Dosen Pembimbing: Naning Aranti Wessiani, ST., M.M. Dosen Ko Pembimbing: Prof. Ir. Budi Santosa, M.S., Ph.D
KONTEN Pendahuluan Tinjauan Pustaka
Metodologi Penelitian
Pengumpulan dan Pengolahan Data
Analisis dan Interpetasi Data Kesimpulan dan Saran Daftar Pustaka Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
I. PENDAHULUAN
(Frankel and Rose, 1996) Perubahan nilai tukar nominal melebihi 25% dalam satu tahun dengan menggunakan data tahunan dengan peningkatan depresiasi minimal 10% dari tahun sebelumnya
Krisis Keuangan
(Kaminsky et al., 1998) Suatu situasi dimana terjadi serangan terhadap mata uang sehingga terjadi penurunan tajam mata uang, pengurangan besar dari cadangan internasional, atau kombinasi dari keduanya.
(Goldstein et al., 2000) Suatu situasi dimana terjadinya serangan terhadap mata uang yang mengarah pada pengurangan cadangan devisa secara substansial, atau terjadinya penurunan mata uang lokal terhadap mata uang asing secara tajam Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
I. PENDAHULUAN (Abimanyu and Imansyah, 2008) 1. 2. 3. 4.
Menurunnya output (pertumbuhan PDB turun sebesar 13%) Meningkatnya tingkat inflasi mencapai sekitar 70% Meningkatnya tingkat penggangguran dan kemisikinan Terjadinya krisis perbankan, bahkan krisis politik serta sosial. Krisis perbankan ini sendiri memakan biaya rekapitulasi mencapai 58% persen dari PDB Indonesia (30% dari PDB untuk Thailand, 16% dari PDB untuk Korea Selatan, dan 10% dari PDB untuk Malaysia) 5. APBN semakin berat dalam menanggung beban pembayaran bunga utang beserta pokoknya baik utang luar negeri maupun utang dalam negeri sehingga membatasi ruang gerak pemerintah sebagai pengelola kebijakan fiskal 6. Pertumbuhan ekonomi anjlok tajam, yaitu hingga menjadi negatif 13,7% di Indonesia (8,0% di Thailand, 7,5% di Malaysia, dan 7,0% di Korea)
KRISIS KEUANGAN = MAHAL Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
I. PENDAHULUAN
Data mining?
• Pengolahan data yang berjumlah banyak dengan variabel yang sangat beragam (multivariable) • Data mining mampu mendeteksi krisis keuangan di Indonesia dengan baik (Abimanyu and Imansyah, 2008, Adiningsih et al., 2002, Purnawan and Adinegoro, 2005, Wijaya, 2002)
SVM?
• SVM mampu memprediksi krisis keuangan dengan baik (Ahn et al., 2011, Apoteker and Barthelemy, 2005) • Belum pernah ada penelitian yang menggunakan SVM sebagai model pendeteksian krisis keuangan di Indonesia.
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
I. PENDAHULUAN
Indikator-indikator ekonomi apakah yang berpengaruh terhadap krisis keuangan di Indonesia? Bagaimana mengembangkan sebuah model yang dapat digunakan untuk mendeteksi krisis keuangan di Indonesia dengan menggunakan pendekatan data mining, yaitu metode Support Vector Machine (SVM)? Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
I. PENDAHULUAN
1. Mengkaji indikator-indikator ekonomi yang berperan penting dalam menentukan terjadinya krisis keuangan di Indonesia. 2. Membangun model dengan menggunakan pendekatan data mining, yaitu metode Support Vector Machine (SVM) untuk mendeteksi krisis keuangan di Indonesia.
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
I. PENDAHULUAN
Krisis keuangan yang diamati hanyalah krisis keuangan dari persepsi ekonomi.
Periode yang diamati adalah kuartil dari tahun 1990 hingga tahun 2010.
BATASAN
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
I. PENDAHULUAN
Penulis
Indonesia
Untuk menambah pengetahuan dan menguji kemampuan dalam penguasaan materi terutama yang berkaitan dengan teori krisis keuangan dan data mining.
Diharapkan penelitian ini dapat membantu Indonesia dalam melakukan pendeteksian krisis keuangan sehingga dapat membuat kebijakan preventive untuk mengantisipasi kemunginan terjadinya krisis. Selain itu, model pendetesian krisis keuangan ini dapat digunakan untuk menilai kesehatan perekonomian Indonesia makro.
Peneliti Lain Hasil penelitian ini dapat dijadikan sebagai bahan perbandingan dalam mengkaji masalah yang sama sehingga segala kekurangan yang ada pada penelitian ini dapat diperbaiki dan disempurnakan.
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
II. TINJAUAN PUSTAKA (Frankel and Rose, 1996) No. 1
2
3
4
5 6
7
(KaminskyKeterangan et al., 1998)
Indikator
Nilai tukar riil adalah harga relatif barang-barang di dua negara. Nilai tukar riil Nilai Tukar Riil Rp/USD Rp/USD adalah nilai tukar riil satuan uang negara Indonesia terhadap nilai tukar (deviasi terhadap trend) internasional, yaitu (BI, 2011a) (Goldstein et al.,USD 2000) Pemasukan barang dan jasa yang dibeli oleh penduduk suatu negara dari Impor penduduk negara lain yang berakibat timbulnya arus keluar mata uang asing dari dalam negeri (BPS, 2011a) Pengiriman barang dan jasa yang dijual oleh penduduk suatu negara kepada Ekspor penduduk negara lain untuk mendapatkan mata uang asing dari negara pembeli (BPS, 2011a) Rasio Cadangan Devisa Impor neraca modal adalah neraca modal antara pemerintah dan badan luar dengan Impor Neraca negeri dalam kegiatan impor Modal Rasio Tagihan BIS dengan Cadangan Tagihan atas pinjaman yang dilakukan oleh suatu negara Devisa Rasio M2 dengan Merupakan perbandingan antara nilai M2 dengan cadangan devisa Cadangan Devisa Rasio Investasi dengan PDB
PDB adalahjumlah nilai tambah yang dihasilkan oleh seluruh unit usaha dalam suatu negara tertentu, atau merupakan jumlah nilai barang dan jasa akhir yang dihasilkan oleh seluruh unit ekonomi (BPS, 2009b). Sedangkan investasi adalah investasi yang ada di kegiatan transaksi suatu negara.
(Abimanyu and Imansyah, 2008, Adiningsih et al., 2002, Tjahjono, 1998, Wijaya, 2002)
II. TINJAUAN PUSTAKA
No.
Indikator
Keterangan
8
Cadangan Devisa
Cadangan dalam satuan mata uang asing yang dipelihara oleh bank sentral untuk memenuhi kewajiban keuangan karena adanya transaksi internasional (reserve currenry) (BI, 2011a)
9
Rasio Aliran Modal dengan Aliran modal adalah pencairan investasi di suatu negara atau sektor ekonomi tertentu untuk PDB diinvestasikan di negara atau sektor ekonomi lain (BI, 2011a)
10 Spread Tingkat Bunga Riil
Net margin dari tingkat bunga riil. Tingkat bunga riil adalah tingkat bunga yang dihitung dengan mengurangkan tingkat inflasi dari tingkat bunga nominal (yang ditetapkan) (BI, 2011a)
Rasio Hutang Luar Negeri 11 dengan Cadangan Devisa
Bantuan pembangunan secara resmi yang terdiri dari dana yang disediakan oleh pemerintah atas persyaratan konsensional terutama untuk meningkatkan perkembangakn ekonomi dan kesejahteraan negara-negara berkembang
12
Tingkat Bunga Riil Tabungan
Tingkat bunga yang diberikan lembaga keuangan kepada pihak yang menaruh tabungannya di lembaga tersebut
13
Rasio Tingkat Bunga Pinjaman dengan Tingkat Bunga Tabungan
Tingkat bunga pinjaman adalah adalah tingkat bunga yang diberikan lembaga keuangan yang meminjamkan uangnya kepada konsumen akhir. Tingkat bunga tabungan adalah tingkat bunga yang diberikan lembaga keuangan kepada pihak yang menaruh tabungannya di lembaga tersebut
14
M2 Multiplier
M2 adalah uang beredar dalam arti luas, yaitu kewajiban sistem moneter yang terdiri dari M1 dan uang kuasi (BI, 2011a)
(Abimanyu and Imansyah, 2008, Adiningsih et al., 2002, Tjahjono, 1998, Wijaya, 2002)
II. TINJAUAN PUSTAKA
No.
