OPTIMASI KINERJA FUZZY K-NN DENGAN MODIFIED PARTICLE SWARM OPTIMIZATION PADA KLASIFIKASI RISIKO KREDIT

Risiko kredit merupakan suatu risiko akibat kegagalan atau ketidakmampuan nasabah mengembalikan jumlah kredit yang diperoleh dari perusahaan beserta bunganya sesuai dengan jangka waktu yang telah ditentukan atau dijadwalkan. Tugas utama dari metode klasifikasi risiko kredit adalah menyediakan pemisahan antara mereka yang berpotensi gagal dengan yang tidak gagal dalam hal pembayaran kredit. Metode k-Nearest Neighbor (kNN) sebagai metode machine learning yang terpopuler, sederhana dan mudah diimpelentasikan, dapat digunakan untuk mengklasifikasi resiko kredit. Namun, keberhasilannya tergantung pada jumlah tetangga atau neighbor (k) yang diterapkan dan hubungan antara setiap data dengan kelas bersifat kaku (crisp) dimana setiap data hanya memiliki hubungan dengan satu kelas secara eksklusif, sedangkan pada kelas yang lain tidak memiliki hubungan sama sekali. Penelitian ini mengajukan penggabungan prinsip logika fuzzy ke dalam k-NN untuk meminimalisasi kekakuan tersebut yang menghasilkan metode baru yang dikenal dengan Fuzzy k-Nearest Neighbor atau Fk-NN. Akan tetapi, faktor kekuatan fuzzy (m) dan faktor jumlah tetangga (k) sebagai faktor-faktor penentu yang bersifat fundamental pada Fk-NN yang berdampak langsung pada akurasi yang dihasilkan oleh model, penentuannya seringkali tidak mudah dan sulit dikontrol, sehingga diajukan metode Modified Particle Swarm Optimization (MPSO) untuk dapat membantu Fk-NN menemukan nilai m dan k terbaik secara non-manual. Hasil pengujian klasifikasi data resiko kredit sebanyak 1000 data, dengan jumlah komposisi data latih sebanyak 900 data (90%) dan data uji sebanyak 100 data (10%) menggunakan Fk-NN dengan MPSO menghasilkan akurasi mencapai 92.4%, dengan nilai k terbaik adalah pada nilai 7 dan nilai m terbaik adalah pada nilai 9.