PREDIKSI PERMINTAAN KREDIT MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)
SKRIPSI SAMUEL ANTHONIUS MADUWU 091402118
PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014
Universitas Sumatera Utara
i
ABSTRAK
Pemberian kredit kepada nasabah memerlukan perhitungan yang baik, agar perusahaan bisa mendapatkan laba yang maksimal. Oleh karena itu, dibutuhkan sistem yang dapat memprediksi permintaan kredit sesuai permintaan pasar. Data yang digunakan adalah data realisasi kredit pada perusahaan PT. BPR NBP 20 Delitua. Metode Adaptive Neuro Fuzzy Inference System (ANFIS) merupakan gabungan dari Artificial Neural Network (ANN) dan Fuzzy Inference Systems (FIS) yang menggunakan algoritma pembelajaran terhadap sekumpulan data. Berdasarkan hasil pengujian dengan data training dari tanggal 04 Januari 2006 s.d. 18 Februari 2012 dan data testing tanggal 19 Februari 2012 s.d. 31 Desember 2013, diperoleh nilai MAPE (Mean Absolute Percentage Error) sebesar 17.405% dengan menggunakan parameter laju pembelajaran = 0.09, momentum = 0.1, dan max epoch = 600.
Kata kunci: adaptive neuro fuzzy inference system, artificial neural network, fuzzy inference system, prediksi, permintaan kredit, kredit.
Universitas Sumatera Utara
ii
CREDIT DEMAND PREDICTION USING ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
ABSTRACT
Giving a credit to customers needs a good consideration so that your company can earn the maximum profit. Therefore, we need a system that can predict credit demand according to the market demand. Data used is realization data from PT. BPR NBP 20 Delitua. Adaptive neuro fuzzy inference system (ANFIS) is combination from Artificial Neural Network (ANN) and Fuzzy Inference Systems (FIS) by using learning algorithm against sets of data. Based on testing with training data from 04 January 2006 to 18 February 2012 and testing data from 19 February 2012 to 31 December 2013, MAPE value obtained (Mean Absolute Percentage Error)
by
17.405% with using learning rate parameter = 0.09, momentum = 0.1, and max epoch = 600. Key word: adaptive neuro fuzzy inference system, artificial neural network, fuzzy inference system, prediction, credit demand, credit.
Universitas Sumatera Utara
iii
DAFTAR ISI
Hal. ABSTRAK ABSTRACT DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR BAB 1 PENDAHULUAN 1.1. Latar Belakang 1.2. Rumusan Masalah 1.3. Batasan Masalah 1.4. Tujuan Penelitian 1.5. Manfaat Penelitian 1.6. Metodologi Penelitian 1.7. Sistematika Penelitian
i ii iii v vi 1 1 2 2 3 3 3 4
BAB 2 LANDASAN TEORI 2.1. Peramalan 2.1.1. Tahapan peramalan 2.2. Syarat Pemberian Kredit 2.3. Normalisasi Data 2.4. Fuzzy Inference System 2.4.1. Fuzzyfikasi 2.4.2. Fuzzy clustering 2.4.3. Defuzzyfikasi 2.5. Jaringan Saraf Tiruan 2.6. Adaptive Neuro Fuzzy Inference System 2.7. Peramalan Menggunakan ANFIS 2.8. Penelitian Terdahulu
5 5 6 7 8 9 10 10 11 11 13 15 20
