2017

Islamic University of
Indonesia

Agung Widiarty
Clarinta Wida Suwasti
Ahmad Try Handoko
Nanda Ladepi

[AN ARTIFICIAL NEURAL NETWORK APPROACH FOR CREDIT RISK

MANAGEMENT]
Penilitian ini bertujuan untuk menganalisis kemampuan dari model neural network dalam
meramalkan risiko kredit pada perusahaan manufaktur di Italia. Secara teori, makalah ini
mencoba untuk memperkenalkan suatu tinjauan pustaka terkait penerapan sistem intelijen
buatan pada manajemen risiko kredit. Dari sudut pandang empiris, penelitian ini mencoba
untuk membandingkan arsitektur neural network buatan yang dikembangkan dalam
penelitian ini dengan yang telah dikembangkan sebelumnya.
 Penerapan Pendekatan Artificial Neural Network pada Manajemen Risiko Kredit

Abstrak
Penilitian ini bertujuan untuk menganalisis kemampuan dari model neural network dalam
meramalkan risiko kredit pada perusahaan manufaktur di Italia. Secara teori, makalah ini
mencoba untuk memperkenalkan suatu tinjauan pustaka terkait penerapan sistem intelijen
buatan pada manajemen risiko kredit. Dari sudut pandang empiris, penelitian ini mencoba
untuk membandingkan arsitektur neural network buatan yang dikembangkan dalam
penelitian ini dengan yang telah dikembangkan sebelumnya.
I. Pendahaluan
Risiko kredit telah menjadi masalah utama di dunia perbankan yang sulit untuk dikelola
dan dievaluasi terutama bagi beberapa bank komersial. Dalam beberapa tahun terakhir,
sejumlah bank skala besar telah banyak mengembangkan beberapa teknik canggih dalam
upaya manajemen risiko kredit salah satunya yaitu credit scoring model. Tujuan dari credit
scoring modei ini sendiri yaitu untuk mengevaluasi jenis risiko dari masing – masing
perusahaan yang kemudian memberikan penilaian yang didasarkan atas tingkat kemungkinan
terjadinya kegagalan dari masing – masing perusahaan tersebut. Namun model ini cenderung
lebih bersifat diskriminasi.
Untuk saat ini diperlukan adanya suatu proses yang mampu mengautomatisasi keputusan
persetujuan kredit yang mana bertujuan untuk meningkatkan efisiensi dalam proses
manajemen risiko kredit. Teknik ini akan memproses pinjaman bank yang didasarkan atas
kerangka regulasi Basel 2 dengan memberikan berbagai opsi yang mutakhir dalam
menghitung biaya modal. Kemudian bank diharapkan mampu menerapkan metode
kecukupan modal yang sesuai dengan tingkat kompleksitas transaksi dan jenis risikonya.
Untuk risiko kredit sendiri nantinya akan digunakan pendekatan yang terstandarisasi dan
pendekatan internal rating – based (IRB).
Krisis yang menghantam sistem keuangan internasional 3 tahun lalu yang mana masih
memberikan dampak kerugian pada ekonomi global membuat beberapa pihak untuk
mengatur kembali prudential regulation. Meskipun krisis disebabkan oleh berbagai faktor,
namun regulasi dan pengawasan di sektor keuangan belum mampu mencegah tersebar
luasnya krisis/ gejolak keuangan tersebut.
Upaya yang diajukan oleh Basel Committee yang mana akan menjadi dasar dari Capital
Accord Basel 3 terbaru ini bertujuan untuk mendefinisikan ulang aspek penting dari regulasi
yang mana sejalan dengan target ambisius yang diatur oleh G20. Accord Basel 3 intinya

