Seminar Nasional Teknologi 2007 (SNT 2007) ISSN : Yogyakarta, 24 November 2007

Transkripsi

1 Implementasi Adaptive Neuro Fuzzy Inference System Pada Prediksi Pembayaran Pinjaman Berdasar Analisis Rencana Pembiayaan Nasabah ( Studi Kasus : BMT XYZ ) Emha Taufiq Luthfi STMIK AMIKOM Yogyakarta emha_tl@yahoo.com ABSTRACT Loan payment prediction based on analysis of customer credit plan is very important for banks or other financial companies. Loan payment prediction is required to avoid loan payment problems. Many factors can strengthen or weaken the loan payment performance and customer credit rating. An application of an adaptive neuro fuzzy inference system has been developed to predict customer loan payment based on analysis of customer credit plan. This research utilizes credit data from Baitul Maal Wat Tamwil (BMT) XYZ and the developed creates a prediction of performance of customers credit plan using ANFIS method The experimental results show that the inference system can give a prediction for customer credit plan by producing its collectability value. Having 1477 tested data, the results show that the system achieves accuracy in 94,92214 %. Keywords : Credit Prediction, Adaptive Neuro Fuzzy Inference System, Collectibility 1. PENDAHULUAN Data keuangan yang terdapat dalam perbankan dan lembaga keuangan lain biasanya sangat lengkap dan memiliki kualitas tinggi. Keberadaan data tersebut sangat bermanfaat selain dalam operasional proses transaksi juga menjadi fasilitas melakukan berbagai model analisis data secara sistematis. Sebagai contoh, dalam merancang dan membangun data warehouse untuk analisis data multidimensi. Data dapat pula dimanfaatkan dalam melakukan klasifikasi atau pengklusteran terhadap nasabah untuk mengidentifikasi kelompok nasabah dan target pemasaran. Selain itu data dapat dimanfaatkan untuk melakukan prediksi pembayaran pinjaman dan analisis rencana pembiayaan nasabah. Prediksi pembayaran pinjaman dan analisis rencana pembiayaan nasabah sangat penting bagi bank dan lembaga keuangan lain. Banyak faktor dapat memperkuat atau memperlemah kemampuan pembayaran pinjaman dan rating pembiayaan nasabah. Data dapat dimanfaat untuk mengidentifikasi faktor penting yang perlu diperhatikan serta faktor yang dapat diabaikan dapat pemberian pinjaman atau pembiayaan. Misal, rasio nilai pinjaman, periode pinjaman, rasio pembayaran dan pendapatan, level pendapatan nasabah, level pendidikan nasabah, daerah tempat tinggal, sejarah pinjaman atau pembiayaan, dan lainnya. Penelitian ini mencoba memanfaatkan data pembiayaan yang ada di obyek penelitian serta menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk membentuk model prediksi pembayaran pinjaman berdasar analisis rencana pembiayaan oleh nasabah. D 1

2 2. PERANCANGAN 2.1. Deskripsi Sistem Sistem dibangun terdiri 2 bagian dengan fungsi dan pengguna yang berbeda. 1. Sistem Pemodelan ANFIS Berfungsi menghasilkan sistem inferensi samar menggunakan metode ANFIS model samar Sugeno orde 0 dengan memanfaatkan pasangan data masukan keluaran untuk melakukan pelatihan terhadap sistem inferensi samar. Data pelatihan merupakan data pembiayaan yang sudah terlaksana sebelumnya. Pengguna dari sistem pemodelan ANFIS ini adalah ahli sistem ANFIS. 2. Sistem Penilaian Rencana Pembiayaan Nasabah Sistem ini merupakan sistem yang diberikan kepada pengguna akhir yaitu petugas pembiayaan BMT XYZ. Sistem ini berfungsi menghasilkan nilai rencana pembiayaan yang diajukan oleh nasabah berdasarkan parameter masukan Pra Proses Tahap pra proses dilaksanakan untuk mendapatkan pemahaman terhadap proses bisnis dari pembiayaan yang dilaksanakan oleh obyek penelitian yaitu BMT XYZ. Sistem dan prosedur persetujuan pemberian pembiayaan tersebut terlihat pada gambar 1. PRA PERMOHONAN PEMBIAYAAN SYARAT DI LENGKAPI SYARAT PRA PERMOHONAN LENGKAP Tidak Ya ON THE SPOT / KUNJUNGAN - TEMPAT TINGGAL - TEMPAT USAHA - TEMPAT AGUNAN - INSTANSI TERKAIT - DLL ANALISIS PEMBIAYAAN LAPORAN PENILAIAN PEMBIAYAAN LOAN COMMITEE WEWENANG KANTOR CABANG Ya Tidak WEWENANG KANTOR PUSAT/DEWAN PENGAWAS INFORMASI PUTUSAN PADA KANTOR CABANG Tidak Disetujui Ya PERIKATAN AGUNAN DAN PEMBIAYAAN DIREALISIR STOP SELESAI Gambar 1 Sistem dan Prosedur Persetujuan Pemberian Pembiayaan D 2

