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. 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 Injectio