PENERAPAN PARTICLE SWARM OPTIMIZATION UNTUK SELEKSI ATRIBUT PADA METODE SUPPORT VECTOR MACHINE UNTUK PENENTUAN PENILAIAN KREDIT

ISBN: 978-602-72850-4-0

SNIPTEK 2013

PENERAPAN PARTICLE SWARM OPTIMIZATION UNTUK SELEKSI ATRIBUT
PADA METODE SUPPORT VECTOR MACHINE UNTUK PENENTUAN PENILAIAN
KREDIT
Rinawati
STMIK Nusa Mandiri Jakarta
Jl. Damai No.8, Warung Jati Barat
(Margasatwa), Jakarta Selatan
rinawati.riw@nusamandiri.ac.id

ABSTRAK — Kredit macet merupakan salah satu resiko
kredit yang dihadapi oleh pelaku industri keuangan dan
perbankan. Kredit macet dapat dihindari dengan cara
melakukan analisa kredit yang akurat terhadap calon
debitur. Keakuratan penilaian kredit sangat penting untuk
profitabilitas lembaga keuangan. Peningkatan akurasi
penilaian kredit dapat dilakukan dengan cara melakukan
seleksi terhadap atribut, karena seleksi atribut mengurangi

dimensi dari data sehingga operasi algoritma data mining
dapat berjalan lebih efektif dan lebih cepat. Banyak
penelitian yang telah dilakukan untuk penentuan penilaian
kredit. Salah satu metode yang paling banyak digunakan
adalah metode support vector machine. Dalam penelitian
ini akan digunakan metode support vector machine dan
akan dilakukan seleksi atribut dengan menggunakan
particle swarm optimization untuk penentuan penilaian
kredit. Setelah dilakukan pengujian maka hasil yang
didapat adalah support vector machine menghasilkan nilai
akurasi sebesar 75,3 %, nilai precision 63,29% dan nilai
AUC sebesar 0,78. Kemudian dilakukan seleksi atribut
dengan menggunakan particle swarm optimization dimana
atribut yang semula berjumlah 20 variabel prediktor
terpilih 15 atribut yang digunakan. Hasil menunjukkan
nilai akurasi yang lebih tinggi yaitu sebesar 77,4%, nilai
precision 66,62% dan nilai AUC sebesar 0,786. Sehingga
dicapai peningkatan akurasi sebesar 2,1 %,
dan
peningkatan AUC sebesar 0,006. Dengan melihat nilai

akurasi dan AUC, maka algoritma support vector machines
berbasis particle swarm optimization masuk kedalam
kategori klasifikasi cukup.
Kata kunci: penilaian kredit, seleksi atribut, support
vector machine, particle swarm optimization
ABSTRACT - Bad debt is one of credit risk faced by financial
industry and banking industry. Bad credit can be avoided by
conducting accurate credit analysis of prospective
borrowers. The accuracy of credit scoring is essential for
profitability of financial institutions. Improving the accuracy
of credit scoring can be done by selecting attributes, because
attribute selection reduces the dimensions of the data so that
data mining algorithm operation can run more effectively
and faster. Much research has been done for the

INF-65

determination of credit ratings. One of the most widely used
methods is the support vector machine. In this research will
be used support vector machine method and will do the

selection of attributes by using particle swarm optimization
for determination of credit rating. After testing, the result
obtained is the support vector machine to produce accuracy
of 75.3%, precision value 63.29% and AUC value of 0.78.
Then the attribute selection is done using particle swarm
optimization where the original attribute is 20 predictor
variables selected 15 attributes used. The results showed a
higher accuracy value of 77.4%, precision value 66.62% and
AUC value of 0.786. So achieved an increase in accuracy of
2.1%, and an increase of AUC by 0.006. By looking at the
accuracy and AUC values, the particle swarm optimizationbased vector machines support algorithm falls into the
category of sufficient classification.
Keywords: credit rating, attribute selection, support vector
machine, particle swarm optimization

PENDAHULUAN
Penilaian kredit merupakan topik yang penting
dalam pengelolaan resiko keuangan. Laporan
bank
Indonesia menunjukkan bahwa pada akhir tahun 2011

tercatat kredit macet senilai Rp. 33.401.000.000.000 naik
hingga 17,64% dibandingkan dengan th 2010 sebesar Rp.
28.396.000.000.000 (Indonesia, Bank;, 2012). Hal tersebut
menunjukkan bahwa tingkat kredit macet mengalami
kenaikan yang tajam.
Kredit macet merupakan salah satu resiko kredit
yang dihadapi oleh pelaku industri keuangan dan
perbankan. Kredit macet terjadi apabila dalam jangka
panjang, lembaga keuangan atau perbankan tidak dapat
menarik pinjaman kredit dalam waktu yang telah
ditentukan (Jianguo & Tao, 2008). Kredit macet memiliki
dampak yang buruk bagi penyedia kredit yaitu berupa
resiko kerugian (Hian, Wei & Chwee, 2006).
Kredit macet dapat dihindari dengan cara
melakukan analisa kredit yang akurat terhadap calon
debitur (Bellotti & Crook, 2007). Tujuan utamanya adalah
untuk memperoleh keyakinan bahwa debitur akan dapat
memenuhi setiap kewajibannya dan memastikan kualitas

