Fakultas Ilmu Komputer
Implementasi Algoritma Genetika untuk Optimasi LVQ pada Penentuan
Kelayakan Kredit
(Studi Kasus: Bank X)
Aghata Agung Dwi1, Candra Dewi2, Indriati3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Dalam penentuan pemberian kredit debitur, jika terjadi kesalahan pada analisis debitur, maka akan menimbulkan masalah seperti kredit macet di kemudian hari. Sehingga, perlu seleksi lebih akurat dalam analisis debitur yang layak mendapat kredit. Analisis yang lebih teliti dan konsisten membutuhkan waktu yang lebih lama karena jumlah data analisis besar. Untuk memperoleh hasil analisis yang lebih teliti dan waktu analisis lebih efisien, dapat dilakukan dengan membuat sistem analisis kredit menggunakan metode Learning Vector Quantization (LVQ) untuk mengklasifikasikan data dan menentukan debitu yang layak memperoleh kredit. Untuk memperoleh hasil kredit yang akurat, penggunaan metode LVQ bergantung pada bobot. Analisis dengan metode LVQ menunjukkan nilai akurasi diperoleh sebesar 79.37% dengan menguji 63 data uji. Untuk memperoleh nilai akurasi yang optimal, bobot yang digunakan dalam metode LVQ dioptimasi terlebih dulu dengan algoritma genetika. Hasil pengujian bobot optimal, diperoleh nilai akurasi lebih tinggi sebesar 93.65% untuk pengujian dengan parameter popsize 20, Cr 0.9, Mr 0.1 dan jumlah generasi 10.
Kata kunci: kredit, optimasi, algoritma genetika, Learning Vector Quantization (LVQ).
Abstract
In determining debtor credit, if there is an error in the debtor's analysis, it will cause problems such as bad credit in the future. So, it needs more accurate selection in the analysis of debtors who deserve credit. A more rigorous and consistent analysis takes longer due to the large amount of analytical data. To obtain a more accurate analysis and more efficient analysis time, it can be done by making a credit analysis system using the Learning Vector Quantization (LVQ) method to classify data and determine debits that are eligible for credit. To obtain accurate credit results, the use of the LVQ method depends on the weight. Analysis with LVQ method shows the accuracy value obtained is 79.37% by testing 63 test data. To obtain optimal accuracy values, the weights used in the LVQ method are optimized first with genetic algorithms. Optimal weight test results obtained a higher accuracy value of 93.65% for testing with popsize 20 parameters, Cr 0.9, Mr 0.1 and number of generation 10.
Keywords: credit, optimized, genetic algorithm, Learning Vector Quantization (LVQ).
1. PENDAHULUAN
Kredit dapat diartikan sebagai kemampuan melaksanakan pembelian dengan menerima pinjaman yang didahului dengan perjanjian pembayaran berjangka (Astiko, 1996). Dalam arti yang lain keredit berarti percaya pada peminjaman: uang, barang atau jasa oleh pemberi pinjaman untuk peminjam berdasarkan kesepakatan pengembalian dalam jangka waktu tertentu. Dalam perbankan penentuan kelayakan kredit bergantung pada analisis data–data debitur. Perlu ketelitian
dalam analisis penentuan kredit. Namun, untuk melakukan analisis pada jumlah data yang besar akan memakan waktu lebih lama. Sehingga, perlu sistem analisis kredit debitur yang dapat membantu penentuan kredit, berdasarkan hasil analisis debitur dari sitem. Manfaat yang diperoleh adalah hasil analisis lebih akurat dan waktu yang lebih efisien. Seperti pada penelitian sebelumnya, yaitu penentuzn pemberian kredit dengan TOPSIS (Technique for Order Preference by Similiarity to Ideal Solution) dan SAW (Simple Additive Weighting) oleh Bonita (2016). Penelitian tersebut memperoleh akurasi
pengujian dengan cara mencocokkan data awal debitur dengan hasil perhitungan sistem. Selanjutnya, oleh Wibowo (2014), yaitu penentuan kredit motor dengan jaringan saraf tiruan (JST) Backpropagation.
Penelitian oleh Wuryandari dan Afrianto (2012), menyebutkan jenis JST dengan akurasi lebih tinggi dan waktu komputasi lebih cepat, yaitu Learning Vector Quantization (LVQ). Penelitian lain oleh Hendry dkk (2913), peningkatan performa LVQ dapat dilakukan dengan optimasi bobot, salah satu caranya dengan metode algoritma genetika, selanjutnya, penulis melakukan penelitian penentuan kelayakan kredit dengan menggunakan metode LVQ dan algoritma genetika dalam judul “ Implementasi Algoritma Genetika pada Optimasi LVQ untuk Penentuan Kelayakan Kredit (Studi Kasus: Bank X) ”.
