TELKOM NIKA , Vol.14, No .2, June 20 16 , pp. 674~6 8 3   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v14i1.2385    674      Re cei v ed Fe brua ry 28, 20 16; Re vised  April 20, 201 6; Acce pted  May 4, 201 6   Cluster Analysis for SME Risk Analysis Documents  Based on Pillar K-Means       I r fa n  W a hy ud i n * 1 , Taufik Djatna 2 , Wis nu Anan ta  K u sum a 3   1,3 Computer Scienc e, Mathem atic and N a tura l  Scienc e, Bog o r Agricu ltural  Univers i t y   2 Postgradu ate  Program i n  De pt. Agro-ind ustrial  T e chnol og y, Bogor Agricu l t ural Un iversit y ,  Kampus IPB Darmaga P.O. B o x   220 Bogor , (62-251)8621974/ (62- 251)8621974  T e l: (0251) 862 284 48, F a x: (0 251) 8 6 2 298 6   *Corres p o ndi n g  author, e-ma i l : irfan w a h y ud i n @a pps.ip b .ac . id 1 , taufikdjatn a @ip b .ac.id 2 , a nanta @ ip b.ac.i d 3       A b st r a ct   In Small M edi um  Enterpr i se ’s (SME) finan cing r i sk an aly s is, the i m p l e m e n tatio n  of q ualit ati v e   mo de l by giv i n g  opi ni on re ga rdin g busi ness  risk is to ove r come the su b j ectivity in q u a n titative  mo del .  How e ver, there  is anoth e r pro b le m that  the  d e cisio n   mak e rs have d i fficulity  to quantify the  risk ’ s  w e i ght tha t   deliv ere d  throu gh those o p i n i ons. T hus, w e  focused on  th ree ob jectives  to overco me t he pro b le ms t hat  oftenly occur in  q u a litative  mo de l  i m p l e m entatio n.  First, we m o delled risk clusters  using K-Means  clusteri ng, opti m i z e d  by Pi llar  Algorith m  to g e t the  opti m u m  nu mber of cl u s ters. Second l y , w e  performe d   risk me asur ement by calcu l a t ing ter m -i mp o r tance  scores  usin g T F - IDF   combi ned w i th  term-senti m e n t  scores b a sed  on Se ntiW ord N et 3.0 for B ahas a Indo ne sia. Eventu a lly , w e  summari z e d  the res u lt  by   correlati ng  the  featured  ter m s  in e a ch c l uster   w i th t he 5Cs  C r edit Cr iteria. T he res u lt s how s that the  mod e l   is effective  to g r oup  an d  me as ure th e l e vel  of  the ri sk  a nd c an  be  use d  as   a b a sis for  the  decisi o n   maker s   in ap provi ng th e loa n  pro posa l .     Ke y w ords : ris k  analys is, SME busi ness, ce ntroid  opti m a z i on, K-Mea n s, opi nio n   min i ng , pillar  alg o rith m,   senti m e n t ana l ysis      Copy right  ©  2016 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  Curre n tly, Th ere  are t w o  model s th at  are  wi dely u s ed to  imple m ent ri sk a s se ssment i n   financi ng, na mely a qu ant itative model  and  a qu alitative model [ 1 ]. Risk a s se sment fo r S M E  busi n e ss in  n a tional ba nks in Indone sia  is co mmonl y  dominate d  by  the impleme n tation of cre d it  scorin g sy st em (q uantita t ive model ).  Unfortu nately ,  not all of  the ban ks h a ve su cce s fully  impleme n ted  these mo del s. This con d ition is a s   sh o w n in a natio nal private b ank in Ind o n e sia,  whe r e the  No n Performi ng  Loan (NPL ) ratio ha s an i n clini ng tren d  in the last th ree yea r s. Th is  con d ition d r o v e the top  m anag ement  o f  the ba nk  to  encourage  th e ri sk ma nag ement divi sio n  to  refine the imp l ementation o f  risk ma nag e m ent.   From the obs e rvation thr ough the loan ass e s m ent’s  Standard  Operating Proc edure  (SOP) in the  bank where  this research is con d u c ted, it is found that the there a r e so me  leakage s in measuri ng the accepta n ce  criteri a . In  fa ct, the leakag es are domin antly found in t h e   cre d it sco r ing  system,  and  cu stome r ’s fi nan cial q ua lit y analysi s   wh ich a r e  pa rt o f  what  we  call ed   as qu antitative model. In q uantitat ive model, the obj ectivity is ques tion ed, sin c e it is pe rformed   by the marke t ing staff that st and si de s to the cu stom er. More over,  the data are  origin ated fro m   the cu stome r  itself, vulnerable to have a manipul atio n, espe cially whe n  the financial  stateme n t   has  no a n y insp ectio n  fro m  the extern al audito r.  Hence, the qu alitativ e mod e l are  depl oyed t o   overcome th ese d r a w b a cks,  whe r e th e analysi s  i s  obje c tively proce ed by so me risk a nal ysts.  Ho wever, t h e  implem entati on of  qualitati v e model  i s  n o t wh olly reliable,  whi c h  wa s in dicated  in   the ban k’s  NPL ratio. The  other p r obl e m  is that  the  qualitative m odel was  not  signifi cantly u s ed  by the autho rities in  ma ki ng de ci sion  sin c e the r e  i s  no  mod e l to qua ntify the wei ght of ri sk’ s   busi n e ss that  implicitely d e livered th ro ugh opi nion s.  Also, there i s  no d e ci sio n  crite r ia that  can  be used a s  a baseline in m a kin g  the de cision.   