Prediksi Permintaan Kredit Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS)
PREDIKSI PERMINTAAN KREDIT MENGGUNAKAN METODE
ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
(ANFIS)
SKRIPSI
SAMUEL ANTHONIUS MADUWU
091402118
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2014
Universitas Sumatera Utara
i
ABSTRAK
Pemberian kredit kepada nasabah memerlukan perhitungan yang baik, agar
perusahaan bisa mendapatkan laba yang maksimal. Oleh karena itu, dibutuhkan sistem
yang dapat memprediksi permintaan kredit sesuai permintaan pasar. Data yang
digunakan adalah data realisasi kredit pada perusahaan PT. BPR NBP 20 Delitua.
Metode Adaptive Neuro Fuzzy Inference System (ANFIS) merupakan gabungan dari
Artificial Neural Network (ANN) dan Fuzzy Inference Systems (FIS) yang
menggunakan algoritma pembelajaran terhadap sekumpulan data. Berdasarkan hasil
pengujian dengan data training dari tanggal 04 Januari 2006 s.d. 18 Februari 2012 dan
data testing tanggal 19 Februari 2012 s.d. 31 Desember 2013, diperoleh nilai MAPE
(Mean Absolute Percentage Error) sebesar 17.405% dengan menggunakan parameter
laju pembelajaran = 0.09, momentum = 0.1, dan max epoch = 600.
Kata kunci: adaptive neuro fuzzy inference system, artificial neural network, fuzzy
inference system, prediksi, permintaan kredit, kredit.
Universitas Sumatera Utara
ii
CREDIT DEMAND PREDICTION USING ADAPTIVE NEURO FUZZY
INFERENCE SYSTEM
ABSTRACT
Giving a credit to customers needs a good consideration so that your company can
earn the maximum profit. Therefore, we need a system that can predict credit demand
according to the market demand. Data used is realization data from PT. BPR NBP 20
Delitua. Adaptive neuro fuzzy inference system (ANFIS) is combination from
Artificial Neural Network (ANN) and Fuzzy Inference Systems (FIS) by using
learning algorithm against sets of data. Based on testing with training data from 04
January 2006 to 18 February 2012 and testing data from 19 February 2012 to 31
December 2013, MAPE value obtained (Mean Absolute Percentage Error)
by
17.405% with using learning rate parameter = 0.09, momentum = 0.1, and max epoch
= 600.
Key word: adaptive neuro fuzzy inference system, artificial neural network, fuzzy
inference system, prediction, credit demand, credit.
Universitas Sumatera Utara
iii
DAFTAR ISI
Hal.
ABSTRAK
ABSTRACT
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
BAB 1 PENDAHULUAN
1.1. Latar Belakang
1.2. Rumusan Masalah
1.3. Batasan Masalah
1.4. Tujuan Penelitian
1.5. Manfaat Penelitian
1.6. Metodologi Penelitian
1.7. Sistematika Penelitian
i
ii
iii
v
vi
1
1
2
2
3
3
3
4
BAB 2 LANDASAN TEORI
2.1. Peramalan
2.1.1. Tahapan peramalan
2.2. Syarat Pemberian Kredit
2.3. Normalisasi Data
2.4. Fuzzy Inference System
2.4.1. Fuzzyfikasi
2.4.2. Fuzzy clustering
2.4.3. Defuzzyfikasi
2.5. Jaringan Saraf Tiruan
2.6. Adaptive Neuro Fuzzy Inference System
2.7. Peramalan Menggunakan ANFIS
2.8. Penelitian Terdahulu
5
5
6
7
8
9
10
10
11
11
13
15
20
BAB 3 ANALISIS DAN PERANCANGAN SYSTEM
3.1. Identifikasi Masalah
3.2. Data yang Digunakan
3.3. Penerapan Metode ANFIS
3.4. Perancangan Sistem
3.4.1. Use Case Diagram
3.4.2. Use Case Spesification
3.4.3. Data Flow Diagram
3.4.3.1. DFD Level 0
3.4.3.2. DFD Level 1
3.4.3.3. DFD Level 2
3.4.4. Database System
3.5. Perancangan Antarmuka
22
22
23
24
29
29
31
34
34
35
36
37
38
Universitas Sumatera Utara
iv
BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1. Implementasi Sistem
4.1.1. Lingkungan implementasi
4.2. Implementasi Perancangan Antarmuka
4.2.1. Halaman awal (home)
4.2.2. Halaman data
4.2.3. Halaman prediksi
4.2.4. Halaman contact us
4.2.5. Halaman edit data (administrator)
4.2.6. Halaman parameter (administrator)
4.3. Pengujian Sistem
4.3.1. Rencana pengujian sistem
4.3.2. Kasus dan hasil pengujian sistem
4.3.3. Pengujian kinerja sistem
4.3.4. Pengujian data
41
41
41
42
42
43
43
44
44
45
45
45
46
48
51
BAB 5 KESIMPULAN DAN SARAN
5.1. Kesimpulan
5.2. Saran
55
55
55
DAFTAR PUSTAKA
56
Universitas Sumatera Utara
v
DAFTAR TABEL
Hal.
