Fifi Maria Ulfah 1209201722 Pembimbing: Prof. Dr. Mohammad Isa Irawan, M.T Dr. Imam Mukhlash, S.Si, M.T Program Magister Matematika InstitutTeknologiSepuluhNopemberSurabaya Tesis PENERAPAN JARINGAN SYARAF TIRUAN RBF DAN METODE PCA DALAM MEMPREDIKSI RISIKO PEMBERIAN KREDIT Rabu, 6 Juli 2011 1/22 Tesis Fifi Maria Ulfah
21
Embed
PENERAPAN JARINGAN SYARAF TIRUAN RBF DAN …digilib.its.ac.id/public/ITS-Master-17064-1209201722-Presentation.pdf · PENERAPAN JARINGAN SYARAF TIRUAN RBF DAN METODE PCA DALAM MEMPREDIKSI
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Fifi Maria Ulfah
1209201722
Pembimbing:
Prof. Dr. Mohammad Isa Irawan, M.T
Dr. Imam Mukhlash, S.Si, M.T
Program Magister Matematika
Institut Teknologi Sepuluh Nopember Surabaya
Tesis
PENERAPAN JARINGAN SYARAF TIRUAN RBF DAN METODE PCA
DALAM MEMPREDIKSI RISIKO PEMBERIAN KREDIT
Rabu, 6 Juli 2011 1/22TesisFifi Maria Ulfah
Abstrak
Evaluasi risiko kredit merupakan salah satu teknik analisis penilaian risiko kredit dalam
manajemen risiko keuangan. Evaluasi risiko kredit sangat bermanfaat bagi pihak bank atau
lembaga pembiayaan dalam mengambil keputusan pemberian kredit. Pada pengambilan
keputusan tersebut lembaga pembiayaan wajib melaksanakan prinsip kehati-hatian untuk
memperkecil risiko dalam pemberian kredit. Pada kasus permohonan kredit oleh nasabah,
seorang decision maker pada suatu perbankan harus mampu mengambil keputusan yang
tepat untuk menerima atau menolak permohonan kredit tersebut.
Jaringan syaraf tiruan (JST) telah banyak digunakan dalam banyak aplikasi, salah satunya
adalah pada permasalahan klasifikasi. Dalam penelitian ini, jaringan syaraf tiruan Radial
Basis Function (RBF) digunakan untuk memprediksi risiko pemberian kredit tersebut.
Implementasi RBF dipadukan dengan metode analisis komponen utama atau Principal
Component Analysis (PCA) untuk meningkatkan performansi. Hasil simulasi jaringan RBF
terhadap dataset kredit yang direduksi dengan PCA menggunakan software Matlab 7.8
menunjukkan bahwa waktu komputasi selama proses training lebih singkat dari dimensi
input asli yaitu 2,7768 detik dan akurasi mencapai 77,33%.
Kata kunci: Jaringan Syaraf Tiruan, RBF, PCA, Risiko Kredit.
ABSTRAK Abstrak
Rabu, 6 Juli 2011 2/22TesisFifi Maria Ulfah
o Latar Belakang
Pengambilan keputusan pemberian kredit pada perbankan/lembaga pembiayaan
Isi formulir
Lengkapi Berkas
Diterima atau Ditolak
Penilaian permohonan
Kredit
Algoritma Pembelajaran
untuk
pengklasifikasian pola
Metode klasifikasi
secara statistika
Metode Diskriminan
Linear
JST/ANN
Jaringan syaraf tiruan RBF PCA
Diterima atau Ditolak
PENDAHULUAN
Rabu, 6 Juli 2011 3/22TesisFifi Maria Ulfah
a. Bagaimana tingkat akurasi klasifikasi risiko kredit berbasis jaringan syaraf tiruan Radial
Basis Function (RBF) dengan menggunakan input asli (tanpa reduksi PCA)?
b. Bagaimana tingkat akurasi klasifikasi risiko kredit berbasis jaringan syaraf tiruan Radial
Basis Function (RBF) dengan menggunakan input hasil reduksi PCA?
c. Bagaimana perbandingan tingkat akurasi dan waktu training jaringan syaraf tiruan RBF
pada klasifikasi risiko kredit dengan menggunakan input asli dan input hasil reduksi
PCA?
PENDAHULUAN
Fifi Maria Ulfah
o Perumusan dan Batasan Masalah
Rabu, 6 Juli 2011 4/22Tesis
Perumusan Masalah
Batasan Masalah
a. Data yang digunakan untuk pelatihan dan pengujian dalam penelitian ini adalah dataset
kredit yang berasal dari database UCI repository machine learning dan dapat diakses di
H disebut matriks output pada lapisan tersembunyi, kolom ke-i dari H adalah output
dari � hidden neuron ke-i yang bersesuaian dengan input ��, ��, ⋯ , ��.
o Jaringan RBF
Fifi Maria Ulfah
KAJIAN PUSTAKA
Rabu, 6 Juli 2011 9/22Tesis
Analisis Komponen Utama (Principal Component Analysis)
Metode Principal Component Analysis (PCA) merupakan suatu metode untuk
mengambil ciri penting dari sekumpulan data set dengan mereduksi data tersebut
menjadi data yang tidak saling berkorelasi. Sasaran PCA adalah menjelaskannya
suatu kumpulan data dengan variabel yang lebih kecil, ciri khusus dari kumpulan
data tersebut dapat digambarkan dengan lebih baik [Jahne,(1993)].
