PENGEMBANGAN PERANGKAT LUNAK JARINGAN SYARAF TIRUAN UNTUK PENGKLASIFIKASIAN DATA APLIKASI KREDIT PERBANKAN MENGGUNAKAN METODE PROPAGASI

BALIK Oleh: Bambang Sis !"!# ST$#M$Si %& Abs'(a) Database saat ini berkembang menjadi sangat besar secara cepat ke dalam ukuran terabyte, di dalam tumpukan data tersebut mungkin terdapat informasi-informasi tersembunyi yang sangat penting atau menjadi penting pada saat dibutuhkan. Banyak data yang tersimpan di basis data yang dapat dianalisis dan dimanfaatkan untuk membantu proses pengambilan keputusan. Misalnya untuk menentukan apakah sebuah aplikasi kredit di bank lancar atau macet. Data yang tersimpan di basis data dapat dianalisis dengan teknik klasifikasi data Jaringan Syaraf Tiruan JST! propagasi balik. "eunggulan utama JST adalah kemampuan komputasi yang pararel dengan cara belajar dari polapola yang diajarkan, sehingga JST mampu mengklasifikasi data. #enelitian ini akan menganalisis, merancang dan mengimplementasi untuk mendapatkan konfigurasi JST yang terbaik dan penggunaanya untuk mengklasifikasi data aplikasi kredit perbankan. *$ Walter Pen+ah,l,an Di tahun 1940-an, Warren S. McCulloch, seorang psikologi syaraf, dan itts seorang !ate!atika"an, !enge!ukakan pe!#uatan suatu !odel !ate!atika dan sel urat saraf. Dinyatakan #ah"a $ke%adian-ke%adian pada syaraf dan hu#ungan antara syaraf&syaraf terse#ut dapat disa%ikan dengan !e!akai logika proporsional' (McCulloch dan itts, 194)*, !ereka ingin !endefinisikan apa yang se%ak la!a dikenal se#agai saraf McCulloch- itts. Saraf yang !ereka definisikan !enggunakan operasi-operasi logika dua atau tiga inputan untuk !enghasilkan se#uah output. -$ La'a( Bela)ang +etersediaan data sudah #ukan hal yang sulit diperoleh lagi de"asa ini apalagi ditun%ang dengan #anyaknya kegiatan yang sudah dilakukan secara ko!puterisasi. ,anyak data yang tersi!pan di #asis data yang dapat dianalisis dan di!anfaatkan untuk !e!#antu proses penga!#ilan keputusan. Misalnya untuk !enentukan apakah se#uah aplikasi kredit di #ank lancar atau !acet, #ahkan di

lingkungan perguruan tinggi untuk !e!prediksi calon !ahasis"a apakah kelak akan #erprestasi atau dikeluarkan dari uni-ersitas terse#ut. Salah satu teknik yang digunakan untuk !enganalisis data untuk keperluan ini adalah teknik klasifikasi data. Data yang tersi!pan di #asis data dapat dianalisis dengan teknik klasifikasi data .aringan Syaraf /iruan. +lasifikasi data terdiri dari dua langkah yang uta!a yaitu0 perta!a pe!#angunan !odel dari set data pelatihan. ada .aringan Syaraf /iruan, ini dilakukan dengan $pe!#entukan' %aringan dan perhitungan nilai-nilai para!eter %aringan (#o#ot, #ias, dan lainnya*, kedua penggunaan !odel untuk !engklasifikasi data #aru. Disini, se#uah rekord $di u!pankan' ke !odel, dan !odel akan !e!#erikan %a"a#an $kelas' hasil perhitungannya. .a"a#an $kelas' hasil perhitungan ini dapat #erupa klasifikasi data yaitu lancar atau tidak, seperti pada klasifikasi data pada aplikasi kredit pada se#uah #ank, apakah kredit lancar atau kredit !acet. .$ Ja(ingan S"a(a/ Ti(,an P(!0agasi Bali) .aringan Syaraf /iruan (.S/* adalah !odel siste! ko!putasi yang #eker%a seperti siste! syaraf #iologis pada saat #erhu#ungan dengan 1dunia luar1, na!a %aringan syaraf tiruan !erupakan ter%e!ahan dari $%rtificial &eural &et'ork$. /er%e!ahan yang dia!#il #ukan %aringan syaraf #uatan seperti dala! !enter%e!ahkan %rtificial (nteligent %(!. enggunaan kata #uatan dapat !e!#erikan konotasi, #ah"a !anusia #erusaha !e!#uat %aringan syaraf aslinya. adahal !aksud dari .S/ adalah !e!#uat !odel siste! ko!putasi yang dapat !enirukan cara ker%a %aringan syaraf #iologis. ropagasi #alik !erupakan algorit!a pe!#ela%aran yang tera"asi dan #anyak lapisan untuk !engu#ah #o#ot-#o#ot yang terhu#ung dengan neuronneuron yang ada pada pada lapisan terse!#unyinya.

