RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN …repository.unair.ac.id/56021/2/KKC KK ST.SI 28 -16 Put r.pdf · adln – perpustakaan universitas airlangga skripsi rancang bangun sistem…

ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P

RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN KLASIFIKASI

KELAS RISIKO KREDIT MENGGUNAKAN METODE NAÏVE BAYES

SKRIPSI

RIESKHA HERMAWAN PUTRA

PROGRAM STUDI S1 SISTEM INFORMASI

FAKULTAS SAINS DAN TEKNOLGI

UNIVESITAS AIRLANGGA

2016


SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P ii


SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P iii


SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P iv

PEDOMAN PENGGUNAAN SKRIPSI

Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam

lingkungan Universitas Airlangga, diperkenankan unutk dipkai sebagai referensi

perpustakaan, tetapi pengutipan harus seizin penyusun dan harus menyebutkan

sumbernya sesuai kebiasaan ilmiah.

Dokumen skripsi ini merupakan hak milik Universitas Airlangga.


SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P v


SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P vi

KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa, karena atas berkat dan

rahmatnya penulis dapat menyelesaikan proposal skripsi yang berjudul “Rancang

Bangun Sistem Klasifikasi Kelas Risiko Kredit Menggunakan Metode Naïve Bayes”

ini. Terima kasih kepada dosen pembimbing satu, Endah Purwanti, S.Si, M,Kom dan

dosen pembimbing dua, Indah Werdiningsih, S.Si, M.Kom, yang telah memberikan

waktu dan ilmunya untuk membimbing penulis menyelesaikan proposal skripsi ini.

Terima kasih penulis haturkan juga kepada sahabat, keluarga besar S1 Sistem

Informasi 2009, serta semua kawan yang ikut mendukung dan memberi dukungan

moril maupun ilmu selama pengerjaan proposal skripsi ini.

Pada akhirnya, tiada suatu yang sempurna. Penulis menyadari bahwa masih

banyak terdapat kekurangan dalam proposal skripsi ini sehingga saran dan masukan

yang membangun sangat diharapkan untuk menjadi evaluasi dan peningkatan kualitas

yang lebih baik lagi.

Surabaya, April 2014

Penulis


SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P vii

UCAPAN TERIMA KASIH

Puji Syukur kepada Allah Subhanahu wa ta’ala, yang telah melimpahkan rahmat

dan hidayah-Nya, sehingga penulis dapat menyelesaikan naskah skripsi yang berjudul

“Rancang Bangun Sistem Pendukung Keputusan Klasifikasi Kelas Risiko Kredit

Menggunakan Metode Naïve Bayes” dengan baik dan lancar.

Dalam penulisan skripsi ini, banyak pihak yang turut serta membantu dalam

penyelesaian skripsi ini, oleh karena itu penulis ingin mengucapkan terima kasih

kepada.

1. Kedua orang tua yang tak pernah lelah memberikan dukungan materil,doa

semangat, dan kasih sayang kepada penulis dalam menyelesaikan penulisan

skripsi ini.

2. Endah Purwanti, S.Si, M.Kom. sebagai pembimbing I yang senantiasa

membimbing, membantu, dan memberikan ilmu selama masa penulisan skripsi.

3. Indah Werdiningsih, S.Si, M.Kom. sebagai pembimbing II yang telah

membimbing, membantu, dan berbagi ilmu dalam penulisan skripsi ini.

4. Drs. Kartono, M.Kom. sebagai dosen wali yang yang dengan ikhlas dan sabar

membagi ilmu, memberikan nasihat, bimbingan dan tuntunan kepada penulis

dalam pengerjaan skripsi

5. Badrus Zaman, S.Kom., M.Cs sebagai ketua program studi S1 Sistem Informasi

yang sudah memberikan perpanjangan masa berlaku proposal.


SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P viii

6. Jajaran Dosen S1 Sistem Informasi yang dengan sabar dan ikhlas membagi

ilmunya kepada penulis.

7. Nurul Wahyuni, S.Kom yang sudah membantu dalam penulisan proposal skripsi.

8. Vuvut Selviana, S.Si yang sudah membantu dalam penulisan skripsi.

9. Hario Laskito Ardi, S.Kom, Aditya Prastyo, S.Kom, Ahimsa Denhas Afrizal,

S.Kom, Luthfi Ali, S.Kom, Yulianto S Helli, A.md, Hendra Adi Firmansyah,

S.Kom, Swastiko Romadhoni, S.Kom, Sandi Freshtanto, S.Kom, dan Alfian

Adipura Nugraha, S.Kom.

10. Teman-teman S1 Sistem Informasi 2008, 2009, 2010, 2011, 2012 dan 2013 yang

tidak bisa disebutkan satu per-satu, teimakasih telah menjadi teman yang baik

selama masa perkuliahan.


SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P ix

Rieskha Hermawan Putra, 2016. Rancang Bangun Sistem Pendukung Keputusan Klasifikasi Kelas Risiko Kredit Menggunakan Metode Naïve Bayes. Skripsi ini dibawah bimbingan Endah Purwanti, S.Si, M.Kom dan Indah Werdiningsih, S.Si, M.Kom. Program Studi S1 Sistem Informasi. Fakultas Sains dan Teknologi, Universitas Airlangga.

ABSTRAK

Risiko kredit atau sering juga disebut dengan default risk merupakan suatu risiko akibat kegagalan atau ketidakmampuan nasabah mengembalikan jumlah pinjaman yang diperoleh dari bank beserta bunganya sesuai dengan jangka waktu yang telah dijadwalkan. Sehingga dibutuhkan suatu sistem komputer yang dapat mempelajari data historis dari peminjaman kredit secara efektif. Metode Naïve Bayes adalah suatu pendekatan probabilitas untuk menghasilkan pengklasifikasian penentuan kemungkinan kelas bagi suatu obyek.

Pada penelitian ini dalam merancang bangun sistem klasifikasi kelas risiko kredit menggunakan naïve bayes. Diperlukan model pengklasifikasian dengan tahap pendefinisian variabel yang digunakan, kemudian tahap yang kedua pendefinisian probabilitas prior untuk setiap kelas, dan penghitungan probabilitas posteriorX dengan syarat Ci (P(X|Ci)) untuk setiap kelas. Setelah didapatkan model tersebut, maka data input calon debitur yang diproses akan menghasilkan probabilitas posteriorX untuk setiap kelas. Hasil dari posteriorX tersebut akan dilakukan pemaksimalan dengan cara dikalikan probabilitas prior. Kemudian hasil pemaksimalan tersebut dibandingkan, apakah pemaksimalan kelas risiko kredit baik lebih besar dari pada pemaksimalan kelas risiko kredit buruk atau sebaliknya. Pemaksimalan yang memiliki nilai lebih tinggi adalah kelas risiko kredit dari calon debitur tersebut. Dari hasil penelitian ini dapat disimpulkan bahwa kombinasi atribut yang memiliki tingkat akurasi tertinggi adalah dengan nilai 72%. Kombinasi tersebut dihasilkan oleh beberapa kombinasi yang ada, dimana rancangan sistem ini menggunakan 1000 data record histories debitur, data tersebut digunakan untuk training sebanyak 950 data dan testing sebanyak 50 data, dibuat berbasis web yang menggunakan PHP sebagai bahasa pemograman server side, javascript sebagai bahasa pemograman client side dan MYSQL sebagai database.

Kata kunci: Kredit, Kelas Risiko,Klasifikasi, Naïve Baiyes


SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P x

Rieskha Hermawan Putra, 2016. Desaign of Decision Support System For Credit Risk Grade Classification Using Naïve Bayes Method. This Undergraduate thesis was under guidance of Endah Purwanti, S.Si, M.Kom and Indah Werdiningsih, S.Si, M.Kom. Bachelor Degree Information System Study Program Faculty of Science and Technology, Airlangga University.

ABSTRACT

Credit risk or often be called by default risk is a risk due to the failure or inability of customers to refund the amount of loans obtained from banks and interest thereon in accordance with a predetermined period of time or scheduled. So it takes a computer system that can observe the historical data of the credit lending. Naïve Bayes method is an approach where the probability to generate classification Combined with prior probability with posterior probabilities to determine the likelihood of the class for an object.

There were several stages in this research, to design the classification system grade credit risks using a naïve Bayes would take a model classification that defined the variable used for this classification, then the second stage was defined the probability prior to each class, and the calculation of the probability posteriorX on condition Ci (P (X | Ci)) for each class. Having obtained the model, then the input data was processed debtor will generate posteriorX probability for each class. The results of posteriorX would be done in a way to maximize the probability multiplied prior. Then by compared the maximize result, whether the maximize good credit class was greater than maximize bad credit or otherwise. The Maximization result which had a higher value was the class of the credit risk of the debtor.

From these results it can be concluded that the combination of attributes that have the highest degree of accuracy was at a value of 72%. The combination was produced by some combination of existing, where the system design using 1000 data was record histories of debtors, the data is used for training as many as 950 data and testing as many as 50 data, created a web-based using PHP as the programming language server side, JavaScript as the programming language client side and MySQL as the database.

Keywords: Credit, Class of Risk ,Classification, Naïve Baiyes


SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P xi

DAFTAR ISI

Halaman

HALAMAN JUDUL ..................................................................................................... i

LEMBAR PERNYATAAN ......................................................................................... ii

LEMBAR PENGESAHAN NASKAH SKRIPSI .......................................................iii

PEDOMAN PENGGUNAAN SKRIPSI .................................................................... iv

KATA PENGANTAR ................................................................................................. v

UCAPAN TERIMA KASIH ....................................................................................... vi

ABSTRAK ................................................................................................................viii

ABSTRACT .................................................................................................................. ix

DAFTAR ISI ................................................................................................................ x

DAFTAR TABEL ...................................................................................................... xii

DAFTAR GAMBAR ................................................................................................xiii

DAFTAR LAMPIRAN .............................................................................................. xv

BAB I PENDAHULUAN

1.1 Latar Belakang ....................................................................................... 1

1.2 Rumusan Masalah .................................................................................. 4

1.3 Tujuan .................................................................................................... 5

1.4 Manfaat .................................................................................................. 5

1.5 Batasan Masalah ..................................................................................... 5


SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P xii

BAB II TINJAUAN PUSTAKA

2.1 Kredit ...................................................................................................... 8

2.2 Data Mining .......................................................................................... 13

2.3 Naïve Bayes Classifier .......................................................................... 16

BAB III METODE PENELITIAN

3.1 Pengumpulan Data dan Informasi ....................................................... 20

3.2 Pengolahan Data dan Informasi .......................................................... 21

3.3 Analisis Menggunakan Metode Naïve Bayes ...................................... 26

3.4 Perancangan dan Implementasi Sistem ............................................... 30

3.5 Evaluasi Sistem .................................................................................... 30

BAB IV HASIL DAN PEMBAHASAN

4.1 Pengumpulan Data dan Informasi ....................................................... 33

4.2 Pengolahan Data dan Informasi .......................................................... 34

4.3 Analisis Menggunakan Metode Naïve Bayes ...................................... 34

4.4 Perancangan dan Implementasi Sistem ................................................ 45

4.5 Evaluasi Sistem ................................................................................... 63

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan .......................................................................................... 69

5.2 Saran .................................................................................................... 70

DAFTAR PUSTAKA .............................................................................................. 71


SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P xiii

DAFTAR GAMBAR

Gambar 3.1 Flowchart Pencarian Model Kombinasi Atribut .................................. 32

Gambar 4.1 Flowchart umum SPK Penentuan Kelas Risiko Kredit ....................... 45

Gambar 4.2 Algoritma umum SPK Penentuan Kelas Risiko Kredit ....................... 46

Gambar 4.3 Flowchart Estimasi Probabilitas data training ..................................... 47

Gambar 4.4 Algoritma Estimasi Probabilitas data training ..................................... 47

Gambar 4.5 Flowchart Inisialisasi Probabilitas Posterior ....................................... 48

Gambar 4.6 Algoritma Inisialisasi Probabilitas Posterior ....................................... 51

Gambar 4.7 Flowchart Inisialisasi probabilitas prior .............................................. 53

Gambar 4.8 Algoritma Inisialisasi probabilitas prior .............................................. 54

Gambar 4.9 Flowchart pemaksimalan ..................................................................... 55

Gambar 4.10 Algoritma pemaksimalan ................................................................... 56

Gambar 4.11 Flowchart perbandingan hasil pemaksimalan .................................... 56

Gambar 4.12 Algoritma perbandingan hasil pemaksimalan .................................... 57

Gambar 4.13 Flowchart Penyimpanan hasil klasifikasi .......................................... 58

Gambar 4.14 Algoritma Penyimpanan hasil klasifikasi ........................................... 58

Gambar 4.15 Input Data Debitur .............................................................................. 59

Gambar 4.16 Output klasifikasi kelas risiko kredit Debitur .................................... 60

Gambar 4.17 Seting Atribut Uji Akurasi ................................................................. 61

Gambar 4.18 Seting Data Testing Uji Akurasi ........................................................ 61


SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P xiv

Gambar 4.19 Hasil Uji Akurasi ................................................................................ 62

Gambar 4.20 Detail Penghitungan Hasil Uji Akurasi .............................................. 62

Gambar 4.21 Detail Hasil Klasifikasi debitur .......................................................... 64


SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P xv

DAFTAR TABEL

Tabel 4.1 Hasil probabilitas posterior X bersyarat C (atribut kategorial) ............... 36

Tabel 4.2 Hasil probabilitas posterior X bersyarat C (atribut numerik) ................. 39

Tabel 4.3 Data Input Untuk Proses Penghitungan Manual ...................................... 40

Tabel 4.4 Data Input Untuk Uji Black Box ............................................................. 62

Tabel 4.5 Perbandingan Hasil Implementasi Sistem dengan Data Asli ................... 64

Tabel 4.6 Hasil Tingkat Akurasi Untuk Beberapa Kombinasi ................................ 66


SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P xvi

DAFTAR LAMPIRAN

Data Training ........................................................................................................... 74

Data Testing ........................................................................................................... 135


SKRIPSI SISTEM PENDUKUNG KEPUTUSAN… RIESKHA H P 1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Terminologi kredit berasal dari bahasa Latin yaitu “Credere” yang berarti

percaya. Oleh karena itu, berdasarkan pemberian kredit kepada seseorang atau

badan usaha adalah berdasarkan kepercayaan. Pengertian kredit menurut Suyatno

(2003) yang dikutip dari Mardison (2012) adalah: “Kredit atau pinjaman yang

diberikan yaitu penyediaan uang atau tagihan-tagihan yang dapat disamakan

dengan itu berdasarkan persetujuan pihak pinjam meminjam antara bank dengan

pihak lain dalam hal, pihak peminjam berkewajiban melunasi hutangnya setelah

jangka waktu tertentu dengan jumlah bunga yang sudah ditetapkan“.

Dalam pemberian kredit, unsur kepercayaan adalah hal yang sangat

mendasar yang menciptakan kesepakatan antara pihak yang memberikan kredit

dan pihak yang menerima kredit untuk dapat melaksanakan hak dan kewajiban

yang telah disepakati, baik dari jangka waktu peminjaman sampai masa

pengembalian kredit serta balas jasa yang diperoleh (Fitria dan Sari, 2012).

Dalam penyaluran kreditnya, kreditur harus siap menghadapi risiko kredit

yang menyebabkan kredit tersebut menjadi bermasalah. Untuk itu, kreditur harus

melakukan perencanaan dan analisis kredit agar bisa mendeteksi kemungkinan

terjadi risiko kredit. Risiko kredit atau sering juga disebut dengan default risk

merupakan suatu risiko akibat kegagalan atau ketidakmampuan nasabah

mengembalikan jumlah pinjaman yang diperoleh dari bank beserta bunganya

ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA 2

SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P

sesuai dengan jangka waktu yang telah ditentukan atau dijadwalkan.

Ketidakmampuan nasabah memenuhi perjanjian kredit yang disepakati kedua

pihak, secara teknis keadaan tersebut merupakan default (Dahlan Siamat, 2005)

dikutip dari Yusnita (2011).

Menurut Wiyoto (2009) dalam Ramdhani (2010) tindakan kreditur dalam

usaha menyelamatkan dan menyelesaikan kredit bermasalah salah satunya dapat

dilakukan dengan memperhatikan data historis dari nasabah calon penerima

kredit. Permasalahannya adalah data historis biasanya begitu banyak sehingga

menyebabkan analisa data secara manual menjadi tidak memungkinkan. Sehingga

dibutuhkan suatu sistem komputer yang dapat mempelajari data historis dari

peminjaman kredit. Solusi yang dapat dilakukan adalah dengan menggunakan

teknik data mining sebagai serangkaian proses untuk menggali nilai tambah dari

suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara

manual.

Salah satu fungsi data mining adalah untuk melakukan klasifikasi. Bentuk

klasifikasi yang dapat digunakan dalam menentukan kelas resiko kredit sebagai

bahan pertimbangan untuk memutuskan nasabah sebagai calon debitur adalah

metode Naive Bayes atau yang sering disebut sebagai Naive Bayes classifier

(NBC). Naïve Bayes adalah suatu pendekatan probabilitas untuk menghasilkan

pengklasifikasian dimana digabungkannya probabilitas kata dengan probabilitas

kategori untuk menentukan kemungkinan kategori bagi suatu obyek (Jiawei Han

dan Micheline Kamber, 2001).



Algoritma NBC bertujuan untuk melakukan klasifikasi data pada klas

tertentu . NBC merupakan algoritma klasifikasi yang sangat efektif (mendapatkan

hasil yang tepat) dan efisien (proses penalaran dilakukan memanfaatkan input

yang ada dengan cara yang relatif cepat) (Zhang, 2007). Pada metode ini, semua

atribut akan memberikan kontribusi dalam pengambilan keputusan, dengan bobot

atribut yang sama penting dan setiap atribut saling bebas satu sama

lain.(Kusumadewi, 2009).

Dalam penelitian ini, data yang digunakan adalah data German Credit yang

diperoleh dari website dengan alamat

http://archieve.ics.uci.edu/ml/datasets/”Statlog+%28German+Credit+Data%29 .

Data tersebut berisi data debitur beserta kriteria yang digunakan dalam

menentukan kelayakan debitur. Sumber data diperoleh dari Professor Dr. Hans

Hofmann dari institute f"ur Statistik und "Okonometrie, Universit"at Hamburg,

FB Wirtschaftswissenschaften, Von-Melle-Park 5, 2000 Hamburg 13. Data

tersebut berjumlah 1000 record yang terdiri dari 20 atribut yaitu: A1: Status

rekening giro, A2:jangka waktu peminjaman, A3: sejarah kredit, A4: tujuan

kredit, A5: jumlah kredit, A6: jumlah simpanan, A7: lama bekerja, A8: biaya

angsuran terhadap sisa pendapatan, A9: status perkawinan dan jenis kelamin,

A10: status orang yang berhutang lainya (penjamin), A11: lama bertempat tinggal,

A12: properti, A13: usia, A14: rencana angsuran lain, A15: tempat tinggal A16:

jumlah kredit sebelumnya, A17: pekerjaan, A18: jumlah tanggungan, A19:

telepon, dan A20: tenaga kerja asing

http://archieve.ics.uci.edu/ml/datasets/”Statlog+%28German+Credit+Data%29



Penggunaan dari ke-20 atribut yang ada belum tentu menghasilkan

klasifikasi kelas resiko kredit dengan akurasi tinggi jika dibandingkan dengan

menggunakan sebagian atribut saja. Oleh karena itu, akan dicari model kombinasi

atribut yang menghasilkan klasifikasi kelas resiko dengan akurasi tertinggi. Proses

pencarian dilakukan dengan cara melakukan percobaan sebanyak kombinasi dari

ke-20 atribut tersebut. Hasil evaluasi dari percobaan untuk setiap kombinasi yang

memiliki nilai keakuratan paling tinggi akan dijadikan sebagai model untuk

klasifikasi kelas resiko kredit.

Melihat permasalahan diatas, maka untuk menentukan nasabah yang layak

menjadi calon debitur untuk menghindari kredit yang bermasalah dikemudian

hari, maka dibuat sebuah sistem komputer untuk mengklasifikasikan kelas resiko

kredit nasabah sebagai calon debitur dengan memanfaatkan syarat pengajuan

kredit yang digunakan sebagai kriteria-kriteria penilaian. Sistem komputer

tersebut akan dibangun dengan menggunakan metode Naïve Bayes untuk

mengklasifikasikan kelas resiko kredit debitur apakah termasuk kelas resiko kredit

baik atau termasuk kelas resiko kredit buruk (bermasalah) berdasarkan hasil

penilaian dari kriteria-kriteria masing-masing calon debitur.

1.1 Rumusan Masalah

Berdasarkan latar belakang di atas, maka rumusan masalah dari penelitian ini

adalah:

1. Bagaimana merancang bangun sistem klasifikasi kelas resiko kredit

menggunakan metode Naïve Bayes?

2. Bagaimana membuat model kombinasi atribut terbaik untuk digunakan pada



sistem klasifikasi kelas resiko kredit menggunakan metode Naïve Bayes?

1.2 Tujuan

1. Mermbuat sistem klasifikasi kelas resiko kredit menggunakan metode Naïve

Bayes

2. Menentukan model kombinasi atribut yang terbaik dalam merancang bangun

sistem klasifikasi kelas resiko kredit menggunakan Naïve Bayes

1.4 Manfaat

Manfaat yang bisa didapat dari penelitian dan penulisan ini adalah sebagai

berikut:

1. Dapat memberi rekomendasi terhadap calon debitur yang memiliki

kelayakan untuk menjadi debitur secara objektif.

2. Penerapan sistem klasifikasi kelas resiko kredit ini dapat memberi solusi yang

lebih obyektif dan konsisten untuk menguatkan proses penentuan nasabah

sebagai calon debitur dalam menerima kredit sehingga mengurangi resiko

terjadinya kredit macet.

3. Dapat dijadikan model untuk pengembangan sistem pada organisasi sejenis di

waktu mendatang

4. Memberikan wawasan mengenai bagaimana membuat sistem pada suatu

organisasi, terutama dengan menggunakan metode Naïve Bayes

1.5 Batasan Masalah

Batasan masalah dari penelitian dan penulisan ini adalah sebagai berikut:

1. Pada penelitian kali ini, data yang digunakan merupakan data online German

Credit yang diperoleh dari Professor Dr. Hans Hofmann dari institute f"ur



SStatistik und "Okonometrie, Universit"at Hamburg sebanyak 1000 data.


2. Dalam merancang bangun SPK terkait penentuan kelas resiko kredit nasabah

sebagai calon debitur sebagai penerima kredit, terdapat 20 kriteria/ atribut

yang dijadikan penilaian dalam penelitian ini yaitu :

a. A1: Status rekening giro,

b. A2:jangka waktu peminjaman,

c. A3: sejarah kredit,

d. A4: tujuan kredit,

e. A5: jumlah kredit,

f. A6: jumlah simpanan,

g. A7: lama bekerja

h. A8: biaya angsuran terhadap sisa pendapatan

i. A9: status perkawinan dan jenis kelamin

j. A10: status orang yang berhutang lainya (penjamin)

k. A11: lama bertempat tinggal

l. A12: properti

m. A13: usia,

n. A14: rencana angsuran lain

o. A15: tempat tinggal

p. A16: jumlah kredit sebelumnya

q. A17: pekerjaan

r. A18: jumlah orang yang ditanggung biaya hidupnya




s. A19: telepon

t. A20: tenaga kerja asing

3. Untuk setiap kategori numerik datanya diasumsikan berdistribusi normal.

4. Dalam membuat sistem ini, output yang dihasilkan hanya merupakan

klasifikasi kelas resiko kredit, apakah calon debitur termasuk ke dalam kelas

resiko kredit baik atau kelas resiko kredit buruk, bukan menentukan apakah

kredit yang diajukan oleh debitur akan diterima ataukah tidak.

ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGA

SKRIPSI RANCANG BANGUN SISTEM … RIESKHA H P 8

BAB II

TINJAUAN PUSTAKA

2.1 Kredit

Menurut Suyatno (2003) yang dikutip dari Mardison (2012) , kredit adalah

penyediaan uang atau tagihan- tagihan yang dapat disamakan dengan itu

berdasarkan persetujuan pinjam meminjam antara bank dengan pihak lain dalam

hal mana pihak peinjam berkewajiban melunasi hutangnya setelah jangka waktu

tertentu dengan jumlah bunga yang telah ditetapkan.

Sedangkan menurut Pasal 1 angka 11 Undang-undang Nomor 10 Tahun

1998 tentang Perubahan Atas Undang-undang Nomor 7 Tahun 1992 tentang

Perbankan, kredit adalah penyediaan uang atau tagihan yang dapat dipersamakan

dengan itu, berdasarkanpersetujuan atau kesepakatan pinjam meminjam antara

bank dengan pihak lain yangmewajibkan pihak peminjam melunasi utangnya

setelah jangka waktu tertentu denganpemberian bunga. Istilah kredit berasal dari

bahasa Yunani “Credere” yang berarti kepercayaan, oleh karena itu dasar dari

kredit adalah kepercayaan. Seseorang atau semua badan yang memberikan kredit

(kreditur) percaya bahwa penerima kredit (debitur) di masa mendatang akan

sanggup memenuhi segala sesuatu yang telah dijanjikan itu dapat berupa barang,

uang atau jasa.

2.1.1 Unsur-Unsur Kredit

Unsur- unsur yang ada dalam kredit menurut Thomas. S (1998) yang

dikutip dalam Rosmilia (2009) adalah:



1. Kepercayaan

Keyakinan pemberi kredit bahwa kredit yang diberikan kepada penerima

kredit baik dalam bentuk uang, barang atau jasa akan diterima kembali dalam

jangka waktu yang telah ditetapkan daam perjanjian kredit yang telah dibuat

dan disetujui oleh kedua belah pihak.

2. Waktu

Tenggang waktu yang memisahkan antara pemberian kredit sampai dengan

pembayaran kredit, dimana ada jangka pendek, menengah dan jangka panjang.

3. Resiko

Tingkat resiko yang akan dihadapi karena adanya jangka waktu dalam

pengembalian kredit. Semakin lama kredit diberikan, maka semakin tinggi pula

tingkat resikonya. Dengan adanya unsur resiko inilah maka perlu adanya

jaminan dalam proses pemberian kredit.

4. Prestasi

Disebut juga objek kredit yang dapat berupa uang, barang atau jasa.

