Penerapan Algoritma Nearest Neighbor Untuk Meprediksi Resiko Peminjaman Debitur Baru Dengan Membandingkan Dengan Data Debitur Lama

Resiko Pinjaman
Risiko pinjaman (resiko kredit) adalah suatu risiko kerugian yang disebabkan oleh ketidak mampuan (gagal bayar) dari debitur atas kewajiban pembayaran utangnya baik utang pokok maupun bunganya ataupun keduanya.

Kebanyakan pemberi pinjaman menggunakan cara penilaian kelayakan kredit mereka masing-masing guna membuat peringkat risiko konsumen lalu kemudian mengaplikasikannya terhadap strategi bisnis mereka.

Terdapat beberapa alasan pinjaman uang nasabah ditolak oleh bank, diantaranya adalah :
1. Nasabah punya sejarah pinjaman macet
2. Agunan nasabah dianggap kurang layak
3. Penghasilan nasabah kurang mampu mengimbangi pinjaman
4. Nasabah tidak menyediakan modal sendiri
5. Usia bisnis masih terlalu muda
6. Faktor resiko dalam sebuah profesi
7. Reputasi nsabah dianggap kurang bagus
8. Data nasabah tidak valid

Prediksi
Menurut kamus besar bahasa Indonesia, prediksi adalah hasil dari kegiatan memprediksi atau meramal atau memperkirakan. Pengertian prediksi secara istilah akan sangat tergantung pada konteks atau permasalahannya. Berbeda dengan pengertian prediksi secara bahasa yang berarti ramalan atau perkiraaan yang sudah menjadi pengertian yang baku.

Di dalam Data Mining, prediksi hamper sama dengan klasifikasi dan estimasi, kecuali bahwa prediksi nilai dari hasil akan ada di masa mendatang (Kusrini dan Emha Taufiq Luthfi, 2009).

Prediksi digunakan untuk memperkirakan nilai masa mendatang, misalnya memprediksi stok barang satu tahun ke depan. Fungsi ini mencakup metode Neural Network, Decision Tree, dan Nearest Neighbor. Prediksi menggunakan beberapa variable atatu field-field basis data untuk memprediksi nilai-nilai variabel masa mendatang yang diperlukan, yang belum diketahui saat ini


Algoritma Nearest Neighbor
Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada (Kusrini dan Emha Taufiq Luthfi, 2009).

Misalkan diinginkan untuk mencari solusi terhadap seorang pasien baru dengan menggunakan solusi dari pasien terdahulu. Untuk mencari kasus pasien mana yang akan digunakan maka dihitung kedekatan kasus pasien baru dengan semua kasus pasien lama. Kasus pasien lama dengan kedekatan terbesarlah yang akan diambil solusinya untuk digunakan pada kasus pasien baru (Kusrini dan Emha Taufiq Luthfi, 2009)

Adapun rumus untuk melakukan penghitungan kedekatan antara 2 kasus adalah sebagai berikut :

dengan
T : kasus baru
S : kasus yang ada dalam penyimpanan
n : jumlah atribut dalam masing-masing kasus
i : atribut individu antara 1 s/d n
f : fungsi similarity atribut i antara kasus T
w : bobot yang diberikan pada atribut ke i


Contoh Kasus Perhitungan Algoritma Nearest Neighbor
Data penentuan resiko pinjaman dana di Bank Perkreditan Rakyat terdiri dari 8 atribut, dimana 7 atribut prediktor dan 1 atribut label, seperti yang ditunjukkan pada tabel berikut :

