Fuzzy MADM
-
Upload
syarifah-ema -
Category
Documents
-
view
1.277 -
download
1
Transcript of Fuzzy MADM
BAB I
PENDAHULUAN
1.1. Latar Belakang
Perumahan merupakan suatu bisnis yang cukup berkembang untuk saat ini
terutama di daerah-daerah yang pertumbuhan ekonomi masyarakatnya cukup baik.
Bank sebagai media antara Develover dengan konsumen juga ikut berperan aktif
dalam bisnis ini, karena bank adalah sebagai ujung tombak dalam penyeleksian
konsumen yang layak memperoleh kredit perumahan sesuai dengan ketentuan dan
peraturan yang berlaku.
Bank Tabungan Negara (BTN) adalah salah satu bank yang mempunyai
produk kredit perumahan, yang sudah cukup banyak bekerja sama dengan developer
dalam rangka mememnuhi kebutuhan perumahan masyarkat di Indonesia. Ada dua
produk KPR yang disediakan oleh BTN yaitu KPR bersubsidi dan KPR Non subsidi..
KPR subsidi diberikan kepada keluarga yang baru pertama kali memiliki rumah dan
termasuk kelompok sasaran masyarakat berpenghasilan rendah.
Dalam hal ini developer sebagai pihak pengembang yang merupakan mitra
dari Bank harus mampu membangun perumahan sesuai dengan type-type yang
sesuai dengan kebutuhan masyarakat serta terjangkau oleh ekonomi. Masyarakat.
Bank sebagai pihak pengelola kredit juga harus mampu memberikan pelayanan yang
baik kepada konsumen. Untuk memutuskn pemberian KPR pihak Bank harus
menyeleksi sebaik-baiknya yang berkemungkinan untuk menghindari kredit macet
dan likuiditas bank dalam hal ini pihak bank sebagai penjamim dengan menetapkan
peraturan-peraturan dan seiring dengan adanya tekhnologi banyak aplikasi
perbankkan yang dapat dikembangkan secara komputerisasi.
Sistem pakar merupakan salah satu dari sistem computer yang dapat
digunakan untuk membantu penyelesaian masalah yang tidak terstruktur maupun
semi terstruktur yang merupakan sistem dari kecerdasan buatan yang mengandung
pengetahuan dan pengalaman yang dimasukkan oleh satu atau banyak pakar ke
dalam suatu area pengetahuan tertentu. Salah satu metode yang digunakan dalam
1
sistem pakar ini yaitu metode logika fuzzy (fuzzy logic) yang digunakan sebagai
suatu cara untuk memetakan permasalahan dari input menuju ke output yang
diharapkan.
. Sistem pakar yang akan dibangun pada BTN ini merupakan suatu program
aplikasi computer yang diharapkan berfungsi untuk membantu proses
pengambilan keputusan diterima atau ditolak sebuah permohonan fasilitas
kredit dengan menggunakan metode logika fuzzy. Dimana metode logika fuzzy
ini secara sistem membantu ketelitian dan ketepatan dalam pengambilan
keputusan. Pembuatan aplikasi sistem pakar ini diharapkan mampu mengatasi
permasalahan di bank dalam hal pemberian kredit khususnya dalam
mengakses unsur kecepatan, kemudahan dan keamanan dalam penyaluran
fasilitas kredit kepada calon debitur.
1.2. Identifikasi Masalah
Masalah yang timbul dalam pemberian kredit perumahan ini adalah begitu
banyaknya konsumen yang ingin mengajukan kredit perumahan ini terutama pada
KPR bersubsidi yang dari kalangan ekonomi menengah ke bawah, tentu akan
menjadi hal yang rumit dan kompleks dalam penyeleksian kelayakan pemohon
tersebut sesuai dengan data dokumen calon debitur.
1.3. Tujuan
Tujuan yang hendak dicapai dalam pembuatan aplikasi sistem pakar dengan
fuzzy logic ini adalah membantu pihak bank untuk menyeleksi calon debitur layak
atau tidaknya untuk mendapatkan KPR sesuai dengan ketentuan dan persyaratan
serta pertimbangan.
1.4. Batasan Masalah
Dalam makalah ini masalah yang dibahas terbatas pada menentukan kelayakn
seorang pemohon kredit perumahan untuk diterima atau ditolak khusunya pada BTN
dengan produk KPR BTN.
2
1.5. Rumusan Masalah
Berdasarkan latar belakang di atas, dapat dirumuskan permaslahan yang akan
menjadi topic dalam pembahasan makalah ini, yaitu :
1. Bagaimana mengatasi permasalahan penyelseksian kelayakan pemohon
kredit untuk menjadi jadi calon debitur KPR BTN?
