JARINGAN SARAF FUZZY UNTUK MENGEVALUASI KELAYAKAN PEMINJAMAN KREDIT Natalia Shovgun Abstrak: Masalah penilaian kelayakan kredit peminjam selau adalah dalam hal pertimbangan. Solusinya adalah dengan menggunakan aplikasi fuzzy neural network, dan yang disarankan adalah fuzzy TSK dan Fuzzy Mamdani. Penelitian experimental dari aplikasi ini didalam tugas kami terbawa dan terkomparasi dengan metode klasik yang sudah pernah dilakukan. Modifikasi dari algortima fuzzy neural network adaption and learning juga disarankan. Keyword: jaringan saraf fuzzy, kredit, logika fuzzy ACM klasifikasi kata kunci : h4, aplikasi sistem informasi, H.4.2 Tipe sistem penunjang keputusan
Pendahuluan Tugas utama dari bank komersial adalah aktivitas kredit. Penyediaan pinjaman menjadi laba terbesar, hampir setengah dari keseluruhan laba, walupun sangat beresiko. Resiko pinjaman selalu dihubungkan dengan kemungkinan kelakuan buruk si peminjam dan itu adalah salah satu resiko yang paling signifikan dari bank komersial. Pinjaman konsumen untuk perorangan adalah produk bank yang dasar. Pihak bank akan mentafsir kelayakan dari potensial peminjam sebelum memberikan pinjaman. Metode ini meminimalisir kerugian bank. Pemilihan peminjam dengan hati-hati dan penafsiran kelayakan pemberian kredit yang efektif adalah jalan utama dari penafsiran dan mengurangi resiko kredit. Informasi dari membuat keputusan tentang pinjaman mungkin tidak akurat, tidak lengkap dan informasi tentang si peminjam mungkin akan seperti itu sehinggal akan sulit untuk diformalkan. Analisa metode yang ada dari analisis kredit menunjukan kemungkinan penggunaan metode berbasis logika fuzzy. Metode ini bisa bekerja dengan kedua karakter kuantiti dan kualitas dan pengambilan keputusan berbasis pada aturan-aturan yang sudah dipahami. Untuk contohnya, teknik penilaian kelayakan individu menggunakan metode paired comparasion dan sistem logika dengan tipe logika mamdani kesimpulan sudah di bahas di (kuznetsov,2007). Tapi kesimpulan dari fuzzy ini adalah mereka tidak bisa belajar otomatis (dengan sendiri). Parameter dan tipe dari funsi member, yang menjelaskan faktor dari kelayakan kredit, diberikan oleh seorang ahli (kreditor) dan mungkin itu saja tidak cukup. Jaringan Saraf Fuzzy mengkombinasikan keuntungan penggunaan kesimpulan fuzzy dan jaringan saraf – kemampuan untuk beradaptasi dan belajar sendiri (belajar ototmatis) dan kemampuan untuk menafsirkan hasil dari proses. Untuk menganalisa kelayakan pemberian kredit menggunakan jaringan saraf fuzzy mamdani (zaychenko,2008) dan jaringan saraf fuzzy dengan hasil Sugeno. Pekerjaan ini sungguh-sungguh tentang pembelajaran tentang jaringan saraf fuzzy dalam masalah penilaian kelayakan dari peminjam. Perbandingan hasil penilaian menggunakan jaringan saraf fuzzy TSK menggunakan meotode klasik sperti model logika sudah dilakukan dan populer di beberapa tahun adalah jaringan bayes. Juga menyediakan metode untuk menyeting dasar aturan yang akan menjadi dasar membuat keputusan saat melakukan peminjaman.
