IMPLEMENTASI ARTICIAL NEURAL NETWORK UNTUK PREDIKSI PEMEGANG KARTU KREDIT YANG

LANCAR DAN MACET DALAM PEMBAYARAN

Salsabila, 10060116019
Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Universitas Islam Bandung

LATAR BELAKANG PERMASALAHAN

Bank adalah lembaga keuangan yang usaha pokonya memberikan kredit dan jasa dalam
lalu lintas pembayaran dan peredaran uang. Didalam perusahaan perbankan ada
beberapa produk yang ditawarkan yaitu berupa tabungan, giro, deposito, dan kredit,
yang berupa aset sebagai pendapatan dalam perusahaan itu sendiri.
Pada era globalisasi yang semakin maju, dunia perbankan semakin diperlukan oleh
perusahaan atau masyarakat. Salah satu keikutsertaan dunia perbankan dapat membantu
perusahaan atau masyarakat dalam membantu memulihkan perekonomian seperti pendanaan
usaha maupun membantu pembiayaan, serta memberikan kredit baik kepada perusahaan
ataupun masyarakat.
Ketika sebuah kredit dinyatakan diterima, ada dua kemungkinan yang akan terjadi.
Pertama debitor membayar angsuran dengan lancar hingga melunasi kewajibanya, kedua
debitor mengalami tidak lancar dalam mebayar bahkan sampai gagal membayar atau
tidak bisa membayar kewajibanya.
Kredit dapat memberikan kontribusi yang positif dalam pendapatan bank melalui bunga
yang dibayar oleh debitur. Disisi lain bantuan kredit yang diberikan bank akan
menjadi bermasalah apabila terjadi kemacetan dalam pembayaran oleh debitur. Oleh
karena itu, pihak bank perlu berhati hati dalam risiko pemberian kredit pada
debitur. Untuk menghindari hal tersebut pihak bank harus mampu menilai kelayakan
debitur yang akan mengajukan permohonan kredit.
Berdasarkan permasalahan diatas peneliti ingin memprediksi nasabah bank yang lancer
dan macet dalam pembayaran kredit dengan model Articifial Neural Network(ANN)
/Jaringan Saraf Tiruan. Penggunaan model ANN dalam mengelola resiko yang handal
atau penilaian kredit merupakan salah satu kunci dalam menjaga kesehatan hidup
suatu bank.