2. Bagaimana sistem pakar yang akan diterapkan untuk meyeleksi pemohon
kredit KPR BTN?
3
BAB II
LANDASAN TEORI
2.1. KPR BTN
Kredit Pemilikan Rumah (KPR) pada PT. Bank Tabungan Negara
(BTN) adalah merupakan produk pembiayaan yang diberikan kepada
pembeli rumah dengan skema pembiayaan antara 80 sampai maksimal 90%
dari harga rumah. Secara umum untuk persyaratan dan ketentuan yang
diperlakukan oleh bank untuk nasabah yang akan mengajukan proses
KPR relative sama antara bank satu dengan bank yang lain, yakni KTP
suami dan istri apabila sudah menikah, KK, Slip gaji, laporan
keuangan bagi yang berwiraswasta, NPWP untuk kredit diatas Rp. 100
juta, SPT PPh Pribadi untuk kredit diatas Rp.50 juta, Fotocopy sertifikat
rumah, fotocopy IMB, dan selain itu nasabah harus mengisi formulir
permohonan pengajuan kredit perorangan yang sudah disiapkan oleh BTN.
Selain persyaratan administrasi, pemohon juga dikenakan beberapa
biaya yaitu biaya Appraisal, biaya notaris provisi Bank, biaya asuransi,
biaya premi asuransi jiwa selama masa kredit, biaya legalisir notaris,
biaya administrasi, biaya APHT/ surat kuasa. Kewajiban dari pihak
pembeli adalah membayar uang muka, membayar angsuran rumahnya
dengan cara dicicil kepada BTN, merawat rumah, membayar biaya proses
kredit sesuai SP3K. Hak pembeli adalah memperoleh rumah sesuai
perjanjian, mendapatkan dokumen rumah sertifikat dan IMB dari BTN
setelah angsurannya lunas (dengan catatan semua dokumen tersebut telah
diserahkan kepada pihak BTN dari pihak penjual/developer). Kewajiban
dari penjual/developer adalah membangun sesuai spesifikasi,
menyelesaikan dokumen-dokumen rumah tersebut (sertifikatdan IMB),
menyelesaikan fasilitas air bersih dan listrik, menyelesaikan sarana dan
prasarana. Hak penjual adalah menerima uang muka, menerima hasil
penjualan. Kewajiban dari pihak Bank adalah menyimpan dan
mengadministrasikan dokumen pokok, menyerahkan seluruh dokumen
jaminan apabila telah lunas dan apabila dikumen telah diterima oleh bank.
4
Hak dari Bank adalah menerima pembayaran angsuran kredit atau
pelunasan kredit, memotong gaji sesuai SKPO, menagih pembayaran
angsuran, melakukan eksekusi rumah agunan jika terjadi cedera janji.
Terdapat dua jenis produk pada BTN dan kedua jenis produk ini
hampir sama di semua bank yang memiliki program KPR. Pertama
adalah KPR subsidi diberikan kepada keluarga yang baru pertama kali
memiliki rumah dan termasuk kelompok sasaran masyarakat
berpenghasilan rendah. Penghasilan dimaksud adalah penghasilan yang
didasarkan atas gaji pokok pemohon atau pendapatan pemohon per bulan.
Subsidi diberikan kepada kelompok sasaran, berpenghasilan tetap, yang
memenuhi persyaratan untuk memperoleh kredit sesuai dengan
ketentuan bank, yaitu kelompok I untuk penghasilan Rp. 900.000,- sampai
Rp.1.500.000,-; untuk kelompok II untuk penghasilan Rp. 500.000,-
sampai Rp.900.000,-; dan kelompok III untuk penghasilan Rp.
350.000,- sampai Rp.500.000,-. KPR subsidi ini menggunakan sistem
bunga flat sampai tahun pelunasan dalam pembayaran angsurannya.
Kedua adalah KPR non subsidi, yaitu jenis KPR yang menggunakan
sistem pembayaran bunga flat untuk tahun pertama saja, dan untuk tahun
berikutnya sampai tahun pelunasan menggunakan suku bunga yang berlaku
di pasar. Adapun macam-macam produk KPR non subsidi, yaitu : Kredit
Griya Utama (KGU), Kredit Griya Multi (KGM), Kredit Pemilikan Ruko,
Kredit Swa Griya (KSG). Kredit Griya Sembada (KGS), Kredit Swadana.
2.2. Sistem Pakar (Ekspert System)
System pakar (expert system ) merupakan paket perangkat
lunak atau paket program komputer yang ditujukan sebagai penyedia
nasehat dan sarana bantu dalam memecahkan masalah di bidang-bidang
spesialisasi tertentu seperti sains, perekayasaan, matematika, kedokteran,
pendidikan dan sebagainya. Expert system merupakan subset dari
Artificial Intelegence.