SNIPTEK 2013

kredit tetap lancar sampai berakhirnya perjanjian kredit.
Keakuratan penilaian kredit sangat penting untuk
profitabilitas lembaga keuangan (Gang, Jinxing, Jian &
Hongbing, 2011).
Penilaian kredit mengelompokkan para calon
debitur menjadi dua jenis yaitu debitur baik dan debitur
buruk. Debitur baik memiliki kemungkinan besar akan
membayar kewajiban keuangannya dengan lancar,
sedangkan debitur buruk memiliki kemungkinan besar
mengalami kredit macet (Gang, Jinxing, Jian & Hongbing,
2011). Penilaian kredit sangat penting karena banyak
keuntungan yang diperoleh yaitu mengurangi biaya analisa
kredit, pengambilan keputusan lebih cepat, pemantauan
lebih dekat dengan data yang ada dan memungkinkan
untuk menetapkan calon debitur prioritas (Ping, 2009).
Penilaian kredit juga bermanfaat bagi penyedia kredit
untuk mengukur dan mengelola risiko keuangan dalam
memberikan kredit sehingga mereka dapat membuat
keputusan yang lebih baik, lebih cepat dan lebih obyektif
(Hian, Wei & Chwee, 2006).

Penelitian terdahulu mengenai topik penilaian
kredit telah banyak dilakukan seperti penelitian yang
dilakukan oleh Tony Bellotti dan Jonathan Crook yang
berjudul Support vector machines for credit scoring and
discovery of significant features. Menggunakan model
Support Vector Machine (SVM), Logistic Regression (LR),
Linear Discriminant Analysis (LDA) dan k-Nearest
Neighbours (kNN) untuk penentuan kelayakan pemberian
kredit dan menentukan fitur yang
berpengaruh. Hasil
menunjukkan bahwa metode Support Vector Machine
(SVM) mengungguli ketiga metode lainnya dan dapat
digunakan sebagai metode yang baik dalam seleksi fitur
yang
berpengaruh secara signifikan terhadap dasar
keputusan kelayakan pemberian kartu kredit dan juga
sangat tepat dalam pengolahan data dengan jumlah besar
(Bellotti & Crook, 2007). Penelitian selanjutnya dilakukan
oleh Jianguo Zhou dan Tao Bai yang berjudul Credit risk
assessment using rough set theory and GA-based SVM.

Meneliti tentang penilaian resiko kredit pada bank
komersial. Dilakukan pengurangan terhadap fitur tanpa
kehilangan informasi penting, setelah itu dilakukan
optimasi terhadap parameter. Hasil menunjukkan bahwa
optimasi dengan Genetic Algorithm - Support Vector
Machine (GA-SVM) menghasilkan akurasi yang lebih tinggi
dibandingkan dengan model Discriminant analysis (DA), BP
Neural networks (BPN) dan SVM standar (Jianguo & Tao,
2008). Selanjutnya Wei Xu, Shenghu Zhou, Dongmei Duan
dan Yanhui Chen melakukan penelitian dengan judul A
support vector machine based method for credit risk
assessment. Mengangkat permasalahan tentang penilaian
resiko kredit dalam industri kartu kredit. Pertama-tama
dilakukan pemilihan fitur yang tepat dengan menggunakan
principles component analysis (PCA), tahap kedua pelatihan
dilakukan dengan menggunakan beberapa kernel yang
berbeda dalam genetic algorithm untuk mengoptimalkan
parameter. Tahap ketiga dilakukan pelatihan dengan
menggunakan beberapa strategi ansambel. Hasil
menunjukkan bahwa kinerja penilaian resiko kredit

ISBN: 978-602-72850-4-0
dengan menggunakan strategi ansambel berbasis SVM
lebih baik dari
strategi SVM tunggal (Wei, Shenghu,
Dongmei & Yanhui, 2010).
Hasil penelitian menunjukkan metode Support
Vector Machine (SVM) banyak digunakan karena SVM
memiliki kemampuan generalisasi yang sangat baik untuk
memecahkan masalah walaupun dengan sampel yang
terbatas (Ming-hui & Xu-chuang, 2007). Keberhasilan SVM
tergantung pada pemilihan yang memadai terhadap fitur
dan parameter. Dengan kata lain dapat dikatakan bahwa
pemilihan fitur dan pemilihan parameter dalam SVM
secara signifikan mempengaruhi akurasi klasifikasi
(Mingyuan, Chong, ke & Mingtian, 2011).
Seleksi fitur adalah langkah untuk memilih dan
mendapatkan informasi yang lebih berharga dari data
dengan fitur yang besar. Atribut dan informasi yang
berlebihan yang dimasukkan kedalam model penilaian

kredit mengakibatkan banyaknya waktu dan biaya yang
dikorbankan bahkan akan mengurangi tingkat akurasi dan
kompleksitas yang lebih tinggi. Untuk
itu diperlukan
metode seleksi atribut pada data set dengan jumlah
atribut yang besar untuk meningkatkan hasil akurasi (Ping,
2009).
Particle swarm optimization (PSO) merupakan
teknik komputasi evolusioner yang mampu menghasilkan
solusi optimal secara global dalam ruang pencarian melalui
interaksi individu dalam segerombolan partikel. Setiap
partikel menyampaikan informasi berupa posisi
terbaiknya kepada partikel yang lain dan menyesuaikan
posisi dan kecepatan masing-masing berdasarkan
informasi yang diterima mengenai posisi yang terbaik
tersebut (Shuzhou & Bo, 2011). Particle swarm
optimization
dapat digunakan sebagai teknik optimasi
untuk mengoptimalkan subset fitur dan parameter secara
bersamaan (Yun, Qiu-yan & Hua, 2011). Algoritma PSO

sederhana dan memiliki kompleksitas yang lebih rendah.
sehingga dapat memastikan solusi optimal
dengan
menyesuaikan pencarian global dan lokal, sehingga kinerja
klasifikasi SVM dapat ditingkatkan (Yun, Qiu-yan & Hua,
2011). Melihat kemampuan dari metode Particle swarm
optimization (PSO)
tersebut, maka pada penelitian ini
metode Particle swarm optimization (PSO) akan diterapkan
untuk seleksi atribut dalam penentuan penilaian kredit
sehingga akan diperoleh peningkatan akurasi.