Tabel 1 Daftar Atribut dan Nilai Atributnya
Atribut	Nilai Atribut
Jumlah Pinjaman	<= 20.000.000 > 20.000.000 s/d <= 50.000.000 > 50.000.000 s/d <= 75.000.000 > 75.000.000
Tujuan Pinjam	Investasi Konsumtif Modal Kerja
Jangka Waktu	12 Bulan 24 Bulan 36 Bulan 48 Bulan 60 Bulan 72 Bulan
Kondisi Debitur	Cukup Baik Baik Sangat Baik
Pekerjaan Debitur	Ibu Rumah Tangga Mahasiswa PNS Karyawan Pegawai Swasta Pegawai Pajak Wiraswasta
Penghasilan Debitur per Bulan	< 2.500.000 2.500.000 s/d 6.500.000 > 6.500.000
Jaminan	BPKB kendaraan Roda Dua BPKB kendaraan Roda Empat Sertifikat Tanah Sertifikat Rumah SK PNS Tanpa Agunan
Resiko Peminjaman	?

Analisa Proses
Dari pengelompokkan atribut diatas, maka langkah selanjutnya adalah melakukan analisa proses dalam data mining dengan menggunakan Algoritma Nearest Neighbor.

Untuk mengukur jarak masing-masing atribut, perlu diberikan bobot. Bobot yang diberikan, nilainya antara 0 dan 1, dimana 0 menandakan atribut tidak berpengaruh dan 1 menandakan atribut sangat berpengaruh.

Pemberian bobot pada masing-masing atribut dapat dilihat pada tabel berikut :

Tabel 2 Bobot Pada Masing-Masing Prediktor
No.	Atribut	Bobot
1.	Jumlah Pinjaman	0.8
2.	Tujuan Pinjam	0.8
3.	Jangka Waktu	0.8
4.	Kondisi Debitur	0.6
5.	Pekerjaan Debitur	0.6
6.	Penghasilan Debitur per Bulan	0.6
7.	Jaminan	0.5

1. Kedekatan nilai atribut Jumlah Pinjaman ditunjukkan di tabel berikut :

A1 : <= 20.000.000

A2 : > 20.000.000 s/d <= 50.000.000

A3 : > 50.000.000 s/d <= 75.000.000

A4 : > 75.000.000

Tabel 3 Kedekatan Nilai Atribut Jumlah Pinjaman
No.	Atribut Jumlah Pinjaman	Nilai
1.	A1	100
2.	A2	80
3.	A3	60
4.	A4	40

Setelah dilakukan klasifikasi Jumlah Pinjaman, berikutnya melakukan pencarian nilai kedekatan atribut Jumlah Pinjaman yaitu dilihat pada tabel berikut :

	A1	A2	A3	A4
A1	1	0.8	0.6	0.4
A2	0.8	1	0.75	0.5
A3	0.6	0.75	1	0.667
A4	0.4	0.5	0.667	1

2. Kedekatan nilai atribut Tujuan Pinjam ditunjukkan di tabel berikut :

B1 : Investasi

B2 : Konsumtif

B3 : Modal Kerja

Tabel 4 Kedekatan Nilai Atribut Tujuan Pinjam
No.	Atribut Tujuan Pinjam	Nilai
1.	B1	100
2.	B2	70
3.	B3	40

Setelah dilakukan klasifikasi Tujuan Pinjam, berikutnya melakukan pencarian nilai kedekatan atribut Tujuan Pinjam yaitu dilihat pada tabel berikut :

	B1	B2	B3
B1	1	0.7	0.4
B2	0.7	1	0.571
B3	0.4	0.571	1

3. Kedekatan nilai atribut Jangka Waktu ditunjukkan di tabel berikut : :

C1 : 12 Bulan

C2 : 24 Bulan

C3 : 36 Bulan

C4 : 48 Bulan

C5 : 60 Bulan

C6 : 72 Bulan

Tabel 5 Kedekatan Nilai Atribut Jangka Waktu
No.	Atribut Jangka Waktu	Nilai
1.	C1	100
2.	C2	90
3.	C3	80
4.	C4	70
5.	C5	60
6.	C6	50

Setelah dilakukan klasifikasi Jangka Waktu, berikutnya melakukan pencarian nilai kedekatan atribut Jangka Waktu yaitu dilihat pada tabel berikut :

