Upload
others
View
8
Download
0
Embed Size (px)
Citation preview
Penerapan Metode Fuzzy Tsukamoto dalam Perancangan Sistem
Pendukung Keputusan Penentuan Peminjaman EDC (Electronic
Data Capture) Berbasis Web (Studi Kasus: PT. Bank XXX)
Artikel Ilmiah
Peneliti:
Elma Nizar (672015193)
Radius Tanone, S.Kom., M.Cs.
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
Januari 2019
Penerapan Metode Fuzzy Tsukamoto dalam Perancangan Sistem
Pendukung Keputusan Penentuan Peminjaman EDC (Electronic
Data Capture) Berbasis Web (Studi Kasus: PT. Bank XXX)
Artikel Ilmiah
Diajukan kepada
Fakultas Teknologi Informasi
untuk memperoleh Gelar Sarjana Komputer
Peneliti:
Elma Nizar (672015193)
Radius Tanone, S.Kom., M.Cs.
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
Januari 2019
1
1. Pendahuluan
Bank mempunyai peranan penting untuk menghimpun dana dalam bentuk
simpanan dan menyalurkannya dalam bentuk kredit dengan penyedia fasilitas yaitu
mesin EDC (Electronic Data Capture). Berdasarkan data dari laporan tahunan
tahun 2017 PT. Bank XXX bahwa jumlah mesin EDC telah mencapai lebih dari
470 ribu mesin [1]. Kemudahan dalam pengajuan peminjaman mesin EDC beresiko
memicu terjadinya penyalahgunaan seperti pencucian uang dan gesek tunai.
Penentuan peminjam mesin EDC harus dilihat dari segi kelayakan merchant serta
tepat dalam penentuan pemberian fasilitas fitur EDC [2].
Human error menjadi masalah utama yang dihadapi oleh pihak PT. Bank
XXX, dimana pada implementasinya, sistem analisis penentuan peminjam EDC
masih dilakukan secara manual dan memakan waktu yang lebih lama [2]. Akibat
dari masalah yang ditimbulkan terjadi kasus pada tahun 2014 PT. Bank XXX
mengalami kasus penemuan barang bukti EDC dalam praktik pencucian uang [3]
dan pada tahun 2016 ditemukan barang bukti mesin EDC dalam kasus gesek tunai
yang merugikan perusahaan hingga miliaran rupiah [4].
Mesin EDC harus dipinjamkan sesuai dengan merchant yang mempunyai
penilaian yang layak dan tidak terdaftar dalam data blacklist PT. Bank XXX. Untuk
dapat memberikan nilai yang valid penerapan suatu algoritma atau metode dalam
perhitungan kelayakan sangat diperlukan. Metode fuzzy tsukamoto dipilih dan
digunakan dalam sistem pendukung keputusan pemberian pinjaman EDC dengan
memberikan nilai akhir yang valid karena perubahan selisih angka sekecil
apapun akan mempengaruhi nilai akhir perhitungan berdasarkan data parameter
jenis nasabah, jenis usaha, lokasi usaha dan omset usaha sehingga meminimalisir
terjadinya kesalahan dan pengecekan secara berulang [5]. Data-data pengajuan
merchant sebagai peminjam EDC tidak hanya berasal dari kantor pusat, melainkan
berasal dari kantor cabang. Untuk melakukan perhitungan data merchant, data
haruslah terdaftar dalam tabel data usaha. Bagian pengajuan merchant memberikan
data usaha dalam bentuk form kepada bagian analis untuk diinputkan. Hal ini dirasa
kurang efisien, dikarenakan bagian analis haruslah bekerja dua kali dan
menghambat proses perhitungan. Salah satu cara integrasi pertukaran data dapat
dilakukan melalui protokol HTTP dalam pengaksesan URL / mapping pada
browser dengan menggunakan RestFul Webservice.
Berdasarkan latar belakang tersebut, maka rumusan masalah dalam
penelitian ini adalah bagaimana membantu pihak PT. Bank XXX dalam
menentukan peminjam EDC dengan menggunakan metode fuzzy tsukamoto. Tujuan
dari penelitian ini adalah untuk menghasilkan sebuah sistem yang diharapkan
mampu mengurangi human error, dapat mengkomunikasikan data usaha dan
blacklist antar sistem penilaian dan pengajuan EDC secara cepat, proses analisa
menjadi lebih cepat dan valid serta mudah untuk dievaluasi melalui penerapan
metode fuzzy tsukamoto. Batasan penelitian yang dilakukan adalah sistem berupa
prototype dan hanya sampai pada tahap pengujian sistem dengan menggunakan
simulasi dari field-field sesuai data asli.
2
2. Tinjauan Pustaka
Terdapat beberapa penelitian terdahulu dalam mendukung penelitian ini
antara lain penelitian yang berjudul “Penerapan FIS Metode Tsukamoto Untuk
Menentukan Kelayakan Pemberian Kredit”, dimana sistem pendukung keputusan
kelayakan pemberian kredit dapat membantu perusahaan dalam mengatur sistem
penyimpanan data pengajuan kredit. Penelitian ini memanfaatkan metode
tsukamoto sebagai penentu keputusan kelayakan dengan lima variable yaitu
character, capacity, condition of economy, collateral, dan variable output sehingga
perhitungan menjadi lebih terstruktur [6].