BAHAN DAN METODE
Menurut UU Perbankan No.10 Tahun 1998 Pasal 1
Ayat 11 menyatakan bahwa kredit adalah
penyediaan
uang atau tagihan yang dapat dipersamakan dengan itu,
berdasarkan persetujuan atau kesepakatan pinjammeminjam antara bank dengan pihak lain yang
mewajibkan pihak peminjam untuk melunasi utangnya
setelah jangka waktu tertentu dengan pemberian bunga

(UU Perbankan No.10 Tahun 1998). Penilaian kredit
didefinisikan sebagai teknik dan model keputusan yang
mendasari penyedia kredit memutuskan masalah
pemberian kredit kepada konsumen (Heiat, 2011).

INF-66

ISBN: 978-602-72850-4-0
Penilaian kredit ini merupakan kumpulan data nasabah
yang diambil dari data aplikasi pinjaman nasabah. Prinsip
dasar dalam menganilisis kredit yang lazim dikenal dengan
prinsip 6 C’s, yaitu (Rivai, 2006):
1) Character
Adalah keadaan watak atau sifat dari nasabah, baik
dalam kehidupan pribadi maupun dalam lingkungan
usaha. Kegunaan dari penilaian terhadap karakter ini
adalah untuk mengetahui sampai sejauh mana itikad
atau kemauan nasabah untuk memenuhi kewajibannya
(willingness to pay) sesuai dengan perjanjian yang telah
ditetapkan.
2) Capital
Adalah jumlah dana atau modal sendiri yang dimiliki
oleh calon nasabah. Semakin besar modal sendiri dalam
perusahaan, tentu semakin tinggi kesungguhan calon
nasabah dalam menjalankan usahanya dan lembaga
pemberi kredit akan merasa lebih yakin dalam
memberikan kredit.
3) Capacity
Adalah kemampuan yang dimiliki calon nasabah dalam
menjalankan usahanya guna memperoleh laba yang
diharapkan. Kegunaan dari penilaian ini adalah untuk
mengetahui atau mengukur sampai sejauh mana calon
nasabah mampu untuk mengembalikan atau melunasi
utang-utang (ability to pay) secara tepat dari usahanya
yang diperolehnya.
4) Collateral
adalah barang-barang yang diserahkan nasabah sebagai
agunan terhadap kredit yang diterimanya. Collateral
tersebut harus dinilai oleh bank untuk mengetahui
sejauh mana dari usaha yang diperolehnya.
5) Condition of Economic
Yaitu situasi dan kondisi politik, sosial, ekonomi,
budaya
yang memengaruhi keadaan perekonomian
pada suatu saat yang kemungkinannya memengaruhi
kelancaran perusahaan calon kreditur.
6) Constrain
Adalah
batasan
dan
hambatan
yang
tidak
memungkinkan suatu bisnis untuk dilaksanakan pada
tempat tertentu, misalkan pendirian suatu usaha
pompa bensin yang disekitarnya banyak bengkel las
atau pembakaran batu baru.
Data mining adalah aplikasi algoritma spesifik untuk
mengekstrak pola dari data (Abraham, Grosan & Ramos,
2006). Data Mining
didefinisikan sebagai proses
penemuan pola dalam data (Witten, 2011). Data mining
sering juga disebut analisis data eksploratif. Data dalam
jumlah besar yang diperoleh dari mesin kasir, pemindaian
barcode dan dari berbagai basis data dalam perusahaan,
kemudiaan ditelaah, dianalisis, dihapus dan dipakai ulang.
Pencarian dilakukan pada model yang berbeda untuk
memprediksi penjualan, respon pasar, keuntungan dan
lain-lain (Olson & Shi, 2008). Cross-Industry Standard
Process for Data Mining (CRISP-DM) diperlukan dalam
perusahaan untuk penggalian data yang dimiliki, terbagi
dalam enam fase yaitu pemahaman bisnis, pemahaman
data, pengolahan data, pemodelan, evaluasi dan

