49
Jurnal Sains Komputer dan Teknologi Informasi Page
e – issn : 2655-7460. Volume 4 No.2, Mei 2022 49-58
mungkin memiliki catatan masa lalu yang tidak baik dalam “salah” dari diskriminan margin diturunkan untuk
proses pinjaman maka lembaga keuangan dalam hal ini mengurangi pengaruhnya (soft margin).
koperasi akan mampu memberikan kredit yang baik yang c. Non Linearity, ketika tidak dapat ditemukan
pada akhirnya akan menjadi menguntungkan dalam pemisah berbentuk linier, titik-titik data biasanya
pendapatan tahunan mereka [4]. diproyeksikan ke dalam ruang dimensi yang lebih
Berdasarkan kondisi yang telah dijelaskan diatas, tinggi dimana titik-titik data secara efektif akan
maka dibutuhkan suatu sistem pengidentifikasian menjadi pemisah linier (proyeksi ini direaliasikan
kelayakan pinjaman pada koperasi di Banjarmasin melalui teknik kernel).
menggunakan Support Vector Machine (SVM) serta berapa d. Problem Solution, semua tugas tersebut dapat
besaran yang harus diberikan kepada peminjam atau diformulasikan sebagai permasalahan optimasi
anggota dengan metode Regresi Linier Berganda. Sistem quadratik yang dapat diselesaikan dengan teknik
ini digunakan untuk menentukan apakah anggota koperasi yang diketahui.
yang akan melakukan pinjaman dikategorikan layak atau Algoritma yang dipakai pada tahap training adalah
tidak dan jika layak berapa besaran yang diterima. sebagai berikut [10]:
50
Samsuri. Penentuan Kelayakan dan Besaran Pinjaman Pada Koperasi Di Banjarmasin 2022
Memanfaatkan Support Vector Machine (SVM) Dan Regresi Linier Berganda.
1. Menentukan Variabel sedangkan semakin kecil nilai RMSE maka semakin baik
akurasi suatu model regresi linier tersebut.
TABEL I
CONTOH TABEL KRITERIA III. Pembentukan Dataset
No X1 X2 X3 X4 X5 X6 X7 X8 Dana Preprocessing data yang dilakukan meliputi proses
A1 1 3 2 1 1 1 2 2 8500000 selection, cleaning, conversion dan normalisasi/scaling
A2 2 1 3 2 3 3 3 3 1000000 data. Pemilihan (selection) data dari sekumpulan data
A3 3 2 1 3 1 1 1 1 9896250 operasional, pemilihan data sesuai tujuan yang diharapkan.
A4 1 3 2 1 2 3 3 2 4500000 Proses cleaning mencakup antara lain membuang duplikasi
A5 2 1 3 3 3 1 1 3 3000000 data, memeriksa data yang inkonsisten, dan memperbaiki
kesalahan pada data, seperti kesalahan cetak (tipografi).
2. Uji Asumsi Klasik Juga dilakukan proses enrichment, yaitu proses
- Uji MultikoLinieritas “memperkaya” data yang sudah ada dengan data atau
- Uji autokorelasi informasi lain yang relevan dan diperlukan untuk pelatihan,
3. Uji Koefisien Regresi Linier Berganda seperti data atau informasi eksternal. Konversi adalah
- Uji Simultan (Uji F) merubah nilai atribut disesuaikan dengan kebutuhan dalam
Adapun langkah-langkah pengujiannya algoritma SVM. Sedangkan normalisasi adalah proses
sebagai berikut: merubah rentang nilai atribut. Hal ini dilakukan dengan
merubah value data menjadi bilangan real agar proses
a. Menentukan Formulasi Hipotesis perhitungan lebih mudah dan atribut yang rentang nilainya
-
H0 : bi, artinya variabel independen tidak besar tidak mendominasi atribut yang rentang nilainya
mempunyai pengaruh yang signifikan lebih kecil. Dengan proses normalisai ini umumnya akan
secara bersama-sama terhadap variabel memberikan hasil yang lebih baik, dibandingkan dengan
dependen. data yang tidak mengalami proses normalisasi.