2. LANDASAN KEPUSTAKAAN
2.1 Kelayakan Kredit
Kredit dapat diartikan sebagai kemampuan melaksanakan pembelian dengan menerima pinjaman yang didahului dengan perjanjian pembayaran berjangka (Astiko, 1996). Kriteria dalam pemilihan calon debitur yang layak oleh pihak bank tercantum dalam prinsip 5C (5C Principle):
1. Character: karakter calon debitur 2. Condition: kondisi ekonomi calon
debitur
3. Capital: modal calon debitur
4. Capacity: kapasitas pelunasan calon debitur
5. Collateral: jaminan kredit calon debitur
2.2 Algoritma Genetika
Algoritma genetika adalah bagian dari algoritma evolusi dengan yang memiliki kemampuan unggul dalam optimasi dengan hasil optimal untuk permasalahan yang memiliki kerumitan tinggi dan kompleks (Fitri dan Mahmudy, 2017). Menurut Mahmudy (2015), penyelesaian masalah menggunakan algoritma genetika mengikuti tahapan sebagai berikut:
2.2.1 Representasi Kromosom dan Pembangkitan Populasi Awal
Pembangkitan nilai gen dilakukan
random,
direpresentasikan
dalam
kromosom tiap individu dengan menentukan
jumlah
populasi
(popsize).
Teknik
pengkodean
yang
digunakan
dalam
pembangkitan populasi awal menggunakan
pengkodean real atau nilai gen yang
dibangkitkan merupakan bilangan real
dalam interval [-1, 1] (Sutojo, dkk., 2011).
2.2.2 Reproduksi
Reproduksi bertujuan menghasilkan individu-individu baru dan mempertahankan keragaman dari populasi awal. Tahapan reproduksi ada 2 jenis, yaitu crossover dan mutation. Dalam penelitian ini, penulis menggunakan metode two-cut-point crossover yaitu memilih dua titik potong untuk masing-masing kromosom secara random kemudian menukarkan nilai gen diantara titik potong terpilih dengan nilai gen pada titik potong induk kedua untuk menghasilkan offspring. Reproduksi two-cut-point ditunjukkan pada Gambar 1.
Untuk mutasi pada tahap reprodukasi menggunakan random mutation, menambah atau mengurangi nilai gen yang dipilih secara random dengan bilangan random yang paling kecil (Mahmudy, 2015). Rumus perhitungan yang digunakan, ditunjukkan pada persamaan (1).
x’i = x’i + r(maxi - minj) (1)
Penjelasan persamaan (1), x’i merupakan nilai gen terpilih random, kemudian maxi adalah
nilai tertinggi pada index gen, untuk minj
merupakan nilai terendah pada index gen terpilih, dan r adalah nilai masukan yang diacak pada rentang [-1, 1]. Gen P1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0’1 0.2 0.3 0.4 0.5 P2 0.2 0.3 0.4 0.5 0.5 0.7 0.1 0.2 0.3 0.4 0.5 0.6 2.2.3 Evaluasi
Evaluasi merupakan tahap menghitung nilai akurasi tiap kromosom. Nilai akurasi diperoleh dari hasil persentase tingkat akurasi yang dihasilkan sistem melalui metode LVQ dengan data pakar. Akurasi yang diperoleh dalam tahap ini nselanjtnyaya digunakan sebagai nilai fitness masing-masing kromosom. Rumus perhitungan akurasi ditunjukkan pada persamaan (2).
𝐹𝑖𝑡𝑛𝑒𝑠𝑠 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑠𝑒𝑠𝑢𝑎𝑖
𝑇𝑜𝑡𝑎𝑙 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑥 100 (2)
2.2.4 Seleksi
Seleksi merupakan tahap untuk memilih individu terbaik dari suatu generasi yang berisi parent dan child (hasil crossover dan random mutation) yang memiliki nilai fitness tinggi. Seleksi dalam penelitian ini menggunakan elitism selection, yaitu mengambil individu sejumlah populasi awal dengan fitness tertinggi. Hasil seleksi selanjutnya digunakan sebagai parent pada generasi selanjutnya.