INF-67

SNIPTEK 2013
penyebaran (Larose, 2005). Data mining dibagi menjadi
beberapa kelompok berdasarkan tugas yang dapat
dilakukan, yaitu (Larose, 2005):
1) Deskripsi
Deskripsi dari pola dan kecenderungan sering
memberikan kemungkinan penjelasan untuk suatu pola
atau kecenderungan.
2) Estimasi
Model dibangun menggunakan record lengkap yang
menyediakan nilai dari variabel target sebagai nilai
prediksi. Pada peninjauan berikutnya estimasi nilai dari
variabel target dibuat berdasarkan nilai variabel
prediksi.
3) Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi,
kecuali bahwa dalam prediksi menghasilkan nilai dari
hasil di masa mendatang.
4) Klasifikasi
Dalam klasifikasi terdapat target variabel kategori.
5) Pengklusteran
Pengklusteran merupakan pengelompokan record,
pengamatan, atau memperhatikan dan membentuk
kelas objek-objek yang memiliki kemiripan.
6) Asosiasi
Tugas asosiasi dalam data mining adalah menemukan
atribut yang muncul dalam satu waktu. Dalam dunia
bisnis lebih umum disebut analisis keranjang belanja.
Klasifikasi adalah proses menempatkan obyek atau
konsep tertentu kedalam satu set kategori, berdasarkan
sifat obyek atau konsep yang bersangkutan (Gorunescu,
2011). Metode klasifikasi ditujukan untuk pembelajaran
fungsi-fungsi berbeda yang memetakan masing-masing
data terpilih kedalam salah satu dari kelompok kelas yang
telah ditetapkan sebelumnya. Proses klasifikasi didasarkan
pada komponen (Gorunescu, 2011):
1) Kelas (class)
Merupakan variabel dependen dari model yang
merupakan kategori variabel yang mewakili label-label
yang diletakkan pada obyek setelah pengklasifikasian.
2) Prediktor (predictors)
Merupakan variabel independen dari model yang
diwakili oleh karakteristik atau atribut dari data yang
diklasifikasikan berdasarkan klasifikasi yang dibuat.
3) Dataset Pelatihan (training dataset)
Merupakan dataset yang berisi dua komponen nilai
yang digunakan untuk
pelatihan untuk mengenali
model yang sesuai dengan kelasnya, berdasarkan
prediktor yang ada.
4) Dataset Pengujian (testing dataset)
Merupakan dataset baru yang akan diklasifikasikan
oleh model yang dibangun sehingga dapat dievaluasi
hasil akurasi klasifikasi tersebut.
Support Vector Machine (SVM) diperkenalkan oleh
Vapnik, Boser dan Guyon pada tahun 1992. Support Vector
Machine (SVM) adalah metode learning machine yang
bekerja atas prinsip Structural Risk Minimization (SRM)
dengan tujuan menemukan hyperplane terbaik yang
memisahkan dua buah class pada input space (Bellotti &

SNIPTEK 2013
Crook, 2007). Hyperplane terbaik adalah hyperplane yang
terletak ditengah-tengah antara dua set obyek dari dua
class. Hyperplane pemisah terbaik antara kedua class dapat
ditemukan dengan mengukur margin hyperplane tersebut
dan mencari titik maksimalnya. Margin adalah jarak antara
hyperplane tersebut dengan pattern terdekat dari masingmasing class. Pattern yang paling dekat ini disebut sebagai
support vector (Aydin, Karakose & Akin, 2011). Yang
menjadi karakteristik dari Support Vector Machine (SVM)
adalah sebagai berikut:
1) Secara prinsip SVM adalah linear classifier.
2) Pattern
recognition
dilakukan
dengan
mentransformasikan data pada input space ke ruang
yang berdimensi lebih tinggi, dan optimisasi dilakukan
pada ruang vector yang baru tersebut.
3) Menerapkan strategi Structural Risk Minimization
(SRM).
4) Prinsip kerja SVM pada dasarnya hanya mampu
menangani klasifikasi dua class.
d sedangkan
Data
tersedia dinotasikan
x ∈ R untuk
label yang
masing-masing
dinotasikansebagai
yi ∈{-1+1}
i =
1,2,....,1 yang mana l adalah banyaknya data. Diasumsikan
kedua class –1 dan +1 dapat terpisah secara sempurna oleh
hyperplane berdimensi d , yang didefinisikan:
w.x + b = 0
Sebuah pattern xi yang termasuk class –1 (sampel negatif)
dapat dirumuskan sebagai pattern yang memenuhi
pertidaksamaan:
w.x + b = -1
Sedangkan pattern yang termasuk class +1 (sampel
positif):
w.x + b = +1
Margin terbesar dapat ditemukan dengan memaksimalkan
nilai jarak antara hyperplane dan titik terdekatnya, yaitu
1/||w||. Hal ini dapat dirumuskan sebagai Quadratic
Programming (QP) problem, yaitu mencari titik minimal
persamaan
w τ(w) = ||w||2
min
dengan memperhatikan constraint persamaan
yi(xi.w+b) -1 0,
i
Seleksi atribut adalah masalah terkait erat dengan
pengurangan dimensi. Proses data mining membutuhkan
biaya komputasi yang tinggi ketika berhadapan dengan
kumpulan data dalam jumlah besar. Mengurangi dimensi
yaitu jumlah atribut set data atau kelompok atribut, secara
efektif dapat memotong biaya tersebut. Pengurangan
dimensi tersebut dilakukan dengan menekan seminimal
mungkin kerugian yang dapat terjadi akibat kehilangan
sebagian informasi. Tujuan pengurangan dimensi dalam
domain data mining adalah untuk mengidentifikasi biaya
terkecil di mana algoritma data mining dapat menjaga
tingkat kesalahan di bawah perbatasan garis efisiensi. Yang
dimaksud dengan biaya adalah fungsi dari kompleksitas
teoritis dari algoritma data mining yang berasal dari
model, dan berkorelasi dengan waktu yang dibutuhkan
algoritma tersebut dalam menjalankan model, serta

