Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 607~612
607
PENERAPAN ALGORITMA RADIAL BASIS FUNCTIONS UNTUK PREDIKSI KELAYAKAN PEMBERIAN KREDIT Ahmad Setiadi AMIK BSI Karawang e-mail:
[email protected]
Abstrak Koperasi didirikan dengan tujuan mensejahterakan anggotanya. Salah satu keuntungannya adalah anggota koperasi dapat mengajukan pinjaman kredit. Untuk menyetujui pinjaman yang diajukan perlu dilakukan analisa terhadap krediat yang diajukan anggota. Permasalahan yang sering muncul adalah analisa yang dilakukan sering kali tidak tepat, sehingga kredit yang diberikan bermasalah dalam pembayaran angsurannya. Metode data mining neural network dapat digunakan sebagai alat untuk menganalisa pengajuan kredit tersebut. Lewat algoritma Radial Basis Function diharapkan prediksi terhadap pengajuan kredit tersebut,dapat diperoleh hasil prediksi yang tepat. Pada penelitian ini, dengan menggunakan SPSS Neural Network 17.0 data pengajuan kredit yang diolah dapat diketahui tingkat akurasi prediksi analisa kredit tersebut. Hasilnya, lewat metode confusion matrix dihasilkan nilai akurasi sebesar 0,859 sedangkan dengan kurva ROC (Receiver Operating Characteristic) dihasilkan nilai akurasi 0,627. Nilai tersebut masuk dalam kategori buruk (poor classification). Rendahnya nilai kurva ROC disebabkan dua hal; Pertama, terlalu sedikitnya jumlah atribut yang digunakan dan yang kedua, terlalu sedikitnya jumlah data yang digunakan sebagai pembentuk model (data training) dan data penguji modelnya (data testing). Dengan demikian, pada penelitian selanjutnya diharapkan jumlah atribut dan jumlah data yang digunakan ditambah, sehingga prediksi akan menghasilkan tingkat akurasi yang lebih tinggi. Keyword: Algoritma Radial Basis Function, Kelayakan Pemberian Kredit
1. Pendahuluan Berdasarkan pasal 33 ayat 1 UUD 1945, Koperasi merupakan usaha kekeluargaan dengan tujuan untuk mensejahterakan anggotanya. Pengelolaan koperasi dilakukan secara bersama, lewat Rapat Anggota Tahunan (RAT) seluruh anggotanya memiliki hak suara yang sama dalam setiap keputusan yang diambil. Terdapat beberapa bentuk koperasi di Indonesia, salah satunya adalah koperasi simpan pinjam. Untuk mencapai tujuannya, koperasi berperan untuk memberikan bantuan dana (kredit) kepada anggota yang membutuhkan. Pemberian kredit ini mempunyai beberapa manfaat baik untuk koperasi maupun untuk anggotanya itu sendiri. Manfaat kredit bagi koperasi utamanya yaitu untuk memperoleh hasil dari pemberian kredit, terutama dalam bentuk bunga yang diterima oleh koperasi sebagai balas jasa dan biaya administrasi kredit yang dibebankan kepada anggota, hal ini penting untuk kelangsungan hidup koperasi. Keuntungan dari perolehan bunga
tersebut akan dikembalikan kepada anggota dalam bentuk Sisa Hasil Usaha (SHU). Bagi anggota, manfaat yang diperoleh adalah pemberian kredit adalah dapat membantu anggota untuk mendapatkan dana saat memerlukannya. Kredit adalah penyediaan uang atau tagihan yang dapat dipersamakan dengan itu, berdasarkan persetujuan atau kesepakatan pinjam meminjam antara koperasi dengan anggotanya yang mewajibkan pihak peminjam melunasi utangnya setelah jangka waktu tertentu dengan pemberian bunga. Ada beberapa tahap yang harus dilalui sebelum pinjaman dicairkan. Sebagai calon debitur, anggota mengajukan aplikasi pinjaman kredit beserta data dan dokumenpendukung. Setelah aplikasi diterima oleh koperasi, maka koperasi akan melakukan pengecekan terhadap status keanggotaan, simpanan anggota, serta riwayat pinjaman anggota. Apabila tidak ada masalah dalam proses pengecekan data, termasuk latar belakang, kemampuan dan lain-lain, maka kredit akan disetujui dan