Sedangkan menurut Moh.Toejekam (1998) yang dikutip dalam (Fitria dan Sari,

2012) unsur-unsur yang terkandung dalam pemberian fasilitas kredit adalah

sebagai berikut:

a. Waktu

Waktu ini mencakup masa pengembalian kredit yang telah disepakati.

Jangka waktu tersebut menyatakan bahwa ada jarak antara saat pesetujuan

pemberian kredit dan pelunasannya.



b. Kepercayaan

Kepercayaan ini yang melandasi pemberian kredit oleh pihak kreditur

kepada debitur, bahwa setelah jangka waktu tertentu debitur akan

mengembalikannya sesuai kesepakatan yang disetujui oleh pihak kedua.

c. Penyerahan

Penyerahan ini merupakan pernyataan bahwa pihak kreditur

menyerahkan nilai ekonomi kepada debitur yang harus dikembalikannya

setelah jatuh tempo.

d. Risiko

Risiko yang menyatakan adanya risiko yang mungkin timbul sepanjang

jarak antara saat memberikan dan perlunasannya. Semakin panjang suatu

kredit semakin besar risikonya demikian pula sebaliknya. Risiko ini menjadi

tanggungan bank, baik yang disengaja oleh nasabah maupun yang tidak di

sengaja.

e. Persetujuan/ Perjanjian

Persetujuan/Perjanjian merupakan suatu hal yang menyatakan bahwa

antara kreditur dan debitur terdapat suatu persetujuan dan dibuktikan dengan

suatu perjanjian.

2.1.2. Prinsip-Prinsip Perkreditan

Prinsip perkreditan disebut juga sebagai konsep 5C (Robbins dan Mary,

1999).

1. Character



Character adalah kejujuran, integritas, stabilitas, motivasi yang ada pada

diri peminjam.

2. Capacity

Capacity adalah kemapuan manajemen dari calon peminjam untuk

mengelola kas yang cukup untuk memenuhi kewajibannya kepada pihak

pemberi pinjaman.

3. Capital

Capital adalah jumlah harta yang dimiliki dibandingkan dengan modal.

Analisa ini bertujuan untuk mengetahui capital strukture calon peminjam,

berapa yang bersumber dari dalam perusahaan sendiri dan berapa yang

bersumber dari pihak lain.

4. Collateral

Collateral adalah Aset Peminjam yang diserahkan kepada Kreditur apabila

peminjam gagal dalam memenuhi kewajibannya.

5. Condition

Condition adalah situasi dan kondisi politik, sosial, ekonomi, budaya dan

lain-lain yang mempengaruhi keadaan perekonomian pada suatu saat maupun

kurun waktu tertentu yang kemungkinan akan mempengaruhi kelancaran usaha

calon peminjam.

2.1.4 Kredit Bermasalah

Menurut Tjoekam (2004) kredit bermasalah adalah gambaran dari suatu

kondisi kredit dimana persetujuan pengembalian kredit berupa prinsipal, bunga,

biaya-biaya dan overdraft akan mengalami kegagalan karena tanda- tanda



penyimpangan dibiarkan terakumulasi sehingga menurunkan mutu kredit dan

cenderung menimbulkan kerugian yang potensial bagi bank.

H. Budi Untung (2000) dalam Rosmalia (2009) menyebutkan kredit macet

masih dapat terjadi diantaranya dapat disebabkan karena :

1. Kesalahan appraisal

2. Membiayai proyek dari pemilik/ terafiliasi

3. Membiayai proyek yang direkomendasi oleh kekuatan tertentu

4. Dampak makro ekonomi/ unforecasted variable

5. Kenakalan nasabah

Sedangkan Siswanto Sutojo (2007) dalam Rosmalia (2009) mengatakan

bahwa kredit bermasalah dapat timbul selain karena sebab-sebab dari pihak

kreditur, sebagian besar kredit bermasalah timbul karena hal-hal yang terjadi pada

pihak debitur, antara lain :

1. Menurunnya kondisi usaha bisnis perusahaan yang disebabkan merosotnya

kondisi ekonomi umum dan/ atau bidang usaha dimana mereka beroperasi.

2. Adanya salah urus dalam pengelolaan usaha bisnis perusahaan, atau karena

kurang berpengalaman dalam bidang usaha yang mereka tangani.

3. Problem keluarga, misalnya perceraian, kematian, sakit yang berkepanjangan,

atau pemborosan dana oleh salah satu atau beberapa orang anggota keluarga

debitur.

4. Kegagalan debitur pada bidang usaha atau perusahaan mereka yang lain.

5. Kesulitan likuiditas keuangan yang serius.



6. Munculnya kejadian di luar kekuasaan debitur, misalnya perang dan bencana

alam.

2.2 Data Mining

Data mining disebut sebagai serangkaian proses untuk menggali nilai tambah

berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu

kumpulan data (Bustami, 2011). Menurut Badriyah (2008), data mining diartikan

sebagai sustu proses ekstraksi informasi berguna dan potensial dari sekumpulan

data yang terdapat secara implisit dalam suatu basis data. Banyak istilah lain dari

data mining yang dikenal luas seperti Knowledge Mining From Database,

Knowledge Extraction, Data Archeology dan lain sebagainya.

Dengan diperolehnya informasi- informasi yang berguna dari data yang ada,

hubungan antara item dalam transaksi, maupun informasi- informasi yang

potensial, selanjutnya dapat diteliti dan dianalisa lebih lanjut dari berbagai sudut

pandang.

Informasi yang ditemukan ini selanjutnya dapat diaplikasikan untuk aplikasi

manajemen, melakukan query processing, pengambilan keputusan dan lain

sebagainya. Dengan semakin berkembangnya kebutuhan akan informasi-

informasi, semakin banyak pula bidang-bidang yang menerapkan konsep data

mining.

Menurut Fu (2007) terdapat lima macam model dari Data Mining berdasarkan

pola yang dicari, yaitu:

a. Asosiasi



Model Data Mining untuk mendapatkan hubungn ketergantungan antar

barang (produk) pada sekumpulan record yang terdiri atas beberapa produk

yang berbeda. Asosiasi merupakan penemuan kebersamaan atau hubungan dari

objek-objek. Sebagai contoh toko retail mungkin menemukan bahwa orang-

orang sering membeli roti bersama dengan mentega, dan kemudian manager

toko tersebut memutuskan untuk meletakkan mentega tidak jauh dengan roti.

b. Ringkasan

Ringkasan merupakan abstraksi atau generalisasi data. Ringkasan akan

menghasilkan himpunan yang lebih kecil yang akan memberikan pandangan

umum dari data dan berasal dari pengumpulan informasi. Sebagai contoh

panggilan jarak jauh konsumen dapat diringkas pada total menit, total

pengeluaran, total panggilan dan lain lain. Ringkasan informasi tersebut, selain

panggilan detail dilaporkan pada sales manager untuk analisa konsumen.

c. Klasifikasi

Model data mining untuk mendapatkan model dari kelas variabel target

(predicted variable) berdasarkan record- record yang terdiri dari beberapa

variabel bebas (predictor variable). Hasil akhir dari klasifikasi ini adalah

menentukan kelas suatu record yang sebelumnya tidak diketahui. Untuk

melakukan aktifitas ini diperlukan dua buah himpunan data. Himpunan data

pertama adalah Training Set yang digunakan utnuk membangun model dan

kedua adalah Testing Set yang digunakan untuk menguji model yang

dihasilkan. Contoh penggunaan klasifikasi adalah pada kasus penghematan

biaya pengiriman brosur penawaran. Pendekatan yang dilakukan adalah dengan



menggunakan data historis penawaran produk yang dimiliki sebelumnya,

dimana terlihat siapa yang akan membeli dan siapa yang tidak. Dalam hal ini

{Membeli dan Tidak Membeli} adalah kelas variabel target (predicted

variable). Dengan menggunakan data historis tersebut, dibangun model

klasifikasi dengan input berupa variabel bebas (predictor variable).

d. Klasterisasi

Model data mining yang berusaha mengelompokkan data dari sekumpulan

data yang mempunyai beberapa attribut yang memiliki kesamaan ke dalam

suatu kelompok dan memisahkan data lain ke dalam kelompok yang berbeda

apabila tidak memiliki kesamaan. Syarat utnuk melakukan pengelompokan ini

adalah berapa banyak kata yang berhubungan dengan salah satu kategori pada

masing- masing artikel.

e. Analisa Tren

Identifikasi pola pada evolusi sebuah objek. Salah satu topik dalam

analisis tren adalah identifikasi pola pada evolusi sebuah objek, seperti naik,

turun, puncak, lembah dan lain- lain. Sebagai contoh, pengestimasian laba

perusahaan tahun ini dari laba tahun lalu berdasarkan estimasi peningkatan laba

rata-rata tahunan.

2.3 Naïve Bayes Classifier

Dikutip dari buku Introduction to Data Mining, Naïve Bayes

mengasumsikan bahwa nilai dari sebuah input atribut pada kelas yang diberikan

tidak tergantung dengan nilai dari atribut yang lain. Naive Bayes mengestimasi



peluang kelas bersyarat dengan mengasumsikan bahwa atribut adalah independen

secara bersyarat yang diberi label kelas y (Pang-Ning Tan, et al, 2006).

Bayes Classification merupakan metode pengklasifikasian statistik yang

dapat memprediksikan probabilitas class keanggotaan seperti probabilitas tupel

milik class yang sudah jelas. Bayes classification melakukan klasifikasi terhadap

algoritma yang memiliki bayesian classifier sederhana agar kinerjanya sebanding

dengan decision tree dan neural network classifier. Bayesian classification juga

memiliki akurasi dan kecepatan yang tinggi ketika diterapkan ke dalam database

yang besar. Naive bayes classifier mengasumsikan nilai dari atibut yang ada di

dalam kelas adalah independent. Asumsi ini disebut juga dengan class-conditional

indoependent yang digunakan untuk menyederhanakan perhitungan yang terlibat.

2.3.1 Bayes Theorem

Bayes berasal dari nama belakang seorang pastur yaitu Thomas Bayes

yang telah berkecimpung dalam teori probabilitas dan teori decision selama abad

ke 18. X adalah data tupel, dalam istilah bayesian, X dianggap sebagai evidence

(bukti) yang dijelaskan melalui pengukuran dari sekumpulan atribut. Sedangkan H

merupakan beberapa hipotesis, seperti halnya data tupel X yang termasuk dalam

ketentuan class C. Dalam mengklasifikasikan masalah, perlu menentukan

, untuk mendapatkan hipotesis H diperlukan evidence atau dengan cara

mengobservasi data tupel X. Dengan kata lain, untuk melihat probabilitas bahwa

tupel X termasuk dalam class C, perlu mengetahui lebih dulu deskripsi dari X.

adalah probabilitas posterior, dimana H mengkondisikan X dan

merupakan probabilitas prior dari H. berasal dari beberapa



informasi, sedangkan sebagai probabilitas prior berasal dari independent of

X. Dengan kata lain, adalah probabilitas posterior dari X yang

dikondisikan dalam H.

Teori bayes ini berguna untuk menghitung probabilitas posterior

dari , dan .

2.3.2 Cara Kerja Naive Bayes

Naive Bayes merupakan metode yang menggunakan pendekatan

probabilitas untuk menghasilkan klasifikasi. Metode ini menggabungkan

probabilitas term dengan probabilitas kategori untuk menentukan kemungkinan

kategori hasil. Sebelum masuk ke langkah-langkah penghitungan, berikut adalah

penjelasan mengenai Naive Bayes (Jiawei Han dan Micheline Kamber, 2001):

1. Setiap data direpresentasikan sebagai vektor berdimensi-n yaitu

X=(X1,X2,X3,….Xn), n adalah gambaran dari ukuran yang dibuatkan test dari n

atribut yaitu A1,A2,A3,……,An.

2. m adalah kumpulan kategori yaitu C1,C2,…,Cm. Diberikan data test X yang

tidak diketahui kategorinya, maka classifier akan memprediksi bahwa X adalah

milik kategori dengan posterior probability tertinggi berdasarkan kondisi X.

Oleh karena itu, Naïve Bayes menandai bahwa test X yang tidak diketahui tadi

ke kategori Ci jika dan hanya jika:

P(Ci|X)>P(Cj|X) untuk i ≤ j ≤ m, j ≠ i. Kemudian P(Ci|X) perlu dimaksimalkan.

P(Ci|X) =

(2.1)

(2.2)



3. Untuk mengurangi perhitungan dalam evaluasi P(X| ) , asumsi naif

independensi kelas bersyarat perlu dibuat. Hal ini menganggap nilai atribut

saling independen dengan yang lainnya.

P(X| ) =

= × × … × .

Sehingga lebih mudah memperkirakan , ,…, dari

data training. Dimana mengacu pada nilai atribut untuk data . Untuk

setiap atribut yang akan dihitung harus diperhatikan terlebih dahulu, apakah

termasuk atribut kategorial atau atribut numerik. Oleh karenanya, untuk

menghitung P(X| ) perlu memperhatikan hal berikut :

a Jika adalah atribut kategorial, maka adalah jumlah data dengan

kelas pada D yang bernilai yang mengacu pada dibagi oleh .

Dimana D adalah jumlah data training dan adalah jumlah data dengan

kelas pada data training.

b Jika adalah atribut numerik, maka perlu dilakukan sedikit lebih banyak

langkah penyelesaian. Atribut numerik biasanya diasumsikan memiliki

distribusi Gaussian dengan µ sebagai rata-rata dan sebagi standar deviasi.

g(x, µ, ) =

,

Sehingga = g( , , ).

Sedangkan untuk mean ( dihitung dengan persamaan:

(2.4)

(2.5)

(2.6)

(2.3)



Dan standar deviasi ( dihitung dengan persamaan:

4. Untuk memprediksi kelas dari X, P(X|Ci)P(Ci) dievaluasi untuk setiap kelas Ci.

Naïve bayes akan memprediksi bahwa kelas dari X adalah Ci jika dan hanya

jika P(X|Ci)P(Ci) P(X|Ck)P(Cj) , dimana 1 . Dengan kata lain

prediksi kelas termasuk kelas Ci jika P(X|Ci)P(Ci) bernilai maksimal.

P(X|Ci)P(Ci) bernilai maksimal.

(2.7)

(2.8)


SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P 20

BAB III

METODE PENELITIAN

Metode penelitian merupakan tahapan dan cara yang perlu dilakukan

untuk membuat suatu pemecahan masalah yang terjadi dengan berdasarkan pada

teori yang dikumpulkan.Langkah-langkah yang diambil untuk memecahkan

masalah merupakan susunan tahapan yang sistematis dan teratur guna

mengefisiensikan waktu penelitian.

Adapun tahapan yang dilakukan pada rancang bangun sistem pendukung

penentuan kelas resiko kredit adalah sebagai berikut:

1. Pengumpulan data dan informasi

2. Pengolahan data dan informasi

3. Analisis dan pengolahan data dengan metode Naïve Bayes

4. Perancangan dan Implementasi Sistem

5. Evaluasi Sistem

3.1 Pengumpulan Data dan Informasi

3.1.1 Bahan Penelitian

Data yang digunakan dalam menunjang penelitian ini adalah German Credit

Data yang diunduh dari website dengan alamat


yang berisi tentang data debitur beserta kriteria yang digunakan dalam

menentukan kelayakan debitur tersebut.Sumber data ini diperoleh dari Professor

Dr. Hans Hofmann dari Institut f"urStatistik und "Okonometrie,

http://archieve.ics.uci.edu/ml/datasets/



Universit"atHamburg, FB Wirtschaftswissenschaften, Von-Melle-Park 5, 2000

Hamburg 13. Data tersebut berjumlah 1000 record yang terdiri dari 20 atribut

yaitu: A1: Status rekening giro, A2:jangka waktu peminjaman, A3: sejarah kredit,

A4: tujuan kredit, A5: jumlahkredit, A6: jumlah simpanan, A7: lama bekerja, A8:

biaya angsuran terhadap sisa pendapatan, A9: status perkawinan dan jenis

kelamin, A10: status orang yang berhutang lainya (penjamin), A11: lama

bertempat tinggal, A12: properti, A13: usia, A14: rencana angsuran lain, A15:

tempat tinggal A16: jumlah kredit sebelumnya, A17: pekerjaan, A18: jumlah

tanggungan, A19: telepon, dan A20: tenaga kerja asing

3.1.2 Obyek Penelitian

Obyek penelitian yang dituju adalah calon debitur yang akan

diklasifikasikan dalam kelas resiko kredit baik atau buruk, dengan melakukan

proses klasifikasi data peminjam yang berisiko kredit baik dan peminjam yang

berisiko kredit buruk dengan mengenali pola data yang telah ada sebelumnya.

3.2 Pengolahan Data dan Informasi

Pada penelitian ini akan digunakan sebanyak 1000 data record histories

peminjam, data tersebut digunakan untuk training sebanyak 950 data dan testing

sebanyak 50 data. Data training adalah data yang akan digunakan untuk membuat

model klasifikasi. Sedangkan data testing, adalah data yang nantinya akan

digunakan untuk mengukur tingkat keakuratan sistem.

Data yang digunakan dalam penelitian ini mempunyai 20 attribut yang

terdiri dari 7 attribut numerik dan 13 attribut kategori, serta 1 attribut sebagai



variabel output atau kelas resiko kredit. Dan khusus untuk atribut numerik

penghitungan probabilitas baik dan buruk menggunakan persamaan 2.5.

Ke-20 attribut yang akan digunakan dalam membangun sistem klasifikasi

dalam menentukan kelas resiko kredit adalah sebagai berikut.

Atribut kategori :

1) A1: Status rekening giro

Merupakan data kualitatif yang dibedakan menjadi 4 kategori, yaitu:

1 : … < 0 DM

2 : …< 200 DM

3 : … >= 200 DM/ salary assignment for at least 1 years

4 : tidak mempunyai giro

2) A3: Sejarah kredit

Merupakan data kualitatif yang dibedakan menjadi 5 kategori, yaitu:

1 : tidak pernah mempunyai kredit

2 : semua kredit dibayar tepat waktu

3 : semua kredit pada bank ini dibayar tepat waktu

4 : terdapat penundaan pembayaran kredit sebelumnya

5 : akun kritis/ masih mempunyai tanggungan kredit lain

3) A4: Tujuan kredit

Merupakan data kualitatif yang menunjukkan untuk tujuan apa debitur

mengajukan kredit. Atribut ini dibedakan menjadi 10 kategori, yaitu:

1 : mobil (baru)

2 : mobil (bekas)



3 : furnitur dan sejenisnya

4 : radio/ televisi

5 : peralatan rumah tangga

6 : perbaikan

7 : pendidikan

8 : liburan

9 : pelatihan ulang

10 : bisnis/ usaha

11 : lain-lain

4) A6: Jumlah simpanan

Merupakan data kualitatif yang menunjukkan jumlah tabungan yang dimiliki

oleh calon debitur. Attribut ini terdiri dari 5 kategori, yaitu:

1 : … < 100 DM

2 : 100 <= … < 500 DM

3 : 500 <= … < 1000 DM

4 : … >= 1000 DM

5 : tidak memiliki simpanan/ tidak diketahui

5) A7: lama bekerja

Merupakan data kualitatif yang menunjukkan telah berapa lama calon

peminjam telah bekerja. Atribut ini terdiri dari 5 kategori, yaitu:

1 : tidak bekerja

2 : … < 1 tahun

3 : 1 <= … < 4 tahun



4 : 4 <= … < 7 tahun

5 : … >= 7 tahun

6) A9: Status perkawinan dan jenis kelamin,

Merupakan data kualitatif yang menunjukkan jenis kelamin dan status

perkawinan calon peminjam. Atribut ini terdiri dari 5 kategori, yaitu:

1 : pria (berpisah/ bercerai)

2 : wanita (berpisah/ bercerai/ menikah)

3 : pria (belum menikah)

4 : pria (menikah/ duda)

5 : wanita (belum menikah)

7) A10: status orang yang berhutang lainya (penjamin)

Merupakan data kualitatif yang menunjukkan peminjam lain/ penjamin yang

dapat menjadi jaminan bagi calon peminjam. Atribut ini terdiri dari 3 kategori,

yaitu:

1 : tidak ada penjamin

2 : peminjam lain

3 : penjamin

8) A12: Properti

Merupakan data kualitatif yang menunjukkan properti apa yang dimiliki calon

peminjam. Atribut ini terdiri dari 4 kategori, yaitu:

1 : real estate

2 : jika bukan 1, asuransi hidup atau sertifikat tanah/ bangunan

3 : jika bukan 1 / 2, mobil atau lainya yang tidak termasuk pada atribut A6



4 : tidak ada properti/ tidak diketahui

9) A14: Rencana angsuran lain

Merupakan data kualitatif yang menunjukkan rencana angsuran lain yang

dimiliki oleh calon peminjam. Atribut ini terdiri dari 3 kategori, yaitu:

1 : bank

2 : toko

3 : tidak ada rencana angsuran lain

10) A15: Tempat tinggal

Merupakan data kualitatif yang menunjukkan status kepemilikn tempat tinggal

calon peminjam. Atribut ini dibagi menjadi 3 kategori, yaitu:

1 : sewa

2 : milik sendiri

3 : bebas

11) A17: Pekerjaan

Merupakan data kualitatif, menunjukkan jenis pekerjaan calon debitur, yang

dibedakan menjadi 4 kategori, yaitu:

1 : tidak bekerja/ tidak memiliki keterampilan (bukan penduduk)

2 : tidak memiliki keterampilan (penduduk)

3 : pekerja yang memiliki keterampilan/ karyawan

4 : wirausaha/ manajemen/ karyawan atas dengan kualifikasi tinggi

12) A19: Telepon

Merupakan data kualitatif yang menunjukkan apakah calon peminjam

memiliki telepon atau tidak. Atribut ini dibedakan menjadi 2 kategori, yaitu:



1 : tidak ada telepon

2 : ada, dan terdaftar atas nama peminjam sendiri

13) A20: Tenaga kerja asing

Merupakan data kualitatif, menunjukkan apakah calon peminjam merupakan

pekerja asing yang berasal dari luar negeri ataukah memang penduduk asli negara

tersebut. Atribut ini dibedakan menjadi 2 kategori, yaitu:

1 : ya (pekerja asing)

2 : bukan pekerja asing

Atribut numerik:

1) A2:Jangka waktu peminjaman (bulan)

2) A5: Jumlahkredit (euro)

3) A8: Biaya angsuran terhadap sisa pendapatan (frekuensi angsuran tiap bulan)

4) A11: Lama bertempat tinggal (tahun)

5) A13: Usia (tahun)

6) A16: Jumlah kredit sebelumnya (frekuensi kredit)

7) A18: Jumlah tanggungan. (jumlah orang yang ditanggung)

3.3 Analisis Menggunakan Metode Naïve Bayes

3.3.1 Langkah Penghitungan Naïve Bayes

Naïve Bayes merupakan metode yang dibentuk melalui pengklasifikasian

data test melalui satu set data training yang telah ada sebelumnya sehingga dapat

mengetahui hubungan antara atribut data dengan variabel kelas yang dibentuk

melalui probabilitas bagi setiap kemungkinan klasifikasinya.



Berdasarkan attribut yang telah disebutkan diatas, kemudian dilakukan dua

tahapan proses untuk memprediksi kelas resiko kredit kepada peminjam yang

beresiko kredit baik dan buruk, yaitu tahapan proses training dan tahapan proses

klasifikasi. Pada tahapan training, akan dilakukan proses pencarian nilai peluang

bersyarat dan proses pencarian nilai peluang prior. Setelah model prediksi

dibangun pada proses training, maka selanjutnyadilakukan proses

pengklasifikasian data yang belum diketahui label kelasnya.

Naïve Bayes Classifier diterapkan untuk melakukan beberapa proses yang

telah dijelaskan diatas, output yang akan dihasilkan sistem berupa nilai peluang

bersyarat, nilai peluang prior dan tingkat akurasi klasifikasi. Sedangkan yang

kedua adalah data hasil prediksi yaitu kelas resiko kredit (Baik/Buruk). Kelas

resiko kredit yang digunakan adalah yang terbesar, yaitu Baik didapatkan jika

P(Baik|X) > P(Buruk|X) dimana X adalah atribut yang sudah diketahui.

Sebaliknya, Buruk didapat jika P(Baik|X) < P(Buruk|X).

Attribut yang digunakan dalam memprediksi kelas resiko kredit dibedakan

menjadi 2, yaitu atribut kategori dan numerik. Atribut kategori terdiri dari A1:

Status Giro, A3: Sejarah Kredit, A4: Tujuan Kredit, A6: Jumlah Simpanan, dan

A9: Pekerjaan. Sedangkan attribut numerik terdiri dari A2: Durasi Kredit, A5:

Jumlah Kredit, A7: Usia, A8: Jumlah Kredit Sebelumnya, dan A10: Jumlah Orang

yang Menjadi Tanggungan.Penghitungan kelas resiko kredit dengan metode Naïve

Bayes Classifier menggunakan persamaan 2.2.



Dengan demikian, tahapan analisis Naïve Bayes adalah sebagai berikut:

1. Mendefinisikan kelas (P(Ci|X))

P(Ci|X) akan mewakili hasil pengklasifikasian, dimana hasil klasifikasi

menunjukkan kelas resiko kredit Baik dan Buruk yang direpresentasikan pada

Ci melalui C0 dan C1 untuk 0=Baik dan 1=Buruk. Hal ini berarti diperlukan

perhitungan untuk mengetahui kemungkinan Ci terhadap kriteria yang terdapat

pada vektor X sehingga variabel yang akan dicari pada penelitian ini adalah

P(C0|X) dan P(C1|X).

2. Penghitungan Probabilitas prior ( P(Ci) )

P(Ci) merupakan kemungkinan jawaban klasifikasi kelas resiko kredit

Baik (C0) atau Buruk (C1) yang akan dihitung melalui hasil pembagian jumlah

kemungkinan jawaban C0 atau C1 yang muncul pada data training dengan total

keseluruhan jawaban.

3. Penghitungan Probabilitas posterior X dengan syarat C ( P(X|Ci) )

Setiap kemungkinan kejadian dengan syarat C akan dihitung dengan

melihat probabilitas jumlah kejadian X yang memiliki persyaratan kejadian C.

