Hybrid K-means Dan Particle Swarm Optimization Untuk Clustering Nasabah Kredit

Yusuf Priyo Anggodo, Winda Cahyaningrum, Aprilia Nur Fauziyah, Irma Lailatul Khoiriyah, Oktavianis Kartikasari, Imam Cholissodin

Sari


Abstrak

Kredit merupakan suatu pendapatan terbesar bagi bank. Akan tetapi, bank harus selektif dalam menentukan nasabah yang dapat menerima kredit. Permasalahan ini menjadi semakin komplek karena ketika bank salah memberikan kredit kepada nasabah dapat merugikan, selain itu banyaknya parameter penentu dalam penentuan nasabah yang kredit. Clustering merupakan salah satu cara untuk dapat menyelesaikan permasalahan ini. K-means merupakan metode yang simpel dan popular dalam menyelesaikan permasalahan clustering. Akan tetapi, K-means murni tidak dapat memberikan solusi optimum sehingga perlu dilakukan improve untuk mendapatkan solusi optimum. Salah satu metode optimasi yang dapat menyelesaikan permasalahan optimasi dengan baik adalah particle swarm optimization (PSO). PSO sangat membantu dalam proses clustering dengan melakukan optimasi pada titik pusat tiap cluster. Untuk meningkatkan hasil yang lebih baik pada PSO ada beberapa improve yang dilakukan. Pertama penggunaan time-variant inertia untuk membuat nilai w atau inertia dinamis ditiap iterasi. Kedua melakukan kontrol kecepatan partikel atau velocity clamping untuk mendapatkan posisi terbaik. Selain itu untuk mengatasi konvergensi dini dilakukan hybrid PSO dengan random injection. Hasil pengujian menunjukan hybrid PSO K-means memberikan hasil terbesar dibandingkan K-means dan PSO K-means, dimana silhouette dari K-means, PSO K-means, dan hybrid PSO K-means masing-masing 0.57343, 0.792045, 1.

Kata kunci: Kredit, Clustering, PSO, K-means, Random Injection


Abstract

Credit is the biggest revenue for the bank. However, banks have to be selective in deciding which clients can receive the credit. This issue is becoming increasingly complex because when the bank was wrong to give credit to customers can do harm, apart of that a large number of deciding parameter in determining customer credit. Clustering is one way to be able to resolve this issue. K-means is a simple and popular method for solving clustering. However, K-means pure can’t provide optimum solutions so that needs to be done to get the optimum solution to improve. One method of optimization that can solve the problems of optimization with particle swarm optimization is good (PSO). PSO is very helpful in the process of clustering to perform optimization on the central point of each cluster. To improve better results on PSO there are some that do improve. The first use of time-variant inertia to make the dynamic value of inertial w each iteration. Both control the speed of the particle velocity or clamping to get the best position. Besides to overcome premature convergence do hybrid PSO with random injection. The results of this research provide the optimum results for solving clustering of customer credits. The test results showed the hybrid PSO K-means provide the greatest results than K-means and PSO K-means, where the silhouette of the K-means, PSO K-means, and hybrid PSO K-means respectively 0.57343, 0.792045, 1.

Keywords: Credit, Clustering, PSO, K-means, Random Injection


Teks Lengkap:

PDF (English)

Referensi


ANGGARA, M., SUJIANI, H. dan NASUTION, H., 2016. Pemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness, Jurnal Sistem dan Teknologi Informasi (JustIN), vol. 1, no. 1, pp. 1–6.

ALAM, S., DOBBIE, G. dan REHMAN, S, S., 2015. Analysis of particle swarm optimization based hierarchical data clustering approaches, Swarm and Evolutionary Computation, vol. 25, pp. 36-51.

ARMANO, G. dan FARMANI, M. R., 2016. Multiobjective clustering analysis using particle swarm optimization. Expert Systems With Applications, vol. 55, pp. 184-193

EBERHART, R.C. dan SHI, Y., 2000. Comparing inertia weight and constriction factors in particle swarm optimization. IEEE Congress on Evolutionary Computation, 16-19 Juni, San Diego, CA, US.

KARAMI, A. dan GUERRERO-ZAPATA, M., 2015. A fuzzy anomaly detection system based on hybrid PSO-Kmeans algorithm in content-centric networks. Neurocomputing, vol. 149, no. PC, pp. 1253–1269,

KARIMOV, J. dan OZBAYOGLU, M., 2015. Clustering Quality Improvement of k-means Using a Hybrid Evolutionary Model, Procedia Comput. Sci., vol. 61, pp. 38–45.