Diterima 23 Februari 2017; Revisi 08 Maret 2017; Disetujui 15 Maret, 2017
ISBN: 978-602-61242-0-3 dana yang diajukan oleh anggota akan dicairkan. Dalam rangka menjalankan fungsinya sebagai penyalur kredit, koperasi sebagai penyedia kredit tentunya mempunyai resiko. Resiko tersebut umumnya berupa kredit macet. Dari sekian banyak anggota yang mengajukan aplikasi pinjaman kredit ada kemungkinan beberapa anggota yang bermasalah dalam pembayaran angsurannya. Oleh karenanya, sebelum koperasi menyetujui kredit yang diajukan oleh anggota, koperasi harus melakukan analisa kredit terhadap anggota sebagai calon debitur, apakah pengajuan kredit disetujui atau tidak disetujui. Analisa kredit yang dilakukan merupakan proses yang penting dalam pemberian pinjaman atau kredit karena karena saat analisa kredit akan dilakukan penyelidikan faktor-faktor yang berpengaruh pada lancarnya atau kurang lancarnya pengembalian kredit. Analisis kredit yang dilakukan adalah kajian yang dilakukan untuk mengetahui kelayakan dari suatu permasalahan kredit. Melalui hasil analisis kreditnya, dapat diketahui apakah layak (feasible) dan dapat dilunasi tepat waktu (Rivai, 2006). Mengingat resiko tidak kembalinya kredit selalu ada, maka analisis kredit dengan cermat perlu dilakukan. Penilaian kuantitatif dan kualitatif dalam menganalisa kredit akan memberikan kejelasan bagi pembuat keputusan. Untuk mewujudkan hal tersebut, perlu dilakukan persiapan kredit, yaitu dengan mengumpulkan informasi dan data untuk bahan analisis. Kualitas hasil analisis tergantung pada kualitas SDM, data yang diperoleh, dan teknik analisis (Rivai, 2006). Analisis kredit merupakan hal yang penting dilakukan untuk menghindari resiko keuangan (Lai, Yu, Zhou, & Wang, 2006). Namun, proses analisa kredit membutuhkan waktu tidak sebentar (Kotsiantis, Kanellopoulos, Karioti, & Tampakas, 2009) dan juga merupakan hal yang sulit (Odeh, Featherstone, & Das, 2010). Mengingat pentingnya analisa kredit tersebut, dibutuhkan alat yang efektif dan efisien agar resiko kredit macet tidak terjadi. Penelitian mengenai analisis kelayakan pemberian kredit tersebut telah banyak dilakukan, termasuk dengan metode prediksi dalam data mining. Salah satu metode yang sering digunakan dalam data mining adalah algoritma neural
KNiST, 30 Maret 2017
network. Radial Basis Function (RBF) sebagai algoritma data mining berbasis neural network dipilih mengingat algoritma ini umum digunakan dan menghasilkan prediksi yang tepat (Yilmaz, Isik, Nazn Yalcin Erik, & Oguz Kaynar, 2010). RBF merupakan algoritma yang juga sangat dikenal. RBF juga merupakan algoritma yang banyak diusulkan secara independen oleh banyak peneliti (Venkatesan, P. & S. Anitha, 2006). Untuk menerapkan algoritma RBF ini digunakan perangkat lunak SPSS Neural Network 17.0. Perangkat lunak ini digunakan mengingat SPSS Statistics 17.0 merupakan perangkat lunak yang memiliki sistem yang komprehensif untuk analisa data. Selain itu, perangkat lunak SPSS Neural network ini banyak digunakan karena kemampuan, fleksibilitas dan kemudahan dalam penggunaanya. Hasil dari penerapan menggunakan algoritma RBF ini kemudian akan dianalisa tingkat akurasinya menggunakan Confusion matrix dan Kurva ROC (Receiver Operating Characteristic) untuk mengetahui tingkat akurasi yang dihasilkan, sehingga tujuan penerapan algoritma RBF untuk prediksi kelayakan kredit ini tercapai. 