Penelitian lain berjudul “Sistem Penunjang Keputusan Kelayakan Pemberian
Pinjaman dengan Metode Fuzzy Tsukamoto”, dimana sistem pendukung keputusan
kelayakan berbasis desktop untuk menentukan kelayakan pemberian pinjaman pada
PT Triprima Finance Palembang dengan metode fuzzy tsukamoto. Metode fuzzy
tsukamoto digunakan berdasarkan kriteria penilaian jumlah penghasilan, jumlah
pinjaman, dan jaminan. Hasil dari penelitian adalah sistem dapat mempermudah
dalam memberikan laporan kepada kaposko, branch manager dan surveyor serta
penerapan metode fuzzy tsukamoto mampu menghasilkan nilai lebih cepat dan
akurat berdasarkan nilai total tertinggi dari pengajuan pinjaman [7].
Pada penelitian yang berjudul “Penentuan Permohonan Pinjaman
Menggunakan Sistem Pendukung Keputusan (SPK) Dengan Metode Fuzzy
Tsukamoto”, dimana sistem pendukung keputusan dapat membantu meminimalisir
kredit macet dari nasabah. Penelitian ini menggunakan metode fuzzy tsukamoto
sebagai pemecah masalah yang tepat karena menggunakan teori representasi
kebenaran dalam dua nilai benar atau salah untuk pengambilan keputusan. Terdapat
empat variable yaitu penghasilan, angsuran, agunan dan pinjaman. Hasil dari
penelitian, metode fuzzy tsukamoto memberikan keputusan yang tepat dengan
adanya nilai standar [8].
Berdasarkan hasil yang didapat pada penelitian sebelumnya, bahwa metode
fuzzy tsukamoto tepat digunakan dalam sistem penentuan keputusan pemberian
pinjaman untuk menentukan kelayakan debitur atau nasabah. Metode fuzzy
tsukamoto menggunakan himpunan-himpunan fuzzy dengan fungsi keanggotaan
yang konstan berdasarkan variable yang telah ditentukan oleh setiap studi kasus
yamg diteliti. Kelebihan dari metode tsukamoto yaitu bersifat intuitif dan dapat
memberikan tanggapan berdasarkan informasi yang bersifat kualitatif dan
ambigu. Dari penelitian-penelitian sebelumnya, maka pada penelitian ini metode
fuzzy tsukamoto adalah metode yang tepat untuk diaplikasikan pada penelitian ini.
Perbedaan penelitian ini dengan penelitian sebelumnya adalah dari segi
subjek penelitian menggunakan data merchant pengaju mesin EDC dimana yang
dipinjamkan berupa mesin EDC yang ketersediaan mesin terbatas sehingga
peminjam mesin EDC tersebut harus yang benar-benar memenuhi kriteria
kelayakan. Penggunaan metode fuzzy pada penelitian ini akan dikembangkan
dengan melakukan pengecekan data blacklist peminjaman EDC dan melihat
pemberian fasilitas fitur EDC yang pada penelitian sebelumnya tidak dilakukan,
dengan adanya pengembangan pengecekan metode fuzzy tsukamoto yang
dihasilkan akan memiliki nilai yang tepat dan akurat. Perancangan sistem pada
penelitian ini berbasis web yang nantinya dapat digunakan untuk kantor cabang
3
utama PT. Bank XXX yang lain dengan menggunakan teknologi RestFul
Webservice untuk proses pertukaran data dan pada penelitian sebelumnya tidak
menerapkan teknologi webservice.
Electronic Data Capture atau EDC adalah suatu mesin transfer dana, baik
pembayaran ataupun pembelian. Penggunaan pada mesin EDC secara umum sama
dengan mesin ATM, akan tetapi mesin EDC tidak mengeluarkan uang. EDC
banyak ditemukan ditoko-toko atau merchant yang berfungsi untuk mempermudah
transaksi dan saat ini EDC tidak hanya digunakan untuk transaksi kartu kredit,
tetapi juga pada transaksi debit dan top-up [9].
Fuzzy logic adalah suatu cara yang tepat untuk memetakan ruang input ke
dalam suatu ruang output atau merupakan cara untuk mencari solusi atas
permasalahan yang dianggap samar [10]. Fungsi keanggotaan adalah nilai
keanggotaannya yang memiliki interval antara 0 sampai 1 dan disimbolkan dengan
“µ”. Pendekatan Linier, berupa: 1) Linier Naik, digambarkan dari derajat 0 ke
kanan menuju ke nilai domain yang lebih tinggi dan dapat diilihat pada Gambar
2.1. 2) Linier Turun, digambarkan dari derajat 1 ke kiri menuju ke nilai domain
yang lebih rendah dan dapat diilihat pada Gambar 2.1:
Gambar 2.1 Pendekatan Linier [10].
Fungsi keanggotaan linier naik menggunakan rumus pada Persamaan 2.1 dan
pada linier turun menggunakan rumus pada Persamaan 2.2.
(2.1) (2.2)
Fuzzy Tsukamoto adalah logika fuzzy yang menggunakan metode tsukamoto.