ISBN: 978-602-72850-4-0
ukuran dari kumpulan data (Maimon & Rokach, 2010).
Tujuan seleksi atribut adalah untuk mengidentifikasi
tingkat kepentingan atribut dalam kumpulan data, dan
membuang semua atribut lain seperti informasi yang tidak
relevan dan berlebihan. Karena seleksi atribut mengurangi
dimensi dari data, maka hal ini akan memungkinkan
operasi algoritma data mining dapat berjalan lebih efektif
dan lebih cepat. Dalam beberapa kasus dengan
dilakukannya seleksi atribut dihasilkan peningkatan
tingkat akurasi klasifikasi (Maimon & Rokach, 2010).
Alasan untuk melakukan pengurangan dimensi yaitu
(Maimon & Rokach, 2010):
1) Penurunan biaya model pembelajaran
2) Meningkatkan kinerja model pembelajaran
3) Mengurangi dimensi yang tidak relevan
4) Mengurangi dimensi yang berlebihan
Metode seleksi fitur dapat diklasifikasikan ke dalam tiga
kategori utama (Vercellis, 2009):
1) Metode filter
Metode Filter adalah memilih atribut yang relevan
sebelum pindah ke tahap pembelajaran berikutnya,
atribut yang dianggap paling penting yang dipilih untuk
pembelajar, sedangkan sisanya dikecualikan.
2) Metode wrapper
Metode wrapper menilai sekelompok variabel dengan
menggunakan klasifikasi yang sama atau algoritma
regresi digunakan untuk memprediksi nilai dari
variabel target.
3) Metode embedded
Untuk metode embedded, proses seleksi atribut terletak
di dalam algoritma pembelajaran, sehingga pemilihan
set optimal atribut secara langsung dibuat selama fase
generasi model.
Algoritma Particle swarm optimization PSO pertama
kali diusulkan oleh Kennedy dan Eberhart pada tahun
1995. Particle swarm optimization (PSO) adalah jenis
algoritma kecerdasan yang berasal dari perilaku kawanan
burung mencari makan (Yun, Qiu-yan & Hua, 2011). Dapat
diasumsikan dengan sekelompok burung yang secara acak
mencari makanan di suatu daerah. Hanya ada satu potong
makanan di daerah yang dicari tersebut. Burung-burung
tidak tahu di mana makanan tersebut. Tapi mereka tahu
seberapa jauh makanan tersebut dan posisi rekan-rekan
mereka. Jadi strategi terbaik untuk menemukan makanan
adalah dengan mengikuti burung yang terdekat dari
makanan (Abraham, Grosan & Ramos, 2006). Untuk
menemukan solusi yang optimal, maka setiap partikel akan
bergerak kearah posisi yang terbaik sebelumnya (pbest)
dan posisi terbaik secara global (gbest). Modifikasi
kecepatan dan posisi tiap partikel dapat dihitung
menggunakan kecepatan saat ini dan jarak pbesti,d ke
pbestd seperti ditunjukkan oleh persamaan berikut:
vi,m = w.vi,m + c1 * R * (pbesti,m - xi,m) + c2 * R * (gbestm - xi,m)
xid = xi,m + vi,m
Dimana:
n
: jumlah partikel dalam kelompok
d
: dimensi

INF-68

ISBN: 978-602-72850-4-0
vi,m
w
c 1, c 2
R
xi,d

: kecepatan partikel ke-i pada iterasi ke-i
: faktor bobot inersia
: konstanta akeselerasi (learning rate)
: bilangan random (0-1)
: posisi saat ini dari partikel ke-i pada iterasi
ke-i
pbesti : posisi terbaik sebelumnya dari partikel ke-i
gbest : partikel terbaik diantara semua partikel
dalam satu kelompok atau populasi
Cross Validation adalah teknik validasi dengan
membagi data secara acak kedalam k bagian dan masingmasing bagian akan dilakukan proses klasifikasi (Han &
Kamber, 2006). Dengan menggunakan cross validation
akan dilakukan percobaan sebanyak k. Data yang
digunakan dalam percobaan ini adalah data training untuk
mencari nilai error rate secara keseluruhan. Secara umum
pengujian nilai k dilakukan sebanyak 10 kali untuk
memperkirakan akurasi estimasi. Dalam penelitian ini nilai
k yang digunakan berjumlah 10 atau 10-fold Cross
Validation. tiap percobaan akan menggunakan satu data
testing dan k-1 bagian akan menjadi data training,
kemudian data testing itu akan ditukar dengan satu buah
data training sehingga untuk tiap percobaan akan
didapatkan data testing yang berbeda-beda.
Confusion matrix memberikan keputusan yang
diperoleh dalam traning dan testing, confusion matrix
memberikan penilaian
performance
klasifikasi
berdasarkan objek dengan benar atau salah (Gorunescu,
2011). Confusion matrix berisi informasi aktual (actual)
dan prediksi (predicted) pada sistem klasifikasi. Adapun
persamaan model confusion matrix adalah:
1) Nilai Accuracy adalah proporsi jumlah prediksi yang
benar.
2) Sensitivity digunakan untuk membandingkan proporsi
TP terhadap tupel yang positif.
3) Specificity digunakan untuk membandingan proporsi
TN terhadap tupel yang negatif.
4) PPV (positive predictive value) adalah proporsi kasus
dengan hasil diagnosa positif.
5) NPV (negative predictive value) adalah proporsi kasus
dengan hasil diagnosa negatif.
Kurva ROC (Receiver Operating Characteristic)
adalah alat visual yang berguna untuk membandingkan
dua model klasifikasi. ROC mengekspresikan confusion
matrix. ROC adalah grafik dua dimensi dengan false
positives sebagai garis horisontal dan true positives sebagai
garis vertikal (Vecellis, 2009). Dengan kurva ROC, kita
dapat melihat trade off antara tingkat dimana suatu model
dapat mengenali tuple positif secara akurat dan tingkat
dimana model tersebut salah mengenali tuple negatif
sebagai tuple positif. Sebuah grafik ROC adalah plot dua
dimensi dengan proporsi positif salah (fp) pada sumbu X
dan proporsi positif benar (tp) pada sumbu Y. Titik (0,1)
merupakan klasifikasi yang sempurna terhadap semua
kasus positif dan kasus negatif. Nilai positif salah adalah
tidak ada (fp = 0) dan nilai positif benar adalah tinggi (tp =
1). Titik (0,0) adalah klasifikasi yang memprediksi setiap
kasus menjadi negatif {-1}, dan titik (1,1) adalah klasifikasi