o Principal Component Analysis
Fifi Maria Ulfah
KAJIAN PUSTAKA
Rabu, 6 Juli 2011 10/22Tesis
� Diberikan 4 adalah data input berukuran 5× 7 dimana 5 adalah banyaknya variabel data dan 7 banyaknya dataset
kredit
� Menentukan Nilai rata-rata (mean) dari 4, 48 � ∑ 9/:/;<�
� Menentukan Matriks Kovariansi
=> � ��??�
? � 4 " 48� Menentukan nilai eigen dan vektor eigen dari =>. Nilai eigen yang diperoleh lalu diurutkan berdasarkan
nilai terbesar sedemikian @� > @� > @� > ⋯ > @ � Melakukan kombinasi linear berdasarkan Eigenvalue terbesar sedemikian sehingga: �B " �̅ � �D�E�E7$EFG <
I
���
� Melakukan Transformasi Linear ℜ� → ℜID�D�⋯DI
�E��E��⋯EI�
� " �̅ � L� � " �̅
KAJIAN PUSTAKA o Risiko Kredit
Penilaian yang umum dan harus dilakukan oleh bank untuk mendapatkan nasabah yang
benar-benar layak untuk diberikan kredit, dilakukan dengan analisis 5C (Kasmir, 2000).
Character 1
2 Capacity
3 Capital
4 Collateral
5 Condition
Fifi Maria Ulfah Rabu, 6 Juli 2011 11/22Tesis
o Tahapan Penelitian
1. Identifikasi Permasalahan
2. Pre-processing Data
3. Implementasi Metode RBF
4. Analisa dan Pembahasan
Fifi Maria Ulfah
METODE PENELITIAN
Rabu, 6 Juli 2011 12/22Tesis
o Diagram Proses Penelitian
Identifikasi Permasalahan dan Kajian Literatur
Pre-processing Data (Transformasi attribute
kategori menjadi nilai numerik, Reduksi
dimensi input dengan PCA
Implementasi pada JST RBF
Simulasi dengan software Matlab 7.8
Analisa dan Pembahasan
Fifi Maria Ulfah
METODE PENELITIAN
Rabu, 6 Juli 2011 13/22Tesis
o Processing Data
Dataset Kredit
Variabel data set
berupa data kategori
Variabel data set
berupa data kategori
Transformasi data
kategori menjadi numerik
Transformasi data
kategori menjadi numerik
A1=A11 A11= 4
A2= 6 A12= A121
A3= A34 A13= 67
A4= A43 A14= A143
A5= 1169 A15= A152
A6= A65 A16= 2
A7= A75 A17= A173
A8= 4 A18= 1
A9= A93 A19= A192
A10= A101 A20= A201
A1=1 A11= 4
A2= 6 A12= 1
A3= 4 A13= 67
A4= 3 A14= 3
A5= 12 A15= 2
A6= 5 A16= 2
A7= 5 A17= 3
A8= 4 A18= 1
A9= 3 A19= 2
A10= 1 A20= 1
A1= status of existing checking account
A2= duration in month
A3= credit history
A4= purpose
A5= credit amount
dst
KategoriKategori numeriknumerik
Fifi Maria Ulfah
HASIL PENELITIAN DAN PEMBAHASAN
Rabu, 6 Juli 2011 14/22Tesis
o Implementasi Pada Jaringan Syaraf Tiruan RBF
Algoritma pada jaringan RBF
Fifi Maria Ulfah
HASIL PENELITIAN DAN PEMBAHASAN
Rabu, 6 Juli 2011 15/22Tesis
Diberikan suatu himpunan data pelatihan ℵ � �� , $� |�� ∈ � , $� ∈ ��O � ⋯ , dengan � menyatakan banyaknya neuron tersembunyi.
Langkah pada Proses Training:
Inisialisasi Center µ dan Lebar σ
Hitung Nilai Fungsi Gauss φ�µ,σ, ��Nyatakan φ�µ,σ, �� ke dalam matriks H
Hitung Bobot β menggunakan persamaan
β � H-�TH-� � HRH -�H
1
2
3
4
o Hasil Klasifikasi Tanpa Reduksi Dimensi Input
No
Hidden
Neuron
Waktu Training
(detik) Akurasi (%)
1 30 5,3508 73,6667
2 35 5,4912 73,6667
3 40 5,7408 74,0000
4 45 6,8640 74,0000
5 50 11,7937 75,6667
6 55 6,7080 73,3333
7 60 7,8313 72,6667
Tabel : Performansi RBF berdasarkan Jumlah
Hidden Neuron yang digunakan
Grafik Performansi RBF berdasarkan Jumlah
Hidden Neuron yang digunakan
Fifi Maria Ulfah
HASIL PENELITIAN DAN PEMBAHASAN
Rabu, 6 Juli 2011 16/22Tesis
o Hasil Klasifikasi Menggunakan Input Hasil Reduksi