Seminar Nasional Teknologi 2007 (SNT 2007) Yogyakarta, 24 November 2007
ISSN : 1978 – 9777
Implementasi Adaptive Neuro Fuzzy Inference System Pada Prediksi Pembayaran Pinjaman Berdasar Analisis Rencana Pembiayaan Nasabah ( Studi Kasus : BMT XYZ ) Emha Taufiq Luthfi STMIK AMIKOM Yogyakarta e-mail :
[email protected]
ABSTRACT Loan payment prediction based on analysis of customer credit plan is very important for banks or other financial companies. Loan payment prediction is required to avoid loan payment problems. Many factors can strengthen or weaken the loan payment performance and customer credit rating. An application of an adaptive neuro fuzzy inference system has been developed to predict customer loan payment based on analysis of customer credit plan. This research utilizes credit data from Baitul Maal Wat Tamwil (BMT) XYZ and the developed creates a prediction of performance of customers credit plan using ANFIS method The experimental results show that the inference system can give a prediction for customer credit plan by producing its collectability value. Having 1477 tested data, the results show that the system achieves accuracy in 94,92214 %. Keywords : Credit Prediction, Adaptive Neuro Fuzzy Inference System, Collectibility
1.
PENDAHULUAN
Data keuangan yang terdapat dalam perbankan dan lembaga keuangan lain biasanya sangat lengkap dan memiliki kualitas tinggi. Keberadaan data tersebut sangat bermanfaat selain dalam operasional proses transaksi juga menjadi fasilitas melakukan berbagai model analisis data secara sistematis. Sebagai contoh, dalam merancang dan membangun data warehouse untuk analisis data multidimensi. Data dapat pula dimanfaatkan dalam melakukan klasifikasi atau pengklusteran terhadap nasabah untuk mengidentifikasi kelompok nasabah dan target pemasaran. Selain itu data dapat dimanfaatkan untuk melakukan prediksi pembayaran pinjaman dan analisis rencana pembiayaan nasabah. Prediksi pembayaran pinjaman dan analisis rencana pembiayaan nasabah sangat penting bagi bank dan lembaga keuangan lain. Banyak faktor dapat memperkuat atau memperlemah kemampuan pembayaran pinjaman dan rating pembiayaan nasabah. Data dapat dimanfaat untuk mengidentifikasi faktor penting yang perlu diperhatikan serta faktor yang dapat diabaikan dapat pemberian pinjaman atau pembiayaan. Misal, rasio nilai pinjaman, periode pinjaman, rasio pembayaran dan pendapatan, level pendapatan nasabah, level pendidikan nasabah, daerah tempat tinggal, sejarah pinjaman atau pembiayaan, dan lainnya. Penelitian ini mencoba memanfaatkan data pembiayaan yang ada di obyek penelitian serta menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk membentuk model prediksi pembayaran pinjaman berdasar analisis rencana pembiayaan oleh nasabah.
D ‐ 1
Seminar Nasional Teknologi 2007 (SNT 2007) Yogyakarta, 24 November 2007
ISSN : 1978 – 9777
2. PERANCANGAN 2.1. Deskripsi Sistem Sistem dibangun terdiri 2 bagian dengan fungsi dan pengguna yang berbeda. 1. Sistem Pemodelan ANFIS Berfungsi menghasilkan sistem inferensi samar menggunakan metode ANFIS model samar Sugeno orde 0 dengan memanfaatkan pasangan data masukan keluaran untuk melakukan pelatihan terhadap sistem inferensi samar. Data pelatihan merupakan data pembiayaan yang sudah terlaksana sebelumnya. Pengguna dari sistem pemodelan ANFIS ini adalah ahli sistem ANFIS. 2. Sistem Penilaian Rencana Pembiayaan Nasabah Sistem ini merupakan sistem yang diberikan kepada pengguna akhir yaitu petugas pembiayaan BMT XYZ. Sistem ini berfungsi menghasilkan nilai rencana pembiayaan yang diajukan oleh nasabah berdasarkan parameter masukan.
