Prediksi Nilai Kredit Pemilikan Rumah Menggunakan Evolving Fuzzy Neural Network (EFUNN)
PREDIKSI NILAI KREDIT PEMILIKAN RUMAH MENGGUNAKAN EVOLVING
FUZZY NEURAL NETWORK (EFUNN)
SKRIPSI
M.RIYANO ENDIPUTRA
101402039
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
2015
Universitas Sumatera Utara
PREDIKSI NILAI KREDIT PEMILIKAN RUMAH MENGGUNAKAN EVOLVING
FUZZY NEURAL NETWORK (EFUNN)
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Teknologi Informasi
M.RIYANO ENDIPUTRA
101402039
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
2015
Universitas Sumatera Utara
ii
PERSETUJUAN
Judul
: PREDIKSI NILAI KREDIT PEMILIKAN RUMAH
MENGGUNAKAN EVOLVING FUZZY NEURAL
NETWORK (EFUNN).
Kategori
: SKRIPSI
Nama
: M.RIYANO ENDIPUTRA
Nomor Induk Mahasiswa
: 101402039
Program Studi
: S1 TEKNOLOGI INFORMASI
Departemen
: TEKNOLOGI INFORMASI
Fakultas
: ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Dr.Erna Budhiarti Nababan, M.IT.
Dr.Syahril Efendi, S.Si,M.IT.
NIP. ---
NIP. 196711101996021001
Diketahui/disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Muhammad Anggia Muchtar, ST., MM.IT
NIP. 19800110 200801 1 010
Universitas Sumatera Utara
iii
PERNYATAAN
PREDIKSI NILAI KREDIT PEMILIKAN RUMAH MENGGUNAKAN EVOLVING
FUZZY NEURAL NETWORK (EFUNN)
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan,
M.Riyano Endiputra
101402039
Universitas Sumatera Utara
iv
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan ke hadirat Allah SWT atas rahmat dan karunia
yang diberikan sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk
memperoleh gelar sarjana Teknologi Informasi pada program studi S1 Teknologi
Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis ucapkan kepada Ibu Erna Budhiarti dan Bapak
Syahril Efendi selaku dosen pembimbing yang telah meluangkan banyak waktu untuk
memberikan motivasi, masukan dan saran kepada penulis. Ucapan terima kasih juga
ditujukan untuk Ibu Sarah Purnamawati dan Bapak Romi Fadillah Rahmat yang telah
bersedia menjadi dosen pembanding. Ucapan terima kasih juga penulis ucapkan untuk
seluruh dosen serta pegawai di Program Studi S1 Teknologi Informasi.
Skripsi ini penulis persembahkan untuk kedua orang tua, ayahanda Hendri
Pramana Triputra dan Ibunda Irzuzie Abdullah Basya serta Abang Raga Pramana
Putra yang telah banyak memberikan dukungan dan motivasi. Terima kasih penulis
ucapkan untuk seluruh teman-teman yang selalu memberikan dukungan dan berbagi
ilmu khususnya angkatan 2010. Semoga Allah SWT membalas kebaikan kalian
dengan nikmat yang berlimpah.
Universitas Sumatera Utara
v
ABSTRAK
Kredit Pemilikan Rumah (KPR) merupakan kredit yang digunakan untuk membeli
rumah atau untuk kebutuhan konsumtif lainnya dengan jaminan atau agunan berupa
rumah. Dalam suatu proses transaksi KPR, bank harus membayarkan total nilai harga
rumah tersebut dan nasabah akan membayar dengan mencicil ke bank dengan bunga
tambahan dari bank. Dengan banyaknya permintaan nasabah untuk KPR, bank
membutuhkan dana yang besar dalam pembiayaan dana nasabah KPR. Dalam
pengalokasian dananya, bank memiliki banyak bidang bisnis untuk disalurkan dana,
sehingga bank harus dapat mengalokasikan dana dengan tepat, oleh karena itu
dibutuhkan suatu pendekatan dalam memprediksi besarnya nilai KPR dari nasabah
bank. Salah satu teknik dalam prediksi yaitu prediksi time series yang merupakan
jenis prediksi kuantitatif. Prediksi time series merupakan prediksi dengan
menggunakan data historis atau masa lampau. Pada penelitian ini penulis
menggunakan metode Evolving Fuzzy Neural Network (EFuNN) untuk melakukan
prediksi berdasarkan data time series yang ada. EFuNN merupakan Fuzzy Neural
Network (FuNN) yang strukturnya telah dikembangkan dan dimodifikasi menjadi
struktur fluktuasi yang berkembang berdasarkan node pada prosesnya. Hasil prediksi
diukur keakuratannya dengan menggunakan MAPE (Mean Absolute Percentage
Error ). Berdasarkan data KPR yang didapat yaitu dari Januari 2011 sampai Mei 2014,
MAPE yang didapat dari prediksi menggunakan EFuNN sebesar 9.24%.