Tabel 2.1 Penelitian Terdahulu
Tabel 3.1 Rangkuman Data Permintaan Kredit
Tabel 3.2 Use Case Spesification untuk Use Case Login
Tabel 3.3 Use Case Spesification untuk Use Case Lihat Data
Tabel 3.4 Use Case Spesification untuk Use Case Prediksi
Tabel 3.5 Use Case Spesification untuk Use Case Pengaturan Parameter
Tabel 3.6 Use Case Spesification untuk Use Case Edit data
Tabel 3.7 Entitas DFD
Tabel 4.1 Tabel Rencana Pengujian Sistem
Tabel 4.2 Hasil Pengujian Komponen Login
Tabel 4.3 Hasil Pengujian Komponen Data
Tabel 4.4 Hasil Pengujian Komponen Prediksi Kredit
Tabel 4.5 Hasil Pengujian Komponen Parameter
Tabel 4.6 Hasil Pengujian Komponen Edit Data Kredit
Tabel 4.7 Data Kredit
Tabel 4.8 Nilai Normalisasi Data Kredit
Tabel 4.9 Nilai Fuzzy Clustering Mean
Tabel 4.10 Hasil Prediksi Data
Tabel 4.11 Hasil Denormalisasi Prediksi Data
Tabel 4.12 Parameter dan Hasil Pengujian Prediksi Permintaan Kredit
20
23
31
31
32
33
33
34
46
46
47
47
47
48
48
49
49
50
50
51
Universitas Sumatera Utara
vi
DAFTAR GAMBAR
Hal.
Gambar 2.1 Struktur dasar Sistem Inferensi Fuzzy
Gambar 2.2 Blog diagram langkah maju ANFIS
Gambar 2.3 Blog diagram langkah mundur ANFIS
Gambar 3.1 Grafik Permintaan Kredit
Gambar 3.2 Flowchart data training
Gambar 3.3 Flowchart data testing
Gambar 3.4 General Architecture
Gambar 3.5 Use Case Diagram
Gambar 3.6 DFD Level 0/Diagram Konteks
Gambar 3.7 DFD Level 1
Gambar 3.8 DFD Level 2 Login
Gambar 3.9 DFD Level 2 Mengelola data permintaan kredit
Gambar 3.10 DFD Level 2 Pengaturan Parameter
Gambar 3.11 DFD Level 2 Melihat peramalan kredit
Gambar 3.12 Database Peramalan Kredit
Gambar 4.1 Halaman home
Gambar 4.2 Halaman data
Gambar 4.3 Halaman prediksi
Gambar 4.4 Halaman contact us
Gambar 4.5 Halaman edit data (administrator)
Gambar 4.6 Halaman parameter (administrator)
Gambar 4.7 Grafik Hasil Prediksi
Gambar 4.8 Grafik Nilai error
Gambar 4.9 Grafik Hasil Prediksi
10
14
14
24
25
27
29
30
34
35
36
36
37
37
38
42
43
43
44
44
45
51
53
54
Universitas Sumatera Utara
ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
(ANFIS)
SKRIPSI
SAMUEL ANTHONIUS MADUWU
091402118
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2014
Universitas Sumatera Utara
i
ABSTRAK
Pemberian kredit kepada nasabah memerlukan perhitungan yang baik, agar
perusahaan bisa mendapatkan laba yang maksimal. Oleh karena itu, dibutuhkan sistem
yang dapat memprediksi permintaan kredit sesuai permintaan pasar. Data yang
digunakan adalah data realisasi kredit pada perusahaan PT. BPR NBP 20 Delitua.