2.2. Pra Proses Tahap pra proses dilaksanakan untuk mendapatkan pemahaman terhadap proses bisnis dari pembiayaan yang dilaksanakan oleh obyek penelitian yaitu BMT XYZ. Sistem dan prosedur persetujuan pemberian pembiayaan tersebut terlihat pada gambar 1. PRA PERMOHONAN PEMBIAYAAN SYARAT DI LENGKAPI SYARAT PRA PERMOHONAN LENGKAP
Tidak
Ya ON THE SPOT / KUNJUNGAN TEMPAT TINGGAL TEMPAT USAHA TEMPAT AGUNAN INSTANSI TERKAIT DLL ANALISIS PEMBIAYAAN LAPORAN PENILAIAN PEMBIAYAAN LOAN COMMITEE WEWENANG KANTOR CABANG
Tidak
INFORMASI PUTUSAN PADA KANTOR CABANG
Ya Tidak
WEWENANG KANTOR PUSAT/DEWAN PENGAWAS
Disetujui Ya
PERIKATAN AGUNAN DAN PEMBIAYAAN DIREALISIR
STOP
SELESAI
Gambar 1 Sistem dan Prosedur Persetujuan Pemberian Pembiayaan
D ‐ 2
Seminar Nasional Teknologi 2007 (SNT 2007) Yogyakarta, 24 November 2007
ISSN : 1978 – 9777
2.3. Akuisisi Data Proses akuisisi data dilaksanakan untuk mendapatkan data untuk membangun jaringan ANFIS. Dipilih 4 atribut yang digunakan dalam memberikan rekomendasi atau keputusan persetujuan pembiayaan yang digunakan sebagai batasan untuk perancangan sistem, yaitu Nilai Pinjaman, Karakter, Dana Aman dan Prosentase Jaminan terhadap Pinjaman. 2.4. Perancangan Sistem 2.4.1. Sistem Pemodelan ANFIS 2.4.1.1. Pembagian Data Untuk Pembelajaran dan Checking Digunakan 1477 data nasabah pembiayaan yang dibagi menjadi 739 data pelatihan diambil dari baris data ganjil dan 738 baris data genap digunakan sebagai data checking dalam membentuk model ANFIS. 2.4.1.2. Penentuan Jumlah Fungsi Keanggotaan Didefinisikan 3 fungsi keanggotaan, yaitu : rendah, sedang dan tinggi untuk keseluruhan 4 batasan yang ada. Dicoba pula jumlah fungsi keanggotaan berbeda. 2.4.1.3. Penentuan Tipe Fungsi Keanggotaan Dicoba beberapa tipe fungsi keanggotaan yaitu fungsi keanggotaan segitiga, trapesium, gaussian, dan lonceng. 2.4.1.4. Penentuan Fungsi Kesalahan Fungsi kesalahan digunakan untuk mengukur tingkat kesalahan antara keluaran ANFIS dengan keluaran diharapkan. Digunakan RMSE (Root Mean Square Error) dengan persamaan yang mana dx merupakan keluaran diharapkan dan xk merupakan keluaran dari ANFIS dan n merupakan jumlah pasangan data. 2.4.1.5. Penentuan Metode Optimalisasi Digunakan metode hibrid yaitu penggabungan antara least square estimator dan back propagation. 2.4.1.6. Penentuan Jumlah Epochs dan Error Goal Jumlah maksimum iterasi diatur sebesar 1000 iterasi adalah 0. 2.4.1.7. Penentuan Sistem Inferensi Samar Awal Tipe Sistem inferensi awal dibuat dan digunakan memiliki tipe sugeno orde 0 dengan jumlah masukan dari data diberikan, jumlah aturan samar didapat dari kuadrat jumlah fungsi keanggotaan terhadap jumlah masukan dengan tipe sesuai parameter tipe fungsi keanggotaan diberikan. Proses defuzzifikasi digunakan metode bobot rata-rata (weighted average). Terdapat 1 keluaran konstan (tipe Sugeno orde 0). 2.4.1.8. Proses Pelatihan ANFIS Proses pelatihan ANFIS dilaksanakan dengan metode optimalisasi hybrid. Gambar 2 menujukan arsitektur jaringan ANFIS yang dilatih. Pada langkah maju parameter konsekuen pada layer 4 akan diperbaiki dengan metode least squares estimator, dan pada langkah mundur dengan back propagation parameter premis pada layer 1 akan diperbaiki.