INF-69

SNIPTEK 2013
yang memprediksi setiap kasus menjadi positif {1}.
Tingkat akuransi nilai AUC dalam klasifikasi data mining
dibagi menjadi lima kelompok (Gorunescu, 2011), yaitu:
1) 0.90 - 1.00 = klasifikasi sangat baik (excellent
classification)
2) 0.80 - 0.90 = klasifikasi baik (good classification)
3) 0.70 - 0.80 = klasifikasi cukup (fair classification)
4) 0.60 - 0.70 = klasifikasi buruk (poor classification)
5) 0.50 - 0.60 = klasifikasi salah (failure)
Penelitian adalah sebuah kegiatan yang bertujuan
untuk membuat kontribusi orisinal terhadap ilmu
pengetahuan (Dawson, 2009). Penelitian ini menggunakan
penelitian eksperimen. Penelitian eksperimen melibatkan
penyelidikan perlakuan pada parameter atau variabel
tergantung dari penelitinya dan menggunakan tes yang
dikendalikan oleh si peneliti itu sendiri. Dengan metode
penelitian sebagai berikut:
1) Pengumpulan data
Pada bagian ini dijelaskan tentang bagaimana dan
darimana data dalam penelitian ini didapatkan.
2) Pengolahan awal data
Pada bagian ini dijelaskan tentang tahap awal data
mining. Pengolahan awal data meliputi proses input
data ke format yang dibutuhkan, pengelompokan dan
penentuan atribut data, serta pemecahan data (split)
untuk digunakan dalam proses pembelajaran (training)
dan pengujian (testing).
3) Model yang diusulkan
Pada tahap ini data dianalisis, dikelompokan variabel
mana yang berhubungan dengan satu sama lainnya.
Setelah data dianalisis lalu diterapkan model-model
yang sesuai dengan jenis data. Pembagian data kedalam
data latihan (training data) dan data uji (testing data)
juga diperlukan untuk pembuatan model.
4) Eksperimen dan pengujian model
Pada bagian ini dijelaskan tentang langkah-langkah
eksperimen meliputi cara pemilihan arsitektur yang
tepat dari model atau metode yang diusulkan sehingga
didapatkan hasil yang dapat membuktikan bahwa
metode yang digunakan adalah tepat.
5) Evaluasi dan validasi hasil
Pada bagian ini dilakukan evaluasi dan validasi hasil
penerapan terhadap model penelitian yang dilakukan
untuk mengetahui tingkat keakurasian model.
Dalam penelitian ini, data yang diperoleh adalah
data sekunder karena diperoleh dari data kredit German
database dalam UCI machine learning responsitory. Data
kredit German merupakan data publik karena data
tersebut dipublikasikan dan data tersebut dapat diakses
oleh siapa saja. Masalah yang harus dipecahkan di sini
adalah penentuan penilaian kredit dari 1.000 nasabah 700
diidentifikasi sebagai nasabah yang baik dan 300
merupakan nasabah buruk. Terdiri dari 21 atribut.
Variabel tersebut ada yang tergolong variabel prediktor
atau pemrediksi yaitu variabel yang dijadikan sebagai
penentu hasil penilaian kredit, dan variabel tujuan yaitu
variabel yang dijadikan sebagai hasil penilaian kredit.

SNIPTEK 2013
Adapaun variabel prediktor yaitu:
checking account,
Duration, history, Purpose, amount, Savings account, Present
employment since, Installment rate in percentage of
disposable income, Personal status and sex, Other debtors /
guarantors, Present residence since, Property, Age in years,
Other installment plans, Housing, Number of existing credits
at this bank, Job, Number of people being liable to provide
maintenance for, Telephone, foreign worker. Sendangkan
variabel tujuannya yaitu Response (UCI, 1996).
Jumlah data awal yang diperoleh dari pengumpulan
data yaitu sebanyak 1.000 data, namun tidak semua data
dapat digunakan dan tidak semua atribut digunakan
karena harus melalui beberapa tahap pengolahan awal
data (preparation data). Untuk mendapatkan data yang
berkualitas, beberapa teknik yang dilakukan sebagai
berikut (Vercellis, 2009):
1) Data validation
Untuk mengidentifikasikan dan menghapus data yang
ganjil (outlier/noise), data yang tidak konsisten, dan
data yang tidak lengkap (missing value).
2) Data integration and transformationi
Untuk meningkatkan akurasi dan efisiensi algoritma.
3) Data size reduction and discritization
Untuk memperoleh data set dengan jumlah atribut dan
record yang lebih sedikit tetapi bersifat informative.
Setelah dilakukan replace missing hasil menunjukkan
bahwa tidak terdapat missing attribute yang terjadi,
sehingga semua data dapat digunakan.
Model yang diusulkan pada penelitian ini adalah
menggunakan algoritma support vector machine berbasis
particle swarm optimization, yang terlihat pada Gambar 1
dibawah ini.

ISBN: 978-602-72850-4-0
Particle Swarm Optiization
Given a population of particles
with random positions and
velocities

A particle in the population

Atribute Weighting represented
by this particle

Traning SVM Model

Evaluation fitness of particle

Update particle best and global best

Update particle velocity and global position

No
Is stop condition satisfied ?