3 2.3. Akuisisi Data Proses akuisisi data dilaksanakan untuk mendapatkan data untuk membangun jaringan ANFIS. Dipilih 4 atribut yang digunakan dalam memberikan rekomendasi atau keputusan persetujuan pembiayaan yang digunakan sebagai batasan untuk perancangan sistem, yaitu Nilai Pinjaman, Karakter, Dana Aman dan Prosentase Jaminan terhadap Pinjaman Perancangan Sistem Sistem Pemodelan ANFIS Pembagian Data Untuk Pembelajaran dan Checking Digunakan 1477 data nasabah pembiayaan yang dibagi menjadi 739 data pelatihan diambil dari baris data ganjil dan 738 baris data genap digunakan sebagai data checking dalam membentuk model ANFIS Penentuan Jumlah Fungsi Keanggotaan Didefinisikan 3 fungsi keanggotaan, yaitu : rendah, sedang dan tinggi untuk keseluruhan 4 batasan yang ada. Dicoba pula jumlah fungsi keanggotaan berbeda Penentuan Tipe Fungsi Keanggotaan Dicoba beberapa tipe fungsi keanggotaan yaitu fungsi keanggotaan segitiga, trapesium, gaussian, dan lonceng Penentuan Fungsi Kesalahan Fungsi kesalahan digunakan untuk mengukur tingkat kesalahan antara keluaran ANFIS dengan keluaran diharapkan. Digunakan RMSE (Root Mean Square Error) dengan persamaan yang mana d x merupakan keluaran diharapkan dan x k merupakan keluaran dari ANFIS dan n merupakan jumlah pasangan data Penentuan Metode Optimalisasi Digunakan metode hibrid yaitu penggabungan antara least square estimator dan back propagation Penentuan Jumlah Epochs dan Error Goal Jumlah maksimum iterasi diatur sebesar 1000 iterasi adalah Penentuan Sistem Inferensi Samar Awal Tipe Sistem inferensi awal dibuat dan digunakan memiliki tipe sugeno orde 0 dengan jumlah masukan dari data diberikan, jumlah aturan samar didapat dari kuadrat jumlah fungsi keanggotaan terhadap jumlah masukan dengan tipe sesuai parameter tipe fungsi keanggotaan diberikan. Proses defuzzifikasi digunakan metode bobot rata-rata (weighted average). Terdapat 1 keluaran konstan (tipe Sugeno orde 0) Proses Pelatihan ANFIS Proses pelatihan ANFIS dilaksanakan dengan metode optimalisasi hybrid. Gambar 2 menujukan arsitektur jaringan ANFIS yang dilatih. Pada langkah maju parameter konsekuen pada layer 4 akan diperbaiki dengan metode least squares estimator, dan pada langkah mundur dengan back propagation parameter premis pada layer 1 akan diperbaiki. D 3

