PENYELESAIAN PERMASALAHAN 2.1 Penentuan Kelayakan Kredit

  

Vol. 2, No. 9, September 2018, hlm. 2957-2964 http://j-ptiik.ub.ac.id

Optimasi Batasan Fungsi Keanggotaan Fuzzy Tsukamoto Menggunakan

Algoritme Genetika Untuk Kelayakan Pemberian Kredit

  

(Studi Kasus: PD. BPR. Bank Daerah Lamongan)

_{1 2 3} Naily Zakiyatil Ilahiyah , Dian Eka Ratnawati , Candra Dewi

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: nailyzakiyah06@gmail.com, dian_ilkom@ub.ac.id, dewi_candra@ub.ac.id

  

Abstrak

  Sebelum kredit diberikan kepada calon debitur, kreditur perlu menyeleksi data calon debitur terlebih dahulu dengan mempertimbangkan beberapa kriteria. Hal itu disebabkan karena kreditur mendapat beberapa masalah yang sering terjadi ketika memberikan kelayakan kredit seperti ketidakkonsistenan terhadap analisis kredit yang bisa berubah dan lamanya waktu yang dibutuhkan untuk menyeleksi data calon debitur akibat data yang banyak serta bervariasi. Permasalahan tersebut dapat diselesaikan dengan membangun sistem klasifikasi menggunakan metode fuzzy tsukamoto untuk mengklasifikasikan data dan menentukan kelayakan kredit calon debitur. Namun penggunaan metode fuzzy tsukamoto tidak dapat memberikan hasil yang optimal. Hal itu ditunjukkan dengan nilai akurasi yang didapatkan sebesar 90.476% dari pengujian menggunakan 63 data uji. Untuk memperoleh nilai akurasi yang lebih optimal, solusi yang dapat diterapkan adalah melakukan optimasi batasan fungsi keanggotaan fuzzy menggunakan algoritme genetika. Berdasarkan hasil pengujian sistem yang telah dioptimasi, sistem mendapatkan nilai akurasi sebesar 93.651% dengan parameter jumlah populasi 220, Cr 0.7, Mr 0.3 dan jumlah generasi 220.

  Kata kunci: analisis kredit, algoritme genetika, optimasi, fuzzy tsukamoto

Abstract

  

Before the credit is given to the prospective debitor, the lender needs to select the prospective debitor’s

data first by considering several criteria. This is because the creditors get some problems that often

occur when giving credit worthiness such as inconsistency to credit analysis that can change and the

length of time required to select the data of prospective debitor due to the data that many and varied.

These problems can be solved by building a classification system using the fuzzy tsukamoto method to

classify the data and determine the creditworthiness of the debitor. However the use of the fuzzy

tsukamoto method can not provide optimal results. It is shown with the accuracy value obtained is

90.476% from the test using 63 sample data. To obtain a more optimal accuracy, the workable solution

is to optimize the fuzzy membership function constraint using genetic algorithm. Based on the results of

testing system that has been optimized, the system obtained accuracy value of 93.651% with parameter

popsize 220, Cr 0.7, Mr. 0.3 and generation number 220.

  Keywords: credit analysis, genetic algorithm, optimization, fuzzy tsukamoto

  yang membutuhkan bantuan dana oleh satu 1.

   PENDAHULUAN pihak intermediasi keuang. Dana yang dipinjam

  nantinya akan dikembalikan pada masa tertentu Krisis keuangan sering kali dialami oleh dengan bunga yang disepakati sebelumnya beberapa masyarakat akibat adanya faktor

  (Thomas, 1988). Istilah yang digunakan kepada ekonomi. Saat ini sebagian masyarakat berpikir peminjam kredit adalah disebut dengan debitur. bahwa dalam meringankan permasalahan

  Sedangkan bagi pihak yang memberikan kredit tersebut dapat diselesaikan dengan meminjam disebut sebagai kreditur (Kasmir, 2014). bantuan dana atau kredit karena dianggap lebih

  Dalam menentukan kelayakan kredit, mudah dan cepat. Kredit merupakan seorang kreditur harus teliti menyeleksi data peminjaman dana yang diberikan kepada pihak

  Fakultas Ilmu Komputer Universitas Brawijaya

2957 calon debitur yang memenuhi syarat. Hal itu perlu dilakukan untuk meminimalisir permasalahan kredit macet yang disebabkan karena terjadinya ketidak konsistenan terhadap pemahaman kreditur dan memerlukan waktu lebih banyak ketika menentukan kelayakan kredit karena adanya proses seleksi data calon debitur yang banyak dan bervariasi. Berdasarkan permasalahan tersebut, kreditur membutuhkan sistem rekomendasi yang dapat membantu proses seleksi data calon debitur dalam waktu singkat dan memberikan hasil keputusan kredit yang tepat.

  Beberapa penelitian yang berkaitan dengan kelayakan pemberian kredit salah satunya dilakukan oleh Hengky (2014) yaitu penelitian tentang sistem pendukung keputusan dengan mengimplementasikan logika fuzzy Tsukamoto dalam menentukan kelayakan pemberian kredit mobil. Dari hasil penelitian tersebut metode

  fuzzy Tsukamoto digunakan untuk

  mengklasifikasikan data nasabah yang layak atau tidak dalam penerimaan kredit mobil.