Metode Adaptive Neuro Fuzzy Inference System (ANFIS) merupakan gabungan dari
Artificial Neural Network (ANN) dan Fuzzy Inference Systems (FIS) yang
menggunakan algoritma pembelajaran terhadap sekumpulan data. Berdasarkan hasil
pengujian dengan data training dari tanggal 04 Januari 2006 s.d. 18 Februari 2012 dan
data testing tanggal 19 Februari 2012 s.d. 31 Desember 2013, diperoleh nilai MAPE
(Mean Absolute Percentage Error) sebesar 17.405% dengan menggunakan parameter
laju pembelajaran = 0.09, momentum = 0.1, dan max epoch = 600.
Kata kunci: adaptive neuro fuzzy inference system, artificial neural network, fuzzy
inference system, prediksi, permintaan kredit, kredit.
Universitas Sumatera Utara
ii
CREDIT DEMAND PREDICTION USING ADAPTIVE NEURO FUZZY
INFERENCE SYSTEM
ABSTRACT
Giving a credit to customers needs a good consideration so that your company can
earn the maximum profit. Therefore, we need a system that can predict credit demand
according to the market demand. Data used is realization data from PT. BPR NBP 20
Delitua. Adaptive neuro fuzzy inference system (ANFIS) is combination from
Artificial Neural Network (ANN) and Fuzzy Inference Systems (FIS) by using
learning algorithm against sets of data. Based on testing with training data from 04
January 2006 to 18 February 2012 and testing data from 19 February 2012 to 31
December 2013, MAPE value obtained (Mean Absolute Percentage Error)
by
17.405% with using learning rate parameter = 0.09, momentum = 0.1, and max epoch
= 600.
Key word: adaptive neuro fuzzy inference system, artificial neural network, fuzzy
inference system, prediction, credit demand, credit.
Universitas Sumatera Utara
iii
DAFTAR ISI
Hal.
ABSTRAK
ABSTRACT
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
BAB 1 PENDAHULUAN
1.1. Latar Belakang
1.2. Rumusan Masalah
1.3. Batasan Masalah
1.4. Tujuan Penelitian
1.5. Manfaat Penelitian
1.6. Metodologi Penelitian
1.7. Sistematika Penelitian
i
ii
iii
v
vi
1
1
2
2
3
3
3
4
BAB 2 LANDASAN TEORI
2.1. Peramalan
2.1.1. Tahapan peramalan
2.2. Syarat Pemberian Kredit
2.3. Normalisasi Data
2.4. Fuzzy Inference System
2.4.1. Fuzzyfikasi
2.4.2. Fuzzy clustering
2.4.3. Defuzzyfikasi
2.5. Jaringan Saraf Tiruan
2.6. Adaptive Neuro Fuzzy Inference System
2.7. Peramalan Menggunakan ANFIS
2.8. Penelitian Terdahulu
5
5
6
7
8
9
10
10
11
11
13
15
20
BAB 3 ANALISIS DAN PERANCANGAN SYSTEM
3.1. Identifikasi Masalah
3.2. Data yang Digunakan
3.3. Penerapan Metode ANFIS
3.4. Perancangan Sistem
3.4.1. Use Case Diagram
3.4.2. Use Case Spesification
3.4.3. Data Flow Diagram
3.4.3.1. DFD Level 0
3.4.3.2. DFD Level 1
3.4.3.3. DFD Level 2
3.4.4. Database System
3.5. Perancangan Antarmuka
22
22
23
24
29
29
31
34
34
35
36
37
38
Universitas Sumatera Utara
iv
BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1. Implementasi Sistem
4.1.1. Lingkungan implementasi
4.2. Implementasi Perancangan Antarmuka
4.2.1. Halaman awal (home)
4.2.2. Halaman data
4.2.3. Halaman prediksi
4.2.4. Halaman contact us
4.2.5. Halaman edit data (administrator)
4.2.6. Halaman parameter (administrator)
4.3. Pengujian Sistem
4.3.1. Rencana pengujian sistem
4.3.2. Kasus dan hasil pengujian sistem
4.3.3. Pengujian kinerja sistem
4.3.4. Pengujian data
41
41
41
42
42
43
43
44
44
45
45
45
46
48
51
BAB 5 KESIMPULAN DAN SARAN
5.1. Kesimpulan
5.2. Saran
55
55
55
DAFTAR PUSTAKA
56
Universitas Sumatera Utara
v
DAFTAR TABEL
Hal.
