FUZZY NEURAL NETWORK (EFUNN)
SKRIPSI
M.RIYANO ENDIPUTRA 101402039
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
M.RIYANO ENDIPUTRA 101402039
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : PREDIKSI NILAI KREDIT PEMILIKAN RUMAH MENGGUNAKAN EVOLVING FUZZY NEURAL NETWORK (EFUNN).
Kategori : SKRIPSI
Nama : M.RIYANO ENDIPUTRA
Nomor Induk Mahasiswa : 101402039
Program Studi : S1 TEKNOLOGI INFORMASI
Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI UNIVERSITAS SUMATERA UTARA Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Dr.Erna Budhiarti Nababan, M.IT. Dr.Syahril Efendi, S.Si,M.IT.
NIP. --- NIP. 196711101996021001
Diketahui/disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
PERNYATAAN
PREDIKSI NILAI KREDIT PEMILIKAN RUMAH MENGGUNAKAN EVOLVING FUZZY NEURAL NETWORK (EFUNN)
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan,
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan ke hadirat Allah SWT atas rahmat dan karunia yang diberikan sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar sarjana Teknologi Informasi pada program studi S1 Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis ucapkan kepada Ibu Erna Budhiarti dan Bapak Syahril Efendi selaku dosen pembimbing yang telah meluangkan banyak waktu untuk memberikan motivasi, masukan dan saran kepada penulis. Ucapan terima kasih juga ditujukan untuk Ibu Sarah Purnamawati dan Bapak Romi Fadillah Rahmat yang telah bersedia menjadi dosen pembanding. Ucapan terima kasih juga penulis ucapkan untuk seluruh dosen serta pegawai di Program Studi S1 Teknologi Informasi.
ABSTRAK
Kredit Pemilikan Rumah (KPR) merupakan kredit yang digunakan untuk membeli rumah atau untuk kebutuhan konsumtif lainnya dengan jaminan atau agunan berupa rumah. Dalam suatu proses transaksi KPR, bank harus membayarkan total nilai harga rumah tersebut dan nasabah akan membayar dengan mencicil ke bank dengan bunga tambahan dari bank. Dengan banyaknya permintaan nasabah untuk KPR, bank membutuhkan dana yang besar dalam pembiayaan dana nasabah KPR. Dalam pengalokasian dananya, bank memiliki banyak bidang bisnis untuk disalurkan dana, sehingga bank harus dapat mengalokasikan dana dengan tepat, oleh karena itu dibutuhkan suatu pendekatan dalam memprediksi besarnya nilai KPR dari nasabah bank. Salah satu teknik dalam prediksi yaitu prediksi time series yang merupakan jenis prediksi kuantitatif. Prediksi time series merupakan prediksi dengan menggunakan data historis atau masa lampau. Pada penelitian ini penulis menggunakan metode Evolving Fuzzy Neural Network (EFuNN) untuk melakukan prediksi berdasarkan data time series yang ada. EFuNN merupakan Fuzzy Neural Network (FuNN) yang strukturnya telah dikembangkan dan dimodifikasi menjadi struktur fluktuasi yang berkembang berdasarkan node pada prosesnya. Hasil prediksi diukur keakuratannya dengan menggunakan MAPE (Mean Absolute Percentage Error). Berdasarkan data KPR yang didapat yaitu dari Januari 2011 sampai Mei 2014, MAPE yang didapat dari prediksi menggunakan EFuNN sebesar 9.24%.
HOME MORTGAGE LOAN (KPR) VALUE PREDICTION USING
EVOLVING FUZZY NEURAL NETWORK (EFUNN)
ABSTRACT
Home Mortgage Loan (KPR) is a credit used for buying house or another consumptive needs with house as a warranty or collateral. In a KPR’s transaction, a bank need to pay for the total price of the house and the customer will pay with installments to bank with interest added. As bigger demands for KPR come from the customer, bank needs a big fund for financing customer’s KPR. On its allocation funds, a bank has many business areas for funding, so bank needs to appropriately allocate its funds. Therefore
an approach is required for predicting the KPR’s fund from customers. One of the
technique for predicting is times series which is a quantitative prediction type. Time series prediction is a prediction based on historical data or the past data. In this research, the author proposed a method called evolving fuzzy neural network (EFuNN) for predicting based on existing time series data. EFuNN is a fuzzy neural network (FuNN) which structure is developed and modified to a fluctuation structure based on the node on its process. The prediction results accuracy will be measured using MAPE (Mean Absolute Percentage Error). Based on the KPR’s obtained data from January 2011 to May 2014, MAPE obtained from this prediction using EFuNN is 9.24%.