Kata kunci : efunn, evolving fuzzy neural network, fuzzy logic, prediksi, kredit
pemilikan rumah, KPR.
Universitas Sumatera Utara
vi
HOME MORTGAGE LOAN (KPR) VALUE PREDICTION USING
EVOLVING FUZZY NEURAL NETWORK (EFUNN)
ABSTRACT
Home Mortgage Loan (KPR) is a credit used for buying house or another consumptive
needs with house as a warranty or collateral. In a KPR’s transaction, a bank need to
pay for the total price of the house and the customer will pay with installments to bank
with interest added. As bigger demands for KPR come from the customer, bank needs
a big fund for financing customer’s KPR. On its allocation funds, a bank has many
business areas for funding, so bank needs to appropriately allocate its funds. Therefore
an approach is required for predicting the KPR’s fund from customers. One of the
technique for predicting is times series which is a quantitative prediction type. Time
series prediction is a prediction based on historical data or the past data. In this
research, the author proposed a method called evolving fuzzy neural network (EFuNN)
for predicting based on existing time series data. EFuNN is a fuzzy neural network
(FuNN) which structure is developed and modified to a fluctuation structure based on
the node on its process. The prediction results accuracy will be measured using MAPE
(Mean Absolute Percentage Error ). Based on the KPR’s obtained data from January
2011 to May 2014, MAPE obtained from this prediction using EFuNN is 9.24%.
Keyword : efunn, evolving fuzzy neural network, fuzzy logic, prediction, home
mortgage loan, KPR.
Universitas Sumatera Utara
vii
DAFTAR ISI
Hal.
Persetujuan
ii
Pernyataan
iii
Ucapan Terima Kasih
iv
Abstrak
v
Abstract
vi
Daftar Isi
vii
Daftar Tabel
ix
Daftar Gambar
x
BAB 1 Pendahuluan
1
1.1. Latar Belakang
1
1.2. Rumusan Masalah
2
1.3. Batasan Masalah
2
1.4. Tujuan Penelitian
3
1.5. Manfaat Penelitian
3
1.6. Metodologi Penelitian
3
1.7. Sistematika Penulisan
4
BAB 2 Landasan Teori
2.1. Kredit pemilikan rumah
6
6
2.1.1. Penilaian Terhadap Harga Rumah Dalam Kredit Pemilikan
Rumah
9
2.1.2. Penilai Publik
10
Universitas Sumatera Utara
viii
2.1.3. Teori-Teori Pendekatan Pada Penilaian
11
2.2. Teknik peramalan
14
2.3. Fuzzy logic
18
2.3.1
Himpunan fuzzy
19
2.3.2
Fungsi keanggotaan
20
2.3.3
Operator dasar untuk operasi himpunan fuzzy
24
2.3.4
Fuzzy inference system
25
2.4. Evolving fuzzy neural network
26
2.4.1
Arsitektur evolving fuzzy neural network
27
2.4.2
Parameter pada evolving fuzzy neural network
29
2.4.3
Algoritma evolving fuzzy neural network
30
2.5. Penelitian terdahulu
32
BAB 3 Analisis dan Perancangan
34
3.1. Arsitektur umum
34
3.2
Data yang digunakan
36
3.3
Analisis sistem
38
BAB 4 Implementasi dan Pengujian
4.1. Pengujian sistem
4.1.1. Pengujian kinerja sistem
4.2. Pengujian data
BAB 5 Kesimpulan dan Saran
44
44
44
51
52
5.1. Kesimpulan
52
5.2. Saran
53
DAFTAR PUSTAKA
54
Universitas Sumatera Utara
ix
DAFTAR TABEL
Hal.