1|Page
An Artificial Neural Network Approach for Credit Risk Management
menegaskan filosofi dasar daro Basel 2, menjelaskan adanya keterbatasan dalam kerangka
kerja dan memperkenalkan langkah – langkah perbaikan yang diperlukan untuk
meningkatkan kecukupan modal (bank) terutama terkait risiko likuiditas. Elemen utama
dalam rangka penegakan aturan/ prinsip kehati – hatian adalah dengan meningkatkan
kuantitas dan kualitas aturan permodalan. Kerangka kerja regulasi terbaru pada Basel 3 ini
juga menegaskan tentang model mutakhir untuk menghitung biaya modal dan manajemen
risiko kredit.
Tujuan dari makalah ini sendiri yaitu untuk menganalisis kemampuan dari neural network
dalam meramalkan risiko kredit pada perusaaan manufaktur yang ada di Italia. Secara teori,
makalah ini mencoba untuk memperkenalkan suatu tinjauan pustaka terkait penerapan sistem
intelijen buatan pada manajemen risiko kredit. Dari sudut pandang empiris, penelitian ini
mencoba untuk membandingkan arsitektur neural network buatan yang dikembangkan dalam
penelitian ini dengan yang telah dikembangkan sebelumnya.
II. Tinjauan pustaka
Beberapa tahun terakhir, terdapat beberapa literatur yang mencoba mengembangkan
beberapa studi tentang penerapan sistem intelijensia buatan pada manajemen risiko kredit. K.
Y. Tam dan M. Y. Kiang memperkenalkan pendekatan neural network untuk menganalisis
diskriminan dalam bisnis. Dengan menggunakan data default bank, pendeketan ini kemudian
dibandingkan dengan klasifikasi linier. Hasil empiris menunjukan bahwa model ini
merupakan metode/ model yang mampu mengevaluasi kondisi bank dalam hal akurasi
prediktif, kemampuan beradaptasi dan ketahanan.
Paper yang dikemukakan oleh T. S. Lee, C. C. Chiu, C. J. Lu dan I. F. Chen bertujuan
untuk menyelidiki performa dari credit scoring dengan mengintegrasikan neural networks
dengan pendekatan analisis diskriminan. Dari hasil dapat dikemukakan bahwa pendekatan
hibrida yang diusulkan mampu menemui titik temu (menyatu) lebih cepat dibandingkan
dengan model neural network konvensional. Selain itu, secara metodologi, tingkat akurasi
credit scoring juga meningkat dan lebih baik dari analisis diskriminan tradisional dan
pendeketan regresi logistik.
E. I. Atman, G. Marco dan F. Varetto melakukan analisis perbandingan antara
metodologi statistik tradisional yaitu antara Linier Discriminant (LDA) atau analisis logit
dengan artificial neural network (ANN) untuk mengklasifikasi dan memprediksi risiko.
Analisis meliputi 1000 perusahaan yang berada di Italia yang mana terdiri dari 3 jenis
kategori perusahaan, yaitu perusahaan sehat, perusahaan yang rentan serta perusahaan yang

2|Page
An Artificial Neural Network Approach for Credit Risk Management
dikategorikan kurang sehat. Dari hasil dapat dijelaskan bahwa adanya keseimbangan akurasi
dan karakteristik lainnya antara LDA dan ANN.
W. Zhang, Q. Cao dan M. J. Schniederjans melakukan analisis komparatif tingkat
akurasi peramalan antara model linier univariate dan multivariate yang menggabungkan
variabel akuntansi seperti persediaan, piutang usaha dan sebagainya dengan neural networks.
Studi ini mencoba untuk mengetahui apakah neural network yang menggabungkan variabel
akuntasi tersebut mampu menghasilkan tingkat ketepatan (akurasi) peramalan pendapatan
yang akan datang dibandingkan dengan model lainnya. Dari hasil menunjukkan bahwa
penerapan neural network dengan menggabungkan variabel akuntasi tersebut mampu
meramalkan dengan akurat dibanding dengan model peramalan linier lainnya. Penelitian ini
juga mengungkapkan keterbatasan kapasitas peramalan para investor di bursa saham
(forecasting).
Z. Huang, H. Chen, C. J. Hsu, W. H. Chen dan S. Wu memperkenalkan suatu mesin
teknnologi yaitu support vector machines (SVM) yang mana mesin ini nantinya mampu
memberikan tingkat penjelasan suatu model dengan lebih baik. Dengan menggunakan BNN
(back propagation neural network) sebagai tolak ukur dan memperoleh akurasi prediksi
sebesar 80% baik antara metode BNN dan SVM yang mana diterapkan pada pasar US dan
Taiwan. Hasil tersebut diintegrasikan kedalam model neural network. Dari hasil tersebut
kemudian dilakukan analisis komparatif pasar mengenai perbandingan faktor penentu antara
pasar US dan Taiwan.
P. Ravi Kumar dan V. Ravi melakukan review atas penelitian yang telah dilakukan
selama 1968 – 2005 terkait penerapan teknik statistik dan intelligent dalam memprediksi
masalah kebangkrutan yang dihadapi perusahaan ataupun bank. Dimensi penting dalam
review ini didasarkan pada jenis teknik yang diterapkan dalam upaya pemecahan masalah.
Oleh karena itu, makalah ini dikelompokan kedalam beberapa teknik yaitu:
1. Teknik statistik
2. Neural Networks
3. Case – based Reasoning
4. Decision trees
5. Penelitian operasional
6. Pendekatan evolusioner
7. Rough Set based Techniques
8. Teknik lainnya seperti fuzzy logic, support vector machines dan isotonic separation
9. Soft Computing

