Download pdf - 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

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


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


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

http://archive.ics.edu/ml/machine-learning-databases/satlog/german/.

b. Simulasi penelitian menggunakan software Matlab 7.8

a. Untuk mengetahui tingkat akurasi klasifikasi risiko kredit berbasis jaringan syaraf tiruan

Radial Basis Function (RBF) dengan menggunakan input asli (tanpa reduksi PCA).

b. Untuk mengetahui tingkat akurasi klasifikasi risiko kredit berbasis jaringan syaraf tiruan

Radial Basis Function (RBF) dengan menggunakan input hasil reduksi PCA.

c. Untuk mengetahui perbandingan tingkat akurasi dan waktu training jaringan syaraf

tiruan Radial Basis Function (RBF) pada klasifikasi risiko kredit dengan menggunakan

input asli dan input hasil reduksi PCA.

Fifi Maria Ulfah

PENDAHULUAN o Tujuan dan Manfaat Penelitian


Tujuan Penelitian

a. Dapat memberikan referensi tentang salah satu metode klasifikasi penilaian risiko

kredit berbasis jaringan syaraf tiruan.

b. Sebagai bahan pembanding bagi peneliti lanjutan yang tertarik mengembangkan atau

membandingkannya dengan algoritma lainnya.

c. Kontribusi penelitian ini adalah memberikan metode baru pada lembaga pembiayaan

atau perbankan untuk memprediksi risiko kredit.

Manfaat Penelitian

o Jaringan RBF

Arsitektur Jaringan RBF

Input Layer Hidden Layer Output Layer

��

��

��

⋮

��

��

��

⋮ ⋮

ΣΣ

ΣΣ

ΣΣ

Fifi Maria Ulfah

KAJIAN PUSTAKA


Jaringan Syaraf Tiruan Radial Basis Function

� ∈ �

�� , ��, ⋯ , ��

Output jaringan RBF dengan �hidden neuron untuk suatu vektor input � ∈ � diberikan dengan persamaan berikut:

��

�� , ��, ⋯ , �� adalah bobot yang menghubungkan hidden neuron ke-i

dengan neuron output, dan �� adalah output hidden neuron ke-i dengan

persamaan Gaussian sebagai berikut:

�� , �� , � � exp " � " ��2��

�� , ��, ⋯ , �� adalah pusat hidden neuron ke-i dan �� adalah lebar.

o Jaringan RBF

Fifi Maria Ulfah

KAJIAN PUSTAKA


�� , $�� , ��, ⋯ , ��∈ � $ � �$ , $ ,⋯ , $ ��∈ ��

Untuk N sampel berbeda (�� , $�� dengan �� , ��, ⋯ , ��∈ � dan

$� � �$��, $��, ⋯ , $��∈ ��, RBF dengan � hidden neuron dapat dimodelkan secara

matematis.

�� % � &%,' � 1,⋯ , ��

��

RBF standard dengan � hidden neuron dapat mengapproksimasi N sampel dengan

error rata-rata bernilai nol, ∑ &% " $% � 0��%�� , yaitu terdapat �� , �� dan ��sedemikian sehingga:

∑ �� exp " +,-./0

�1/� $%,' � 1,⋯ ,�� (1)

o Jaringan RBF

Fifi Maria Ulfah

KAJIAN PUSTAKA


Persamaan 1 dapat dituliskan secara lengkap:

2� � 3

Dengan:

2 �� , ⋯ , �� , ��, ⋯ , �� , ��, ⋯ , �� , ��, �� ⋯ � �� , �� , ��

⋮ ⋯ ⋮� ��, ��, �� ⋯ � �� , �� , �� +��

� ��⋮�� +�

3 �$��⋮$�� +�

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


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


� 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


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


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


o Implementasi Pada Jaringan Syaraf Tiruan RBF

Algoritma pada jaringan RBF

Fifi Maria Ulfah



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



o Hasil Klasifikasi Menggunakan Input Hasil Reduksi

Dimensi InputJumlah Hidden Neuron

10 15 20 25 30 35 40 45 50

10 72,33% 75,00% 75,00% 73,67% 74,33% 74,67% 73,33% 77,33% 75,00%

12 73,33% 73,33% 76,67% 73,33% 73,33% 73,33% 73,33% 73,33% 73,33%

15 73,33% 73,33% 74,33% 73,33% 73,33% 73,33% 73,33% 73,33% 73,33%

17 73,33% 75,33% 76,00% 73,33% 73,33% 73,33% 73,33% 73,33% 73,33%

20 (Asli) 73,33% 73,67% 73,33% 72,67% 73,67% 73,67% 74,00% 74,00% 75,67%

Perbandingan Akurasi hasil klasifikasi RBF antara input asli dengan hasil reduksi PCA

Fifi Maria Ulfah



Dimensi

Input

Jumlah Hidden Neuron

10 15 20 25 30 35 40 45 50

10 1,7004 1,8408 1,9344 2,0748 2,4024 2,4336 2,8080 2,7768 2,9796

12 1,6692 1,7316 1,8720 2,0124 2,0436 2,2932 2,3868 2,6364 2,9016

15 1,6068 1,7160 1,8876 1,9188 2,0748 2,2308 2,3244 2,4960 2,5896

17 1,6224 1,7316 1,7940 1,9812 2,1060 2,2620 2,3712 2,4648 2,6676

20 (Asli) 2,6988 3,1200 3,6816 4,8516 5,3508 5,4912 5,7408 6,8640 11,7937

Perbandingan Waktu Training antara Input asli dengan hasil reduksi PCA

o Hasil Klasifikasi Menggunakan Input Hasil Reduksi

Fifi Maria Ulfah



o Kesimpulan

Jaringan syaraf tiruan RBF dan metode PCA mampu memprediksi risiko pemberian

kredit.