1$

S'(,)',( Ja(ingan S"a(a/ Ti(,an P(!0agasi Bali)

.aringan syaraf tiruan tersusun atas seku!pulan ele!en pe!roses (neuron* atau si!pul atau sel yang terinterkoneksi dan terorganisasi dala! lapisan-lapisan. Setiap sel !e!proses sinyal dengan fungsi aki-asinya yaitu fungsi sig!oid ,iner, seperti persa!aan di#a"ah ini. f(3* 4 1 5 (1 - e-3* /iap-tiap lapisan terdiri dari #anyak si!pul, interkoneksi hanya ter%adi antara si!pul-si!pul yang terletak pada satu lapisan dengan si!pul-si!pul yang terletak pada lapisan tetangganya. Si!pul-si!pul yang #erhu#ungan langsung dengan !asukan dan terletak dala! satu lapisan yang sa!a, lapisan terse#ut dise#ut 6lapisan !asukan6 si!pul-si!pul yang !e!#erikan keluaran dan terletak dala! satu lapisan dise#ut 6lapisan keluaran6. Si!pul-si!pul yang terletak dala! satu atau #e#erapa lapisan dan tidak #erhu#ungan langsung dengan keadaan di luar %aringan dise#ut 6lapisan dala!6 atau lapisan terse!#unyi.
x1

z1

x2

z2

x3
b2

b1

Lapisan Input

Lapisan Tersembunyi

Lapisan Output

Gamba( *$ .aringan dengan lapisan #anyak 2$ 1. 2. ). 4.

4.1

Alg!(i'ma P(!0agasi Bali) 7nisialisasi #o#ot (a!#il #o#ot a"al dengan nilai rando! yang cukup kecil*. /etapkan 0 !aksi!u! 8poch, target error, 9earning :ate (*. 7nisialisasi 08poch 4 0, MS841. +er%akan langkah-langkah #erikut sela!a (8poch;Maksi!u! 8poch* dan (MS8</arget 8rror*= 8poch48poch>1

4.2

?ntuk tiap-tiap pasangan ele!en yang akan dilakukan pe!#ela%aran, ker%akan 0

Feedforward: a./iap-tiap unit input (@i, i41,2,),...,n* !eneri!a sinyal 3i dan !eneruskan sinyal ke se!ua unit pada lapisan hidden (lapisan terse!#unyi*. #. /iap-tiap unit lapisan terse!#unyi (A%, %41,2,),...,p* !en%u!lahkan sinyal-sinyal input ter#o#ot0 BCin% 4 -0% > -4,o#ot a"al input ke hidden. Dunakan fungsi akti-asi untuk !enghitung sinyal outputnya0 B% 4 f(BCin%* dan !engiri!kan sinyal terse#ut ke se!ua unit di lapisan atasnya (unitunit output*. c./iap-tiap output (Ek, k41,2,),...,!* !en%u!lahkan sinyal-sinyal input ter#o#ot. yCink 4 "0k >
p

* )
i =1 i

ij

+
j= 1

' jk

gunakan fungsi akti-asi untuk !enghitung sinyal outputnya0 yk 4 f(yCink* dan kiri!kan sinyal terse#ut ke se!ua unit di lapisan hidden (lapisan terse!#unyi*. Catatan0 9angkah (#* dilakukan se#anyak %u!lah lapisan terse!#unyi. Backpropagation: d. /iap-tiap unit output (Ek, k41,2,),...,!* !eneri!a target pola yang #erhu#ungan dengan pola input pe!#ela%aran, hitung infor!asi errornya (tk-yk*0 k 4 (tk-yk* fF(yCink* +e!udian hitung koreksi #o#ot (yang nantinya akan digunakan untuk !e!per#aiki nilai "%k*0 "%k 4 kB% Gitung %uga koreksi #ias (yang nantinya akan digunakan untuk !e!per#aiki nilai "0k*0