Indikator
Rasio Kredit dengan 15 PDB
16
Simpanan di Perbankan
17 PDB Riil Sektor Fiskal Rasio Konsumsi 18 Pemerintah dengan PDB
Keterangan Kredit adalah penyediaan uang atau tagihan yang dapat dipersamakan dengan itu berdasarkan persetujuan atau kesepakatan pinjam-meminjam antara bank dengan pihak lain yang mewajibkan pihak peminjam untuk melunasi utangnya setelah jangka waktu tertentu dengan pemberian bunga (BI, 2011a) Dana yang dipercayakan oleh masyarakat kepada bank berdasarkan perjanjian penyimpanan dana dalam bentuk giro, deposito benjangka, sertifikat deposito, tabungan, dan/atau bentuk lainnya yang dipersamakan dengan itu (BI, 2011a) PDB yang didapatkan dari sektor fiskal Nilai pengeluaran dari pemerintah yang terdiri dari belanja pemerintah pusat/central government expenditures, transfer ke daerah/transfer to region, dan suspen/suspend (BPS, 2011b)
Rasio Defisit Fiskal dengan PDB
Perbedaan antara penerimaan dan pengeluaran pemerintah. PDB Ekonomi Gloobal adalah PDB dari negara-negara secara global
21
Efek Penularan (Contagion) Harga Minyak
22
IHSG
Ketika suatu negara mengalami krisis keuangan maka hal tersebut dapat memicu terjadinya krisis keuangan di negara lain Harga minyak dunia Nilai representatif atas rata-rata harga seluruh saham di Bursa Efek Indonesia (BEI) berdasarkan jumlah saham tercatat
19 20
23 Deposito Bank Umum 24
Simpanan yang penarikannya hanya dapat dilakukan pada waktu tertentu berdasarkan perjanjian nasabah penyimpan dengan bank umum
Rasio Bunga Kredit Bunga kredit Bank Umum adalah tingkat bunga yang diberikan oleh pihak Bank Umum ketika kredit dengan Bunga diajukan di bank tersebut. Sedangkan bunga depostio Bank Umum adalah tingkat bunga yang Deposito Bank Umum didapatkan ketika membuat suatu deposito di Bank Umum
(Abimanyu and Imansyah, 2008, Adiningsih et al., 2002, Tjahjono, 1998, Wijaya, 2002)
II. TINJAUAN PUSTAKA
Machine Learning
Visualisasi
DATA MINING Statistik
TEKNIK LEARNING
Database
Data mining yang juga sering disebut knowledge discovery in database (KDD) adalah kegiatan yang meliputi pengumpulan dan pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar (Santosa, 2007).
Unsupervised Learning Supervised Learning
Training Testing
Membentuk model yang akan digunakan untuk memprediksi Menguji apakah fungsi atau model yang diperoleh sudah cukup akurat dan baik performansinya untuk melakukan prediksi
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
II. TINJAUAN PUSTAKA
SVM merupakan machine learning yang dapat melakukan tugas pengenalan pola suatu data berdasarkan teori statistik (Vapnik, 1995) SVM adalah teknik prediksi, baik dalam kasus klasifikasi maupun regresi dengan berusaha mencari fungsi pemisah (klasifier/hyperplane) terbaik untuk memisahkan dua macam set data dari dua kelas yang berbeda. (Santosa, 2007).
LINEAR
Subject to: yi (wxi + b) + ti ≥ 1 ti ≥ 0, i = 1, …, l Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
II. TINJAUAN PUSTAKA
NON LINEAR
Fungsi Kernel
•Linear: xTx, •Polynomial: (xTxi + 1)p •Radial basis function (RBF):
Subject to:
, i = 1,…, l
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
II. TINJAUAN PUSTAKA
Linear Programming Support Vector Machine (LP-SVM) atau juga disebut dengan Li-norm merupakan variasi SVM yang dapat digunakan untuk pemilihan variabel (Santosa, 2007).
Subject to: yi (u-v)xi +b)+ ti ≥ 1 ti ≥ 0,1,..,l vp, up, p=
{1,…, p}
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
II. TINJAUAN PUSTAKA
Stepwise regression adalah metode semi-otomatis untuk membangun sebuah model multilinear (MathWorks, 2011, Wieland dan Lambert, 2007). Metode ini berusaha mencari variabel mana yang benar-benar signifikan terhadap model dengan cara melakukan penambahan dan pengurangan variabel.
Forward
Backward
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
II. TINJAUAN PUSTAKA
Aktual
Confusion Matrix
Prediksi
Ya
Tidak
Total
Ya
A (hit)
B (false alarm)
Prediksi Ya
Tidak
C (miss)
D (correct negative)
Prediksi Tidak
Total
Aktual Ya
Aktual Tidak
Probability of detection (POD), mengukur ketepatan prediksi (positif). Nilai POD berkisar dari nol hingga satu. POD bernilai satu bila secara tepat memprediksi kejadian ‘Ya’.
True negative rate (TNR), mengukur ketepatan prediksi (negatif). Nilai TNR berkisar dari nol hingga satu. TNR bernilai satu bila secara tepat memprediksi kejadian ‘Tidak’.
Overall accuracy (OA), mengukur ketepatan prediksi secara keseluruhan. Nilai OA berkisar dari nol hingga satu. OA bernilai satu bila secara tepat memprediksi kejadian ‘Ya’ dan ‘Tidak’.