Akurasi klasifikasi jaringan RBF untuk memprediksi risiko pemberian kredit pada

penelitian ini dengan menggunakan input asli (tanpa reduksi PCA) mencapai 75,67%

dan waktu training selama 11,7937 detik. Akurasi klasifikasi pada jaringan RBF

menggunakan input hasil reduksi PCA untuk memprediksi risiko pemberian kredit

mencapai 77,33% dan waktu training selama 2,7768 detik. Hal ini menunjukkan

adanya peningkatan performansi akurasi jaringan RBF dalam memprediksi risiko

pemberian kredit sebesar 1,67% dan reduksi waktu training selama 9,0169 detik

terhadap penggunaan input asli.

Penggunaan hidden neuron berbanding lurus dengan waktu training namun tidak

berlaku pada tingkat akurasinya, sehingga penentuan jumlah hidden neuron yang

tepat turut menentukan performansi jaringan.

Fifi Maria Ulfah

PENUTUP


Kesimpulan

1

2

3

o Saran

Untuk pengembangan penelitian ini lebih lanjut bisa dilakukan yaitu dengan membuat

atau menciptakan suatu program yang user friendly, untuk pemanfaatannya lebih

mudah digunakan, khususnya oleh pihak perbankan.

Penelitian model jaringan RBF masih mungkin untuk dikaji dan dikembangkan, atau

bisa juga dengan mengaplikasikannya pada studi kasus yang lain.

PENUTUP


Saran

1

2

• Anton, H. (1987). Elementary Linear Algebra, John Wiley Sons, INC.

• Dhaneswara, G., Moertini, V. W. (2004), “Jaringan Syaraf Tiruan Propagasi Balik untuk Klasifikasi Data”, Integral, FMIPA Unpar, vol.9 no.3,

Nov. 2004

• Du, K.L. dan Swamy, M.N.S., (2006), Neural Networks in a Softcomputing Framework, Springer-Verlag, London, Inggris

• Fausett, L. (1994), Fundamental of Neural Network architecture, Algorithms, and Applications, Prentice-Hall, USA.

• German Credit Dataset, Database http://archive.ics.edu/ml/machine-learning-databases/satlog/german/ diakses pada tanggal 16

Desember 2010

• Huang, G. B. dan Siew, C.-K.(2004). “Extreme Learning Machine: Theory and Applications”, Neurocomputing (70): 489-501.

• Jahne, B. (1993). Digital Image Processing - Concepts, Algorithms and Scientific Applications, Springer-Verlag.

• James, B. (1985). Statistical Decision Theory and Bayesian Analysis,Springer Series in Statistics(2nd edition), Springer Series in Statistics

2nd edition.

• Kamaruddin, M. (2010), Peningkatan Performansi Pengklasifikasian Pola Sidik Jari Berbasis Jaringan ELM-RBF dengan Kombinasi FFT dan

PCA, Tesis- Magister Jurusan Matematika, ITS Surabaya.

• Khashman, A., (2010), “Neural network for credit risk evaluation: Investigation of different neural models and learning schemes”, Expert

system with applications 37 (2010) 6233-6239.

• Kusumadewi. S., Hartati, S., Harjoko, A., dan Wardoyo, R., (2006), Fuzzy Multi-Attribute Decision Making (Fuzzy MADM), Graha Ilmu,

Yogyakarta.

• Purwodarminto, WJS. (2003), Kamus Umum Bahasa Indonesia, Lembaga Pusat Bahasa Departemen Pendidikan Nasional, balai Pustaka

Jakarta.

• Sanchez, M.S. dan Swierenga, H. dan Sarabia, L.A. dan Derks, E. dan Buydens, L. (1996), “Performance of Multi Layer FeedForward and

Radial Base Function Neural Networks in Classification and Modelling”, Journal of Chemometrics and Intelligent Laboratory System 33,

101-119.

• Sarimveis, H. dan Doganis, P. dan Alexandridis, A. (2006), “A Classification Technique Based on Radial Basis Function Neural Networks”,

Journal of Advance in Engineering Software 37, 218-221.

• Scholkopf, B., Christopher, B. C. J. dan Alexander, S. J. (1999). Advances in Kernel Methods: Support Vector Learning, MIT Press.

• Sharma, A. dan Paliwal, K. K. (2007), “Fast Principal Component Analysis Using Fixed-point Algorithm, Pattern Recognition Letters” (28):

1151-1155

• Shelns, J. (2009), A Tutorial on Principles Component Analysis, http:// www.csnet.otago.ac.nz diakses tanggal 22 Desember 2010

• Simon, H. (1999). Neural networks: A comprehensive foundation, New Jersey:Prentice Hall.

• Sutikno, T., Pujianta, A., Supanti, Y. T., “Prediksi Risiko Kredit dengan Jaringan Syaraf Tiruan Backpropagation” Seminar Nasional Aplikasi

Teknologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyakarta, 16 Juni 2007

• Yeung, D. S., Cloete, I. dan Shi, D. (2009), “Sensitivity Analysis for Neural Networks”, Springer

Fifi Maria Ulfah Rabu, 6 Juli 2011 22/22Tesis

DAFTAR PUSTAKA