalah data yang
memiliki value berupa !NULL. Data yang missing tersebut kemudian dihapus
agar tidak mengganggu saat pemodelan.
Gambar 3. 7 SPSS
Gambar 3. 8 Korelasi
4. Modeling Phase ini adalah tahap untuk menentukan algoritma apa yang
digunakan, tools apa saja yang digunakan untuk pembuatan model. Disini
18
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
penulis menggunakan Linear Regression sebagai algoritma yang digunakan
untuk prediksi, dan tools yang digunakan adalah SPSS untuk mengolah data,
jupyter lab untuk pembuatan model, visual studio code dan anaconda prompt
untuk mengimplementasikan model ke website.
Gambar 3. 9 Hasil Modeling
5. Evaluation Phase tahap ini untuk mengevaluasi apakah hasil dari pemodelan
sudah sesuai dengan tujuan yang ingin dicapai atau belum.
Gambar 3. 10 Hasil MSE yang dihasilkan
Gambar 3. 11 Hasil RMSE yang dihasilkan
Nilai RMSE (Root Mean Square Error) yang dihasilkan masih tinggi yang
menyatakan bahwa masih banyak kesalahan yang terjadi saat melakukan
prediksi.
6. Deployment Phase fase ini adalah untuk penyusunan laporan dari informasi
yang didapat dari evaluasi pada proses data mining. Setelah mendapatkan nilai
RMSE (Root Mean Square Error) model dapat segera diimplementasikan
kedalam website untuk dapat langsung memprediksi jumlah pinjaman yang
diajukan pelanggan. Dari model yang dihasilkan apabila peminjam memiliki
banyak tanggungan maka semakin sedikit nilai peminjamannya karena atribut
tanggungan bernilai negatif
19
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
b. Perancangan
Tahap selanjutnya merancang gambaran sementara yang berfokus kepada
perancangan interface pengguna yang menggambarkan input dan output pada
sistem.
20
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
1. Login admin
Gambar 3. 11 Login Activity
Gambar diatas menjelaskan bahwa admin harus melakukan login terlebih dahulu
untuk bisa masuk ke website
21
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
2. Input data kustomer
Gambar 3. 12 Activity Input data Customer
Gambar diatas adalah activity untuk admin memasukan data kostumer, jadi
pertama admin memasukan data – data dari customer. Sebelum data masuk ke
dalam database data dari customer digunakan untuk memprediksi jumlah
pinjaman. Apabila kedua pihak setuju dengan jumlah pinjaman maka admin akan
memasukan data customer kedalam database.
22
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Gambar 3. 12 Acivity Prediksi
Gambar diatas adalah proses untuk memprediksi jumlah pinjaman. Admin akan
memasukkan data kostumer untuk dikirim ke model untuk menghitung besar
jumlah pinjaman.
c. Mengkodekan
Tahap ini setelah melakukan perancangan berupa gambaran interface dan
diaplikasikan ke dalam sebuah aplikasi menggunakan bahasa pemrograman untuk
dapat diimplementasikan.
d. Pengujian
Tahap pengujian sistem yang telah menjadi perangkat lunak siap pakai yang akan
di uji langsung oleh user.
e. Implementasi
Tahap akhir ini adalah pembangunan aplikasi telah selesai dengan demikian
aplikasi siap diterapkan.
3.1.5 Rancangan Antar Muka
Bagian ini akan menjelaskan tentang rancangan tampilan antar muka pada
aplikasi:
23
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Gambar 3. 13 Mockup Halaman Home
Gambar diatas adalah sebuah rancangan antar muka halaman awal website
Gambar3. 14 Mockup Halaman Login
Gambar diatas adalah rancangan antar muka untuk halaman login. Dalam halaman
ini terdiri dari 2 buah textbox dan 1 button untuk login.
24
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Gambar 3. 15 Mockup Halaman Prediksi
Gambar diatas adalah rancangan antar muka untuk halaman prediksi, pada
halaman ini terdapat banyak textbox yang harus diisi untuk melakukan prediksi
dan mendapatkat hasil prediksi tersebut.
Gambar 3. 16 Mockup Halaman Data Prediksi
Gambar diatas adalah rancangan antar muka untuk halaman home admin. Pada
halaman ini menampilkan seluruh data hasil prediksi.