Penghitungan Probabilitas posterior X dengan syarat C akan terbagi menjadi 2

yaitu penghitungan Probabilitas posteriorX dengan syarat C0 ( P(X|C0) ) untuk

melihat kemungkinan suatu objek ternasuk kelas resiko kredit baik dan

penghitungan Probabilitas posteriorX dengan syarat C1 ( P(X|C1) ) untuk

melihat kemungkinan suatu objek termasuk dalam kelas resiko kredit buruk



Dikarenakan X diketahui adalah vektor, maka penjabaran penghitungan

untuk setiap kemungkinan P(X|Ci) seperti pada persamaan 2.2, dimana P(X)

dapat diabaikan karena tidak mempengaruhi hasil penghitungan maka,

a. P(Ci|X) =

(persamaan 2.2)

b. Untuk P(X|Ci) yang mencari kemungkinan suatu objek termasuk dalam

kelas resiko kredit baik, maka: P(C0|XX1,X2,X3,…,X20) = P(XX1,X2,X3,…,X20|C0)

× P(C0), dan untuk P(X|Ci) yang mencari kemungkinan suatu objek

termasuk dalam kelas resiko kredit buruk, maka: P(C1|XX1,X2,X3,…,X20) =

P(XX1,X2,X3,…,X20|C1) × P(C1).

c. Dimana P(XX1,X2,X3,…,X20|C0) terdiri atas P(X1|C0) × P(X2|C0) × P(X3|C0) x…

× P(X20|C0) demikian pula dengan P(XX1,X2,X3,…,X20|C1) terdiri dari P(X1|C1)

× P(X2|C1) × P(X3|C1) × … × P(X20|C1) (persamaan 2.4)

4. Pemaksimalan P(X|Ci)P(Ci)

Untuk mendapatkan kelas Ci yang memaksimalkan P(X|Ci)P(Ci) maka hasil

perhitungan posterior (P(X|Ci)) pada setiap kemungkinan C0 dan C1 akan

dikalikan dengan hasil perhitungan prior (P(Ci)) pada kemungkinan C0 dan C1.

Nilai probabilitas akhir yang muncul dan bernilai paling besar pada C0 atau C1

akan menjadi prediksi hasil klasifikasi kelas resiko kredit baik atau kelas resiko

kredit buruk berdasarkan metode Naïve Bayes.

3.3.2 Penghitungan Manual

Pada proses ini akan dilakukan penghitungan manual dengan memberikan

input data berupa data calon debitur. Penghitungan manual yang akan dilakukan

ini mengacu pada langlah-langkah yang sudah dijelaskan pada bab 3.3.1. Data



input calon debitur ini berupa nilai atribut debitur yang terdiri dari 20 atribut

seperti yang telah dijelaskan pada bab 3.2 dan nilainya ditentukan sacara acak.

3.4 Perancangan dan Implementasi Sistem

Rancangan Sistem klasifikasi kelas resiko kredit ini akan digambarkan

dalam bentuk flowchart dan algoritma. Sementara implementasi sistem ini akan

menggunakan bahasa pemrogaman berbasis web.

1. Perancangan sistem

2. Implementasi sistem

3.5 Evaluasi Sistem

a. Uji Blackbox

Pada tahap ini, akan diambil satu contoh fungsi pada sistem dengan

memberikan sebuah input. Output yang dihasilkan sistem akan menjadi bahan

untuk dibandingkan dengan hasil penghitungan manual. Kesesuaian antara hasil

sistem dengan penghitungan manual akan menjadi acuan dalam keberhasilan uji

black box ini.

b. Uji Tingkat Akurasi

Pada tahap ini akan dilakukan evaluasi sistem untuk mengetahui seberapa

baik kinerja sistem yang telah diimplementasikan menggunakan 20 atribut. Proses

ini diawali dengan membandingkan output kelas resiko kredit yang dihasilkan

sistem dengan kelas resiko kredit pada data asli debitur.



c. Pencarian Model Kombinasi dengan Tingkat Akurasi Tertinggi

Pada tahap ini, penghitungan naïve bayes dilakukan berulang-ulang

sebanyak kombinasi yang ada. Kombinasi diperoleh dari ke-20 atribut yang ada

dengan jumlah . Atribut yang digunakan dalam penghitungan naïve bayes

adalah atribut yang dihasilkan dari setiap kombinasi. Sebagai contoh, jika suatu

kombinasi terdiri dari 3 atribut maka jumlah kombinasi yang terbentuk adalah

sebanyak 7 dengan susunan sebagai berikut: A1 saja, A2 saja, A3 saja, A1 dan

A2, A1 dan A3, A2 dan A3, dan A1,A2, dan A3. Dari penghitungan naïve bayes

tersebut akan diperoleh hasil evaluasi berupa keakuratan sistem.

Hasil prosentase keakuratan sistem ini akan digunakan sebagai acuan

dalam menentukan model kombinasi atribut. Prosentase keakuratan sistem dari

kombinasi atribut dengan nilai tertinggi, akan dijadikan sebagi model kombinasi

atribut dalam klasifikasi kelas resiko kredit.



Gambar 3.1 Flowchart Pencarian Model Kombinasi Atribut


SKRIPSI RANCANG BANGUNG SISTEM… RIESKHA H P

BAB IV

HASIL DAN PEMBAHASAN

4.1 Pengumpulan Data dan Informasi

4.1.1 Bahan Penelitian

Data yang digunakan dalam penelitian ini adalah German Credit Data yang

diunduh dari website dengan alamat


yang berisi tentang data debitur beserta kriteria yang digunakan dalam

menentukan kelayakan debitur tersebut. Sumber data ini diperoleh dari Professor

Dr. Hans Hofmann dari Institut f"urStatistik und "Okonometrie, Universit"at

Hamburg, FB Wirtschaftswissenschaften, Von-Melle-Park 5, 2000 Hamburg 13.

Data tersebut berjumlah 1000 record yang terdiri dari 20 atribut yaitu: A1: Status

rekening giro, A2:jangka waktu peminjaman, A3: sejarah kredit, A4: tujuan

kredit, A5: jumlah kredit, A6: jumlah simpanan, A7: lama bekerja, A8: biaya

angsuran terhadap sisa pendapatan, A9: status perkawinan dan jenis kelamin,

A10: status orang yang berhutang lainya (penjamin), A11: lama bertempat tinggal,

A12: properti, A13: usia, A14: rencana angsuran lain, A15: tempat tinggal A16:

jumlah kredit sebelumnya, A17: pekerjaan, A18: jumlah tanggungan, A19:

telepon, dan A20: tenaga kerja asing

4.1.2 Obyek Penelitian

Obyek pada penelitian ini adalah calon debitur yang diklasifikasikan

dalam kelas resiko kredit baik atau buruk, dengan melakukan proses klasifikasi

http://archieve.ics.uci.edu/ml/datasets/



data peminjam yang berisiko kredit baik dan peminjam yang berisiko kredit buruk

dengan mengenali pola data yang telah ada sebelumnya.

4.2 Pengolahan Data dan Informasi

Pada penelitian ini digunakan sebanyak 1000 data record histories debitur,

data tersebut digunakan untuk training sebanyak 950 data dan testing sebanyak 50

data. Data training adalah data yang digunakan untuk membuat model klasifikasi.

Sedangkan data testing, adalah data yang nantinya untuk mengukur tingkat

keakuratan sistem yang telah dibuat.

Data yang digunakan dalam penelitian ini mempunyai 20 atribut yang

terdiri dari 7 attribut numerik dan 13 attribut kategori, serta 1 attribut sebagai

variabel output atau kelas resiko kredit. Khusus untuk atribut numerik

penghitungan probabilitas baik dan buruk menggunakan persamaan (2.5)

4.3 Analisis Mengunakan Metode Naïve Bayes

4.3.1 Langkah Penghitungan Naïve Bayes

1. Pendefinisian kelas (P(Ci|X))

Ci merupakan kelas klasifikasi dimana terdapat C0 yang menunjukkan kelas

resiko kredit baik dan C1 yang menunjukkan kelas resiko kredit buruk. X

merupakan data testing yang terdiri dari vektor atas semua atribut penentun

kreditur terbaik yaitu XStatusRekeningGiro, XJangkaWaktuPeminjaman, XSejarahKredit, XTujuanKredit,

XJumlahKredit, XJumlahSimpanan, XLamaBekerja, XBiayaAgsuranTerhadapsisaPendapatan,

XStatusPerkawinandanJenisKelamin, Xpenjamin, XLamaBertempatTinggal, XProperti, XUsia,



XRencanaAngsuranLain, XTempatTinggal, XJumlahKreditSebelumnya, XPekerjaan, XJumlahTanggungan,

XTelepon, XTenagaKerjaAsing.

2. Penghitungan Probabilitas prior ( P(Ci) )

Dari 950 data training yang digunakan, diketahui kelas C0

sebanyak664data dan kelas C1 sebanyak 286 data. Penghitungan Probabilitas

prior untuk kemungkinan kelas kreditur baik P(C0) berdasarkan persamaan (2.3)

adalah sebagai berikut:

0.698947368

Sedangkan penghitungan probabilitas prior untuk kemungkinan kelas

kreditur buruk P(C1) berdasarkan persamaan (2.3) adalah sebagai berikut:

0.301052632

3. Penghitungan Probabilitas posterior X bersyarat C ( P(X|Ci) )

Penghitungan probabilitas posterior dilakukan pada data training sejumlah 950

data dengan menggunakan X yang merupakan vektor untuk atribut penentuan

resiko kreditur yaituXStatusRekeningGiro, XJangkaWaktuPeminjaman, XSejarahKredit, XTujuanKredit,

XJumlahKredit, XJumlahSimpanan, XLamaBekerja, XBiayaAgsuranTerhadapsisaPendapatan,

XStatusPerkawinandanJenisKelamin, Xpenjamin, XLamaBertempatTinggal, XProperti, XUsia,

XRencanaAngsuranLain, XTempatTinggal, XJumlahKreditSebelumnya, XPekerjaan, XJumlahTanggungan,

XTelepon, XTenagaKerjaAsing sehingga P(X,Ci) yang diijabarkan menjadi

P(XStatusRekeningGiro, XJangkaWaktuPeminjaman, XSejarahKredit, XTujuanKredit, XJumlahKredit,



XJumlahSimpanan, XLamaBekerja, XBiayaAgsuranTerhadapsisaPendapatan, XStatusPerkawinandanJenisKelamin,

Xpenjamin, XLamaBertempatTinggal, XProperti, XUsia, XRencanaAngsuranLain, XTempatTinggal,

XJumlahKreditSebelumnya, XPekerjaan, XJumlahTanggungan, XTelepon, XTenagaKerjaAsing | Ci) dan

untuk setiap X dihitung kemungkinannya terhadap Ci berdasarkan persamaan 2.4.

Untuk menghitung setiap kemungkinan setiap atribut kategorial untuk

setiap kemungkinan X termasuk ke dalam kelas Ci digunakan persamaan 2.2.

Sebagai contoh dilakukan penghitungan atribut StatusRekeningGiro dengan

kategori atribut A1-1 untuk kelas resiko baik.

P(Ci|X) =

P(Ckelasresikobaik|X) =

= 131 / 664 = 0.197289157.

Untuk detail hasil penghitungan setiap atribut dapat dilihat pada tabel 4.1 berikut.

Tabel 4.1. Hasil Penghitungan probabilitas posterior X bersyarat C (atribut kategorial).

Atribut kategori Atribut Kemungkinan kelas baik Kemungkinan kelas buruk

Status Rekening Giro (A1)

1 0.197289157 0.451048951

2 0.230421687 0.353146853

3 0.067771084 0.048951049

4 0.504518072 0,1468531

Sejarah kredit (A3) 1 0.021084337 0.087412587

2 0.030120482 0.090909091



Tabel 4.1 (Lanjutan)


Sejarah kredit (A3)

3 0.513554217 0,5629371

4 0.087349398 0.090909091

5 0.347891566 0.167832168

Tujuan Kredit (A4)

1 0.207831325 0.297202797

2 0.125 0.052447552

3 0.177710843 0.195804196

4 0.305722892 0.206293706

5 0.012048193 0.013986014

6 0.018072289 0.027972028

7 0.040662651 0.076923077

8 0 0

9 0.012048193 0.003496503

10 0.090361446 0.108391608

11 0.010542169 0.017482517

Jumlah Simpanan (A6)

1 0.551204819 0.723776224

2 0.094879518 0.115384615

3 0.076807229 0.027972028

4 0.061746988 0.020979021

5 0.215361446 0.111888112

Lama Bekerja (A7)

1 0.051204819 0.06993007

2 0.149096386 0.241258741

3 0.334337349 0.346153846

4 0.197289157 0.129370629

5 0.268072289 0.213286713

Status perkawinan dan jenis kelamin (A92) 1 0.040662651 0.06993007



Tabel 4.1 (Lanjutan)


Status perkawinan dan jenis kelamin (A92)

2 0.286144578 0.370629371

3 0.579819277 0.475524476

4 0.093373494 0.083916084

Penjamin (A10)

1 0.906626506 0.909090909

2 0.034638554 0.055944056

3 0.05873494 0.034965035

Memiliki Properti (A12)

1 0.323795181 0.20979021

2 0.219879518 0.234265734

3 0.329819277 0.332167832

4 0.126506024 0.223776224

Rencana Angsuran Lain (A14)

1 0.118975904 0.192307692

2 0.040662651 0.066433566

3 0.840361446 0.741258741

Tempat Tinggal (A15)

1 0.155120482 0.227272727

2 0.751506024 0.622377622

3 0.093373494 0.15034965

Pekerjaan (A17)

1 0.021084337 0.020979021

2 0.198795181 0.185314685

3 0.643072289 0.622377622

4 0.137048193 0.171328671

Telepon (A19) 1 0.578313253 0.622377622

2 0.421688747 0.377622378

Tenaga kerja Asing (A20) 1 0.950301205 0.986013986

2 0.049689795 0.013986014



Untuk menghitung setiap kemungkinan semua atribut numerik digunakan

persamaan 2.5. Sebagai contoh dilakukan penghitungan atribut jangka waktu

peminjaman untuk kelas resiko baik.

g( ).

= 19.14156627.

=

= 11.12785241.

Detail hasil dari penghitungan setiap atribut numerik dapat dilihat pada tabel 4.2

berikut.

Tabel 4.2. Hasil Penghitungan Probabilitas Posterior X bersyarat C (atribut numerik)

Atribut µ kemungkinan baik

µ kemungkinan buruk

kemungkinan baik

kemungkinan buruk

Jangka waktu peminjaman 19.14156627 24.47902098 11.12785241 13.24815434

Jumlah kredit 2993.62 3914.99 2431.017332 3558.771428

Biaya angsuran terhadap sisa pendapatan 2.915662651 3.104895105 1.13046201 1.093606855

Lama bertempat tinggal 2.841867 1.108309547 2.86014 1.096094493

Usia 36.15963855 34.05594406 11.36950211 11.32039068

Jumlah kredit sebelumnya 1.423193 1.363636 0.583951835 0.562518828

Jumlah tanggungan 1..156626506 1.153846154 0.363722259 0.361433643


Penghitungan P(X|Ci)P(Ci) dilakukan dengan cara mengambil hasil

penghitungan probabilitas posterior untuk data trainingkemudian membagi setiap

kriteria probabilitas posterioruntuk X yamg telah diambil dengan jumlah Ci.



Semua hasil pembagian tersebut lalu dikalikan untuk mendapatkan P(X|Ci). Hasil

penghitungan P(X|Ci) tersebut kemudian dikalikan dengan P(Ci) guna mengetahui

kelas klasifikasi data testing X.

4.3.2 Contoh Penghitungan Manual dengan Metode Naïve Bayes

Contoh penghitungan dengan menggunakan metode Naive Bayes

dilakukan berdasarkan hasil penghitungan probabilitas prior dan posterior yang

telah dilakukan sebelumnya pada 950 data training dimana data training tersebut

diketahui memiliki 664 yang masuk dalam kelas resiko kredit baik (C0) dan 286

yang termasuk ke dalam kelas resiko kredit buruk (C1). Untuk melakukan

penghitungan, dibutuhkan input data untuk data testing yang diambil secara acak.

Data yang diambil adalah sebagai berikut.

Tabel 4.3. Data Input Untuk Proses Penghitungan Manual

Atribut Nilai Atribut Nilai

A1 2 A11 2 A2 21 A12 3 A3 5 A13 32 A4 3 A14 3 A5 2745 A15 2 A6 4 A16 2 A7 4 A17 3 A8 3 A18 1 A9 3 A19 2 A10 1 A20 1

Tahapan penghitungan contoh data testing diatas dilakukan sebagai berikut :

1. Pendefinisian variabel

Berdasarkan tabel 4.1, dapat dibuat definisi data testing X sebagai berikut.

X = (XStatusRekeningGiro = 2, XJangkaWaktuPeminjaman = 21 , XSejarahKredit = 5, XTujuanKredit = 3,

XJumlahKredit = 2745, XJumlahSimpanan = 4, XLamaBekerja = 4, XBiayaAgsuranTerhadapsisaPendapatan =



3, XStatusPerkawinandanJenisKelamin = 3, Xpenjamin = 1, XLamaBertempatTinggal = 2, XProperti = 3,

XUsia = 32, XRencanaAngsuranLain = 3, XTempatTinggal = 2, XJumlahKreditSebelumnya = 2, XPekerjaan

= 3, XJumlahTanggungan = 1, XTelepon = 2, XTenagaKerjaAsing = 1 | Ci)

2. Pendefinisian Probabilitas Prior P(Ci)

Hasil pendefinisian probabilitas prior yang dilakukan berdasarkan persamaan

(2.3) menghasilkan definisi untuk kelas resiko kredit baik P(C0) sebesar

0.698947368 dan pendefisian probalitas prior untuk kelas resiko kredit buruk

P(C1) sebesar 0.301052632.

3. Penghitungan Probabilitas PosteriorX dengan syarat Ci (P(X|Ci))

Untuk menghitung data testing X yang terklasifikasi ke dalam kelas resiko

kredit baik P(C0) diketahui nilai untuk masing-masing atribut adalah

0.230422, 0.035354, 0.347892, 0.177711, 0.000163, 0.061747, 0.197289,

0.351921, 0.579819, 0.906627, 0.269748, 0.329819277, 0.032817, 0.840361,

0.751506, 0.419437, 0.643072289, 0.999709, 0.421687 dan 0.950301 yang

dimana nilai tersebut dikalikan sebagai berikut.



0.230422 x 0.035354 x 0.347892 x 0.177711 x 0.000163 x

0.061747 x 0.197289 x 0.351921 x 0.579819 x 0.906627 x 0.269748 x

0.329819277 x 0.032817 x 0.840361 x 0.751506 x 0.419437 x 0.643072289 x

0.999709 x 0.421687 x 0.950301.

3.69187 x

Sedangkan untuk menghitung data testing X yang terklasifikasi ke dalam

kelas resiko kredit buruk P(C1) diketahui nilai untuk masing-masing kriteria

adalah 0.353147. 0.029092, 0.167832, 0.195804, 0.000106, 0.026979, 0.129371,

0.0363121, 0.475524, 0.909091, 0.267511, 0.332167832, 0.034665, 0.741259,

0.622378, 0.374, 0.622377622, 1.00818, 0.377622, dan 0.986014



yang dimana nilai tersebut dikalikan sebagai berikut.

0.353147 x 0.029092 x 0.167832 x 0.195804 x 0.000106 x

0.026979 x 0.129371 x 0.0363121 x 0.475524 x 0.909091 x 0.267511 x

0.332167832 x 0.034665 x 0.741259 x 0.622378 x 0.374 x 0.622377622 x

1.00818 x 0.377622 x 0.986014.

= 1.89687 x




Penghitungan pemaksimalan untuk kemungkinan klasifikasi kedalam kelas

resiko kredit baik adalah dengan mengalikan hasil dengan P(C0) sebagai

berikut:

=

Dimana α bernilai 1/ , maka

=

Karena 1/ bernilai konstan, maka

= × P(C0)

= 3.69187 x 0.698947368

= 2.58042 x

Sedangkan Penghitungan pemaksimalan untuk kemungkinan klasifikasi kedalam

kelas resiko kredit buruk adalah dengan mengalikan hasil dengan

sebagai berikut:

=

Dimana α bernilai 1/ , maka

=

Karena 1/ bernilai konstan, maka

= × P(C1)

= 1.89687 x 0.301052632

= 5.71059 x



Dari penghitungan diatas didapatkan hasil adalah 2.58042 x ,

sedangkan adalah 5.71059 x . Berdasarkan persamaan (2.8),

dibuktikan bahwa sehingga data tersebut diklasifikasikan ke

dalam kelas resiko baik.

4.4 Perancangan dan Implementasi Sistem

4.4.1 Perancangan Sistem

Perancangan sistem kali ini akan digambarkan dalam bentuk flowchart dan

algoritma program sebagai berikut.

a. SPK penentuan kelas resiko kredit

Gambar 4.1 Flowchart umum SPK Penentuan Kelas Resiko Kredit



1. Mulai 2. Input Data Debitur 3. Input Atribut Klasifikasi 4. Estimasi Probabilitas data training() 5. Hitung pemaksimalan() 6. Perbandingan hasil pemaksimalan() 7. Penyimpanan hasil() 8. selesai

Gambar 4.2 Algoritma umum SPK Penentuan Kelas Resiko Kredit

b. Estimasi probabilitas data training

Dari data training yang digunakan akan didapatkan sebuah data yang

terdiri dari nilai StatusRekeningGiro, nilai SejarahKredit, nilai TujuanKredit,

…, nilai TenagaKerjaAsing yang dapat dimisalkan X=(x1,x2,x3,…, ) dimana

x1 adalah nilai atribut StatusRekeningGiro, x2 adalah nilai atribut

SejarahKredit, x3 adalah nilai atribut TujuanKredit, …, dan x20 adalah nilai

atribut TenagaKerjaAsing. Selain itu dimisalkan salah satu kelas target

adalah C. Data tersebut kemudian akan diklasifikasikan ke dalam kelas resiko

kredit baik (C0) atau kelas resiko buruk (C1). Untuk dapat melakukan

klasifikasi data maka perlu dicari probabilitas prior tiap kelas target dan

probabilitas posterior kelas target untuk data tersebut dimana dapat dilihat

seperti pada Gambar 4.4 berikut.



Gambar 4.3 Flowchart Estimasi Probabilitas data training.

1. Mulai 2. Inisialisasi Probabilitas Posterior() 3. Inisialisasi Probabilitas Prior() 4. Selesai

Gambar 4.4 Algoritma Estimasi Probabilitas data training.

Dari algoritma pada Gambar 4.4 tersebut lalu ditentukan probabilitas

posterior kelas target dari data training dengan melihat pada persamaan (2.5).

Flowchart dan Algoritma untuk penghitungan probabilitas posterior kelas target

untuk data tersebut dapat dilihat pada berikut.



2



2

3

ya



3

4



Gambar 4.5 Flowchart Inisialisasi Probabilitas Posterior ( kategorial ).

1. Mulai 2. Inisialisai X[][] = data training, 3. n = jumlah data, 4. n_baik = jumlah data dengan kelas resiko baik, 5. n_buruk = jumlah data dengan kelas resiko buruk, 6. NA[][] = nilai atribut kategorial, 7. n_attribut_kategorial = jumlah atribut kategorial, 8. n_nilai_atribut = jumlah nilai atribut kategorial, 9. n_setiap_atribut[] = jumlah X[] setiap atribut, 10. n_setiap_atribut_baik[][] = jumlah X[] setiap atribut dengan

kelas resiko baik, 11. n_setiap_atribut_buruk[][] = jumlah X[] setiap atribut dengan

kelas resiko buruk, 12. p_setiap_atribut_baik[][[] = prosantase setiap atribut dengan

kelas resiko baik, 13. p_setiap_atribut_baik[][] = prosentase setiap atribut dengan

kelas resiko buruk 14. n_atribut_numerik = jumlah atribut numerik, 15. mean_baik[] = rata-rata baik untuk setiap atribut numerik, 16. mean_buruk[] = rata-rata buruk untuk setiap atribut numerik, 17. sd_baik[] = standart deviasi baik untuk setiap atribut numerik, 18. sd_buruk[] = standart deviasi buruk untuk setiap atribut

numerik 19. 20. FOR i=1 TO n DO 21. FOR j=1 TO n_atribut_kategorial DO 22. FOR k=1 TO n_nilai_atribut DO 23. IF X[i][kelas] = baik THEN 24. IF X[i][j] = NA[j][k] 25. n_setiap_atribut_baik[j][k] += 1 26. END IF 27. ELSE 28. IF X[i][j] = NA[j][k] 29. n_setiap_atribut_buruk[j][k] += 1 30. END IF 31. END IF 32. END FOR 33. END FOR 34. END FOR 35. FOR j=1 TO n_atribut_kategorial DO 36. FOR k=1 TO n_nilai_atribut DO

4



37. p_setiap_atribut_baik[j][k] = n_setiap_atribut_baik[j][k] / n_baik

38. p_setiap_atribut_buruk[j][k] = n_setiap_atribut_buruk[j][k] / n_buruk

39. END FOR 40. END FOR 41. 42. FOR i=1 TO n_atribut_numerik DO 43. FOR j=1 TO n DO 44. IF X[j][kelas] = baik THEN 45. total_baik[i] += X[j][i] 46. n_baik[i] += 1 47. ELSE 48. total_buruk[i] += X[j][i] 49. n_buruk[i] += 1 50. END IF 51. END FOR 52. mean_baik[i] = total_baik[i] / n_baik[i] 53. mean_buruk[i] = total_buruk[i] / n_buruk[i] 54. END FOR 55. 56. FOR i=1 To n_atribut_numerik DO 57. FOR j=1 To n DO 58. IF X[j][kelas] = baik THEN 59. varians_baik[i] += ((X[j][i] – mean_baik[i]) * 60. (X[j][i] – mean_baik[i]))) 61. ELSE 62. varians_buruk[i] += ((X[j][i] – mean_buruk[i]) * 63. (X[j][i] – mean_buruk[i]))) 64. END IF 65. sd_baik[i] = sqrt(varians[i][baik]) 66. sd_buruk[i] = sqrt(varians[i][buruk]) 67. END FOR 68. END FOR 69. 70. Selesai

Gambar 4.6 Algorirma Inisialisasi probabilitas prior.

Sedangkan probabilitas prior kelas target dapat dicari dari jumlah data

training untuk kelas target (kelas resiko baik atau kelas resiko buruk) dibagi

dengan total jumlah data training. Flowchart dan Algoritma perhitungannya dapat

dijelaskan melalui gambar berikut.