2.3 Jaringan Saraf Tiruan
Jaringan saraf tiruan (JST) merupakan bagian dalam kecerdasan buatan, yaitu teknik yang dimodelkan berdasarkan sistem saraf manusia. JST dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal dan atau internal yang mengalir dalam jaringan tersebut. JST dapat disebut dengan sistem yang bersifat adaptif. 2.3.1 Learning Vector Quantization
Learning Vector Quantization (LVQ) merupakan metode klasifikasi bagian dari JST, yaitu memiliki unit output yang mempresentasikan masing2 kelas. Penggunaan LVQ bertujuan untuk mendekati distribusi kelas vektor sehingga meminimalkan kesalahan klasifikasi (Kurniawan, 2011). Alur metode LVQ ditunjukkan pada Gambar 2.
Tahapan dalam metode LVQ sebagai berikut:
1. Memasukkan bobot dari kromosom hasil algoritma genetika.
2. Menghitung jarak data untuk masing-masing kelas seperti pada persamaan (3). 𝐷(𝑗) = √∑ (𝑥𝑖− 𝑤𝑖𝑗) 2 𝑛 𝑖=1 (3)
3. Menentukan jarak terdekat data kelas pada seluruh data di D(j).
4. Menghitung akurasi seperti pada persamaan (4).
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑙𝑎𝑠 𝑦𝑎𝑛𝑔 𝑠𝑒𝑠𝑢𝑎𝑖
𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 (4)
3. PERANCANGAN
Tahapan optimasi bobot agar optimal menggunakan algoritma genetika yang selanjutnya akan diuji menggunakan LVQ ditunjukkan Gambar 3.
Tahapan yang dilakukan dalam optimasi adalah memasukkan popsize, nilai Cr dan Mr, dan jumlah generasi. Kemudian system melakukan pembangkitan populasi awal sesuai jumlah popsize yang dimasukkan. Tahap berkutnya yaitu reproduksi two-cut-point crossover, dan random mutation. Tahap selanjutnya, melakukan pengujian dengan menggunakan tiap individu yang diperoleh sebagai bobot pada
LVQ
untuk memperoleh akurasi yang kemudian digunakan sebagai fitness bobot.Gambar 3 Siklus algoritma genetika 4. PENGUJIAN DAN ANALISIS
4.1 Hasil Pengujian dan Analisis Variabel Popsize
Pengujian pertama yang dilakukan dengan variabel popsize dilakukan untuk memperoleh ukuran populasi terbaik dengan nilai fitness paling optimal. Ukuran populasi terbaik selanjutnya digunakan untuk parameter pengujian selanjutnya. Ukuran populasi yang digunakan sejumlah 10 mulai dari jumlah popsize sebesar 10 kemudian bertambah 2 hingga mencapi jumlah popsize 20, kemudian bertambah 20 hingga popsize mencapai 100. Masing-masing popsize melakukan diuji sejumlah 5 kali. Kemudian nilai fitness dari masing-masing percobaan dihitung untuk mencari rerata fitness masing-masing popsize. Dalam pengujian popsize, jumlah generasi yang digunakan adalah 2, kombinasi nilai Cr = 0,5 dan Mr = 0,5.
Hasil pengujian dengan variabel popsize pada Gambar 4 menunjukkan rata-rata akurasi semakin bertambah berdasar popsize. Tetapi akurasi tertinggi didapatkan saat popsize mencapai jumlah 20, yaitu akurasi sebesar 93,65%.
Gambar 4 Hasil pengujian variabel popsize
4.2 Hasil Pengujian dan Analisis Variabel Cr dan Mr
Selanjutnya dalam pengujian kedua yaitu penggunaan kombinasi nilai Cr dan Mr. Pengujian dilakukan untuk mencari kombinasi nilai yang sesuai untuk memperoleh fitness optimal. Dalam pengujian variabel Cr dan Mr, untuk popsize menggunakan sejumlah 20 populasi, dari popsize dengan akurasi stabil dari masing-masing pengujian popsize dan jumlah generasi sejumlah 2 generasi. Masing-masing kombinasi nilai Cr dan Mr diuji sejumlah 5 kali. Gambar 5 merupakan hasil pengujian kombinasi nilai Cr dan Mr.
Dalam pengujian menggunakan variabel Cr dan Mr rata-rata akurasi tertinggi diperoleh ketika nilai Cr = 0,9 dan Mr = 0,1 menunjukkan akurasi sebesar 93,65%. Hasil
pengujian juga menunjukkan sebagian besar pengujian mendapatkan nilai akurasi tidak optimal ketika nilai Mr bertambah dan nilai Cr berlurang.