3.2 Realisasi Program
1. Home Website
25
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Gambar 3. 17 Halaman Home
Gambar diatas adalah realisasi dari rancangan antar muka untuk halaman home
website.
2. Login
Gambar 3. 18 Halaman Login
Gambar diatas adalah realisasi dari rancangan antar muka untuk halaman login,
pada halaman login ini admin harus memasukan email dan password untuk bisa
memasuki halaman admin.
3. Home Admin
26
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Gambar 3. 19 Halaman Home Admin
Gambar diatas adalah realisasi rancangan antar muka untuk halaman home admin.
Halaman ini menampilkan seluruh data hasil prediksi dan memiliki sebuah tombol
pencarian yang digunakan untuk mencari data hasil prediksi berdasarkan
namanya.
4. Prediksi
Gambar 3. 20 Halaman Prediksi
Gambar diatas adalah realisasi rancangan antar muka untuk halaman prediksi pada
halaman admin. Halaman ini digunakan untuk melakukan prediksi pinjaman
untuk kreditur, dengan cara mengisi data diri yang ada pada halaman ini setelah
itu ada button untuk melakukan perhitungan dan menampilkan hasil prediksi
pinjaman untuk si kreditur.
a. Source code
27
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Gambar 3. 21 Source Code Model Prediksi
Gambar diatas adalah script sebuah model yang menggunakan algoritma Linear
Regression yang digunakan untuk training data sebelum implementasi pada
website. Di sini dilakukan training data terlebih dahulu untuk melakukan prediksi
dan menghasilkan output prediksi pinjaman.
Gambar 3. 22 Source Code Prediksi
Gambar diatas adalah script yang digunakan pada website untuk melakukan
prediksi, dapat menentukan hasil prediksi itu implementasi dari model yang telah
dibuat, dengan model tersebut akan mendapatkan prediksi jumlah pinjaman yang
dapat diberikan ke kreditur.
28
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
BAB IV
PEMBAHASAN
4. 1 Pengujian
Bagian ini menjelaskan tentang beberapa pengujian, mulai dari deskripsi
pengujian, prosedur pengujian, data hasil pengujian. Hasil dari pengujian –
pengujian tersebut akan di evaluasi pada sub bab berikutnya.
4.1.1 Deskripsi Pengujian
Ini adalah tahap yang penting sebelum akhirnya aplikasi mulai digunakan oleh
admin, tahap pengujian dapat dilakukan apabila tahap sebelum-sebelumnya
selesai. Tujuan dari pengujian ini adalah untuk meminimalisir terjadinya
kesalahan pada sistem dan memastikan keluaran yang dihasilkan telah sesuai
dengan yang diinginkan oleh pengguna aplikasi.
4.1.2 Prosedur Pengujian
Pengujian sistem ini memiliki satu tahapan yaitu alpha testing. Alpha testing
merupakan pengujian yang dilakukan oleh pengembang dari aplikasi itu sendiri.
Metode yang digunakan adalah black box testing dengan target fungsionalitas
Prediksi pinjaman untuk kreditur.
Tabel 4. 1 Rencana Pengujian
Uji Item Detail Pengujian Jenis Pengujian
Autentikasi Melakukan login Blackbox testing
Melakukan logout Blackbox testing
Halaman Prediksi Melakukan Prediksi
Blackbox testing Melakukan save
Halaman Home
Admin
Menampilkan data hasil
Prediksi
Blackbox testing
Memilih tombol search
29
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
4.1.3 Data Hasil Pengujian
Tahap ini dilakukan dengan pengujian alpha testing. Alpha testing dilakukan
secara berkali-kali dalam masa pengembangan, pengujian ini dilakukan dengan
teknik black box testing untuk melihat hasil kesesuaian hasil keluaran sistem
dengan yang diharapkan oleh pengguna.
Keterangan : Simbol √ menunjukkan hasil pengujian sesuai dengan yang
diharapkan sedangkan simbol X menunjukkan hasil pengujian tidak sesuai dengan
yang diharapkan.