Metode ini pertama kali diperkenalkan oleh Tsukamoto. Metode fuzzy tsukamoto
menggunakan aturan atau yang sering disebut rule base berbentuk “if - then” atau
“sebab – akibat”. Cara perhitungan dari metode fuzzy tsukamoto dan proses yang
terjadi dapat dilihat pada Gambar 2.3 [10]:
Gambar 2.3 Diagram Blok Sistem Inferensi Fuzzy Tsukamoto
µ[X]
a
1
0 b
Linier Naik
µ[X]
a
1
0 b
Linier Turun
IF – THEN (Aturan ke 1– n)
crips fuzzy fuzzy
Input Output Rule Base Agregasi Defuzzy
4
Pada Gambar 2.3 menunjukkan ketika sistem menerima inputan, kemudian
akan dikirim untuk dimasukkan ke dalam beberapa aturan atau rule base yang telah
didapat dari perhitungan derajat keanggotaan dalam bentuk IF-THEN. Fire
strength (α-predikat) akan dicari pada setiap aturan dengan cara mencari nilai
minimal dari nilai derajat keanggotaan atau biasa disebut dengan aturan Zedah
operasi AND. Langkah terakhir, mencari nilai output yang merupakan nilai
crisp(z) yang disebut proses defuzzyfikasi dengan konsep rata-rata terbobot [10].
Restful webservice adalah webservice yang berbasis arsitektur REST
(Representational State Transfer). REST merupakan standar arsitektur komunikasi
berbasis web yang sering diterapkan dalam pengembangan layanan berbasis web.
REST umumnya menggunakan HTTP (Hypertext Transfer Protocol) sebagai
protocol untuk komunikasi data. Webservice digunakan untuk melakukan proses
pertukaran data antar aplikasi atau sistem [11]. Berikut adalah cara kerja secara
singkat dari RestFul Webservice yang dapat dilihat pada Gambar 2.1:
Gambar 2.1 Cara Kerja Restful Webservice
Layanan pada web dengan penerapan konsep arsitektur REST menggunakan
metode HTTP. Dimana sebuah client mengirimkan sebuah data atau melakukan
request sebuah mapping melalui HTTP Request komponen yaitu method
GET/POST/PUT/DELETE. HTTP Response akan menampilkan sebuah resource
yang berupa JSON untuk diterima oleh client. Beberapa fungsi komponen HTTP
Request adalah sebagai berikut: 1) GET menyediakan hanya akses baca
pada resource; 2) PUT, digunakan untuk menciptakan resource baru atau 3)
DELETE, digunakan untuk menghapus resource; 4) POST, digunakan untuk
membuat sebuah resource baru [11].
3. Metode Penelitian
Metode penelitian yang akan digunakan dalam penelitian ini adalah
menggunakan metode penelitian R & D (Research and Development) dengan
menggunakan model ADDIE (analysis, design, development and production,
implementation, and evaluation) dengan jenis penelitian yaitu penelitian asosiatif.
Berikut adalah lima langkah metode penelitian menggunakan R & D dengan
model ADDIE dapat dilihat pada Gambar 3.1:
Client Application
Restful Webservice
Database Server
Accessing Request Mapping + Method
Location : /example/EXP001
HTTP Response
{JSON}
HTTP Request
(GET, POST,PUT,DELETE)
CRUD ID: EXP001
Generate
id:
EXP001
5
Gambar 3.1 Tahapan Metode R & D Model ADDIE
Tahapan-tahapan penelitian dalam Gambar 3.1 dapat dijelaskan sebagai
berikut : 1) Tahap pertama adalah tahap analysis. Tahapan ini berisikan analisis
kebutuhan untuk melakukan pengumpulan data. Pengumpulan data dilakukan
dengan observasi pada divisi application PT. Bank XXX dan wawancara dengan
dua karyawan PT. Bank XXX sebagai business analyst dan senior it specialist. 2)
Tahap kedua adalah tahap design. Tahap ini berisikan tentang perancangan sistem
dengan UML (Unified Modeling Language) yang terdiri dari use case diagram,
class diagram dan perancangan algoritma atau metode fuzzy tsukamoto. 3) Tahap
ketiga adalah tahap development and production yaitu tahap untuk merealisasi
produk yang sudah dirancang sesuai pada tahap design. 4) Tahap keempat adalah
tahap implementation, yaitu metode fuzzy tsukamoto dan RestFul Webservice mulai
diimplemetasikan ke dalam program. 5) Tahap kelima adalah tahap evaluation
adalah tahap dimana produk aplikasi yang sudah dibuat untuk dapat dilakukan
pengujian baik uji user maupun uji webservice.
Gambar 3.2 Arsitektur Sistem SPK Peminjam EDC
Gambar 3.2 menunjukkan arsitektur sistem dari sistem pendukung keputusan
peminjam EDC. Dimana untuk menghubungkan antara server dan client digunakan
webservice yaitu RestFul Webservice. Metode fuzzy tsukamoto akan menjalankan
sebuah RequestMethod POST untuk membuat resource baru yang akan dikirim ke
database dan akan dikembalikan ke client dalam bentuk informasi. Berikutnya
adalah use case diagram untuk menggambarkan sebuah interaksi antara aktor yang
satu dengan yang lainnya serta memperlihatkan interaksi fungsi-fungsi yang
terdapat di dalam sistem dengan aktor. Berikut adalah use case diagram yang dapat
dilihat pada Gambar 3.3 :
Pc client SPK Peminjam
EDC
Restful
Webservice
Apache Tomcat
Server 8.0
Database server
(MySQL)
Fuzzy Tsukamoto
6
Gambar 3.3 Use Case Diagram Sistem Pendukung Keputusan Peminjam EDC
Pada Gambar 3.3 dapat dijelaskan bahwa admin sebagai aktor utama dalam
sistem yang dapat melakukan CRUD (Create, Read, Update, Delete) terhadap data
yang ada. Admin dapat mengelola data usaha, mengelola data blacklist, kondisi,
linguistik dan juga mengelola data rule. Pada menu mengelola data usaha dan
menu blacklist, admin dapat melakukan crud sesuai dengan kebutuhan. Dan pada
kondisi dan linguistik, admin dapat menentukan nilai bobot dan juga kondisi yang
ingin dinilai. Berikutnya adalah aktor kedua yaitu manager, manager memiliki hak
untuk dapat memberikan keputusan terhadap calon peminjam EDC yang
mengajukan fasilitas kredit yang akan ditampilkan rulenya pada halaman admin.