Gambar 4.7 Flowchart Inisialisasi probabilitas prior.



1. Mulai 2. Inisialisai X[] = data training, 3. n = jumlah data, 4. n_baik = jumlah data dengan kelas resiko baik, 5. n_buruk = jumlah data dengan kelas resiko buruk, 6. p_baik = prosentase kelas resiko baik, 7. p_buruk = prosentase kelas resiko buruk, 8. p_kelas_c[] = probabilitas prior kelas C 9. n = 950 10. FOR i=1 TO n DO 11. IF X[kelas resiko] = baik THEN n_baik + 1 12. ELSE n_buruk + 1 13. END IF 14. END FOR 15. p_baik = n_baik / n 16. p_buruk = n_buruk / n 17. p_kelas_c[kelas_resiko_baik] = p_baik 18. p_kelas_c[kelas_resiko_buruk] = p_buruk 19. Kembalikan p_kelas_c 20. Selesai

Gambar 4.8 Algoritma Inisialisasi probabilitas prior.

c. Hitung pemaksimalan

Setelah didapatkan nilai untuk probabilitas prior dan probabilitas posterior

tiap target kelas, maka hasil propabilitas posterior dari setiap nilai atribut data

debitur dikalikan. Baik probabilitas posterior kelas resiko kredit baik maupun

probabilitas posterior kelas resiko kredit buruk. Hasil perkalian tersebut

kemudian dikalikan dengan hasil probabilitas prior. Probabilitas posterior kelas

resiko kredit baik dikalikan dengan probabilitas prior kelas resiko kredit baik,

sedangkan probabilitas posterior kelas resiko kredit buruk dikalikan dengan

probabilitas prior kelas resiko kredit buruk. Flowchart dan Algoritma

perhitungannya dapat dijelaskan melalui gambar berikut.



Gambar 4.9 Flowchart pemaksimalan.



1. Mulai 2. Inisialisai X[] = input data debitur, 3. NA[][] = nilai atribut kategorial, 4. n_attribut = jumlah atribut kategorial, 5. n_nilai_atribut = jumlah nilai atribut kategorial, 6. pemak_posterior = probabilitas posterior 7. pemak_prior = probabilitas prior 8. pemak_posterior = call inisialisai probabilitas posterior() 9. pemak_prior = call inisialisasi probabilitas prior() 10. pemaksimalan_baik = 1 11. pemaksimalan_buruk = 1 12. FOR j=1 TO n_atribut DO 13. pemaksimalan_baik *= pemak_posterior[baik][j] 14. pemaksimalan_buruk *= pemak_posterior[buruk][j] 15. END FOR 16. Pemaksimalan_baik *= pemak_prior[baik] 17. Pemaksimlan_buruk *= pemak_prior[buruk] 18. selesai

Gambar 4.10 Algoritma pemaksimalan.

d. Perbandingan hasil pemaksimalan

Setelah didapatkan hasil pemaksimalan dari probabilitas prior dan

probabilitas posterior untuk tiap target kelas, maka akan dibandingkan nilai

P(X|C0)P(C0) dan P(X|C1)P(C1).Maka data debitur akan diklasifikasikan ke dalam

kelas target dengan nilai terbesar berdasarkan persamaan (2.6) . Algoritma proses

klasifikasi dapat dijelaskan pada gambar berikut.

2



Gambar 4.11 Flowchart perbandingan hasil pemaksimalan.

1. mulai 2. nilai_C0 = pemaksimalan Probabilitas kelas baik 3. nilai_C1 = pemaksimalan Probabilitas kelas buruk 4. nilai_pemaksimalan = hasil pemaksimalan 5. debitur[] = data debitur 6. nilai_pemaksimalan = call hitung pemaksimalan() 7. nilai_C0 = nilai_pemaksimalan[baik] 8. nilai_C1 = nilai_pemaksimalan[buruk] 9. IF(Nilai_C0 > Nilai_C1) THEN debitur = Kelas C0 10. ELSE(Nilai_C1 > Nilai_C0) THEN debitur = Kelas C1 11. Call penyimpanan hasil(debitur) 12. selesai

Gambar 4.12 Algoritma perbandingan hasil pemaksimalan.

e. Penyimpanan hasil

Setelah data debitur diklasifikasikan ke dalam kelas resiko kredit baik atau

kelas resiko kredit buruk, data hasil klasifikasi tersebut kemudian disimpan agar

selanjutnya dapat dipakai untuk pengetahuan bagi klasifikasi selanjutnya.

2



Gambar 4.13 Flowchart Penyimpanan hasil klasifikasi.

1. Mulai 2. IF(pilihan = 1) THEN Update Data Training() 3. Selesai

Gambar 4.14 Algoritma Penyimpanan hasil klasifikasi.

4.4.2 Implementasi Sistem

Implementasi sistem ini membutuhkan minimum requirements dengan

rincian seperti, apache server, php programming, dan mysql. Dan berikut adalah

tampilan aplikasinya.

a. Halaman Input Data

Pada halaman ini user menginputkan data calon debitur untuk

dilakukan proses klasifikasi, output yang dihasilkan adalah kelas resiko

kredit.



Gambar 4.15 Input Data calon Debitur



Dari inputan Gambar 4.15 akan dihasilkan output seperti gambar dibawah ini

Gambar 4.16 Output kelas resiko kredit Data Debitur



b. Halaman Uji Akurasi (seting atribut)

Pada halaman ini user melakukan uji akurasi sistem dengan

menyeting atribut yang akan digunakan dan data testing yang digunakan.

Dibawah ini adalah tampilan ketika user sedang menyeting atribut yang

akan digunakan.

Gambar 4.17 Seting Atribut Uji Akurasi

c. Halaman Uji Akurasi (seting data testing)

Pada halaman ini user melakukan uji akurasi sistem dengan

menyeting atribut yang akan digunakan dan data testing yang digunakan.

Dibawah ini adalah tampilan ketika user sedang menyeting data training

yang akan digunakan.

Gambar 4.18 Seting Data testing Uji Akurasi



d. Halaman Hasil Uji Akurasi

Halaman ini menampilkan hasil penghitungan uji akurasi sistem

sesuai dengan seting yang sudah ditentukan.

Gambar 4.19 Hasil Uji Akurasi

e. Halaman Detail Penghitungan Hasil Akurasi

Halaman berikut menampilkan detail hasil penghitungan uji

akurasi sistem untuk setiap data training.

Gambar 4.20 Detail Penghitungan Hasil Uji Akurasi



4.5 Evaluasi Sistem

Data yang digunakan pada penelitian ini sebanyak 1000 data. Dimana dari data

tersebut, 950 buah data dijadikan data training dan 50 data dijadikan data testing

untuk diuji dengan metode klasifikasi Naïve Bayes. Evaluasi yang dilakukan

dalam tahap dibagi menjadi 2 macam, yaitu uji blackbox dan analisa hasil akurasi.

a. Uji Black Box

Untuk mengevaluasi kekonsistenan dan keakuratan sistem, maka

dibutuhkan uji blackbox. Pengujian dilakukan dengan memberikan sebuah

input pada sistem, kemudian hasilnya akan dibandingkan dengan penghitungan

manual yang sudah. Pada pengujian kali ini, diberikan input data pada sistem

untuk mengklasifikasikan kelas resiko kredit. Data input yang diberikan adalah

sebagai berikut.

Tabel 4.4 Data Input Untuk Uji Black Box

Atribut Nilai Atribut Nilai

A1 2 A10 1 A2 21 A11 2 A3 5 A12 3 A4 3 A13 32 A5 2745 A14 3 A6 4 A15 2 A7 4 A16 2 A8 3 A17 3 A9 3 A18 1 A10 1 A19 2 A11 2 A20 1



Berdasarkan Output yang dihasilkan sistem dibawah ini, terlihat antara

prediksi kelas dengan kelas asli bernilai sama, yaitu baik. Uji black box dalam

tahap ini dianggap berhasil.

Gambar 4.21 Detail Hasil Klasifikasi debitur

b. Tingkat Akurasi dengan 20 Atribut

Pada evaluasi ini dilakukan proses komparasi antara hasil dari sistem

dengan data asli. Perbandingan dari kedua hasil tersebut akan dijadikan acuan

dalam menghitung tingkat akurasi sistem. Detail analisa hasil akurasi pada



evaluasi ini dengan menggunakan 20 atribut dapat dilihat pada Tabel 4.4

berikut.

Tabel 4.5 Perbandingan Hasil Implementasi Sistem dengan Data Asli

No Data debitur Hasil Sistem Data Asli Keterangan

1 Data ke-1 1 1 Sesuai









10 Data ke-10 2 1 Tidak Sesuai



























Tabel 4.5 Perbandingan Hasil Implementasi Sistem dengan Data Asli (Lanjutan)

No Data debitur Hasil Sistem Data Asli Keterangan

















Pada perbandingan hasil klasifikasi data testing oleh sistem dengan data

asli menggunakan 20 atribut (A1, A2 A3,…, A20), didapatkan 16 data yang

diklasifikasikan sistem tidak sesuai dengan data asli dan didapatkan 34 data

yang diklasifikasikan sistem sesuai dengan data asli. Dengan demikian dapat

dihitung akurasi sistem dengan penghitungan sebagai berikut:

Akurasi sistem =

× 100 %

=

× 100 %

= 72 %



c. Pencarian Model Kombinasi dengan Tingkat Akurasi Tertinggi

Merupakan proses dalam mencari kombinasi atribut yang menghasilkan

tingkat akurasi sistem tertinggi dalam pengklasifikasian data debitur. Dari 20

atribut yang ada, kombinasi yang dihasilkan sangatlah banyak. Oleh karena itu,

untuk setiap kombinasi yang dihasilkan dengan jumlah satu atribut sampai

dengan dua puluh atribut akan diwakili satu kombinasi yang dipilih acak.

Detail dari kombinasi yang dipilih secara acak dan tingkat akurasi sistem yang

dihasilkan dapat dilihat pada Tabel 4.6 dibawah ini.

Tabel 4.6. Hasil Tingkat Akurasi Untuk Beberapa Kombinasi.

No Kombinasi dengan n atribut Kombinasi yang digunakan

Tingkat akurasi sistem

1 1 atribut Jumlah simpanan 42% 2 2 atribut Jumlah simpanan, jangka waktu peminjaman 64%

3 3 atribut Jumlah simpanan, jangka waktu peminjaman, sejarah kredit 62%

4 4 atribut Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia 68%

5 5 atribut Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan kredit 68%

6 6 atribut Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan kredit, pekerjaan 66%

7 7 atribut Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan kredit, pekerjaan,status rekening giro 64%

8 8 atribut Jumlah simpanan, jangka waktu peminjaman, sejarah

kredit, usia, tujuan kredit, pekerjaan,status rekening giro, properti

64%


kredit, usia, tujuan kredit, pekerjaan,status rekening giro, properti, tempat tinggal

66%


kredit, usia, tujuan kredit, pekerjaan,status rekening giro, properti, tempat tinggal, jumlah kredit sebelumnya

66%

11 11 atribut

Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan kredit, pekerjaan,status rekening giro,

properti, tempat tinggal, jumlah kredit sebelumnya, jumlah kredit

70%



Tabel 4.6 Tingkat Akurasi Untuk Beberapa Kombinasi (Lanjutan).



12 12 atribut


properti, tempat tinggal, jumlah kredit sebelumnya, jumlah kredit, jumlah tanggungan

70%

13 13 atribut


properti, tempat tinggal, jumlah kredit sebelumnya, jumlah kredit, jumlah tanggungan, lama bekerja

70%

14 14 atribut


properti, tempat tinggal, jumlah kredit sebelumnya, jumlah kredit, jumlah tanggungan, lama bekerja,

penjamin

72%

15 15 atribut



penjamin, lama bertempat tiggal

72%

16 16 atribut



penjamin, lama bertempat tiggal, telepon

72%

17 17 atribut



penjamin, lama bertempat tiggal, telepon, rencana angsuran lain

72%

18 18 atribut



penjamin, lama bertempat tiggal, telepon, rencana angsuran lain, status perkawinan dan jenis kelamin

70%

19 19 atribut



penjamin, lama bertempat tiggal, telepon, rencana angsuran lain, status perkawinan dan jenis kelamin,

tenaga kerja asing

70%



Tabel 4.6 Tingkat Akurasi Untuk Beberapa Kombinasi (Lanjutan).



20 20 atribut Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan kredit, pekerjaan,status rekening giro, properti, tempat tinggal, jumlah kredit sebelumnya, jumlah kredit, jumlah tanggungan, lama bekerja, penjamin, lama bertempat tiggal, telepon, rencana angsuran lain, status perkawinan dan jenis kelamin, tenaga kerja asing, biaya angsuran terhadap sisa pendapatan

72%

Berdasarkan Tabel 4.6 diatas, dapat ditarik kesimpulan sementara bahwa

kombinasi atribut yang memiliki tingkat akurasi sistem tertinggi dihasilkan oleh

beberapa kombinasi, diantaranya adalah kombinasi dengan empat belas atribut,

yaitu : Jumlah simpanan, jangka waktu peminjaman, sejarah kredit, usia, tujuan

kredit, pekerjaan,status rekening giro, properti, tempat tinggal, jumlah kredit

sebelumnya, jumlah kredit, jumlah tanggungan, lama bekerja, penjamin dengan

tingkat akurasi sistem 72%.


SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P 69

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil evaluasi sistem yang sudah dilakukan dalam penelitian

ini, dapat diambil kesimpulan sebagai berikut.

1. Untuk merancang bangun sistem klasifikasi kelas resiko kredit menggunakan

naïve bayes diperlukan model pengklasifikasian dengan tahap pendefinisian

variabel yang digunakan, pendefinisian probabilitas prior untuk setiap kelas,

dan penghitungan probabilitas posteriorX dengan syarat Ci (P(X|Ci)) untuk

setiap kelas. Setelah didapatkan model tersebut, maka data input debitur yang

diproses akan menghasilkan probabilitas posteriorX untuk setiap kelas. Hasil

dari probabilitas posteriorX tersebut akan dilakukan pemaksimalan dengan

cara dikalikan probabilitas prior. Kemudian hasil pemaksimalan tersebut

dibandingkan, apakah hasil pemaksimalan kelas resiko kredit baik lebih besar

dari hasil pemaksimalan kelas resiko kredit buruk ataupun sebaliknya. Dari

hasil perbandingan tersebut, maka nilai yang lebih besar adalah sebagai

prediksi kelas dari data debitur tersebut.

2. kombinasi atribut yang memiliki tingkat akurasi tertinggi adalah dengan nilai

72%. Kombinasi tersebut dihasilkan oleh beberapa kombinasi yang terdiri

dari kombinasi 14 atribut, kombinasi 15 atribut, kombinasi 16 atribut,

kombinasi 17 atribut, dan kombinasi 20 atribut.



5.2 Saran

Saran dalam penelitian ini untuk penelitian selanjutnya adalah sebagai

berikut.

1. Klasifikasi data debitur ini juga dapat diolah menggunakan metode lain,

seperti metode decision tree, rule based, support vector machine dan neural

network.

2. Untuk penelitian selanjutnya diharapkan data yang digunakan bersifat lebih

dependen dan memiliki kualitas yang tinggi dan subyektifitas yang rendah.

Sehingga diharapkan hasil pengklasifikasian yang dihasilkan memiliki tingkat

akurasi sistem yang lebih tinggi.


SKRIPSI SISTEM PENDUKUNG KEPUTUSAN… RIESKHA H P

71

DAFTAR PUSTAKA

Badriyah, Tessy. 2008. Data Mining. (online).

(http://lecturer.eepis.its.edu/tessy/lecturenotes/db2/bab10.pdf ), diakses April 2014.

Bustami. 2011. Penerapan Algoritma Naive Bayes Untukmengklasifikasi Data

Nasabah Asuransi. TECHSI: Jurnal Penelitian Teknik Informatika. Fitria, Nurul dan Sari, Raina Linda. 2012. Analisis Kebijakan Pemberian Kredit

Dan Pengaruh Non Performing Loan Terhadap Loan to Deposit Ratio pada PT. Bank Rakyat Indonesia (Persero), Tbk Cabang Rantau, Aceh Tamiang. Jurnal Ekonomi dan Keuangan, Vol.1, No.1, Desember 2012.

Han, Jiawei., dan Kamber, Micheline., 2001, Data Mining: Concepts and Techniques, Elsevier, San Diego.

Kusumadewi, Sri. 2009. Klasifikasi Status Gizi Menggunakan Naive Bayesian Classification. CommIT, Vol. 3 No. 1 Mei 2009, hlm. 6 – 11

Mardison. Sistem Pendukung Keputusan Dalam Pencairan Kredit Nasabah Bank

Dengan Menggunakan Logika Fuzzy Dan Bahasa Pemrograman Java. Jurnal Teknologi Informasi & Pendidikan vol. 5 no. 1 maret 2012 ISSN : 2086 – 4981

Ramdhani, Yudi. 2010. Rancang Bangun Aplikasi untuk memprediksi Kelas

Resiko Pemberian Kredit dengan Menggunakan Metode Naïve Bayes Classifier. Sekolah Tinggi Manajemen Informatika dan Teknik Komputer. Surabaya

Robbins, Stephen P and Coulter Mary. 1999. Manajemen Sixth Edition, Jakarta.

PT.Prenhallindo

Rosmilia, Rita. 2009. Pelaksanaan Penyelesaian Kredit Bermasalah (studi di PT. Bank Rakyat Indonesia (persero) tbk. Cabang Semarang Pattimura). Program Studi Magister Kenotariatan, Program Pasca Sarjana. Universitas Diponegoro. Semarang

Sentana, I Wayan Budi, dkk. 2011. Implementasi The Five C’s Of Credit Analysis

dan Naïve Bayes Classifier pada Sistem Informasi Pencairan Kredit KSU Nawa Eka Cita. Konferensi Nasional Sistem dan Informatika

Tan, Pang-Ning., Steinbach, Michael., dan Kumar, Vipin., 2006, Introduction to Data Mining, Boston :Pearson Education.

http://lecturer.eepis.its.edu/tessy/lecturenotes/db2/bab10.pdf


SKRIPSI SISTEM PENDUKUNG KEPUTUSAN… RIESKHA H P

Tjoekam, Moh. 2004. Perkreditan Bisnis Inti Bank Komersial. Jakarta: Gramedia Pustaka Utama

Undang‐Undang Nomor 10 Tahun 1998 Tentang Perubahan Atas Undang‐Undang No.7 Tahun 1992

Yongjian Fu. 1997. Data mining: Tasks, techniques and Applications. Department of Computer Science. University of Missouri- Rolla,

Yusnita, Rita Tri. 2011. Pengaruh Kredit Bermasalah Terhadap Perputaran Kas

Dan Dampaknya Terhadap Likuiditas. Jurnal Akuntansi Vol.6 No.2 Juli- Desember 2011.



