implementasi prediksi besar jumlah pinjaman …

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


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


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


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


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


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


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


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


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


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


(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


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


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


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


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


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


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


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


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


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


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


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


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


b. Perancangan

Tahap selanjutnya merancang gambaran sementara yang berfokus kepada

perancangan interface pengguna yang menggambarkan input dan output pada

sistem.

20


1. Login admin

Gambar 3. 11 Login Activity

Gambar diatas menjelaskan bahwa admin harus melakukan login terlebih dahulu

untuk bisa masuk ke website

21


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


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


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


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


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


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


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


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


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:

[email protected]

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:

[email protected]

m

Password:

Menampilkan

pesan Error

Menampilk

an pesan

Error

√ Menampil

kan pesan

jika email

salah

30



Diharapkan

Pembuktia

n

Hasil Keteranga

n

Asdasdasd)

3 Login menggunakan

email dan password

sesuai yang terdaftar

di database

(email:

[email protected]

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


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


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


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


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


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


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


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


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


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


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


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

implementasi prediksi besar jumlah pinjaman …

Documents