Afterwa r ds,  we form ulate  three obj ect i ves of this  resea r ch to address the  probl em   statement s a bove: (1) T o   perfo rm cl ust e ring ta sk  to grou p the ri sk analy s is  do cume nts, si n c e  there i s   no l abele d  do cu ments yet, (2 ) To  mea s u r e the  risk lev e l in e a ch cl uster u s ing  term- Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Cluster Anal ysis for SME Risk Anal ysis  Docu m ents B a sed on Pillar K- Means (Irf an Wahyudin)  675 importa nce and sentime n t analysi s , and (3) To  evaluate cl usteri ng ta sk and se ntim ent   measurement  to reveal th e  implicatio n  wi th the  cr ite r ia  in  a s sessin g  t he  lo an ri sk. The usage s o f   machi ne lea r ning tech niqu es for credit  scorin g and ri sk q uantificati on we re su ccessfully prov en  to be more superi o r tha n  tradition al (sta tistical) te ch ni que [2]. Ho wever, those machi ne lea r ning  techni ques were still  used  financi a l report (num erical   data)  t o  compute t he  credit  score,  therefo r e tho s e a r e vulne r able to mani pulation a s   we me ntione d earlie r. Th us, usi ng opi nion   data from  risk an alysts  we su gge st a  new  app ro a c h to perfo rm  sentime n t an alysis  com b i ned   with machine  learni ng to qu antify the risk.  Reg a rdi ng to  the techniq ues u s e d  in  a sentimen t analysis, there a r e two majo r  techni que s  commonly u s ed; those a r e ma chi ne  learni ng b a sed an d lexi con  ba sed [ 3 ].  Supervi sed   machi ne l earning te ch niqu es th at ar e commonly use d   are su ch a s   Sup p o r t  Ve ctor  Machi ne [4],  Neu r al  Net w orks [5], and   Naive Baye s  [6]. In additio n , for  un sup e r vised  ma chi ne  learni ng, the r e a r e  seve ral  clu s terin g  te chniqu es, l e t say K-Me an s [ 7 ] and  hie r a r chi c al  clu s teri ng   [8].   For the lexicon based, there are various le xicon resources that  can be utilized as  a  diction a ry to  determi ne th e pola r ity of term s, su ch  a s  Senti W ord N et [9], whi c h is d e rive d from a  well  kn own  corpu s , th at is, Wo rd Net, a n  Engli s h  dictionary fo r  word  syno nym s  a nd  antony ms.  The next on e  is SentiStren gth [10], which is a  lexi con  base d  techni que, dist ribut ed as  a de sktop   appli c ation to ol that is al ready combin ed with  seve ral  po pula r  supervi sed an d  un sup e rvised   cla ssifie r  al g o rithm s : SVM, J48  cla ssification tree,  and  Naive  Bayes. Th e  other i s  e m o t icon  based  sentim ent analy s is,  whi c h i s  con s idere d  the  si mplest  one [1 1]. Unfortu nat ely, most of t he  lexicon  dictio narie s a nd  corpu s   re sou r ce s a r e d e si g nated fo r En glish. Som e   efforts h a ve  been  done to ove r come thi s   sh ortfall, for instance, by  tra n slatin g eithe r  the ob se rve d  co rpu s  obj ect   [12] or the l e xicon di ctio nary [13]. Moreove r ,  se ntiment analy s i s  we re al so  can b e  u s ed  to  sup port  de cision ma king.  Z hang  et al., [14] empl oy ed  sentim ent an alysis to  agg regate s  net wo rk  publi c  se ntiment emergen cy decisi on-m a kin g .   Suppo rt Vect or Decompo s ition (SVD) fo r dime n s io n redu ction an d con c e p t extra c tion is  perfo rmed  as an initializati on followed b y  a cluste ring  task u s in g K-Mean s, optim ized by  centroid   initialization  n a mely Pillar  Algorithm [1 5 ]. A me thod to mea s u r e th e term im portance f r om th e   r i sk  op in io n co r p us  is  pe r f o r med  us in g   th e  w i de ly use TF-I D F, co mbined  with  positive-neg a t ive  polarity mea s urem ent usi n g the Sent iWord N et 3.0 lib rary [8]. Unli ke  in English, as of today th ere   is o n ly one  int e rnatio nal  re search  publi c a t ion utiliz in g  SWN  3.0 in  Baha sa Ind one sia th at aim s   to  detect  sarcasm in social m edia  [13]. The translation  probl em s ar e overcomed by utilizing tool s  and techniq u e s  su ch a s   Googl e Tra n s late, Kategl o ( Kam u s B e sa r Baha sa  Indone sia  ba s e d   diction a ry), a nd by asking  ban king exp e r ts  for spe c ific ban kin g  an d finance terms.       2. Rese arch  Metho d   As a ca se st udy, we con d u cted it in on e  of national private ban ks in Indonesi a  where   the SME fin anci ng i s  o n e  of thei r co re b u si ne sse s . We colle cted abo ut 51 9 ri sk an alysis   document s from the Ri sk  Manag eme n t division. A ll  of the do cum ents a r e in  Microsoft Wo rds  (*.do c  a n  *.d o cx fo rmat),  con s i s ting  of  narrative  o p in ions in B aha sa Indo ne sia.  