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
III. METODOLOGI PENELITIAN MULAI
Identifikasi Awal dan Perumusan Masalah
Perumusan Tujuan dan Manfaat Penelitian
TAHAP IDENTIFIKASI AWAL
Studi Pustaka: 1. Krisis Keuangan 2. Data Mining 3. Penelitian Terdahulu
A Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
III. METODOLOGI PENELITIAN A
Pengumpulan Data
Penentuan Variabel Independent dan Variabel Dependent
TAHAP PENGUMPULAN DAN PENGOLAHAN DATA
Penyeleksian Variabel
B Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
III. METODOLOGI PENELITIAN B
Penentuan Data Training dan Data Testing
Pembuatan Model Pendeteksian Krisis Keuangan dengan Metode SVM
TAHAP PENGUMPULAN DAN PENGOLAHAN DATA
Perhitungan Keakuratan Model
C Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
III. METODOLOGI PENELITIAN
C
Analisis dan Interpretasi Data
Kesimpulan dan Saran
TAHAP ANALISIS DAN PENGAMBILAN KESIMPULAN
SELESAI
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
IV. PENGUMPULAN DAN PENGOLAHAN DATA 1-24
25
Indikator Ekonomi
Keadaan Keuangan Indonesia
lag-1 (Ahn et al., 2011) nilai 1 apabila pada kuartil berikutnya terjadi krisis keuangan di Indonesia dan nilai -1 apabila pada kuartil berikutnya tidak terjadi krisis keuangan. Nilai dari variabel ini didapatkan di (Abimanyu dan Imansyah, 2008). Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
IV. PENGUMPULAN DAN PENGOLAHAN DATA
Variabel Independent
Variabel Dependent
24 indikator ekonomi
Keadaan keuangan Indonesia
Matriks x
Matriks y
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
IV. PENGUMPULAN DAN PENGOLAHAN DATA
Variabel menentukan keakuratan model
LP-SVM
Jumlah variabel banyak
Waktu komputasi makin panjang
Proses pencarian data dan interpretasi data lama
Stepwse Regression
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
IV. PENGUMPULAN DAN PENGOLAHAN DATA
Data Awal
•Satuan •Dimensi
Transf ormasi
• Prepocessing • Scalling (0,1)
Prepocessing
Tahap untuk mengubah nilai data menjadi lebih kecil tanpa merubah informasi yang dikandungnya
1. Mendapatkan hasil analisis yang lebih akurat dalam penggunaan machine learning 2. Mengurangi waktu komputasi terutama untuk masalah dalam skala yang besar (Santosa, 2007b)
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
IV. PENGUMPULAN DAN PENGOLAHAN DATA LP-SVM
Matlab Matriks x (x dan xnew)
Output
Input Matrix y
a
1 10 Nilai c
100 1000 10000
b
konstanta ongkos yang berfungsi sebagai slack variable untuk mengatasi kasus ketidaklayakan dari pembatas Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
IV. PENGUMPULAN DAN PENGOLAHAN DATA x Indikator ke-
xnew
a c=100
c=1000 c=10000
Indikator ke-
a c=1
c=10
c=100
c=1000 c=10000
c=1
c=10
1
-0,0007
-0,0009
-0,0009
-0,0009
-0,0009
1
0
0
-19.658
-19.658
-19.658
2
-0,0002
-0,0003
-0,0003
-0,0003
-0,0003
2
0
0
0
0
0
3
0,0009
0,0009
0,0009
0,0009
0,0009
3
0
0
0
0
0
4
-0,0543
-0,1042
-0,1042
-0,1042
-0,1042
4
0
0
-48.069
-48.069
-48.069
5
0
0
0
0
0
5
0
-0,7995
0
0
0
6
-17.801
-18.903
-18.903
-18.903
-18.903
6
0
-39.150
-77.731
-77.731
-77.731
99.547
99.547
99.547
7
0
0
0
0
0
7
0
-0,9394
8
-0,0006
-0,0006
-0,0006
-0,0006
-0,0006
8
0
-51.581 -254.017 -254.017 -254.017
9
0
0
0
0
0
9
0
0 -100.425 -100.425 -100.425
10
-0,0255
0
0
0
0
10
0
-41.828
-77.939
-77.939
-77.939
11
-17.619
-0,6078
-0,6078
-0,6078
-0,6078
11
0
0
0
0
0
12
-0,067
-0,3405
-0,3405
-0,3405
-0,3405
12
0
0
0
0
0
13
0,8447
11.361
11.361
11.361
11.361
13
0
0,7239
0,3606
0,3606
0,3606
14
-10.035
-14.648
-14.648
-14.648
-14.648
14
0
15
16.339
63.254
63.254
63.254
63.254
15
0
76.366
178.710
178.710
178.710
16
0
0
0
0
0
16
0
0
0
0
0
17
-0,0001
-0,0003
-0,0003
-0,0003
-0,0003
17
0
18
0
0
0
0
0
18
0
19
0
0
0
0
0
19
0
0
22.479
22.479
22.479
20
0
0
0
0
0
20
0
-0,1956
-0,8904
-0,8904
-0,8904
21
-0,0592
0
0
0
0
21
0
13.795
43.743
43.743
43.743
22
0,0003
-0,003
-0,003
-0,003
-0,003
22
0
-22.468
0
0
0
23
0,0000
0,0001
0,0001
0,0001
0,0001
23
0
42.382
325.503
325.503
325.503
24
0
0
0
0
0
24
0 -1,0000
0,152 0,5006
24.300 1,8115
24.300 1,8115
24.300 1,8115
b
23,6428
16,1883
16,1883
16,1883
16,1883
b
Execution time (detik)
1,2
0,3
0,2
0,2
0,2
Execution time (detik)
0,2
-21.001 -100.948 -100.948 -100.948
-0,5502 -277.084 -277.084 -277.084 0
0,1
-13.859
0,2
-13.859
0,2
-13.859
0,2
IV. PENGUMPULAN DAN PENGOLAHAN DATA Hasil yang berbeda
Berdasar Teori
Hasil Penelitian Hasil Penelitian (Abimanyu dan Imansyah, 2008)
Secara Teoritis Secara teoritis telah dikatakan bahwa data yang di-prepocessing akan memberikan hasil yang lebih akurat dibanding dengan data yang tidak di-prepocessing (Santosa, 2007b)
LP-SVM untuk Data yang Di-Prepocessing
No.
Indikator
1 Nilai Tukar Riil Rp/USD (deviasi terhadap trend) 2 Impor 3 Ekspor Rasio Cadangan Devisa dengan Impor Neraca 4 Modal 5 Rasio Tagihan Bis dengan Cadangan Devisa 6 Rasio M2 dengan Cadangan Devisa 7 Rasio Investasi dengan PDB 8 Cadangan Devisa 9 Rasio Aliran Modal Jangka Pendek dengan PDB 10 Spread Tingkat Bunga Riil Rasio Hutang Luar Negeri dengan Cadangan 11 Devisa 12 Tingkat Bunga Riil Tabungan Rasio Tingkat Bunga Pinjaman dengan Tingkat 13 Bunga Tabungan 14 M2 Multiplier 15 Rasio Kredit dengan PDB 16 Simpanan di Perbankan 17 PDB Riil Sektor Fiskal 18 Rasio Konsumsi Pemerintah dengan PDB 19 Rasio Defisit Fiskal dengan PDB 20 Efek Penularan (Contagion) 21 Harga Minyak
POD
Urutan Variabel Berdasarkan POD
58,33% 5,56% 9,72%
3 21 18
19,44% 8,33% 33,33% 12,50% 8,33% 12,50% 19,44% 41,67% 33,33% 20,00% 15,28% 23,61% 12,50% 70,83% 19,44% 25,00% 27,78% 90,28%
13 19 5 16 20 15 12 4 6 10 14 9 17 2 11 8 7 1
IV. PENGUMPULAN DAN PENGOLAHAN DATA Stepwise Regression
Matriks x (x dan x new)
Input Matrix y
Stepwise(x,y) Proses backward Mengetahui signifikasi dari masing-masing variabel terhadap model pendeteksian krisis keuangan
R2
Output Tingkat Signikansi
Matlab
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
IV. PENGUMPULAN DAN PENGOLAHAN DATA Stepwise Regression
Lampiran 5
Data tidak di-prepocessing dan di-prepocessing Variabel ke-
Nilai R2 awal (a)
Nilai R2 setelah variabel dihapus (b)
Tingkat signifikansi variabel (c = a- b)
15
0,64554
0,636677
0,193317
23
0,64554
0,641674
0,089077
6
0,64554
0,644084
0,085528
16
0,64554
0,645424
0,057583
24
0,64554
0,645015
0,035838
8
0,64554
0,560012
0,014823
11
0,64554
0,640956
0,010136
20
0,64554
0,630717
0,009904
1
0,64554
0,63813
0,008863
14
0,64554
0,64522
0,008429
9
0,64554
0,635404
0,00741
17
0,64554
0,639721
0,006074
12
0,64554
0,643277
0,005819
21
0,64554
0,637111
0,004768
7
0,64554
0,452223
0,004584
2
0,64554
0,587957
0,003866
13
0,64554
0,639466
0,002263
3
0,64554
0,645211
0,001456
22
0,64554
0,645469
0,001309
5
0,64554
0,635636
0,000525
18
0,64554
0,640772
0,000329
10
0,64554
0,644231
0,00032
4
0,64554
0,556463
0,000116
19
0,64554
0,609702
7,1E-05
R2: pengukuran mengenai berapa persen nilai varians y (output) telah dijelaskan atau diwakili oleh data input
Batas 0,002
IV. PENGUMPULAN DAN PENGOLAHAN DATA Hasil yang berbeda
Metode Regresi
Metode LP-SVM
70% training, 30% testing
Training Regresi Statistick Regression Regression LP-SVM y = - 0,767 - 0,052 X1 + 0,215 X4 - 1,04 X6 - 0,708 X7 + 0,21 X8 - 0,038 X9 - 2,21 X10 - 0,423 X13 - 0,681 X14 + 3,10 X15 - 0,64 X17 + 0,438 X18 + 0,265 X19 + 0,175 X20 + 0,84 X21 + 1,78 X23 - 0,333 X24 stepwise regression y = - 1,09 + 0,025 X1 - 1,40 X2 - 1,20 X6 - 1,15 X7 + 3,47 X8 + 0,402 X9 + 1,27 X11 - 3,25 X12 - 1,21 X13 - 0,367 X14 + 3,70 X15 - 1,58 X16 - 0,70 X17 + 0,089 X20 + 1,30 X21 + 2,92 X23 - 0,075 X24.