Lampiran 1 Data Training

Tabel Keterangan

Jenis Atribut Kode Atribut Nama Atribut Kode Nilai Atribut Nama Nilai Atribut

Kategorial

A1

Status Rekening Giro

1 … < 0 DM

2 … < 200 DM

3 … >= 200 DM

4 tidak mempunyai giro

Numerik A2 Jangka Waktu Peminjaman

Kategorial

A3

Sejarah Kredit

1 Tidak pernah memppunyai kredit

2 Semua kredit dibayar tepat waktu

3 Semua kredit pada bank ini dibayar tepat waktu

4 Terdapat penundaan pembayaran kredit sebelumnya

5 Masih mempunyai tanggungan kredit lain

Kategorial

A4

Tujuan kredit

1 Mobil (baru)

2 Mobil (bekas)

3 Furniture dan sejenisnya

4 Radio / televisi

5 Peralatan rumah tangga

6 Perbaikan

7 Pendidikan

8 Liburan

9 Pelatihan ulang

10 Bisnis / usaha




Kategorial A4 Tujuan kredit 11 Lain-lain

Numerik A5 Jumlah Kredit

Katergorial

A6

Jumlah Simpanan

1 … < 100 DM

2 100 <= … < 500 DM

3 500 <= … < 1000 DM

4 … > 1000 DM

5 Tidak memiliki simpanan

Kategorial

A7

Lama Bekerja

1 Tidak bekerja

2 … < 1 tahun

3 1 <= … < 4 tahun

4 4 <= …< 7 tahun

5 … >= 7 tahun

Numerik A8 Biaya Angsuran

Kategorial

A9

Status Perkawinan dan Jenis Kelamin

1 Pria (berpisah/bercerai)

2 Wanita(berpisah/bercerai/menikah)

3 Pria (belum menikah)

4 Pria (menikah/duda)

5 Wanita (belum menikah)

Kategorial

A10 Penjamin

1 Tidak ada penjamin

2 Peminjam lain

3 penjamin

Numerik A11 Lama Bertempat Tinggal

Kategorial

A12

Properti

1 Real estate

2 Jika bukan satu 1, sertifikat tanah




Kategorial

A12

Properti

3 Jika bukan 1 atau 2, mobil atau lainnya yg tidak termasuk dalam A6

4 Tidak memiliki property

Numerik A13 Usia

Kategorial

A14 Rencana Angsuran Lain

1 Bank

2 Took

3 Tidak ada rencana

Kategorial

A15 Tempat Tinggal

1 Sewa

2 Milik sendiri

3 bebas

Numerik A16 Jumlah Kredit Sebelumnya

Kategorial

A17

Pekerjaan

1 Tidak bekerja (bukan penduduk)

2 Tidak bekerja (penduduk)

3 Karyawan

4 Wirausaha/manajemen/karyawan kualifikasi tinggi

Numerik A18 Jumlah Tanggungan

Kategorial A19 Telepon

1 Tidak ada telepon

2 Ada, terdaftar atas nama sendiri

Kategorial

A20

Tenaga Kerja Asing

1 Ya (pekerja asing)

2 Bukan pekerja asing



DATA KE- A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20

KELAS RESIKO

1 1 6 5 4 1169 5 5 4 3 1 4 1 67 3 2 2 3 1 2 1 1

2 2 48 3 4 5951 1 3 2 2 1 2 1 22 3 2 1 3 1 1 1 2

3 4 12 5 7 2096 1 4 2 3 1 3 1 49 3 2 1 2 2 1 1 1

4 1 42 3 3 7882 1 4 2 3 3 4 2 45 3 3 1 3 2 1 1 1

5 1 24 4 1 4870 1 3 3 3 1 4 4 53 3 3 2 3 2 1 1 2

6 4 36 3 7 9055 5 3 2 3 1 4 4 35 3 3 1 2 2 2 1 1

7 4 24 3 3 2835 3 5 3 3 1 4 2 53 3 2 1 3 1 1 1 1

8 2 36 3 2 6948 1 3 2 3 1 2 3 35 3 1 1 4 1 2 1 1

9 4 12 3 4 3059 4 4 2 1 1 4 1 61 3 2 1 2 1 1 1 1

10 2 30 5 1 5234 1 1 4 4 1 2 3 28 3 2 2 4 1 1 1 2

11 2 12 3 1 1295 1 2 3 2 1 1 3 25 3 1 1 3 1 1 1 2

12 1 48 3 10 4308 1 2 3 2 1 4 2 24 3 1 1 3 1 1 1 2

13 2 12 3 4 1567 1 3 1 2 1 1 3 22 3 2 1 3 1 2 1 1

14 1 24 5 1 1199 1 5 4 3 1 4 3 60 3 2 2 2 1 1 1 2

15 1 15 3 1 1403 1 3 2 2 1 4 3 28 3 1 1 3 1 1 1 1

16 1 24 3 4 1282 2 3 4 2 1 2 3 32 3 2 1 2 1 1 1 2

17 4 24 5 4 2424 5 5 4 3 1 4 2 53 3 2 2 3 1 1 1 1

18 1 30 1 10 8072 5 2 2 3 1 3 3 25 1 2 3 3 1 1 1 1

19 2 24 3 2 12579 1 5 4 2 1 2 4 44 3 3 1 4 1 2 1 2

20 4 24 3 4 3430 3 5 3 3 1 2 3 31 3 2 1 3 2 2 1 1

21 4 9 5 1 2134 1 3 4 3 1 4 3 48 3 2 3 3 1 2 1 1

22 1 6 3 4 2647 3 3 2 3 1 3 1 44 3 1 1 3 2 1 1 1

23 1 10 5 1 2241 1 2 1 3 1 3 1 48 3 1 2 2 2 1 2 1

24 2 12 5 2 1804 2 2 3 3 1 4 2 44 3 2 1 3 1 1 1 1




KELAS RESIKO

25 4 10 5 3 2069 5 3 2 4 1 1 3 26 3 2 2 3 1 1 2 1

26 1 6 3 3 1374 1 3 1 3 1 2 1 36 1 2 1 2 1 2 1 1

27 4 6 1 4 426 1 5 4 4 1 4 3 39 3 2 1 2 1 1 1 1

28 3 12 2 4 409 4 3 3 2 1 3 1 42 3 1 2 3 1 1 1 1

29 2 7 3 4 2415 1 3 3 3 3 2 1 34 3 2 1 3 1 1 1 1

30 1 60 4 10 6836 1 5 3 3 1 4 4 63 3 2 2 3 1 2 1 2

31 2 18 3 10 1913 4 2 3 4 1 3 1 36 1 2 1 3 1 2 1 1

32 1 24 3 3 4020 1 3 2 3 1 2 3 27 2 2 1 3 1 1 1 1

33 2 18 3 1 5866 2 3 2 3 1 2 3 30 3 2 2 3 1 2 1 1

34 4 12 5 10 1264 5 5 4 3 1 4 4 57 3 1 1 2 1 1 1 1

35 3 12 3 3 1474 1 2 4 2 1 1 2 33 1 2 1 4 1 2 1 1

36 2 45 5 4 4746 1 2 4 3 1 2 2 25 3 2 2 2 1 1 1 2

37 4 48 5 7 6110 1 3 1 3 1 3 4 31 1 3 1 3 1 2 1 1

38 3 18 3 4 2100 1 3 4 3 2 2 1 37 2 2 1 3 1 1 1 2

39 3 10 3 5 1225 1 3 2 3 1 2 3 37 3 2 1 3 1 2 1 1

40 2 9 3 4 458 1 3 4 3 1 3 1 24 3 2 1 3 1 1 1 1

41 4 30 3 4 2333 3 5 4 3 1 2 3 30 1 2 1 4 1 1 1 1

42 2 12 3 4 1158 3 3 3 1 1 1 3 26 3 2 1 3 1 2 1 1

43 2 18 4 6 6204 1 3 2 3 1 4 1 44 3 2 1 2 2 2 1 1

44 1 30 5 2 6187 2 4 1 4 1 4 3 24 3 1 2 3 1 1 1 1

45 1 48 5 2 6143 1 5 4 2 1 4 4 58 2 3 2 2 1 1 1 2

46 4 11 5 1 1393 1 2 4 2 1 4 3 35 3 2 2 4 1 1 1 1

47 4 36 3 4 2299 3 5 4 3 1 4 3 39 3 2 1 3 1 1 1 1

48 1 6 3 2 1352 3 1 1 2 1 2 2 23 3 1 1 1 1 2 1 1




KELAS RESIKO

49 4 11 5 1 7228 1 3 1 3 1 4 2 39 3 2 2 2 1 1 1 1

50 4 12 3 4 2073 2 3 4 2 2 2 1 28 3 2 1 3 1 1 1 1

51 2 24 4 3 2333 5 2 4 3 1 2 2 29 1 2 1 2 1 1 1 1

52 2 27 4 2 5965 1 5 1 3 1 2 3 30 3 2 2 4 1 2 1 1

53 4 12 3 4 1262 1 3 3 3 1 2 3 25 3 2 1 3 1 1 1 1

54 4 18 3 2 3378 5 3 2 3 1 1 2 31 3 2 1 3 1 2 1 1

55 2 36 4 1 2225 1 5 4 3 1 4 4 57 1 3 2 3 1 2 1 2

56 4 6 2 1 783 5 3 1 3 3 2 1 26 2 2 1 2 2 1 1 1

57 2 12 3 4 6468 5 1 2 3 1 1 4 52 3 2 1 4 1 2 1 2

58 4 36 5 4 9566 1 3 2 2 1 2 3 31 2 2 2 3 1 1 1 1

59 3 18 3 1 1961 1 5 3 2 1 2 3 23 3 2 1 4 1 1 1 1

60 1 36 5 3 6229 1 2 4 2 2 4 4 23 3 1 2 2 1 2 1 2

61 2 9 3 10 1391 1 3 2 4 1 1 1 27 1 2 1 3 1 2 1 1

62 2 15 5 4 1537 5 5 4 3 3 4 1 50 3 2 2 3 1 2 1 1

63 2 36 1 10 1953 1 5 4 3 1 4 4 61 3 3 1 4 1 2 1 2

64 2 48 1 10 14421 1 3 2 3 1 2 3 25 3 2 1 3 1 2 1 2

65 4 24 3 4 3181 1 2 4 2 1 4 2 26 3 2 1 3 1 2 1 1

66 4 27 3 6 5190 5 5 4 3 1 4 2 48 3 2 4 3 2 2 1 1

67 4 12 3 4 2171 1 2 2 2 1 2 3 29 1 2 1 3 1 1 1 1

68 2 12 3 1 1007 4 3 4 4 1 1 1 22 3 2 1 3 1 1 1 1

69 4 36 3 7 1819 1 3 4 3 1 4 4 37 2 3 1 3 1 2 1 2

70 4 36 3 4 2394 5 3 4 2 1 4 3 25 3 2 1 3 1 1 1 1

71 4 36 3 2 8133 1 3 1 2 1 2 2 30 1 2 1 3 1 1 1 1

72 4 7 5 4 730 5 5 4 3 1 2 2 46 3 1 2 2 1 2 1 1




KELAS RESIKO

73 1 8 5 11 1164 1 5 3 3 1 4 4 51 1 3 2 4 2 2 1 1

74 2 42 5 10 5954 1 4 2 2 1 1 1 41 1 2 2 2 1 1 1 1

75 1 36 3 7 1977 5 5 4 3 1 4 4 40 3 2 1 4 1 2 1 2

76 1 12 5 2 1526 1 5 4 3 1 4 4 66 3 3 2 4 1 1 1 1

77 1 42 3 4 3965 1 2 4 3 1 3 3 34 3 2 1 3 1 1 1 2

78 2 11 4 4 4771 1 4 2 3 1 4 2 51 3 2 1 3 1 1 1 1

79 4 54 1 2 9436 5 3 2 3 1 2 2 39 3 2 1 2 2 1 1 1

80 2 30 3 3 3832 1 2 2 4 1 1 2 22 3 2 1 3 1 1 1 1

81 4 24 3 4 5943 5 2 1 2 1 1 3 44 3 2 2 3 1 2 1 2

82 4 15 3 4 1213 3 5 4 3 1 3 2 47 2 2 1 3 1 2 1 1

83 4 18 3 10 1568 2 3 3 2 1 4 2 24 3 1 1 2 1 1 1 1

84 1 24 3 11 1755 1 5 4 2 3 4 1 58 3 2 1 2 1 2 1 1

85 1 10 3 4 2315 1 5 3 3 1 4 1 52 3 2 1 2 1 1 1 1

86 4 12 5 10 1412 1 3 4 2 3 2 1 29 3 2 2 4 1 2 1 1

87 2 18 5 3 1295 1 2 4 2 1 1 2 27 3 2 2 3 1 1 1 1

88 2 36 3 7 12612 2 3 1 3 1 4 4 47 3 3 1 3 2 2 1 2

89 1 18 3 1 2249 2 4 4 3 1 3 3 30 3 2 1 4 2 2 1 1

90 1 12 1 6 1108 1 4 4 3 1 3 1 28 3 2 2 3 1 1 1 2

91 4 12 5 4 618 1 5 4 3 1 4 1 56 3 2 1 3 1 1 1 1

92 1 12 5 2 1409 1 5 4 3 1 3 1 54 3 2 1 3 1 1 1 1

93 4 12 5 4 797 5 5 4 2 1 3 2 33 1 2 1 2 2 1 1 2

94 3 24 5 3 3617 5 5 4 3 2 4 4 20 3 1 2 3 1 1 1 1

95 2 12 3 1 1318 4 5 4 3 1 4 1 54 3 2 1 3 1 2 1 1

96 2 54 1 10 15945 1 2 3 3 1 4 4 58 3 1 1 3 1 2 1 2




KELAS RESIKO

97 4 12 5 7 2012 5 4 4 2 1 2 3 61 3 2 1 3 1 1 1 1

98 2 18 3 10 2622 2 3 4 3 1 4 3 34 3 2 1 3 1 1 1 1

99 2 36 5 4 2337 1 5 4 3 1 4 1 36 3 2 1 3 1 1 1 1

100 2 20 4 2 7057 5 4 3 3 1 4 2 36 1 1 2 4 2 2 1 1

101 4 24 3 1 1469 2 5 4 4 1 4 1 41 3 1 1 2 1 1 1 1

102 2 36 3 4 2323 1 4 4 3 1 4 3 24 3 1 1 3 1 1 1 1

103 4 6 4 4 932 1 3 3 2 1 2 1 24 3 2 1 3 1 1 1 1

104 2 9 5 3 1919 1 4 4 3 1 3 3 35 3 1 1 3 1 2 1 1

105 4 12 3 2 2445 5 2 2 4 1 4 3 26 3 1 1 3 1 2 1 1

106 2 24 5 11 11938 1 3 2 3 2 3 3 39 3 2 2 4 2 2 1 2

107 4 18 2 1 6458 1 5 2 3 1 4 4 39 1 2 2 4 2 2 1 2

108 2 12 3 1 6078 1 4 2 3 1 2 3 32 3 2 1 3 1 1 1 1

109 1 24 3 3 7721 5 2 1 2 1 2 2 30 3 2 1 3 1 2 2 1

110 2 14 3 10 1410 3 5 1 4 1 2 1 35 3 2 1 3 1 2 1 1

111 2 6 4 10 1449 2 5 1 1 1 2 3 31 1 2 2 3 2 1 1 1

112 3 15 3 7 392 1 2 4 2 1 4 2 23 3 1 1 3 1 2 1 1

113 2 18 3 1 6260 1 4 3 3 1 3 1 28 3 1 1 2 1 1 1 1

114 4 36 5 1 7855 1 3 4 2 1 2 1 25 2 2 2 3 1 2 1 2

115 1 12 3 4 1680 3 5 3 4 1 1 1 35 3 2 1 3 1 1 1 1

116 4 48 5 4 3578 5 5 4 3 1 1 1 47 3 2 1 3 1 2 1 1

117 1 42 3 4 7174 5 4 4 2 1 3 3 30 3 2 1 4 1 2 1 2

118 1 10 5 3 2132 5 2 2 2 2 3 1 27 3 1 2 3 1 1 2 1

119 1 33 5 3 4281 3 3 1 2 1 4 3 23 3 2 2 3 1 1 1 2

120 2 12 5 1 2366 3 4 3 1 1 3 3 36 3 2 1 4 1 2 1 1




KELAS RESIKO

121 1 21 3 4 1835 1 3 3 2 1 2 1 25 3 2 2 3 1 2 1 2

122 4 24 5 2 3868 1 5 4 2 1 2 3 41 3 1 2 4 1 2 1 1

123 4 12 3 3 1768 1 3 3 3 1 2 1 24 3 1 1 2 1 1 1 1

124 3 10 5 1 781 1 5 4 3 1 4 4 63 3 3 2 3 1 2 1 1

125 2 18 3 3 1924 5 2 4 2 1 3 1 27 3 1 1 3 1 1 1 2

126 1 12 5 1 2121 1 3 4 3 1 2 2 30 3 2 2 3 1 1 1 1

127 1 12 3 4 701 1 3 4 4 1 2 1 40 3 2 1 2 1 1 1 1

128 2 12 3 6 639 1 3 4 3 1 2 3 30 3 2 1 3 1 1 1 2

129 2 12 5 2 1860 1 1 4 3 1 2 3 34 3 2 2 4 1 2 1 1

130 1 12 5 1 3499 1 3 3 2 2 2 1 29 3 2 2 3 1 1 1 2

131 2 48 3 1 8487 5 4 1 2 1 2 3 24 3 2 1 3 1 1 1 1

132 1 36 4 7 6887 1 3 4 3 1 3 2 29 2 2 1 3 1 2 1 2

133 4 15 3 3 2708 1 2 2 3 1 3 2 27 1 2 2 2 1 1 1 1

134 4 18 3 3 1984 1 3 4 3 1 4 4 47 1 3 2 3 1 1 1 1

135 4 60 3 4 10144 2 4 2 2 1 4 1 21 3 2 1 3 1 2 1 1

136 4 12 5 4 1240 5 5 4 2 1 2 1 38 3 2 2 3 1 2 1 1

137 4 27 4 2 8613 4 3 2 3 1 2 3 27 3 2 2 3 1 1 1 1

138 2 12 3 4 766 3 3 4 3 1 3 1 66 3 2 1 2 1 1 1 2

139 2 15 5 4 2728 5 4 4 3 3 2 1 35 1 2 3 3 1 2 1 1

140 3 12 3 4 1881 1 3 2 2 1 2 3 44 3 1 1 2 1 2 1 1

141 3 6 3 1 709 4 2 2 4 1 2 1 27 3 2 1 1 1 1 2 1

142 2 36 3 4 4795 1 2 4 2 1 1 4 30 3 2 1 4 1 2 1 1

143 1 27 3 4 3416 1 3 3 3 1 2 3 27 3 2 1 4 1 1 1 1

144 1 18 3 3 2462 1 3 2 3 1 2 3 22 3 2 1 3 1 1 1 2




KELAS RESIKO

145 4 21 5 3 2288 1 2 4 2 1 4 2 23 3 2 1 3 1 2 1 1

146 2 48 2 10 3566 2 4 4 3 1 2 3 30 3 2 1 3 1 1 1 1

147 1 6 5 1 860 1 5 1 2 1 4 4 39 3 2 2 3 1 2 1 1

148 4 12 5 1 682 2 4 4 2 1 3 3 51 3 2 2 3 1 2 1 1

149 1 36 5 3 5371 1 3 3 3 3 2 2 28 3 2 2 3 1 1 1 1

150 4 18 5 4 1582 4 5 4 3 1 4 3 46 3 2 2 3 1 1 1 1

151 4 6 3 4 1346 2 5 2 3 1 4 4 42 1 3 1 3 2 2 1 1

152 4 10 3 4 1924 1 3 1 3 1 4 2 38 3 2 1 3 1 2 2 1

153 3 36 3 4 5848 1 3 4 3 1 1 3 24 3 2 1 3 1 1 1 1

154 2 24 5 2 7758 4 5 2 2 1 4 4 29 3 1 1 3 1 1 1 1

155 2 24 4 10 6967 2 4 4 3 1 4 3 36 3 1 1 4 1 2 1 1

156 1 12 3 3 1282 1 3 2 2 1 4 3 20 3 1 1 3 1 1 1 2

157 1 9 5 6 1288 2 5 3 3 3 4 1 48 3 2 2 3 2 1 2 1

158 1 12 2 9 339 1 5 4 4 1 1 3 45 1 2 1 2 1 1 1 1

159 2 24 3 1 3512 2 4 2 3 1 3 3 38 1 2 2 3 1 2 1 1

160 4 6 5 4 1898 5 3 1 3 1 2 1 34 3 2 2 2 2 1 1 1

161 4 24 5 4 2872 2 5 3 3 1 4 1 36 3 2 1 3 2 2 1 1

162 4 18 5 1 1055 1 2 4 2 1 1 2 30 3 2 2 3 1 1 1 1

163 4 15 3 5 1262 3 4 4 3 1 3 2 36 3 2 2 3 1 2 1 1

164 2 10 3 1 7308 1 1 2 3 1 4 4 70 1 3 1 4 1 2 1 1

165 4 36 3 1 909 3 5 4 3 1 4 2 36 3 2 1 3 1 1 1 1

166 4 6 3 3 2978 3 3 1 3 1 2 3 32 3 2 1 3 1 2 1 1

167 1 18 3 3 1131 1 1 4 2 1 2 3 33 3 2 1 3 1 1 1 2

168 2 11 3 3 1577 4 2 4 2 1 1 1 20 3 2 1 3 1 1 1 1




KELAS RESIKO

169 4 24 3 3 3972 1 4 2 2 1 4 2 25 3 1 1 3 1 2 1 1

170 2 24 5 10 1935 1 5 4 1 1 4 1 31 3 2 2 3 1 2 1 2

171 1 15 1 1 950 1 5 4 3 1 3 3 33 3 1 2 3 2 1 1 2

172 4 12 3 3 763 1 3 4 2 1 1 1 26 3 2 1 3 1 2 1 1

173 2 24 4 3 2064 1 1 3 2 1 2 2 34 3 2 1 4 1 2 1 2

174 2 8 3 4 1414 1 3 4 3 3 2 1 33 3 2 1 3 1 1 2 1

175 1 21 4 7 3414 1 2 2 3 1 1 2 26 3 2 2 3 1 1 1 2

176 4 30 2 2 7485 5 1 4 2 1 1 1 53 1 2 1 4 1 2 1 2

177 1 12 3 3 2577 1 3 2 1 1 1 3 42 3 2 1 3 1 1 1 1

178 1 6 5 4 338 3 5 4 3 1 4 3 52 3 2 2 3 1 1 1 1

179 4 12 3 4 1963 1 4 4 3 1 2 3 31 3 1 2 4 2 2 1 1

180 1 21 5 1 571 1 5 4 3 1 4 1 65 3 2 2 3 1 1 1 1

181 4 36 4 10 9572 1 2 1 1 1 1 3 28 3 2 2 3 1 1 1 2

182 2 36 4 10 4455 1 3 2 1 1 2 1 30 2 2 2 4 1 2 1 2

183 1 21 2 1 1647 5 3 4 3 1 2 2 40 3 2 2 2 2 1 1 2

184 4 24 5 3 3777 4 3 4 3 1 4 1 50 3 2 1 3 1 2 1 1

185 2 18 5 1 884 1 5 4 3 1 4 3 36 1 2 1 3 2 2 1 2

186 4 15 5 4 1360 1 3 4 3 1 2 2 31 3 2 2 3 1 1 1 1

187 2 9 2 2 5129 1 5 2 2 1 4 4 74 1 3 1 4 2 2 1 2

188 2 16 5 1 1175 1 1 2 3 1 3 3 68 3 3 3 1 1 2 1 1

189 1 12 3 4 674 2 4 4 4 1 1 2 20 3 2 1 3 1 1 1 2

190 2 18 1 3 3244 1 3 1 2 1 4 3 33 1 2 2 3 1 2 1 1

191 4 24 3 10 4591 4 3 2 3 1 3 2 54 3 2 3 4 1 2 1 2

192 2 48 1 10 3844 2 4 4 3 1 4 4 34 3 3 1 2 2 1 1 2




KELAS RESIKO

193 2 27 3 10 3915 1 3 4 3 1 2 3 36 3 2 1 3 2 2 1 2

194 4 6 3 4 2108 1 4 2 4 1 2 1 29 3 1 1 3 1 1 1 1

195 2 45 3 4 3031 2 3 4 3 3 4 2 21 3 1 1 3 1 1 1 2

196 2 9 5 7 1501 1 5 2 2 1 3 3 34 3 2 2 4 1 2 1 2

197 4 6 5 4 1382 1 3 1 2 1 1 3 28 3 2 2 3 1 2 1 1

198 2 12 3 3 951 2 2 4 2 1 4 3 27 1 1 4 3 1 1 1 2

199 2 24 3 2 2760 5 5 4 3 1 4 4 36 1 3 1 3 1 2 1 1

200 2 18 4 3 4297 1 5 4 1 1 3 4 40 3 2 1 4 1 2 1 2

201 4 9 5 7 936 3 5 4 3 1 2 3 52 3 2 2 3 1 2 1 1

202 1 12 3 1 1168 1 3 4 4 1 3 1 27 3 2 1 2 1 1 1 1

203 4 27 4 10 5117 1 4 3 3 1 4 3 26 3 2 2 3 1 1 1 1

204 1 12 3 9 902 1 4 4 4 1 4 2 21 3 1 1 3 1 1 1 2

205 4 12 5 1 1495 1 5 4 3 1 1 1 38 3 2 2 2 2 1 1 1

206 1 30 5 2 10623 1 5 3 3 1 4 4 38 3 3 3 4 2 2 1 1

207 4 12 5 3 1935 1 5 4 3 1 4 1 43 3 2 3 3 1 2 1 1

208 2 12 5 5 1424 1 4 4 3 1 3 2 26 3 2 1 3 1 1 1 1

209 1 24 3 10 6568 1 3 2 4 1 2 3 21 2 2 1 2 1 1 1 1

210 4 12 3 2 1413 4 4 3 3 1 2 2 55 3 2 1 3 1 1 2 1

211 4 9 5 4 3074 5 3 1 3 1 2 1 33 3 2 2 3 2 1 1 1

212 4 36 3 4 3835 5 5 2 2 1 4 1 45 3 2 1 2 1 2 1 1

213 1 27 1 10 5293 1 1 2 3 1 4 2 50 2 2 2 3 1 2 1 2

214 3 30 4 10 1908 1 5 4 3 1 4 1 66 3 2 1 4 1 2 1 2

215 4 36 5 4 3342 5 5 4 3 1 2 3 51 3 2 1 3 1 2 1 1

216 2 6 5 9 932 5 4 1 2 1 3 2 39 3 2 2 2 1 1 1 1




KELAS RESIKO

217 1 18 1 10 3104 1 4 3 3 1 1 2 31 1 2 1 3 1 2 1 1

218 3 36 3 4 3913 1 3 2 3 1 2 1 23 3 2 1 3 1 2 1 1

219 1 24 3 3 3021 1 3 2 1 1 2 1 24 3 1 1 2 1 1 1 1

220 4 10 3 1 1364 1 3 2 2 1 4 3 64 3 2 1 3 1 2 1 1

221 2 12 3 4 625 1 2 4 4 3 1 1 26 1 2 1 2 1 1 1 1