DAFTAR ISI
Hal.
Persetujuan ii
Pernyataan iii
Ucapan Terima Kasih iv
Abstrak v
Abstract vi
Daftar Isi vii
Daftar Tabel ix
Daftar Gambar x
BAB 1 Pendahuluan 1
1.1. Latar Belakang 1
1.2. Rumusan Masalah 2
1.3. Batasan Masalah 2
1.4. Tujuan Penelitian 3
1.5. Manfaat Penelitian 3
1.6. Metodologi Penelitian 3
1.7. Sistematika Penulisan 4
BAB 2 Landasan Teori 6
2.1. Kredit pemilikan rumah 6
2.1.1. Penilaian Terhadap Harga Rumah Dalam Kredit Pemilikan
2.1.3. Teori-Teori Pendekatan Pada Penilaian 11
2.2. Teknik peramalan 14
2.3. Fuzzy logic 18
2.3.1 Himpunan fuzzy 19
2.3.2 Fungsi keanggotaan 20
2.3.3 Operator dasar untuk operasi himpunan fuzzy 24
2.3.4 Fuzzy inference system 25
2.4. Evolving fuzzy neural network 26
2.4.1 Arsitektur evolving fuzzy neural network 27 2.4.2 Parameter pada evolving fuzzy neural network 29 2.4.3 Algoritma evolving fuzzy neural network 30
2.5. Penelitian terdahulu 32
BAB 3 Analisis dan Perancangan 34
3.1. Arsitektur umum 34
3.2 Data yang digunakan 36
3.3 Analisis sistem 38
BAB 4 Implementasi dan Pengujian 44
4.1. Pengujian sistem 44
4.1.1. Pengujian kinerja sistem 44
4.2. Pengujian data 51
BAB 5 Kesimpulan dan Saran 52
5.1. Kesimpulan 52
5.2. Saran 53
DAFTAR TABEL
Hal.
Tabel 2.1. Prime Lending 7
Tabel 2.2. Pendekatan Penilaian 12
Tabel 3.1. Rangkuman Data Kredit Pemilikan Rumah 36
Tabel 4.1 Data Kredit Pemilikan Rumah 44
Tabel 4.2 Normalisasi Data Kredit Pemilikan Rumah 46
Tabel 4.3. Nilai Fuzzy Input dan Output 47
Tabel 4.4. Hasil Prediksi 48
DAFTAR GAMBAR
Hal.
Gambar 2.1. Pola Data Horizontal 16
Gambar 2.2. Pola Data Siklis 17
Gambar 2.3. Pola Data Musiman 17
Gambar 2.4. Pola Data Trend 18
Gambar 2.5. Representasi Linear Naik 20
Gambar 2.6. Representasi Linear Turun 21
Gambar 2.7. Representasi Kurva Segitiga 22
Gambar 2.8. Representasi Kurva Trapesium 23
Gambar 2.9. Fuzzy Inference System 25
Gambar 2.10. Arsitektur Evolving Fuzzy Neural Network 27 Gambar 2.11. Arsitektur EFuNN dengan Short-term memory 28 Gambar 3.1. Langkah Penyelesaian EFuNN Pada Sistem 35 Gambar 3.2. Pola Musiman Nilai Dokumen Kredit Pemilikan Rumah 37 Gambar 3.3. Pola Musiman Nilai Fisik Kredit Pemilikan Rumah 37 Gambar 3.4. Algoritma Evolving Fuzzy Neural Network Pada Sistem 38
Gambar 3.5. Himpunan Fuzzy Untuk Data KPR 40
Gambar 4.2. Tampilan Input Data Prediksi Pada Sistem 46 Gambar 4.3. Hasil Prediksi 10 Data Input Pada Sistem 49 Gambar 4.4. Grafik Perbandingan Hasil Prediksi dan Target 50
Gambar 4.5. Error Hasil Prediksi 50