IV. PENGUMPULAN DAN PENGOLAHAN DATA
Training LP-SVM
(c = 1, 10, 100, 1000, dan 1000)
LP-SVM c = 100, yaitu y = -3.7033 + 0 X1+ 0 X4 -0.9647 X6 + 0 X7 + 0 X8 + 0 X9 -1.1303 X10 + 0 X13 -8.1866 X14 +15.8067 X15 + 0 X17 + 0X18 + 0 X19 + 0.5429 X20 + 0 X21 + 0 X23+ 0 X24 stepwise regression c = 100, yaitu y = 2.0043 + 0 X1 + 0 X2 + 0 X6 + 0 X7 + 0 X8 + 0 X9 -5.1175 X11 -0.6515X 12 + 0 X13 -9.5593 X14 +9.2912 X15 + 0 X16 + 0 X17 + 0.8524 X20 + 0 X22 + X X23 + 0 X24
IV. PENGUMPULAN DAN PENGOLAHAN DATA Testing Regresi
LP-SVM
Y prediksi Kesimpulan Observasi Y aktual keLP-SVM Stepwise Regression LP-SVM Stepwise Regression 1
-1
-1
-1
D
D
2
-1
-1
-1
D
D
3
1
-1
-1
C
C
4
1
-1
-1
C
C
5
1
-1
-1
C
C
6
1
-1
-1
C
C
7
-1
-1
-1
D
D
8
-1
-1
-1
D
D
9
-1
-1
-1
D
D
10
-1
1
-1
B
D
11
-1
1
-1
B
D
12
-1
1
-1
B
D
13
-1
1
1
B
B
14
-1
1
1
B
B
15
-1
1
1
B
B
16
-1
1
-1
B
D
17
-1
1
-1
B
D
18
-1
1
1
B
B
19
-1
1
1
B
B
20
-1
1
-1
B
D
21
-1
1
1
B
B
22
-1
1
1
B
B
23
-1
1
1
B
B
24
-1
1
1
B
B
25
-1
1
1
B
B
Aktual Ya
Tidak
Total
Ya
0
16
16
Tidak
4
5
Total
4
21
9 25
Prediksi
Stepwise Regression
Prediksi
Aktual Ya
Tidak
Total
Ya
0
10
10
Tidak
4
11
Total
4
21
15 25
IV. PENGUMPULAN DAN PENGOLAHAN DATA Testing LP-SVM
LP-SVM Aktual
Y prediksi Kesimpulan Observasi Y aktual keLP-SVM Stepwise Regression LP-SVM Stepwise Regression 1 -1 -1 1 D B
Prediksi
Ya
Tidak
Total
Ya
0
0
0 25 25
2
-1
-1
1
D
B
Tidak
4
21
3
1
-1
1
C
A
Total
4
21
4
1
-1
1
C
A
5
1
-1
1
C
A
6
1
-1
1
C
A
7
-1
-1
1
D
B
8
-1
-1
1
D
B
9
-1
-1
1
D
B
10
-1
-1
1
D
B
11
-1
-1
1
D
B
12
-1
-1
1
D
B
13
-1
-1
1
D
B
14
-1
-1
1
D
B
15
-1
-1
1
D
B
16
-1
-1
1
D
B
17
-1
-1
1
D
B
18
-1
-1
1
D
B
19
-1
-1
1
D
B
20
-1
-1
1
D
21
-1
-1
1
22
-1
-1
1
23
-1
-1
24
-1
-1
25
-1
-1
Stepwise Regression Aktual Ya
Tidak
Total
Ya
4
21
25
B
Tidak
0
0
D
B
Total
4
21
0 25
D
B
1
D
B
1
D
B
1
D
B
Prediksi
IV. PENGUMPULAN DAN PENGOLAHAN DATA No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Variabel Terpilih Nilai Tukar Riil Rp/USD (deviasi terhadap trend) Rasio Cadangan Devisa dengan Impor Neraca Modal Rasio M2 dengan Cadangan Devisa Rasio Investasi dengan PDB Cadangan Devisa Rasio Aliran Modal Jangka Pendek dengan PDB Spread Tingkat Bunga Riil Rasio Tingkat Bunga Pinjaman dengan Tingkat Bunga Tabungan M2 Multiplier Rasio Kredit dengan PDB PDB Riil Sektor Fiskal Rasio Konsumsi Pemerintah dengan PDB Rasio Defisit Fiskal dengan PDB Efek Penularan (Contagion) Harga Minyak Deposito Bank Umum Rasio Bunga Kredit dengan Bunga Deposito Bank Umum
IV. PENGUMPULAN DAN PENGOLAHAN DATA Training
Untuk mendapatkan parameter-parameter fungsi classifier yang sesuai sehingga dapat memisahkan obyek secara maksimal Akan mencari data mana dari training set yang “paling informatif” support vector Syarat: semua jenis label (nilai y) harus ada di data training
Testing digunakan untuk menguji performansi dari fungsi classifier yang dihasilkan 84 data observasi: •75 data dengan label -1 •9 data dengan label 1 Q 2 tahun 1997 - Q2 tahun 1998 Q 2 tahun 2005 – Q1 tahun 2006
Testing
70% data training: Q1 tahun 1990 - Q3 tahun 1994 30% data testing: Q4 tahun 1994 - Q4 tahun 2010
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
IV. PENGUMPULAN DAN PENGOLAHAN DATA
Fungsi Kernel Linear
Konstanta Ongkos c
Parameter Kernel p
1
RBF dan Polynomial
10 RBF
Data Tidak DiPrepocessing
100 1000
Polynomial
2, 3, 4, 5, 6
Jenis Variabel Dependent
10000
Linear 1
Data DiPrepocessing
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
IV. PENGUMPULAN DAN PENGOLAHAN DATA Training
Data training x
Konstanta ongkos c
Data tidak di prepocessing
Input
Data training y
Data diprepocessing Parameter kernel c
Fungsi kernel
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
IV. PENGUMPULAN DAN PENGOLAHAN DATA Training
Number of support vestor (nsv)
number of support vector (disimbolkan dengan nsv) yang merupakan jumlah support vector yang menjadi dasar penentuan hyperplane terbaik
Output b0
alpha
Data dengan nilai alpha > 0 dinamakan support vector dan menyatakan data training yang diperlukan untuk mewakili fungsi pemisah yang optimal (Santosa, 2007b)
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
IV. PENGUMPULAN DAN PENGOLAHAN DATA Contoh Hasil Proses Training dengan Fungsi Kernel Linear dan p=1 untuk Data Tidak Di-prepocessing alpha Observasi ke-
c=1
c = 10
c = 100
c = 1000 (1,0e+003* )
c = 10000 (1,0e+004* )
1
0,0000
0,0000
0,0000
0,0000
0,0000
2
0,0000
0,0000
0,0000
0,0000
0,0000
3
0,0000
0,0000
0,0000
0,0000
0,0000
4
0,0000
0,0000
0,0000
0,0000
0,0000
5
0,0000
0,0000
0,0000
0,0000
0,0000
6
0,0000
0,0000
0,0000
0,0000
0,0000
7
0,0000
0,0000
0,0000
0,0000
0,0000
8
0,0000
0,0000
0,0000
0,0000
0,0000
9
0,0000
0,0000
0,0000
0,0000
0,0000
10
0,0000
0,0000
0,0000
0,0000
0,0000
11
0,0000
0,0000
0,0000
0,0000
0,0000
12
0,0000
0,0000
0,0000
0,0000
0,0000
13
0,0000
0,0000
0,0000
0,0000
0,0000
14
0,0000
0,0000
0,0000
0,0000
0,0000
15 51
0,0000 0,0000
0,0000 0,0000 0,0000 0,0000
0,00000,0000
0,0000 0,0000
16 52
0,0000 0,0000
0,0000 0,0000 0,0000 0,0000
0,00000,0000
0,0000 0,0000
17 53
0,5247 0,0000
4,6521 0,000046,44800,0000
0,46440,0000
0,4644 0,0000
54 18
0,0000 0,0000
0,0000 0,0000 0,0000 0,0000
0,00000,0000
0,0000 0,0000
