314 OPTIMASI ALGORITMA SUPPORT VECTOR MACHINE BERBASIS PARTICLE
SWARM OPTIMIZATION UNTUK PENILAIAN AGUNAN PROPERTY PENGAJUAN KREDIT
Auliya Rahman
Fakultas Teknik Informatika, Universitas Islam Kalimantan Email:auliya.rahman87@gmail.com
ABSTRAK
Masih terdapat kemungkinan kesalahan penilaian agunan sebagai acuan nilai kredit, yang akan membuka peluang terjadinya NPL. Jadi diperlukan suatu cara penilaian (prediksi nilai) yang cukup proporsional, kredibel dan akurat. Prediksi yangtidak akurat menyebabkan perencanaan manajemen kredit yang tidak tepat. Prediksi nilai agunan telah menarik minat banyak peneliti karena nilai pentingnya baik di teoritis dan empiris.Algoritma decision tree yaitu C5.0, CART, CHAID, dan SVM yang dapat digunakan untuk status resiko kredit.
Keempat algoritma tersebut menghasilkan model tree yang berbeda untuk set data yang sama.
Model yang berbeda dapat memberikan keakuratan yang berbeda pula. Karena itu penelitian ini bertujuan menerapkan algoritma decision tree SVM berbasis PSO untuk penilaian agunan pengajuan kredit.Hasil pengolahan akan Evaluasi menggunakan precision and recall dan kemudian dibandingkan dan dianalisa hasilnya antara penilai yang menggunakan metode analisis lain (Naive Bayes, K-NN) dengan hasil prediksi dengan metode klasifikasi algoritma SVM berbasis PSO. Dari sini akan terlihat tingkat akurasi dari penerapan SVM berbasis PSO.Dalam penelitian ini dibuatkan model algoritma support vector machines dan model algoritma suppor vector machines berbasis Particle Swarm Optimization untuk mendapatkan rule dalam memprediksi penilaian agunan pengajuan kredit dan memberikan nilai akurasi yang lebih akurat.
Kata kunci: Algoritma klasifikasi, Vector Machine, Particle ,, penilaian kredit.
ABSTRACT
There is still the possibility of errors in judgment as a reference value of collateral loan, which will open opportunities for NPL. So we need a way of assessment (predictive value) fairly proportional, credible and accurate. Inaccurate predictions cause credit management plan that is not appropriate. Prediction value of collateral has attracted the interest of many researchers because of its importance both in theoretical and empirical. Namely C5.0 decision tree algorithm, CART, CHAID, and SVM that can be used for credit risk status. The fourth algorithm produces different tree models for the same data set. Different models can give different accuracy. Therefore, this study aimed to apply SVM decision tree algorithm based on PSO for appraisal of credit application. Evaluation results will be processing using precision and recall, and then compared and analyzed the results between appraisers using other analysis methods (Naive Bayes, K-NN) with the results predicted by the SVM classification method based PSO algorithm. From here will look the accuracy of the application of SVM based on PSO. In this study created a model algorithm support vector machines and suppor vector machines algorithm model based Particle Swarm Optimization to get the rule in predicting the loan application appraisal and provide a more accurate value of accuracy.
Keywords: classification algorithm, , Vector Machine, Particle ,
315 PENDAHULUAN
Kredit bermasalah di perbankan dapat disebabkan oleh berbagai hal, apakah itu kesengajaan pihak yang terlibat dalam proses kredit atau kesalahan prosedur atau mungkin faktor makro ekonomi yang secara tidak langsung merugikan pihak perbankan. Oleh karena itu pihak perbankan harus lebih berhati-hati dalam pemberian kredit untuk mengurangi resiko kredit.
Untuk dapat mencari permasalahan kredit macet yang pertama dilihat tentu saja adalah prosedur atau proses kredit tersebut dilaksanakan dengan benar atau ada penyimpangan. Apabila prosedur telah dijalankan dengan benar maka perlu dikaji apakah ada kesengajaan pihak-pihak yang terlibat dalam memberikan rekomendasi, opini dan informasi yang tidak sebenarnya.Mungkin perlu dikaji adanya faktor makro ekonomi yang menyebabkan penyimpangan terhadap proyeksi atau rencana yang telah ditetapkan.