There a r e  se ven  o p i n i on  po in ts  de live r ed  in th e  do cu ments ;  th o s e a r e   1)  Credit S c o r ing  2) Fin a n c ial Pe rforma nce  3) Propo se d  Loan  Fa cility 4) Bu sine ss Perform a n c e 5)  Re paym ent Ability an d Ca sh  Flo w  6)   Legal  Analysi s , an d 7 )   Foreign Exchan ge  (optio n a l).  All of the  pa rts  we re  anal yzed  ba sed   o n   5Cs Credit Criteria (Cha ra cter, Capa city , Capital, Co n d ition, and Collateral ) .   As se en in Fi gure  1 belo w ,  the re sea r ch  frame w ork  was divide d int o  4 pa rts; tho s e a r e  1) P r eprocessing 2) Ri sk  Cluste ring 3) Ri sk Measurement, and  4)  Evaluation. We will discuss  the details a n d  results in th e followin g  se ction.     2.1. Preproc essing   Processin g  al l parts an d its co ntent in a ri sk analy s i s  do cume nt is unn ecessa ry since   there might b e  one or mo re part whi c h  do not cont ai n information  about ri sk  su ch a s  the ope ning   and  th e clo s ing se ction. We ob serve d   that  th e r e  are  three  major pa rts  in ri sk an alysi s   document s:  (1) Ope n ing   (2) Opinio n a nd  mitigati o n   (3 ) Clo s ing  and sig nature.  Since wha t   this  resea r ch re all y  need i s  the  opinion, thu s , we only retrieved the ri sk opinion  and  mitigation pa rt  by parsi ng th e document s.    Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 2, June 20 16 :  674 – 68 3   676     Figure 1. Re search F r ame w ork      2.2. K-Me ans  Cluste ring   K-Mean s  clu s terin g , a wi dely use d  ce ntroid ba se d partitionin g  al gorithm, was used i n   orde r to  find  ho w ma ny risk cl uste rs  exist in th e  corpu s . Th e  origin al p r op osal  of K-M e ans  clu s terin g  used ran dom ce ntroid sele ction in the  begi nning of iterat ion. This is n o t an issu e when   it com pute s  a  sm all  size of  data s ets.  Ho wever,   deali n g with  a l a rge  si ze  of data   coul d ta ke  a l o t  of time to produ ce the  be st ce ntroid  selectio n. Thu s , we im plem ent an o p timization  algo rithm,   named Pillar Algorithm that propos ed to tackles the drawback of K- Means cl ust e ring in initiat i ng  centroid.     2.3. Singular Value Deco mposition   The term-d ocument mat r ix wa s con s ide r ed  a hig h  di mensi onal  m a trix, so it co uld take   big am ount   of time to  h a ve computa t ion. Thu s , t he te rm-document m a trix  dimen s io n  wa s  redu ce d by u s ing Si ngula r  Value  De co mpositio n.  T he be st K-ve ctors to  rep r ese n t the  wh ole   dataset [18] were sel e cte d  based on fo rmulatio n (1 ).    ← ∑ /  ∑           ( 1 )     2.4. TF-IDF a nd Sentimen t Weigh t ing    In gene ral, T F -IDF [1 4] wa s u s ed  to id e n tify how im p o rtant i s  e a ch  available  term in the  corpu s . It is also a  com m on tech niqu e  to calcul ate  the vector  weight ba sed  on the sema ntic  r e la te dn es s [ 17 ].  tf t, d ,  the frequen cy of term  t  in docum ent  d , is defin ed as fo rmula  (2).   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Cluster Anal ysis for SME Risk Anal ysis  Docu m ents B a sed on Pillar K- Means (Irf an Wahyudin)  677  ,  ,            ( 2 )     For  idf i , inverse do cum ent freque ncy for  term  t  in the corpu s   D  i s  de fined as form ula (3 ).                ( 3 )     Whe r e  N  is th e numbe r of document av ailable in co rpus,  n t   is occurren ce num ber of term  t  in all   document s in  the co rpu s . T here  wa s a lit tle modifi catio n  in implem e n ting the form ula above. Th e  t e rm in t h e b a si c TF -I DF  wa s  sele ct ed  dist in ct ly ba sed  only o n   how th e te rm  wa s  spell ed,  and   disrega rd ed the term  pre p o sition i n  se n t ence. Si n c e  the SWN  3.0  wa s al so ba sed  on the te rm   prep ositio n, the term po si tion in the term  list need e d  to be add ed, as obtain ed in the POS  Taggin g  task 1 . In sentiment  weightin g the pro c e s s si mply done by  comp arin g the negative score   and th e  po sitive sco r e i n  S W N 3.0  data base a s  def in ed in  logi cal  f o rmul ation  be low. T he  re ason   is be cau s e th e value po siti ve and ne gati v e value va ri ed from 0, 0. 123, 0.5,  0.6 25, 0.75, 1, thus  we ne ed to d e fine the exa c t sentim ent of a term as seen in Fo rmul a (4).       1,  0 1,  0                                                         (4)       We  com b ine d  Te rm Imp o r tance  Weig h t ing u s ing  TF -IDF  and  Se ntiment Weig hting to  define ri sk lev e l in each clu s ter ge ne rate d from  the Ri sk  Clu s terin g  pro c e ss. Th e idea was  cam e   to find out on  how the  risk analyst emp hasi s  the  u s a ges of terms  by calculating  its importa nce   usin g TF-I D F. And the sent iment weig hting used to  ca lculate the p o l arity, whethe r a term is te nd   to positive o r  negative. He nce, the fo rm ulation of  b o th cal c ul ation  for ea ch te rm  described  a s   belo w  in Formula 5,  wh ere  . , , is  TF-IDF sc ore of term  t  in document  d , an d  s  is  sentime n t score of term  t .    .  ,                                                                (5)      3. Results a nd Analy s is  3.1. Preproc essing   Preprocessin g  is th e p r ereq uisite  ta sk  to re mov e  stop  word s, pun ctuatio n, and   unimpo r tant term s, and to  formali z e the  terms u s e d   a s  feature vect or for the n e xt task [16]. After  scanni ng the seven p a rts o f  the corpu s , there we re 3289 term s fo und. From th e term colle ct ion,   there  we re  se veral thin gs t o  do  such a s   fixing typos  a nd fo rmali z in g the te rm s.  To d o   so, a   mini  diction a ry wa s created to b e  use d  as a referen c e fo r the pro g ram.  Furthe rmo r e,  the form alization was d one fo r som e  term s li ke  “st r atejik” ”strategi ”  (strategy), “spe kul a s” ”spekula s i” (speculation ) , “melam ah ” ”melema h ” (decli ning ). The  formali z ation  wa s al so imp o rtant  since some te rms  could n o t be f ound i n  the S W N  3.0 lexicon,   althoug h those are not typos. For in stan ce, te rm s like “kom p e reh e n s if” was converte d  to   “ko m prehe nsi f ”; “identity” wa s co nv erte d to “identita s ”; “volatility”  wa s co nverte d to “volatilitas”.   We al so fa cin g  pro b lem s  li ke tra n sl ation  and fi ndin g  the prope r syn onim t hat ca n  not be found  in  SWN, tho s e  were solve d  by utilizing to ols such as G oogle T r an sla t e, and Kateg l o 2 .    3.2. Reduc e d  Datase t us ing SVD   Actually, by utilizing SVD, the dimension of t he dataset is already r educed, but  we tried  to get a  sm al ler d a taset b y  getting the  best  k- ra nk  t hat re present  the enti r e  co rpu s  d a taset, by  usin g formul a  (2). In this  rese arch  we set threshold  q =0.9 8 and t he re sult is,  selecte d   k- r ank   is  300. Yet, there is no  stan dard o n  wh at is the best thre shol d for the be st  k-r a n k . Earlier, Zhang  Don g (2 004 ) d e fined that the best  k- rank   is 0.8, Osin zki(200 4) d e fine d that the best  k-ra nk  is  0 . 9.    The dimensi on reduction  objective was achi eved  by utilizing t he document  concept  matrix  V  and  the diago nal  matrix  ∑  [8]. Reg a rdl e ss o f  docum ent cl usteri ng  can  be a c hieved  by   only performi ng SVD, the  number of  document groups i s  considered  st ill too vast for the bank to  get the pro p e r  risk mo del, sin c e the r e are 300 con c ep ts found, in ot her  words the r e are 300  ri sk  levels an d co nce p ts that can be obtai ne d as seen in  Formul a 6.     Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 2, June 20 16 :  674 – 68 3   678 A 300 = U 300   Σ 300  V 3 0 0           (6)     3.3. K-Means Clustering and Centroid   Optimiz a tion using Pillar  Algorithm    The algorithm was inspir ed by the function of pillars of a  buil d ing or a  construction. It is  comm on that  a pillar in  a  building i s  deployed at  each edge or  at each corn er i n  a buildi ng,  so  that the m a ss of the  buildi n g is con c ent rated in  ea ch   pillar. T he  sa me id ea  wa s  adopte d  fo r t he  clu s terin g  ta sk that the  be st initial  centroids  we re  pre s ume d  to exi s t in the  edg e of the d a ta set,   o r  in  o t he r wo r d s ,  th os e  k- fu rthe st obj ects in  the  d a taset  we re   sele ct ed  a s  i n itial centroids,  whe r e  k  is th e numbe r of  clu s ters to be  obse r ved.  Hence, to find the best  clust e r solution, we  iterated som e   possible nu mbers  of  cl usters from K=2  to K=10,  an d  each iteratio n wa s p r e c ed ed  by centroi d  optimization using Pillar Algorithm as  seen in Figure 3 below.           Figure 3. Pse udo cod e  to find the be st cl uster  solutio n       Compl e te  steps of  origi nal  Pillar Algorithm  paper are descri bed i n  Figure  4, where the  mean calcula t ion wa s don e for each  t  variable te rm , that   is, available term s a r e in the term- document  m a trix list  P ,  n  is the  numb e r  of do cu me nt, and   m   is  the me an ve ctor of the  te rm.  After getting  the m ean  of  a ll term s  as a   starting   p o int  of the ite r atio n, the  algo rithm  sele cted  the   k  farthe st distance o b je cts from  m , defined a s   Ж  or initial centroi d s, and  che c ked  wheth e r  Ж   alrea d y existed in  SX   list; if not, it woul d be sto r ed t o   SX.  The se lect ion met h o d  wa s sim p ly  by  sortin g th e d i stan ce  matri x  dataset  co ntaining   ea ch term  ve cto r  di stan ce  to  the m ean.   The  distan ce form ula we u s e d  here i s  the ba sic   Eu clidia n distan ce me a s ureme n t.  