Tabel 4. 2 Hasil Pengujian Autentikasi
No Skenario Pengujian Yang
Diharapkan
Pembuktia
n
Hasil Keteranga
n
1 Login menggunakan
email yang benar
dan password yang
tidak terdaftar pada
database
email:
m (terdaftar)
Password:
123456qwe (tidak
terdaftar)
Menampilkan
pesan Error
Menampilk
an Pesan
Error
√ Menampil
kan pesan
jika
password
salah
2 Login menggunakan
email dan password
yang tidak terdaftar
di database
(email:
m
Password:
Menampilkan
pesan Error
Menampilk
an pesan
Error
√ Menampil
kan pesan
jika email
salah
30
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
No Skenario Pengujian Yang
Diharapkan
Pembuktia
n
Hasil Keteranga
n
Asdasdasd)
3 Login menggunakan
email dan password
sesuai yang terdaftar
di database
(email:
m
Password:
123qweasd)
Redirect
kedalam
halaman
admin
Redirect
kedalam
halaman
admin
√ Sistem
redirect
kehalaman
admin jika
email dan
password
benar
4 Admin menekan
button logout pada
halaman beranda /
profil
Redirect
kehalaman
home website
Redirect
kehalaman
home
website
√ Sistem
redirect
kehalaman
home
website
Tabel 4. 3 Pengujian Halaman Prediksi
No Skenario Pengujian Yang
Diharapkan
Pengamata
n
Hasil Keteranga
n
1 Mengosongkan
textbox
Menampilkan
alert pada
textbox
kosong
Menampilk
an alert
pada
textbox
kosong
√ Sistem
menampilk
an alert
pada
textbox
kosong
2 Mengisi seluruh
textbox
Menampilkan
hasil prediksi
jumlah
pinjaman
Menampilk
an hasil
prediksi
jumlah
√ Sistem
menampilk
an hasil
prediksi
31
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
pinjaman jumlah
pinjaman
3 Mengirim data hasil
prediksi dan
mengirim data yang
sudah diisi ke form
input data pelanggan
Hasil prediksi
tampil dan
data yang
sudah diisi
pada form
prediksi
tampil di form
input data
pelanggan
Menampilk
an hasil
prediksi dan
data yang
sudah di
input
√ Sistem
Menampil
kan hasil
prediksi
dan data
yang sudah
di input
4 Mengisi data dengan
NO_KTP yang sama
Menampilkan
pesan error
bahwa
NO_KTP
yang
dimasukkan
sudah ada di
database
Membuat
pesan
apabila ada
kesalahan
saat
mengirimka
n data ke
database
√ Sistem
menampilk
an pesan
error
meskipun
masih
dalam
bahasa
mesin
Tabel 4. 4 Pengujian Halaman Home Admin
No Skenario Pengujian Yang
Diharapkan
Pengamata
n
Hasil Keteranga
n
1 Melihat data hasil
prediksi
Menampilkan
data hasil
prediksi
Menampilk
an data
hasil
prediksi
√ Sistem
menampilk
an data
hasil
prediksi
2 Melakukan
Pencarian
berdasarkan nama
Menampilkan
data sesuai
nama
Menampilk
an data
sesuai nama
√ Sistem
menampilk
an data
32
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
pelanggan pelanggan
yang dicari
pelanggan
yang dicari
sesuai
nama
pelanggan
yang dicari
4. 2 Analisis Data
Tahap ini melakukan pengujian data menggunakan rapid miner untuk melihat
hasil performance terbaik untuk model, data yang diujikan ada 3000.
Tabel 4. 5 Tabel Hasil Pengujian
No Split Data Algoritma RMSE
1 90:10 Linear
Regression
1214690.7526983174
2 80:20 Linear
Regression
1285291.5146577647
3 70:30 Linear
Regression
1286811.6485204312
4 60:40 Linear
Regression
1317633.4324678434
5 50:50 Linear
Regression
1318385.6294623239
Berdasarkan perbandingan split data di tabel 4.5 menunjukan bahwa semakin
besar jumlah data training maka semakin kecil nilai RMSE yang didapat untuk
model ini. Dan untuk nilai RMSE (Root Mean Square Error) terkecil ada pada
90:10 yang berarti ada 2700 data untuk training dan ada 300 data untuk testing.
Evaluasi model dilakukan berdasarkan hasil dari RMSE (Root Mean Square
Error). Semakin banyak nilai RMSE yang didapat maka semakin besar juga
kesalahan yang ada pada hasil prediksi model.