Keunggulan sistem pakar :
a. Kemampuan menghimpun data dalam jumlah yang sangat besar.
5
b. Kemampuan menyimpan data tersebut untuk jangka waktu yang
panjang dalam suatu bentuk yang tertentu.
c. Kemampuan mengerjakan perhitungan secara tepat dan tepat dan
tanpa jemu mencari kembali data yang tersimpan dengan kecepatan
tinggi.
Kemampuan sistem pakar :
a. Menjawab berbagai pertanyaan yang menyangkut bidang keahliannya.
b. Bila diperlukan dapat menyajikan asumsi dan alur penalaran yang
digunakan untuk sampai ke jawaban yang dikehendaki.
c. Menambah fakta kaidah dan alur penalaran sahih yang baru ke dalam
otaknya.
Daya tarik expert sistem adalah dapat melakukan tugas pemecahan
masalah dalam porsi yang lebih besar dari pada yang dapat dilakukan oleh
aplikasi komputer lain.
Expert System dan DSS
Perbedaan antara expert sistem dan DSS adalah :
1. DSS terdiri dari routine merefleksikan keyakinan manajer dalam caranya
memecahkan masalah. Keputusan yang dihasilkan oleh DSS
merefleksikan gaya kemampuan manajer, sebaliknya expert sistem
memberikan peluang untuk mendapatkan kemampuan dalam membuat
keputusan melebihi kemampuan yang dimiliki manajer.
2. Expert System mempunyai kemampuan untuk menjelaskan jalur
penalaran yang diikuti pencapaian pemecahan tertentu, penjelasan
mengenai bagaimana pemecahan dicapai akan lebih berguna dari pada
pemecahan itu sendiri.
Permasalahan yang sebaiknya menggunakan expert sistem daripada DSS
yang apa bila :
- Masalah tersebut melibatkan diagnosis situasi yang kompleks /
melibatkan pembutan kesimpulan / peringkasan dari volume data yang
besar.
6
- Ada tingkat ketidaktentuan dalam aspek masalah tertentu.
- Ada kemungkinan bagi ahli manusia untuk memecahkan masalah tersebut
dalam jangka waktu yang wajar.
Gambar Struktur Expert System
2.3. Sekilas tentang Teori Fuzzy
2.3.1. Teori fuzzy Multiple Atribute decision Making (FMADM)
Teori fuzzy dapat diartikan sebagai teori dasar yang menggunakan konsep
dasar himpunan fuzzy atau fungsi keanggotaan yang menyajikan titik pandang pada
kerangka himpunan biasa. Teori ini lebih umum dan banyak menghasilkan sudut
pandang yang luas dalam praktek. Secara khusus penerapannya adalah pada bidang
klasifikasi pola dan pemrosesan informasi.
Pada dasarnya, ada 3 pendekatan untuk mencari nilai bobot atribut yaitu
pendekatan subyektif, pendekatan obyektif dan pendekatan integrasi antara subyektif
dan obyektif, masing-masing pendekatan memiliki kelebihan dan kelemahan.
Pada pendekatan subyektif, nilai bobot di tentukan berdasarkan subyektifitas
dari para pengambil keputusan, sehingga beberapa factor dalam proses perangkingan
alternatif bisa di tentukan secara bebas.sedangkan pada pendekatan obyektif, nilai
bobot di hitung secara matematis sehingga mengabaikan subyektifitas dari
pengambilan keputusan ( Kusumadewi dkk., 2006: 105).
7
2.3.2 Algoritma Fuzzy Multiple Attribute Decision Making (FMADM)
Menurut Kusumadewi dalam Wahyudi Setiawan (2009), Algoritma
FMADM adalah :
1. Memberikan nilai setiap alternatif (Ai) pada setiap criteria ( Cj yang
sudah di tentukan, dimana nilai tersebut di peroleh berdasarkan nilai
crisp; i=1,2,…m dan j=1,2,…,n.
2. Memberikan nilai bobot (W) yang juga didapatkan dari nilai crisp.
3. Melakukan normalisasi matriks dengan cara menghitung nlai rating
kinerja ternormalisasi (rij) dari alternative Ai pada atribut Cj
berdasarkan persamaan yang diesuaikan dengan jenis atribut (atribut
keuntungan atau benefit = maksimum atau atribut biaya atau
cost=minimum). Apabila berupa atribut keuntungan maka nilai crisp
(Xij) dari setiap kolom atribut dibagi dengan nilai crisp MAX (MAX
Xij) dari tiap kolom, sedangkan untuk atribut biaya, nilai crisp MIN
(MIN Xij) dari tiap kolom atribut dibagai dengan nilai crisp (xij)
setiap kolom.