There a r e  also two  criteri a  veriabl es,  na mely  alph a  a nd  be ta . Ea ch is u s ed  to  determi ne   minimum nu mber, and   the  farth e st  distan ce   of   neigh bor obj ects for the  sele cted  cen t roid   candidates. This criteri a  must be  fulfilled in order to avoid an outlie r is sel e cted as a centroid.     3.4. Sentiment Weighting  Before  perfo rming  sentim e n t wei ghting  by usi ng  Goo g le T r an slate  API, SWN 3. 0 lexicon   need ed to  be  tran slated  in to Baha sa In done sia  [13]. By usin g L e v ensthei n di stance  mea s u r e,   not all term s i n  the corp us  were pe rfe c tly matc hed, so  the  pol arity  values we re manually set for  spe c ial  term s in b a n k ing  a nd fina nce e. g., “collecta b i lity" or “coll ” ,   “bo w h e e r”  (p roje ct em ploy er)  and “j amina n ”  (collate ral )  to get the p r e c ise po si tive(pos) o r  ne gat ive(neg ) pol a r ity value. If the  weig ht was n o t man ually  defined, th ere would  be   misinte r pretation in  the  se ntiment  weig hting   task, si nce those terms  we re not found i n  the lexicon.    There  were 197  terms ca tegori z ed as “FIX”,  co nsi d ered  as typo s, and  nee de d to b e   formali z ed.  O f  all the te rm s, 31 6 term s  con s i s t of pe rson  nam e, pl ace  nam e, a nd  spe c ial te rms  like “reta k sasi” (re asse sse d  collate ral),  “pinjam an reke ning  kora n" (ch e ckin g  account ba sed   loan) catego ri zed  a s   “BNK” that a r e  co nsidere d   spe c ia l term s in  ba n k ing  an d fina nce.  Moreove r ,   about 5 20 terms were cate gori z ed  as  “K AT” or te rm s that co uld n o t be foun d in S W N  3.0 lexicon   and th eir pro per syn onym s  n eed ed to   be  sea r ched   out in  Kategl o 2  datab ase.  As the  SWN  3.0  lexicon   provided both po si tive  and  neg a t ive scores, t he te rm p o la rity was defin ed by  co mpa r ing   the positive score and ne g a tive sco re. If the posit ive score i s  gre a t er than nega tive score, the   sentime n t wei ght is 1, otherwise it is equ al to -1 [9].   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Cluster Anal ysis for SME Risk Anal ysis  Docu m ents B a sed on Pillar K- Means (Irf an Wahyudin)  679     Figure 4 .  Pillar Algorithm m odified from  Barakbah 2009  .     3.5. Ev aluation  3.5.1. Silhouette Func tio n   After pe rformi ng the   clu s tering ta sk,  the  clu s ter evalu a tion  wa s  do ne by  u s ing  silhouett e   function  [19]. By usi ng  sil houette fu ncti on, it  would   be e a sy to  u nderstan d h o w g ood  an  o b ject   placed in a  clu s ter i s ; therefo r e, the  quality  of a clu s terin g  ta sk  wa s e n su red fo r the risk  document s. The  pu rp ose of  silho uette function  i s   to  repla c e t he  usa ge of va riance an alysi s  in  the ori g inal  p aper of Pilla r Algorithm  si nce  the  va ria n ce  an alysi s   can not d e scri be the  qu ality  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 2, June 20 16 :  674 – 68 3   680 level of cluster result just  like  silhou ette has, that is,  ∈ 1.00 ,1.00 . The form ulati on is a s   see n   in formula (6).      )} ( ), ( max{ ) ( ) ( ) ( i b i a i a i b i s         ( 6 )     Whe r e  s(i )   is the silhou ette score of o b ject  i ,  a(i )   is the averag e distan ce  b e twee n obje c t  i  again s t all obj ects  within the same  clu s ter of obje c t  i .  b(i)  is   the average di stan ce  between o b j e ct   i  again s t all o b ject s in oth e r  clu s te rs. By usin g silh ou ette function,  it will be ea sy to understa n d   how well i s  a n  obj ect  pla c ed in  a  clu s te r, therefore  th e qu ality of a   clu s terin g  ta sk i s  e n sured f o r  the risk do cu ments.   From the  experim ents th at have bee n con d u c ted,  the values  of  α  and  β  play a   signifi cant rol e  in silho uette score.  We  notice d  that the lowest val ues of  α  an d  β  are 0.4 an d  0.6,   feasibl e  to  2 1 0 . Any combinat ion value lower than those  combin ation s  are only feasibl e   to  K= 2 . T here  are  71 5  clu s ter  solutio n s, t hus, it i s   har d  to ob se rve al l the  clu s ter  solution s, so  we  deci ded to pi ck u p  the clu s ter solutio n s  with the high est silh ouette  sco re a s  liste d in Table 2.       