D ‐ 3
Seminar Nasional Teknologi 2007 (SNT 2007) Yogyakarta, 24 November 2007
Layer 1
x
A1
ISSN : 1978 – 9777
Layer 4 Layer 2
Layer 3 x y z
A2
W1
W1 x y z
y
B1
W2
W1f1
W2
B2
W2f2 x y z
z
C1n
Wn
f
Wnfn
Wn
C2n
Gambar 2 Arsitektur Jaringan ANFIS 2.4.1.9. Evaluasi Sistem Inferensi Samar Akhir Dilaksanakan dengan memberikan kembali data pelatihan dan data checking terhadap sistem inferensi samar didapat dari pelatihan. 2.4.2. Sistem Penilaian Rencana Pembiayaan Nasabah Sistem penilaian rencana pembiayaan nasabah memanfaatkan sistem inferensi samar dari sistem pemodelan ANFIS. Parameter masukan yang harus diberikan pengguna adalah Jumlah Pinjaman, Jumlah Angsuran, Periode Angsuran, Pendapatan Per Periode, Karakter Nasabah, dan Nilai Jaminan. Keseluruhan parameter tersebut digunakan untuk membentuk 4 batasan yang digunakan sebagai masukan sistem inferensi samar yaitu : 1. Nilai Pinjaman : Didapat dari masukan dibagi nilai pinjaman tertinggi data pelatihan. 2. Karakter Nasabah : Didapat dari masukan karakter nasabah yang disimbolkan secara numerik yaitu 2 untuk baik, 1 untuk sedang dan 0 untuk kurang. 3. Dana Aman : Didapatkan dari pendapatan per periode – angsuran. Kemudian simbolkan secara numerik, yaitu 2 jika dana aman lebih dari nilai angsuran, 1 dana aman lebih dari atau sama dengan 0 tetapi kurang dari nilai angsuran dan 0 jika dana aman negatif 4. Nilai Persentase Jaminan : Didapat nilai jaminan * 100 %. Selanjutnya disimbolkan secara numerik yaitu 2 untuk nilai lebih dari atau sama dengan 75 %, 1 jika nilai lebih dari 0 % tetapi kurang dari 75 %, 0 jika tidak ada jaminan. 2.5. Evaluasi Dilaksanakan untuk memastikan bahwa model ANFIS dibangun telah mencapai tujuan. 2.6. Deployment Tahap deployment merupakan tahap akhir penelitian yaitu menyajikan model ANFIS dibangun kepada end user yaitu BMT XYZ.
3.
HASIL DAN PEMBAHASAN D ‐ 4
Seminar Nasional Teknologi 2007 (SNT 2007) Yogyakarta, 24 November 2007
ISSN : 1978 – 9777
3.1. Pengujian Sistem Pemodelan ANFIS Pengujian sistem pemodelan ANFIS dilaksanakan untuk mendapatkan sistem inferensi samar dengan kinerja terbaik ditandai dengan diperolehnya nilai RMSE terkecil dalam proses pelatihan. Pengujian dilaksanakan melalui pelatihan ANFIS dengan kombinasi beberapa parameter pelatihan yaitu Jumlah Fungsi Keanggotaan, Tipe Fungsi Keanggotaan, Jumlah Epochs, Error Goal. Tabel 4. Contoh Data Pembiayaan NASABAH
PINJAMA N
BAGI HASIL
JML ANG S 1
PENDAPATA N
KARAKTE R
JAMINA N
KOLEKTIBILIT AS
90000
SATUA N WAKTU B
NASABAH 1
163000
NASABAH 2
5000000
300000
BAIK
5000000
2
0
B
1
1000000
BAIK
25000000
0
NASABAH 3
20000000
NASABAH 4
325000 0 111250
B
5
2000000
BAIK
40000000
0
338250
B
7
70000
BAIK
4500000
2
NASABAH 5
207500
37400
B
1
300000
BAIK
5500000
2
NASABAH 7
163000
51000
B
4
40000
BAIK
5000000
0
NASABAH 8
200000
30000
B
3
80000
BAIK
0
1
NASABAH 9
554000
180600
B
7
75000
BAIK
6000000
0
NASABAH 10
700000
125000
B
3
275000
SEDANG
4500000
2
Tabel 5. Contoh Proses Pengolahan Data Pembiayaan TOTAL
ANGSURAN =
DANA AMAN =
TOTAL PINJAMAN
PENDAPATAN – ANGSURAN