4. Melakukan proses perangkingan dengan cara mengalikan nilai bobot
(W) dengan matriks ternormalisasi (R).
5. Menentukan nilai preferensi untuk setiap alternative (Vi) dengan cara
menjumlahkan hasil kali antara matriks ternormalsasi (R) dengan niali
bobot (W). nilai Vi yang lebih besar mengindikasikan bahwa
alternative Ai lebih terpilih.
2.3.3. Simple Additive Weighting Method (SAW)
Metode SAW sering juga dikenal istilah metode penjumlahan terbobot.
Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja
pada setiap alternative pada semua atribut. Metode SAW membutuhkan proses
normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan
dengan semua rating alternative yang ada.
8
r ij =
X ij _______ Max Xij i
Dimana rij adalah rating kinerja ternormalisasi dari alternative Ai pada
atribut Cj. I = 1,2,..m dan j = 1,2,….,n. nilai preferensi untuk setiap
alternative (Vi) diberikan sebagai :
Nilai Vi yang lebih besar mengindikasikan bahwa laternatif Ai lebih
terpilih.
(Kusumadewi dkk, 2006:74)
2.3.4. Logika Fuzzy (Fuzzy Logic)
Pada tahun 1965 Professor Lotfi A. Zadeh dari Universitas California
memperkenalkan dasar fuzzy logic seperti yang dikenal sekarang dan aplikasi yang
digunakan pada saat ini. Professor Lotfi A. Zadeh memperkenalkan bahwa logika
Boolean yang hanya memiliki nilai salah-atau-benar tidak bergantung pada banyak
perbedaan yang mendasari masalah-masalah di realita sebenarnya. Professor Lotfi A.
Zadeh ini menjabarkan ide dari himpunan klasik (classical set) ini menjadi apa yang
disebut dengan himpunan fuzzy (fuzzy set). Logika Boolean bersifat bivalen atau
hanya memiliki dua nilai yaitu apakah 0 (salah) atau 1 (benar) yang secara kualitas
berdiri sendiri. Sebaliknya, pada fuzzy set bersifat multi-nilai, yang bekerja dengan
derajat keanggotaan (degree of membership) atau kebenaran di dalam set (kumpulan
nilai-nilai) tersebut. Kadang nilai keanggotaan di dalam set bisa bernilai sebagian
9
Jika atribut keuntungan (benefit) (2.1)
r ij=
Min X iji
Xij
Jika atribut keuntungan (cost) (2.2)
Vi=∑j=1
n
Wjrij
benar (true) atau sebagian salah (false) pada saat yang sama. Untuk kumpulan nilai
(set) S fungsi karakteristik fs(x) menjelaskan apakah nilai elemen x merupakan
anggotan dari elemen himpunan S, dimana fs(x) = 1 jika benar dan fs(x) = 0 jika
salah.
10
BAB III
ANALISIS DAN PERANCANGAN SISTEM
3.1. Analisis Kebutuhan Sistem
3.1.1. Analisis Proses Sistem
Pada tahap analisis proses sistem penentuan kelayakan KPR BTN Sejahtera
dapat digambarkan secara umum kedalam diagram konteks dan secara detail
digambarkan kedalam DFD.
Gambar 3.1. Diagram Conteks Pengolahan Data Penentuan Kelayakan KPR BTN Sejahtera Pada BTN
11
Gambar 3.2 DFD Level 0 Pengolahan Data Penentuan Kelayakan KPR BTN Sejahtera.