3|Page
An Artificial Neural Network Approach for Credit Risk Management
 Review yang dilakukan meliputi sumber data, rasio keuangan yang digunakan, negara
asal, masa waktu penelitian dan teknik perbandingan kinerja terkait akurasi prediksi. Review
ini juga menjelaskan beberapa arahan atau langkah penting yang harus dilakukan oleh
peneliti selanjutnya.
E. Angelini, G. Tollo dan A. Roli menjelaskan tentang keberhasilan mereka dalam
menerapkan neural network untuk menilai risiko kredit. Mereka mengembangkan dua sistem
neural network yang mana satunya menggunakan standard feed forward network dan lainnya
menggunakan arsitektur khusus. Penerapan ini diuji dengan menggunakan data real-world
bisnis skala kecil yang ada di Italia. Dari hasil menunjukkan bahwa neural network dapat
dijadikan sebagai sumber pengetahuan dan mampu mengestimasi dengan tepat perihal
kecenderungan para peminjam (debitur).
III. Metodologi: pendekatan neural network
Secara umum terdapat dua perangkat statistik linier yaitu analisis diskriminan dan regresi
logistik yang mana sering diterapkan dalam credit scoring models. Selain metodologi linear
tersebut, terdapat metodologi non – linear yaitu neural network. Metode ini menjadi alternatif
baru bagi LDA dan regresi logistik, terutama pada saat dimana variabel dependen dan
independen menunjukan adanya hubungan non – linear yang kompleks. Meskipun dalam hal
credit score metode ini jauh lebih baik dibandingkan LDA dan regresi logistik, namun
dibutuhkan waktu yang lama untuk membangun topologi jaringan yang optimal.
Artificial Neural Network adalah suatu network terdiri dari processing elements, yang
diatur dalam berbagai cara agar membentuk network’s structure. Secara sederhana, ANN
adalah sebuah alat pemodelan data statistik non-linier. ANN dapat digunakan untuk
memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola
pada data. Menurut suatu teorema yang disebut "teorema penaksiran universal", ANN dengan
minimal sebuah lapis tersembunyi dengan fungsi aktivasi non-linear dapat memodelkan
seluruh fungsi terukur Boreal apapun dari suatu dimensi ke dimensi lainnya.
Lapis masukan (input layers) terdiri dari neuron yang menerima data masukan dari
variabel X. Semua neuron pada lapis ini dapat terhubung ke neuron pada lapisan tersembunyi
atau langsung ke lapisan luaran jika jaringan tidak menggunakan lapisan tersembunyi.
Lapisan tersembunyi (hidden layer) terdiri dari neuron yang menerima data dari lapisan
masukan. Lapisan luaran (output layer) terdiri dari neuron yang menerima data dari lapisan
tersembunyi atau langsung dari lapisan masukan yang nilai luarannya melambangkan hasil
kalkulasi dari X menjadi nilai Y.