- H0 : b i ≠ 0, artinya variabel independen TABEL2
mempunyai pengaruh yang signifikan TIPE DATA INPUT
secara bersama-sama terhadap variabel Tipe
dependen. No Var Atribut Keterangan
data
b. Menentukan derajat kepercayaan 95% (α = Jumlah Numeric Normalisasi
0,05) 1 X1
Tanggungan [0..9] [0,1]
c. Menentukan signifikansi Biner
- Nilai signifikasi (P Value) < 0,05 maka 2 X2 Pekerjaan [PNS(0),
H0 ditolak dan H1 diterima. Swasta(1)]
- Nilai signifikasi (P Value) > 0,05 makaH0 Numeric Normalisasi
diterima dan H1 ditolak. 3 X3 Pendapatan/bln
[1jt..∞] [0,1]
d. Membuat kesimpulan
4 X4 Level Pinjaman numeric Normalisasi
- Bila (P Value) < 0,05 maka H0 ditolak
[0,1]
dan H1 diterima. Artinya variabel
5 X5 jangka waktu Numeric Normalisasi
independen secara simultan (bersama-
[1..60] [0,1]
sama) mempengaruhi variabel dependen.
- Bila (P Value) > 0,05 maka H0 diterima
dan H1 ditolak. Artinya variabel
independen secara simultan (bersama-
sama) tidak mempengaruhivariabel
dependen.
- Uji t
4. Analisis Regresi Linier Berganda
5. Pengujian Model
Metode yang digunakan dalam pengujian
model adalah Root Mean Square Error (RMSE).
Root Mean Square Error (RMSE) adalah ukuran
yang digunakan sebagai pembeda antara nilai–
nilai yang diprediksi dengan nilai–nilai yang
sebenarnya [13].
∑𝑛𝑖=1 √(𝑥𝑖 − 𝑓𝑖 )2
𝑅𝑀𝑆𝐸 =
𝑛
51
Jurnal Sains Komputer dan Teknologi Informasi Page
e – issn : 2655-7460. Volume 4 No.2, Mei 2022 49-58
TABEL2 TABEL 3
TIPE DATA INPUT (LANJUTAN) SAMPEL HASIL PRAPROCESSING DATA
No Var Atribut Tipe data Keterangan Thn 2015 2015 2014 2014 2013
Diskrit
[menikah, X1 -0,12 -0,12 -0,72 1,673 -0,12
status Konversi
6 X6 belum
pernikahan [real] X2 0,71 0,71 -1,33 0,71 -1,32
menikah,
bercerai]
Biner X3 -1,18 0,248 -0,654 1,301 -1,105
riwayat
7 X7 [macet(0),
pinjaman
lancar(1)] X4 -0,431 -0,431 -0,431 0,799 -0,431
Biner [tidak
status
8 X8 baik(0), X5 -0,6 -0,6 -0,6 1,49 -0,6
simpanan
baik(1)]
Biner [milik X6 0,223 0,223 0,223 0,223 0,223
9 X9 Rumah sendiri(1),
bukan(0)] X7 0,409 0,409 0,409 -2,32 0,409
52
Samsuri. Penentuan Kelayakan dan Besaran Pinjaman Pada Koperasi Di Banjarmasin 2022
Memanfaatkan Support Vector Machine (SVM) Dan Regresi Linier Berganda.
53
Jurnal Sains Komputer dan Teknologi Informasi Page
e – issn : 2655-7460. Volume 4 No.2, Mei 2022 49-58
TABEL 5
NILAI ERROR MATRIKS KERNEL
b. Kernel Polynomial
c. Kernel RBF
x15 0 0 0
x16 0,32 -0,7 -0,7
x17 -1,69 0,56 0,56
2. Menghitung nilai error
54
Samsuri. Penentuan Kelayakan dan Besaran Pinjaman Pada Koperasi Di Banjarmasin 2022
Memanfaatkan Support Vector Machine (SVM) Dan Regresi Linier Berganda.