KARAKTE R
JAMINAN
KOLEKTI BILITAS
47000
BAIK
5000000
2
-4000000
BAIK
25000000
0
NASABAH
PINJAMAN = PINJAMAN + BAGI HASIL
PENDAP ATAN
NASABAH 1
253000
300000
/ JML 253000
NASABAH 2
5000000
1000000
5000000
NASABAH 3
23250000
2000000
4650000
-2650000
BAIK
40000000
0
NASABAH 4
449500
70000
64300
5700
BAIK
4500000
2
NASABAH 5
244900
300000
244900
55100
BAIK
5500000
2
NASABAH 7
214000
40000
53500
-13500
BAIK
5000000
0
NASABAH 8
230000
80000
76700
3300
BAIK
0
1
NASABAH 9
734600
75000
105000
-30000
BAIK
6000000
0
NASABAH 10
825000
275000
275000
0
SEDANG
4500000
2
Tabel 6. Contoh Data Format PINJAMAN
LEVEL_KARAKTER
LEVEL_JAMINAN
KOLEKTIBILITAS
2
LEVEL_DANA AMAN 1
0.004085917 0.080749354
2
2
2
0
2
0
0.009828811
2
1
2
2
0.375484496
2
0
2
0
0.007259367
2
1
2
2
0.003955103
2
1
2
2
0.003456072
2
0
2
0
0.00371447
2
1
0
1
0.011863695
2
0
2
0
0.013323643
1
1
2
2
D ‐ 5
Seminar Nasional Teknologi 2007 (SNT 2007) Yogyakarta, 24 November 2007
ISSN : 1978 – 9777
3.1.1. Pengujian Pertama Sistem Pemodelan ANFIS Dilaksanakan untuk kombinasi nilai parameter Jumlah Fungsi Keanggotaan 3, Tipe Fungsi Keanggotaan gbellmf, Jumlah Epochs 1000 dan Error Goal 0.
Gambar 3 Antarmuka Pelatihan ANFIS Pengujian Pertama Tabel 7 Status Error Pelatihan ANFIS Pengujian Pertama Tipe MF
Jumlah MF
gbellmf
Data Keseluruhan
Data Training
Data Checking
RMSE
RMSE
RMSE
3
0.062366
0.0080102
0.087864
3.1.2. Hasil Beberapa Pengujian Sistem Pemodelan ANFIS Lain Dilaksanakan pula pengujian dengan tanpa menggunakan data checking. Status error pelatihan ANFIS keseluruhan pengujian dapat dilihat dalam tabel 8.
Tabel 8 Status Error Pelatihan ANFIS Pengujian Keseluruhan Pengujian Pelatihan Dengan Tanpa Data Checking
Pelatihan Dengan Data Checking Tipe
Jumlah
Fungsi Keanggotaan
Fungsi Keanggotaan
Data Keseluruhan
Data Training
Data
RMSE
RMSE
D ‐ 6
Data
Checking
Data Keseluruhan
RMSE
RMSE
RMSE
Training
Seminar Nasional Teknologi 2007 (SNT 2007) Yogyakarta, 24 November 2007
ISSN : 1978 – 9777
Gbellmf
3
0.062366
0.0080102
0.087864
0.062366
0.0080102
Gbellmf
2
0.060906
0.0080589
0.085785
0.060906
0.0080588
Trimf
3
0.058989
0.0064091
0.083205
0.058989
0.0064091
Trimf
2
0.42908
0.031792
0.60618
0.42908
0.031792
Trapmf
3
0.10812
0.021249
0.15147
0.10812
0.021249
Trapmf
2
0.086635
0.022899
0.1204
0.086635
0.022899
Gaussmf
3
0.064529
0.0082498
0.090915
0.064529
0.0082498
Gaussmf
2
0.069784
0.013494
0.097795
0.069784
0.013494
Dari tabel 8 dapat dilihat beberapa hal yaitu : 1. RMSE proses pelatihan dengan dan tanpa menggunakan data checking tidak terlihat perbedaan bahkan cenderung sama. 2. RMSE jumlah fungsi keanggotaan 2 dan 3 secara keseluruhan terlihat nilai error untuk penggunaan jumlah fungsi keanggotaan 3 lebih rendah. Hal tersebut lebih disebabkan oleh karakteristik data yang digunakan dalam proses pelatihan. 3. RMSE tipe fungsi keanggotaan trimf jumlah fungsi keanggotaan 3 memiliki nilai error terkecil yaitu 0.0064091. Penggunaan sistem inferensi samar akhir hasil pelatihan dengan kombinasi parameter ini seharusnya akan memberikan kinerja terbaik.