2. Metode Penelitian Perancangan Penelitian yang dilakukan adalah dalam bentuk desain riset dan pengumpulan data. 1. Desain Riset Jenis penelitian yang dilakukan dalam penelitian ini adalah jenis penelitian eksperimen. Metode ini menguji kebenaran sebuah hipotesis dengan statistik dan menghubungkannya dengan masalah penelitian. Jenis penelitian eksperimen dibagi dua, yaitu eksprimen absolut dan eksperimen komparatif. Eksperimen absolut mengarah kepada dampak yang dihasilkan dari eksperimen, sedangkan eksperimen komparatif yaitu membandingkan dua objek yang berbeda, misalnya membandingkan dua algoritma yang berbeda dengan melihat hasil statistik masing-masing mana yang lebih baik (C.R.Kothari, 2004). Pada penelitian ini, jenis penelitian yang diambil adalah eksperimen absolut. 2. Pengumpulan Data Terdapat dua tipe dalam pengumpulan data, yaitu pengumpulan data primer dan pengumpulan data sekunder. Data primer adalah data yang dikumpulkan pertama kali dan untuk melihat apa yang sesungguhnya
608
ISBN: 978-602-61242-0-3 terjadi. Data sekunder adalah data yang sebelumnya pernah dibuat oleh seseorang baik di terbitkan atau tidak. Dalam pengumpulan data primer, penulis menggunakan metode observasi dan interview, dengan menggunakan data-data yang berhubungan pengajuan kredit dan bertanya secara langsung kepada pihak yang terlibat secara langsung di dalam
sistem. Sedangkan dalam pengumpulan data sekunder menggunakan buku, jurnal, publikasi dan lain-lain (C.R.Kothari, 2004). Dalam penelitian ini penulis menggunakan data sekunder. Terdapat beberapa tahap yang dilakukan dalam melakukan eksperimen ini, seperti terlihat pada gambar berikut :
Gambar 1. Kerangka Dasar Penelitian 3. Pembahasan 3.1. Pengumpulan Data Data kredit diambil dari hasil penelitian yang pernah dilakukan pada koperasi SUDIN Jakarta Selatan pada tahun 2003 hingga 2004, dimana dari 239 debitur, 29 diantaranya bermasalah dalam pembayaran (macet dalam pembayaran kreditnya). Ada beberapa atribut yang digunakan di dalam data debitur yaitu no anggota, jumlah tanggungan (anak), level golongan, level pinjaman (besar pinjaman yang diberikan kepada debitur), jangka waktu (lama pinjaman dalam tahun), dan class (label yang diberikan kepada debitur, label baik untuk yang pembayarannya lancar, dan bermasalah jika kreditnya macet). Nilai dari semua atribut yang ada di tabel, merupakan nilai kategorikal dan bukan nilai angka, yaitu : 1) Jumlah Tanggungan yang mempunyai nilai “sedikit” merupakan kategori jika debitur mempunyai jumlah anak 1 sampai 2, “sedang” jika debitur mempunyai jumlah anak 3 sampai 5 dan “banyak” jika debitur mempunyai jumlah anak di atas 5. 2) Level Pinjaman yang mempunyai nilai “kecil” jika jumlah pinjaman yang
KNiST, 30 Maret 2017
diajukan Rp 1.000.000 sampai Rp 5.000.000,-, “sedang” jika jumlah pinjaman yang diajukan Rp 5.000.001 sampai Rp 10.000.000,- dan “besar” jika jumlah pinjaman yang diajukan Rp 10.000.001 sampai Rp 15.000.000,3) Jangka waktu mempunyai nilai “1” jika lama pengembalian pinjaman 1 tahun, “2” jika lama pengembalian pinjaman 2 tahun dan “3” jika lama pengembaian pinjaman 3 tahun.