"0k 4 k 9angkah (d* ini %uga dilakukan se#anyak %u!lah lapisan terse!#unyi, yaitu !enghitung infor!asi error dari suatu lapisan terse!#unyi ke lapisan terse!#unyi se#elu!nya. e. /iap-tiap unit lapisan terse!#unyi (A%, %41,2,),...,p* !en%u!lahkan delta inputnya (dari unit-unit yang #erada dilapisan hidden*. Cin% 4
m

k =1

' jk

+alikan nilai ini dengan turunan dari fungsi akti-asi untuk !enghitung infor!asi error0 % 4 Cin% fF(BCin%* ke!udian hitung koreksi #o#ot0 -i% 4 %3i hitung %uga koreksi #ias (yang nantinya akan digunakan untuk !e!per#aiki nilai -0%*0 -0% 4 % f./iap-tiap unit ouput (Ek, k41,2,),...,!* !e!per#aiki #ias dan #o#otnya (%41,2,),...,p*0 "%k(#aru* 4 "%k(la!a* > "%k /iap-tiap unit lapisan terse!#unyi (A%, %41,2,),...,p* !e!per#aiki nilai #ias dan #o#otnya (i41,2,),...,n. *0 -i%(#aru* 4 -i%(la!a* > -i% 4.) Gitung MS8 (Mean S,uare -rror*. 3$ Klasi/i)as +a'a mengg,na)an Ja(ingan S"a(a/ Ti(,an 4JST% .aringan Syaraf /iruan #iasa digunakan dala! !asalah klasifikasi (di !ana outputnya adalah -aria#el kategoris* atau regresi (outputnya kontinyu*. .aringan Syaraf /iruan !ensyaratkan se!ua -aria#el harus nu!erik. Hleh karena itu, data kategoris dipecah !en%adi -aria#el dikoto!is $0' (9ancar* dan $1'(Macet*.

5$ a.

Peng)lasi/i)asian Da'a K(e+i' ,erdasarkan klasifikasi dari kelancaran usaha, dapat dikategorikan #ah"a0 +redit 9ancar +redit yang per%alanannya lancar atau !e!uaskan artinya segala ke"a%i#an

(#unga atau angsuran hutang pokok* diselesaikan oleh nasa#ah secara #aik. #. +redit Macet +redit yang telah sa!pai pada %atuh te!ponya #elu! dapat %uga diselesaikan oleh nasa#ah #ersangkutan. ?!u!nya se#uah ,ank !e!#eri kese!patan kepada nasa#ah untuk #erusaha !enyelesaikan sela!a ) sa!pai dengan J #ulan #arulah ,ank !enga!#il langkah le#ih lan%ut. Menurut hasil penga!atan yang dilakukan penulis di lapangan, terdapat #e#erapa -aria#el yang !endukung klasifikasi data kredit terse#ut, yaitu0 1. .angka "aktu .angka "aktu !erupakan perhitungan "aktu penge!#alian pin%a!an "aktu dari #ulan perta!a pe!in%a!an kredit sa!pai #atas penge!#alian. Misalnya %angka "aktu 12 #ulan, antara #ulan 1 sa!pai #ulan 12, nasa#ah harus !enge!#alikan pin%a!an kreditnya. 7ni sangat !enentukan lancar atau tidaknya kredit seorang nasa#ah. 2. Klafond Klafond !erupakan #atas li!it kredit yang di#erikan oleh #ank kepada nasa#ahnya. ). e!#erian flafond didasarkan kepada ke!a!puan nasa#ah untuk !enge!#alikan pin%a!an kredit dala! %angka "aktu yang telah ditentukan. ,aki de#et ,aki de#et adalah sisa pokok pin%a!an setelah dikurangi setoran. ,aki de#et di#agi lagi dala! dua #agian yaitu #aki de#et #ulan lalu dan #aki de#et #ulan laporan. 7ni di!aksudkan untuk !engetahui sisa pin%a!an yang harus dike!#alikan kepada #ank, antara #ulan sekarang dan #ulan laporan ter%adi peru#ahan atau tidak. 6$ Pen",s,nan P!la Klasi/i)asi Da'a

enyusunan pola klasifikasi dengan !e!asukan data-data literatur yang digunakan. ola yang dia!#il dala! penelitian ini yaitu dengan cara !enga!#il data pelatihan sela!a dua #ulan. Setiap #ulannya data dia!#il se#anyak )0 #uah data, ini !enun%ukan terdapat )0 nasa#ah yang !enga!#il kredit. .u!lah nasa#ah dala! perharinya tidak diperhitungkan, artinya %u!lahnya tidak !e!pengaruhi #anyaknya data yang dia!#il per#ulan. ?ntuk data yang akan diu%i ini %u!lahnya #e#as, tetapi dala! kasus ini di#atasi hanya 100 (seratus* #uah rekord sa%a. Data pengu%ian ini dia!#il secara acak atau rando! dari data pelatihan, #iasanya suatu pengu%ian data yang dilakukan oleh .aringan Syaraf /iruan dia!#il data historis atau data pelatihan, data pengu%ian ini disi!pan -aria#el inputan #eserta targetnya. 7$ F,ngsi Pembela8a(an +an Pela'ihan .aringan syaraf tiruan !e!punyai dua tahap proses, yaitu roses pelatihan dan roses pengu%ian /ahap pelatihan !e!erlukan "aktu yang la!a, karena pada proses ini akan dicari suatu #o#ot yang dapat !e!enuhi dari se%u!lah data yang akan dilatih. Model .S/ yang digunakan dala! penelitian ini adalah arsitektur feedfor'ard (u!pan !a%u*. Sedangkan konsep #ela%ar yaitu algorit!a #ela%ar propagasi #alik !o!entu! dengan teknik per#aikan !enggunakan gradient descent dan adapti)e learning. ara!eter-para!eter yang harus diset0 1. 2. ). 4. I. J. L. *9$ Maksi!u! 8poch (7terasi* .u!lah 8poh Eang ditun%ukan tiap iterasi +iner%a /u%uan (Target -rror* 9earning rate (9:* :asio untuk !enaikan 9: ((nc ./* :asio untuk !enurunkan 9: (Dec ./! Mo!entu! Pengama'an :asil