Metode untuk penilaian kelayakan peminjam dan fitur-fiturnya Berdasarkan dari kuisoner peminjam, bank harus memutuskan apakah akan memberikan kredit. Dimana disetiap
formulir bisa digunakan sebagai vektro X 1 , X 2 ,..., X i ,..., X M , where Хі – jalan lain untuk mengformlkan data peminjam dan paramater pinjaman. Vektor ini adalah input dari network. Keputusan dari pemberian pinjaman ke peminjam adalah output dari network. pada umunya, untuk mengatasi masalah ini menggunakan linier or logistic regression (Duffie, 2003). Menggunakan linier regression kita akan mempunyai fungsi untuk menentukan kredit rating dengan aproksimasi dari fungsi linier yang menggunakan argument sebagai karakteristik vektor dari si peminjam, i.e:
p a0 a1 x1 a2 x2 aN xN , where a0 – the free term; ai , i = 1,…, N – nilai dari karakteristik si pemjam ;
xi - karakteristik si peminjam
Semua metode regresi sensitive untuk di korelasikan antar karakteristik, jadil di model ini jangan di korelasikan ssecara juat dengan variabel independen. Tambahan, regresi koefesien tidak memberikan informasi yang cukup tentang tentang mekasnisme dari pengaruh karakteristik si peminjam ke resiko. Jaringan Bayes digunakan dalam situasi yang agak tidak menentu. Jaringan bayes adalah triple N=< v,g,j> where V adalah satu set sebuah variable, G adalah graphik acylic terarah yang sesuai ke proses model variabel acak, J adalah gabungan probabilitas disitribusi dari variabel V = {x1,x2..Xn}. Jaringan Bayes mungkin akan menyajikan menggunakan diskrit dan variable yang berkelanjutan disebut Hybird Bayesian Networks. Detail dari jaringan bayes dapat dicari di (Dawid, 2007). Dalam Jaringan Saraf Fuzzy, hasil diperoleh dengan menggunakan logika fuzzy, tapi korepondensi fungsi member disesuaikan dengan learning algoritma Jaringan saraf fuzzy. Dengan deminikian, the network menggunakan priori informasi untuk mencari pengetahuan bari dan itu secara logika jelas untuk pengguna. Kami mempertimbangkan 2 perbedaan jaringan saraf fuzzy, fuzzy menggunakan mamdani – tipe aturan fuzzy yang enggunakan berdasarkan aturan. Ri: if х1 is Аi1 and x2 is Ai2 and … and xn is Ain then yi is Сi, dimana х i and yi adalah sebuah input dan output variable dari jaringan, Аi and Сi adalah input dan output dari fuzzy set. FNN with Sugeno-type fuzzy rules (FNN TSK) use next base of rules: N
Rk : if x1 is А1( k ) ; x2 is А2( k ) ; ….; xn is АN( k ) , then y i p i 0 p ij x j , j 1
where A ( k ) is fuzzy sets of variable x , i=1,2…N (data of borrower) for rule R with membership function i
i
k
А( к ) ( xi ) 1 (
1 х c ( k )
i
i (k )
. (k )
)2 bi
Untuk pelatihan jaringan mengunakan algoritma back-propaganda. Untuk mencari parameter dari fungsi member digunakan gradien atau metode genetic. Dalama metode gradient, untuk mengkonfigurasi parameter fungsi member dapat menggunakan meotde resilient prpagation (riedmile, 1992) untuk mengurangi proses pembelajaran. Setiap algortima pertimbangan mempunyai kelemahan masing-masing. Dengan demikina algoritma gradient sangat tergantung pada kondisi awal, dan genetic yang sering berdekatan untuk optima lokal. Tujuan penulis adalah untuk menggunakan algoritma hybird pada setiap permulaan.
approksimasasi (nilai awal dari fungsi member) ditemukan menggunakan algoritma genetic, dan setelah itu dipertimbakan sebagai nilai awal dari algortima gradient. Meningkatkan aturan adalah alogirtma yang paling efisien bersama algoritma mengadapatasi Fuzy Neural Network. Tujuan algoritma ada di [kruglov 2002], berbasis penilaian ketepatan aproksimasi. Dalam algoritma ini, kami menambahkan beberapa autran, jika pengetahuan yang ada berbasis memberi berlebihan sebuah eror ke poin terkahir. Dalam [juang, 1999] diusulkan sebuah adaptasi berbasis firing streng pada aturas-aturannya, algortima ini lebih cepat dibanding algoritma yang berbasis ketepatan aproksmasi. Dalam algoritma ini sebuah aturan baru diberikan jika kondisinya :
I arg max1k r F k ( x) Fin , where F k ( x(t)) wk is firing strength of rule k for input vector t, аnd Fin is a pre-specified threshold that decays during the learning process. In new rule the parameters of membership functions are set as follows: j
. j
j
j j
j
bj (I) j itulah, kami menambahkan sebuah aturan, jika tidak ada satupun aturan terdeskripsi dengan cukup bagus pada input vecotr. Untuk lebih efisiennya diusulkan menjadi : if f o min( f1 , f 2 ,..., f m ) R , where f k c ( k ) x i , k 1, m is jarak antara titik tengah setiap funsi member untuk setiap autran dan current point, R const lalu aturan baru sudah digenerasi. Dengan demikian akan menaikan kontrol dari jumlah aturan. Demikian struktur optimasi jaringan dibangun dan pelatihan jangka pendek.
