Dosen Pembimbing: Naning Aranti Wessiani, ST., M.M. Dosen Ko Pembimbing: Prof. Ir. Budi Santosa, M.S., Ph.D

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.


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.


I. PENDAHULUAN

Krisis keuangan yang diamati hanyalah krisis keuangan dari persepsi ekonomi.

Periode yang diamati adalah kuartil dari tahun 1990 hingga tahun 2010.

BATASAN


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.



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)



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



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



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


NON LINEAR

Fungsi Kernel

•Linear: xTx, •Polynomial: (xTxi + 1)p •Radial basis function (RBF):

Subject to:

, i = 1,…, l



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}



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



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’.



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



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



Variabel menentukan keakuratan model

LP-SVM

Jumlah variabel banyak

Waktu komputasi makin panjang

Proses pencarian data dan interpretasi data lama

Stepwse Regression



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)


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


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.


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



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



Data training x

Konstanta ongkos c

Data tidak di prepocessing

Input

Data training y

Data diprepocessing Parameter kernel c

Fungsi kernel



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)


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


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


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


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.


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.



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



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.


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


c = 1000

c= 10000


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


Grafik Keakuratan Klasifikasi OA untuk p = 6

0 c=1

1

0 c = 10

c = 100

c = 1000

c= 10000


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


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


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


0 c = 10

0

c = 100

c = 1000 c = 10000 Data Di-Prepocessing

Grafik Keakuratan Klasifikasi OA untuk p = 6

0


0

0

c = 1000

0

0

c= 10000


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


P=5

P=6


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


0

0

0

P=5

P=6


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)



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.



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

Dosen Pembimbing: Naning Aranti Wessiani, ST., M.M. Dosen Ko Pembimbing: Prof. Ir. Budi Santosa, M.S., Ph.D

Recommend Documents