3.2. Pengujian Sistem Penilaian Rencana Pembiayaan Nasabah Pengujian sistem penilaian rencana pembiayaan nasabah dilakukan untuk beberapa sistem inferensi samar akhir hasil dari pemodelan ANFIS. Tabel 9 Data Pengujian Sistem Penilaian Rencana Pembiayaan Nasabah Data Ke
Jumlah Pinjaman
Jumlah Angsuran
Periode
Pendapatan Per Periode
Karakter
Dana Aman
Jaminan
Kolektibilitas
Data 1
800000
8
Bulan
77500
Kurang
-22500
6000000
Kurang (0)
Data 2
500000
100
Hari
12000
Kurang
7000
4500000
Kurang (0)
Data 3
300000
30
Hari
10000
Baik
0
0
Sedang (1)
Data 4
678500
2
Bulan
354750
Baik
15500
0
Sedang (1)
Data 5
2400000
16
Bulan
150000
Baik
150000
2000000
Baik(2)
Data 6
253000
1
Bulan
300000
Baik
47000
5000000
Baik (2)
Tabel 10 Data Pengujian Sistem Penilaian Rencana Pembiayaan Nasabah
D ‐ 7
Seminar Nasional Teknologi 2007 (SNT 2007) Yogyakarta, 24 November 2007 Sistem Inferensi Samar 1
2
3
4
Jumlah Fungsi Keanggotaan 3
3
3
3
Tipe Fungsi Keanggotaan
Gbellmf
trimf
trapmf
gaussmf
RMSE Training
0.0080102
0.0064091
0.021249
0.0082498
ISSN : 1978 – 9777
Data Ke
Kolektibilita s
Kolektibilita s
Target
Pengujian
Data 1
0
2.67111e-007
Data 2
0
4.39994e-006
Data 3
1
0.00930376
Data 4
1
-0.321901
Data 5
2
0.0097119
Data 6
2
1.99999
Data 1
0
0
Data 2
0
0
Data 3
1
1
Data 4
1
0
Data 5
2
1
Data 6
2
2
Data 1
0
0
Data 2
0
0
Data 3
1
1
Data 4
1
0
Data 5
2
1
Data 6
2
2
Data 1
0
-2.24589e008
Data 2
0
-8.18084e008
Data 3
1
-0.00243546
Data 4
1
0.0518089
Data 5
2
-0.122534
Data 6
2
2
Dari hasil pengujian pada tabel 10 dapat dilihat hal-hal sebagai berikut : 1. Nilai kolektibilitas atau prediksi pembiayaan nasabah hasil pengujian secara keseluruhan mendekati nilai kolektibilitas target. 2. Semakin tinggi nilai kolektibilitas atau prediksi pembiayaan nasabah maka kemungkinan tingkat kelancaran penyelesaian pembiayaan akan semakin tinggi. Contoh prediksi pembiayaan nasabah menggunakan sistem inferensi samar akhir dengan tipe fungsi keanggotaan trimf, dan jumlah fungsi keanggotaan 3, seperti terlihat dalam gambar 9.
D ‐ 8
Seminar Nasional Teknologi 2007 (SNT 2007) Yogyakarta, 24 November 2007
ISSN : 1978 – 9777
Gambar 9 Pengujian Penilaian Rencana Pembiayaan Nasabah Data 6
4.