Hasil Ekperimen sampel data dari salah satu bank ukraina, yang terdiri dari 1000 sampel data yang digunakan untuk analisa kredit menggunakan meotde usulan. Kemungkinan penggunaan Fuzy Neuarl Network dapat dilihat di gambar 1. seperti yang dapat diliha di gamabar, persentasi dari klasifikasi yang salah berkurang dengan peningkatan pelatihan. Kesalahan lebih sedikit saat menggunakan FNN. Untuk mencegah re-training FNN TSK dapat di edit kompleksitas nya dari struktur jaringan menggunakan adaptasi parametrer algoritma dalam sesuai menggunakan ukuran pelatihan. Membangun algortima mungkin akan menjadi penelitian yang bertahap (berkelanjutan). set data yang terdiri dari nilai : umur peminjam, kelamin, status perkawinan, jumlah tanggunan, penghgasilan, pengalaman kerja, kernyataan, tanggungan bulanan dan reply. Setelah analisa korelasi menggunakan program Netica telah dibuat bayesian network. gambar 2. Hasil tebaik adalah yang menggunakan FNN TSK sejak persenttasi dari klasifikasi yang benar tidak tergantung pada tipe fungsi member kami dapat mengatakan dari sebuah konstruksi otomatus berbasis aturan dalam penunjang keputusan pemberian kredit sudah berhasil. Untuk contoh. jika kami melatih the rule base hanya menggunakan 2 aturan: aturan 1 : jika umur rendah, kelamin wanitam tidak kawin, jumlah tanggunan tinggi, penghasilan rendah, pengalaman kerja tinggi, waktu dirumah tinggi, tanggunan bulanan rendah, jawabannya adalah Tidak. aturan 2 : jika umur tinggi, kelamin laki2, menikah, tanggugan sedikit, bayaran tinggi, penglaaman rendah, waktu di rumah rendah, tanggunan perbulan tinggi, jawabannya adalah YA.
kami mempunyai interpretasi yang jelas dari proses pengambil keputusan, institusi perkreditan memberikan kesempatan untuk mengevaluasi dan penyesuaian kredit untuk menawarkan ke peminjam sebuah alternatif parameter pinjaman.
Kesimpulan Mempertimbangkan dari artikel ini, praktek aplikasi FNN untuk masalah penilain kelayakan peminjam. Hasilnya dibandingkan dengan metode klasik seperti logit model dan bayesian network. persentasi terbaik dari klasifikasi yang benat menunjukan FNN TSK dengan gabungan (combinasi dari meotde gradient dan meotde genetic) learning algoritma. sebuah algoritma adapatsi untuk FNN baru sudah di usulkan, jadi kita dapat membangun sistem dengan berbasis rule aturan secara otomatis. Sebagai jawabannya, ada konstruksi strukltur jaringan yg optimal dalam yang sesuai dalam pelatiahn set.