12
Gambar 3.3 DFD Level 1 Proses Permohonan KPR BTN Sejahtera
Gambar 3.4 DFD Level 1 Proses Pengujian Kriteria pada Parameter Debitur
Dengan Fuzzy Logic
13
Gambar 3.5 DFD Level 1 Proses Maintenance Data Tipe KPR
Gambar 3.6 DFD Level 1 Proses Maintenance Data Angsuran
14
3.1.2. Kamus Data
KAMUS DATA USERNama Arus Data
: Data User
Alias : UserBentuk Arus Data
: Tampilan pada layar monitor
Arus Data : Data identitas pegawai bank ke simpanan data userKeterangan : Data yang berisi identitas pegawai bank yang terdaftar
sebagai pengguna dati sistem tersebutPeriode : Setiap ada perubahan data pegawai bank baik yang baru
maupun yang lamaSturuktur Data : ID_Pegawai, Nama Pegawai, Bagian, user_id, password
KAMUS DATA TIPE KPRNama Arus Data
: Data Tipe KPR
Alias : Tipe_KPRBentuk Arus Data
: Tampilan pada layar monitor
Arus Data : Data Tipe KPR ke simpanan data tipe KPRKeterangan : Data yang berisi Data Tipe KPRPeriode : Setiap ada perubahan data tipe KPR baik yang baru
maupun yang lamaSturuktur Data : Kode KPR, Status Sertifikat, Luas Tanah, Luas Bangunan,
Lokasi Rumah, Harga Rumah
KAMUS DATA ANGSURAN / FLATFORMNama Arus Data
: Data Angsuran
Alias : AngsuranBentuk Arus Data
: Tampilan pada layar monitor
Arus Data : Data Angsuran ke simpanan data angsuranKeterangan : Data yang berisi Data Angsuran KPRPeriode : Setiap ada perubahan data tipe KPR baik yang baru
maupun yang lamaSturuktur Data : Kode KPR, Harga KPR, DP, Masa Kredit, Suku Bunga,
Jaminan, Tujuan Pembelian Rumah
15
KAMUS DATA DEBITURNama Arus Data
: Data Debitur
Alias : DebiturBentuk Arus Data
: Tampilan pada layar monitor
Arus Data : Data Angsuran ke simpanan data debiturKeterangan : Data yang berisi Data DebiturPeriode : Setiap ada Permohonan pengajuan KPRSturuktur Data : Kode KPR, Tanggal, No KTP, Nama, Alamat, Telepon,
Usia, Jenjang Pendidikan, Pekerjaan, Status, Penghasilan Perbulan, Pengeluaran Perbulan, Tanggungan, angsuran lain
KAMUS DATA DOKUMEN DEBITURNama Arus Data
: Data Dokumen Debitur
Alias : Dok_DebiturBentuk Arus Data
: Tampilan pada layar monitor
Arus Data : Data Dokumen Debitur ke simpanan data dokumen debitur
Keterangan : Data yang berisi Data Kelengkapan Dokumen DebiturPeriode : Setiap ada Permohonan pengajuan dan perubahan
kelengkapan dokumenSturuktur Data : Kode_KPR, Fc KTP Debitur, Fc KTP Pasangan, Fc KK,
Fc Surat Nikah, Fc Surat Cerai, Fc Slip Gaji, Fc SK, Fc Rek Tabungan,
3.1.3. Analisis Input
Data yang di input adalah data berdasarkan formulir KPR BTN yang disi oleh
pemohon yang dilengkapi dengan dokumen pendukung yang akan menjadi record
data debitur, sedangkan data input yang digunakan untuk pengujian kelayakan dalam
sistem yaitu :
1. Usia
2. Pendidikan
3. Pekerjaan
4. Penghasilan per bulan
16
5. Status
6. Tanggungan
7. Penghasilan bersih (% dari Penghasilan per bulan)
3.1.4. Analisis Output
N
o
Nama Usia Pendididikan Pekerjaan Penghasil
an/bulan
Status Tanggungan Penghasilan
bersih
Hasil
akhir
Output sistem yang dihasilkan yaitu mengetahui hasil akhir dengan
perhitungan metode Fuzzy MADM dan menegtahui layak atau tidaknya berdasarkan
logika atau criteria yang ditetapkan oleh Bank dengan data pendukung hasil akhir
dari sistem.
Gambar 3.1.4.1. Rancangan output hasil akhir
N
o
Nama Usia Pendididikan Pekerjaan Penghasil
an/bulan
Status Tanggungan Penghasilan
bersih
Hasil
akhir
Layak/
Tidak layak
Gambar 3.1.4.2 Rancangan Output kelayakan
3.1.5. Analisis Kriteria dan persyaratan KPR BTN
Dalam penentuan kelayakan pemohon kredit KPR BTN ini diterima atau
ditolak, pihak bank akan meganalisis data konsumen dan dokumen pendukungnya
sesuai dengan pesyaratan dan ketentuan yang berlaku.
Persyaratan umum Calon Debitur:
1. Memenuhi kriteria Kelompok Sasaran
17
2. Belum pernah memiliki rumah/hunian;
3. Belum pernah menerima subsidi perumahan;
4. Memiliki NPWP dan SPT Tahunan PPh Orang Pribadi
sesuai dengan peraturan perundang-undangan yang berlaku.
Bila penghasilan calon debitur lebih besar daripada
Penghasilan Tidak Kena Pajak (PTKP). NPWP baru yang
belum memiliki kewajiban pelaporan pajak, debitur
diwajibkan menyerahkan SPT kepada Bank setelah SPT ada
5. Memiliki penghasilan pokok maksimal Rp. 2.5 juta per
bulan untuk KPR Sejahtera Tapak dan maksimal Rp. 4.5
juta untuk KPR Sejahtera susun
6. Suku Bunga :
KPR Sejahtera Tapak KPR Sejahtera Susun
MAKSIMAL KPR(Rp)
SUKU BUNGA(pa) *)
MAKSIMAL KPR(Rp)
SUKU BUNGA(pa) *)
s/d Rp. 50 Juta 8,15% s/d Rp. 90 Juta 9,25%
>Rp. 50 juta s/d Rp. 60 Juta
8,25%>Rp. 90 Juta s/d Rp. 100
Juta 9,35%
>Rp. 60 Juta s/d Rp. 70 Juta
8,35%>Rp. 100 Juta s/d Rp.