TINJAUAN PUSTAKA
Artificial Neural Nekvorks adalah suatu upaya pemodelan yang menirukan fungsi
syaraf yang ada di otak manusia.
Jaringan syaraf tiruan telah dimodelkan sebagai model matematik dari kognisi
manusia, berdasarkan asumsi-asumsi sebagai berikut :
1. Pemrosesan informasi terjadi pada banyak elemen yang disebut neurons,
2. Sinyal-sinyal dikirim antar neurons melalui conection-link(sinapsis),
3. Setiap sinapsis mempunyai bobot tertentu tergantung tipe jaringan syaraf,
4. Setiap neuron mempunyai fungsi aktifasi (biasanya tidak tinier ) yang
merupakan penjumlahan dari sinyal-sinyal input untuk sinyal-sinyal output.
Jaringan syaraf dibedakan menurut ha1 berikut :
1. Pola koneksi antar neuron(arsitektur).
2. Metode penentuan pembobot pada koneksi-koneksi (pelatihan, pembelajaran dan
algoritma).
3. Fungsi Aktivasi.
Dua fakta yang mendasar dari jaringan syaraf tiruan adalah :
1. Jaringan syaraf tiruan diilhami oleh sistem jaringan biologi.
2. Kedua jaringan syaraf tiruan terdiri atas banyak elemen yang disebut neuron,
unit sel yang saling terhubung satu dengan yang lain melalui sinapsis dan mempunyai
bobot yang berkaitan. Sedangkan sinapsis adalah daerah sambungan khusus antar
neuron. Bobot mewakili informasi yang akan digunakan oleh jaringan untuk
menyelesaikan fungsi tertentu.
Jaringan syaraf tiruan menyimpan sinyal dari unit sel lainnya {neurons)
melewati hubungan input yaitu dendrit (dendrit) dan sinapsis {synapse). Bobot untuk
tiap hubungan input (kekuatan sinapsis) dapat menjadi positif atau negatif. Bobot
input ditambahkan dan ditransformasikan oleh fungsi aktifasi untuk sebuah sinyal
output (pembebasan neuron). Sinyal adalah transmisi yang melewati hubungan output
(akson dan proyeksinya) untuk neuron lainnya (Skapura dalam Otok & Suhartono 2000).
Jaringan syaraf tiruan dapat dibentuk dalam suatu model sel syaraf. Model sel
syaraf merupakan pembentuk jaringan syaraf tiruan yang disusun berdasarkan pilihan
arsitektur dan konsep peinbelajaran.
Struktur jaringan syaraf tiriuan terdiri dari tiga lapisan yaitu :
1. Lapisan input merupakan peghubung antara jaringan syaraf dengan jaringan lar.
Output dari lapisan input terhubung dengan semua neuron lainnya pada lapisan
berikutnya.
2. Lapisan tersembunyi (hidden) merupakan lapisan yang terletak antara lapisan
input dan lapisan output. Input setiap lapisan tersembunyi adalah output dari
lapisan sebelumnya dan output dari lapisan sebelumnya merupakan input bagi lapisa
depannya.
3. Lapisan output merupakan lapisan terluar sebagai hasil proses.
Jaringan syaraf merupakan sebuah kumpulan unit perhitungan sederhana yang
dihubungkan oleh system koneksi.
Evaluasi dan Validasi Model
Untuk mengukur akurasi model maka dilakukan evaluasi dan validasi menggunakan
teknik:
1. Confusion matrix Confusion Matrix adalah alat (tools) visualisasi yang biasa
digunakan pada supervised learning. Tiap kolom pada matriks adalah contoh kelas
prediksi, sedangkan tiap baris mewakili kejadian di kelas yang sebenarnya.
Confusion matrix berisi informasi aktual (actual) dan prediksi predicted) pada
sisitem klasifikasi.
2. Kurva ROC (Reciever Operating Characteristic) Kurva ROC menunjukkan akurasi
dan membandingkan klasifikasi secara visual. ROC mengekspresikan confusion matrix.
ROC adalah grafik dua dimensi dengan false positives sebagai garis horisontal dan
true positives sebagai garis vertical.
HASIL DAN PEMBAHASAN
Data yang digunakan adalah data 30.000 nasabah bank dengan 24 variabel yang
digunakan, yaitu :
1 Limit bal
2 Sex (Jenis Kelamin)
3 Eduacation (Tingkat Pendidikan)
4 Marriage (Status Penikahan)
5 Age (Usia)
6 PAY_0-PAY_6 (Status Pembayaran pada bulan tertentu)
7 BILL_AMT1-BILL_AMT6 (Jumlah Tagihan pada bulan tertentu)
8 PAY_AMT1-PAY_AMT6 (Jumlah Pembayaran Sebelumnya)
9 default.payment.next.month (0 = No, 1 = Yes)
Sebelum masuk ke bagian klasifikasi terlebihdahulu kita menentukan pembagian jumlah
data training dan data testing yang akan di gunakan. Data tersebut dibagi secara
random menjadi dua bagian yaitu training data yang berisi 22.500 nasabah bank (75%)
dan test data yang berisi 7.500 nasabah bank (25%). Penulis menggunakan Program
RStudio untuk membuat model jaringan saraf tiruan. Berikut syntax dari model ANN :
##input data
credit<-read.table("D:/UCI_Credit_Card.csv",header=T,sep=",")
head(credit)

##drops coloum
drops=c("ID")
df=credit[ , !(names(credit)%in% drops)]
head(df)

names(df)[names(df)=='default.payment.next.month']<-'default'
str(df)

##lets recode var default. 1 is default and 0 is not default.

df$default[df$default==1]<-'Yes'
df$default[df$default==0]<-'No'
View(df)

library(caret)
set.seed(19)
Train=createDataPartition(df$default, p=0.75, list=FALSE)