	C1	C2	C3	C4	C5	C6
C1	1	0.9	0.8	0.7	0.6	0.5
C2	0.9	1	0.889	0.778	0.667	0.556
C3	0.8	0.889	1	0.875	0.75	0.625
C4	0.7	0.778	0.875	1	0.857	0.714
C5	0.6	0.667	0.75	0.857	1	0.833
C6	0.5	0.556	0.625	0.714	0.833	1

4. Kedekatan nilai atribut Kondisi Debitur ditunjukkan di tabel berikut :

D1 : Cukup Baik

D2 : Baik

D3 : Sangat Baik

Tabel 6 Kedekatan Nilai Atribut Kondisi Debitur
No.	Atribut Kondisi Debitur	Nilai
1.	D1	100
2.	D2	70
3.	D3	40

Setelah dilakukan klasifikasi Kondisi Debitur, berikutnya melakukan pencarian nilai kedekatan atribut Kondisi Debitur yaitu dilihat pada tabel berikut :

	D1	D2	D3
D1	1	0.7	0.4
D2	0.7	1	0.571
D3	0.4	0.571	1

5. Kedekatan nilai atribut Pekerjaan Debitur ditunjukkan di tabel berikut : :

E1 : Tidak Bekerja

E2 : Pegawai Swasta

E3 : Mahasiswa

E4 : Pegawai Negeri

E5 : Wiraswasta

E6 : Ibu Rumah Tangga

Tabel 7 Kedekatan Nilai Atribut Pekerjaan Debitur
No.	Atribut Pekerjaan Debitur	Nilai
1.	E1	100
2.	E2	90
3.	E3	80
4.	E4	70
5.	E5	60
6.	E6	50

Setelah dilakukan klasifikasi Pekerjaan Debitur, berikutnya melakukan pencarian nilai kedekatan atribut Pekerjaan Debitur yaitu dilihat pada tabel berikut :

	E1	E2	E3	E4	E5	E6
E1	1	0.9	0.8	0.7	0.6	0.5
E2	0.9	1	0.889	0.778	0.667	0.556
E3	0.8	0.889	1	0.875	0.75	0.625
E4	0.7	0.778	0.875	1	0.857	0.714
E5	0.6	0.667	0.75	0.857	1	0.833
E6	0.5	0.556	0.625	0.714	0.833	1

6. Kedekatan nilai atribut Penghasilan Debitur Per Bulan ditunjukkan di tabel berikut :

F1 : < 2.500.000

F2 : 2.500.000 s/d 6.500.000

F3 : > 6.500.000

Tabel 8 Kedekatan Nilai Atribut Penghasilan Debitur Per Bulan
No.	Atribut Penghasilan Debitur Per Bulan	Nilai
1.	F1	100
2.	F2	70
3.	F3	40

Setelah dilakukan klasifikasi Penghasilan Debitur Per Bulan, berikutnya melakukan pencarian nilai kedekatan atribut Penghasilan Debitur Per Bulan yaitu dilihat pada tabel berikut :

	F1	F2	F3
F1	1	0.7	0.4
F2	0.7	1	0.571
F3	0.4	0.571	1

7. Kedekatan nilai atribut Jaminan ditunjukkan di tabel berikut : :

G1 : BPKB Kendaraan Roda Dua

G2 : BPKB Kendaraan Roda Empat

G3 : Sertifikat Tanah

G4 : Sertifikat Rumah

G5 : SK PNS

G6 : Tanpa Agunan

Tabel 9 Kedekatan Nilai Atribut Jaminan
No.	Atribut Jaminan	Nilai
1.	G1	100
2.	G2	90
3.	G3	80
4.	G4	70
5.	G5	60
6.	G6	50

Setelah dilakukan klasifikasi Jaminan, berikutnya melakukan pencarian nilai kedekatan atribut Jaminan yaitu dilihat pada tabel berikut :