Class diagram merupakan kelas yang menggambarkan struktur sistem kelas.
Kelas tersebut meliputi nama, attribute dan operasi. Beberapa paket yang terbentuk
adalah kelas boundary, kelas controller dan yang terakhir adalah kelas entity.
Berikut adalah class diagram yang dapat dilihat pada Gambar 3.10:
Mengelola Data Kondisi
Update Data Blacklist Select Data Blacklist Delete Data Blacklist
Insert Data Usaha
Update Data Usaha
Select Data Usaha
Delete Data Usaha
Select Parameter
Insert Data Blacklist
Select Data Hasil
Kelayakan Merchant
Select Variable
Select Data Kondisi
Update Data Kondisi
Delete Data Kondisi
Insert Data Kondisi
Select Data Linguistik
Update Data Penilaian
MerchantSelect Data Penilaian
Merchant
Delete Data Penilaian
Merchant
insert Data Penilaian
Merchant
Mengelola Data Blacklist
Mengelola Data Usaha
Mengelola Data
Parameter
Mengelola Data Hasil
Kelayakan Merchant
Mengelola Data Variable
Mengelola Data
Linguistik
Mengelola Data Form
Penilaian
Admin / Tim
Analis
Update Persetujuan
Fasilitas
Manager
7
Gambar 3.10 Class Diagram Sistem Penilaian Peminjam EDC
Pada Gambar 3.10 merupakan penggambaran dari beberapa class yang ada
di dalam aplikasi. Class entity digunakan untuk komunikasi antara aplikasi dengan
database yang meliputi data usaha, data blacklist, data variable, data parameter,
data kondisi, data linguistik, data form merchant dan data hasil. Berikutnya class
8
controller digunakan untuk mengelola data dari model atau entity dan
menampilkan pada pengguna. Dan terakhir adalah kelas boundary atau interface
yang ditampilkan pada aplikasi.
Logika fuzzy digunakan untuk menentukan status kelayakan merchant
peminjam mesin EDC. Merchant yang akan dilakukan penilaian adalah merchant
yang tidak terdapat dalam daftar data blacklist baik dari segi internal maupun
eksternal. Kriteria penilaian menggunakan 4 variable yaitu jenis usaha, jenis
nasabah, omset usaha dan lokasi usaha. Berikut adalah kriteria penilaian dan
penentuan titik pada sumbu x dan y yang dapat dilihat pada Persamaan 3.1 dan
Tabel 3.1:
Persamaan 3.1 dilakukan untuk mendapatkan nilai titik minimal dan
maksimal dalam pencarian nilai derajat keanggotaan. Pada tabel 3.1 sebagai contoh
variable Jenis Usaha dengan himpunan linguistik Kecil, mempunyai titik minimal
40 yang didapat dari nilai awal range Jenis Usaha linguistik sedang dan untuk titik
maksimal Jenis Usaha Kecil adalah 45 didapat dari titik akhir range Jenis Usaha
Kecil sesuai dengan pencarian titik pada Persamaan 3.1. Berikut adalah titik
minimal dan maksimal yang telah didapat dan dapat dilihat pada tabel 3.1 [7]:
Tabel 3.1 Nilai Range Linguistik
No Nama Variable Himpunan
Linguistik
Range Titik
Minimal
Titik
Maksimal
1 Jenis Usaha Kecil 0 – 45 40 45
Sedang 40 - 80 40 80
Besar 75 - 100 75 80
2 Jenis Nasabah Kecil 0 - 50 45 50
Besar 45 - 100 45 50
3 Omset Usaha Rendah 0 – 35 30 35
Sedang 30 – 70 30 70
Tinggi 65 – 100 65 70
4 Lokasi Usaha Tidak Strategis 0 – 45 40 45
Kurang Strategis 40 - 80 40 80
Strategis 75 - 100 75 80
Pada Tabel 3.1 menunjukkan himpunan fuzzy, dimana terdiri dari empat
variable input yaitu Jenis Usaha, Jenis Nasabah, Omset Usaha, dan Lokasi Usaha
untuk menentukan kategori usaha merchant. Setiap variable memiliki masing-
masing pembagian himpunan linguistik. Linguistik dari Jenis Usaha yaitu Kecil,
Sedang dan Besar. Linguistik Jenis Nasabah yaitu Kecil dan Besar. Linguistik
Omset Usaha yaitu Rendah, Sedang dan Tinggi. Linguistik Lokasi Usaha yaitu
Tidak Strategis, Kurang Strategis dan Strategis.
Setiap himpunan linguistik memiliki range masing-masing yang telah
ditentukan oleh perusahaan sebagai pengukuran nilai. Sebagai contoh variable
Titik minimal = nilai terendah dari linguistik berikutnya
Titik maksimal = nilai tertinggi dari linguistik sebelumnya
(3.1)
9
Jenis Usaha dengan range himpunan linguistik Kecil 0 – 45, Sedang 40 – 80 dan
Besar 75 - 100. Range pada setiap himpunan linguistik digunakan sebagai penentu
nilai titik minimal dan titik maksimal dari masing-masing variable sesuai pada
Persamaan 3.1.