memenuhi kondisi pemberhentian sedangkan perhitungan digunakan hasil perhitungan tersebut hanya sebagai contoh
dengan kernel Radial Basis Function (RBF) masih berlanjut perhitungan dengan fungsi keputusan saja. Sebagai contoh
karena belum memenuhi kondisi pemberhentian. Pada akan digunakan data uji sebagai berikut:
kernel linier dan polynomial, semua nilai delta alpha TABEL 8
menunjukkan angka negatif (<0), sehingga nilainya lebih SAMPEL DATA UJI
kecil dari nilai epsilon. Sedangkan pada kernel RBF Att Data Att Data
menunjukkan nilai delta alpha positif (>0), sehingga
nilainya masih lebih besar dari nilai epsilon. x1 -0,72 x10 0,22
x2 -1,33 x11 0,38
4. Menghitung nilai alpha baru x3 -0,5 x12 -0,64
Selanjutnya akan dihitung nilai alpha baru dengan cara x4 2,03 x13 -0,2
menambahkan nilai alpha lama dengan nilai delta alpha.
TABEL 7 x5 1,49 x14 -1,41
NILAI ALPHA BARU x6 0,22 x15 0
αbaru
x7 0,41 x16 1,97
A1 0,487811454 x8 -1,95 x17 0,56
x9 -0,88
A2 0,727448343
55
Jurnal Sains Komputer dan Teknologi Informasi Page
e – issn : 2655-7460. Volume 4 No.2, Mei 2022 49-58
untuk banyak data uji sebelum kemudian ditentukan Setelah dihitung nilai 𝛽𝑖 selanjutnya akan dihitung nilai
besaran pinjaman untuk data yang masuk kelas positif 𝛽0 menggunakan persamaan sebagai berikut:
1 1 1
(diterima). Sedangkan data yang masuk kelas negatif, tidak 𝛽0 = ∑𝑛𝑖−1 𝑌𝑖 − 𝑏3 ∑𝑛𝑖=1 𝑋𝑖 − 𝑏4 ∑𝑛𝑖=1 𝑋𝑖 = 𝑌̅ − 𝑏3 𝑋̅ −
perlu ditentukan besaran pinjamannya. 𝑛 𝑛 𝑛
𝑏4 𝑋̅
1 1
𝛽0 = (3,68) − 2,3016 (0,489) −
5 5
D. Penentuan Besaran Pinjaman dengan RLB 1
3,39016 (−0,558) = 0,889655
Variabel terikat yang digunakan adalah besaran 5
pinjaman koperasi dan diskalakan menjadi menjadi 4, yaitu Setelah diketahui semua nilai 𝛽 maka selanjutnya telah
(1) Pinjaman rendah, (2) Pinjaman sedang, (3) Pinjaman terbentuk persamaan regresi linier berganda sebagai
Tinggi dan (4) Pinjaman Sangat tinggi. Sedangkan variable berikut:
bebas yang digunakan ada 2, yaitu X3 (pendapatan/bulan) Y = 0,8897 + 2,3016 X3 + 3,39016 X4
dan X4 (level pinjaman).
Model regresi linear berganda disajikan dengan Persamaan tersebut memiliki arti bahwa pendapatan per
persamaan sebagai berikut bulan (X3) dan level pinjaman (X4) berpengaruh positif atau
Y = β0 + β3 X1 + β4 X3 sebanding dengan besaran pinjaman pada Koperasi di
Keterangan: Banjarmasin. Pendapatan per bulan (X3) berpengaruh
Y = Besaran Pinjaman positif terhadap besaran pinjaman sebesar 2,3016. Level
X3 = Pendapatan pinjaman (X4) berpengaruh positif terhadap besaran
X4 = Level Pinjaman pinjaman sebesar 3,39016. Apabila tidak terjadi perubahan
β0 = Konstanta pendapatan per bulan (X3) dan level pinjaman (X4), maka
βi = Slope (Koefisien estimate) akan terjadi kenaikan besaran pinjaman sebesar 0,8897.