4.3 Hasil Pengujian dan Analisis Variabel Generasi
Pengujian ketiga menggunakan variabel jumlah generasi yang dibentuk menggunakan algoritma genetika. Pengujian dengan variabel generasi untuk menentukan jumlah generasi yang dianggap optimal, selanjutnya digunakan untuk menentukan bobot optimal dalam LVQ. Jumlah generasi yang akan diuji yaitu memiliki rentang nilai antara [1; 20] generasi dimulai dari jumlah generasi 1 sampai 5, selanjutnya ditambah dengan kelipatan 5 sampai sejumlah 20, dari hasil popsize, Cr, dan Mr dalam penelitian sebelumnya.
Gambar 5 Hasil pengujian variabel Cr dan Mr
Hasil pengujian variabel generasi yang ditunjukkan Gambar 6, rata-rata akurasi tertinggi diperoleh ketika generasi mencapai jumlah 3 yaitu akurasi yang diperoleh sebesar 93,97%. Namun, dalam percobaan selanjutnya rata-rata akurasi mengalami penurunan. Sehingga pengujian dilakukan sampai rata-rata akurasi tidak berubah nilai. Selanjutnya, nilai generasi yang dianggap optimal diperoleh sejumlah 10.
4.4 Hasil Pengujian dan Analisis Akurasi Metode LVQ tanpa Optimasi
Hasil pengujian keempat yaitu pengujian dengan metode LVQ tanpa optimasi bobot ditunjukkan pada Tabel 1. Tabel menunjukkan penggunaan data uji sejumlah 63 data calon debitur. Selanjutnya data akan diuji dalam sistem dengam metode LVQ menggunakan bobot dari data calon debitur berdasarkan kelas. Dalam menghitung nilai fitness yang berasal dari akurasi sistem, diperoleh dengan cara membandingkan hasil target kelas yang diperoleh dari sistem dengan target kelas yang diperoleh berdasarkan keputusan pakar. Jika target kelas dari sistem dengan target kelas dari pakar selanjutnya memiliki kecocokan maka akan diberi nilai kecocokan sebesar 1 (true). Sedangkan jika target kelas dari sistem yang diperoleh dibandingkan dengan target kelas dari pakar tidak sesuai maka diberi nilai 0 (false). Diperoleh kecocokkan 79,37%.
Tabel 1 Hasil pengujian metode LVQ tanpa optimasi
Data Debitu r ke–1 Target (Pakar ) Target (Sistem ) Kecocoka n 1 1 1 1 2 2 1 0 3 2 1 0 4 1 1 1 5 1 1 1 ... 61 1 1 1 62 1 1 1 63 1 1 1 Cocok 50 Akurasi 79,37%
4.5 Hasil Pengujian dan Analisis Optimasi Bobot Optimal pada LVQ dengan Algoritma Genetika
Pengujian kelima merupakan pengujian metode LVQ dengan terlebih dulu melakukan optimasi bobot menggunakan algoritma genetika dan parameter yang diperoleh dalam pengujian sebelumnya. Pengujian dilakukan untuk melihat apakah dengan melakukan optimasi bobot dapat memberikan bobot optimal yang tepat ketika metode LVQ dijalankan. Karens dengan memperoleh bobot optimal yang tepat pada tahap optimasi dapat meningkatkan hasil akurasi system dengan metode LVQ. Hasil pengujian dengan optimasi bobot awal menggunakan algoritma genetika ditunjukkan pada Tabel 2. Berdasarkan nilai
yang diperoleh pada kolom kecocokkan, menunjukkan bahwa kecocokkan antara sistem dan pakar sebesar 93.65%.
Tabel 2 Hasil pengujian metode LVQ dengan optimasi
Data Debitur ke–1 Target (Pakar) Target (Sistem) Kecocokan 1 1 1 1 2 2 1 0 3 2 1 0 4 1 1 1 5 1 1 1 ... 61 1 1 1 62 1 1 1 63 1 1 1 Cocok 59 Akurasi 93,65% 5. PENUTUP 5.1 Kesimpulan
1. Penentuan kelayakan kredit dapat dipermudah dengan menggunakan sistem analisis menggunakan algoritma genetika dan metode Learning Vector Quantization (LVQ) sehingga waktu analisis lebih efisien dan hasil lebih akurat.
2. Dengan metode LVQ diperoleh kecocokkan hasil analisis antara sistem dengan pakar sebesar 79.37%.
3. Dengan algoritma genetika untuk mengoptimasi bobot awal metode LVQ diperoleh kecocokkan hasil analisis antara sistem dan pakar sebesar 93.65%. 4. Penggunaan algoritma genetika diimplementasikan dengan metode two-cut-point crossover, random mutation, dan elitism selection.