33
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Gambar 4. 1 Hasil RMSE
Gambar 4. 2 Hasil R Square
Nilai R-squared yang dihasilkan adalah 0.036. Ini artinya bahwa dari atribut yg
digunakan, kontribusi nya hanya 3,6% sedang 96,4% ditentukan oleh faktor/atribut lain
yg tidak digunakan dalam membangun model
4. 3 Evaluasi Hasil Pengujian
Tahap setelah melakukan pengujian adalah melakukan evaluasi dari hasil
pengujian. Pada tahap ini akan dilakukan penghitunganpersentase keberhasilan
dari pengujian dengan rumus berikut:
Persentasi keberhasilan = Jumlah skenario uji berhasil : Jumlah seluruh
skenario uji x 100%
Pengujian alpha memiliki skenario, berikut adalah jumlah persentase dari hasil
pengujian alpha:
10 : 10 x 100% = 100%
Berdasarkan hasil pengujian alpha, dapat disimpulkan bahwa pengujian alpha
dengan hasil 10 item uji berhasil dan 0 gagal dengan alpha testing telah berjalan
sesuai dengan skenario yang ada. Pengujian yang gagal dikarenakan ada beberapa
fitur yang masih mengalami error atau kesalahan dalam bahasa pemrograman.
4. 4 Hasil Pengujian User Acceptance Test
Tabel 4. 6 Pertanyaan Kuisioner
No Pertanyaan A B C D
34
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
1 Bagaimana dengan tampilan web ini?
2 Apakah fitur yang terdapat pada web
mudah digunakan?
3 Apakah fitur yang ada sudah
berfungsi?
4 Apakah fitur prediksi berfungsi
dengan baik?
5 Apakah website ini dapat membantu
untuk memprediksi besar pinjaman?
Tabel 4. 7 Jawaban Kuesioner
A Sangat Mendukung
B Mendukung
C Cukup Mendukung
D Tidak Mendukung
Tabel 4. 8 Bobot Nilai
Jawaban Bobot
Sangat Mendukung 4
Mendukung 3
Cukup Mendukung 2
Tidak Mendukung 1
Tabel 4. 9 Tanggapan Kuesioner
No Pertanyaan Jawaban Responden
A B C D
1 Bagaimana dengan
tampilan web ini?
4 1 5
35
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
2 Apakah fitur yang
terdapat pada web
mudah digunakan?
5 5
3 Apakah fitur yang ada
sudah berfungsi?
4 1 5
4 Apakah Fitur Prediksi
mudah digunakan?
5 5
5 Apakah website ini
dapat membantu untuk
memprediksi besar
pinjaman?
4 1 5
36
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Tabel 4. 10 Data Jawaban Kuesioner
No Pertanyaan Jawaban Total
A B C D
1 Bagaimana dengan
tampilan web ini?
12 2 14
2 Apakah fitur yang
terdapat pada web
mudah digunakan?
15 15
3 Apakah fitur yang ada
sudah berfungsi?
12 2 14
4 Apakah Fitur Prediksi
mudah digunakan?
10 10
5 Apakah website ini
dapat membantu untuk
memprediksi besar
pinjaman?
12 2 14
Total 51 16 67
Data yang di atas didapatkan dari user yang sudah mencoba website dan mengisi
5 pertanyaan tentang website yang dicoba diolah dengan mengalikan setiap poin
jawaban dengan bobot yang sudah ditentukan sesuai dengan tabel bobot nilai
jawaban. Dari hasil perhitungan dengan mengalikan setiap jawaban bobot yang
sudah ditentukan, maka didapat hasil sebagai berikut.
76%-100% = Sangat mendukung
51%-75% = Mendukung
26%-50% = Cukup mendukung
0-25% = tidak mendukung
37
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Penjelasan perhitungan nilai maksimum 4x5 pertanyaan x 5 orang = 100, itu
adalah nilai maksimum berdasarkan bobot yang dibuat di atas. Nilai minimum
1x5 pertanyaan x 5 orang = 25, maka dari hasil tanggapan responden terhadap
aplikasi ini (67/100) x 100% = 67%. Dengan demikian dari hasil perhitungan,
aplikasi ini mendukung untuk membantu memprediksi besar jumlah pinjaman
untuk peminjam baru.