110 Juta 9,50%
>Rp. 70 Juta s/d Rp. 80 Juta
8,50%>Rp. 110 Juta s/d
Rp.120 Juta 9,65%
>Rp. 120 Juta s/d Rp. 130 Juta
9,80%
>Rp. 130 Juta s/d Rp. 135 Juta
9,95%
Persyaratan Nasabah pemohon kredit rumah
Mengisi formulir permohonan
Menyerahkan copy identitas diri (KTP, KK, Akta Nikah),
Menyerahkan copy slip/keterangan gaji atau keterangan penghasilan.
Menyerahkan copy SK Pegawai atau Keterangan Kerja dari Perusahaan.
Menyerahkan copy Ijin Usaha untuk wiraswasta (Akte Pendirian, Domisili
Usaha, TDP, SIUPP, NPWP, dll)
18
Formulir Permohonan Kredit Perorangan KPR PT. BTN (Persero) Tbk.
Lanjutan Formulir Permohonan Kredit Perorangan KPR PT. BTN (Persero) Tbk.
19
Gambar 3.1.4. Formulir Permohonan Kredit Perorangan PT. BTN
(Persero) Tbk.
3.2. Perhitungan hasil akhir menggunakan metode fuzzy
3.2.1. Penentuan variable Input
20
Variabel input yang dibutuhkan untuk melakukan proses penyeleksian data
debitur untuk dipertimbangkan kelayakannya adalah sebagai berikut :
1. Usia
2. Pendidikan
3. Pekerjaan
4. Penghasilan per bulan
5. Status Pernikahan
6. Jumlah tanggungan
7. Penghasilan bersih (% dari penghasilan per bulan)
Variabel input nomor 1 s/d 7 berasal dari data formulir dan data pendukung
pemohon.
3.2.2. Nilai bobot dan kriteria yang dibutuhkan.
Nilai Bobot
- Nilai bobot berkisar antara 0 dan 1
- Diabawah ini adalah bilangan fuzzy dari bobot :
1. Sangat rendah (SR) = 0
2. Rendah (R) = 0,25
3. Cukup (C) = 0,5
4. Tinggi (T) = 0,75
5. Sangat Tinggi (ST) = 1
Kriteria
C1 = Usia
C2 = Pendidikan
C3 = Pekerjaan
C4 = Penghasilan per bulan
C5 = Status Pernikahan
C6 = Jumlah tanggungan
21
C7 = Penghasilan bersih (5 dari penghasilan perbulan)
Kriteria yang ada di konversi dengan bilangan fuzzy, antara lain :
1. Nilai usia di dapatkan dari konversi bilangan fuzzy yaitu:
Usia Nilai
Muda ( >= 20 s.d <= 35) 0,50
Parobaya (>= 35 s.d <= 45) 0,75
Tua (> 45 s.d <= 55) 1
2. Nilai pendidikan di dapat dari konversi bilangan fuzzy yaitu:
pendidikan Nilai
SD 0.15
SMP 0.30
SMA 0.45
Diploma 0.60
S1 0.75
S2 0.90
S3 1
3. Nilai pekerjaan di dapat dari konversi bilangan fuzzy yaitu:
Pekerjaan nilai
PNS /karyawan / pegawai 0.5
Wiraswasta/swasta 1
4. Nilai penghasilan per bulan di dapat dari konversi bilangan fuzzy yaitu :
Penghasilan per bulan Nilai
350.000- 500.000 0.25
> 500.000 - < 900.000 0.50
900.000 - <= 1.500.000 0.75
>1.500.000 - <= 4.500.000 1
22
5. Nilai status pernikahan didapat dari konvesi bilangan fuzzy
Status pernikahan Nilai
Tidak Kawin 0.5
Kawin 1
6. Nilai tanggungan di dapat dari konversi bilangan fuzzy yaitu :
Tanggungan nilai
0 anak 0,20
1 anak 0,40
2 anak 0,60
3.anak 0,80
>3 anak 1
7. Nilai penghasilan bersih dari konversi bilangan fuzzy yaitu :
Pengasilan bersih (% dari penghasilan
perbulan)
Nilai
0 - < 50 % 0
>= 50 % - <100 % 0,5
100 % 1
Nilai hasil akhir dapat dikethui :
a. Memberikan nilai setiap alternative (Ai) pada setiap kreteria (Cj) yang sudah kita tentukan, dimana nilai variable tersebut diperoleh berdasarkan scope atau nilai crisp i=1,2,……m dan j= 1,2…n
Alternatif : A1. = Andi
A2 = Santoso
A3 = Erwin
A4 = Jamilah
A5 = Aisah
23
Kreteria: C1 = Usia
C2 = Pendidikan
C3 = Pekerjaan
C4 = Penghasilan per bulan
C5 = Status Pernikahan
C6 = Jumlah tanggungan
C7 = Penghasilan bersih
Alternatif kreteria
C1 C2 C3 C4 C5 C6 C7
A1 1 0,15 1 1 1 0,80 0,5
A2 0,5 0,30 1 0,75 1 0,40 1
A3 0,5 0,45 0,5 0,75 0,5 0,20 1
A4 0,75 0,60 0,5 1 1 0,60 0,5
A5 0,5 0,75 0,5 1 0,5 0,20 1
b. Memberikan nilai bobot (W) yang juga diperoleh berdasarkan nilai crisp.
