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


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


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


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


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


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%


8,50%>Rp. 110 Juta s/d

Rp.120 Juta 9,65%


9,80%


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)


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)


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

http://www.BTN.com/

Fuzzy MADM

Documents

Transcript of Fuzzy MADM