4 Layer 1 Layer 4 x A 1 A 2 Layer 2 Layer 3 W 1 W 1 x y z x y z W 1f 1 y B 1 B 2 W 2 W 2 W 2f 2 f x y z W nf n z C 1n W n W n C 2n Gambar 2 Arsitektur Jaringan ANFIS Evaluasi Sistem Inferensi Samar Akhir Dilaksanakan dengan memberikan kembali data pelatihan dan data checking terhadap sistem inferensi samar didapat dari pelatihan Sistem Penilaian Rencana Pembiayaan Nasabah Sistem penilaian rencana pembiayaan nasabah memanfaatkan sistem inferensi samar dari sistem pemodelan ANFIS. Parameter masukan yang harus diberikan pengguna adalah Jumlah Pinjaman, Jumlah Angsuran, Periode Angsuran, Pendapatan Per Periode, Karakter Nasabah, dan Nilai Jaminan. Keseluruhan parameter tersebut digunakan untuk membentuk 4 batasan yang digunakan sebagai masukan sistem inferensi samar yaitu : 1. Nilai Pinjaman : Didapat dari masukan dibagi nilai pinjaman tertinggi data pelatihan. 2. Karakter Nasabah : Didapat dari masukan karakter nasabah yang disimbolkan secara numerik yaitu 2 untuk baik, 1 untuk sedang dan 0 untuk kurang. 3. Dana Aman : Didapatkan dari pendapatan per periode angsuran. Kemudian simbolkan secara numerik, yaitu 2 jika dana aman lebih dari nilai angsuran, 1 dana aman lebih dari atau sama dengan 0 tetapi kurang dari nilai angsuran dan 0 jika dana aman negatif 4. Nilai Persentase Jaminan : Didapat nilai jaminan * 100 %. Selanjutnya disimbolkan secara numerik yaitu 2 untuk nilai lebih dari atau sama dengan 75 %, 1 jika nilai lebih dari 0 % tetapi kurang dari 75 %, 0 jika tidak ada jaminan Evaluasi Dilaksanakan untuk memastikan bahwa model ANFIS dibangun telah mencapai tujuan Deployment Tahap deployment merupakan tahap akhir penelitian yaitu menyajikan model ANFIS dibangun kepada end user yaitu BMT XYZ. 3. HASIL DAN PEMBAHASAN D 4

5 3.1. Pengujian Sistem Pemodelan ANFIS Pengujian sistem pemodelan ANFIS dilaksanakan untuk mendapatkan sistem inferensi samar dengan kinerja terbaik ditandai dengan diperolehnya nilai RMSE terkecil dalam proses pelatihan. Pengujian dilaksanakan melalui pelatihan ANFIS dengan kombinasi beberapa parameter pelatihan yaitu Jumlah Fungsi Keanggotaan, Tipe Fungsi Keanggotaan, Jumlah Epochs, Error Goal. Tabel 4. Contoh Data Pembiayaan NASABAH PINJAMA N BAGI HASIL SATUA N WAKTU JML ANG S PENDAPATA N KARAKTE R JAMINA N NASABAH B BAIK NASABAH B BAIK NASABAH B BAIK NASABAH B BAIK NASABAH B BAIK NASABAH B BAIK NASABAH B BAIK 0 1 NASABAH B BAIK NASABAH B SEDANG KOLEKTIBILIT AS Tabel 5. Contoh Proses Pengolahan Data Pembiayaan NASABAH TOTAL ANGSURAN = DANA AMAN = PINJAMAN = PENDAP KARAKTE KOLEKTI PINJAMAN + ATAN TOTAL PENDAPATAN JAMINAN R BILITAS BAGI HASIL PINJAMAN ANGSURAN /JML NASABAH BAIK NASABAH BAIK NASABAH BAIK NASABAH BAIK NASABAH BAIK NASABAH BAIK NASABAH BAIK 0 1 NASABAH BAIK NASABAH SEDANG Tabel 6. Contoh Data Format PINJAMAN LEVEL_KARAKTER LEVEL_DANA LEVEL_JAMINAN KOLEKTIBILITAS AMAN D 5