Dalam menjalankan kegiatannya,kredit macet bagi lembaga-lembaga keuangan seperti lembaga keuangan syariah dan menjadi ancaman paling signifikan[1], hal ini dikarenakan untuk menganalisa data kreditur yang bermasalah dengan menggunakan metode lama merupakan hal yang cukup rumit[2], sehingga menyebabkan kurang akuratnya proses analisis kelayakan pemberian kredit oleh analis kredit
Pada umumnya pihak perbankan atau penilai (jasa pihak ketiga) menggunakan instrumen analisis yang dikenal dengan the five of credit atau the 5 C,
a. character (kepribdian) yaitu penilaian atas karakter atau watak dari calon debitornya.
b. capacity (kemampuan) yaitu prediksi tentang kemampuan bisnis dan kinerja bisnis debitor untuk melunasi hutangnya.
c. capital(modal) yaitu penilaian kemampuan keuangan debitor yang mempunyai korelasi langsung dengan tingkat kemampuan bayar kreditor.
d. condition of economy (kondisi ekonomi) yaitu analisis terhadap kondisi perekonomian debitor secara mikro maupun makro.
e. collateral(agunan) yaitu harta kekayaan debitor sebagai jaminan bagi pelunasan hutangnya jika kredit dalam keadaan macet.
Kesalahan prosedur biasanya terjadi apabila terdapat suatu hubungan khusus atau hubungan istimewa antara pihak calon debitur dengan pihak bank. Dengan adanya hubungan khusus tersebut cenderung akan ditempuh suatu prosedur yang memudahkan sehingga menyimpang dari ketentuan. Penyimpangan prosedur tersebut dapat terjadi misalnya terhadap
316 kelengkapan dokumen atau percepatan waktu pemrosesan atau salah satu tahap proses tidak dilalui. Penyimpangan prosedur tersebut mengindikasikan adanya kolusi atau bahkan tindak korupsi antara calon debitur dengan oknum perbankan.
Kesengajaan pihak-pihak yang terlibat dalam proses kredit yang mungkin terjadi baik dari pihak calon debitur, pihak kreditur maupun konsultan independen antara lain :
Pemberian informasi dan dokumen yang tidak sebenarnya oleh calon debitur baik dokumen administrasi, legal maupun laporan keuangan.
Rekayasa terhadap feasibility yang dilakukan oleh pihak konsultan akibat pengaruh calon debitur atau oknum kreditur.
Rekayasa terhadap penilaian yang dilakukan oleh penilai independen pengaruh dari calon debitur atau oknum kreditur.
Rekayasa terhadap analisa kelayakan kredit dan analisa keuangan yang dilakukan oleh oknum divisi risk management akibat pengaruh dari calon debitur atau oknum kreditur.
Rekayasa terhadap laporan pengawasan yang dilakukan oleh konsultan pengawas akibat pengaruh dari calon debitur atau oknum kreditur.
Apabila prosedur telah berjalan dengan benar dan tidak terdapat rekayasa seperti di atas maka kemungkinan kredit bermasalah/NPL (non-performing loan) terjadi akibat faktor luar atau faktor makro ekonomi yang mungkin di luar kemampuan pihak debitur maupun pihak kreditur. Sehingga kemungkinan terjadi NPL yang terdapat kecenderungan adanya tindak kolusi dan korupsi adalah akibat penyimpangan prosedur dan rekayasa dari pihak pihak yang terlibat dalam proses kredit.
Dengan demikian, meskipun telah menggunakan jasa pihak ketiga, masih terdapat kemungkinan kesalahan penilaian agunan properti sebagai acuan nilai kredit, yang akan membuka peluang terjadinya NPL. Jadi diperlukan suatu cara penilaian (prediksi nilai) yang cukup proporsional, kredibel dan akurat untuk mengurangi resiko kredit bermasalah.
Josef Zurada dan K. Niki Kunene[3]menegaskan bahwa penting bagi institusi keuangan untuk secara akurat mengevaluasi risiko kredit yang ditimbulkan tiap kali memutuskan sebuah pemberian pinjaman merupakan sesuatu yang tidak dapat diabaikan.