55 19
0,0000 0,0000
0,0000 0,0000 0,0000 0,0000
0,00000,0000
0,0000 0,0000
50
56
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
20
0,0000
0,0000
0,0000
21
0,0000
0,0000
0,0000
22 59
0,0000 0,0000
0,0000 0,0000 0,0000 0,0000
57 58
0,0000 0,0000
0,0000 0,0000
0,0000 0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,00000,0000
0,0000 0,0000
0,0000 0,0000
0,0000 0,0000
23 bias
0,0000 0,0000 61,8172 621,20280,0000 6,21E+03 0,0000 6,21E+04
0,0000 6,21E+05
24 nsv
0,0000 9
0,183910
2,0133
0,0203 10
25
0,0000
0,0000
0,0000
10
0,0203 0,0000
10
0,0000
Hasil Training Lampiran 8
IV. PENGUMPULAN DAN PENGOLAHAN DATA Testing
Data training x Data training y
Bias b0
Alpha
Input Parameter kernel p
Output
Y prediksi
Data testing x
Fungsi kernel
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
IV. PENGUMPULAN DAN PENGOLAHAN DATA Contoh Hasil Proses Testing dengan Fungsi Kernel Linear untuk p=1 Observasi c=1 c = 10 c = 100 c = 1000 c = 10000 Y Aktual kexsel xnew xsel xnew xsel xnew xsel xnew xsel xnew 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 3 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 4 1 -1 -1 -1 -1 -1 1 -1 1 -1 1 5 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 6 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 7 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 8 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 9 -1 -1 -1 -1 -1 -1 1 -1 1 -1 1 10 -1 -1 -1 1 -1 1 -1 1 -1 1 -1 11 -1 -1 -1 -1 -1 -1 1 -1 1 -1 1 12 -1 -1 -1 -1 -1 -1 1 -1 1 -1 1 13 -1 -1 -1 -1 -1 -1 1 -1 1 -1 1 14 -1 -1 -1 -1 -1 -1 1 -1 1 -1 1 15 -1 -1 -1 -1 -1 -1 1 -1 1 -1 1 16 -1 -1 -1 -1 -1 -1 1 -1 1 -1 1 17 -1 -1 -1 1 -1 1 1 1 1 1 1 18 -1 -1 -1 1 -1 1 -1 1 -1 1 -1 19 -1 -1 -1 1 -1 1 -1 1 -1 1 -1 20 -1 -1 -1 1 -1 1 1 1 1 1 1 21 -1 -1 -1 1 -1 1 1 1 1 1 1 22 -1 -1 -1 1 -1 1 1 1 1 1 1 23 -1 -1 -1 1 -1 1 1 1 1 1 1 24 -1 -1 -1 1 1 1 1 1 1 1 1 25 -1 -1 -1 1 1 1 1 1 1 1 1
Pengembangan Model Pendeteksian Krisis Keuangan di
Hasil Testing Tabel 4.12 -Tabel 4.22 RBF
Observasi c=1 c = 10 c = 100 c = 1000 c = 10000 Y Aktual kexsel xnew xsel xnew xsel xnew xsel xnew xsel xnew 1 -1 0 -1 0 -1 0 1 0 1 0 1 2 -1 0 -1 0 -1 0 1 0 1 0 1 3 1 0 -1 0 -1 0 1 0 1 0 1 4 1 0 -1 0 1 0 1 0 1 0 1 5 1 0 -1 0 -1 0 1 0 1 0 1 6 1 0 -1 0 -1 0 1 0 1 0 1 7 -1 0 -1 0 -1 0 1 0 1 0 1 8 -1 0 -1 0 -1 0 1 0 1 0 1 9 -1 0 -1 0 -1 0 1 0 1 0 1 10 -1 0 -1 0 -1 0 1 0 1 0 1 11 -1 0 -1 0 -1 0 1 0 1 0 1 12 -1 0 -1 0 -1 0 1 0 1 0 1 13 -1 0 -1 0 1 0 1 0 1 0 1 14 -1 dengan 0 -1 Pendekatan 0 1 0 1 0 1 Mining 0 1 Indonesia Data 15 -1 0 -1 0 1 0 1 0 1 0 1
IV. PENGUMPULAN DAN PENGOLAHAN DATA Confusion Matrix Contoh Confusion Matrix Fungsi Kernel Linear dengan p = 1 dan c = 1 untuk Data Tidak Di-prepocessing Aktual Prediksi
Ya Tidak Total
Ya 0 4 4
Tidak 0 21 21
Total 0 25 25
Tabel 4.23 hingga Tabel 4.107
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
IV. PENGUMPULAN DAN PENGOLAHAN DATA No.
Fungsi Kernel
Parameter Kernel p
Konstanta Ongkos c
Data Tidak DiPrepocessing
Data DiPrepocessing
1
Linear
√
√
1
1
2
2
1
√
3
3
1
√
4
3
10
√
5
4
1
√
4
10
√
6
RBF
7
5
1
√
8
5
10
√
9
6
1
√
10
6
10
√
11
2
1
12
2
10
√
√
13
2
100
√
√
14
2
1000
√
√
15
2
10000
√
√
16
3
1
√
√
17
3
10
√
√
18
3
100
√
√
19
3
1000
√
√
20
3
10000
√
√
21
4
1
22
4
10
√
√
4
100
√
√
24
4
1000
√
√
25
4
10000
√
√
26
5
1
√
√
27
5
10
√
√
28
5
100
√
√
29
5
1000
√
√
30
5
10000
√
√
31
6
1
√
32
6
10
√
33
6
100
34
6
1000
√
√
35
6
10000
√
√
23
Polyno mial
√
Nilai POD, TNR, dan OA terbaik 1; 1; 0,84.
Nilai TNR dan OA terbaik selalu diperoleh secara besamaan Ketika nilai TNR = 1, OA = 0,84, maka POD = 0
√
√
Ketika model mampu memprediksi tidak terjadinya krisis keuangan di Indonesia dengan sempura, maka model tersebut tidak mampu memprediksi terjadinya krisis keuangan.
IV. PENGUMPULAN DAN PENGOLAHAN DATA Sedangkan nilai POD = 1 1. POD = 1, TNR = 0, OA = 0,16 2. POD = 1, TNR = 0, 429 , OA = 0,52.
Fungsi kernel Polynomial dengan p = 6 dan c = 10 untuk data tidak di-prepocessing
Fungsi kernel Polynomial untuk parameter kernel p = 6 dan konstanta ongkos c = 10 1. Untuk data yang tidak di-prepocessing, nilai POD-nya merupakan nilai yang terbaik 2. Untuk data yang di-prepocessing, nilai TNR dan OAnya merupakan nilai yang terbaik
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
V. ANALISIS DAN INTERPRETASI DATA Variabel Tidak Terseleksi
Variabel Terseleksi
Variabel-variabel yang mempunyai nilai a, yaitu bobot yang lebih besar atau sama dengan nilai epsilon (1e-5)
Variabel yang mempunyai bobot di bawah nilai epsilon
Nilai dari variabel tersebut mengalami perubahan yang berarti ketika akan dan sedang terjadi krisis keuangan di Indonesia.
Variabel tersebut tidak memberikan perubahan nilai yang cukup berarti ketika akan dan sedang terjadi krisis keuangan di Indonesia.
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
V. ANALISIS DAN INTERPRETASI DATA
Impor
Ekspor
• Tidak memberikan perubahan yang berarti ketika akan dan sedang terjadi krisis keuangan • Untuk 1997/1998, nilai impor Indonesia mulai memberikan perubahan, yaitu cenderung menurun namun setelah terjadi krisis keuangan (Atmadji, 2004) • Untuk 2005, nilai impor tidak mengalami perubahan yang berarti.