Fungsi keanggotaan sebagai penentuan kelas nilai dengan interval 0 - 1,
dapat ditunjukkan dengan derajat keanggotaan sesuai pada Persamaan 3.2 adalah
sebagai berikut:
Fungsi keanggotaan jenis usaha Fungsi keanggotaan linguistik kecil 0 - 45 dapat dilihat Persamaan 3.2:
(3.2)
Pada persamaan 3.2, jika nilai kondisi Jenis Usaha (x) lebih dari 45 maka
nilai derajat keanggotaannya 0. Kemudian jika diantara 40 – 45, maka nilai derajat
keanggotaannya ditentukan dengan rumus ; dimana nilai 40 dan 45 didapat
dari titik minimal dan maksimal sesuai pada tabel 3.1 sedangkan jika nilai x kurang
dari 40 maka nilai derajat keanggotaan adalah 1.
Fungsi keanggotaan linguistik sedang 40 - 80 dapat dilihat Persamaan 3.3:
(3.3)
Pada persamaan 3.3 dapat dilihat klasifikasi derajat keanggotaan 0 – 1
dimana jika nilai kondisi Jenis Usaha (x) lebih dari 80 maka nilai derajat
keanggotaannya 0. Kemudian jika diantara 75 – 80, maka nilai derajat
keanggotaannya ditentukan dengan rumus ; dimana nilai 75 dan 80 didapat
dari titik minimal dan maksimal sesuai pada tabel 3.1 sedangkan jika nilai diantara
45 – 75 maka nilai derajat keanggotaan adalah 1.
Fungsi keanggotaan linguistik besar 75 – 100 dapat dilihat Persamaan 3.4:
(3.4)
Pada persamaan 3.4 dapat dilihat klasifikasi derajat keanggotaan 0 – 1
dimana jika nilai kondisi Jenis Usaha (x) lebih dari 80 maka nilai derajat
keanggotaannya 1. Kemudian jika diantara 75 – 80, maka nilai derajat
keanggotaannya ditentukan dengan rumus ; dimana nilai 75 dan 80 didapat
10
dari titik minimal dan maksimal sesuai pada tabel 3.1 sedangkan jika nilai x kurang
dari 75 maka nilai derajat keanggotaan adalah 0.
Fungsi Keanggotaan Jenis Nasabah Fungsi keanggotaan linguistik kecil 0 - 50 dapat dilihat Persamaan 3.5:
(3.5)
Pada persamaan 3.5 jika nilai kondisi Jenis Nasabah (x) lebih dari 50 maka
nilai derajat keanggotaannya 0. Kemudian jika diantara 45 – 50, maka nilai derajat
keanggotaannya ditentukan dengan rumus ; sedangkan jika nilai x kurang
dari 45 maka nilai derajat keanggotaan adalah 1.
Fungsi keanggotaan linguistik besar 45 - 100 dapat dilihat Persamaan 3.6:
(3.6)
Pada persamaan 3.6 jika nilai kondisi Jenis Nasabah (x) lebih dari 50 maka
nilai derajat keanggotaannya 1. Kemudian jika diantara 45 – 50, maka nilai derajat
keanggotaannya ditentukan dengan rumus ; sedangkan jika nilai x kurang
dari 45 maka nilai derajat keanggotaan adalah 0.
Fungsi Keanggotaan Omset Usaha Fungsi keanggotaan linguistik rendah dapat dilihat Persamaan 3.7:
(3.7)
Pada persamaan 3.7 pencarian nilai derajat keanggotaan dilakukan sesuai
seperti pada persamaan 3.2, dengan titik minimal 30 dan titik maksimal 35.
Fungsi keanggotaan linguistik sedang dapat dilihat Persamaan 3.8:
(3.8)
11
Pada persamaan 3.8 pencarian nilai derajat keanggotaan dilakukan sesuai
seperti pada persamaan 3.3.
Fungsi keanggotaan linguistik tinggi dapat dilihat Persamaan 3.9:
(3.9)
Pada persamaan 3.9 pencarian nilai derajat keanggotaan dilakukan sesuai
seperti pada persamaan 3.4, dengan titik minimal 65 dan titik maksimal 70.
Fungsi Keanggotaan Lokasi Usaha Fungsi keanggotaan pada variable lokasi usaha memiliki derajat
keanggotaan yang sama dengan variable jenis usaha, dimana linguistik dari lokasi
usaha adalah tidak strategis, kurang strategis, dan strategis. Pencarian nilai derajat
keanggotaan dapat dicari seperti pada persamaan 3.2, 3.3 dan 3.4.
Setelah mendapatkan nilai derajat keanggotaan, selanjutnya mencari alpha
predikat. Alpha predikat adalah nilai minimal yang didapat dari perbandingan nilai
hasil konversi fungsi keanggotaan pada 54 rule base atau biasa disebut dengan
operator AND.
Misal:
IF 1 AND 0.8 AND 1 AND 0.8 THEN Layak menjadi = (1; 0.8; 1; 0.8)
α-Predikat = MIN(1; 0.8; 1; 0.8)
= 0.8 Nilai minimal hasil perbandingan
Defuzzyfikasi adalah pencarian nilai output dengan menggunakan konsep
rata – rata terbobot atau rata – rata terpusat.
4. Hasil dan Pembahasan
Perhitungan manual dilakukan untuk membandingkan antara perhitungan
manual dan perhitungan pada aplikasi yang akan dibuat dengan rules yang telah
diberlakuan pada perhitungan fuzzy tsukamoto.