pengambil keputusan yang memberikan bobot kelayakan :
W1 = 0.5 W2 = 0.45 W3 = 0.5 W4 = 0.75 W5 = 1 W6 = 0.60 W7= 1
c. MelakukanNormalisasi matrik :
1 0,15 1 1 1 0,80 0,5
0,5 0,30 1 0,75 1 0,40 1
0,5 0,45 0,5 0,75 0,5 0,20 1
0,75 0,60 0,5 1 1 0,60 0,5
0,5 0,75 0,5 1 0,5 0,20 1
Normalisasi matriks berdasarkan persamaan 2.1.
24
X =
r ij =
X ij _______ Max Xij i
Formula :
r 11 = 1
max ¿1; 0,5;0,5 ;0,75 ;0,5 }¿ = 1
3,25 = 0,31
r 12 = 0,15
max ¿0,15 ;0,30 ;0,45 ;0,60 ;0,75 }¿ = 0,152,25
= 0,06
r 13 = 1
max ¿1;1 ;0,5 ;0,5 ;0,5 }¿ = 1
2,50 = 0,4
r 14 = 1
max ¿1; 0,75;0,75 ;1 ;1 }¿ = 1
4,5 = 0,22
r 15 = 1
max ¿1;1 ;0,5 ;1 ;0,5 }¿ = 14
= 0,25
r 16 = 0,80
max ¿0,80 ;0,40 ;0,20 ;0,60 ;0,20 }¿ = 0,802,20
= 0,36
r 17 = 0,5
max ¿0,5 ;1;1 ;0,5 ;1 }¿ = 0,54
= 0,125
dan seterusnya, hingga diperoleh matriks ternormalisasi sebagai berikut :
1 0,15 1 1 1 0,80 0,5
0,5 0,30 1 0,75 1 0,40 1
0,5 0,45 0,5 0,75 0,5 0,20 1
0,75 0,60 0,5 1 1 0,60 0,5
0,5 0,75 0,5 1 0,5 0,20 1
d. Melakukan proses perangkingan dengan cara mengalikan nilai bobot (W)
dengan matriks ternormalisasi (R)
e. Menentukan nilai preferensi untuk setiap alternative (Vi) dengan cara
menjumlahkan hasil kali antara matriks ternormalisasi (R) dengan nilai bobot
25
R =
(W). Nilai Vi yang lebih tinggi menindikasikan bahwa alternative Ai lebih
terpilih.
Proses perangkingan diperoleh berdasarkan persamaan 2.3 :
Formula :
V1 = (0,5)(1)+(0,45)(0,5)+(0,5)(1)+(0,75)(1)+(1)(1)+(0,60)(0,80)+(1)(0,5) = 3.955
V2 = (0,5)(0,5)+(0,45)(0,30)+(0,5)(1)+(0,75)(0,75)+(1)(1)+(0,60)(0,40)+(1)(1) = 3.6875
V3 = (0,5)(0,5)+(0,45)(0,45)+(0,5)(0,5)+(0,75)(0,75)+(1)(0,5)+(0,60)(0,20)+(1)(1) = 2.885
V4 = (0,5)(0,75)+(0,45)(0,60)+(0,5)(0,5)+(0,75)(1)+(1)(1)+(0,60)(0,60)+(1)(0,5) = 3.505
V5 = (0,5)(0,5)+(0,45)(0,75)+(0,5)(0,5)+(0,75)(1)+(1)(0,5)+(0,60)(0,20)+(1)(0,1) = 3.2075
Nilai tertinggi ada pada V1, sehingga V1 terletak di record paling atas dan kemudian
di urutkan hingga nilai yang paling rendah
3.3. Rancangan Output Sistem
3.3.1. Rancangan Output Hasil Akhir
Dalam rancangan ini terdapat field hasil akhir yang di urutkan berdasarkan nilai yang
paling tinggi berdasarkan perhitungan Fuzzy. Yang mana hasil akhir ini akan
dijadikan data pendudkung dalam pengambilan keputusan apakah seorang pemohon
layak atau tidak memperoleh kredit.