Table 2. Best  cluste r solution for ea ch  k ,  base d  on sil houette sco r e   K  α   β  Silhouette  Score  Number of E m pt y Cluster  2 0.85  0.9  0.494237   0  3 0.75  0.85  0.660766   0  4 0.95  0.85  0.660766   1  5 0.65  0.75  0.642436   2  6 0.75  0.75  0.642436   3  7 0.7  0.8  0.701234   1  8 0.55  0.75  0.70496   1  9 0.95  0.75  0.574014   4  10 0.7  0.75  0.624935   3      From  Tabl e 2 ,  it seem s th a t  K=8 i s  the  b e st  clu s ter  so lution to m o d e l the  risk  do cume nt   based o n  the term relati onship. Neverthele ss,  whe n  we ta ke a  clo s er l o o k , it has a  clu s t e r  without  any  membe r  in  it, so  we  ca n  co ncl ude th at the  cluste ring ta sk di d  not pla c e  the   document  properly. T hen,  the expl or ation  contin ued   with a ddition al conditio n s  to sel e ct th e  best   clu s ter  soluti on. Additiona l conditio n s  are d e fined  as follo ws: th e be st clu s te r sol u tion is  only   sele cted  (1 ) if  it ha s no  em pty clu s ter  an d, (2 ) if it ha s no  negative  averag e  silho uette sco r e  a s   figured in Fi g u re 5.            Figure 5. Co mpari s o n  bet wee n  bad  clu s ter  so lution  and ne gative averag e silh o uette score  (left), and go od clu s ter  sol u tion witho u t averag e neg a t ive silhouette  sco re (right )    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Cluster Anal ysis for SME Risk Anal ysis  Docu m ents B a sed on Pillar K- Means (Irf an Wahyudin)  681 The se co nd addition al co ndition ha s b een add ed b e ca use high  silho uette score do es  not always  re pre s ent  a sol u tion with  go od qu ality for each  cluste r within. Fo r e x ample, for  k =7,   α =0.65, an d  β =0.8, from t he silh ouette  score, they  may be co nsid ere d  on e  of best cl uster  solutio n s,  but  wh en it i s   o b se rved  dee per, m o st  of  its obj ect s  h a v e neg ative  silho uette  score.  Our explo r ati on fou nd th at the b e st  clu s ter sol u tion i s   k =6,  α =0.6 5, and   β = 0 .8 , b e c a us e it ha s  the highe st sil houette sco r e ,   s =0.30 205,  and fulfills bot h addition al criteria.     3.5.2. Sum Squared o f  Error  This evalu a tion also h e lp s to understa n d  the nature  of the cluste r solution. It has bee n   notic ed that t he greater the number of  c l us ters  in a  c l us ter solution  is , the lower the SSE is  resulted. Fo r  instan ce, fo r  k=6, the top  5 clu s te r solu tions a r e li ste d  in Ta ble 3   above. Ta ble  3  empo we rs o u r  rea s o n  to add the additi onal conditi o n s si nce the clu s ter soluti ons that hav e not  fulfilled both  additional condition s tend  to have hi gher SSE. Th us, those  are not recomm ended  as the be st solution s, despite having hi gh silh ouette  score.       Table 3. Lis t   of the SSE of  firs t top 5 c l us ter  s o lutions for  k =6, and  the best cl ust e r sol u tion   α   β   Number of  Cluster with Nega tive Av g Silhouette  Number of E m pt y Cluster  SSE  0.75 0.75  1  3  7786.063   0.7 0.75  0  3  7802.287   0.6 0.8  2  0  7358.057   0.55 0.8  2  0  7358.057   0.5 0.8  2  0  7358.057   0.65 0.8  0  0  3974.671         3.5.3.   K-Me a n s Execu tio n  Time  We al so pe rforme d som e  comp ari s o n  betwee n  two clusteri ng task where the first ta sk  wa s perfo rm ed without S V D decompi sition, and t he se con d  task wa s pe rforme d with SVD  decompo sitio n . From the result we  can  see that  by redu ce the di mensi on u s in g SVD we can  save exe c utio n time. As se en in Figu re  6, the per formance of c l us tering task   with SVD (up to 50  ms) i s  su rpa ss the othe r task that not  using  SVD (400 ms to 4 60 ms). The comp ari s o n  wa s  tak en for these following parameters : 6  ≤   K  ≤  7   , 0.5  ≤   α   ≤  1.0, and 0 . 5  ≤   β   ≤  1.0.          Figure 6. Clustering performanc e comparison (by execution time  in miliseconds) on dataset that  decompo se d with SVD and  without SVD      3.5.4.   Sentiment Analy s is  Performanc e  Djatna  T. an d Mo rimoto  T. [21] u s ed  so rt ation  an d ra nk meth od to  sel e ct   feature d   nume r ical attribute s  that contain correl ation  in data bases. We u s ed the sam e  idea to pop ulate   and  ran k  th e  most im porta nt term s, but  the differe nc e  is that i n  thi s  resea r ch th e sortation  a nd  ran k ing  were  base d  on the weight of sentime n t score. The  sort ation wa s limited up to 20 0   mostly prese n ted term s  which  rep r e s e n t the ch ar acter of the  clu s ter, a nd Ta ble 4  sho w s  the  most wei ghte d  terms (by selectin g the term s  with ne gative polarit y then accum u lating those TF- IDF a nd  se ntiment  weight ) in e a ch  clu s ter. To   get proportio nal m easure m ent, the  Ri sk  S c o r e  wa s g a ine d  b y  dividing th e  total term  score  with th e t o tal num be r  of do cume nts in the  cl uste r.  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 2, June 20 16 :  674 – 68 3   682 For in stan ce, in clu s ter 1, the total term weig ht  is -62 62.070, an d the total numb e r of docume n t s   is 221; thu s , the Ri sk Score is -28.3 35.   