BAB 3 ANALISIS DAN PERANCANGAN SYSTEM 3.1. Identifikasi Masalah 3.2. Data yang Digunakan 3.3. Penerapan Metode ANFIS 3.4. Perancangan Sistem 3.4.1. Use Case Diagram 3.4.2. Use Case Spesification 3.4.3. Data Flow Diagram 3.4.3.1. DFD Level 0 3.4.3.2. DFD Level 1 3.4.3.3. DFD Level 2 3.4.4. Database System 3.5. Perancangan Antarmuka
22 22 23 24 29 29 31 34 34 35 36 37 38
Universitas Sumatera Utara
iv
BAB 4 IMPLEMENTASI DAN PENGUJIAN 4.1. Implementasi Sistem 4.1.1. Lingkungan implementasi 4.2. Implementasi Perancangan Antarmuka 4.2.1. Halaman awal (home) 4.2.2. Halaman data 4.2.3. Halaman prediksi 4.2.4. Halaman contact us 4.2.5. Halaman edit data (administrator) 4.2.6. Halaman parameter (administrator) 4.3. Pengujian Sistem 4.3.1. Rencana pengujian sistem 4.3.2. Kasus dan hasil pengujian sistem 4.3.3. Pengujian kinerja sistem 4.3.4. Pengujian data
41 41 41 42 42 43 43 44 44 45 45 45 46 48 51
BAB 5 KESIMPULAN DAN SARAN 5.1. Kesimpulan 5.2. Saran
55 55 55
DAFTAR PUSTAKA
56
Universitas Sumatera Utara
v
DAFTAR TABEL
Hal. Tabel 2.1 Penelitian Terdahulu Tabel 3.1 Rangkuman Data Permintaan Kredit Tabel 3.2 Use Case Spesification untuk Use Case Login Tabel 3.3 Use Case Spesification untuk Use Case Lihat Data Tabel 3.4 Use Case Spesification untuk Use Case Prediksi Tabel 3.5 Use Case Spesification untuk Use Case Pengaturan Parameter Tabel 3.6 Use Case Spesification untuk Use Case Edit data Tabel 3.7 Entitas DFD Tabel 4.1 Tabel Rencana Pengujian Sistem Tabel 4.2 Hasil Pengujian Komponen Login Tabel 4.3 Hasil Pengujian Komponen Data Tabel 4.4 Hasil Pengujian Komponen Prediksi Kredit Tabel 4.5 Hasil Pengujian Komponen Parameter Tabel 4.6 Hasil Pengujian Komponen Edit Data Kredit Tabel 4.7 Data Kredit Tabel 4.8 Nilai Normalisasi Data Kredit Tabel 4.9 Nilai Fuzzy Clustering Mean Tabel 4.10 Hasil Prediksi Data Tabel 4.11 Hasil Denormalisasi Prediksi Data Tabel 4.12 Parameter dan Hasil Pengujian Prediksi Permintaan Kredit
20 23 31 31 32 33 33 34 46 46 47 47 47 48 48 49 49 50 50 51
Universitas Sumatera Utara
vi
DAFTAR GAMBAR
Hal. Gambar 2.1 Struktur dasar Sistem Inferensi Fuzzy Gambar 2.2 Blog diagram langkah maju ANFIS Gambar 2.3 Blog diagram langkah mundur ANFIS Gambar 3.1 Grafik Permintaan Kredit Gambar 3.2 Flowchart data training Gambar 3.3 Flowchart data testing Gambar 3.4 General Architecture Gambar 3.5 Use Case Diagram Gambar 3.6 DFD Level 0/Diagram Konteks Gambar 3.7 DFD Level 1 Gambar 3.8 DFD Level 2 Login Gambar 3.9 DFD Level 2 Mengelola data permintaan kredit Gambar 3.10 DFD Level 2 Pengaturan Parameter Gambar 3.11 DFD Level 2 Melihat peramalan kredit Gambar 3.12 Database Peramalan Kredit Gambar 4.1 Halaman home Gambar 4.2 Halaman data Gambar 4.3 Halaman prediksi Gambar 4.4 Halaman contact us Gambar 4.5 Halaman edit data (administrator) Gambar 4.6 Halaman parameter (administrator) Gambar 4.7 Grafik Hasil Prediksi Gambar 4.8 Grafik Nilai error Gambar 4.9 Grafik Hasil Prediksi
10 14 14 24 25 27 29 30 34 35 36 36 37 37 38 42 43 43 44 44 45 51 53 54
Universitas Sumatera Utara