Berikut sample dari perhitungan manual sesuai kondisi calon merchant
peminjam EDC dengan dokumen lengkap bernilai 100, tidak termasuk franchise
65, tidak melakukan kegiatan produksi 55, termasuk bangunan sederhana 45,
termasuk kategori rumah makan 40, termasuk jenis nasabah individu 44, omset
usaha < Rp.50.000.000,- 33, termasuk tipe lokasi usaha pasar 33, posisi usaha
dipinggir jalan 100 dan pengambilan fasilitas debit.
Normalisasi nilai variabel :
Jenis Usaha = (Kelengkapan Dokumen*0.2) + (Kategori Usaha* 0.2) + (Kegiatan
Usaha * 0.2) + (Foto Bangunan * 0.2) + (Tipe Usaha * 0.2)
= (100 * 0.2) + (65 * 0.2) + (55 * 0.2) + (45 * 0.2) + (40 * 0.2)
= 20 + 13 + 11 + 9 + 8
12
= 61 Jenis Nasabah = No. Rekening
= 44
Omset Usaha = Omset Usaha
= 33
Lokasi Usaha = (Posisi Lokasi Usaha * 0.5) + (Tipe Lokasi Usaha * 0.5)
= (100 * 0.5) + (33 * 0.5)
= 50 + 16.5 = 66.5
Pada tahap fuzzyfikasi berikut adalah penghitungan fungsi anggota dari
masing-masing variable yang dapat dilihat pada Tabel 4.1:
Tabel 4.1 Perhitungan Derajat Keanggotaan
No Variabel Nilai x Linguistik Derajat Keanggotaan
1 Jenis Usaha 61 Kecil 0
Sedang 1
Besar 0
2 Jenis Nasabah 44 Kecil 1
Besar 0
3 Omset Usaha 33 Rendah 0.4
Sedang 0.6
Tinggi 0
4 Lokasi Usaha 66.5 Tidak Strategis 0
Kurang Strategis 1
Strategis 0
Pada Tabel 4.1, menunjukkan nilai derajat keanggotaan dari variable Jenis
Usaha, Jenis Nasabah, Omset Usaha dan Lokasi Usaha. Setiap variable telah
didapatkan nilai x hasil dari normalisasi setiap kondisi yaitu Jenis Usaha 61, Jenis
Nasabah 44, Omset Usaha 33 dan Lokasi Usaha 66.5. Nilai x yang didapat akan
dicari klasifikasi derajat keanggotaan setiap linguistik dengan menggunakan
persamaan 3.2 sampai 3.9. Hasil derajat keanggotaan dicantumkan pada tabel 4.1
untuk setiap linguistik seperti derajat keanggotaan Jenis Usaha Kecil yaitu 0,
Sedang yaitu 1, Besar yaitu 0, dan seterusnya. Setelah itu, nilai derajat keanggotaan
akan dilakukan konversi terhadap aturan yang telah ditentukan sebanyak 54.
Kemudian untuk mendapatkan hasil keputusan, dilakukan penentuan nilai alpha
dan nilai z.
Hasil akhir perhitungan adalah menentukan nilai defuzzyfikasi yang dapat
dilihat pada Persamaan 4.1:
Nilai defuzzyfikasi = (4.1)
=
= 21.6 % Tidak Layak
13
Berdasarkan nilai defuzzyfikasi yang didapatkan, dapat dilihat bahwa hasil
21.6% yang dinyatakan Tidak Layak dikarenakan tidak memenuhi ketentuan
standarisasi usaha dari kondisi merchant dan berada dibawah nilai range kelayakan
yaitu > 45 serta pengajuan fasilitas debit dinyatakan ditolak. Implementasi metode fuzzy tsukamoto pada sistem diawali dengan
menginput “Data Usaha” dimana merchant atau toko yang telah mendaftar dan
melakukan pengisian form pengajuan EDC maka akan diinput pada menu data
usaha. Berikut adalah menu data usaha pada Gambar 4.1 :
Gambar 4.1 Menu Data Usaha
Pada Gambar 4.1 merupakan tampilan atau halaman menu data usaha untuk
menginput data dari merchant yang telah melakukan pengajuan peminjaman mesin
EDC. MID atau merchant id akan di-generate berdasarkan nama pemilik usaha
setelah menekan tombol “Add”. MID yang dihasilkan dari menu data usaha dapat
digunakan pada menu blacklist apakah ter-blacklist atau tidak, baik secara internal
maupun eksternal. Jika MID tidak ada dalam data usaha maka tidak akan muncul
data dari MID tersebut.
Gambar 4.2 Menu Kondisi
14
Pada Gambar 4.2 menjelaskan pemberian nilai pada setiap kondisi
berdasarkan parameter dan variable yang dipilih. Variable terdiri dari Jenis Usaha,
Jenis Nasabah, Omset Usaha dan Lokasi Usaha. Parameter dari Jenis Usaha
meliputi Kelengkapan Dokumen, Kegiatan Usaha, Kategori,Tipe Usaha dan Foto
Bangunan Usaha. Parameter dari Jenis Nasabah adalah Nomor Rekening,
parameter dari Omset Usaha adalah Omset, dan terakhir parameter dari Lokasi
Usaha yaitu Posisi Lokasi dan Tipe Lokasi Usaha.