222 1 12 3 7 1200 5 3 4 2 1 4 2 23 1 1 1 3 1 2 1 1

223 4 12 3 4 707 1 3 4 3 1 2 1 30 1 2 2 3 1 1 1 1

224 4 24 4 10 2978 5 3 4 3 1 4 1 32 3 2 2 3 2 2 1 1

225 4 15 3 2 4657 1 3 3 3 1 2 3 30 3 2 1 3 1 2 1 1

226 4 36 1 6 2613 1 3 4 3 1 2 3 27 3 2 2 3 1 1 1 1

227 2 48 3 4 10961 4 4 1 3 2 2 4 27 1 2 2 3 1 2 1 2

228 1 12 3 3 7865 1 5 4 3 1 4 4 53 3 3 1 4 1 2 1 2

229 4 9 3 4 1478 1 4 4 3 1 2 3 22 3 2 1 3 1 1 1 2

230 1 24 3 3 3149 1 2 4 3 1 1 4 22 1 3 1 3 1 1 1 1

231 3 36 3 4 4210 1 3 4 3 1 2 3 26 3 2 1 3 1 1 1 2

232 4 9 3 1 2507 3 5 2 3 1 4 4 51 3 3 1 2 1 1 1 1

233 4 12 3 4 2141 2 4 3 3 1 1 4 35 3 2 1 3 1 1 1 1

234 2 18 3 4 866 1 3 4 4 3 2 1 25 3 2 1 2 1 1 1 1

235 4 4 5 4 1544 1 4 2 3 1 1 1 42 3 2 3 2 2 1 1 1

236 1 24 3 4 1823 1 1 4 3 1 2 3 30 2 2 1 4 2 1 1 2

237 2 6 3 1 14555 5 1 1 3 1 2 2 23 3 2 1 1 1 2 1 2

238 2 21 3 10 2767 2 5 4 1 1 2 3 61 1 1 2 2 1 1 1 2

239 4 12 5 4 1291 1 3 4 2 1 2 2 35 3 2 2 3 1 1 1 1

240 1 30 3 4 2522 1 5 1 3 3 3 2 39 3 2 1 3 2 1 1 1




KELAS RESIKO

241 1 24 3 1 915 5 5 4 2 1 2 3 29 1 2 1 3 1 1 1 2

242 4 6 3 4 1595 1 4 3 3 1 2 2 51 3 2 1 3 2 1 1 1

243 1 48 1 2 4605 1 5 3 3 1 4 4 24 3 3 2 3 2 1 1 2

244 4 12 5 10 1185 1 3 3 2 1 2 1 27 3 2 2 3 1 1 1 1

245 4 12 2 9 3447 3 3 4 2 1 3 1 35 3 2 1 2 2 1 1 1

246 4 24 3 10 1258 1 4 4 3 1 1 1 25 3 2 1 3 1 2 1 1

247 4 12 5 4 717 1 5 4 3 1 4 1 52 3 2 3 3 1 1 1 1

248 4 6 1 1 1204 2 3 4 3 1 1 4 35 1 1 1 3 1 1 2 1

249 3 24 3 3 1925 1 3 2 3 1 2 1 26 3 2 1 3 1 1 1 1

250 4 18 3 4 433 1 1 3 2 2 4 1 22 3 1 1 3 1 1 1 2

251 1 6 5 1 666 4 4 3 2 1 4 1 39 3 2 2 2 1 2 1 1

252 3 12 3 3 2251 1 3 1 2 1 2 3 46 3 2 1 2 1 1 1 1

253 2 30 3 1 2150 1 3 4 2 3 2 4 24 1 2 1 3 1 1 1 2

254 4 24 4 3 4151 2 3 2 3 1 3 2 35 3 2 2 3 1 1 1 1

255 2 9 3 3 2030 5 4 2 3 1 1 3 24 3 2 1 3 1 2 1 1

256 2 60 4 4 7418 5 3 1 3 1 1 1 27 3 2 1 2 1 1 1 1

257 4 24 5 4 2684 1 3 4 3 1 2 1 35 3 2 2 2 1 1 1 1

258 1 12 2 4 2149 1 3 4 1 1 1 4 29 3 3 1 3 1 1 1 2

259 4 15 3 2 3812 2 2 1 2 1 4 3 23 3 2 1 3 1 2 1 1

260 4 11 5 4 1154 2 1 4 2 1 4 1 57 3 2 3 2 1 1 1 1

261 1 12 3 3 1657 1 3 2 3 1 2 1 27 3 2 1 3 1 1 1 1

262 1 24 3 4 1603 1 5 4 2 1 4 3 55 3 2 1 3 1 1 1 1

263 1 18 5 1 5302 1 5 2 3 1 4 4 36 3 3 3 4 1 2 1 1

264 4 12 5 7 2748 1 5 2 2 1 4 4 57 1 3 3 2 1 1 1 1




KELAS RESIKO

265 4 10 5 1 1231 1 5 3 3 1 4 1 32 3 2 2 2 2 1 2 1

266 2 15 3 4 802 1 5 4 3 1 3 3 37 3 2 1 3 2 1 1 2

267 4 36 5 10 6304 5 5 4 3 1 4 1 36 3 2 2 3 1 1 1 1

268 4 24 3 4 1533 1 2 4 2 1 3 3 38 2 2 1 3 1 2 1 1

269 1 14 3 1 8978 1 5 1 1 1 4 2 45 3 2 1 4 1 2 2 2

270 4 24 3 4 999 5 5 4 3 1 2 3 25 3 2 2 3 1 1 1 1

271 4 18 3 1 2662 5 4 4 3 1 3 2 32 3 2 1 3 1 1 2 1

272 4 12 5 3 1402 3 4 3 2 1 4 3 37 3 1 1 3 1 2 1 1

273 2 48 2 1 12169 5 1 4 3 2 4 4 36 3 3 1 4 1 2 1 1

274 2 48 3 4 3060 1 4 4 3 1 4 1 28 3 2 2 3 1 1 1 2

275 1 30 3 6 11998 1 2 1 1 1 1 4 34 3 2 1 2 1 2 1 2

276 4 9 3 4 2697 1 3 1 3 1 2 1 32 3 2 1 3 2 1 1 1

277 4 18 5 4 2404 1 3 2 2 1 2 3 26 3 2 2 3 1 1 1 1

278 1 12 3 3 1262 5 5 2 1 1 4 2 49 3 2 1 2 1 2 1 1

279 4 6 3 3 4611 1 2 1 2 1 4 2 32 3 2 1 3 1 1 1 2

280 4 24 3 4 1901 2 3 4 3 1 4 3 29 3 1 1 4 1 2 1 1

281 4 15 5 2 3368 4 5 3 3 1 4 4 23 3 1 2 3 1 2 1 1

282 4 12 3 3 1574 1 3 4 3 1 2 1 50 3 2 1 3 1 1 1 1

283 3 18 2 4 1445 5 4 4 3 1 4 3 49 1 2 1 2 1 1 1 1

284 4 15 5 3 1520 5 5 4 3 1 4 2 63 3 2 1 3 1 1 1 1

285 2 24 5 1 3878 2 2 4 1 1 2 3 37 3 2 1 3 1 2 1 1

286 1 47 3 1 10722 1 2 1 2 1 1 1 35 3 2 1 2 1 2 1 1

287 1 48 3 2 4788 1 4 4 3 1 3 2 26 3 2 1 3 2 1 1 1

288 2 48 4 11 7582 2 1 2 3 1 4 4 31 3 3 1 4 1 2 1 1




KELAS RESIKO

289 2 12 3 4 1092 1 3 4 2 3 4 1 49 3 2 2 3 1 2 1 1

290 1 24 4 4 1024 1 2 4 4 1 4 1 48 2 2 1 3 1 1 1 2

291 4 12 3 10 1076 1 3 2 4 1 2 1 26 3 2 1 3 1 2 2 1

292 2 36 3 2 9398 1 2 1 4 1 4 3 28 3 1 1 4 1 2 1 2

293 1 24 5 2 6419 1 5 2 2 1 4 4 44 3 3 2 4 2 2 1 1

294 3 42 5 2 4796 1 5 4 3 1 4 4 56 3 3 1 3 1 1 1 1

295 4 48 5 10 7629 5 5 4 1 1 2 3 46 1 2 2 4 2 1 1 1

296 2 48 3 3 9960 1 2 1 2 1 2 3 26 3 2 1 3 1 2 1 2

297 4 12 3 2 4675 5 2 1 2 1 4 3 20 3 1 1 3 1 1 1 1

298 4 10 3 1 1287 5 5 4 3 2 2 2 45 3 2 1 2 1 1 2 1

299 4 18 3 3 2515 1 3 3 3 1 4 1 43 3 2 1 3 1 2 1 1

300 2 21 5 3 2745 4 4 3 3 1 2 3 32 3 2 2 3 1 2 1 1

301 4 6 3 1 672 1 1 1 2 1 4 1 54 3 2 1 1 1 2 1 1

302 2 36 1 4 3804 1 3 4 2 1 1 3 42 3 2 1 3 1 2 1 2

303 3 24 5 1 1344 5 4 4 3 1 2 1 37 1 2 2 2 2 1 1 2

304 1 10 5 1 1038 1 4 4 3 2 3 2 49 3 2 2 3 1 2 1 1

305 4 48 5 1 10127 3 3 2 3 1 2 4 44 1 3 1 3 1 1 1 2

306 4 6 3 3 1543 4 3 4 1 1 2 1 33 3 2 1 3 1 1 1 1

307 4 30 3 2 4811 5 4 2 2 1 4 2 24 2 1 1 2 1 1 1 1

308 1 12 3 4 727 2 2 4 4 1 3 4 33 3 2 1 2 1 2 1 2

309 2 8 3 3 1237 1 3 3 2 1 4 1 24 3 2 1 3 1 1 1 2

310 2 9 3 1 276 1 3 4 4 1 4 1 22 3 1 1 2 1 1 1 1

311 2 48 3 11 5381 5 1 3 3 1 4 4 40 1 3 1 1 1 2 1 1

312 4 24 3 3 5511 2 3 4 3 1 1 3 25 2 2 1 3 1 1 1 1




KELAS RESIKO

313 3 24 3 3 3749 1 2 2 2 1 4 3 26 3 2 1 3 1 1 1 1

314 2 12 3 1 685 1 4 2 4 1 3 3 25 1 2 1 2 1 1 1 2

315 3 4 3 1 1494 5 2 1 3 1 2 1 29 3 2 1 2 2 1 2 1

316 1 36 2 3 2746 1 5 4 3 1 4 3 31 1 2 1 3 1 1 1 2

317 1 12 3 3 708 1 3 2 3 3 3 2 38 3 2 1 2 2 1 1 1

318 2 24 3 3 4351 5 3 1 2 1 4 2 48 3 2 1 2 1 2 1 1

319 4 12 5 7 701 1 3 4 3 1 2 3 32 3 2 2 3 1 1 1 1

320 1 15 4 3 3643 1 5 1 2 1 4 2 27 3 2 2 2 1 1 1 1

321 2 30 5 1 4249 1 1 4 4 1 2 3 28 3 2 2 4 1 1 1 2

322 1 24 3 4 1938 1 2 4 1 1 3 2 32 3 2 1 3 1 1 1 2

323 1 24 3 2 2910 1 4 2 3 1 1 4 34 3 3 1 4 1 2 1 1

324 1 18 3 3 2659 4 3 4 3 1 2 3 28 3 2 1 3 1 1 1 1

325 4 18 5 1 1028 1 3 4 2 1 3 1 36 3 2 2 3 1 1 1 1

326 1 8 5 1 3398 1 4 1 3 1 4 1 39 3 2 2 2 1 1 2 1

327 4 12 5 3 5801 5 5 2 3 1 4 2 49 3 1 1 3 1 2 1 1

328 4 24 3 1 1525 4 4 4 2 1 3 3 34 3 2 1 3 2 2 1 1

329 3 36 3 4 4473 1 5 4 3 1 2 3 31 3 2 1 3 1 1 1 1

330 2 6 3 4 1068 1 5 4 3 1 4 3 28 3 2 1 3 2 1 1 1

331 1 24 5 2 6615 1 1 2 3 1 4 4 75 3 3 2 4 1 2 1 1

332 4 18 5 7 1864 2 3 4 2 1 2 1 30 3 2 2 3 1 1 1 2

333 2 60 3 1 7408 2 2 4 2 1 2 2 24 3 2 1 4 1 1 1 2

334 4 48 5 2 11590 2 3 2 2 1 4 3 24 1 1 2 2 1 1 1 2

335 1 24 1 3 4110 1 5 3 3 1 4 4 23 1 1 2 3 2 1 1 2

336 1 6 5 3 3384 1 3 1 1 1 4 1 44 3 1 1 4 1 2 1 2




KELAS RESIKO

337 2 13 3 4 2101 1 2 2 2 3 4 2 23 3 2 1 2 1 1 1 1

338 1 15 3 5 1275 5 3 4 2 1 2 3 24 3 1 1 3 1 1 1 2

339 1 24 3 3 4169 1 3 4 3 1 4 2 28 3 2 1 3 1 1 1 1

340 2 10 3 3 1521 1 3 4 1 1 2 3 31 3 2 1 2 1 1 1 1

341 2 24 5 7 5743 1 2 2 2 1 4 4 24 3 3 2 3 1 2 1 1

342 1 21 3 3 3599 1 4 1 2 1 4 3 26 3 1 1 2 1 1 1 1

343 2 18 3 4 3213 3 2 1 4 1 3 1 25 3 1 1 3 1 1 1 1

344 2 18 3 10 4439 1 5 1 3 2 1 1 33 1 2 1 4 1 2 1 1

345 3 10 3 1 3949 1 2 1 3 3 1 2 37 3 2 1 2 2 1 1 1

346 4 15 5 4 1459 1 3 4 2 1 2 3 43 3 2 1 2 1 1 1 1

347 2 13 5 4 882 1 2 4 3 3 4 1 23 3 2 2 3 1 1 1 1

348 2 24 3 4 3758 3 1 1 2 1 4 4 23 3 1 1 1 1 1 1 1

349 4 6 4 10 1743 2 3 1 3 1 2 1 34 3 2 2 2 1 1 1 1

350 2 9 5 7 1136 4 5 4 3 1 3 4 32 3 3 2 3 2 1 1 2

351 4 9 3 5 1236 1 2 1 2 1 4 1 23 3 1 1 3 1 2 1 1

352 2 9 3 3 959 1 3 1 2 1 2 3 29 3 2 1 3 1 1 2 2

353 4 18 5 2 3229 5 1 2 3 1 4 4 38 3 2 1 4 1 2 1 1

354 1 12 1 4 6199 1 3 4 3 1 2 2 28 3 1 2 3 1 2 1 2

355 4 10 3 7 727 3 5 4 3 1 4 4 46 3 3 1 3 1 2 1 1

356 2 24 3 1 1246 1 2 4 3 1 2 1 23 2 2 1 2 1 1 1 2

357 4 12 5 4 2331 5 5 1 3 2 4 1 49 3 2 1 3 1 2 1 1

358 4 36 4 4 4463 1 3 4 3 1 2 3 26 3 2 2 4 1 2 1 2

359 4 12 3 4 776 1 3 4 4 1 2 1 28 3 2 1 3 1 1 1 1

360 1 30 3 3 2406 1 4 4 2 1 4 1 23 3 1 1 3 1 1 1 2




KELAS RESIKO

361 2 18 3 7 1239 5 3 4 3 1 4 4 61 3 3 1 3 1 1 1 1

362 3 12 3 4 3399 5 5 2 3 1 3 3 37 3 2 1 4 1 1 1 1

363 3 12 4 1 2247 1 3 2 2 1 2 3 36 2 2 2 3 1 2 1 1

364 4 6 3 3 1766 1 3 1 4 1 2 2 21 3 1 1 3 1 1 1 1

365 1 18 3 3 2473 1 1 4 3 1 1 3 25 3 2 1 1 1 1 1 2

366 4 12 3 10 1542 1 4 2 3 1 4 3 36 3 2 1 3 1 2 1 1

367 4 18 5 2 3850 1 4 3 3 1 1 3 27 3 2 2 3 1 1 1 1

368 1 18 3 3 3650 1 2 1 2 1 4 3 22 3 1 1 3 1 1 1 1

369 1 36 3 3 3446 1 5 4 3 1 2 3 42 3 2 1 3 2 1 1 2

370 2 18 3 3 3001 1 4 2 2 1 4 1 40 3 1 1 3 1 1 1 1

371 4 36 3 1 3079 5 3 4 3 1 4 1 36 3 2 1 3 1 1 1 1

372 4 18 5 4 6070 1 5 3 3 1 4 3 33 3 2 2 3 1 2 1 1

373 4 10 5 3 2146 1 2 1 2 1 3 1 23 3 1 2 3 1 1 1 1

374 4 60 5 1 13756 5 5 2 3 1 4 4 63 1 3 1 4 1 2 1 1

375 2 60 2 11 14782 2 5 3 2 1 4 4 60 1 3 2 4 1 2 1 2

376 1 48 2 10 7685 1 4 2 2 3 4 3 37 3 1 1 3 1 1 1 2

377 4 18 4 4 2320 1 1 2 4 1 3 1 34 3 2 2 3 1 1 1 1

378 4 7 4 4 846 5 5 3 3 1 4 4 36 3 3 1 3 1 1 1 1

379 2 36 3 1 14318 1 5 4 3 1 2 4 57 3 3 1 4 1 2 1 2

380 4 6 5 1 362 2 3 4 2 1 4 3 52 3 2 2 2 1 1 1 1

381 1 20 3 3 2212 5 4 4 3 1 4 3 39 3 2 1 3 1 2 1 1

382 2 18 3 2 12976 1 1 3 2 1 4 4 38 3 3 1 4 1 2 1 2

383 4 22 3 1 1283 5 4 4 2 1 4 2 25 3 1 1 3 1 1 1 1

384 3 12 3 1 1330 1 2 4 3 1 1 1 26 3 2 1 3 1 1 1 1




KELAS RESIKO

385 4 30 4 10 4272 2 3 2 3 1 2 2 26 3 2 2 2 1 1 1 1

386 4 18 5 4 2238 1 3 2 2 1 1 3 25 3 2 2 3 1 1 1 1

387 4 18 3 4 1126 5 2 4 2 1 2 1 21 3 1 1 3 1 2 1 1

388 2 18 5 3 7374 1 1 4 3 1 4 2 40 2 2 2 4 1 2 1 1

389 2 15 5 10 2326 3 3 2 3 1 4 3 27 1 2 1 3 1 1 1 1

390 4 9 3 10 1449 1 4 3 2 1 2 3 27 3 2 2 3 1 1 1 1

391 4 18 3 1 1820 1 3 2 4 1 2 2 30 3 2 1 4 1 2 1 1

392 2 12 3 3 983 4 2 1 2 1 4 1 19 3 1 1 2 1 1 1 1

393 1 36 3 1 3249 1 4 2 3 1 4 4 39 1 3 1 4 2 2 1 1

394 1 6 5 4 1957 1 4 1 2 1 4 3 31 3 2 1 3 1 1 1 1

395 4 9 5 3 2406 1 1 2 3 1 3 3 31 3 2 1 4 1 1 1 1

396 2 39 4 7 11760 2 4 2 3 1 3 4 32 3 1 1 3 1 2 1 1

397 1 12 3 3 2578 1 1 3 2 1 4 4 55 3 3 1 4 1 1 1 1

398 1 36 5 3 2348 1 3 3 4 1 2 2 46 3 2 2 3 1 2 1 1

399 2 12 3 1 1223 1 5 1 1 1 1 1 46 3 1 2 3 1 1 1 2

400 4 24 5 4 1516 4 3 4 2 1 1 1 43 3 2 2 2 1 1 1 1

401 4 18 3 4 1473 1 2 3 4 1 4 1 39 3 2 1 3 1 2 1 1

402 2 18 5 10 1887 5 3 4 4 1 4 1 28 1 2 2 3 1 1 1 1

403 4 24 4 10 8648 1 2 2 3 1 2 3 27 1 2 2 3 1 2 1 2

404 4 14 4 1 802 1 3 4 3 1 2 3 27 3 2 2 2 1 1 1 1

405 2 18 4 1 2899 5 5 4 3 1 4 3 43 3 2 1 3 2 1 1 1

406 2 24 3 4 2039 1 2 1 4 1 1 2 22 3 2 1 3 1 2 1 2

407 4 24 5 2 2197 5 4 4 3 1 4 3 43 3 2 2 3 2 2 1 1

408 1 15 3 4 1053 1 2 4 4 1 2 1 27 3 2 1 3 1 1 2 1




KELAS RESIKO

409 4 24 3 4 3235 3 5 3 1 1 2 3 26 3 2 1 4 1 2 1 1

410 3 12 5 1 939 3 4 4 4 1 2 1 28 3 2 3 3 1 2 1 2

411 2 24 3 4 1967 1 5 4 2 1 4 3 20 3 2 1 3 1 2 1 1

412 4 33 5 2 7253 1 4 3 3 1 2 3 35 3 2 2 4 1 2 1 1

413 4 12 5 10 2292 1 1 4 3 1 2 3 42 2 2 2 4 1 2 1 2

414 4 10 3 1 1597 3 3 3 3 1 2 4 40 3 1 1 2 2 1 2 1

415 1 24 3 1 1381 5 3 4 2 1 2 2 35 3 2 1 3 1 1 1 2

416 4 36 5 2 5842 1 5 2 3 1 2 2 35 3 2 2 3 2 2 1 1

417 1 12 3 1 2579 1 2 4 3 1 1 1 33 3 2 1 2 2 1 1 2

418 1 18 4 7 8471 5 3 1 2 1 2 3 23 3 1 2 3 1 2 1 1

419 4 21 3 1 2782 3 4 1 2 1 2 3 31 1 2 1 4 1 1 1 1

420 2 18 3 1 1042 5 3 4 2 1 2 2 33 3 2 1 3 1 1 1 2

421 4 15 3 1 3186 4 4 2 2 1 3 3 20 3 1 1 3 1 1 1 1

422 2 12 3 2 2028 5 3 4 3 1 2 3 30 3 2 1 3 1 1 1 1

423 2 12 5 1 958 1 4 2 3 1 3 1 47 3 2 2 2 2 1 1 1

424 4 21 4 3 1591 2 4 4 3 1 3 1 34 3 2 2 4 1 1 1 1

425 2 12 3 3 2762 5 5 1 2 1 2 2 25 1 2 1 3 1 2 1 2

426 2 18 3 2 2779 1 3 1 4 1 3 3 21 3 1 1 3 1 2 1 1

427 4 28 5 4 2743 1 5 4 3 1 2 3 29 3 2 2 3 1 1 1 1

428 4 18 5 4 1149 4 3 4 3 1 3 1 46 3 2 2 3 1 1 1 1

429 4 9 3 3 1313 1 5 1 3 1 4 3 20 3 2 1 3 1 1 1 1

430 1 18 5 6 1190 1 1 2 2 1 4 4 55 3 3 3 1 2 1 1 2

431 4 5 3 10 3448 1 4 1 3 1 4 1 74 3 2 1 2 1 1 1 1

432 2 24 3 11 11328 1 3 2 3 2 3 3 29 1 2 2 4 1 2 1 2




KELAS RESIKO

433 1 6 5 3 1872 1 1 4 3 1 4 4 36 3 3 3 4 1 2 1 1

434 4 24 5 6 2058 1 3 4 1 1 2 1 33 3 2 2 3 1 2 1 1

435 1 9 3 3 2136 1 3 3 3 1 2 1 25 3 2 1 3 1 1 1 1

436 2 12 3 4 1484 5 3 2 4 1 1 1 25 3 2 1 3 1 2 1 2

437 4 6 3 6 660 3 4 2 4 1 4 1 23 3 1 1 2 1 1 1 1

438 4 24 5 1 1287 4 5 4 2 1 4 1 37 3 2 2 3 1 2 1 1

439 1 42 5 6 3394 1 1 4 3 2 4 3 65 3 2 2 1 1 1 1 1

440 3 12 2 10 609 1 2 4 2 1 1 1 26 3 2 1 1 1 1 1 2

441 4 12 3 1 1884 1 5 4 3 1 4 3 39 3 2 1 4 1 2 1 1

442 1 12 3 3 1620 1 3 2 2 2 3 2 30 3 2 1 3 1 1 1 1

443 2 20 4 11 2629 1 3 2 3 1 3 3 29 1 2 2 3 1 2 1 1

444 4 12 3 7 719 1 5 4 3 1 4 3 41 1 2 1 2 2 1 1 2

445 2 48 5 3 5096 1 3 2 2 1 3 3 30 3 2 1 4 1 2 1 2

446 4 9 5 7 1244 5 5 4 2 1 4 2 41 3 1 2 2 1 1 1 1

447 1 36 3 1 1842 1 2 4 2 1 4 3 34 3 2 1 3 1 2 1 2

448 2 7 3 4 2576 1 3 2 3 3 2 1 35 3 2 1 3 1 1 1 1

449 3 12 3 3 1424 5 5 3 2 1 4 1 55 3 2 1 4 1 2 1 1

450 2 15 4 6 1512 4 3 3 4 1 3 2 61 2 2 2 3 1 1 1 2

451 4 36 5 2 11054 5 3 4 3 1 2 3 30 3 2 1 4 1 2 1 1

452 4 6 3 4 518 1 3 3 2 1 1 1 29 3 2 1 3 1 1 1 1

453 4 12 1 3 2759 1 5 2 3 1 4 2 34 3 2 2 3 1 1 1 1

454 4 24 3 2 2670 1 5 4 3 1 4 3 35 3 2 1 4 1 2 1 1

455 1 24 3 1 4817 1 4 2 3 2 3 2 31 3 2 1 3 1 2 1 2

456 4 24 3 2 2679 1 2 4 2 1 1 4 29 3 2 1 4 1 2 1 1




KELAS RESIKO

457 1 11 5 1 3905 1 3 2 3 1 2 1 36 3 1 2 3 2 1 1 1

458 1 12 3 2 3386 1 5 3 3 1 4 4 35 3 3 1 3 1 2 1 2

459 1 6 3 5 343 1 2 4 2 1 1 1 27 3 2 1 3 1 1 1 1

460 4 18 3 4 4594 1 2 3 3 1 2 3 32 3 2 1 3 1 2 1 1

461 1 36 3 3 3620 1 3 1 3 3 2 2 37 3 2 1 3 2 1 1 1

462 1 15 3 1 1721 1 2 2 3 1 3 1 36 3 2 1 3 1 1 1 1

463 2 12 3 3 3017 1 2 3 2 1 1 1 34 3 1 1 4 1 1 1 1

464 2 12 3 9 754 5 5 4 3 1 4 2 38 3 2 2 3 1 1 1 1

465 4 18 3 10 1950 1 4 4 3 1 1 3 34 2 2 2 3 1 2 1 1

466 1 24 3 2 2924 1 3 3 3 3 4 4 63 1 2 1 3 2 2 1 1

467 1 24 4 4 1659 1 2 4 2 1 2 3 29 3 1 1 2 1 2 1 2

468 4 48 4 4 7238 5 5 3 3 1 3 3 32 1 2 2 3 2 1 1 1

469 4 33 4 10 2764 1 3 2 2 1 2 3 26 3 2 2 3 1 2 1 1

470 4 24 4 2 4679 1 4 3 3 1 3 3 35 3 2 2 2 1 2 1 1

471 2 24 3 4 3092 2 2 3 4 1 2 3 22 3 1 1 3 1 2 1 2

472 1 6 3 7 448 1 2 4 2 1 4 2 23 3 2 1 3 1 1 1 2

473 1 9 3 1 654 1 3 4 3 1 3 3 28 3 2 1 2 1 1 1 2

474 4 6 3 9 1238 5 1 4 3 1 4 2 36 3 2 1 4 2 2 1 1

475 2 18 5 4 1245 1 3 4 4 1 2 3 33 3 2 1 3 1 1 1 2

476 1 18 1 3 3114 1 2 1 2 1 4 2 26 3 1 1 3 1 1 1 2

477 4 39 3 2 2569 3 3 4 3 1 4 3 24 3 2 1 3 1 1 1 1

478 3 24 3 4 5152 1 4 4 3 1 2 3 25 1 2 1 3 1 1 1 1

479 2 12 3 10 1037 2 4 3 3 1 4 1 39 3 2 1 2 1 1 1 1

480 1 15 5 3 1478 1 5 4 3 1 4 3 44 3 2 2 3 2 2 1 1




KELAS RESIKO

481 2 12 5 4 3573 1 3 1 2 1 1 1 23 3 2 1 2 1 1 1 1

482 2 24 3 1 1201 1 2 4 3 1 1 2 26 3 2 1 3 1 1 1 1