6 Pengujian Pertama Sistem Pemodelan ANFIS Dilaksanakan untuk kombinasi nilai parameter Jumlah Fungsi Keanggotaan 3, Tipe Fungsi Keanggotaan gbellmf, Jumlah Epochs 1000 dan Error Goal 0. Gambar 3 Antarmuka Pelatihan ANFIS Pengujian Pertama Tabel 7 Status Error Pelatihan ANFIS Pengujian Pertama Data Keseluruhan Data Training Data Checking Tipe MF Jumlah MF RMSE RMSE RMSE gbellmf Hasil Beberapa Pengujian Sistem Pemodelan ANFIS Lain Dilaksanakan pula pengujian dengan tanpa menggunakan data checking. Status error pelatihan ANFIS keseluruhan pengujian dapat dilihat dalam tabel 8. Tabel 8 Status Error Pelatihan ANFIS Pengujian Keseluruhan Pengujian Tipe Fungsi Keanggotaan Jumlah Fungsi Keanggotaan Pelatihan Dengan Data Checking Pelatihan Dengan Tanpa Data Checking Data Data Data Data Data Keseluruhan Training Checking Keseluruhan Training RMSE RMSE RMSE RMSE RMSE D 6

7 Gbellmf Gbellmf Trimf Trimf Trapmf Trapmf Gaussmf Gaussmf Dari tabel 8 dapat dilihat beberapa hal yaitu : 1. RMSE proses pelatihan dengan dan tanpa menggunakan data checking tidak terlihat perbedaan bahkan cenderung sama. 2. RMSE jumlah fungsi keanggotaan 2 dan 3 secara keseluruhan terlihat nilai error untuk penggunaan jumlah fungsi keanggotaan 3 lebih rendah. Hal tersebut lebih disebabkan oleh karakteristik data yang digunakan dalam proses pelatihan. 3. RMSE tipe fungsi keanggotaan trimf jumlah fungsi keanggotaan 3 memiliki nilai error terkecil yaitu Penggunaan sistem inferensi samar akhir hasil pelatihan dengan kombinasi parameter ini seharusnya akan memberikan kinerja terbaik Pengujian Sistem Penilaian Rencana Pembiayaan Nasabah Pengujian sistem penilaian rencana pembiayaan nasabah dilakukan untuk beberapa sistem inferensi samar akhir hasil dari pemodelan ANFIS. Tabel 9 Data Pengujian Sistem Penilaian Rencana Pembiayaan Nasabah Data Ke Jumlah Pinjaman Jumlah Angsuran Periode Pendapatan Per Periode Karakter Dana Aman Jaminan Kolektibilitas Data Bulan Kurang Kurang (0) Data Hari Kurang Kurang (0) Data Hari Baik 0 0 Sedang (1) Data Bulan Baik Sedang (1) Data Bulan Baik Baik(2) Data Bulan Baik Baik (2) Tabel 10 Data Pengujian Sistem Penilaian Rencana Pembiayaan Nasabah D 7

8 Sistem Jumlah Tipe Fungsi RMSE Data Kolektibilita Kolektibilita Inferensi Keanggotaan Training s s Samar Fungsi Ke Keanggotaan Target Pengujian 1 3 Gbellmf Data e-007 Data e-006 Data Data Data Data trimf Data Data Data Data Data Data trapmf Data Data Data Data Data Data gaussmf Data e- 008 Data e- 008 Data Data Data Data Dari hasil pengujian pada tabel 10 dapat dilihat hal-hal sebagai berikut : 1. Nilai kolektibilitas atau prediksi pembiayaan nasabah hasil pengujian secara keseluruhan mendekati nilai kolektibilitas target. 2. Semakin tinggi nilai kolektibilitas atau prediksi pembiayaan nasabah maka kemungkinan tingkat kelancaran penyelesaian pembiayaan akan semakin tinggi. Contoh prediksi pembiayaan nasabah menggunakan sistem inferensi samar akhir dengan tipe fungsi keanggotaan trimf, dan jumlah fungsi keanggotaan 3, seperti terlihat dalam gambar 9. D 8