4|Page
An Artificial Neural Network Approach for Credit Risk Management
Informasi tidak hanya dikirim ke intermediate neuron, namun juga diukur, sehingga hasil
yang diperoleh dari masing – masing neuron diukur sesuai bobot hubungan antara kedua
neuron tersebut. Masing – masing neuron memiliki nilai ambang batas. Nilai ambang batas
ini merupakan nilai minumum yang harus dimiliki data masukan untuk mengaktifkan neuron.
Sebelum neural network diterapkan ke masalah yang sedang dihadapi, maka harus dilakukan
spesifik bobot yang mana dapat diselesaikan dengan metoda algoritma. Terdapat 3 tipologi
mekanisme metoda dalam neural networks, yaitu:
1. Supervised learning dimana ada target outputnya, sehingga error dihitung dari output
hasil perhitungan dikurangi dengan target output
2. Unsupervised learning merupakan metode khusus dimana tidak ada target outputnya
3. Reinforced learning merupakan metoda yang diterapkan pada network agar ia dapat
menyesuaikan dengan kondisi dilingkungannya, hal ini dicapai dengan cara
memaksimalkan nilai dari hadiah ‘reward’ yang dapat dicapai. Suatu hadiah
didefinisikan sebuah tanggapan balik ‘feedback’ dari network bahwa sesuatu baik terjadi.

5|Page
An Artificial Neural Network Approach for Credit Risk Management
3.1.Peceptron
Merupakan jaringan sederhana yang terdiri dari single neuron dengan “n” input dan 1 output.
Dasar metoda algoritma peceptron ini mengklasifikasikan suatu tipe pola tertentu yang sering
dikenal dengan istilah pemisahan secara linear. Pada dasarnya perceptron pada neural
network dengan satu lapisan memiliki bobot yang bisa diatur dan suatu nilai ambang.
Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parameter
bebasnya melalui proses pembelajaran. Fungsi aktivasi dibuat sedemikian rupa sehingga
terjadi pembatasan antara daerah positif dan daerah negatif.
3.2.Multi Layer Perceptron – MLP
Multi Layer Perceptron merupakan pengembangan dari perceptron dan mempunyai satu atau
lebih hidden layers yangterletak antara input dan output layers. Multi-Layer Perceptron
sendiri merupakan tipe jaringan feed-forward yang terdiri dari sejumlah neuron yang
dihubungkan oleh bobot-bobot penghubung.
Neuron-neuron tersebut disusun dalam lapisan-lapisan yang terdiri dari satu lapisan
input (input layer), satu atau lebih lapisan tersembunyi (hidden layer), dan satu lapisan
output (output layer). Lapisan input menerima sinyal dari luar, kemudian melewatkannya ke
lapisan tersembunyi pertama, yang akan diteruskan sehingga akhirnya mencapai lapisan
output.
Tidak ada batasan banyaknya hidden layer dan jumlah neuron pada setiap layernya. Setiap
neuron pada input layer terhubung dengan setiap neuron pada hidden layer. Demikian juga,
setiap neuron pada hidden layer terhubung ke setiap neuron pada output layer. Setiap neuron,
kecuali pada layer input, memiliki input tambahan yang disebut bias. Kemudian, jaringan
dilatih agar keluaran jaringan sesuai dengan pola pasangan masukan-target yang telah
ditentukan. Proses pelatihan adalah proses iteratif untuk mementukan bobot-bobot koneksi
antara neuron yang paling optimal. Kata back propagation yang sering dikaitkan pada MLP