483 1 30 3 3 3622 4 5 4 2 1 4 2 57 3 1 2 3 1 2 1 1

484 4 15 4 3 960 4 4 3 2 1 2 2 30 3 2 2 3 1 1 1 1

485 4 12 5 1 1163 3 3 4 3 1 4 1 44 3 2 1 3 1 2 1 1

486 2 6 4 1 1209 1 1 4 3 1 4 2 47 3 2 1 4 1 2 1 2

487 4 12 3 4 3077 1 3 2 3 1 4 3 52 3 2 1 3 1 2 1 1

488 4 24 3 1 3757 1 5 4 2 2 4 4 62 3 3 1 3 1 2 1 1

489 4 10 3 1 1418 2 3 3 3 1 2 1 35 3 1 1 2 1 1 2 1

490 4 6 3 1 3518 1 3 2 3 3 3 2 26 3 1 1 3 1 1 1 1

491 4 12 5 4 1934 1 5 2 3 1 2 4 26 3 2 2 3 1 1 1 1

492 2 27 1 10 8318 1 5 2 2 1 4 4 42 3 3 2 4 1 2 1 2

493 4 6 5 4 1237 2 3 1 2 1 1 2 27 3 2 2 3 1 1 1 1

494 2 6 3 4 368 5 5 4 3 1 4 2 38 3 2 1 3 1 1 1 1

495 1 12 5 1 2122 1 3 3 3 1 2 1 39 3 1 2 2 2 1 2 1

496 1 24 3 3 2996 5 3 2 4 1 4 3 20 3 2 1 3 1 1 1 2

497 2 36 3 3 9034 2 2 4 3 2 1 4 29 3 1 1 4 1 2 1 2

498 4 24 5 3 1585 1 4 4 3 1 3 2 40 3 2 2 3 1 1 1 1

499 2 18 3 4 1301 1 5 4 4 3 2 1 32 3 2 1 2 1 1 1 1

500 3 6 5 1 1323 2 5 2 1 1 4 3 28 3 2 2 3 2 2 1 1

501 1 24 3 1 3123 1 2 4 2 1 1 2 27 3 2 1 3 1 1 1 2

502 1 36 3 2 5493 1 5 2 3 1 4 4 42 3 3 1 3 2 1 1 1

503 3 9 3 4 1126 2 5 2 1 1 4 1 49 3 2 1 3 1 1 1 1

504 2 24 5 4 1216 2 2 4 3 1 4 4 38 1 2 2 3 2 1 1 2




KELAS RESIKO

505 1 24 3 1 1207 1 2 4 2 1 4 2 24 3 1 1 3 1 1 1 2

506 4 10 3 1 1309 5 3 4 3 3 4 2 27 3 2 1 2 1 1 1 2

507 3 15 5 2 2360 3 3 2 3 1 2 3 36 3 2 1 3 1 2 1 1

508 2 15 2 1 6850 2 1 1 3 1 2 2 34 3 2 1 4 2 2 1 2

509 4 24 3 4 1413 1 3 4 4 1 2 2 28 3 2 1 3 1 1 1 1

510 4 39 3 2 8588 2 5 4 3 1 2 3 45 3 2 1 4 1 2 1 1

511 1 12 3 1 759 1 4 4 3 1 2 1 26 3 2 1 3 1 1 1 2

512 4 36 3 2 4686 1 3 2 3 1 2 4 32 3 3 1 4 1 2 1 1

513 3 15 3 10 2687 1 4 2 3 1 4 2 26 3 1 1 3 1 2 1 1

514 2 12 4 4 585 1 3 4 4 2 4 1 20 3 1 2 3 1 1 1 1

515 4 24 3 1 2255 5 2 4 3 1 1 2 54 3 2 1 3 1 1 1 1

516 1 6 5 1 609 1 4 4 2 1 3 2 37 3 2 2 3 1 1 2 1

517 1 6 5 1 1361 1 2 2 3 1 4 1 40 3 2 1 2 2 1 2 1

518 4 36 5 3 7127 1 2 2 2 1 4 2 23 3 1 2 3 1 2 1 2

519 1 6 3 1 1203 2 5 3 3 1 2 2 43 3 2 1 3 1 2 1 1

520 4 6 5 4 700 5 5 4 3 1 4 4 36 3 3 2 3 1 1 1 1

521 4 24 5 6 5507 1 5 3 3 1 4 4 44 3 3 2 3 1 1 1 1

522 1 18 3 4 3190 1 3 2 2 1 2 1 24 3 2 1 3 1 1 1 2

523 1 48 1 3 7119 1 3 3 3 1 4 4 53 3 3 2 3 2 1 1 2

524 4 24 3 2 3488 2 4 3 2 1 4 3 23 3 2 1 3 1 1 1 1

525 2 18 3 4 1113 1 3 4 2 3 4 1 26 3 2 1 2 2 1 1 1

526 2 26 3 2 7966 1 2 2 3 1 3 3 30 3 2 2 3 1 1 1 1

527 4 15 5 7 1532 2 3 4 2 1 3 3 31 3 2 1 3 1 1 1 1

528 4 4 5 4 1503 1 4 2 3 1 1 1 42 3 2 2 2 2 1 1 1




KELAS RESIKO

529 1 36 3 4 2302 1 3 4 1 1 4 3 31 3 1 1 3 1 1 1 2

530 1 6 3 1 662 1 2 3 3 1 4 1 41 3 2 1 2 2 2 1 1

531 2 36 3 7 2273 1 4 3 3 1 1 3 32 3 2 2 3 2 1 1 1

532 2 15 3 1 2631 2 3 2 2 1 4 3 28 3 1 2 3 1 2 1 2

533 4 12 4 2 1503 1 3 4 4 1 4 1 41 3 1 1 3 1 1 1 1

534 4 24 3 4 1311 2 4 4 4 1 3 2 26 3 2 1 3 1 2 1 1

535 4 24 3 4 3105 5 2 4 3 1 2 3 25 3 2 2 3 1 1 1 1

536 3 21 5 7 2319 1 2 2 1 1 1 3 33 3 1 1 3 1 1 1 2

537 1 6 3 1 1374 5 1 4 2 1 3 2 75 3 2 1 4 1 2 1 1

538 2 18 5 3 3612 1 5 3 2 1 4 2 37 3 2 1 3 1 2 1 1

539 1 48 3 1 7763 1 5 4 3 1 4 4 42 1 3 1 4 1 1 1 2

540 3 18 3 3 3049 1 2 1 2 1 1 2 45 2 2 1 2 1 1 1 1

541 2 12 3 4 1534 1 2 1 4 1 1 1 23 3 1 1 3 1 1 1 2

542 4 24 4 1 2032 1 5 4 3 1 4 4 60 3 3 2 3 1 2 1 1

543 1 30 3 3 6350 5 5 4 3 1 4 2 31 3 2 1 3 1 1 1 2

544 3 18 3 3 2864 1 3 2 3 1 1 1 34 3 2 1 2 2 1 1 2

545 4 12 5 1 1255 1 5 4 3 1 4 1 61 3 2 2 2 1 1 1 1

546 1 24 4 1 1333 1 1 4 3 1 2 1 43 3 3 2 3 2 1 1 2

547 4 24 5 1 2022 1 3 4 2 1 4 3 37 3 2 1 3 1 2 1 1

548 4 24 3 4 1552 1 4 3 3 1 1 3 32 1 2 1 3 2 1 1 1

549 1 12 2 4 626 1 3 4 2 1 4 1 24 1 2 1 2 1 1 1 2

550 4 48 5 2 8858 5 4 2 3 1 1 4 35 3 3 2 3 1 2 1 1

551 4 12 5 6 996 5 4 4 2 1 4 1 23 3 2 2 3 1 1 1 1

552 4 6 2 4 1750 3 5 2 3 1 4 2 45 1 2 1 2 2 1 1 1




KELAS RESIKO

553 1 48 3 4 6999 1 4 1 4 3 1 1 34 3 2 2 3 1 2 1 2

554 2 12 5 1 1995 2 2 4 3 1 1 3 27 3 2 1 3 1 1 1 1

555 2 9 3 7 1199 1 4 4 2 1 4 2 67 3 2 2 4 1 2 1 1

556 2 12 3 4 1331 1 2 2 3 1 1 3 22 2 2 1 3 1 1 1 2

557 2 18 1 1 2278 2 2 3 2 1 3 3 28 3 2 2 3 1 1 1 2

558 4 21 1 1 5003 5 3 1 2 1 4 2 29 1 2 2 3 1 2 1 2

559 1 24 2 3 3552 1 4 3 3 1 4 3 27 1 2 1 3 1 1 1 2

560 2 18 5 3 1928 1 2 2 3 1 2 1 31 3 2 2 2 1 1 1 2

561 1 24 3 2 2964 5 5 4 3 1 4 4 49 1 3 1 3 2 2 1 1

562 1 24 2 4 1546 1 4 4 3 3 4 3 24 1 1 1 2 1 1 1 2

563 3 6 4 4 683 1 2 2 2 1 1 2 29 1 2 1 3 1 1 1 1

564 2 36 3 1 12389 5 3 1 3 1 4 4 37 3 3 1 3 1 2 1 2

565 2 24 4 10 4712 5 3 4 3 1 2 2 37 1 2 2 4 1 2 1 1

566 2 24 4 4 1553 2 4 3 2 1 2 2 23 3 1 2 3 1 2 1 1

567 1 12 3 1 1372 1 4 2 1 1 3 3 36 3 2 1 3 1 1 1 2

568 4 24 5 4 2578 4 5 2 3 1 2 3 34 3 2 1 3 1 1 1 1

569 2 48 3 4 3979 5 4 4 3 1 1 3 41 3 2 2 3 2 2 1 1

570 1 48 3 4 6758 1 3 3 2 1 2 3 31 3 2 1 3 1 2 1 2

571 1 24 3 3 3234 1 2 4 2 1 4 1 23 3 1 1 2 1 2 1 2

572 4 30 5 4 5954 1 4 3 3 2 2 3 38 3 2 1 3 1 1 1 1

573 4 24 3 2 5433 5 1 2 2 1 4 2 26 3 1 1 4 1 2 1 1

574 1 15 3 10 806 1 3 4 2 1 4 2 22 3 2 1 2 1 1 1 1

575 2 9 3 4 1082 1 5 4 3 1 4 3 27 3 2 2 2 1 1 1 1

576 4 15 5 3 2788 1 4 2 2 2 3 3 24 1 2 2 3 1 1 1 1




KELAS RESIKO

577 2 12 3 4 2930 1 4 2 2 1 1 1 27 3 2 1 3 1 1 1 1

578 4 24 5 7 1927 5 3 3 2 1 2 3 33 3 2 2 3 1 2 1 1

579 2 36 5 1 2820 1 2 4 1 1 4 3 27 3 2 2 3 1 1 1 2

580 4 24 3 9 937 1 2 4 4 1 3 3 27 3 2 2 2 1 1 1 1

581 2 18 5 1 1056 1 5 3 3 3 3 1 30 1 2 2 3 1 1 1 2

582 2 12 5 1 3124 1 2 1 3 1 3 1 49 1 2 2 2 2 1 1 1

583 4 9 3 3 1388 1 3 4 2 1 2 1 26 3 1 1 3 1 1 1 1

584 2 36 3 6 2384 1 2 4 3 1 1 4 33 3 1 1 2 1 1 1 2

585 4 12 3 1 2133 5 5 4 2 1 4 4 52 3 3 1 4 1 2 1 1

586 1 18 3 3 2039 1 3 1 2 1 4 1 20 1 1 1 3 1 1 1 2

587 1 9 5 1 2799 1 3 2 3 1 2 1 36 3 1 2 3 2 1 1 1

588 1 12 3 3 1289 1 3 4 3 3 1 2 21 3 2 1 2 1 1 1 1

589 1 18 3 5 1217 1 3 4 4 1 3 1 47 3 2 1 2 1 2 1 2

590 1 12 5 3 2246 1 5 3 3 1 3 2 60 3 2 2 3 1 1 1 2

591 1 12 5 4 385 1 4 4 2 1 3 1 58 3 2 4 2 1 2 1 1

592 2 24 4 1 1965 5 3 4 2 1 4 3 42 3 1 2 3 1 2 1 1

593 4 21 3 10 1572 4 5 4 2 1 4 1 36 1 2 1 2 1 1 1 1

594 2 24 3 1 2718 1 3 3 2 1 4 2 20 3 1 1 2 1 2 1 2

595 1 24 2 11 1358 5 5 4 3 1 3 3 40 2 2 1 4 1 2 1 2

596 2 6 2 1 931 2 2 1 2 1 1 2 32 2 2 1 2 1 1 1 2

597 1 24 3 1 1442 1 4 4 2 1 4 3 23 3 1 2 3 1 1 1 2

598 2 24 1 10 4241 1 3 1 3 1 4 1 36 3 2 3 2 1 2 1 2

599 4 18 5 1 2775 1 4 2 3 1 2 2 31 1 2 2 3 1 1 1 2

600 4 24 4 10 3863 1 3 1 3 1 2 4 32 3 3 1 3 1 1 1 1




KELAS RESIKO

601 2 7 3 4 2329 1 2 1 2 3 1 1 45 3 2 1 3 1 1 1 1

602 2 9 3 3 918 1 3 4 2 1 1 2 30 3 2 1 3 1 1 1 2

603 2 24 2 7 1837 1 4 4 2 1 4 4 34 1 3 1 2 1 1 1 2

604 4 36 3 3 3349 1 3 4 2 1 2 3 28 3 2 1 4 1 2 1 2

605 3 10 3 3 1275 1 2 4 2 1 2 2 23 3 2 1 3 1 1 1 1

606 1 24 2 3 2828 3 3 4 3 1 4 1 22 2 2 1 3 1 2 1 1

607 4 24 5 10 4526 1 3 3 3 1 2 1 74 3 2 1 4 1 2 1 1

608 2 36 3 4 2671 2 3 4 2 2 4 4 50 3 3 1 3 1 1 1 2

609 4 18 3 4 2051 1 2 4 3 1 1 1 33 3 2 1 3 1 1 1 1

610 4 15 3 2 1300 5 5 4 3 1 4 4 45 1 3 1 3 2 1 1 1

611 1 12 3 5 741 2 1 4 2 1 3 2 22 3 2 1 3 1 1 1 2

612 3 10 3 1 1240 2 5 1 2 1 4 4 48 3 3 1 2 2 1 1 2

613 1 21 3 4 3357 4 2 4 2 1 2 3 29 1 2 1 3 1 1 1 1

614 1 24 2 2 3632 1 3 1 2 3 4 3 22 1 1 1 3 1 1 2 1

615 4 18 4 3 1808 1 4 4 2 1 1 1 22 3 2 1 3 1 1 1 2

616 2 48 1 10 12204 5 3 2 3 1 2 3 48 1 2 1 4 1 2 1 1

617 2 60 4 4 9157 5 3 2 3 1 2 4 27 3 3 1 4 1 1 1 1

618 1 6 5 1 3676 1 3 1 3 1 3 1 37 3 1 3 3 2 1 1 1

619 2 30 3 3 3441 2 3 2 2 2 4 3 21 3 1 1 3 1 1 1 2

620 4 12 3 1 640 1 3 4 1 1 2 1 49 3 2 1 2 1 1 1 1

621 2 21 5 10 3652 1 4 2 3 1 3 2 27 3 2 2 3 1 1 1 1

622 4 18 5 1 1530 1 3 3 3 1 2 2 32 1 2 2 3 1 1 1 2

623 4 48 3 10 3914 5 3 4 1 1 2 1 38 1 2 1 3 1 1 1 2

624 1 12 3 3 1858 1 2 4 2 1 1 3 22 3 1 1 3 1 1 1 1




KELAS RESIKO

625 1 18 3 4 2600 1 3 4 3 1 4 4 65 3 3 2 3 1 1 1 2

626 4 15 3 4 1979 5 5 4 3 1 2 3 35 3 2 1 3 1 1 1 1

627 3 6 3 3 2116 1 3 2 3 1 2 1 41 3 2 1 3 1 2 1 1

628 2 9 2 1 1437 2 4 2 3 1 3 4 29 3 2 1 3 1 1 1 2

629 4 42 5 3 4042 3 3 4 3 1 4 1 36 3 2 2 3 1 2 1 1

630 4 9 3 7 3832 5 5 1 3 1 4 1 64 3 2 1 2 1 1 1 1

631 1 24 3 4 3660 1 3 2 2 1 4 3 28 3 2 1 3 1 1 1 1

632 1 18 2 3 1553 1 3 4 3 1 3 3 44 1 2 1 3 1 1 1 2

633 2 15 3 4 1444 5 2 4 3 1 1 2 23 3 2 1 3 1 1 1 1

634 4 9 3 3 1980 1 2 2 2 2 2 3 19 3 1 2 3 1 1 1 2

635 2 24 3 1 1355 1 2 3 2 1 4 3 25 3 2 1 2 1 2 1 2

636 4 12 3 7 1393 1 5 4 3 1 4 2 47 1 2 3 3 2 2 1 1

637 4 24 3 4 1376 3 4 4 2 1 1 3 28 3 2 1 3 1 1 1 1

638 4 60 4 4 15653 1 4 2 3 1 4 3 21 3 2 2 3 1 2 1 1

639 4 12 3 4 1493 1 2 4 2 1 3 3 34 3 2 1 3 2 1 1 1

640 1 42 4 4 4370 1 4 3 3 1 2 2 26 1 2 2 3 2 2 1 2

641 1 18 3 7 750 1 1 4 2 1 1 1 27 3 2 1 1 1 1 1 2

642 2 15 3 6 1308 1 5 4 3 1 4 3 38 3 2 2 2 1 1 1 1

643 4 15 3 7 4623 2 3 3 3 1 2 2 40 3 2 1 4 1 2 1 2

644 4 24 5 4 1851 1 4 4 4 3 2 3 33 3 2 2 3 1 2 1 1

645 1 18 5 4 1880 1 4 4 4 1 1 2 32 3 2 2 4 1 2 1 1

646 4 36 4 10 7980 5 2 4 3 1 4 3 27 3 1 2 3 1 2 1 2

647 1 30 1 3 4583 1 3 2 1 3 2 1 32 3 2 2 3 1 1 1 1

648 4 12 3 1 1386 3 3 2 2 1 2 2 26 3 2 1 3 1 1 1 2




KELAS RESIKO

649 3 24 3 1 947 1 4 4 3 1 3 4 38 1 3 1 3 2 1 1 2

650 1 12 3 7 684 1 3 4 3 1 4 3 40 3 1 1 2 2 1 1 2

651 1 48 3 7 7476 1 4 4 3 1 1 4 50 3 3 1 4 1 2 1 1

652 2 12 3 3 1922 1 3 4 3 1 2 2 37 3 2 1 2 1 1 1 2

653 1 24 3 1 2303 1 5 4 3 2 1 1 45 3 2 1 3 1 1 1 2

654 2 36 4 1 8086 2 5 2 3 1 4 3 42 3 2 4 4 1 2 1 2

655 4 24 5 2 2346 1 4 4 3 1 3 3 35 3 2 2 3 1 2 1 1

656 1 14 3 1 3973 1 1 1 3 1 4 4 22 3 3 1 3 1 1 1 1

657 2 12 3 1 888 1 5 4 3 1 4 3 41 1 2 1 2 2 1 1 2

658 4 48 3 4 10222 5 4 4 3 1 3 3 37 2 2 1 3 1 2 1 1

659 2 30 1 10 4221 1 3 2 2 1 1 3 28 3 2 2 3 1 1 1 1

660 2 18 5 3 6361 1 5 2 3 1 1 4 41 3 2 1 3 1 2 1 1

661 3 12 3 4 1297 1 3 3 4 1 4 1 23 3 1 1 3 1 1 1 1

662 1 12 3 1 900 5 3 4 4 1 2 3 23 3 2 1 3 1 1 1 2

663 4 21 3 3 2241 1 5 4 3 1 2 1 50 3 2 2 3 1 1 1 1

664 2 6 4 3 1050 1 1 4 3 1 1 2 35 2 2 2 4 1 2 1 1

665 3 6 5 7 1047 1 3 2 2 1 4 2 50 3 2 1 2 1 1 1 1

666 4 24 5 11 6314 1 1 4 3 2 2 4 27 1 2 2 4 1 2 1 1

667 2 30 2 3 3496 4 3 4 3 1 2 3 34 2 2 1 3 2 2 1 1

668 4 48 2 10 3609 1 3 1 2 1 1 1 27 2 2 1 3 1 1 1 1

669 1 12 5 1 4843 1 5 3 3 2 4 2 43 3 1 2 3 1 2 1 2

670 3 30 5 4 3017 1 5 4 3 1 4 2 47 3 2 1 3 1 1 1 1

671 4 24 5 10 4139 2 3 3 3 1 3 2 27 3 2 2 2 1 2 1 1

672 4 36 3 10 5742 2 4 2 3 1 2 3 31 3 2 2 3 1 2 1 1




KELAS RESIKO

673 4 60 3 1 10366 1 5 2 3 1 4 2 42 3 2 1 4 1 2 1 1

674 4 6 5 1 2080 3 3 1 4 1 2 3 24 3 2 1 3 1 1 1 1

675 4 21 4 10 2580 3 2 4 3 1 2 1 41 1 2 1 2 2 1 1 2

676 4 30 5 4 4530 1 4 4 2 1 4 3 26 3 1 1 4 1 2 1 1

677 4 24 5 3 5150 1 5 4 3 1 4 3 33 3 2 1 3 1 2 1 1

678 2 72 3 4 5595 2 3 2 4 1 2 3 24 3 2 1 3 1 1 1 2

679 1 24 3 4 2384 1 5 4 3 1 4 1 64 1 1 1 2 1 1 1 1

680 4 18 3 4 1453 1 2 3 2 1 1 1 26 3 2 1 3 1 1 1 1

681 4 6 3 7 1538 1 2 1 2 1 2 4 56 3 2 1 3 1 1 1 1

682 4 12 3 4 2279 5 3 4 3 1 4 4 37 3 3 1 3 1 2 1 1

683 4 15 4 4 1478 1 3 4 4 1 3 1 33 1 2 2 3 1 1 1 1

684 4 24 5 4 5103 1 2 3 4 1 3 4 47 3 3 3 3 1 2 1 1

685 2 36 4 10 9857 2 4 1 3 1 3 2 31 3 2 2 2 2 2 1 1

686 4 60 3 1 6527 5 3 4 3 1 4 4 34 3 3 1 3 2 2 1 1

687 3 10 5 4 1347 5 4 4 3 1 2 2 27 3 2 2 3 1 2 1 1

688 2 36 4 1 2862 2 5 4 3 1 3 4 30 3 3 1 3 1 1 1 1

689 4 9 3 4 2753 2 5 3 3 2 4 3 35 3 2 1 3 1 2 1 1

690 1 12 3 1 3651 4 3 1 3 1 3 2 31 3 2 1 3 2 1 1 1

691 1 15 5 3 975 1 3 2 1 1 3 2 25 3 2 2 3 1 1 1 1

692 2 15 3 6 2631 2 3 3 2 1 2 1 25 3 2 1 2 1 1 1 1

693 2 24 3 4 2896 2 2 2 3 1 1 3 29 3 2 1 3 1 1 1 1

694 1 6 5 1 4716 5 2 1 3 1 3 1 44 3 2 2 2 2 1 1 1

695 4 24 3 4 2284 1 4 4 3 1 2 3 28 3 2 1 3 1 2 1 1

696 4 6 3 2 1236 3 3 2 3 1 4 2 50 3 1 1 3 1 1 1 1




KELAS RESIKO

697 2 12 3 4 1103 1 4 4 3 3 3 1 29 3 2 2 3 1 1 2 1

698 4 12 5 1 926 1 1 1 2 1 2 2 38 3 2 1 1 1 1 1 1

699 4 18 5 4 1800 1 3 4 3 1 2 3 24 3 2 2 3 1 1 1 1

700 3 15 3 7 1905 1 5 4 3 1 4 3 40 3 1 1 4 1 2 1 1

701 4 12 3 3 1123 3 3 4 2 1 4 3 29 3 1 1 2 1 1 1 2

702 1 48 5 2 6331 1 5 4 3 1 4 4 46 3 3 2 3 1 2 1 2

703 3 24 3 4 1377 2 5 4 2 1 2 4 47 3 3 1 3 1 2 1 1

704 2 30 4 10 2503 2 5 4 3 1 2 2 41 2 2 2 3 1 1 1 1

705 2 27 3 10 2528 1 2 4 2 1 1 2 32 3 2 1 3 2 2 1 1

706 4 15 3 1 5324 3 5 1 2 1 4 4 35 3 3 1 3 1 1 1 1

707 2 48 3 1 6560 2 4 3 3 1 2 2 24 3 2 1 3 1 1 1 2

708 2 12 1 3 2969 1 2 4 2 1 3 2 25 3 1 2 3 1 1 1 2

709 2 9 3 4 1206 1 5 4 2 1 4 1 25 3 2 1 3 1 1 1 1

710 2 9 3 4 2118 1 3 2 3 1 2 1 37 3 2 1 2 2 1 1 1

711 4 18 5 4 629 3 5 4 3 1 3 2 32 1 2 2 4 1 2 1 1

712 1 6 2 7 1198 1 5 4 2 1 4 4 35 3 3 1 3 1 1 1 2

713 4 21 3 2 2476 5 5 4 3 1 4 1 46 3 2 1 4 1 2 1 1

714 1 9 5 4 1138 1 3 4 3 1 4 1 25 3 2 2 2 1 1 1 1

715 2 60 3 1 14027 1 4 4 3 1 2 4 27 3 2 1 4 1 2 1 2

716 4 30 5 2 7596 5 5 1 3 1 4 3 63 3 2 2 3 1 1 1 1

717 4 30 5 4 3077 5 5 3 3 1 2 3 40 3 2 2 3 2 2 1 1

718 4 18 3 4 1505 1 3 4 3 1 2 4 32 3 3 1 4 1 2 1 1

719 3 24 5 4 3148 5 3 3 3 1 2 3 31 3 2 2 3 1 2 1 1

720 2 20 1 2 6148 2 5 3 4 1 4 3 31 1 2 2 3 1 2 1 1




KELAS RESIKO

721 3 9 1 4 1337 1 2 4 3 1 2 3 34 3 2 2 4 1 2 1 2

722 2 6 2 7 433 4 2 4 2 1 2 2 24 1 1 1 3 2 1 1 2

723 1 12 3 1 1228 1 3 4 2 1 2 1 24 3 2 1 2 1 1 1 2

724 2 9 3 4 790 3 3 4 2 1 3 1 66 3 2 1 2 1 1 1 1

725 4 27 3 1 2570 1 3 3 2 1 3 1 21 3 1 1 3 1 1 1 2

726 4 6 5 1 250 4 3 2 2 1 2 1 41 1 2 2 2 1 1 1 1

727 4 15 5 4 1316 3 3 2 4 1 2 2 47 3 2 2 2 1 1 1 1

728 1 18 3 4 1882 1 3 4 2 1 4 3 25 1 1 2 3 1 1 1 2

729 2 48 2 10 6416 1 5 4 2 1 3 4 59 3 1 1 3 1 1 1 2

730 3 24 5 10 1275 4 3 2 1 1 4 1 36 3 2 2 3 1 2 1 1

731 2 24 4 4 6403 1 2 1 3 1 2 3 33 3 2 1 3 1 1 1 1

732 1 24 3 4 1987 1 3 2 3 1 4 1 21 3 1 1 2 2 1 1 2

733 2 8 3 4 760 1 4 4 2 3 2 1 44 3 2 1 2 1 1 1 1

734 4 24 3 2 2603 4 3 2 2 1 4 3 28 3 1 1 3 1 2 1 1

735 4 4 5 1 3380 1 4 1 2 1 1 1 37 3 2 1 3 2 1 1 1

736 2 36 2 5 3990 5 2 3 2 1 2 4 29 1 2 1 1 1 1 1 1

737 2 24 3 2 11560 1 3 1 2 1 4 3 23 3 1 2 4 1 1 1 2

738 1 18 3 1 4380 2 3 3 3 1 4 3 35 3 2 1 2 2 2 1 1

739 4 6 5 1 6761 1 4 1 3 1 3 4 45 3 2 2 4 2 2 1 1

740 2 30 1 10 4280 2 3 4 2 1 4 3 26 3 1 2 2 1 1 1 2

741 1 24 2 1 2325 2 4 2 3 1 3 3 32 1 2 1 3 1 1 1 1

742 2 10 2 4 1048 1 3 4 3 1 4 1 23 2 2 1 2 1 1 1 1

743 4 21 3 4 3160 5 5 4 3 1 3 2 41 3 2 1 3 1 2 1 1

744 1 24 2 3 2483 3 3 4 3 1 4 1 22 2 2 1 3 1 2 1 1




