Hybrid K-means Dan Particle Swarm Optimization Untuk Clustering Nasabah Kredit
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.
Penulis: Yusuf Priyo Anggodo,
Winda Cahyaningrum, Aprilia Nur Fauziyah, Irma Lailatul Khoiriyah, Oktavianis
Kartikasari, Imam Cholissodin
Kode Jurnal: jptinformatikadd170305