Tabel 2.1. Prime Lending
7
Tabel 2.2. Pendekatan Penilaian
12
Tabel 3.1. Rangkuman Data Kredit Pemilikan Rumah
36
Tabel 4.1 Data Kredit Pemilikan Rumah
44
Tabel 4.2 Normalisasi Data Kredit Pemilikan Rumah
46
Tabel 4.3. Nilai Fuzzy Input dan Output
47
Tabel 4.4. Hasil Prediksi
48
Tabel 4.5. Hasil Prediksi Akhir
48
Universitas Sumatera Utara
x
DAFTAR GAMBAR
Hal.
Gambar 2.1. Pola Data Horizontal
16
Gambar 2.2. Pola Data Siklis
17
Gambar 2.3. Pola Data Musiman
17
Gambar 2.4. Pola Data Trend
18
Gambar 2.5. Representasi Linear Naik
20
Gambar 2.6. Representasi Linear Turun
21
Gambar 2.7. Representasi Kurva Segitiga
22
Gambar 2.8. Representasi Kurva Trapesium
23
Gambar 2.9. Fuzzy Inference System
25
Gambar 2.10. Arsitektur Evolving Fuzzy Neural Network
27
Gambar 2.11. Arsitektur EFuNN dengan Short-term memory
28
Gambar 3.1. Langkah Penyelesaian EFuNN Pada Sistem
35
Gambar 3.2. Pola Musiman Nilai Dokumen Kredit Pemilikan Rumah
37
Gambar 3.3. Pola Musiman Nilai Fisik Kredit Pemilikan Rumah
37
Gambar 3.4. Algoritma Evolving Fuzzy Neural Network Pada Sistem
38
Gambar 3.5. Himpunan Fuzzy Untuk Data KPR
40
Gambar 4.1. Tampilan Input Parameter Pada Sistem
45
Universitas Sumatera Utara
xi
Gambar 4.2. Tampilan Input Data Prediksi Pada Sistem
46
Gambar 4.3. Hasil Prediksi 10 Data Input Pada Sistem
49
Gambar 4.4. Grafik Perbandingan Hasil Prediksi dan Target
50
Gambar 4.5. Error Hasil Prediksi
50
Gambar 4.6. Grafik Perbandingan Pengujian Data
51
Universitas Sumatera Utara
FUZZY NEURAL NETWORK (EFUNN)
SKRIPSI
M.RIYANO ENDIPUTRA
101402039
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
2015
Universitas Sumatera Utara
PREDIKSI NILAI KREDIT PEMILIKAN RUMAH MENGGUNAKAN EVOLVING
FUZZY NEURAL NETWORK (EFUNN)
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Teknologi Informasi
M.RIYANO ENDIPUTRA
101402039
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
2015
Universitas Sumatera Utara
ii
PERSETUJUAN
Judul
: PREDIKSI NILAI KREDIT PEMILIKAN RUMAH
MENGGUNAKAN EVOLVING FUZZY NEURAL
NETWORK (EFUNN).
Kategori
: SKRIPSI
Nama
: M.RIYANO ENDIPUTRA
Nomor Induk Mahasiswa
: 101402039
Program Studi
: S1 TEKNOLOGI INFORMASI
Departemen
: TEKNOLOGI INFORMASI
Fakultas
: ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Dr.Erna Budhiarti Nababan, M.IT.
Dr.Syahril Efendi, S.Si,M.IT.
NIP. ---
NIP. 196711101996021001
Diketahui/disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Muhammad Anggia Muchtar, ST., MM.IT
NIP. 19800110 200801 1 010
Universitas Sumatera Utara
iii
PERNYATAAN
PREDIKSI NILAI KREDIT PEMILIKAN RUMAH MENGGUNAKAN EVOLVING
FUZZY NEURAL NETWORK (EFUNN)
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan,
M.Riyano Endiputra
101402039
Universitas Sumatera Utara
iv
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan ke hadirat Allah SWT atas rahmat dan karunia
yang diberikan sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk
memperoleh gelar sarjana Teknologi Informasi pada program studi S1 Teknologi
Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis ucapkan kepada Ibu Erna Budhiarti dan Bapak
Syahril Efendi selaku dosen pembimbing yang telah meluangkan banyak waktu untuk
memberikan motivasi, masukan dan saran kepada penulis. Ucapan terima kasih juga
ditujukan untuk Ibu Sarah Purnamawati dan Bapak Romi Fadillah Rahmat yang telah
bersedia menjadi dosen pembanding. Ucapan terima kasih juga penulis ucapkan untuk
seluruh dosen serta pegawai di Program Studi S1 Teknologi Informasi.