engu%ian kredit untuk #ulan perta!a, para!eter yang di!asukkan adalah se#agai #erikut0 !aksi!u! epoch 4 10000, sho" epoch 4 100, learning rate 4 0.01, !o!entu! 4 0.M, incre!ent learning rate 4 1.0I, decre!ent learning rate 4 0.L dan nilai default untuk para!eter goal 4 10 -1 dan !aksi!u! kenaikan ker%a 4 1.0J.

Gamba( -$ roses pe!#ela%aran pada traingd3 dengan 10000 epoh Data pengu%ian direpresentasikan lagi ke siste! .aringan Syaraf /iruan untuk dihitung kesalahannya. ada ga!#ar ) !en%elaskan #ah"a se#agian #esar rekord diklasifikasi dengan error (kesalahan*, ini ditun%ukan oleh ketidaktepatannya antara target (o* dengan output %aringan (N*.

Gamba( .$ Drafik hasil e-aluasi data testing Dari perhitungan %u!lah rekord yang !e!punyai error dala!

pengklasifikasian di#agi dengan total rekord didapat prosentase kesalahan klasifikasi se#esar 0.22O.

?ntuk hasil yang le#ih %elas dari pengklasifikasian data secara keseluruhan, dapat dilihat pada ga!#ar 4 di#a"ah ini.

Gamba( 1$ Data hasil klasifikasi **$ 1. Kesim0,lan .aringan Syaraf /iruan dapat di#angun dengan #aik %ika pola inputan -aria#el !asukan se!akin #anyak dan #eraga!, agar proses pengenalan data yang akan dilatih le#ih #aik sehingga !enghasilkan output %aringan yang #aik pula. 2. Gasil grafik yang telah di#uat oleh progra! si!ulasi !enun%ukan #ah"a hu#ungan antara target (o* dengan output %aringan (N*, dapat di%elaskan #ah"a output %aringan yang tepat pada target atau cenderung !endekati target dengan nilai 0 #ah"a data terse#ut !enun%ukan kredit lancar, dan output %aringan yang tepat pada target cenderung !endekati target dengan nilai 1 #ah"a data terse#ut !enun%ukan kredit !acet. ). Se#agai!ana sifat dari penelitian yaitu #erhasil atau tidak #erhasil. Dala! kasus ini apa#ila ditin%au dari perke!#angan teknologi di#idang klasifikasi data, penelitian ini #elu! #isa dikatakan #erhasil.

DAFTAR PUSTAKA Dhanes"ara, Diri, dan Moertini, Peronica S. Jaringan Syaraf Tiruan #ropagasi Balik 0ntuk "lasifikasi Data. 7ntegral. Pol 9 Qo ), pp11L-1)1, Qo-e!#er 2004. +ristanto, Rndri. Jaringan Syaraf Tiruan "onsep Dasar, %lgoritma dan %plikasi!. Eogyakarta0 Da-a Media. 2004. +usu!ade"i, Sri. %rtificial (ntellegence Teknik dan %plikasinya!. Eogyakarta0 Draha 7l!u. 200). Mul%ono, /. . Manajemen #erkreditan Bagi Bank "omersiil. Eogyakarta0 , K8 Eogyakarta. 2001. ra!udiono, 7ko. #engantar Data Mining1 Menambang #ermata #engetahuan di 2unung Data. 7l!u+o!puter.co!, pp1-4, 200). ress!an, :oger S. Soft'are -ngineering1 % #ractitioner3s %ppproach. McDra"Gill Co!panies, 7nc. 199L. Sinungan, Muchdarsyah. "redit Seluk Beluk dan Teknik #engelolaan. .akarta0 Eagrat. 19L9 CCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCC *N Staf enga%ar S// 7nfor!atika Sony Suge!a ,andung

10