Untuk pemodelan data pada tabel 3.1 dalam bentuk grafik, dapat dilihat pada gambar 3.1.
Gambar 3.1 Grafik Permintaan Kredit
3.3. Penerapan Metode ANFIS
Pada sistem prediksi kredit Bank Perkreditan Rakyat BPR ini penulis menggunakan metode Adaftive Neuro Fuzzy Inference System ANFIS dan data permintaan kredit
dari tahun 2006 – tahun 2013 yang akan diproses sehingga dapat menghasilkan
prediksi pada hari berikutnya. Pada penelitian ini terdapat dua tahap proses yaitu tahap training dan tahap testing yang dapat kita lihat pada gambar 3.2 dan 3.3.
50.000 100.000
150.000 200.000
250.000 300.000
350.000 400.000
450.000 500.000
K re
d it
x 1
Tanggal
Permintaan Kredit
Universitas Sumatera Utara
Mulai Ambil data Training
Realisasi Kredit Normalisasi data
Melakukan clustering dengan FCM
Menentukan nilai Mean dan Standar deviasi dari hasil cluster
Data Train ≤ n
Inisialisasi nilai Epoch = 1 Mencari nilai consequent
Menghitung error pada lapisan ke- 5, ke-4, ke-3, ke-2, dan ke-1
Selesai
Mengubah nilai parameter masukan menggunakan gradient descent
Menghitung kuadrat error SSE
Epoch Max epoch Error Toleransi error
False True
Epoch ++ False
Data realisasi kredit
True
Gambar 3.2 Flowchart data training
Pada gambar 3.2, cara kerja data Training yang akan dibangun yaitu :
Universitas Sumatera Utara
1. Ambil data realisasi kredit sesuai dengan tanggal awal dan tanggal akhir yang
ingin ditraining. 2.
Melakukan normalisasi data yang telah dimasukkan, data ditransformasikan pada selang 0,1 s.d. 0,9. dengan menggunakan persamaan 2.1. Kemudian
target dibuat pada selang 1 s.d 9. 3.
Melakukan pengelompokkan terhadap data masukan dengan menggunakan FCM dengan persamaan 2.4 dan persamaan 2.5. Pada sistem prediksi ini,
setiap data input akan dibentuk dua buah cluster yaitu cluster 1 dan cluster 2 dimana cluster 1 merupakan data kelompok data dengan tingkat fluktuasi
rendah dan cluster 2 merupakan kelompok data dengan tingkat fluktuasi tinggi.
4. Setelah didapatkan pengelompokkan data, maka selanjutnya mencari nilai
mean dan standar deviasi. 5.
Melakukan beberapa tahap untuk mencari nilai consequent dari aturan yang dibuat untuk melakukan penjumlahan terhadap semua masukan pada layer
terakhir. 6.
Setelah tahap maju selesai, maka selanjutnya dilakukan tahap laju mundur dengan menggunakan error backpropagation untuk mengecek error pada
setiap layer dan menggunakan gradient descent untuk mengubah nilai parameter masukkan pada layer pertama.
7. Menghitung nilai kuadarat error menggunakan persamaan 2.23.
8. Melakukan penambah nilai epoch.
9. Jika nilai epoch lebih kecil dari nilai max pengulangan dan nilai error lebih
besar dari nilai batasan kesalahan, maka menuju ke langkah ke-5.
Untuk flowchart data testing dapat dilihat pada gambar 3.3
Universitas Sumatera Utara
Mulai Input Parameter : Laju
pembelajaran, momentum, max epoch, tglAwal, tgl Akhir
Normalisasi data Melakukan clustering dengan
FCM Menentukan nilai Mean dan
Standar deviasi dari hasil cluster
Data Testing ≤ n
Inisialisasi nilai Epoch = 1 Mencari nilai consequent
Menghitung error pada lapisan ke- 5, ke-4, ke-3, ke-2, dan ke-1
Selesai
Mengubah nilai parameter masukan menggunakan gradient descent
Menghitung kuadrat error SSE False
True
Epoch ++ Ambil data Testing
Realisasi Kredit Data realisasi
kredit
Hitung Nilai Denormalisasi False
Nilai data Testing Hitung MAPE
Epoch Max epoch Error Toleransi error
True Tampilkan
hasil prediksi
Gambar 3.3 Flowchart data testing
Universitas Sumatera Utara
Pada gambar 3.3, cara kerja data Testing yang akan dibangun yaitu : 1.
Input Nilai Parameter Laju Pembelajaran, Momentum, max epoch, tanggal awal, dan tanggal akhir.
2. Ambil data realisasi kredit sesuai dengan tanggal awal dan tanggal akhir yang
ingin ditesting. 3.
Melakukan normalisasi data yang telah dimasukkan, data ditransformasikan pada selang 0,1 s.d. 0,9. dengan menggunakan persamaan 2.1. Kemudian
target dibuat pada selang 1 s.d 9. 4.
Melakukan pengelompokkan terhadap data masukan dengan menggunakan FCM dengan persamaan 2.4 dan persamaan 2.5. Pada sistem prediksi ini,
setiap data input akan dibentuk dua buah cluster yaitu cluster 1 dan cluster 2 dimana cluster 1 merupakan data kelompok data dengan tingkat fluktuasi
rendah dan cluster 2 merupakan kelompok data dengan tingkat fluktuasi tinggi.
5. Setelah didapatkan pengelompokkan data, maka selanjutnya mencari nilai
mean dan standar deviasi. 6.
Melakukan beberapa tahap untuk mencari nilai consequent dari aturan yang dibuat untuk melakukan penjumlahan terhadap semua masukan pada layer
terakhir. 7.
Setelah tahap maju selesai, maka selanjutnya dilakukan tahap laju mundur dengan menggunakan error backpropagation untuk mengecek error pada
setiap layer dan menggunakan gradient descent untuk mengubah nilai parameter masukkan pada layer pertama.
8. Menghitung nilai kuadarat error menggunakan persamaan 2.23.
9. Melakukan penambah nilai epoch.
10. Cek nilai epoch nilai error
11. Cek jika nilai epoch lebih kecil dari nilai max pengulangan dan nilai error
lebih besar dari nilai batasan kesalahan, maka menuju ke langkah ke-6. 12.
Melakukan denormalisasi dari hasil data testing untuk menghasilkan nilai sebenarnya menggunakan persamaan 2.2.
13. Hitung tingkat kesalahan pada hasil prediksi dengan mengunakan MAPE
Mean Absolute Percentage Error
Universitas Sumatera Utara
3.4. Perancangan Sistem