Gambar 4.3 Menu Hasil
Setelah melakukan Form Input, proses perhitungan fuzzy tsukamoto akan
berjalan disaat meng-klik Menu Hasil. Pada Gambar 4.3 menunjukkan tabel hasil
perhitungan lengkap dengan keterangan hasil dan keterangan apakah calon
merchant Layak atau Tidak Layak mendapatkan pinjaman EDC. Setelah
mendapatkan keterangan Layak atau Tidak Layak, jika mendapatkan Status Layak
maka dilihat fasilitas apa yang di request oleh calon merchant lalu jika fasilitas
yang dipilih adalah kredit dengan nilai defuzzy ditengah-tengah range fasilitas
kredit maka akan di “eskalasi” oleh manager, manager berhak menerima atau
menolak.
Pada menu ini dilakukan proses dari fuzzyfikasi derajat keanggotaan,
konversi nilai pada rule, mencari nilai alpha, z dan nilai defuzzyfkasi. Berikut
adalah Kode Program 3 untuk menghitung derajat keanggotaan :
Kode Program 1 Menghitung Derajat Keanggotaan
…
1. public float JUBesar(float JenisUsaha){
2. float returnvalue = 0;3.
3. if(JenisUsaha
15
Pada Kode Program 1 menunjukkan dari contoh salah satu linguistik yaitu
jenis usaha besar. Baris empat sampai sebelas merupakan kondisi untuk
menghitung nilai crips sesuai dengan range nilai tersebut.
Menghitung nilai minimal dari perbandingan empat nilai variable pada rule
base seperti pada Kode Program 2:
Kode Program 2 Menghitung Nilai Minimal (α-Predikat)
Kode Program 2 menghitung nilai alpha adalah dengan membandingkan dari
variable Jenis Usaha, Jenis Nasabah, Omset Usaha dan Lokasi Usaha.
Kode Program 3 Menghitung Nilai Defuzzyfikasi
Pada Kode Program 3 untuk menghitung nilai defuzzyfikasi dengan membagi
hasil dari total jumlah dari nilai Z dan total jumlah dari nilai Alpha, jika nilai
defuzzy telah didapat maka akan dicocok pada fungsi UjiKelayakan apakah nilai
defuzzy tersebut termasuk kedalam range nilai layak atau tidak layak.
Berikut method GET yang dapat dilihat pada Kode Program 5:
Kode Program 5 Method GET untuk Menampilkan Data Usaha
Kode program 5 digunakan untuk menampilkan data dari database dengan
menggunakan method GET. Method GET berfungsi untuk mengakses atau hanya
membaca resource. Baris dua sampai empat pemanggilan mapping “/usaha” akan
berjalan ketika masuk pada halaman tampilan menu data usaha. Saat masuk ke
menu, controller pada angularjs akan di-load untuk dihubungkan ke service
angularjs. Url pada service angularjs yang akan dicocokkan dengan mapping yang
ada pada controller java. Setelah itu fungsi pada mapping yang cocok akan dicek.
Baris enam sampai delapan untuk pengecekan konten, apabila tidak terdapat data
maka pada browser akan menampilkan “NO_CONTENT” dan jika terdapat data
maka statusnya “OK” dan data berhasil ditampilkan. ResponEntity berguna untuk
mengembalikan nilai dalam bentuk JSON.
Pengujian restful dengan request method GET, POST, PUT dan DELETE
akan dilakukan dengan menggunakan aplikasi POSTMAN, dimana apabila request
method berhasil dijalankan maka akan menampilkan response dalam bentuk JSON
dengan status 200 OK. Dapat dilihat pada Gambar 4.4 kecepatan menu method
restful yang ditunjukkan dalam diagram grafik..
1. alpha2 = min(JU,JN,OU,LU);
1. float NilaiDefuzzy = SigmaZ/SigmaAlpha;
1. @ApiOperation(value = "GET LIST USAHA DATA", response = Usaha.class) 2. @RequestMapping(value = "/usaha", method = RequestMethod.GET) 3. public ResponseEntity listAllUsaha(Model model) { 4. List master = usahaService.getAllUsaha(); 5. if (master.isEmpty()) { 6. return new ResponseEntity(HttpStatus.NO_CONTENT); }
7. return new ResponseEntity(master, HttpStatus.OK); }
16
Gambar 4.4 Kecepatan Menu Method Restful
Berdasarkan pada hasil pengujian request method restful dengan
menggunakan POSTMAN, dapat dilihat pada Gambar 4.4 bahwa request method
telah berjalan sesuai yang diharapkan dan rata-rata kecepatan 306ms dengan
pengujian 23 mapping method restful aplikasi maka kebutuhan non fungsional
response time telah memenuhi spesifikasi perancangan yang dikarenakan kecepatan
306ms termasuk efesien dan tidak menghabiskan memory saat terjadi pertukaran
data.
Pengujian user dilakukan dengan melakukan pemberian kuesioner terhadap 6
responden, dimana terdiri dari pegawai internal, internship dan orang awam.
Kuesioner skala likert digunakan untuk mengukur tingkat fungsi atau kegunaan
dari aplikasi yang dapat dilihat pada Tabel 4.2 [12] :
Tabel 4.2 Daftar Kuesioner
No Pertanyaan A B C D E Jumlah
1 Apakah tampilan pada web tersebut
menarik? 5 12 6 0 0 23
2 Apakah menu-menu pada web tersebut
mudah dipahami? 15 8 3 0 0 26
3 Apakah isi web tersebut mudah
dipahami? 0 8 12 0 0 20
4 Apakah adanya contoh-contoh
membantu memahami tersebut? 0 8 12 0 0 20
5
Apakah hasil perhitungan pada web
tersebut sesuai dengan yang
diharapkan?