Skripsi ini penulis persembahkan untuk kedua orang tua, ayahanda Hendri
Pramana Triputra dan Ibunda Irzuzie Abdullah Basya serta Abang Raga Pramana
Putra yang telah banyak memberikan dukungan dan motivasi. Terima kasih penulis
ucapkan untuk seluruh teman-teman yang selalu memberikan dukungan dan berbagi
ilmu khususnya angkatan 2010. Semoga Allah SWT membalas kebaikan kalian
dengan nikmat yang berlimpah.
Universitas Sumatera Utara
v
ABSTRAK
Kredit Pemilikan Rumah (KPR) merupakan kredit yang digunakan untuk membeli
rumah atau untuk kebutuhan konsumtif lainnya dengan jaminan atau agunan berupa
rumah. Dalam suatu proses transaksi KPR, bank harus membayarkan total nilai harga
rumah tersebut dan nasabah akan membayar dengan mencicil ke bank dengan bunga
tambahan dari bank. Dengan banyaknya permintaan nasabah untuk KPR, bank
membutuhkan dana yang besar dalam pembiayaan dana nasabah KPR. Dalam
pengalokasian dananya, bank memiliki banyak bidang bisnis untuk disalurkan dana,
sehingga bank harus dapat mengalokasikan dana dengan tepat, oleh karena itu
dibutuhkan suatu pendekatan dalam memprediksi besarnya nilai KPR dari nasabah
bank. Salah satu teknik dalam prediksi yaitu prediksi time series yang merupakan
jenis prediksi kuantitatif. Prediksi time series merupakan prediksi dengan
menggunakan data historis atau masa lampau. Pada penelitian ini penulis
menggunakan metode Evolving Fuzzy Neural Network (EFuNN) untuk melakukan
prediksi berdasarkan data time series yang ada. EFuNN merupakan Fuzzy Neural
Network (FuNN) yang strukturnya telah dikembangkan dan dimodifikasi menjadi
struktur fluktuasi yang berkembang berdasarkan node pada prosesnya. Hasil prediksi
diukur keakuratannya dengan menggunakan MAPE (Mean Absolute Percentage
Error ). Berdasarkan data KPR yang didapat yaitu dari Januari 2011 sampai Mei 2014,
MAPE yang didapat dari prediksi menggunakan EFuNN sebesar 9.24%.
Kata kunci : efunn, evolving fuzzy neural network, fuzzy logic, prediksi, kredit
pemilikan rumah, KPR.
Universitas Sumatera Utara
vi
HOME MORTGAGE LOAN (KPR) VALUE PREDICTION USING
EVOLVING FUZZY NEURAL NETWORK (EFUNN)
ABSTRACT
Home Mortgage Loan (KPR) is a credit used for buying house or another consumptive
needs with house as a warranty or collateral. In a KPR’s transaction, a bank need to
pay for the total price of the house and the customer will pay with installments to bank
with interest added. As bigger demands for KPR come from the customer, bank needs
a big fund for financing customer’s KPR. On its allocation funds, a bank has many
business areas for funding, so bank needs to appropriately allocate its funds. Therefore
an approach is required for predicting the KPR’s fund from customers. One of the
technique for predicting is times series which is a quantitative prediction type. Time
series prediction is a prediction based on historical data or the past data. In this
research, the author proposed a method called evolving fuzzy neural network (EFuNN)
for predicting based on existing time series data. EFuNN is a fuzzy neural network
(FuNN) which structure is developed and modified to a fluctuation structure based on
the node on its process. The prediction results accuracy will be measured using MAPE
(Mean Absolute Percentage Error ). Based on the KPR’s obtained data from January
2011 to May 2014, MAPE obtained from this prediction using EFuNN is 9.24%.
Keyword : efunn, evolving fuzzy neural network, fuzzy logic, prediction, home
mortgage loan, KPR.
Universitas Sumatera Utara
vii
DAFTAR ISI
Hal.