• Tidak memberikan perubahan yang berarti ketika akan dan sedang terjadi krisis keuangan • (Cera dan Saxena, 1999), krisis keuangan di Indonesia tahun 1997 terjadi ketika fundamental Indonesia dinyatakan paling baik di ASEAN-5 yang salah satunya ditunjukkan dengan pertumbuhan ekspor yang merupakan tertinggi kedua • (Goldstein et al., 2000), indikator ekspor tidak melewati batas ambang • Untuk 1997/1998, ekspor migas Indonesia memang menurun tajam, namun ekspor nonmigas yang meningkat tinggi (Bapennas, 2011). • Untuk 2005, nilai ekspor tidak mengalami perubahan yang berarti.
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
V. ANALISIS DAN INTERPRETASI DATA
Rasio tagihan BIS dengan cadangan devisa
• Nilai tagihan BIS untuk Indonesia lebih banyak dilakukan setelah terjadinya krisis keuangan 1997/1998 • Untuk 2005, Indonesia tidak memiliki tagihan BIS
Rasio hutang luar negeri dengan cadangan devisa
• Hutang luar negeri Indonesia lebih meningkat dengan tajam setelah terjadi krisis keuangan 1997/1998 • Untuk 2005 hutang luar negeri Indonesia tidak mengalami perubahan yang berarti
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
V. ANALISIS DAN INTERPRETASI DATA
Tingkat bunga riil tabungan
Simpanan di Perbankan IHSG
• Perubahan hanya pada saat terjadinya krisis keuangan dan sesudah krisis keuangan tahun 1997/1998 • Sebelum krisis keuangan 1997/1998 serta sebelum dan saat terjadi krisis keuangan tahun 2005, tidak memberikan perubahan yang berarti
• Selalu meningkat setiap tahunnya sehingga susah bagi SVM untuk mengidentifikasi pada nilai berapa variabel ini menunjukkan bahwa terjadi krisis keuangan di Indonesia.
• Saat sebelum dan sesudah terjadinya krisis keuangan, nilai IHSG tidak berubah secara signifikan • (Goldstein et al., 2000), indikator harga saham tidak melewati batas ambang.
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
V. ANALISIS DAN INTERPRETASI DATA Analisis Hasil Klasifikasi SVM dengan Fungsi Kernel Linear 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0
0.840.84
0.76
0.25
0.25
0.25
0.25 0.44
0.44 0.32
0.44 0.32
0.44 0.32
0.2 0.15 0.1 0.05
0
0
0
0
0
0
0
0 c=1
c = 10
c = 100 c = 1000
Data Tidak Di-Prepocessing
c= 10000
Data Di-Prepocessing
Grafik Keakuratan Klasifikasi OA
c=1
c = 10
c = 100
Data Tidak Di-Prepocessing
c = 1000
c= 10000
Data Di-Prepocessing
Grafik Keakuratan Klasifikasi POD
Proses preprocessing cenderung membuat keakuratan OA model menurun, namun keakuratan POD meningkat. Kenaikan nilai konstanta ongkos c akan cenderung menurunkan keakuratan klasifikasi OA hingga konstan, namun akan cenderung meningkatkan keakuratan klasifikasi POD hingga konstan. Penggunaan nilai c di atas 100, membuat tingkat keakuratan klasifikasi OA menurun dengan tajam, keakuratan klasifikasi POD meningkat tajam Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
V. ANALISIS DAN INTERPRETASI DATA Analisis Hasil Klasifikasi SVM dengan Fungsi Kernel RBF 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0
0.84
1
0.84
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0
0.75
Data Tidak DiPrepocessing 0.12
c=1
c = 10
c = 100
0.16
c = 1000
0.16
c= 10000
Data Di-Prepocessing
Grafik Keakuratan Klasifikasi OA untuk p = 6
0 c=1
1
0 c = 10
c = 100
c = 1000
c= 10000
Data Tidak Di-Prepocessing
Grafik Keakuratan Klasifikasi POD untuk p = 6
Kenaikan nilai konstanta ongkos c akan cenderung menurunkan keakuratan klasifikasi OA, namun akan cenderung meningkatkan keakuratan klasifikasi POD. Penggunaan nilai c di atas 100, membuat tingkat keakuratan klasifikasi OA menurun dengan tajam, keakuratan klasifikasi POD meningkat tajam Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
V. ANALISIS DAN INTERPRETASI DATA Analisis Hasil Klasifikasi SVM dengan Fungsi Kernel RBF 0.432
0.44
0.432
0.432
0.424
0.43 0.42 0.41 0.4
0.392
0.39 0.38 0.37 p=2
p=3
p=4
p=5
p=6
Data Di-Prepocessing
Grafik Keakuratan Klasifikasi OA untuk Masing-masing Parameter Kernel p
0.66 0.64 0.62 0.6 0.58 0.56 0.54 0.52 0.5 0.48
0.65 0.6
0.6
0.6 0.55
p=2
p=3
p=4
p=5
p=6
Data Tidak Di-Prepocessing
Grafik Keakuratan Klasifikasi POD untuk Masing-masing Parameter Kernel p
Kenaikan nilai parameter kernel p cenderung tidak terlalu mempengaruhi keakuratan klasifikasi rata-rata OA, dan cenderung menurunkan keakuratan klasifikasi rata-rata POD
Keakuratan klasifikasi OA akan lebih baik jika nilai p berada di antara nilai 3, 4, dan 5 dengan nilai c yang lebih kecil lebih baik, yaitu di bawah 10. Keakuratan klasifikasi POD akan lebih baik jika menggunakan p = 2 dan c di atas 100.
V. ANALISIS DAN INTERPRETASI DATA Analisis Hasil Klasifikasi SVM dengan Fungsi Kernel Polynomial 0.9 0.8
0.84 0.76
0.84
0.84 0.76
0.840.84
0.840.84
0.7 0.52
0.6
1 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0
0.5 0.4 0.3 0.2 0.1 0
0
0
c=1 c=1
c = 10
c = 100
Data Tidak Di-Prepocessing
0 c = 10
0
c = 100
c = 1000 c = 10000 Data Di-Prepocessing
Grafik Keakuratan Klasifikasi OA untuk p = 6
0
Data Tidak Di-Prepocessing
0
0
c = 1000
0
0
c= 10000
Data Di-Prepocessing
Grafik Keakuratan Klasifikasi POD untuk p =64
Proses prepocessing pada umumnya tidak mempengaruhi keakuratan klasifikasi karena perubahannya yang tidak terlalu signifikan, namun lebih banyak data yang di-prepocessing lah mempunyai keakuratan klasifikasi yang lebih tinggi
Perubahan nilai konstanta ongkos c tidak telalu berpengaruh besar terhadap OA dan POD Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
V. ANALISIS DAN INTERPRETASI DATA Analisis Hasil Klasifikasi SVM dengan Fungsi Kernel Polynomial 0.2
0.86 0.84 0.82 0.8 0.78 0.76 0.74 0.72 0.7 0.68 0.66
0.84
0.840.84
0.84 0.832
0.840.84
0.84
0.744 0.72
P=2
P=3
P=4
Data Tidak Di-Prepocessing
P=5
P=6
Data Di-Prepocessing
Grafik Keakuratan Klasifikasi OA untuk Masing-masing Parameter Kernel p
0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0
0.15
0 P=2
0
0
P=3
0
0
P=4
Data Tidak Di-Prepocessing
0
0
0
P=5
P=6
Data Di-Prepocessing
Grafik Keakuratan Klasifikasi POD untuk Masing-masing Parameter Kernel p
Perubahan nilai parameter kernel p baik untuk data yang tidak diprepocessing, maupun data yang di-prepocessing tidak berpengaruh banyak terhadap keakuratan klasifikasi OA Untuk POD, mempengaruhi keakuratan namun tidak terlalu signifikan Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
V. ANALISIS DAN INTERPRETASI DATA Analisis Perbandingan Fungsi Kernel •Linear dan RBF sangat dipengaruhi Pengaruh •Polynomial tidak terlalu dipengaruhi dan konstanta ongkos hampir untuk semua kombinasi memberikan keakuratan OA yang baik c
Kenaikan konstanta ongkos c (Linear dan RBF)
POD = 0, TNR = 1, dan OA = 0,84.