KELAS RESIKO

745 1 39 5 3 14179 5 4 4 3 1 4 2 30 3 2 2 4 1 2 1 1

746 1 13 5 10 1797 1 2 3 3 1 1 2 28 1 2 2 2 1 1 1 1

747 1 15 3 1 2511 1 1 1 2 1 4 3 23 3 1 1 3 1 1 1 1

748 1 12 3 1 1274 1 2 3 2 1 1 1 37 3 2 1 2 1 1 1 2

749 4 21 3 2 5248 5 3 1 3 1 3 3 26 3 2 1 3 1 1 1 1

750 4 15 3 2 3029 1 4 2 3 1 2 3 33 3 2 1 3 1 1 1 1

751 1 6 3 3 428 1 5 2 2 1 1 2 49 1 2 1 3 1 2 1 1

752 1 18 3 1 976 1 2 1 2 1 2 3 23 3 2 1 2 1 1 1 2

753 2 12 3 10 841 2 4 2 2 1 4 1 23 3 1 1 2 1 1 1 1

754 4 30 5 4 5771 1 4 4 2 1 2 3 25 3 2 2 3 1 1 1 1

755 4 12 4 6 1555 4 5 4 3 1 4 4 55 3 3 2 3 2 1 1 2

756 1 24 3 1 1285 5 4 4 2 1 4 4 32 3 1 1 3 1 1 1 2

757 3 6 5 1 1299 1 3 1 3 1 1 1 74 3 2 3 1 2 1 2 1

758 3 15 5 4 1271 5 3 3 3 1 4 4 39 3 3 2 3 1 2 1 2

759 4 24 3 1 1393 1 3 2 3 3 2 1 31 3 2 1 3 1 2 1 1

760 1 12 5 1 691 1 5 4 3 1 3 2 35 3 2 2 3 1 1 1 2

761 4 15 5 1 5045 5 5 1 2 1 4 3 59 3 2 1 3 1 2 1 1

762 1 18 5 3 2124 1 3 4 2 1 4 1 24 3 1 2 3 1 1 1 2

763 1 12 3 4 2214 1 3 4 3 1 3 2 24 3 2 1 2 1 1 1 1

764 4 21 5 1 12680 5 5 4 3 1 4 4 30 3 3 1 4 1 2 1 2

765 4 24 5 1 2463 2 4 4 4 1 3 2 27 3 2 2 3 1 2 1 1

766 2 12 3 4 1155 1 5 3 4 3 3 1 40 1 2 2 2 1 1 1 1

767 1 30 3 3 3108 1 2 2 1 1 4 2 31 3 2 1 2 1 1 1 2

768 4 10 3 2 2901 5 2 1 2 1 4 1 31 3 1 1 3 1 1 1 1




KELAS RESIKO

769 2 12 5 3 3617 1 5 1 3 1 4 3 28 3 1 3 3 1 2 1 1

770 4 12 5 4 1655 1 5 2 3 1 4 1 63 3 2 2 2 1 2 1 1

771 1 24 3 2 2812 5 5 2 2 1 4 1 26 3 1 1 3 1 1 1 1

772 1 36 5 7 8065 1 3 3 2 1 2 4 25 3 2 2 4 1 2 1 2

773 4 21 5 2 3275 1 5 1 3 1 4 3 36 3 2 1 4 1 2 1 1

774 4 24 5 4 2223 2 5 4 3 1 4 2 52 1 2 2 3 1 1 1 1

775 3 12 5 1 1480 3 1 2 3 1 4 4 66 1 3 3 1 1 1 1 1

776 1 24 3 1 1371 5 3 4 2 1 4 1 25 3 1 1 3 1 1 1 2

777 4 36 5 1 3535 1 4 4 3 1 4 3 37 3 2 2 3 1 2 1 1

778 1 18 3 4 3509 1 4 4 2 3 1 1 25 3 2 1 3 1 1 1 1

779 4 36 5 2 5711 4 5 4 3 1 2 3 38 3 2 2 4 1 2 1 1

780 2 18 3 6 3872 1 1 2 2 1 4 3 67 3 2 1 3 1 2 1 1

781 2 39 5 4 4933 1 4 2 3 3 2 1 25 3 2 2 3 1 1 1 2

782 4 24 5 1 1940 4 5 4 3 1 4 1 60 3 2 1 3 1 2 1 1

783 2 12 1 9 1410 1 3 2 3 1 2 1 31 3 2 1 2 1 2 1 1

784 2 12 3 1 836 2 2 4 2 1 2 2 23 1 2 1 2 1 1 1 2

785 2 20 3 2 6468 5 1 1 1 1 4 1 60 3 2 1 4 1 2 1 1

786 2 18 3 10 1941 4 3 4 3 1 2 2 35 3 2 1 2 1 2 1 1

787 4 22 3 4 2675 3 5 3 3 1 4 3 40 3 2 1 3 1 1 1 1

788 4 48 5 2 2751 5 5 4 3 1 3 3 38 3 2 2 3 2 2 1 1

789 2 48 4 7 6224 1 5 4 3 1 4 4 50 3 3 1 3 1 1 1 2

790 1 40 5 7 5998 1 3 4 3 1 3 4 27 1 2 1 3 1 2 1 2

791 2 21 3 10 1188 1 5 2 2 1 4 2 39 3 2 1 3 2 1 1 2

792 4 24 3 2 6313 5 5 3 3 1 4 3 41 3 2 1 4 2 2 1 1




KELAS RESIKO

793 4 6 5 3 1221 5 3 1 4 1 2 2 27 3 2 2 3 1 1 1 1

794 3 24 3 3 2892 1 5 3 1 1 4 4 51 3 3 1 3 1 1 1 1

795 4 24 3 3 3062 3 5 4 3 1 3 4 32 3 1 1 3 1 2 1 1

796 4 9 3 3 2301 2 2 2 2 1 4 2 22 3 1 1 3 1 1 1 1

797 1 18 3 2 7511 5 5 1 3 1 4 2 51 3 3 1 3 2 2 1 2

798 4 12 5 3 1258 1 2 2 2 1 4 2 22 3 1 2 2 1 1 1 1

799 4 24 4 1 717 5 5 4 4 1 4 3 54 3 2 2 3 1 2 1 1

800 2 9 3 1 1549 5 2 4 3 1 2 1 35 3 2 1 1 1 1 1 1

801 4 24 5 7 1597 1 5 4 3 1 4 4 54 3 3 2 3 2 1 1 1

802 2 18 5 4 1795 1 5 3 2 3 4 1 48 1 1 2 2 1 2 1 1

803 1 20 5 3 4272 1 5 1 2 1 4 2 24 3 2 2 3 1 1 1 1

804 4 12 5 4 976 5 5 4 3 1 4 3 35 3 2 2 3 1 1 1 1

805 2 12 3 1 7472 5 1 1 2 1 2 1 24 3 1 1 1 1 1 1 1

806 1 36 3 1 9271 1 4 2 3 1 1 3 24 3 2 1 3 1 2 1 2

807 2 6 3 4 590 1 2 3 4 1 3 1 26 3 2 1 2 1 1 2 1

808 4 12 5 4 930 5 5 4 3 1 4 1 65 3 2 4 3 1 1 1 1

809 2 42 2 2 9283 1 1 1 3 1 2 4 55 1 3 1 4 1 2 1 1

810 2 15 1 1 1778 1 2 2 2 1 1 1 26 3 1 2 1 1 1 1 2

811 2 8 3 10 907 1 2 3 4 1 2 1 26 3 2 1 3 1 2 1 1

812 2 6 3 4 484 1 4 3 4 3 3 1 28 1 2 1 2 1 1 1 1

813 1 36 5 2 9629 1 4 4 3 1 4 3 24 3 2 2 3 1 2 1 2

814 1 48 3 5 3051 1 3 3 3 1 4 3 54 3 2 1 3 1 1 1 2

815 1 48 3 1 3931 1 4 4 3 1 4 4 46 3 3 1 3 2 1 1 2

816 2 36 4 1 7432 1 3 2 2 1 2 2 54 3 1 1 3 1 1 1 1




KELAS RESIKO

817 4 6 3 5 1338 3 3 1 1 1 4 1 62 3 2 1 3 1 1 1 1

818 4 6 5 4 1554 1 4 1 2 1 2 3 24 3 1 2 3 1 2 1 1

819 1 36 3 11 15857 1 1 2 1 2 3 3 43 3 2 1 4 1 1 1 1

820 1 18 3 4 1345 1 3 4 4 1 3 1 26 1 2 1 3 1 1 1 2

821 4 12 3 1 1101 1 3 3 4 1 2 1 27 3 2 2 3 1 2 1 1

822 3 12 3 4 3016 1 3 3 4 1 1 3 24 3 2 1 3 1 1 1 1

823 1 36 3 3 2712 1 5 2 3 1 2 2 41 1 2 1 3 2 1 1 2

824 1 8 5 1 731 1 5 4 3 1 4 1 47 3 2 2 2 1 1 1 1

825 4 18 5 3 3780 1 2 3 1 1 2 3 35 3 2 2 4 1 2 1 1

826 1 21 5 1 1602 1 5 4 4 1 3 3 30 3 2 2 3 1 2 1 1

827 1 18 5 1 3966 1 5 1 2 1 4 1 33 1 1 3 3 1 2 1 2

828 4 18 1 10 4165 1 3 2 3 1 2 3 36 2 2 2 3 2 1 1 2

829 1 36 3 2 8335 5 5 3 3 1 4 4 47 3 3 1 3 1 1 1 2

830 2 48 4 10 6681 5 3 4 3 1 4 4 38 3 3 1 3 2 2 1 1

831 4 24 4 10 2375 3 3 4 3 1 2 3 44 3 2 2 3 2 2 1 1

832 1 18 3 1 1216 1 2 4 2 1 3 3 23 3 1 1 3 1 2 1 2

833 1 45 1 10 11816 1 5 2 3 1 4 3 29 3 1 2 3 1 1 1 2

834 2 24 3 4 5084 5 5 2 2 1 4 3 42 3 2 1 3 1 2 1 1

835 3 15 3 4 2327 1 2 2 2 1 3 1 25 3 2 1 2 1 1 1 2

836 1 12 1 1 1082 1 3 4 3 1 4 3 48 1 2 2 3 1 1 1 2

837 4 12 3 4 886 5 3 4 2 1 2 3 21 3 2 1 3 1 1 1 1

838 4 4 3 3 601 1 2 1 2 1 3 1 23 3 1 1 2 2 1 1 1

839 1 24 5 2 2957 1 5 4 3 1 4 2 63 3 2 2 3 1 2 1 1

840 4 24 5 4 2611 1 5 4 4 2 3 1 46 3 2 2 3 1 1 1 1




KELAS RESIKO

841 1 36 3 3 5179 1 4 4 3 1 2 2 29 3 2 1 3 1 1 1 2

842 4 21 4 2 2993 1 3 3 3 1 2 1 28 2 2 2 2 1 1 1 1

843 4 18 3 6 1943 1 2 4 2 1 4 1 23 3 2 1 3 1 1 1 2

844 4 24 2 10 1559 1 4 4 3 1 4 3 50 1 2 1 3 1 2 1 1

845 4 18 3 3 3422 1 5 4 3 1 4 2 47 1 2 3 3 2 2 1 1

846 2 21 3 3 3976 5 4 2 3 1 3 3 35 3 2 1 3 1 2 1 1

847 4 18 3 1 6761 5 3 2 3 1 4 3 68 3 1 2 3 1 1 1 2

848 4 24 3 1 1249 1 2 4 4 1 2 1 28 3 2 1 3 1 1 1 1

849 1 9 3 4 1364 1 4 3 3 1 4 1 59 3 2 1 3 1 1 1 1

850 1 12 3 4 709 1 5 4 3 1 4 1 57 2 2 1 2 1 1 1 2

851 1 20 5 1 2235 1 3 4 4 3 2 2 33 1 1 2 3 1 1 2 2

852 4 24 5 2 4042 5 4 3 3 1 4 2 43 3 2 2 3 1 2 1 1

853 4 15 5 4 1471 1 3 4 3 1 4 4 35 3 3 2 3 1 2 1 1

854 1 18 2 1 1442 1 4 4 3 1 4 4 32 3 3 2 2 2 1 1 2

855 4 36 4 1 10875 1 5 2 3 1 2 3 45 3 2 2 3 2 2 1 1

856 4 24 3 1 1474 2 2 4 4 1 3 1 33 3 2 1 3 1 2 1 1

857 4 10 3 9 894 5 4 4 2 1 3 2 40 3 2 1 3 1 2 1 1

858 4 15 5 3 3343 1 3 4 3 1 2 4 28 3 3 1 3 1 2 1 1

859 1 15 3 1 3959 1 3 3 2 1 2 2 29 3 2 1 3 1 2 1 2

860 4 9 3 1 3577 2 3 1 3 3 2 1 26 3 1 1 3 2 1 2 1

861 4 24 5 2 5804 4 3 4 3 1 2 1 27 3 2 2 3 1 1 1 1

862 4 18 4 10 2169 1 3 4 4 1 2 3 28 3 2 1 3 1 2 1 2

863 1 24 3 4 2439 1 2 4 2 1 4 1 35 3 2 1 3 1 2 1 2

864 4 27 5 3 4526 4 2 4 3 1 2 1 32 2 2 2 2 2 2 1 1




KELAS RESIKO

865 4 10 3 3 2210 1 3 2 3 1 2 1 25 1 1 1 2 1 1 1 2

866 4 15 3 3 2221 3 3 2 2 1 4 3 20 3 1 1 3 1 1 1 1

867 1 18 3 4 2389 1 2 4 2 1 1 3 27 2 2 1 3 1 1 1 1

868 4 12 5 3 3331 1 5 2 3 1 4 2 42 2 2 1 3 1 1 1 1

869 4 36 3 10 7409 5 5 3 3 1 2 2 37 3 2 2 3 1 1 1 1

870 1 12 3 3 652 1 5 4 2 1 4 2 24 3 1 1 3 1 1 1 1

871 4 36 4 3 7678 3 4 2 2 1 4 3 40 3 2 2 3 1 2 1 1

872 3 6 5 1 1343 1 5 1 3 1 4 1 46 3 2 2 3 2 1 2 1

873 1 24 5 10 1382 2 4 4 3 1 1 1 26 3 2 2 3 1 2 1 1

874 4 15 3 5 874 5 2 4 2 1 1 1 24 3 2 1 3 1 1 1 1

875 1 12 3 3 3590 1 3 2 3 2 2 2 29 3 2 1 2 2 1 1 1

876 2 11 5 1 1322 4 3 4 2 1 4 3 40 3 2 2 3 1 1 1 1

877 1 18 2 4 1940 1 2 3 3 2 4 4 36 1 3 1 4 1 2 1 1

878 4 36 3 4 3595 1 5 4 3 1 2 3 28 3 2 1 3 1 1 1 1

879 1 9 3 1 1422 1 2 3 3 1 2 4 27 3 3 1 4 1 2 1 2

880 4 30 5 4 6742 5 4 2 3 1 3 2 36 3 2 2 3 1 1 1 1

881 4 24 3 2 7814 1 4 3 3 1 3 3 38 3 2 1 4 1 2 1 1

882 4 24 3 2 9277 5 3 2 1 1 4 4 48 3 3 1 3 1 2 1 1

883 2 30 5 1 2181 5 5 4 3 1 4 1 36 3 2 2 3 1 1 1 1

884 4 18 5 4 1098 1 1 4 2 1 4 3 65 3 2 2 1 1 1 1 1

885 2 24 3 3 4057 1 4 3 1 1 3 3 43 3 2 1 3 1 2 1 2

886 1 12 3 7 795 1 2 4 2 1 4 2 53 3 2 1 3 1 1 1 2

887 2 24 5 10 2825 5 4 4 3 1 3 4 34 3 2 2 3 2 2 1 1

888 2 48 3 10 15672 1 3 2 3 1 2 3 23 3 2 1 3 1 2 1 2




KELAS RESIKO

889 4 36 5 1 6614 1 5 4 3 1 4 3 34 3 2 2 4 1 2 1 1

890 4 28 2 2 7824 5 2 3 3 3 4 1 40 1 1 2 3 2 2 1 1

891 1 27 5 10 2442 1 5 4 3 1 4 3 43 2 2 4 4 2 2 1 1

892 4 15 5 4 1829 1 5 4 3 1 4 3 46 3 2 2 3 1 2 1 1

893 1 12 5 1 2171 1 3 4 3 1 4 2 38 1 2 2 2 1 1 2 1

894 2 36 5 2 5800 1 3 3 3 1 4 3 34 3 2 2 3 1 2 1 1

895 4 18 5 4 1169 5 3 4 3 1 3 2 29 3 2 2 3 1 2 1 1

896 4 36 4 2 8947 5 4 3 3 1 2 3 31 2 2 1 4 2 2 1 1

897 1 21 3 4 2606 1 2 4 2 1 4 2 28 3 1 1 4 1 2 1 1

898 4 12 5 3 1592 4 4 3 2 1 2 2 35 3 2 1 3 1 1 2 1

899 4 15 3 3 2186 5 4 1 2 1 4 1 33 1 1 1 2 1 1 1 1

900 1 18 3 3 4153 1 3 2 3 2 3 3 42 3 2 1 3 1 1 1 2

901 1 16 5 1 2625 1 5 2 3 3 4 2 43 1 1 1 3 1 2 1 2

902 4 20 5 1 3485 5 2 2 1 1 4 1 44 3 2 2 3 1 2 1 1

903 4 36 5 2 10477 5 5 2 3 1 4 4 42 3 3 2 3 1 1 1 1

904 4 15 3 4 1386 5 3 4 4 1 2 1 40 3 1 1 3 1 2 1 1

905 4 24 3 4 1278 1 5 4 3 1 1 1 36 3 2 1 4 1 2 1 1

906 1 12 3 4 1107 1 3 2 3 1 2 1 20 3 1 1 4 2 2 1 1

907 1 21 3 1 3763 5 4 2 3 2 2 1 24 3 2 1 2 1 1 2 1

908 2 36 3 7 3711 5 3 2 4 1 2 3 27 3 2 1 3 1 1 1 1

909 4 15 4 2 3594 1 2 1 2 1 2 2 46 3 2 2 2 1 1 1 1

910 2 9 3 1 3195 5 3 1 2 1 2 1 33 3 2 1 2 1 1 1 1

911 4 36 4 4 4454 1 3 4 2 1 4 1 34 3 2 2 3 1 1 1 1

912 2 24 5 3 4736 1 2 2 2 1 4 3 25 1 2 1 2 1 1 1 2




KELAS RESIKO

913 2 30 3 4 2991 5 5 2 2 1 4 3 25 3 2 1 3 1 1 1 1

914 4 11 3 10 2142 4 5 1 1 1 2 1 28 3 2 1 3 1 2 1 1

915 1 24 2 10 3161 1 3 4 3 1 2 2 31 3 1 1 3 1 2 1 2

916 2 48 1 11 18424 1 3 1 2 1 2 2 32 1 2 1 4 1 2 2 2

917 4 10 3 2 2848 2 3 1 3 2 2 1 32 3 2 1 3 2 1 1 1

918 1 6 3 1 14896 1 5 1 3 1 4 4 68 1 2 1 4 1 2 1 2

919 1 24 3 3 2359 2 1 1 1 1 1 2 33 3 2 1 3 1 1 1 2

920 1 24 3 3 3345 1 5 4 3 1 2 2 39 3 1 1 4 1 2 1 2

921 4 18 5 3 1817 1 3 4 2 1 2 4 28 3 2 2 3 1 1 1 1

922 4 48 4 4 12749 3 4 4 3 1 1 3 37 3 2 1 4 1 2 1 1

923 1 9 3 4 1366 1 2 3 2 1 4 2 22 3 1 1 3 1 1 1 2

924 2 12 3 1 2002 1 4 3 3 1 4 2 30 3 1 1 3 2 2 1 1

925 1 24 2 3 6872 1 2 2 1 1 1 2 55 1 2 1 3 1 2 1 2

926 1 12 2 1 697 1 2 4 3 1 2 3 46 1 2 2 3 1 2 1 2

927 1 18 5 3 1049 1 2 4 2 1 4 2 21 3 1 1 3 1 1 1 1

928 1 48 3 2 10297 1 4 4 3 1 4 4 39 2 3 3 3 2 2 1 2

929 4 30 3 4 1867 5 5 4 3 1 4 3 58 3 2 1 3 1 2 1 1

930 1 12 4 1 1344 1 3 4 3 1 2 1 43 3 2 2 2 2 1 1 1

931 1 24 3 3 1747 1 2 4 3 2 1 2 24 3 2 1 2 1 1 2 1

932 2 9 3 4 1670 1 2 4 2 1 2 3 22 3 2 1 3 1 2 1 2

933 4 9 5 1 1224 1 3 3 3 1 1 1 30 3 2 2 3 1 1 1 1

934 4 12 5 4 522 3 5 4 3 1 4 2 42 3 2 2 3 2 2 1 1

935 1 12 3 4 1498 1 3 4 2 1 1 3 23 1 2 1 3 1 1 1 1

936 2 30 4 4 1919 2 2 4 3 1 3 4 30 2 2 2 4 1 1 1 2




KELAS RESIKO

937 3 9 3 4 745 1 3 3 2 1 2 1 28 3 2 1 2 1 1 1 2

938 2 6 3 4 2063 1 2 4 4 1 3 3 30 3 1 1 4 1 2 1 1

939 2 60 3 7 6288 1 3 4 3 1 4 4 42 3 3 1 3 1 1 1 2

940 4 24 5 2 6842 5 3 2 3 1 4 2 46 3 2 2 4 2 2 1 1

941 4 12 3 1 3527 5 2 2 3 1 3 2 45 3 2 1 4 2 2 1 1

942 4 10 3 1 1546 1 3 3 3 1 2 1 31 3 2 1 2 2 1 2 1

943 4 24 3 3 929 5 4 4 3 1 2 3 31 2 2 1 3 1 2 1 1

944 4 4 5 1 1455 1 4 2 3 1 1 1 42 3 2 3 2 2 1 1 1

945 1 15 3 3 1845 1 2 4 2 3 1 2 46 3 1 1 3 1 1 1 1

946 2 48 1 1 8358 3 2 1 2 1 1 3 30 3 2 2 3 1 1 1 1

947 1 24 2 3 3349 3 2 4 3 1 4 4 30 3 3 1 3 2 2 1 2

948 4 12 3 1 2859 5 1 4 3 1 4 4 38 3 2 1 4 1 2 1 1

949 4 18 3 3 1533 1 2 4 4 2 1 2 43 3 2 1 2 2 1 1 2

950 4 24 3 4 3621 2 5 2 3 1 4 3 31 3 2 2 3 1 1 1 2



Lampiran 1 Data Testing


KELAS RESIKO

951 2 18 4 10 3590 1 1 3 4 1 3 3 40 3 2 3 1 2 2 1 1

952 1 36 3 10 2145 1 4 2 3 1 1 3 24 3 2 2 3 1 2 1 2

953 2 24 2 2 4113 3 2 3 2 1 4 3 28 3 1 1 3 1 1 1 2

954 4 36 2 3 10974 1 1 4 2 1 2 3 26 3 2 2 4 1 2 1 2

955 1 12 2 1 1893 1 3 4 2 3 4 2 29 3 2 1 3 1 2 1 1

956 1 24 4 4 1231 4 5 4 2 1 4 2 57 3 1 2 4 1 2 1 1

957 3 30 4 4 3656 5 5 4 3 1 4 2 49 2 2 2 2 1 1 1 1

958 2 9 4 4 1154 1 5 2 3 1 4 1 37 3 2 3 2 1 1 1 1

959 1 28 2 1 4006 1 3 3 3 1 2 3 45 3 2 1 2 1 1 1 2

960 2 24 2 3 3069 2 5 4 3 1 4 4 30 3 3 1 3 1 1 1 1

961 4 6 4 4 1740 1 5 2 4 1 2 1 30 3 1 2 3 1 1 1 1

962 2 21 3 1 2353 1 3 1 1 1 4 2 47 3 2 2 3 1 1 1 1

963 4 15 2 1 3556 5 3 3 3 1 2 4 29 3 2 1 3 1 1 1 1

964 4 24 2 4 2397 3 5 3 3 1 2 3 35 1 2 2 3 1 2 1 2

965 2 6 2 6 454 1 2 3 4 1 1 2 22 3 2 1 2 1 1 1 1

966 2 30 2 4 1715 5 3 4 2 1 1 3 26 3 2 1 3 1 1 1 1

967 2 27 4 4 2520 3 3 4 3 1 2 2 23 3 2 2 2 1 1 1 2

968 4 15 2 4 3568 1 5 4 2 1 2 3 54 1 1 1 4 1 2 1 1

969 4 42 2 4 7166 5 4 2 4 1 4 2 29 3 1 1 3 1 2 1 1

970 1 11 4 1 3939 1 3 1 3 1 2 1 40 3 2 2 2 2 1 1 1

971 2 15 2 6 1514 2 3 4 3 3 2 1 22 3 2 1 3 1 1 1 1

972 4 24 2 1 7393 1 3 1 3 1 4 2 43 3 2 1 2 2 1 1 1

973 1 24 1 1 1193 1 1 1 2 2 4 4 29 3 1 2 1 1 1 1 2




KELAS RESIKO

974 1 60 2 10 7297 1 5 4 3 2 4 4 36 3 1 1 3 1 1 1 2

975 4 30 4 4 2831 1 3 4 2 1 2 3 33 3 2 1 3 1 2 1 1

976 3 24 2 4 1258 3 3 3 2 1 3 3 57 3 2 1 2 1 1 1 1

977 2 6 2 4 753 1 3 2 2 3 3 1 64 3 2 1 3 1 1 1 1

978 2 18 3 10 2427 5 5 4 3 1 2 2 42 3 2 2 3 1 1 1 1

979 4 24 3 1 2538 1 5 4 3 1 4 3 47 3 2 2 2 2 1 1 2

980 2 15 1 1 1264 2 3 2 4 1 2 2 25 3 1 1 3 1 1 1 2

981 2 30 4 3 8386 1 4 2 3 1 2 2 49 3 2 1 3 1 1 1 2

982 4 48 2 10 4844 1 1 3 3 1 2 3 33 1 1 1 4 1 2 1 2

983 3 21 2 1 2923 2 3 1 2 1 1 3 28 1 2 1 4 1 2 1 1

984 1 36 2 2 8229 1 3 2 3 1 2 2 26 3 2 1 3 2 1 1 2

985 4 24 4 3 2028 1 4 2 3 1 2 2 30 3 2 2 2 1 1 1 1

986 1 15 4 3 1433 1 3 4 2 1 3 2 25 3 1 2 3 1 1 1 1

987 3 42 0 10 6289 1 2 2 1 1 1 2 33 3 2 2 3 1 1 1 1

988 4 13 2 4 1409 2 1 2 2 1 4 1 64 3 2 1 3 1 1 1 1

989 1 24 2 2 6579 1 1 4 3 1 2 4 29 3 3 1 4 1 2 1 1

990 2 24 4 4 1743 1 5 4 3 1 2 2 48 3 2 2 2 1 1 1 1

991 4 12 4 7 3565 5 2 2 3 1 1 2 37 3 2 2 2 2 1 1 1

992 4 15 1 4 1569 2 5 4 3 1 4 3 34 1 2 1 2 2 1 1 1

993 1 18 2 4 1936 5 4 2 4 1 4 3 23 3 1 2 2 1 1 1 1

994 1 36 2 3 3959 1 1 4 3 1 3 2 30 3 2 1 4 1 2 1 1

995 4 12 2 1 2390 5 5 4 3 1 3 3 50 3 2 1 3 1 2 1 1

996 4 12 2 3 1736 1 4 3 2 1 4 1 31 3 2 1 2 1 1 1 1

997 1 30 2 2 3857 1 3 4 1 1 4 2 40 3 2 1 4 1 2 1 1




KELAS RESIKO

998 4 12 2 4 804 1 5 4 3 1 4 3 38 3 2 1 3 1 1 1 1

999 1 45 2 4 1845 1 3 4 3 1 4 4 23 3 3 1 3 1 2 1 2

1000 2 45 4 2 4576 2 1 3 3 1 4 3 27 3 2 1 3 1 1 1 1

Documents

RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN …repository.unair.ac.id/56021/2/KKC KK ST.SI 28 -16 Put r.pdf · adln – perpustakaan universitas airlangga skripsi rancang bangun sistem…