	G1	G2	G3	G4	G5	G6
G1	1	0.9	0.8	0.7	0.6	0.5
G2	0.9	1	0.889	0.778	0.667	0.556
G3	0.8	0.889	1	0.875	0.75	0.625
G4	0.7	0.778	0.875	1	0.857	0.714
G5	0.6	0.667	0.75	0.857	1	0.833
G6	0.5	0.556	0.625	0.714	0.833	1

Setelah menentukan kedekatan nilai atribut dari masing-masing atribut prediktor, maka proses selanjutnya adalah melakukan proses perhitungan berdasarkan data training yang akan digunakan. Pada penelitian ini, digunakan 3 record sample data training dari 65 record data training.

Sample data training yang akan digunakan dapat dilihat pada tabel berikut :

Tabel 10 Sample data training
No.	Jumlah Pinjaman (Rp)	Tujuan Pinjam (Jenis Kredit)	Jang ka Waktu	Kondisi Debitur saat ini	Pekerja an Debitur	Penghasi lan / Bln (Rp.)	Jaminan	Resiko
1.	>20.000.000 s/d <= 50.000.000	Modal Kerja	36 Bulan	Cukup Baik	Pegawai Swasta	2.500.000 s/d 6.500.000	Sertifikat Tanah	Sedang
2.	<= 20.000.000	Modal Kerja	12 Bulan	Baik	Wiraswasta	< 2.500.000	BPKB Kendaraan Roda Dua	Tinggi
3.	<= 20.000.000	Konsumtif	36 Bulan	Baik	Pegawai Swasta	2.500.000 s/d 6.500.000	Kendaraan Roda Empat	Rendah

Contoh Kasus
Misalkan ada kasus baru pada data testing dengan nilai atribut seperti pada Tabel 11. Kasus baru tersebut akan dihitung kedekatannya dengan kasus lama yang terdapat pada data training table 10

Tabel 11 Data Testing
No.	Jumlah Pinjaman (Rp)	Tujuan Pinjam (Jenis Kredit)	Jang ka Waktu	Kondisi Debitur saat ini	Pekerja an Debitur	Penghasi lan / Bln (Rp.)	Jaminan
4.	> 20.000.000 s/d <= 50.000.000	Konsumtif	60 Bulan	Baik	Pegawai Swasta	2.500.000 s/d 6.500.000	BPKB Kendaraan Roda Dua

Perhitungan kedekatan kasus baru pada data testing pada Tabel 11 dengan 3 kasus lama pada data training pada Tabel 10, yaitu:

Tabel 12 Kedekatan Kasus Baru Dengan Kasus Nomor 1
No.	Atribut	Nilai Atribut Kasus Nomor 1	Nilai Atribut Kasus Baru	Kedekatan (a)	Bobot (b)
1.	Jumlah Pinjaman	> 20.000.000 s/d <= 50.000.000	> 20.000.000 s/d <= 50.000.000	1	0.8
2.	Tujuan Pinjam	Modal Kerja	Konsumtif	0.571	0.8
3.	Jangka Waktu	36 Bulan	60 Bulan	0.75	0.8
4.	Kondisi Debitur	Cukup Baik	Baik	0.7	0.6
5.	Pekerjaan Debitur	Pegawai Swasta	Pegawai Swasta	1	0.6
6.	Penghasilan Debitur Per Bulan	2.500.000 s/d 6.500.000	2.500.000 s/d 6.500.000	1	0.6
7.	Jaminan	Sertifikat Tanah	BPKB Kendaraan Roda Dua	0.8	0.5
Dari tabel diatas, dapat dihitung kedekatan kasus baru dengan kasus nomor 1, dengan cara : Similarity = ((a1*b1)+(a2*b2)+(a3*b3)+(a4*b4)+(a5*b 5)+(a6*b6)+(a7*b7)) / (b1+b2+b3+b4+b5+b6+b7) Similarity = ((1*0.8)+(0.571*0.8)+(0.75*0.8)+(0.7*0.6) +(1*0.6)+(1*0.6)+(0.8*0.5)) / (0.8+0.8+0.8+0.6+0.6+0.6+0.5) Similarity = 0.825