Yes
Optimal SVM Atribute obtined

Optimal SVM clasification model obtined

Sumber: Hasil penelitian (2013)
Gambar 1 Model yang Diusulkan

HASIL DAN PEMBAHASAN
Dilakukan observasi terhadap variabel C, ε dan
population dari support vector machine dan particle swarm
optimization. Hasilnya ditunjukkan oleh Tabel 1 dibawah
ini.

C

Ta bel 1 Observasi C, ε dan population
Population
Accuracy
AUC
ε

1.0

0.0

5

77.20 %

0.776

1.0

0.0

10

77.40 %

0.786

0.0

1.0

20

70.00 %

0.500

0.0

1.0

30

70.00 %

0.500

1.0

1.0

40

70.00 %

0.500

2.0

2.0

100

70.00 %

0.500

1.0

1.0

200

70.00 %

0.500

Sumber: Hasil penelitian (2013)
Hasil observasi menunjukkan bahwa nilai tertinggi
dari akurasi yaitu 77.40 % dan AUC yaitu 0.786 diperoleh
dengan nilai C adalah 1.0, ε adalah 0.0 dan population 10.
Maka nilai-nilai tersebut digunakan dalam penelitian ini.
Langkah selanjutnya adalah menyeleksi atribut yang

INF-70

ISBN: 978-602-72850-4-0
digunakan. Dari hasil eksperiment dengan menggunakan
algoritma support vector machine berbasis particle swarm
optimization diperoleh hasil seperti dalam Tabel 2 dibawah
ini.
Tabel 2 Hasil Seleksi Atribut
Atribute
Weight
checking account
0.040
Duration
1
history
0.449
Purpose
0.970
amount
0.591
Savings account
1
Present employment since
1
Installment rate in percentage of
1
disposable income
Personal status and sex
0.737
Other debtors / guarantors
1
Present residence since
1
Property
0
Age in years
1
Other installment plans
0
Housing
0
Number of existing credits at this bank
1
Job
0
Number of people being liable to
0
provide maintenance for
Telephone
0.651
foreign worker
0.037
Sumber: Hasil penelitian (2013)
Hasil menunjukkan 20 variabel prediktor dilakukan
seleksi atribut sehingga menghasikan terpilihnya 15
atribut yang digunakan.
Hasil pengujian dengan Confusion Matrik
dari
metode algoritma Support Vector Machine dan Support
Vector Machine berbasis Particle Swarm Optimization (PSO)
ditunjukkan dalam Tabel 3, dibawah ini.
Tabel 3 Nilai accuracy, sensitivity, specificity, ppv dan npv
Support
Support Vector
Vector
Machine Berbasis
Machine
PSO
Accuracy
75.30
77.40
Sensitivity
78.78
80.54
Specificity
62.44
66.52
PPV
88.57
89.29
NPV
44.33
49.67
Sumber: Hasil penelitian (2013)
Hasil perhitungan divisualisasikan dengan kurva
ROC. Perbandingan kedua class bisa dilihat pada Gambar 2
yang merupakan kurva ROC untuk algoritma Support
Vector Machine. Kurva ROC pada Gambar 2
mengekspresikan confusion matrix dari Tabel 3 Garis
horizontal adalah false positives dan garis vertikal true
positives. Menghasilkan nilai AUC (Area Under Curve)
sebesar 0.780 dengan nilai akurasi klasifikasi cukup (fair
classification).

INF-71

SNIPTEK 2013

Sumber: Hasil penelitian (2013)
Gambar 2 Kurva ROC dengan Metode SVM
Sedangkan kurva ROC untuk algoritma Support
Vector Machine berbasis Particle Swarm Optimization.
Kurva ROC pada Gambar 3 mengekspresikan confusion
matrix dari Tabel 3. Garis horizontal adalah false positives
dan garis vertikal true positives. Menghasilkan nilai AUC
(Area Under Curve) sebesar 0.786 dengan nilai akurasi
klasifikasi cukup (fair classification).

Sumber: Hasil penelitian (2013)
Gambar 3 Kurva ROC dengan Metode SVM berbasis PSO
Dari tabel 3, Gambar 2 dan Gambar 3 diatas, terlihat
bahwa nilai accuracy dan AUC Support Vector Machine
berbasis Particle Swarm Optimization lebih tinggi
dibandingkan Support Vector Machine tunggal. Penerapan
Particle Swarm Optimization untuk seleksi atribut
menghasilkan peningkatan akurasi sebesar 2.1% dan AUC
sebesar 0.006.

KESIMPULAN
Dalam penelitian ini dilakukan pengujian model
dengan menggunakan Support Vector Machine dan Support
Vector Machine berbasis Particle Swarm Optimization
dengan menggunakan data kredit German. Model yang
dihasilkan diuji untuk mendapatkan nilai accuracy dan
AUC dari setiap algoritma sehingga didapat pengujian
dengan menggunakan support vector machine didapat nilai
accuracy adalah 75.30 % dan nilai AUC adalah 0.780.
Sedangkan pengujian dengan mengunakan support vector
machine berbasis Particle Swarm Optimization dilakukan
seleksi atribut dan penyesuaian pada parameter C, ε dan
population. Dari 20 variabel prediktor dilakukan seleksi
atribut sehingga menghasikan terpilihnya 15 atribut yang
digunakan. didapatkan nilai accuracy 77.40% dan nilai AUC
adalah 0.786 Maka dapat disimpulkan pengujian data
kredit German UCI data set menggunakan support vector
machine dan penerapan Particle Swarm Optimization