Contoh digunakan data hasil klasifikasi sebagai berikut:
TABEL 9 Berdasarkan persamaan linier tersebut maka dapat
DATA KELAS “LAYAK MENERIMA PINJAMAN” diperoleh skala prediksi besaran pinjaman pada Koperasi di
Banjarmasin. Skala minimal diperoleh dengan cara
Y X3 X4 mengasumsikan X3=X4=0. Sedangkan skala maksimal
0,74 1,49 0,995 diperoleh dengan cara mengasumsikan X3=X4=1. Sehingga
diperoleh skala besaran pinjaman adalah antara 0,8897
0,74 -0,489 -0,3883 sampai 6,58. Skala besaran pinjaman tersebut dibagi
0,74 0,806 -0,3883 menjadi empat skala untuk masing-masing kategori besaran
pinjaman. Sehingga masing-masing skala bernilai 1,423.
0,74 -0,489 -0,3883 TABEL 11
PENENTUAN SKALA KATEGORI BESARAN PINJAMAN
0,74 -0,824 -0,3883
No Kategori Skala
Untuk mempermudah perhitungan dalam menentukan 1 Pinjaman Rendah 750000 – 2300000
nilai β0 dan βi, maka dibuat tabel berikut: 2 Pinjaman Sedang 2300000 – 5000000
TABEL 10
TABLE PERSIAPAN RLB 3 Pinjaman Tinggi 5000000 – 25000000
Y X3 X3Y X3 2
X4 X4Y X4 2
4 Pinjaman Sangat >25000000
0,74 -0,48 -0,36 0,24 -0,38 -0,29 0,15 Dalam hal ini terdapat 5 data yang akan ditentukan
besaran pinjamannya. Masing-masing dari 5 data tersebut
0,74 0,80 0,59 0,65 -0,38 -0,29 0,15
akan dihitung menggunakan persamaan regresi linier yang
0,74 -0,48 -0,36 0,24 -0,38 -0,29 0,15 telah dibentuk sebelumnya. Hasil perhitungan prediksi
besaran pinjaman menggunakan regresi linier berganda
0,74 -0,82 -0,61 0,68 -0,38 -0,29 0,15
ditunjukkan pada tabel berikut.
3,68 0,48 0,36 4,01 -0,55 -0,41 1,59 TABEL 12
HASIL PREDIKSI BESARAN PINJAMAN
Besar Rp
No X3 X4 Y
Pinjaman
Selanjutnya akan dihitung nilai untuk β3 dan β4 1 1,49 0,995 7,6808
sangat 32000000
menggunakan persamaan berikut: tinggi
𝑛 ∑𝑛 𝑛 𝑛
𝑖=1 𝑋𝑖 𝑌𝑖 − ∑𝑖=1 𝑋𝑖 ∑𝑖=1 𝑌𝑖 2 -0,49 -0,3883 -1,5522 rendah 20000000
𝛽𝑖 = 2 2
𝑛 ∑𝑛 𝑛
𝑖=1 𝑋𝑖 −(∑𝑖=1 𝑋𝑖 )
5(0,36)−(0,489)(3,68) 3 0,81 -0,3883 1,4283 rendah 15000000
𝛽3 = = 2,3016
5(4,012)−4,012 20000000
5(−0,411)−(−0,558)(3,68) 4 -0,49 -0,3883 -1,5522 rendah
𝛽4 = = 3,39016
5(1,593)−1,593 23000000
5 -0,82 -0,3883 -2,3233 rendah
56
Samsuri. Penentuan Kelayakan dan Besaran Pinjaman Pada Koperasi Di Banjarmasin 2022
Memanfaatkan Support Vector Machine (SVM) Dan Regresi Linier Berganda.
TABEL 14
V. UJI COBA HASIL PENGUJIAN PENENTUAN BESARAN PINJAMAN DENGAN
Pembagian data training dan testing digunakan teknik MLR
LINEAR POLY RBF
Cross validasi. Uji cross validasi bertujuan untuk mengukur No.
MSE MSE MSE
akurasi nilai hasil pelatihan dan klasifikasi yang dihasilkan.