• Meningkatkan keakuratan POD namun menurunkan keakuratan TNR Kenaikan POD selalu selaras dengan penurunan OA • Karena semakin besar penalti yang diberikan pada setiap classification error sehingga proses trainingnya berjalan ketat
•Data training yang digunakan lebih banyak berisi dengan data yang mempunyai label tidak terjadi krisis keuangan (label dengan nilai -1)
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
VI. KESIMPULAN DAN SARAN
1. Indikator-indikator ekonomi yang berperan penting terhadap pendeteksian krisis keuangan di Indonesia yang didapatkan dari penyeleksian variabel dengan menggunakan metode Linear-Programming Support Vector Machine (LP-SVM) adalah nilai tukar riil Rp/USD (deviasi terhadap trend), rasio cadangan devisa dengan impor neraca modal, rasio M2 dengan cadangan devisa, rasio investasi dengan PDB, cadangan devisa, rasio aliran modal dengan PDB, spread tingkat bunga riil, rasio tingkat bunga pinjaman dengan tabungan, M2 multiplier, rasio kredit dengan PDB, PDB riil sektor fiskal, rasio konsumsi pemerintah dengan PDB, rasio defisit fiskal dengan PDB, efek penularan (contagion), harga minyak, deposito bank umum, dan rasio bunga kredit dengan bunga deposito bank umum. 2. Model pendeteksian krisis keuangan di Indonesia dengan metode Support Vector Machine (SVM) yang memberikan tingkat keakuratan klasifikasi yang paling baik, yaitu dengan fungsi kernel polynomial untuk parameter kernel p = 6 dan konstanta ongkos c = 10. Untuk data yang tidak di-prepocessing, maka nilai POD-nya merupakan nilai yang terbaik, yaitu POD = 1, TNR = 0, 429 , OA = 0,52. Sedangkan untuk data yang di-prepocessing, nilai TNR dan OA-nya merupakan nilai yang terbaik, yaitu nilai POD = 0, TNR = 1, dan OA = 0,84. Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
VI. KESIMPULAN DAN SARAN
Penelitian Selanjutnya
1. Melakukan perbandingan periode menjelang krisis (window period), misalnya melakukan perbandingan untuk window period 3 bulan, 6 bulan, dan 12 bulan. 2. Menggunakan metode yang lain dalam menyeleksi variabel, misalnya branch and bound. 3. Melakukan perbandingan metode untuk membangun model pendeteksian, misalnya melakukan perbandingan metode SVM, ANN, dan LDA.
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
DAFTAR PUSTAKA ABIMANYU, A. & IMANSYAH, M. H. 2008. Sistem Pendeteksian Dini Krisis Keuangan di Indonesia: Penerapan Berbagai Model Ekonomi, Yogyakarta, BPFE-YOGYAKARTA. ADININGSIH, S., N.S, D. & SHOLIHAH 2002. Macroeconomic Vulnerability in Indonesia. Thailand Development Research Institute. AHN, J. J., OH, K. J., KIM, T. Y. & KIM, D. H. 2011. Usefulness of Support Vector Machine to Develop an Early Warning System For Financial Crisis. Expert Systems with Applications, 38, 2966–2973. APOTEKER, T. & BARTHELEMY, S. 2005. Predicting Financial Crises in Emerging Markets Using a Composite NonParametric Model. Emerging Markets Review, 6, 363–375. ATMADJI, E. 2004. Analisis Impor Indonesia. Jurnal Ekonomi Pembangunan, 9, 33-46. BAGUS, I. 2009. Mengenal Seluk Beluk IHSG [Online]. Detik Finance. Available: http://finance.detik.com/read/2009/10/14/142426/1221307/479/mengenal-seluk-beluk-ihsg [Accessed 5 Oktober 2011]. BAPENNAS 2011. Neraca Pembayaran dan Perdagangan Luar Negeri. Jakarta: Badan Perencanaan dan Pengembangan Nasional. BARTHE´LE´MY, S. & FILIPPI, J. B. 2003. A Typology of Very Small Companies Using Self-Organizing Maps. IEEE System Man and Cybernetics Proceedings. BERG, A. & PATTILO, C. 1999a. Are Currency Crises Predictable? A Test. IMF Staff Paper, International Monetary Fund, Washinton D.C., 46, 107-138. BERG, A. & PATTILO, C. 1999b. Predicting Currency Crises: The Indicators Approach and an Alternative. Journal of International Money and Finance. BI 2011a. Inflasi atas Dasar Indeks Harga Konsumen. Jakarta: Bank Indonesia. BI. 2011b. Kamus [Online]. Jakarta: Bank Indonesia. Available: http://www.bi.go.id/web/id/Kamus.htm?id=N&start=1&curpage=5&search=False&rule=forward [Accessed 5 Oktober 2011]. BI 2011c. Mengenal Tabungan. In: INDONESIA, B. (ed.). Jakarta: Bank Indonesia. BI 2011d. Statistik Ekonomi - Keuangan Indonesia. Jakarta: Bank Indonesia. BI 2011e. Statistik Ekonomi dan Keuangan Indonesia. Sektor Keuangan Pemerintah. Jakarta: Bank Indonesia. BI 2011f. Statistik Ekonomi dan Keuangan Indonesia. Sektor Riil. Jakarta: Bank Indonesia. BI 2011g. Statistik Ekonomi dan Keuangan Indonesia. Sektor Moneter. Jakarta: Bank Indonesia. BI 2011h. Statistik Ekonomi dan Keuangan Indonesia. Sektor Eksternal. Jakarta: Bank Indonesia. BPS 2011a. Buletin Statistik Bulanan: Indikator Ekonomi. In: STATISTIK, B. P. (ed.). Jakarta: Badan Pusat Statistik Jakarta-Indonesia. Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
DAFTAR PUSTAKA BPS. 2011b. Istilah Statistik [Online]. Badan Pusat Statistik Republik Indonesia. Available: http://www.bps.go.id/aboutus.php?glos=1&ist=1&var=I [Accessed 5 0ktober 2011]. BPS 2011c. Perkembangan Beberapa Indikator Utama Sosial-Ekonomi Indonesia. In: INDONESIA, B. P. S. R. (ed.). Badan Pusat Statistik Republik Indonesia BPS 2011d. Statistik Indonesia. Jakarta: Badan Pusat Statistik. BURKART, O. & COUDERT, V. 2002. Leading Indicators of Currency Crises For Emerging Countries. Emerging Markets Review, 3, 107-133. CATEORA, P. R. & L.GRAHAM, J. Pemasaran Internasional, Jakarta, Salemba Empat. CERA, V. & SAXENA, C. S. 1999. Contagions Monsoons, and Domestic Turmoil in Indonesia: A Case Study in the Asian Currency Crisis. International Monetary Fund, Washington, DC. CHAIDARABDULLAH. 