Tabel 2.1 Penelitian Terdahulu
Tabel 3.1 Rangkuman Data Permintaan Kredit
Tabel 3.2 Use Case Spesification untuk Use Case Login
Tabel 3.3 Use Case Spesification untuk Use Case Lihat Data
Tabel 3.4 Use Case Spesification untuk Use Case Prediksi
Tabel 3.5 Use Case Spesification untuk Use Case Pengaturan Parameter
Tabel 3.6 Use Case Spesification untuk Use Case Edit data
Tabel 3.7 Entitas DFD
Tabel 4.1 Tabel Rencana Pengujian Sistem
Tabel 4.2 Hasil Pengujian Komponen Login
Tabel 4.3 Hasil Pengujian Komponen Data
Tabel 4.4 Hasil Pengujian Komponen Prediksi Kredit
Tabel 4.5 Hasil Pengujian Komponen Parameter
Tabel 4.6 Hasil Pengujian Komponen Edit Data Kredit
Tabel 4.7 Data Kredit
Tabel 4.8 Nilai Normalisasi Data Kredit
Tabel 4.9 Nilai Fuzzy Clustering Mean
Tabel 4.10 Hasil Prediksi Data
Tabel 4.11 Hasil Denormalisasi Prediksi Data
Tabel 4.12 Parameter dan Hasil Pengujian Prediksi Permintaan Kredit
20
23
31
31
32
33
33
34
46
46
47
47
47
48
48
49
49
50
50
51
Universitas Sumatera Utara
vi
DAFTAR GAMBAR
Hal.
Gambar 2.1 Struktur dasar Sistem Inferensi Fuzzy
Gambar 2.2 Blog diagram langkah maju ANFIS
Gambar 2.3 Blog diagram langkah mundur ANFIS
Gambar 3.1 Grafik Permintaan Kredit
Gambar 3.2 Flowchart data training
Gambar 3.3 Flowchart data testing
Gambar 3.4 General Architecture
Gambar 3.5 Use Case Diagram
Gambar 3.6 DFD Level 0/Diagram Konteks
Gambar 3.7 DFD Level 1
Gambar 3.8 DFD Level 2 Login
Gambar 3.9 DFD Level 2 Mengelola data permintaan kredit
Gambar 3.10 DFD Level 2 Pengaturan Parameter
Gambar 3.11 DFD Level 2 Melihat peramalan kredit
Gambar 3.12 Database Peramalan Kredit
Gambar 4.1 Halaman home
Gambar 4.2 Halaman data
Gambar 4.3 Halaman prediksi
Gambar 4.4 Halaman contact us
Gambar 4.5 Halaman edit data (administrator)
Gambar 4.6 Halaman parameter (administrator)
Gambar 4.7 Grafik Hasil Prediksi
Gambar 4.8 Grafik Nilai error
Gambar 4.9 Grafik Hasil Prediksi
10
14
14
24
25
27
29
30
34
35
36
36
37
37
38
42
43
43
44
44
45
51
53
54
Universitas Sumatera Utara