9 Gambar 9 Pengujian Penilaian Rencana Pembiayaan Nasabah Data 6 4. KESIMPULAN Dari hasil penelitian, perancangan dan implementasi yang telah dilaksanakan dapat disimpulkan : 1. Sistem Neuro-Fuzzy dapat digunakan untuk membangun sebuah sistem inferensi samar dengan memanfaatkan karakteristik pasangan data masukan-keluaran yang telah ada. 2. Karakteristik dari data yang digunakan untuk pelatihan sistem neuro-fuzzy akan mempengaruhi sistem inferensi samar akhir yang didapat yang pada akhirnya mempengaruhi akurasi prediksi. 3. Selain data pelatihan maka kombinasi parameter lain dalam pelatihan sistem ANFIS seperti jumlah fungsi keanggotaan, tipe fungsi keanggotaan akan mempengaruhi pula sistem inferensi samar akhir yang diperoleh yang juga berpengaruh terhadap akurasi prediksi. 4. RMSE (Root Mean Squared Error) tidak cukup menunjukan kinerja sistem inferensi samar, dibutuhkan indikator lain untuk menunjukan kinerja sistem. 5. Sistem Neuro-Fuzzy model ANFIS untuk prediksi pembayaran pinjaman dibangun cukup memberikan prediksi nilai kolektibilitas yang akurat. DAFTAR PUSTAKA Abadi, I; Aisjah, A.S; Riftyanto N.S Aplikasi Metode Neuro-Fuzzy Pada Sistem Pengendali Antisurge Kompresor. Jurnal Teknik Elektro Vol. 6, No.2, September Jurusan Teknik Elektro, Fakultas Teknologi Industri Universitas Kristen Petra Basuki, A Modul Pelatihan Analisis Kredit Tingkat Dasar. Yogyakarta. Pusat Training Perbankan Yogyakarta Irwan, Implementasi Jaringan Syaraf Tiruan Multi-Layer Perceptron Feed Forward Dengan Hidden Layer Tunggal pada Prakiraan Cuaca. Yogyakarta. Program Pasca Sarjana Program Studi Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Gadjah Mada Jang, JSR; Sun, CT dan Mizutani, E Neuro-Fuzzy and Soft Computing. Singapore. Pearson Education D 9

10 Keleman, A; Kozma, Robert dan Liang, Y Neuro-Fuzzy Classification for Job Assignment Problem. edu/paper/ keleman02.pdf. Diakses tanggal 21 januari 2007 Kusumadewi, S Artificial Intelligence : Teknik dan Aplikasinya. Yogyakarta. Graha Ilmu Kusumadewi, S dan Hartati, S Neuro-Fuzzy : Integrasi Sistem Fuzzy dan Jaringan Syaraf. Yogyakarta. Graha Ilmu Mutaqien, I BMT dan Permasalahan Pembiayaan. index.php?satoewarna=index&winoto=base&action=listmenu&skins=1&id=299&tkt=2. Diakses tanggal 3 mei 2007 Yohanes, TDS; Thiang dan Suntono, C Aplikasi Sistem Neuro-Fuzzy untuk Pengenalan Kata. Jurnal Teknik Elektro Vol. 2, No. 2, September Jurusan Teknik Elektro, Fakultas Teknologi Industri Universitas Petra Klir, George J dan Yuan, S Fuzzy Sets and Fuzzy Logic, Theory and Applications. New Jersey United State of Americe. Prentice Hall International Sumiyanto, A Analisa Kelayakan Pembiayaan Pada BMT. &tkt=2. Diakses 3 mei 2007 Rahayu, T.R Sistem Peramalan Beban Listrik Menggunakan Jaringan Syaraf Tiruan. Yogyakarta. Program Pasca Sarjana Program Studi Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Gadjah Mada Redjeki, S Prediksi Tingkat Inflasi Menggunakan Pendekatan Jaringan Syaraf Tiruan. Yogyakarta. Program Pasca Sarjana Program Studi Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Gadjah Mada Wang, L.X A Course In Fuzzy Systems And Control. United States of America. Prentice Hall Inc D 10