Dengan demikian, kebutuhan model penilaian yang akurat sangat penting dalam ekonomi yang mengandalkan pada ketersediaan kredit untuk kegiatan ekonomi sehari-hari. Penelitian tentang model penilaian kredit terus berkembang dan mengeksplorasi berbagai metode termasuk survival analysis, linear discriminant analysis (LDA), logistic regression (LR) , k-
317 nearest neighbor (kNN), classification trees (CT), neural networks (NN), radial basis function neural networks (RBFNN), Support Vector Machines (SVM), decision trees (DT), ensemble techniques, dan genetic programming.
Mostafa Mahmoud and Ahmed Ali Najla Algadi[4]mengembangkan sistem pakar untuk Mengevaluasi dan Penunjang Keputusan Kredit di sektor Perbankan (ESESCDB) menggunakan bobot kredit rating untuk setiap faktor yang mempengaruhi keputusan kredit.
Sistem pakar ini digunakan untuk menyelesaiakan masalah kompleks dan tidak terstruktur jika dibandingkan dengan pendekatan statistik yang lebih tradisional. Sistem pakar yang dikembangkan dapat digunakan untuk mengambil keputusan disaat data yang lengkap tidak tersedia.
Evaluasi risiko kredit telah menjadi bidang yang semakin penting dalam manajemen risiko keuangan akibat krisis keuangan baru-baru ini. Dengan demikian model evaluasi risiko kredit menjadi lebih dan lebih penting bagi lembaga keuangan, terutama untuk lembaga pemberian kredit, untuk membuat keputusan pemberian kredit yang benar.
Salah satu cara untuk melakukan evaluasi kredit adalah dengan menerapkan teknik komputasi cerdas. Salah satunya dengan menggunakan algoritmaSupport Vector Machine(SVM).SVMdapat menyelesaikan masalah decision tree khususnya jika sampel data yang ada kecil, tetapi SVM memiliki kelemahan pada sulitnya pemilihan fitur yang sesuai dan optimal pada bobot atribut yang digunakan sehingga menyebabkan tingkat akurasi prediksi menjadi rendah. Untuk meningkatkan akurasiprediksi yang rendah pada SVM diperlukan suatu teknik optimasi salah satunya Particle Swarm Optimization (PSO) karena dalam teknik PSO terdapat beberapa cara untuk melakukan pengoptimasian diantaranya:
meningkatkan bobot atribut (attribute weight) terhadap semua atribut atau variabel yang dipakai, menseleksi atribut (attribute selection), dan feature selection.
SVM merupakan kasus khusus dari regularized metode klasifikasi linier dan metode yang kuat untuk minimalisasi resiko. Kelebihan SVM dapat meminimalkan kesalahan melalui memaksimalkan margin dengan memisahkan antara hyper-lane dan satu set data bahkan dengan jumlah sample yang kecil.
Namun demikian masalah aplikasi tertentu, tidak semua fitur ini sama-sama penting dan kinerja yang lebih baik dapat dicapai dengan membuang beberapa fitur dengan begitu fitur dalam SVM memiliki pengaruh penting dalam akurasi klasifikasi[6]. Dataset yang tidak penting, fitur yang banyak atau sangat berhubungan secara signifikan akan mengurangi tingkat akurasi klasifikasi dengan menghapus fitur ini, dengan begitu tingkat akurasi efisiensi dan klasifikasi dapat diperoleh.
318 PSO sangat menarik untuk pemilihan fitur dimana kawanan partikel akan menemukan kombinasi fitur terbaik pada saat pencarian ruang masalah dan PSO dapat menemukan solusi yang optimal dengan cepat [7]. PSO banyak digunakan untuk memecahkan masalah optimasi, serta sebagai masalah seleksi fitur [8].
Tujuan dari penelitian ini yaituMengukur kinerja klasifikasi SVM untuk penilaian agunan properti untuk pemberian kredit.
METODE PENELITIAN
Metode penelitian yang dilakukan adalah metode penelitian eksperimen, dengan tahapan penelitian seperti berikut:
1. Pengumpulan data
Pada tahap ini ditentukan data yang akan diproses. Mencari data yang tersedia, memperoleh data tambahan yang dibutuhkan, mengintegrasikan semua data kedalam data set, termasuk variabel yang diperlukan dalam proses.
2. Pengolahan Awal Data (Data Pre-processing)
Ditahap ini dilakukan penyeleksian data, data dibersihkan dan ditransformasikan kebentuk yang diinginkan sehingga dapat dilakukan persiapan dalam pembuatan model.