Persetujuan
ii
Pernyataan
iii
Ucapan Terima Kasih
iv
Abstrak
v
Abstract
vi
Daftar Isi
vii
Daftar Tabel
ix
Daftar Gambar
x
BAB 1 Pendahuluan
1
1.1. Latar Belakang
1
1.2. Rumusan Masalah
2
1.3. Batasan Masalah
2
1.4. Tujuan Penelitian
3
1.5. Manfaat Penelitian
3
1.6. Metodologi Penelitian
3
1.7. Sistematika Penulisan
4
BAB 2 Landasan Teori
2.1. Kredit pemilikan rumah
6
6
2.1.1. Penilaian Terhadap Harga Rumah Dalam Kredit Pemilikan
Rumah
9
2.1.2. Penilai Publik
10
Universitas Sumatera Utara
viii
2.1.3. Teori-Teori Pendekatan Pada Penilaian
11
2.2. Teknik peramalan
14
2.3. Fuzzy logic
18
2.3.1
Himpunan fuzzy
19
2.3.2
Fungsi keanggotaan
20
2.3.3
Operator dasar untuk operasi himpunan fuzzy
24
2.3.4
Fuzzy inference system
25
2.4. Evolving fuzzy neural network
26
2.4.1
Arsitektur evolving fuzzy neural network
27
2.4.2
Parameter pada evolving fuzzy neural network
29
2.4.3
Algoritma evolving fuzzy neural network
30
2.5. Penelitian terdahulu
32
BAB 3 Analisis dan Perancangan
34
3.1. Arsitektur umum
34
3.2
Data yang digunakan
36
3.3
Analisis sistem
38
BAB 4 Implementasi dan Pengujian
4.1. Pengujian sistem
4.1.1. Pengujian kinerja sistem
4.2. Pengujian data
BAB 5 Kesimpulan dan Saran
44
44
44
51
52
5.1. Kesimpulan
52
5.2. Saran
53
DAFTAR PUSTAKA
54
Universitas Sumatera Utara
ix
DAFTAR TABEL
Hal.
Tabel 2.1. Prime Lending
7
Tabel 2.2. Pendekatan Penilaian
12
Tabel 3.1. Rangkuman Data Kredit Pemilikan Rumah
36
Tabel 4.1 Data Kredit Pemilikan Rumah
44
Tabel 4.2 Normalisasi Data Kredit Pemilikan Rumah
46
Tabel 4.3. Nilai Fuzzy Input dan Output
47
Tabel 4.4. Hasil Prediksi
48
Tabel 4.5. Hasil Prediksi Akhir
48
Universitas Sumatera Utara
x
DAFTAR GAMBAR
Hal.
Gambar 2.1. Pola Data Horizontal
16
Gambar 2.2. Pola Data Siklis
17
Gambar 2.3. Pola Data Musiman
17
Gambar 2.4. Pola Data Trend
18
Gambar 2.5. Representasi Linear Naik
20
Gambar 2.6. Representasi Linear Turun
21
Gambar 2.7. Representasi Kurva Segitiga
22
Gambar 2.8. Representasi Kurva Trapesium
23
Gambar 2.9. Fuzzy Inference System
25
Gambar 2.10. Arsitektur Evolving Fuzzy Neural Network
27
Gambar 2.11. Arsitektur EFuNN dengan Short-term memory
28
Gambar 3.1. Langkah Penyelesaian EFuNN Pada Sistem
35
Gambar 3.2. Pola Musiman Nilai Dokumen Kredit Pemilikan Rumah
37
Gambar 3.3. Pola Musiman Nilai Fisik Kredit Pemilikan Rumah
37
Gambar 3.4. Algoritma Evolving Fuzzy Neural Network Pada Sistem
38
Gambar 3.5. Himpunan Fuzzy Untuk Data KPR
40
Gambar 4.1. Tampilan Input Parameter Pada Sistem
45
Universitas Sumatera Utara
xi
Gambar 4.2. Tampilan Input Data Prediksi Pada Sistem
46
Gambar 4.3. Hasil Prediksi 10 Data Input Pada Sistem
49
Gambar 4.4. Grafik Perbandingan Hasil Prediksi dan Target
50
Gambar 4.5. Error Hasil Prediksi
50
Gambar 4.6. Grafik Perbandingan Pengujian Data
51
Universitas Sumatera Utara