##split data in 75% - 25% ratio

training=df[Train,] ##75% data training
testing=df[-Train,] ## 25% data testing
View(training)
View(testing)
##implement cross validation
fitControl=trainControl(method='cv',
number=10,
preProcOptions = list(thresh=0.95),
classProbs = TRUE,
summaryFunction = twoClassSummary)
modelNnet=train(default~.,
training,
method="nnet",
metric="ROC",
preProcess=c('center','scale'),
trace=FALSE,
tunelength=10,
trControl=fitControl)
modelNnet
summary(modelNnet)
plot(modelNnet)

predNnet=predict(modelNnet,testing)

prediksi=as.factor(predNnet)
asli=as.factor(testing$default)
cmNet=confusionMatrix(prediksi,asli)
cmNet

varImp(modelNnet)
plot(varImp(modelNnet))

Berikut hasil output yang diperoleh dari software R.

Output dari model articifial neural network :
modelNnet
Neural Network

22500 samples
23 predictor
2 classes: 'No', 'Yes'

Pre-processing: centered (23), scaled (23)

Resampling: Cross-Validated (10 fold)
Summary of sample sizes: 20250, 20250, 20251, 20249, 20249, 20251, ...
Resampling results across tuning parameters:

size decay ROC Sens Spec

1 0e+00 0.7180191 0.9336873 0.3962255
1 1e-04 0.7204820 0.9392240 0.3880035
1 1e-01 0.7265283 0.9446441 0.3773367
3 0e+00 0.7617505 0.9443606 0.3669018
3 1e-04 0.7614361 0.9480107 0.3626720
 3 1e-01 0.7634506 0.9443015 0.3739214
5 0e+00 0.7697115 0.9467555 0.3680913
5 1e-04 0.7697269 0.9493238 0.3600511
5 1e-01 0.7684015 0.9476113 0.3654829

ROC was used to select the optimal model using the largest value.
The final values used for the model were size = 5 and decay = 1e-04.
Interpretasi :
Untuk membuat model articifial neural network menggunakan 75% dari keseluruhan data
sehingga data yang digunakan hanya 22.500 nasabah bank (data training) serta
menggunakan 23 variabel predictor dan 1 variabel respon yang terdiri dari 2 kelas
(1=Yes untuk kredit lancar, 0=No untuk kredit macet).
Berdasarkan hasil output nilai terbaik pada model ANN yaitu size = 5 dan decay =
1e-04 karena nilai ROC-nya paling mendekati 1 diantara size yang lain. Hal ini
terbukti pada grafik ROC yang diwakili oleh garis berwarna pink tertera pada Gambar
1.

Gambar 1. Plot ROC

Berikut output variabel predictor yang panting dalam memprediksi pemegang
kartu kredit yang lancar dan macet.
nnet variable importance

only 20 most important variables shown (out of 23)

Overall
PAY_0 100.000
BILL_AMT3 62.935
BILL_AMT1 59.827
PAY_AMT1 44.057
PAY_AMT2 41.589
BILL_AMT2 39.513
BILL_AMT5 34.432
BILL_AMT4 31.576
PAY_2 31.264
PAY_AMT3 30.147
PAY_AMT5 25.373
PAY_5 21.703
PAY_AMT6 20.830
LIMIT_BAL 19.968
PAY_AMT4 18.498
PAY_4 18.384
BILL_AMT6 16.600
PAY_6 14.022
AGE 8.073
PAY_3 7.216
Dari output diatas terdapat 20 dari 23 variabel predictor yang paling
memengaruhi pemegang kartu kredit dalam melakukan pembayaran. Distribusi persenan
variabel yang paling penting disajikan pada Gambar 2.

Gambar 2. Plot Important Variable

Berdasarkan Gambar 2, dapat dilihat bahwa variabel prediktor teratas sampai
terbawah diurutkan berdasarkan dari variabel predictor yang terpenting. Terdapat 3
variabel predictor yang kurang memengaruhi kredit dalam pembayaran yaitu marriage
(status pernikahan), sex (jenis kelamin ) dan education (tingkat pendidikkan).