6|Page
An Artificial Neural Network Approach for Credit Risk Management
merujuk pada cara bagaimana gradien perubahan bobot dihitung. Jaringan MLP yang sudah
dilatih dengan baik akan memberikan keluaran yang masuk akal jika diberi masukan yang
serupa (tidak harus sama) dengan pola yang dipakai dalam pelatihan.
Berikut ini adalah tahap-tahapan dalam penyelesaian masalah menggunakan Multi Layer
Percepteron.
1. Identifikasi Masalah
Tahap ini merupakan identifikasi masalah yang hendak diselesaikan dengan jaringan
syaraf tiruan, meliputi identifikasi jenis dan jumlah masukan serta keluaran pada
jaringan.
2. Menyiapkan Training Data Set
Training data set merupakan kumpulan pasangan data masukan - keluaran
berdasarkan pengetahuan yang telah dikumpulkan sebelumnya. Banyaknya data set
harus mencukupi dan dapat mewakili setiap kondisi yang hendak diselesaikan.
Terbatasnya data set akan menyebabkan akurasi jaringan menjadi rendah.
3. Inisialisasi dan Pembentukan Jaringan
Tahap inisialisasi meliputi penentuan topologi, pemilihan fungsi aktivasi, dan
pemilihan fungsi pelatihan jaringan. Penentuan topologi adalah penentuan banyaknya
hidden layer dan penentuan jumlah neuron pada input layer, hidden layer dan output
layer.
4. Simulasi jaringan
Simulasi jaringan dilakukan untuk melihat keluaran jaringan berdasarkan masukan,
bobot neuron dan fungsi aktivasinya.
5. Pelatihan / training network
Sebelum melakukan pelatihan, dilakukan penentuan parameter training terlebih
dahulu, seperti penentuan jumlah iterasi, learning rate, error yang diijinkan. Setelah
itu dilakukan pelatihan yang merupakan proses iteratif untuk menentukan bobot
koneksi antar neuron.
6. Menggunakan jaringan untuk pengenalan pola
Setelah pelatihan dilakukan, jaringan siap untuk digunakan untuk pengenalan pola.
Kemampuan jaringan dalam mengenal pola sangat bergantung dari bagaimana
jaringan tersebut dilatih.

7|Page
An Artificial Neural Network Approach for Credit Risk Management
 Figure 3. Perceptron network.

IV. Model Artificial Neuron Network yang dikembangkan

Penelitian ini mencoba untuk membandingkan feed – forward multi – layer neural
network yang dikembangkan dalam makalah ini dengan feed – forward neural network
lainnya yang dikembangkan pada tahun 2004. Untuk 2 neural network nya sendiri memiliki
kesamaan, yang membedakannya yaitu terkait fungsi aktivasi yang diterapkan.
Pada neural network yang dikembangkan pada tahun 2004 sendiri menggunakan
algoritma Easy NN yang memiliki arsitektur yang terdiri dari 3 hidden layers dan 1 output
layer. Beda halnya dengan model neuron network yang dikembangkan dalam penelitian ini,
yang mana menggunakan input layer yang terdiri dari 24 neurons, 2 hidden layer yang
masing – masing terdiri dari 10 dan 3 neurons, dan 1 output layers yang terdiri dari score.
Fungsi error yang digunakan yaitu fungsi linear.

8|Page
An Artificial Neural Network Approach for Credit Risk Management
 Kedua model jaringan di training dengan menggunakan algoritma back propagation.
Algoritma ini melakukan optimasi atas bobot jaringan serta mencoba untuk
meminimalisasikan error yang terjadi antara output yang diharapkan dengan output yang
sebenarnya. Algoritma back propagation standar digunakan untuk memperbaharui bobot
masing - masing pola training. Untuk training dua vektor digunakan: satu yang mengandung
pola input dan satunya lagi berisi respon pola yang diinginkan (target). Untuk masing –
masing pola training kemudian disusun sepasang vektor input/ target- nya. Kemudian
dibandingkan dengan output yang disediakan oleh jaringan. Untuk activation function pada
jaringan pertama menggunakan fungsi logistik yang mampu menghasilkan hasil yang lebih
reliable/ handal.

Fungsi aktivasi (activation function) yang digunakan untuk mengembangkan jaringan

pada penelitian ini yaitu dengan menggunakan fungsi sigmoid symmetric stepwise. Data yang
digunakan yaitu perusahaan manufaktur yang berada di Italia yang bersifat perseroan
terbatas. perusahaan yang dipilih yaitu perusahaan dengan jumlah tenaga kerja dibawah 500
dan omset dibawah 50jt Euro yang mana data diperoleh atau disediakan oleh “Central
Balance Sheet”. Untuk jumlah perusahaan yang diteliti pada tahun 2004 sebanyak 273 unit.
Data base dibagi kedalam 3 sub- grup yaitu; training set, validation set dan test set. Indikator
yang digunakan yaitu:
- Total modal tetap terhadap total aset tetap
- Pendapatan
- EBITDA/ pendapatan
- Arus kas/ aset
- Jumlah tenaga kerja
- Modal perusahaan/ aset
- Equity/ assets
- Cash/ assets
- Functional operating working capital/ penjualan bersih
- Tangible equity + debt + group members dan convertible bonds/total debt – cash