To indicate h o w big the ri sk is, the sum  of TF-IDF score an d neg a t ive sentimen t score  wa s accum u l a ted in each clu s ter. Whil e  each cl us te r has uni que  chara c te risti c s, on the contrary,  each of them  has va riatio n se cto r  of b u sin e ss. Th i s  indicates th at spe c ific  bu sine ss do es  not   alway s  h a s a  sp ecifi c   risk,  so, th e b a n k  may b e  mo re a w are a n d   more  tho r oug hly in a nalyzi ng  every loan  p r opo sal th at come s in, n o t treating it  in the sa m e  way a s  an alyzing p r evi ous  prop osals  wit h  the same b u sin e ss  se cto r . The  re sult   also  sh ows th at the type of risk foun d in t he  clu s ter  solutio n  is related to  four of 5 C s  (Cha ra cter,  Capa city, Capit a l, Con d ition, and Collate ral)  Cre d it crite r ia  [20] that are  comm only used to  make le nding de ci sio n . The mostly found crite r io n   in the  co rpu s   is  Cap a city,  while  Charact e r  and  Ca pita l are  n o t con s idere d  too  si g n ificant, a s  th e   top ran k ed te rms d o  not re flect these  cri t eria.   This result ca n be used by  the bank to resh ar p the  ri sk a nalysi s  si nce o n ly thre e of the  5Cs  crite r ia a r e exp o sed  si gnifica ntly in  at lea s t one  cluster.  The  a nalysts may  have difficuliti e s  in an alyzin g  Cha r a c ter si n c e it  ne eds  more  in -dept h inve stigatio n in  the fiel d .  Ho weve r, they  must al so im prove the  Ch ara c ter a naly s is  sin c e it  is the most im portant  crite r i on. Capital i s  th e   crite r ion that t he analy s ts  may rely on the sco r ing  system, so th at they will not b e  too co ncern e d   with deliveri n g the opinio n s .       Table 4. Ri sk  clu s ter an alysis and its  corresp ondi ng 5 C s  crite r ia   Cluster  (Rank)   Risk Analy s is  Number of    Documents  Risk  Score  Correspo nding   5Cs Criteria   1(2)   Related to collateral and asset (fi x  asset and cur r e n t asset),  e.g. “asset”, “ p iutang” (claim), “ta n ah”(land ),  “j ami nan”(c ol l a te ral )   221 -28.335   Collateral  2(3)   Related to income, e.g. “net  profit” ,  “copat” (cash o perating  profit after ta x), “ pendapatan ”(p rof i t), “leverage”  (ga i n and loss  rati o)   213 -27.502   Capacit y  3(4)   Related to pr odu ction capacity ,  e. g. “persediaan ”(s tock),  “kapasitas”(capa city ), “penjualan ” ( sales)  47 -27.447   Capacit y  4(5)   Related to both i n come and finan cial measurements, e.g. “net  profit”, “copat ” (c ash operating p r ofit after ta x), “ p e ndapatan”   (profit),  “leverage ”(gain and loss r a tio), “equit y ”, an d  “roe” (ret u rn of  eq uity)   34 -26.102   Capacit y  5(1)   Related to busin ess condition, e.g. “persaingan ” ( business  competition),  “ w ila y a h ”(te rritor y ), “ demonstrasi w a r ga”  (p rotest  from local residents)  2 -35.064   Condition  6(6)   Related to busin ess financial  me asurement, e.g.  “ perputa r an”  (business cy cle),  “quick ratio”, “eq u ity”, “ r etu r n of e quit y ”,  “roe” (ret u rn of  eq uity) and  “pr o fit”   2 -24.548   Capacit y      3.5.5. Comp arison  w i th  The Conv entional Risk Analy s ist    The conventi onal ri sk a nal ysist for SME busin es s, m o stly are pe rf orme d by onl y giving   opinio n s o r   comment s re g a rdin g the  cu stome r ’s  bu si ness  con d itio n, without b e i ng abl e to give a   clea r ri sk q u antification.  Here  we h e l p  to  imp r ove  the process by  qua ntify the ri sk th ro ugh  sentime n t an alysis, an d h opefully will  dire ctly  help and  imp r ove the  de cisi o n  makin g   proce ss.  Furthe rmo r e,  we  su gge st t hat in th e futu re th ere   is an  enh an ceme n t  in this resea r ch  by  addi ng  a   cla ssifi cation  feature so that the risk analyst s  will  be able to cla ssify the new custo m er’s  informatio n a gain s t the risk clu s te rs.       4. Conclusio n   In this   res e arc h , the c l us tering task   s h own that  the r e  were  six cl ust e rs that  rep r e s ent t h e   risk exp o sure s in SME  bu siness fina nci n g, whi c h  we re previou s ly analyzed by  risk analy s ts i n  a   national p r iva t e bank in In done sia du rin g  2013 to ea rly 2014. The pro c e ss of cl usteri ng task  is  performed by  utilizing K-M eans clus teri ng algorithm  optimized by P illar algorithm iterating some  possibl e num ber of clu s ters ran g ing fro m   K =2 t o   K =10. This re se arch also sho w n that senti m en t   analysi s  which is no w d o m i nated by ind u stry to gai n informatio n from the ma rket reception  u pon   their product s , can be utilized to  measure the ri sk l e vel despite  of  its limitation  such as only  available in E nglish.