3. Model/Metode Yang Diusulkan (Proposed Model/Method)
Pada tahap ini data dianalisis, dikelompokan variabel mana yang berhubungan dengan satu sama lainnya. Setelah data dianalisis lalu diterapkan model-model yang sesuai dengan jenis data. Pembagian data kedalam data latihan (training data) dan data uji (testing data) juga diperlukan untuk pembuatan model.
4. Eksperimen dan Pengujian Metode (Method Test and Experiment)
Pada tahap ini model yang diusulkan akan diuji untuk melihat hasil berupa rule yang akan dimanfaatkan dalam pengambilan keputusan.
5. Evaluasi dan Validasi Hasil (Result Evaluation and Validation)
Pada tahap ini dilakukan evaluasi terhadap model yang ditetapkan untuk mengetahui tingkat keakurasian model.
Teknik pengumpulan data ialah teknik atau cara-cara yang dapat digunakan untuk menggunakan data. Dalam pengumpulan data terdapat sumber data, sumber data yang terhimpun langsung oleh peneliti disebut denga sumber primer, sedangkan apabila melalui tangan kedua disebut sumber sekunder. Data yang diperoleh adalah data sekunder karena diperoleh dari salah satu lembaga pemberian kredit kota banjarmasin. Masalah yang harus dipecahkan di sini adalah prediksi layak atau tidaknya pengajuan agunan kredit. Dengan
319 Tidak
Data Pengajuan Kredit Algoritma SVM dengan PSO
Hasil
Proses pencairan
Selesai
atribut dari agunan pengajuan kredit adalah lokasi, sertifikat, lantai, luas tanah, harga tanah, luas bangunan, harga bangunan, penggunaan bangunan, kondisi bangunan, keadaan lingkungan dan prediksi sebagai label yang terdiri atas ya dan tidakData yang dibutuhkan dalam penelitian ini.
Data yang didapat dari instansi terkait masih berupa data yang terdiri dari berbagai paremeter sehingga harus diolah terlebih dahulu, kemudian dilakukan penyeleksian data, data dimodifikasi sesuai kebutuhan dan ditransformasikan kebentuk yang diinginkan sehingga dapat dilakukan persiapan dalam pembuatan model.
1. Data validation, untuk mengidentifikasikan dan menghapus data yang ganjil (outlier/noise), data yang tidak konsisten, dan data yang tidak lengkap (missing value).
2. Data integration and transformationi, untuk meningkatkan akurasi dan efisiensi algoritma, data ditransformasikan kedalam software Rapidminer.
Pada tahap modeling ini dilakukan pemprosesan data traning sehingga akan membahas metode algoritma yang diuji dengan memasukan data pengajuan kredit kemudian di analisa dan dikomparasi. Berikut ini bentuk gambaran metode algoritma yang akan diuji.
Tahap modeling untuk
mengambilkeputusanditerima atau ditolaknya suatu pengajuan kredit dengan menggunakan Ya
320 dua metode yaitu algoritma support vector machine dan algoritma particle swarm optimization.
1. Support vector machine yaitu suatu metode sebuah metode seleksi fitur, dan mengambil salah satu yang memiliki akurasi klasifikasi terbaik.
2. Particle Swarm Optimization (PSO) yaitu metode optimasi yang melakukan pencarian menggunakan populasi (swarm) dari individu (partikel) yang diperbaharui dari iterasi untuk iterasi dengan menyeleksi atribut yang ada.
Pada penelitian kali ini yang digunakan adalah penelitian Experiment. Penelitian eksperimen melibatkan penyelidikan hubungan kausal menggunakan tes dikendalikan oleh si peneliti itu sendiri.
Pertama kali pengujian dilakukan dengan data yang belum diolah/dimodifikasi.
Ketika diimplementasi dengan rapidminer menghasil data. Hasil pengolahan akan di Evaluasi menggunakan precision and recall dan kemudian dibandingkan dan dianalisa hasilnya antara penilai yang menggunakan metode analisis lain (Naive Bayes, K-NN, CART) dengan hasil prediksi dengan metode klasifikasi SVM.