Gambar 2. Data Kredit 3.2. Pengolahan Data Tahapan pengolahan data adalah: a. Pembentukan Sumber Data Random
609
ISBN: 978-602-61242-0-3 Ditentukan inisiasi pembangkit aktif (active generator initialization), yaitu nilai awal (starting point) berupa nilai tetap (fixed value) : 9191972.
variate Bernoulli ini digunakan variabel Partition dengan rumus 2*rv.bernoulli(0.7)1. Tabel 1. Hasil Pemilahan Data N Percent Sample
Training
161
67.40%
Testing
78
32.60%
239
100.00%
Valid Excluded
0
Total
Gambar 3. Random Data b. Pembentukan Variabel Pemilah Sesuai dengan analisa regresi logis (logistic regression analysis), sekitar 70 % data ditentukan sebagai sample training (training sample) dan 30 % sample holdout (holdout sample). Sebuah variabel pemilah (partition variable) dibutuhkan untuk menciptakan sampel yang digunakan untuk analisa tersebut.
239
3.3. Penerapan Algoritma RBF Penerapan algoritma ini, diawali dengan pemrosesan terhadap data training. Hasil dari pengolahan data training tersebut kemudian diuji dengan data testing, sehingga didapatkna hasil pengukuran menggunakan confusion matrix seperti terlihat pada tabel : Tabel 2. Hasiul dengan Metode Confusion Matrix Predicted Sample
Trainin g
Testing
Observed Baik
Bermasalah
Percent Correct
Baik
147
0
100.00%
Bermasalah
14
0
0.00%
Overall Percent
100.00%
0.00%
91.30%
Baik
67
0
100.00%
Bermasalah
11
0
0.00%
Overall Percent
100.00%
0.00%
85.90%
Dependent Variable: class
Gambar 4. Data pemilah Pemilahan ini akan menghasilkan data secara random berdasarkan variate Bernoulli dengan kemungkinan parameter (probability parameter) 0,7. Dengan modifikasi ini akan mendapatkan nilai +1 atau -1, bukan +1 atau 0. Nilai positif digunakan untuk kasus training sample dan nilai negatif digunakan untuk kasus holdout sample, kasus nilai 0 digunakan untuk testing sample (untuk saat ini testing sample belum dispesifikasikan). Pada
KNiST, 30 Maret 2017
Pada tabel di atas juga terlihat bahwa hasil dari pengolahan data training untuk pembentukan model dihasilkan nilai akurasi 931,3%. Namun setelah model yang terbentuk tersebut diuji menggunakan data testing nilai validasinya turun menjadi 85,9% atau nilai akurasinya 0,859. Sedangkan dengan menggunakan kurva ROC didapatkan hasil seperti terlihat pada gambar berikut :
610
ISBN: 978-602-61242-0-3
Gambar 5. Kurva ROC 3.4. Analisa Hasil Pada penelitian ini, untuk mengetahui akurasi dalam memprediksi kelayakan pemberian kredit, digunakan metode Confusion Matrix dan Kurva ROC. Hasil akurasi tersebut terlihat pada tabel berikut : Tabel 3 : Analisa Hasil Metode
Algoritma RBF
Confusion Matrix
0,859
Kurva ROC (AUC)
0,627
Tabel hasil akurasi di atas perlu dinilai berdasarkan klasifikasinya. Pada data mining, nilai AUC dapat dibagi menjadi beberapa kelompok (Gorunescu, 2011), yaitu: a. 0.90-1.00 = klasifikasi sangat baik (excelent classification) b. 0.80-0.90 = klasifikasi baik (good classification) c. 0.70-0.80 = klasifikasi cukup (fair clasifcation) d. 0.60-0.70 = klasifikasi buruk (poor classification) e. 0.50-0.60 = klasifikasi salah (failure) Berdasarkan pengelompokkan di atas maka dapat disimpulkan bahwa RBF termasuk klasifikasi buruk (poor classification) karena memiliki nilai AUC antara 0.60-0.70. 4. Simpulan Koperasi merupakan suatu badan usaha yang dibangun atas dasar kekeluargaan. Salah satu bentuk koperasi adalah koperasi simpan pinjam, dimana setiap anggota yang memiliki simpanan berhak untuk