2008. Pemilu Pakistan Dibayangi Krisis Ekonomi [Online]. Jakarta. Available: ttp://chaidarabdullah.wordpress.com/2008/08/20/pemilu-pakistan-dibayangi-krisis-ekonomi/ [Accessed 2 Desember 2011]. CHANDRA, M. 2011. Jeratan Utang Kuar Negeri. slide5hare years. CRISTIANINI, N. & SHAWE-TAYLOR, J. 2000. An Introduction to Support Vector Machines and Other Kernel-Based Learning Method, Cambridge, Cambridge University Press. DONOHO, D. & HUO, X. 1999. Uncertainty Principle and Ideal Atomic Decomposition. Tech. rep, Statistic Department, Standford University. FRANKEL, J. A. & ROSE, A. K. 1996. Currency Crashes in Emerging Market: An Empirical Treatment. Journal of International Economics, 41 (November), 351-66. GOLDSTEIN, M., KAMINSKY, G. L. & REINHART, C. M. 2000. Assesing Financial Vulnerability: An Early Warning System for Emerging Marets. Institute for International Economics, Washington D.C. GUPTA, S., PADMANABHAN, V., JOHNSTON, H. & LEE, G. 2005. ELEC 301 Projects Fall 2005. NILAWATI 2000. Pengaruh Pengeluaran Pemerintah, Cadangan Devisa Dan Angka Pengganda Uang Terhadap Perkembangan Jumlah Uang Beredar di Indonesia. Jurnal Bisnis dan Akuntansi, 2, 64-72 HASTIE, T., TIBSHIRANI, R. & FRIEDMAN, J. 2008. The Elements of Statistical Learning, California, Stanford. HAYKIN, S. 1999. Neural Netwrok: A Comprehensive Foundation, New Jersey, Prentice Hall. HERERA, S. & GRACIA, C. 1999. A User's Guide to An Early Warninbg System of Macroeconomic Vulnerability for LAC Countires. World Bank Working Paper. HUTAPEA, T. 2003. Pergerakan IHSG di BEJ. Sripta Economica, 6 No. 2. Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
DAFTAR PUSTAKA KAMINSKY, G. L., LIZONDO, S. & REINHART, C. M. 1998. Leading Indicators of Currency Crisis. IMF Staff Paper WP/99/178, International Monetary Fund, Washinton D.C. KAMINSKY, G. L. & REINHART, C. M. 1999. The Twin crises: The Causes of Banking and Balance-of-Payment Problems. Amercian Economic Review, 89 (3), 473-500. KBRI. 2009. Profil Negara dan Kerjasama : Pakistan [Online]. Pakistan: Kedutaan Besar Republik Indonesia di IslambadPakistan. Available: http://www.kemlu.go.id/islamabad/Pages/CountryProfile.aspx?l=id [Accessed 21 Oktober 2011]. KIM, T. Y., OH, K. J., SOHN, I. & HWANG, C. 2004. Usefulness of Artificial Neural Networks For Early Warning System of Economic Crisis. Expert Systems with Applications, 26, 583–590. KURNIAWAN, T. 2004. Determinan Tingkat Suku Bunga Pinjaman Di Indonesia Tahun 1983 - 2002. In: PERBANKAN, B. E. M. D. (ed.). Jakarta: Bank Indonesia. LAKSMIARTI, T. & SARWANTO. 2011. Profil Kependudukan, Sosial Ekonomi, dan Kesehatan Pasca Krisis Ekonomi (Studi Kasus di ASEAN pada 2000) [Online]. Surabaya Puslitbang Pelayanan dan Teknologi Kesehata. Available: www.tempo.co.id/medika/arsip/012003/sek-1.htm [Accessed 21 Okotober 2011]. LIN, C.-S., KHAN, H. A., CHANG, R.-Y. & WANG, Y.-C. 2008. A New Approach To Modeling Early Warning Systems For Currency Crises: Can a Machine-Learning Fuzzy Expert System Predict The Currency Crises Effectively? Journal of International Money and Finance, 27, 1098–1121. LOOY, S. V., VERPLANCKE, T., BENOIT, D., HOSTE, E., MAELE, G. V., TURCK, F. D. & DECRUYENAERE, J. 2007. A Novel Approach For Prediction of Tacrolimus Blood Concentration in Liver Transplantation Patients in The Intensive Care Unit Through Support Vector Regression. BioMed Central Ltd. MANKIW, G. 2000. Macroeconomics, New York, Worth Publisher. Inc. MATHWORKS. 2011. R2011b Documentation [Online]. United States: MathWorks. Available: http://www.mathworks.com/help/toolbox/stats/stepwisefit.html [Accessed 22 Desember 2011]. MUNDI, I. 2011. Crude Oil (petroleum) Price (US Dollars per Barrel) [Online]. Index Mundi. Available: http://www.indexmundi.com/commodities/?commodity=crude-oil-brent&months=300&commodity=crude-oil [Accessed 24 Oktober 2011]. NOPELINE, N. 2009. Pengaruh Nilai Tukar Riil Terhadap Neraca Perdangan Bilateral Indonesia (Marshall-Lerner Condition dan Fenomena J-Curve). Sekolah Pasca Sajarna Universitas Sumatera Utara NUGROHO, A. S. 2007. Apakah Support Vector Machine itu ? [Online]. Available: http://asnugroho.wordpress.com/2006/10/15/apakah-support-vector-machine-itu/ [Accessed 31 Desember 2011]. Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining
DAFTAR PUSTAKA NUGROHO, A. S., WITARTO, A. B. & HANDOKO, D. 2003. Support Vector Machine. –Teori dan Aplikasinya dalam Bioinformatika1–. IlmuKomputer.Com. PURNAWAN, M. E. & ADINEGORO, M. 2005. Analisis Early Warning System Krisis Nilai Tukar Rupiah: Pendekatan Markov-Switching Time Vaying Probabilities. Dipresentasikan Dalam Dies Natalis 50 Tahun Fakultas Ekonomi UGM. RIZKA. 2010. Sistem Monarki di Arab Saudi dan Perkembangannya [Online]. Available: http://rizkaettouslesecrits.blogspot.com/2010/10/sistem-monarki-di-arab-saudi-dan.html [Accessed 2 Desember 2011]. SANTOSA, B. 2007a. Data mining Terapan dengan MATLAB, Yogyakarta, Graha Ilmu. SANTOSA, B. 2007b. Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis, Yogyakarta, Graha Ilmu. SHERRO, P. H. -. SVM - Support Vector Machines [Online]. USA: DTREG. Available: http://www.dtreg.com/svm.htm [Accessed 10 Oktober 2011]. SOLOPOS. 2003. Bank Indonesia Mengimbau Kepada Perbankan untuk menurunkan suku bunga Pinjamannya Berkaitan dengan terus Turunnya Sertifikat Bank Indonesia (SBI). Available: http://www.bi.go.id/NR/rdonlyres/F64927FB-6F16-4565A4B5-E2C3DDF53016/2981/edeterminan1.pdf. TARMIDI, L. T. Krisis Moneter Indonesia : Sebab, Dampak, Peran IMF Dan Saran. TJAHJONO, E. D. 1998. Fundamental Ekonomi, Contagion Effect dan Krisis Asia. Buletin Ekonomi Moneter dan Perbankan. Jakarta: Bank Indonesia. VAPNIK, V. 1995. The Nature of Statistical Learning Theory, Berlin, Springer. WIELAND, R. & LAMBERT, D. 2007. Stepwise Linear Regression Terms and Implementation. WIJAYA, A. S. 2002. Analisis Indokator Ekonomi sebagai Early Warning System terhadap Gejolak ataupun KrisisEkonomi (Studi Kasus Indonesia: 1991.1-2001.5). Yogyakarta: Universitas Gaja Mada. WIKIPEDIA. 2011a. Ekonomi Taiwan [Online]. Wikipedia. Available: http://id.wikipedia.org/wiki/Ekonomi_Taiwan [Accessed 2 Desember 2011]. WIKIPEDIA. 2011b. Indeks Harga Saham Gabungan [Online]. Wikipedia. [Accessed 5 Oktober 2011]. WIKIPEDIA. 2011c. Krisis Finansial Asia 1997 [Online]. Wikipedia. Available: id.wikipedia.org/wiki/Krisis_finansial_Asia_1997 [Accessed 21 Oktober 2011]. YU, L., WANG, S., LAI, K. K. & FENGHUAWEN 2010. A Multiscale Neural Network Learning Paradigm For Financial Crisis Forecasting. Neurocomputing, 73, 716-725. ZHUANG, J. & DOWLING, J. M. 2002. Cause of The 1997 Asian Financial Crisis: What Can An Early Warning System Model Tell Us? Asian Development Bank, ERD Working Paper no.26 Pengembangan Model Pendeteksian Krisis Keuangan di Indonesia dengan Pendekatan Data Mining