SNIPTEK 2013

ISBN: 978-602-72850-4-0

dalam pemilihan atribut didapat bahwa metode tersebut
lebih akurat dalam penentuan penilaian kredit
dibandingkan dengan metode support vector machine
tunggal, ditandai dengan peningkatan nilai akurasi sebesar
2.1% dan nilai AUC sebesar 0.006, dengan nilai tersebut
masuk
kedalam klasifikasi akurasi cukup (fair
classification).
Dari hasil pengujian yang telah dilakukan dan hasil
kesimpulan yang diberikan maka ada saran atau usul yang
di berikan antara lain:
1) Untuk meningkatkan hasil optimasi dapat dilakukan
metode pemilihan parameter dengan metode Genetic
Algorithm dan lain-lain.
2) Mencoba menerapkan metode optimasi
yang lain
sebagai bahan perbandingan.

UCAPAN TERIMA KASIH
Terima kasih kepada orang tua, kerabat, teman dan semua
pihak yang tidak dapat disebutkan satu persatu sehingga
penelitian ini selesai dilakukan.

REFERENSI
Abraham, A., Grosan, C., Ramos, V., (2006). Swarm
Intelligence in Data Mining. Springer-Verlag Berlin
Heidelberg.
Aydin, I., Karakose, M., & Akin, E. (2011). A multi-objective
artificial
immune
algorithm
for
parameter
optimization in support vector machine. Journal
Applied Soft Computing, 11, 120-129.
Bellotti, T., & Crook, J. (2007) Support vector machines for
credit scoring and discovery of significant features.
Expert System with Application: An International
Journal, 36, 3302-3308.
Bank Indonesia (2012). Statistik Perbankan Indonesia
Indonesian
Banking
Statistic.
June,
2012.
http://www.bi.go.id/NR/rdonlyres/B03D425D9BEE-42A7-B500DE7C023507CE/26392/BISPIApril20121.pdf
Dawson, C. W. (2009). Projects in Computing and
Information System A Student's Guide. England:
Addison-Wesley.
Gang, W., Jinxing, H., Jian, M., & Hongbing, J. (2011). A
comparative assessment of ensemble learning for
credit scoring. Expert Systems with Applications: An
International Journal. 38, 223-230.
Gorunescu, Florin (2011). Data Mining: Concepts, Models,
and Techniques. Verlag Berlin Heidelberg: Springer.

Han, J., & Kamber, M. (2006). Data Mining Concepts and
technique. San Francisco: Diane Cerra
Heiat, A. (2011). Modeling Consumer Credit Scoring
Through Bayes Network. World Journal of Social
Sciences. 3, 132-141.
Hian, C.K., Wei, C.T., & Chwee, P.G (2006). A Two-step
Method to Construct Credit Scoring Models with Data
Mining Techniques. International Journal of Business
and Information, 1, 96-118.
Jianguo, Z., & Tao, B. (2008). Credit Risk Assessment using
Rough Set Theory and GA-based SVM. The 3rd
International Conference on Grid and Pervasive
Computing, 320-325.
Larose, D. T. (2005).Discovering Knowledge in Data. New
Jersey: John Willey & Sons, Inc.
Maimon, O., & Rokach, L. (2010). Data Mining and
Knowledge Discovery Handbook (2nd ed). New York:
Springer Dordrecht Heidelberg London
Mingyuan, Z., Chong, F., Luping, J., Mingtian, Z. (2011).
Feature selection and parameter optimization for
support vector machines: A new approach based on
genetic algorithm with feature chromosomes. Expert
Systems with Applications: An International Journal,
38, 5197-5204.
Ming-hui.J., & Xu-chuang, Y. (2007). Construction and
Application of PSO-SVM Model for Personal Credit
Scoring. ICCS '07 Proceedings of the 7th international
conference on Computational Science,158-161.
Olson, D, & Shi, Y. (2008). Pengantar Ilmu Penggalian
Data Bisnis. Jakarta: Penerbit Salemba Empat.
Ping, Y. (2009). Feature selection based on SVM for credit
scoring. International. Conference on Computational
Intelligence and Natural Computing, 2, 44-47.
Rivai, V., & Veithzal, A.P. (2006). Credit Management
Handbook. Jakarta: Raja GrafindoPersada.
Shuzhou, W., & Bo, M. (2011). Parameter Selection
Algorithm for Support
Vector Machine. Procedia
Environmental Sciences, 11, 538-544.
UCI (1994, November 12). German Credit data. Desember
3, 1996.
http://archive.ics.uci.edu/ml/machinelearning- databases/statlog/german/german.data
UU Perbankan No.10 Tahun 1998.
[22] Vercellis, Carlo (2009). Business Intelligent: Data
Mining and Optimization for Decision Making.

INF-72

ISBN: 978-602-72850-4-0
Southern Gate, Chichester, West Sussex: John Willey &
Sons, Ltd.
Wei, X., Shenghu, Z., Dongmei, D. & Yanhui, C.(2010). A
Support Vector Machine Based Method For Credit
Risk Assessment. IEEE 7th International Conference on
e-Business Engineering, 50-55.

INF-73

SNIPTEK 2013
Witten, I. H., Frank, E., & Hall, M. A. (2011).Data Mining:
Practical Machine Learning and Tools. Burlington:
Morgan Kaufmann Publisher.
Yun, L., Qiu-yan, C. & Hua, Z. (2011). Application of the PSOSVM model for Credit Scoring. Seventh International
Conference on Computational Intelligence and Security,
47-51.