KNiST, 30 Maret 2017
memperoleh pinjaman. Pada prakteknya seringkali terjadi kertidaktepatan dalam melakukan analisa kredit atas pinjaman yang diajukan oleh anggotanya. Metode data mining neural network dapat digunakan sebagai alat untuk menganalisa pengajuan kredit tersebut. Lewat algoritma Radial Basis Function diharapkan prediksi terhadap pengajuan kredit tersebut, apakah baik atau bermaslah diperoleh hasil yang tepat. Dalam penelitian ini dengan menggunakan SPSS Neural Network 17.0 data pengajuan kredit diolah dapat dapat diketahui tingkat akurasi prediksi pengajuan kredit tersebut. Hasilnya, lewat metode confusion matrix dihasilkan nilai akurasi sebesar 0,859 sedangkan dengan kurva ROC (Receiver Operating Characteristic) dihasilkan nilai akurasi 0,627. Nilai tersebut masuk dalam kategori buruk (poor classification). Rendahnya nilai kurva ROC disebabkan dua hal; Pertama, terlalu sedikitnya jumlah atribut yang digunakan, yaitu hanya lima atribut. Disamping itu terlalu sedikitnya jumlah data yang digunakan sebagai pembentuk model (data training) dan data penguji modelnya (data testing), yaitu 239 data juga menjadi penyebab rendahnya nilai Kirva ROC tersebut. Oleh karenanya, peneliti menyarankan pada penelitian selanjutnya diharapkan jumlah atribut dan jumlah data yang digunakan ditambah, sehingga prediksi akan menghasilkan tingkat akurasi yang lebih tinggi. Referensi C.R.Kothari. (2004). Research Methology Methods and Techniques. India: New Age International Limited. Gorunescu, F. (2011). Data Mining Concepts, Models and Techniques. Berlin Heidelberg: Springer Verlag. Han, J., & Kamber, M. (2006). Data Mining Concept and Tehniques. San Fransisco: Morgan Kauffman. Kotsiantis, S., Kanellopoulos, D., Karioti, V., & Tampakas, V. (2009). An ontologybased portal for credit risk analysis. 2009 2nd IEEE International Conference on Computer Science and Information Technology, (hal. 165169). Beijing.
611
ISBN: 978-602-61242-0-3 Lai, K. K., Yu, L., Zhou, L., & Wang, S. (2006). Credit Risk Evaluation with Least Square Support Vector Machine. Springer-Verlag , 490-495. Odeh, O. O., Featherstone, A. M., & Das, S. (2010). Predicting Credit Default: Comparative Results from an Artificial Neural Network, Logistic Regression and Adaptive Neuro-Fuzzy Inference System. EuroJournals Publishing, Inc. 2010 , 7-17. Rivai, Veithzal.,&Veithzal, Andria Permata. (2006). Credit Management Handbook. Jakarta: Raja GrafindoPersada.
KNiST, 30 Maret 2017
Venkatesan, P. & S. Anitha. 2006. Application of a Radial Basis Function Neural Network for Diagnosis of Diabetes Mellitus, Chennai, India: Current Science, Vol. 91, No. 9. Yilmaz, Isik, Nazn Yalcin Erik, & Oguz Kaynar, 2010, Academic Journals: Different types of learnig algoriths of artificial neural network (ANN) models for prediction of gross calorific value (GCV) of coals, ISSN 1992-2248(c)2010 Academic Journals
612