KENNEDY, J. dan EBERHART, R., 1995. Particle swarm optimization. IEEE International Conference on Neural Networks, 27 Nov. – 1 Dec., Perth, Western, Australia, vol. 4, pp. 1942-1948.

KUO, R, J., WANG, M, J. dan HUANG, T. W., 2011. An application of particle swarm optimization algorithm to clustering analysis. Soft Comput., vol. 15, no. 3, pp. 533–542.

LIU, L., JIAO, L., ZHAO, J., SHANG, R. dan GONG, M., 2017. Quantum-behaved dicrete multi-objective particle swarm optimization for complex network clustering. Pattern Recognition, vol. 63, pp. 1-14.

LIU, R., CHEN, Y., JIAO, LICHENG. Dan LI, Y., 2014. A particle swarm optimization based simultaneous learning framework for clustering and clustering. Pattern Recognition, vol. 47, pp. 2143-2152.

MACQUEEN, J., 1967. Some methods for clustering and analysis of multiobservations. Proceedings of the fifth sysposium on mathematical statistic and probability, 21 Juni – 18 Juli, California, USA, vol. 1, pp. 281-297.

MAHMUDY, W. F., 2015. Improved particle swarm optimization untuk menyelesaikan permaslahan part type selection dan mechine loading pada flexible manufacturing system (FMS). Konf. Nas. Sist. Inf. (KNSI), Universitas Klabat, Airmadidi, Minahasa Utara, Sulawesi Utara, 26-28 Februari, pp. 1003–1008.

MAHMUDY, W. F., MARIAN, R. M. dan LUONG, L. H. S.

Optimization of part type selection and loading problem with alternative production plans in flexible

manufacturing system using hybrid genetic

algorithms – Part 1: modelling and representation. 5th International Conference on Knowledge and

Smart Technology (KST), Chonburi, Thailand, pp. 75-80.

MARINI, F. dan WALCZAK, B., 2015., Particle swarm optimization (PSO). A tutorial. Chemometrics and Intelligent Laboratory Systems, vol. 149, pp. 153-165.

NIKNAM, T. dan AMIRI, B., 2010. An efficient hybrid approach based on PSO, ACO, and K-Means for cluster analysis. Applied soft computing, vol. 10, pp. 183-197.

NOVITASARI, D., CHOLISSODIN, I. dan MAHMUDY, W. F., 2016. Hybridizing PSO with SA for optimizing SVR applied to software effort estimation. TELKOMNIKA, vol. 14, no. 1, pp. 245-253.

SHENOY, J. dan WILLIAMS, R., 2017. Trade credit and the joint effect of supplier and customer financial characteristics. J. Finan. Intermediation, vol. 29, pp. 68-80.

SUHARLI, M. OKTORINA, M., 2005. Memprediksi tingkat pengembalian investasi pada equity securities melalui rasio profitabilitas, likuiditas, dan utang pada perusahaan publik di Jakarta. Semen. Nas. Akunt. VII, pp. 288-296.

RATNAWEERA, A., HALGAMUGE, S. K. dan WATSON, H. C., 2004. Self-organizing hierarchical particle swarm optimization with time-varying acceleration coefficients, IEEE Transactions on Evolutionory Computation, vol. 8, no. 3, pp. 240-255.

SUHARDI, G., 2006. Resiko dalam pemberian kredit perbankan. Jurnal Hukum Projustitia, vol. 24, no. 1, pp. 96-111.

WAHYUNI, I., AULIYA, Y. A., RAHMI, A. dan MAHMUDY, W. F., 2016. Clustering nasabah bank berdasarkan tingkat likuiditas menggunakan hybrid particle swarm optimization. Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA), vol. 10, no. 2, pp. 24-33.

YLBHI, 2007. Panduan Bantuan Hukum di Indonesia: Pedoman Anda Memahami dan Menyelesaikan Masalah Hukum. Jakarta: Yayasan Obor Indonesia. https://books.google.co.id/books?id=Y1oghffVI2cC.




DOI: http://dx.doi.org/10.25126/jtiik.201742303

Refbacks

  • Saat ini tidak ada refbacks.