26
Vi=∑j=1
n
wjrij
No Nama Usia Pendididikan Pekerjaan Penghasil
an/bulan
(Rp)
Status Tanggungan Penghasilan
bersih (% dari
penghasilan
perbulan
Hasil
Akhir
1 Andi 50 SD Wiraswasta 4.000.000 K 3 60 % 3.955
2 Santoso 30 SMP wiraswasta 1.500.000 K 1 100 % 3.6875
4 Jamilah 35 DIPLOMA PNS 3.000.000. K 2 100 % 3.5055 Aisah 25 S1 PNS 2.500.000 TK 0 50 % 3.20753 Erwin 21 SMA Karyawan 1.200.000 TK 0 100 % 2.885
Gambar 3.3.1. Rancangan output hasil akhir
3.3.2. Rancangan Output Kelayakan
Dalam rancangan ini ditampilkan hasil layak atau tidaknya pemohon diterima
menjadi calon debitur KPR BTN berdasarkan dari nilai hasil akhir dengan
perhitungan fuzzy di atas. Penentuan kelayakan ini diperlukan logika yang
ditentukan oleh pihak Bank. Misalnya dengan memberi rentang nilai yang layak
adalah yang memperoleh nilai hasil akhir lebih besar atau sama dengan 3500.
No Nama Usia Pendididikan Pekerjaan Penghasil
an/bulan
(Rp)
Status Tanggungan Penghasilan
bersih (% dari
penghasilan
perbulan
Hasil
Akhir
Layak /
Tidak
Layak`
1 Andi 50 SD Wiraswasta 4.000.000 K 3 60 % 3.955 layak
2 Santoso 30 SMP wiraswasta 1.500.000 K 1 100 % 3.6875 layak
4 Jamilah 35 DIPLOMA PNS 3.000.000. K 2 100 % 3.505 layak
5 Aisah 25 S1 PNS 2.500.000 TK 0 50 % 3.2075 Tidak layak
3 Erwin 21 SMA Karyawan 1.200.000 TK 0 100 % 2.885 Tidak layak
Layak = Nilai akhir >= 3500
Gambar 3.3.1. Rancangan output Kelayakan
27
BAB IV
PENUTUP
4.1. Kesimpulan
1. Model fuzzy logic MADM merupakan suatu methode dan methode yang
dapat digunakan untuk menyelesaikan masalah pengambilan keputusan
dengan criteria banyak dimana dilakukan proses perangkingan dengan
alternative-alternatif yang diurutkan dari masing-masing nilai.
2. Pada prinsipnya system penunjang pengambilan keputusan hanya
membantu para pengambil keputusan dan bukan sebagai penggantikan
posisi para pengambilan keputusan untuk memberikan dan mengabulkan
kredit rumah yang di inginkan oleh pemohon.
3. KPR BTN sangat membantu para masyarakat yang ingin memiliki rumah
untuk tempat tinggal yang dilakukan secara manual sehingga
membutuhkan waktu proses yang panjang untuk menentukan layak dan
tidak layaknya seorang pemohon untuk mendapatkan perumahan KPR
BTN.
4.2. Saran
Kami menyadari bahwa masih banyak kekurangan yang kami hadapi dalam
merancang system yang dibuat tersebut, oleh sebab itu ada beberapa saran yang ingin
kami sampaikan guna perbaikan di masa yang akan datang diantaranya :
1. System penunjang keputusan yang digunakan untuk pemenuhan permohonan
kredit rumah sebaiknya dirancang untuk memenuhi semua kalayak
masyarakat guna perbaikan penghidupan.
2. System penunjang keputusan ini salayaknya akan terus berkesinambungan
sampai masyarakat semuanya bias mendapatkan penghidupan dalam
perumahan yang layak.
28
DAFTAR PUSTAKA
1. Kusrini, 2007, Konsep dan aplikasi system pendukung keputusan,
Yogyakarta: Andi.
2. Sri,Kusumadewi,dkk, 2010 aplikasi logika fuzzy untuk mendukung
keputusan, yogyakarta: Graha ilmu.
3. Jogiyanto,2005, alnalisis dan desain system informasi, yogyakarta: andi.
4. Dadan, 2001, komputerisasi pemgambilan keputusan, Elekmedia komputindo
Jakarta.
5. Mcleod,Roymond,and schell,George P, 2007, managemen informasi system,
new jersey: peasron education,inc.
6. www.BTN.com
29
30