1. Random Tree
2. k-NN
3. Naive Bayes
321 4. CART
Tabel Validasi Hasil Akurasi Metode lain
k-NN Random Naive Bayes CART
Accuracy 63,67 60,00 61,67 71,00
Precision 58,82 57,14 55,50 70,59
Recall 45,83 12,15 52,50 65,00
AUC 0,585 0,579 0,575 0,650
322 PEMBAHASAN
Hasil pengumpulan data yang didapat ternyata tidak ditemukan missing value sehingga data yang diproses masih menggunakan atribut-atribut yang ada.
Hasil Ekperimen dan Pengujian model/metode.
Metode Support Vector Machine berbasis PSO, nilai akurasi dalam penelitian ini ditentukan dengan cara melakukan uji coba dengan rapidminer dengan menggunakan berbagai macam jenis tipe karnel, salah satunya menggunakan karnel radial dan berikut inia adalah hasil dari percobaan yang telah dilakukan dengan menggunakan karnel radial, Sebagai berikut :
Metode Accuracy
SVM ( Pso ) 82,46 %
CART 71,00 %
K-NN 63,67 %
RANDOM 60,00 %
NAIVE BAYES 61,67 %
Evaluasi dan Validasi Hasil
Hasil dari pengujian model yang dilakukan adalah memprediksi kelayakan kredit dengan support vector machine berbasis particle swarm optimazation untuk menentukan nilai akurasi. Dalam menentukan nilai tingkat keakurasian dalam model algoritma support vector machine berbasis particle swarm optimazation menggunakan rapidminer dengan desain model sebagai berikut :
323 Dari hasil pengujian diatas, baik evaluasi, bahwa hasil pengujian algoritma SVM berbasis PSO memiliki nilai akurasi yang lebih tinggi dibandingkan dengan algoritma yang lain, nilai akurasi model algoritma SVM berbasis PSO sebesar 82,46 % dan nilai akurasi untuk model algoritma CART sebesar 71,00 % dengan selisih akurasi 11,46 %.
Data hasil perbandingan tersebut disimpulkan metode SVM berbasis PSO memprediksi lebih akurat daripada metode-metode lainya dalam penilaian agunan kredit.Dengan demikian, adanya penerapan metode SVM berbasis PSO mampu memberikan solusi bagi kreditur, petugas penilaian dan dapat membantu pihak terkait yang dalam hal ini adalah appraisal kredit dan perbankan dalam membuat penilaian agunan pengajuan kredit dengan hasil yang lebih baik.
KESIMPULAN
Dalam penelitian ini dilakukan pengujian model dengan menggunakan Support Vector Machines berbasis Particle Swarm Optimization dengan menggunakan data aprisal pengajuan kredit. Model yang dihasilkan diuji untuk mendapatkan nilai accuracy, precision, recall dan AUC dari setiap algoritma . Maka dapat disimpulkan pengujian menggunakan
324 Support Vector Machines berbasis Particle Swarm Optimization lebih akurat dari pada metode-metode yang lain.
DAFTAR PUSTAKA
[1] L. Lin dan N. Huang, “Credit Risk Assessment Using BP Neural Network with Dempster- Shafer Theory,” International Conference on Artificial Intelligence and Computational Intelligence, pp. 397-401, November 2009.
[2] C. Zhu, Y. Zhan dan S. Jia, “Credit Risk Identification of Bank Client Basing on Supporting Vector Machines,” International Conference on Business Intelligence and Financial Engineering, pp. 62-66, August 2010.
[3] Jozef Zurada and K. Niki Kunene, "Comparisons of the Performance of Computational Intelligence Methods for Loan Granting Decisions," in Proceedings of the 44th Hawaii International Conference on System Sciences 2011, Hawaii, 2011, pp. 1-10.
[4] Mostafa Mahmoud and Ahmed Ali Najla Algadi, "Expert System for Banking Credit Decision," in International Conference on Computer Science and Information Technology 2008, 2008, pp. 813-819.
[5] Weiss, S. M., Indurkhya, N., & Zhang, T. (2010). Fundamentals Of Predictive Text Mining. London: Springer.
[6] Zhao, M., Fu, C., Ji, L., Tang, K., & Zhou, M. (2011). Feature Selection And Parameter Optimization For Support Vector Machines: A New Approach Based On Genetic Algorithm With Feature Chromosomes. School Of Computer Science And Technology , 5197–5204.
[7] Parimala, R., &Nallaswamy, R. (2012). Feature Selection using a Novel Particle Swarm Optimization and It’s Variants. I.J. Information Technology and Computer Science, , 16- 24.
