Penerapan Metode Fuzzy Tsukamoto dalam Perancangan Sistem … · 2019. 8. 27. · Penerapan Metode Fuzzy Tsukamoto dalam Perancangan Sistem Pendukung Keputusan Penentuan Peminjaman

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


untuk memperoleh Gelar Sarjana Komputer

Peneliti:

Elma Nizar (672015193)

Radius Tanone, S.Kom., M.Cs.

Program Studi Teknik Informatika


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


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


10

dari titik minimal dan maksimal sesuai pada tabel 3.1 sedangkan jika nilai x kurang


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


keanggotaannya ditentukan dengan rumus ; sedangkan jika nilai x kurang


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


keanggotaannya ditentukan dengan rumus ; sedangkan jika nilai x kurang


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


seperti pada persamaan 3.3.

Fungsi keanggotaan linguistik tinggi dapat dilihat Persamaan 3.9:

(3.9)


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

Documents

Penerapan Metode Fuzzy Tsukamoto dalam Perancangan Sistem … · 2019. 8. 27. · Penerapan Metode Fuzzy Tsukamoto dalam Perancangan Sistem Pendukung Keputusan Penentuan Peminjaman