(ANFIS)
SKRIPSI
SAMUEL ANTHONIUS MADUWU
091402118
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
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.
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.
DAFTAR ISI
1.4. Tujuan Penelitian 3
1.5. Manfaat Penelitian 3
1.6. Metodologi Penelitian 3
1.7. Sistematika Penelitian 4
BAB 2 LANDASAN TEORI 5
2.1. Peramalan 5
2.1.1. Tahapan peramalan 6
2.2. Syarat Pemberian Kredit 7
2.3. Normalisasi Data 8
2.4. Fuzzy Inference System 9
2.4.1. Fuzzyfikasi 10
2.4.2. Fuzzy clustering 10
2.4.3. Defuzzyfikasi 11
2.5. Jaringan Saraf Tiruan 11
2.6. Adaptive Neuro Fuzzy Inference System 13
2.7. Peramalan Menggunakan ANFIS 15
2.8. Penelitian Terdahulu 20
BAB 3 ANALISIS DAN PERANCANGAN SYSTEM 22
3.1. Identifikasi Masalah 22
3.2. Data yang Digunakan 23
3.3. Penerapan Metode ANFIS 24
3.4. Perancangan Sistem 29
3.4.1. Use Case Diagram 29
3.4.2. Use Case Spesification 31
3.4.3. Data Flow Diagram 34
3.4.3.1. DFD Level 0 34
3.4.3.2. DFD Level 1 35
3.4.3.3. DFD Level 2 36
3.4.4. Database System 37
3.5. Perancangan Antarmuka 38
BAB 4 IMPLEMENTASI DAN PENGUJIAN 41
4.1. Implementasi Sistem 41
4.1.1. Lingkungan implementasi 41
4.2. Implementasi Perancangan Antarmuka 42
4.2.1. Halaman awal (home) 42
4.2.2. Halaman data 43
4.2.3. Halaman prediksi 43
4.2.4. Halaman contact us 44
4.2.5. Halaman edit data (administrator) 44
4.2.6. Halamanparameter (administrator) 45
4.3. Pengujian Sistem 45
4.3.1. Rencana pengujian sistem 45
4.3.2. Kasus dan hasil pengujian sistem 46
4.3.3. Pengujian kinerja sistem 48
4.3.4. Pengujian data 51
BAB 5 KESIMPULAN DAN SARAN 55
5.1. Kesimpulan 55
5.2. Saran 55
DAFTAR TABEL
Hal.
Tabel 2.1 Penelitian Terdahulu 20
Tabel 3.1 Rangkuman Data Permintaan Kredit 23
Tabel 3.2 Use Case Spesification untuk Use Case Login 31 Tabel 3.3 Use Case Spesification untuk Use Case Lihat Data 31 Tabel 3.4 Use Case Spesification untuk Use Case Prediksi 32 Tabel 3.5 Use Case Spesification untuk Use Case Pengaturan Parameter 33 Tabel 3.6 Use Case Spesification untuk Use Case Edit data 33
Tabel 3.7 Entitas DFD 34
Tabel 4.1 Tabel Rencana Pengujian Sistem 46
Tabel 4.2 Hasil Pengujian Komponen Login 46
Tabel 4.3 Hasil Pengujian Komponen Data 47
Tabel 4.4 Hasil Pengujian Komponen Prediksi Kredit 47
Tabel 4.5 Hasil Pengujian Komponen Parameter 47
Tabel 4.6 Hasil Pengujian Komponen Edit Data Kredit 48
Tabel 4.7 Data Kredit 48
Tabel 4.8 Nilai Normalisasi Data Kredit 49
Tabel 4.9 Nilai Fuzzy Clustering Mean 49
Tabel 4.10 Hasil Prediksi Data 50
Tabel 4.11 Hasil Denormalisasi Prediksi Data 50
Tabel 4.12 Parameter dan Hasil Pengujian Prediksi Permintaan Kredit 51
DAFTAR GAMBAR
Hal.
Gambar 2.1 Struktur dasar Sistem Inferensi Fuzzy 10
Gambar 2.2 Blog diagram langkah maju ANFIS 14
Gambar 2.3 Blog diagram langkah mundur ANFIS 14
Gambar 3.1 Grafik Permintaan Kredit 24
Gambar 3.2 Flowchart data training 25
Gambar 3.3 Flowchart data testing 27
Gambar 3.4 General Architecture 29
Gambar 3.5 Use Case Diagram 30
Gambar 3.6 DFD Level 0/Diagram Konteks 34
Gambar 3.7 DFD Level 1 35
Gambar 3.8 DFD Level 2 Login 36
Gambar 3.9 DFD Level 2 Mengelola data permintaan kredit 36
Gambar 3.10 DFD Level 2 Pengaturan Parameter 37
Gambar 3.11 DFD Level 2 Melihat peramalan kredit 37
Gambar 3.12 Database Peramalan Kredit 38
Gambar 4.1 Halaman home 42
Gambar 4.2 Halaman data 43
Gambar 4.3 Halaman prediksi 43
Gambar 4.4 Halaman contact us 44
Gambar 4.5 Halaman edit data (administrator) 44
Gambar 4.6 Halaman parameter (administrator) 45
Gambar 4.7 Grafik Hasil Prediksi 51
Gambar 4.8 Grafik Nilai error 53