KESIMPULAN
Dari hasil penelitian, perancangan dan implementasi yang telah dilaksanakan dapat disimpulkan : 1. Sistem Neuro-Fuzzy dapat digunakan untuk membangun sebuah sistem inferensi samar dengan memanfaatkan karakteristik pasangan data masukan-keluaran yang telah ada. 2. Karakteristik dari data yang digunakan untuk pelatihan sistem neuro-fuzzy akan mempengaruhi sistem inferensi samar akhir yang didapat yang pada akhirnya mempengaruhi akurasi prediksi. 3. Selain data pelatihan maka kombinasi parameter lain dalam pelatihan sistem ANFIS seperti jumlah fungsi keanggotaan, tipe fungsi keanggotaan akan mempengaruhi pula sistem inferensi samar akhir yang diperoleh yang juga berpengaruh terhadap akurasi prediksi. 4. RMSE (Root Mean Squared Error) tidak cukup menunjukan kinerja sistem inferensi samar, dibutuhkan indikator lain untuk menunjukan kinerja sistem. 5. Sistem Neuro-Fuzzy model ANFIS untuk prediksi pembayaran pinjaman dibangun cukup memberikan prediksi nilai kolektibilitas yang akurat.
DAFTAR PUSTAKA Abadi, I; Aisjah, A.S; Riftyanto N.S. 2006. ”Aplikasi Metode Neuro-Fuzzy Pada Sistem Pengendali Antisurge Kompresor”. Jurnal Teknik Elektro Vol. 6, No.2, September 2006. Jurusan Teknik Elektro, Fakultas Teknologi Industri Universitas Kristen Petra Basuki, A. 2007. Modul Pelatihan Analisis Kredit Tingkat Dasar. Yogyakarta. Pusat Training Perbankan Yogyakarta Irwan, 2005. Implementasi Jaringan Syaraf Tiruan Multi-Layer Perceptron Feed Forward Dengan Hidden Layer Tunggal pada Prakiraan Cuaca. Yogyakarta. Program Pasca Sarjana Program Studi Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Gadjah Mada Jang, JSR; Sun, CT dan Mizutani, E. 2004. Neuro-Fuzzy and Soft Computing. Singapore. Pearson Education D ‐ 9
Seminar Nasional Teknologi 2007 (SNT 2007) Yogyakarta, 24 November 2007
ISSN : 1978 – 9777
Keleman, A; Kozma, Robert dan Liang, Y. 2002. Neuro-Fuzzy Classification for Job Assignment Problem. http://cnd.memphis. edu/paper/ keleman02.pdf. Diakses tanggal 21 januari 2007 Kusumadewi, S. 2003. Artificial Intelligence : Teknik dan Aplikasinya. Yogyakarta. Graha Ilmu Kusumadewi, S dan Hartati, S. 2006. Neuro-Fuzzy : Integrasi Sistem Fuzzy dan Jaringan Syaraf. Yogyakarta. Graha Ilmu Mutaqien, I. 2004. BMT dan Permasalahan Pembiayaan. http://bmt-alikhlas.com/ index.php?satoewarna=index&winoto=base&action=listmenu&skins=1&id=299&tkt=2. Diakses tanggal 3 mei 2007 Yohanes, TDS; Thiang dan Suntono, C. 2002. ”Aplikasi Sistem Neuro-Fuzzy untuk Pengenalan Kata”. Jurnal Teknik Elektro Vol. 2, No. 2, September 2002. Jurusan Teknik Elektro, Fakultas Teknologi Industri Universitas Petra Klir, George J dan Yuan, S. 1995. Fuzzy Sets and Fuzzy Logic, Theory and Applications. New Jersey United State of Americe. Prentice Hall International Sumiyanto, A. 2004. Analisa Kelayakan Pembiayaan Pada BMT. http://bmtalikhlas.com/index.php?satoewarna=index&winoto=base&action=listmenu&skins=1&id=17 &tkt=2. Diakses 3 mei 2007 Rahayu, T.R. 2005. Sistem Peramalan Beban Listrik Menggunakan Jaringan Syaraf Tiruan. Yogyakarta. Program Pasca Sarjana Program Studi Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Gadjah Mada Redjeki, S. 2005. Prediksi Tingkat Inflasi Menggunakan Pendekatan Jaringan Syaraf Tiruan. Yogyakarta. Program Pasca Sarjana Program Studi Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Gadjah Mada Wang, L.X. 1997. A Course In Fuzzy Systems And Control. United States of America. Prentice Hall Inc
D ‐ 10
