SKRIPSI IF

KLASIFIKASI KOLEKTABILITAS PIUTANG NON-ANGKUTAN PENUMPANG MENGGUNAKAN ALGORITMA C4.5 DENGAN PENDEKATAN KDD (KNOWLEDGE DISCOVERY IN DATABASES) PADA PT KERETA API INDONESIA (PERSERO)

---

ABSTRAK
PT Kereta Api Indonesia (Persero) menghadapi tantangan dalam pengelolaan piutang mitra bisnis akibat pendekatan penagihan konvensional yang belum mampu mengidentifikasi profil risiko pembayaran secara dini, sehingga proses penagihan cenderung bersifat reaktif dan berpotensi meningkatkan akumulasi piutang tidak tertagih (bad debts). Penelitian ini bertujuan membangun model klasifikasi prediktif kolektibilitas piutang mitra menggunakan algoritma C4.5 (Decision Tree) berbasis data mining, dengan memanfaatkan data historis penagihan dari aplikasi Account Receivable Management System (ARMS) periode Januari–Desember 2025. Metodologi penelitian mengacu pada kerangka KDD (Knowledge Discovery in Databases), meliputi tahapan data selection, preprocessing/cleaning, transformation, data mining, hingga interpretation/evaluation. Data yang telah melalui proses preprocessing dan feature engineering dibagi menjadi data latih dan data uji dengan rasio 80:20, kemudian dilatih menggunakan algoritma C4.5 untuk mengklasifikasikan mitra ke dalam dua kategori kolektibilitas, yaitu Lancar dan Tidak Lancar. Hasil penelitian menunjukkan bahwa atribut nama_jenis_Sewa Tanah (jenis transaksi sewa tanah) merupakan prediktor dominan dan terpilih sebagai root node dengan nilai Gain Ratio tertinggi sebesar 0,356, diikuti oleh tenor_hari dan jenis_payment_SEWA ASET sebagai atribut pemisah pada percabangan berikutnya dengan kontribusi yang jauh lebih kecil. Model yang dihasilkan mencapai akurasi sebesar 90,0% pada data uji dengan distribusi 80:20, dengan kemampuan deteksi yang tinggi pada kelas Tidak Lancar (Recall 96,4%). Aturan keputusan (decision rules) yang diekstraksi dari pohon keputusan bersifat transparan dan actionable, sehingga dapat langsung diterapkan oleh tim penagihan tanpa memerlukan keahlian teknis khusus di bidang data science. Penelitian ini menyimpulkan bahwa algoritma C4.5 efektif digunakan sebagai instrumen mitigasi risiko piutang dan mendukung transformasi pola kerja penagihan PT KAI dari reaktif menjadi proaktif.
Kata Kunci: kolektibilitas piutang, data mining, algoritma C4.5, decision tree, KDD, PT Kereta Api Indonesia







ABSTRACT
PT Kereta Api Indonesia (Persero) faces challenges in managing partner receivables due to a conventional, one-size-fits-all billing approach that cannot identify payment risk profiles early, causing the collection process to remain reactive and increasing the accumulation of bad debts. This study aims to build a predictive classification model for partner receivable collectibility using the C4.5 (Decision Tree) data mining algorithm, utilizing historical billing data from the Account Receivable Management System (ARMS) for the period January–December 2025. The research methodology follows the KDD (Knowledge Discovery in Databases) framework, covering data selection, preprocessing/cleaning, transformation, data mining, and interpretation/evaluation. After preprocessing and feature engineering, the data was split into training and testing sets at an 80:20 ratio and trained using the C4.5 algorithm to classify partners into two collectibility categories: Current (Lancar) and Non-Current (Tidak Lancar). The results show that the nama_jenis_Sewa Tanah attribute (land-lease transaction type) is the dominant predictor, selected as the root node with the highest Gain Ratio of 0.356, followed by tenor_hari and jenis_payment_SEWA ASET as splitting attributes at the next branching level with substantially smaller contributions. The resulting model achieved an accuracy of 90.0% on the testing set under an 80:20 split, with strong detection capability for the Non-Current class (recall of 96.4%). The decision rules extracted from the decision tree are transparent and actionable, allowing them to be applied directly by the collection team without requiring specialized data science expertise. This study concludes that the C4.5 algorithm is effective as a receivable risk mitigation instrument and supports PT KAI’s transformation of its collection practices from reactive to proactive.
Keywords: receivable collectibility, data mining, C4.5 algorithm, decision tree, KDD, PT Kereta Api Indonesia

---

Ketersediaan

S260908003

607.2 FEN k

Perpustakaan STMIK AMIKBANDUNG

Tersedia

Informasi Detil

Judul Seri

-

No. Panggil

607.2 FEN k

Penerbit

: ., 2026

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subyek

SKRIPSI IF
SKRIPSI

Info Detil Spesifik

-

Pernyataan Tanggungjawab

-

Versi lain/terkait

Lampiran Berkas

Komentar

---

You must be logged in to post a comment