5. Bobot optimal diperoleh dengan menggunakan representasi kromosom pengkodean bilangan real. Masing-masing individu memiliki 14 kromosom.
6. Pengujian dengan variabel popsize memperoleh hasil tertinggi pada saat popsize sebesar 20, Cr 0.9, Mr 0.1, dan jumlah generasi 10. Semakin besar ukuran populasi dan ukuran generasi yang digunakan maka nilai rata-rata akurasi yang didapatkan semakin tinggi. 7. Kombinasi nilai Cr jika ditentukan lebih
tinggi dibandingkan nilai Mr menghasilkan nilai rata-rata akurasi lebih tinggi, karena dalam algoritma genetika bergantung dalam tahap crossover yang mampu menghasilkan keragaman kromosom pada offspring lebih banyak dari tahap mutasi. Sehingga, disimpulkan bahwa nilai Cr yang tinggi dapat membantu mencari solusi permasalahan ke area yang lebih luas. Saat nilai Cr terlalu rendah, menyebabkan nilai akurasi akan bergantung pada nilai Mr selanjutnya mengakibatkan konvergensi dini yang menyebabkan algoritma genetika tidak bisa menemukan hasil rata-rata yang optimal.
8. Pengujian sistem yang menunjukkan nilai kecocokkan dengan optimasi bobot pada metode LVQ dengan algoritma lebih tinggi, membuktikan bahwa bobot optimal untuk metode LVQ menggunakan algoritma genetika mampu memberikan akurasi lebih tinggi dan hasil akhir yang lebih optimal.
5.2 Saran
Dalam penelitian selanjutnya sebaiknya menggunakan data yang lebih variatif dan jumlah data yang lebih besar, selanjutnya untuk penggunaan jumlah populasi dan generasi bisa ditentukan lebih besar. Sehingga mendapat hasil akurasi yang lebih tinggi lagi. 6. DAFTAR PUSTAKA
Astiko, 1996. Manajemen Perkreditan. Yogyakarta: Andi Offset.
Bonita, H., 2016. Penggunaan metode TOPSIS dan SAW untuk penentuan kredit pensiunan bagi calon nasabah (studi kasus : PT.Bank X). S1. Malang: Universitas Brawijaya.
Hendry, M., Dayawati, R. M., dan Wibowo, A. T., 2009. Analisis dan Implementasi Optimasi Jaringan Saraf Tiruan dengan Menggunakan Algoritma Genetika untuk Pendiagnosaan Penyakit Stroke (Studi Kasus : RS. Dr. M. Djamil Padang Sumbar).
Kurniawan, D. E., 2011. Konsep Learning Vector Quantization LVQ [Online]
Tersedia di: <
https://ikhs.wordpress.com/2011/07/0
3/konsep-learning-vector-quantization-lvq/ > [Diakses pada 22-05-2017]
Mahmudy, W.F., 2015. Modul Kuliah Semester Ganjil 2015-2016: Dasar-Dasar Algoritme Evolusi, Cover, i-vii,1-105.
Tersedia di : <
https://wayanfm.lecture.ub.ac.id/2016/0 3/modul-algoritme-evolusi-semester-ganjil-2015-2016 > [Diakses pada 22-05-2017].
Mahmudy, W. F., dan Rahman, M. A. 2011. Optimasi Fungsi Multi-Obyektif Berkendala Menggunakan Algoritme Genetika Adaptif Dengan Pengodean Real. Jurnal Ilmiah KURSOR, 6(1), 19– 26.
Sutojo, T., Mulyanto, E., dan Suhartono, V., 2011. Kecerdasan Buatan. Yogyakarta: ANDI.
Utama, W., 2016. Implementasi Pengolahan Citra dan Learning Vector Qiantization (LVQ) dalam Penentuan Golongan Kendaraan. S1. Malang : Universitas Brawijaya.
Wibowo, W. A., (2017). Penerapan Algoritma Jaringan Syaraf Tiruan Untuk Prediksi Status Permohonan Hutang Dan Harga Jaminan Hutang Motor.
Wijayanti, D. M. P., 2016. Identifikasi Diagnosis Perubahan Hasil Perawatan Kulit Menggunakan Metode Learning Vector Quantization (LVQ). Malang : Universitas Brawijaya.
Wuryandari, D. M., dan Afrianto, I., 2012. Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation Dan Learning Vector Quantization Pada Pengenalan Wajah.