38
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
BAB V
PENUTUP
5.1 Kesimpulan
Algoritma Linear Regression berhasil melakukan prediksi besar pinjaman dengan
model Y=a+bX walaupun memiliki jumlah error yang besar. Nilai RMSE (Root
Mean Square Error) yang dihasilkan adalah 1321315.7190952399.
Selain memprediksi jumlah pinjaman, penelitian ini juga membuat website yang
memiliki fitur seperti:
a. Simulasi kredit yang berfungsi agar peminjam dapat mengetahui total hutang
yang harus dibayar
b. Fitur klasifikasi rekomendasi peminjaman.
c. Menampilkan data hasil prediksi dan klasifikasi.
5.2 Saran
1. Karena fungsi prediksi pada website ini tidak menunjukan hasil yang baik.
Maka untuk membuat fungsi prediksi pada website ini menjadi lebih baik lagi
bisa dengan melakukan perbandingan dengan jurnal lain mengenai prediksi
pinjaman, baik itu menggunakan algoritma yang sama atau berbeda.
2. Penelitian selanjutnya diharapkan menggunakan algoritma lain selain linear
regresi karena model yang dihasilkan dengan Linear Regression menghasilkan
nilai RMSE (Root Mean Square Error) yang besar.
Daftar Pustaka
Ariata. (2019, 07 30). Pembahasan Lengkap Tentang MySQL Bagi Pemula.
Retrieved 11 15, 2019, from Hostinger:
https://www.hostinger.co.id/tutorial/apa-itu-mysql/
39
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Feblian, D., & Dadan, U. D. (2017). IMPLEMENTASI MODEL CRISP-DM
UNTUK MENENTUKAN SALES PIPELINE PADA PT X. Jurnal
Teknik Industri ISSN: 1411-6340, 12.
Firman, M. (2019, Maret 18). Pengertian Data Mining dan Penerapannya.
Retrieved January 25, 2020, from Kompasiana:
https://www.kompasiana.com/mfirman34/5c8fb0557a6d88244e001272/pe
ngertian-data-mining-dan-penerapannya?page=all
Fransisca Claudya Mewoh, H. J. (2016). Pengertian Kredit Macet. ANALISIS
KREDIT MACET, 5.
Harismawan, F. A., Kharisma, A. P., & Afirianto, T. (2018). Analisis
Perbandingan Performa Web Service Menggunakan Bahasa. Jurnal
Pengembangan Teknologi Informasi dan Ilmu Komputer, 2( Perbandingan
Performa Web Service Menggunakan Python), 237-245.
Keuangan, O. J. (2019). Statistik Perbankan Indonesia. Jakarta: Departemen
Perizinan dan Informasi Perbankan .
Khambali, M., Rohayah, S., & Somantri, O. (2017). Pembangunan Aplikasi
Pengolahan Data Unsur Cuaca. Jurnal Informatika:Jurnal Pengembangan
IT (JPIT), 2.
Kho, D. (2019). Analisis Regresi Linear Sederhana (Simple Linear Regression).
Retrieved Februari 03, 2020, from https://teknikelektronika.com/
Pratama, A. R. (2019). Codepolitan. Retrieved Februari 3, 2020, from
https://www.codepolitan.com/
Putra, M. L., & Putera, A. M. (2019). ANALISIS PERBANDINGAN METODE
SOAP DAN REST YANG. ISSN : 1978-0087 - SCAN VOL. XIV NOMOR
2(PERBANDINGAN METODE SOAP DAN REST), 2.
Putra1, D. W., & Andriani2, R. ( 2019 ). Unified Modelling Language (UML) dalam
Perancangan Sistem. Jurnal TEKNOIF.
Sofyan, A. A., Puspitorini, P., & Yulianto, M. A. (2016). Aplikasi Media
Informasi Sekolah Berbasis SMS Gateway Dengan Metode SDLC. ISSN :
2088 – 1762, 6, 7.
40
DAFTAR RIWAYAT HIDUP PENULIS
Feriyaldy
Lahir di Jakarta, 5 Februari 1998. Kelulusan SD
Islam Al-Maruf pada tahun 2010, SMPN 230
Jakarta pada tahun 2013, SMA PKP JIS pada tahun
2016. Saat ini sedang menempuh pendidikan
Diploma IV Program Studi Teknik Informatika
Jurusan Teknik Informatika dan Komputer
Politeknik Negeri Jakarta.
Lampiran 1