Pembagian data training dan testing dengan teknik cross 1 0,01145 0,01124 0,01148
validasi digunakan 10 fold. Masing-masing fold akan berisi 2 0,01124 0,01103 0,01194
jumlah 1013 record yang masing-masing fold data akan 3 0,01131 0,0115 0,01178
diatur sedemikian rupa akan terjadi variasi kelas, sehingga 4 0,01115 0,01172 0,0116
5 0,011 0,01138 0,01153
dalam setiap fold data terdapat kelas “Layak: dan juga
6 0,01154 0,01116 0,01127
terdapat kelas “Tidak Layak”. Terdapat 2 jenis pengujian
yaitu uji klasifikasi dengan algoritma SVM dan yang kedua 7 0,01162 0,01186 0,01127
adalah uji penentuan besar pinjaman menggunakan Regresi 8 0,01149 0,01135 0,01141
Liner berganda. 9 0,01112 0,01176 0,01158
Pengujian klasifikasi dengan SVM bertujuan untuk 10 0,01146 0,01151 0,0116
menilai keakurasian hasil klasifikasi data. Percobaan akan AVG 0,01134 0,01145 0,01155
dilakukan sebanyak 10 kali sesuai dengan jumlah fold MIN 0,01100 0,01103 0,01127
(k=10) dalam cross validation. Proses validasi akan Dari keseluruhan uji coba yang telah dilakukan dapat
dilakukan pada setiap fold data yang dimiliki. kernel yang disimpulkan bahwa penentuan besaran pinjaman pada
dipakai dalam pengujian yaitu linear, polynomial dan RBF. koperasi di Banjarmasin dengan memanfaatkan RLB yang
Data yang digunakan sebanyak 10.134 dengan data testing telah dibangun menunjukkan hasil yang cukup baik. Hal ini
sebanyak 3041 dan data training 7093 artinya data yang dibuktikan dengan Mean Square Error ( MSE ) dengan
dipakai sebagai data testing sebanyak 30% dan data rata-rata 0,011
training 70% dan pengujian dilakukan dengan variasi
parameter sebanyak 10 kali . VI. Kesimpulan
TABEL 13 1. Aplikasi yang dibuat terbukti dapat melakukan
HASIL PENGUJIAN KLASIFIKASI DENGAN SVM klasifikasi terhadap data pemohon pinjaman pada
Data Kernel Kernel Kernel koperasi di Banjarmasin. Hal ini dibuktikan dengan
ke- Linear Polynomial RBF pembahasan yang telah dilakukan pada proses
1 71,69 71,93 71,96 pengujian menunjukkan hasil data testing masuk ke
2 72,19 70,56 71,72 dalam kelas positif atau layak menerima pinjaman.
3 71,3 70,80 70,73 2. Dilakukan uji coba pelatihan dengan algoritma
4 71,66 71,16 72,79 Support Vector Machine sebanyak 10 kali percobaan
5 70,26 71,16 72,55 dengan variasi parameter. Dari uji coba ini
6 70,63 71,96 71,23 menunjukkan bahwa hasilnya cukup baik yaitu
7 70,40 71,79 69 akurasi hasil klasifikasi sebesar 72.79%.
8 69,87 71,96 68,44 3. Pada uji coba penentuan besaran pinjaman dengan
9 70,93 72 68,60 menggunakan Regresi Linier Berganda menunjukkan
10 70,73 70,16 65,45 Mean Square Error (MSE) sebesar 0,011
4. Dalam menjalankan aplikasi untuk penentuan
kelayakan dan besaran pinjaman pada koperasi di
Pengujian Penentuan Besaran Pinjaman dengan Regresi Banjarmasin ini diperlukan spesifikasi hardware yang
Linier Berganda bertujuan untuk mencari Mean Square cukup tinggi. Hal ini disebabkan karena proses
Error (MSE). Percobaan akan dilakukan sebanyak 10 kali training dan testing melakukan perulangan (iterasi)
ujicoba dengan data yang sama dengan data yang dipakai yang cukup banyak dalam proses pembangkitan
SVM dengan parameter SVM bervariasi. matriks dan persamaan langrage.
DAFTAR PUSTAKA
[1] L. Changjian and H. Peng, “Credit Risk Assessment
for Rural Credit Cooperatives Based on Improved
Neural Network,” 2017 Int. Conf. Smart Grid Electr.
Autom., pp. 227–230, 2017.
57
Jurnal Sains Komputer dan Teknologi Informasi Page
e – issn : 2655-7460. Volume 4 No.2, Mei 2022 49-58
58