25 4 0 0 0 29
6
Apakah hasil perhitungan membantu
mengukur pemahaman kegunaan web
tersebut?
0 8 12 0 0 20
7 Apakah web tersebut dapat membantu
pekerjaan bagi pengguna? 0 20 3 0 0 23
8 Apakah web tersebut sudah cukup
baik? 5 20 0 0 0 25
17
1. 23/6=3.8 , 3.8/5x100 = 76% 2. 26/6=4.3 , 4.3/5x100 = 86%
3. 20/6=3.3 , 3.3/5x100 = 66%
4. 20/6=3.3 , 3.3/5x100 = 66%
5. 29/6=4.8 , 4.8/5x100 = 96%
6. 20/6=3.3 , 3.3/5x100 = 66%
7. 23/6=3.8 , 3.8/5x100 = 76%
8. 25/6=4.1 , 4.1/5x100 = 82%
Dari data yang didapatkan, dapat disimpulkan web tersebut memilki
penampilan yang menarik, menu-menu pada web tersebut sangat mudah dipahami,
isi web cukup mudah dimengerti, adanya contoh-contoh yang membuat cukup
mudah dipahami, perhitungan pada web tersebut sangat akurat, pemahaman hasil
perhitungan cukup mudah dimengerti, web tersebut dapat membantu pekerjaan bagi
pengguna dan web tersebut sudah cukup baik.
5. Kesimpulan
Berdasarkan dari hasil pembahasan perancangan dan pengujian yang telah
dilakukan, maka dapat disimpulkan bahwa aplikasi yang dirancang sangat
membantu dalam proses peminjaman EDC dan waktu pelaksaannya juga efesien.
Dari penggunaan user, aplikasi yang dirancang membantu efesiensi waktu
melakukan pekerjaan, mempermudah pekerjaan dan pembuatan laporan. Fuzzy
tsukamoto telah berjalan dengan baik dalam aplikasi dengan hasil yang akurat yang
berguna sangat membantu dalam proses perhitungan, yang memberikan nilai yang
akurat dan memberikan keputusan yang tegas untuk keputusan dari fasilitas yang
diajukan. Penggunaan restful webservice telah membantu dalam proses pertukaran
data ke sistem SPDC dengan response time yang terbilang cepat dan tidak
menghabiskan memory saat terjadi pertukaran data.
6. Saran
Saran untuk pengembangan aplikasi adalah penggunaan metode algoritma
selanjutnya dapat menggunakan algoritma untuk menentukan rating dari hasil total
merchant. Sedangkan untuk penggunaan webservice yang selanjutnya adalah
tentang keamanan dengan java web token.
7. Daftar Pustaka
[1] Laporan Tahunan 2017, 2017, pp. 121-123.
[2] Prasetyo, Joko dan Kurniawan Cosmas Dedy. Interview. Wawancara Analisa
Penentuan Peminjaman EDC. Pada 16 Juli 2018.
[3] Aminudin, Amin. Polda Metro Tangkap Empat Tersangka Penipuan Modus
Mesin EDC. https://harianterbit.co/2016/08/20/polda-metro-tangkap-4-
tersangka-penipuan-modus-mesin-edc/. Diakses pada 16 Juli 2018.
[4] Widyastuti Savitri, Ayunda. Pengusaha Gesek Tunai Mesin EDC di Bandung
18
Dibekuk, Rugikan Bank Miliaran Rupiah.
https://news.detik.com/berita/3229836/pengusaha-gesek-tunai-mesin-edc-di-
bandung-dibekuk-rugikan-bank-miliaran-rupiah. Diakses pada 16 Juli 2018.
[5] Yuniardi, Romi. 2013. Perancangan Sistem Pendukung Keputusan Untuk
Menentukan Kelayakan Pemberian Pembiayaan Nasabah Baitul Maalwat-
Tanwil (BMT) Mujahidin Pontianak Dengan Menggunakan Fuzzy Inference
System Metode Tsukamoto.
[6] Sulistiani, Eliska dan Noris Shandi. 2016. Penerapan FIS Metode Tsukamoto
Untuk Menentukan Kelayakan Pembelian Kredit. Jurnal Informatika
Universitas Pamulang Vol. 1, No. 1.
[7] Murti, Tri, dkk. 2015. Sistem Penunjang Keputusan Kelayakan Pemberian
Pinjaman Dengan Metode Fuzzy Tsukamoto.
[8] Hayami, Regiolina, Mukhtar Harum dan Putri Ayodya Putri. 2018. Penentuan
Permohonan Pinjaman Menggunakan Sistem Pendukung Keputusan (SPK)
dengan Metode Fuzzy Tsukamoto. Jurnal Fasilkom Vol. 7, No. 2.
[9] Fernandes, Lidya, dkk. 2015. Analisis Efektivitas Penggunaan Mesin EDC
(Electronic Data Capture) PT Bank Bukopin Terhadap Tingkat Penjualan
Toko XYZ.
[10] Restuputri, Bunga Amelia & Anis Maulida Dyah Ayu Putri. 2014. Penentuan
Kategori Beasiswa Mahasiswa Menggunakan Metode Fuzzy Tsukamoto.
[11] Feridi. 2016. Mengenal RESTful Webservices. Retrieved 09 02, 2018, from
https://www.codepolitan.com/mengenal-restful-web-services
[12] Budiaji, Weksi. 2013. Skala Pengukuran dan Jumlah Respon Skala Likert