9|Page
An Artificial Neural Network Approach for Credit Risk Management
 Jumlah perusahaan yang digunakan dalam penelitian ini yaitu sebanyak 507 unit yang
mana sebanyak 359 digunakan untuk tahap training dan 148 untuk tahap pengujian validasi.
Database sendiri dibagi kedalam 3 kelas yaitu; kelas pertama mencakup perusahaan dengan
kategori sehat, kelas kedua mencakup perusahaan dengan kategori rentan dan kelas ketiga
mencakup perusahaan dengan kategori berisiko. 70% perusahaan dari masing – masing kelas
tersebut digunakan untuk training sementara 30%-nya digunakan untuk uji validasi
(validation testing). Variabel yang digunakan sebagai input pada jaringan ini yaitu:

Semua input tersebut dinormalkan dengan nilai berkisar dari -1 sampai +1. Langkah ini
bertujuan untuk memastikan bahwa data telah terproses, sehingga akan lebih mudah dibaca
oleh jaringan. Data dimasukkan kedalam range yang dalam penelitian ini menggunakan

10 | P a g e
An Artificial Neural Network Approach for Credit Risk Management
interval sama dengan [-1, 1]. Variabel yang digunakan sebagai output hanya satu yaitu score.
Tujuan dari network ini yaitu untuk meminimalisasi perbedaan antara respons yang
diharapkan dengan respon yang disediakan oleh jaringan/ network.

Jaringan yang telah melalui fase training yaitu 10.000 iterasi dilakukan pada 359 unit.
Hasilnya menunjukkan bahwa nilai error yang disajikan oleh jaringan ini sama dengan
0.3308.

Untuk tahap validation set, garis hijau mewakili hasil yang diharapkan. Grafik sendiri
menunjukan bahwa subdivisi perusahaan dari 3 kelas merupakan expected dari jaringan.
Sehingga hasil yang diperoleh dari jaringan tidak sesuai dengan yang diharapkan.
Sebenarnya, seperti yang diperlihatkan pada grafik kita dapat melihat bahwa jaringan tidak
mampu mengklasifikasikan perusahaan seperti yang digambarkan oleh garis merah pada
grafik diatas. Nilai error yang disajikan oleh jaringan dalam fase ini yaitu sama dengan
0.3311.

11 | P a g e
An Artificial Neural Network Approach for Credit Risk Management
V. Penutup
Tujuan yang ingin dicapai dalam penelitian ini yaitu menjelaskan model ANN yang
dikembangkan untuk meramalkan risiko kredit pada perusahaan manfaktur di Italia. Dari sisi
empiris, penelitian ini membandingkan struktur model ANN yang dikembangkan dalam
penelitian ini dengan penelitian lainnya yang dilakukan pada tahun 2004 dengan jenis
perusahaan yang sama. Neural network merupakan metode alternatif klasifikasi karena
mampu berbaur dengan situasi yang kompleks. Seperti yang telah dipaparkan dalam makalah
ini, sebenarnya ANN lebih tepat digunakan untuk menganalisis dan menafsirkan hidden
relationship pada data kompleks. ANN sendiri pastinya memiliki keterbatasan tersendiri
seperti:
1. Kurang mampu untuk melakukan operasi operasi numerik dengan presisi tinggi
2. Kurang mampu melakukan operasi algoritma aritmatik, operasi logika dan simbolis
3. Lamanya proses training yang mungkin terjadi dalam waktu yang sangat lama untuk
jumlah data yang besar.
Kami dapat menyimpulkan bahwa tingkat fleksibilitas dan objektivitas dari model neural
network dengan metode analisis linear dapat dijadikan sebagai perangkat pendukung untuk
menganalisis proses manajemen risiko kredit pada bank. Suatu pernyataan yang salah bahwa
metode tradisional lebih baik ketimbang metode non – linear dalam hal peramalan risiko
kredit, namun hanya metode tradisional dan neural network sajalah yang memilik kekuatan
dan kelemahan yang berbeda, yang mana harus dilakukannya analisis evaluasi secara hati -
hati selama penjabaran model peramalan risiko kredit itu sendiri.

12 | P a g e
An Artificial Neural Network Approach for Credit Risk Management