Bibliography [Dawid, 2007] Philip Dawid, Steffen L. Lauritzen, David J. Spiegelhalter Probabilistic Networks and Expert Systems: Exact Computational Methods for Bayesian Networks; Springer Science, 2007, 325 p. [Duffie, 2003] Darrell Duffie, Kenneth J. Singleton Credit Risk: Pricing, Measurement, and Management, Princeton University Press, 2003, 396 p. [HÁJEK,2008] Petr HÁJEK, Vladimír OLEJ MUNICIPAL CREDITWORTHINESS MODELLING BY NEURAL NETWORKS // Acta Electrotechnica et Informatica Vol. 8, No. 4, 2008, pp. 10 - 15 [Juang, 1999] CF Juang and CT Lin A recurrent self-organizing neural fuzzy inference network// IEEE transaction of neural networks, Volume 10, Number 4, pp. 828–845, July 1999 [Kruglov, 2002] Kruglov VV, Borisov VV, Artificial Neural Networks; Theory and Practice 2nd ed., Stereotype M: Hotline Telecom, 2002. 382 p. [Kuznetsov, 2007] Kuznetsov L., Evaluation of credit history of individuals on the basis of fuzzy models // Managing large systems, 2007, № 21, pp. 84-106 [Riedmille, 1992] Riedmiller M., Brawn H. RPROP - a fast adaptive learning algorithms, Technacal Report // Karlsruhe: University Karlsruhe, 1992. [Zaychenko Yu, 2008] Zaychenko Yu.Р., Сredit risk estimation on the base of fuzzy logic // System Research and Information Technologies, 2010, № 2, pp. 37–54
Author’s Information Shovgun Natalia, PhD student, The National Technical University of Ukraine “Kyiv Polytechnic Institute”, Kyiv, email:
[email protected] Major Fields of Scientific Research: Neural network and fuzzy set
Resume 1. Judul : JARINGAN SARAF FUZZY UNTUK MENGEVALUASI KELAYAKAN KREDIT PEMINJAM 2. latar belakang : Tugas utama dari bank komersial adalah aktivitas kredit. Penyediaan pinjaman menjadi laba terbesar, hampir setengah dari keseluruhan laba, walupun sangat beresiko. Resiko pinjaman selalu dihubungkan dengan kemungkinan kelakuan buruk si peminjam dan itu adalah salah satu resiko yang paling signifikan dari bank komersial. Pihak bank akan mentafsir kelayakan dari potensial peminjam sebelum memberikan pinjaman. Metode ini meminimalisir kerugian bank. Pemilihan peminjam dengan hati-hati dan penafsiran kelayakan pemberian kredit yang efektif adalah jalan utama dari penafsiran dan mengurangi resiko kredit. 3. tujuan : Analisa metode yang ada dari analisis kredit menunjukan kemungkinan penggunaan metode berbasis logika fuzzy. 4. metode : Dimana disetiap formulir bisa digunakan sebagai vektro X 1 , X 2 ,..., X i ,..., X M , where Хі – jalan lain untuk mengformlkan data peminjam dan paramater pinjaman.
5. hasil
Hasil tebaik adalah yang menggunakan FNN TSK sejak persenttasi dari klasifikasi yang benar tidak tergantung pada tipe fungsi member kami dapat mengatakan dari sebuah konstruksi otomatus berbasis aturan dalam penunjang keputusan pemberian kredit sudah berhasil. Untuk contoh. jika kami melatih the rule base hanya menggunakan 2 aturan: aturan 1 : jika umur rendah, kelamin wanitam tidak kawin, jumlah tanggunan tinggi, penghasilan rendah, pengalaman kerja tinggi, waktu dirumah tinggi, tanggunan bulanan rendah, jawabannya adalah Tidak. aturan 2 : jika umur tinggi, kelamin laki2, menikah, tanggugan sedikit, bayaran tinggi, penglaaman rendah, waktu di rumah rendah, tanggunan perbulan tinggi, jawabannya adalah YA.
kami mempunyai interpretasi yang jelas dari proses pengambil keputusan, institusi perkreditan memberikan kesempatan untuk mengevaluasi dan penyesuaian kredit untuk menawarkan ke peminjam sebuah alternatif parameter pinjaman. 6. kesimpulan : sebuah algoritma adapatsi untuk FNN baru sudah di usulkan, jadi kita dapat membangun sistem dengan berbasis rule aturan secara otomatis. Sebagai jawabannya, ada konstruksi strukltur jaringan yg optimal dalam yang sesuai dalam pelatiahn set.