Tabel 13 Kedekatan Kasus Baru Dengan Kasus Nomor 2
No.	Atribut	Nilai Atribut Kasus Nomor 2	Nilai Atribut Kasus Baru	Kedekatan (a)	Bobot (b)
1.	Jumlah Pinjaman	<= 20.000.000	> 20.000.000 s/d <= 50.000.000	0.8	0.8
2.	Tujuan Pinjam	Modal Kerja	Konsumtif	0.571	0.8
3.	Jangka Waktu	12 Bulan	60 Bulan	0.6	0.8
4.	Kondisi Debitur	Baik	Baik	1	0.6
5.	Pekerjaan Debitur	Wiraswasta	Pegawai Swasta	0.667	0.6
6.	Penghasilan Debitur Per Bulan	< 2.500.000	2.500.000 s/d 6.500.000	0.7	0.6
7.	Jaminan	BPKB Kendaraan Roda Dua	BPKB Kendaraan Roda Dua	1	0.5
Dari tabel diatas, dapat dihitung kedekatan kasus baru dengan kasus nomor 2, dengan cara : Similarity = ((a1*b1)+(a2*b2)+(a3*b3)+(a4*b4)+(a5*b 5)+(a6*b6)+(a7*b7)) / (b1+b2+b3+b4+b5+b6+b7) Similarity = ((0.8*0.8)+(0.571*0.8)+(0.6*0.8)+(1*0.6)+ (0.667*0.6)+(0.7*0.6)+(1*0.5)) / (0.8+0.8+0.8+0.6+0.6+0.6+0.5) Similarity = 0.744

Tabel 14 Kedekatan Kasus Baru Dengan Kasus Nomor 3
No.	Atribut	Nilai Atribut Kasus Nomor 3	Nilai Atribut Kasus Baru	Kedekatan (a)	Bobot (b)
1.	Jumlah Pinjaman	<= 20.000.000	> 20.000.000 s/d <= 50.000.000	0.8	0.8
2.	Tujuan Pinjam	Konsumtif	Konsumtif	1	0.8
3.	Jangka Waktu	36 Bulan	60 Bulan	0.75	0.8
4.	Kondisi Debitur	Baik	Baik	1	0.6
5.	Pekerjaan Debitur	Pegawai Swasta	Pegawai Swasta	1	0.6
6.	Penghasilan Debitur Per Bulan	2.500.000 s/d 6.500.000	2.500.000 s/d 6.500.000	1	0.6
7.	Jaminan	BPKB Kendaraan Roda Empat	BPKB Kendaraan Roda Dua	0.9	0.5
Dari tabel diatas, dapat dihitung kedekatan kasus baru dengan kasus nomor 3, dengan cara : Similarity = ((a1*b1)+(a2*b2)+(a3*b3)+(a4*b4)+(a5*b5)+(a 6*b6)+(a7*b7)) / (b1+b2+b3+b4+b5+b6+b7) Similarity = ((0.8*0.8)+(1*0.8)+(0.75*0.8)+(1*0.6)+(1*0.6) +(1*0.6)+(0.9*0.5)) / (0.8+0.8+0.8+0.6+0.6+0.6+0.5) Similarity = 0.913

Melihat dari ke tiga kasus tersebut, maka yang mempunyai nilai tertinggi adalah kasus ketiga, melihat dari kasus yang tertinggi bahwa kasus itulah yang merupakan kasus yang terdekat dengan kasus baru. Berarti yang mendekati dengan kasus baru adalah kasus ke tiga. Maka klasifikasi resiko pinjaman dana pada kasus baru adalah Rendah.


Perancangan Relasi Database
Untuk pembuatan program anda dapat merancang relasi database nya seperti ini :

KLIK DISINI UNTUK DOWNLOAD DAN DEMO PROGRAM