Berikut output hasil akurasi model dan hasil prediksi berdasarkan data testing
dari pemegang kartu kredit lancar dan macet.
Confusion Matrix and Statistics
 Reference
Prediction No Yes
No 5539 1048
Yes 302 611

Accuracy : 0.82
95% CI : (0.8111, 0.8286)
No Information Rate : 0.7788
P-Value [Acc > NIR] : < 2.2e-16

Kappa : 0.3773

Mcnemar's Test P-Value : < 2.2e-16

Sensitivity : 0.9483
Specificity : 0.3683
Pos Pred Value : 0.8409
Neg Pred Value : 0.6692
Prevalence : 0.7788
Detection Rate : 0.7385
Detection Prevalence : 0.8783
Balanced Accuracy : 0.6583

'Positive' Class : No

Hasil prediksi data test sebagai berkut :

1. Terdapat 5539 pemegang kartu kredit yang termasuk kredit macet dalam
melakukan pembayaran dan setelah di prediksi pun benar ia macet dalam melakukan
pembayaran.
2. Terdapat 611 pemegang kartu kredit yang termasuk kredit lancar dalam
melakukan pembayaran dan setelah di prediksi pun benar ia lancar dalam melakukan
pembayaran.
3. Terdapat 302 pemegang kartu kredit yang termasuk kredit macet dalam melakukan
pembayaran dan setelah diprediksi ia lancar dalam melakukan pembayaran.
4. Terdapat 1048 pemegang kartu kredit yang termasuk kredit lancar dalam
melakukan pembayaran dan setelah diprediksi ia macet dalam melakukan pembayaran.
Interpretasi ukuran akurasi :
1. Nilai sensitivitas sebesar 94,83% berarti bahwa pemegang kartu kredit yang
lancar dalam melakukan pembayaran dan memberikan hasil positif artinya setelah
diuji benar ia lancar dalam melakukan pembayaran sebesar 94,83%.
2. Nilai spesifisitas sebesar 36,83% berarti bahwa pemegang kartu kredit yang
macet dalam melakukan pembayaran dan memberikan hasil negative artinya setelah
diuji benar ia macet dalam melakukan pembayaran sebesar 11,25%
3. Nilai akurasi sebesar 82% berarti bahwa model cukup akurat untuk digunakan
dalam memprediksi kartu kredit lancar atau macet dalam melakukan pembayaran.
KESIMPULAN
Dari hasil prediksi menggunakan model articifial neural network (ANN)/ Jaringan
Saraf Tiruan dapat disimpulkan terdapat 5539 pemegang kartu kredit yang termasuk
kredit macet dalam melakukan pembayaran dan setelah di prediksi pun benar ia macet
dalam melakukan pembayaran. dan terdapat 611 pemegang kartu kredit yang termasuk
kredit lancar dalam melakukan pembayaran dan setelah di prediksi pun benar ia
lancar dalam melakukan pembayaran. Nilai akurasi pada data testing sebesar 82%
berarti bahwa model cukup akurat untuk digunakan dalam memprediksi kartu kredit
lancar atau macet dalam melakukan pembayaran.
DAFTAR PUSTAKA
Amrin. (2015, Maret). Analisa Kelayakan Pemberian Kredit Mobil Dengan Menggunakan
Neural Network Backpropagation. Jurnal Techno Nusa Mandiri, Vol. XII No. 1.
Hartini, R. (2008). Komparasi Articifial Neural Network (ANN) dan Model Regresi
Logistik Dalam Klasifikasi Kredit Konsumtif. Bogor: IPB.
Subari. (2017). Kebijakan Sistem Pembayaran di Indonesia. Penerbit Pusat
Pendididkan Dan Studi Kebanksentralan (PPSK) Bank Indonesia.
Wijaya, N. (2018). Model Jaringan Saraf Tiruan Untuk Evaluasi Resiko Kredit.
Journal of Computer Science and Information System, 76-90.