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Cluster Anal ysis for SME Risk Anal ysis  Docu m ents B a sed on Pillar K- Means (Irf an Wahyudin)  683 Freq uent up d a te of data source a r e re qui re d to enrich the  kno w ledge b a se a nd the  informatio n re gardi ng  risks  in SME bu sin e ss, sin c e  thi s  research  on ly obse r ved  d o cum ents fro m   2013  to the  b eginni ng of  2 014. Thi s   ca n  be u s e d  a s   a  ch alleng e fo r the future  works, to fin d  t h e   best efficie n t and effective  method in ad ding ne w  info rmation  whe n  there are do cume nts ad d ed.       Referen ces   [1]    Soares J, Pin a  J, Ribeiro M ,  Catalao- Lop e s  M.  Quantitati v e  vs.  Qualitative Criteri a  for Credit Risk  Assessment.  F r ontiers i n  F i na nce an d Econ o m ics . 20 11; 8( 1): 68-87.   [2]    Chih F T , Jhen W W . Using n eura l  net w o rk  ensem bles for  bankru ptc y  pr edicti on an d credit scori ng.   Experts System w i th Appl icat ions . 20 08; 34:  2639- 26 49.   [3]    Medh at W ,  Hassan A, Koras h y   H. Sentim e n t  ana l y sis a l g o rithms a nd a pplic atio ns: A surve y .  Ain  Sh am s En gi nee ri ng  Jo u r na l . 201 4: 109 3-11 13.   [4]    Xu  K, Sh ao yi  S, Li J, Yu xia  S. Minin g  com par ativ e o p in io ns from custo m er revi e w s fo r Comp etiti v e   Intelli genc e.  Decision Suppor t System s . 201 1; 50: 743- 754.    [5]    Ghiassi M, Ski nner J, Z i mbir a D.  T w itter br and se ntime n t anal ys is: A hybr id s y stem u s ing n- gram   ana l y sis a nd d y n a mic artific i a l  neur al n e t w or k.  Expert Systems w i th App lic ations . 2 013; 4 0 (16): 62 66- 628 2.  [6]    Li N, W u  DD. Using te xt mi ni ng a nd se ntim ent  an al ysis fo r onli ne forums  hotspot d e tection.  Dec i sio n   Supp ort Systems . 20 10; 48: 354- 368.   [7]    Xu  H, Z h a i  Z ,  Liu B, J i a P.  C l u sterin g Pro d u c t F eatures for  Opini on M i ni n g .  Proceed in gs  of the fo urth  ACM intern atio nal co nfere n ce  on W eb sear c h  and d a ta min i ng. ACM. 201 1: 347-3 54.   [8]    Z hang  D, Do n g  Y. Sema ntic, Hier a rchic a l,   Onlin e Cl usteri ng of W e b Se arch R e sults.  Advanc ed W e b   T e chno log i es a nd App licati ons .  2004; 30( 07): 69-7 8 .  [9]   Esuli,  Sebastiani.  Sentiw ord n e t: A public ly . Internatio nal  Confer ence  on  Lan gua ge R e sources a n d   Evalu a tion ( L R E C). 2006; 1: 4 17-4 22.   [10]    T hel w a ll  M. Se ntiment Stre ng th  Detection in Short Informal T e x t.  Journ a l   of the A m eric a n  Soc i ety for   Information Sci ence a nd T e ch nol ogy . 20 10; 1: 2544- 25 58.   [11]    Gonçalv e s P, Benev en uto F ,  Araujo M, Cha M.  Compa r ing a nd Co mbini ng Se nti m ent Analys is   Methods . Co nferenc e on Onl i ne Soci al Net w orks (COSN). 201 3; 1: 27-38.   [12]   Denecke  K.  U s ing Se ntiW or dNet for Multi l i ngu al Se nti m e n t Analysis . Int e rnational Council for Open  and D i stanc e Educati on  C onfe r ence. 20 08.    [13]    Lun an do E, Pur w ari anti A. I ndo nesi an So cial Med i a Se ntiment An a l ys is  w i t h  Sarcas m Detection.  Advanc ed C o mp uter Scie nc e and In for m ati on Syste m s (ICACSIS) . 201 3; 1: 195-1 98.   [14]    Z hang Q, Liu  F ,  Xie B, Hua ng Y. Inde x S e le cti on Prefer ence  and W e i ghtin g for Unc e rtain N e t w ork   Sentime n t Emerge nc y .   T E LK OMNIKA Indon esia n Jour nal  of Electrical E n gin eeri n g . 20 1 3 ; 11(1): 28 7- 295.   [15]    Barakb ah A R , Ki yoki  Y.  A P illar  Alg o rith m  for K-Means   Optimi z a t i o n  b y  Distanc e Ma ximi z a tio n  fo r   Initial Ce ntroid Desig nati o n . IE EE S y m posi u m on C o mp uta t iona l Intel lig en ce an d D a ta Mi nin g  (CIDM).   200 9; 1: 61-68.    [16]    Mann ing  CD,  Prab akhar  R ,  Schütze  H. An  Introduction of  Information  R e triev a l.  Cambr i d ge:   Cambri dg e Uni v ersit y  Press.  200 9: 118- 119.   [17]    Z hang PY. A  Ho w N et-bas ed  Semantic R e l a tedn ess Ker n el for T e xt Cla ssificatio n .   TEL K OMNIKA .  201 3; 11(4): 19 09-1 915.   [18]    [18] Osinski S L , Stefano w s k i  J, W e iss D. Lin go: Se arch  Results C l ust e rin g  Alg o rith m Based  on   Sing ular Va lu e Decom positi o n .  Master  T hesis.  Poznan: Poz nan U n ivers i t y   of  T e chnol og y.  2003.   [19]    Rouss eeu w  PJ . Silhou ettes: a Graphica l Aid  to  the Interpretation an d Vali datio n of Clust er Anal ysis .   Co mp utation a l  and Ap pli ed M a the m atics . 19 86; 20: 53- 65.   [20]    Gumparthi  S. Risk Ass e ss ment Mod e l f o r A ssessi ng  NBF C s’ (As s et F i na ncin g)  Customers.   Internatio na l Journ a l of T r ade , Econo mics a nd F i na nce . 20 10; 1: 121- 130.   [21]    Djatn a T ,  Morimoto Y. Attribute Selecti on  for Numeric a l  Datab a ses tha t  Contain C o rr elati ons.  Int J   Software Inform atics . 2 008; 2 ( 2): 125-1 39.         Evaluation Warning : The document was created with Spire.PDF for Python.