  Penelitian lain yang berkaitan dengan masalah kredit tentang kredit pemilikan rumah (KPR) dilakukan oleh Permana & Widjajanto (2013). Penelitian tersebut menggunakan metode fuzzy sebagai alat bantu pada proses

  Analitical Hierarchy Process (AHP) dalam

  menangani masalah ketidakpastian yang patut untuk dipertimbangkan. Hasil penelitian tersebut menyatakan bahwa, penerapan fuzzy AHP dalam menentukan kelayakan kredit rumah dapat memberikan keputusan terhadap debitur yang layak atau tidak.

  Dari penjelasan tersebut metode fuzzy dianggap mampu dalam menyelesaikan suatu masalah yang membutuhkan pertimbangan. Selain itu logika fuzzy mampu memberikan penjelasan kepada suatu hal yang samar atau belum jelas menjadi pengertian yang logis (Kusumadewi, 2003). Logika fuzzy juga dianggap memiliki kemampuan dalam proses penalaran secara bahasa sehingga tidak membutuhkan proses perhitungan matematika secara kompleks (Sutojo, Mulyanto & Suhartono, 2011).

  Terdapat beberapa metode sistem inferensi fuzzy salah satunya yaitu metode Tsukamoto. Metode fuzzy Tsukamoto dipilih karena dianggap memiliki beberapa kelebihan antara lain, bersifat fleksibel, intuitif atau dapat memahami suatu permasalahan yang bersifat samar. Oleh karena itu fuzzy Tsukamoto dapat memberikan solusi permasalahan berdasarkan informasi yang kualitatif, tidak akurat, dan ambigu. Dalam proses fuzzy Tsukamoto dibutuhkan sebuah batasan fungsi keanggotaan untuk menentukan interval tiap variable. Batasan fungsi keanggotaan fuzzy biasanya ditentukan oleh pakar yang mengerti terhadap masalah yang akan diselesaikan. Namun solusi dari hasil penentuan batasan fungsi keanggotaan

  fuzzy terkadang masih kurang optimal. Selain itu

  permasalahan yang sering terjadi adalah sulitnya menentukan batasan fungsi keanggotaan yang tepat untuk menyelesaikan permasalahan tertentu (Armanda & Mahmudy, 2016). Berdasarkan pada permasalahan tersebut, batasan fungsi keanggotaan fuzzy dapat dioptimasi menggunakan algoritme genetika. Kelebihan Algoritme Genetika dengan metode optimasi lainnya yaitu mampu menghasilkan solusi penyelesaian masalah berbentuk optimasi dengan banyak obyektif (Mahmudy & Rahman, 2011).

  Dari penjelasan di atas, penelitian ini akan menerapkan metode fuzzy Tsukamoto dengan mengoptimasi batasan fungsi keanggotaan menggunakan algoritme genetika untuk permasalahan analisis kelayakan kredit. Penelitian ini diharapkan dapat memberikan batasan fungsi keanggotaan fuzzy yang tepat dan memperoleh hasil akurasi yang optimal.

  2. METODE PENYELESAIAN PERMASALAHAN

  2.1 Penentuan Kelayakan Kredit

  Dalam mengajukan permohonan kredit, setiap debitur harus menjalankan prosedur yang telah ditetapkan oleh suatu lembaga keuangan. Kasmir (2001) menjelaskan bahwa pihak lembaga keuangan harus melakukan analisis kredit terhadap calon debitur dengan melakukan penilaian kelayakan kredit untuk mendapatkan calon debitur yang berpotensi dan menguntungkan dengan tujuan untuk meyakinkan pihak bank bahwa calon debitur dapat dipercaya sebelum kredit diberikan. Terdapat beberapa faktor pendukung dalam menganalisis data calon debitur menggunakan metode 5C antara lain: 1.

  Character 2. Capacity 3. Capital 4. Condition 5. Collateral

2.2 Algoritme Genetika

• Mutasi Metode mutasi yang digunakan pada penelitian ini yaitu menggunakan random

  Proses evaluasi merupakan tahapan untuk menghitung nilai fitness tiap kromosom. Nilai

  fitness diperoleh dari hasil persentase tingkat

  akurasi yang dihasilkan sistem dengan data aktual dari pakar. Rumus perhitungan fitness ditunjukkan pada Persamaan (2).

  Fitness = ℎ

  100

  (2) d.

  Seleksi yang digunakan adalah elitism

   Seleksi

  selection . Merupakan penggabungan string dan offspring dalam satu populasi. Kemudian

  mengurutkan nilai fitness terbesar hingga terkecil. Individu dengan nilai fitness terbesar akan terpilih menjadi individu terbaik.

  2.3 Logika Fuzzy

  Logika fuzzy merupakan prinsip logika yang dibangun berdasarkan teori himpunan. Himpunan fuzzy merupakan bentuk umum dari himpunan biasa yang memiliki tingkat keanggotaan dari setiap elemen yang dibatasi dengan nilai interval [0,1] (Robandi, 2006). Himpunan fuzzy memiliki dua atribut yang sangat berpengaruh dalam proses perhitunggan

  fuzzy antara lain yaitu linguistik dan numeris.

  Atribut linguistik memiliki fungsi sebagai penamaan suatu kelompok yang mewakili suatu kondisi tertentu menggunakan bahasa alami, seperti rendah, sedang, tinggi. Sementara atribut numeris memiliki fungsi sebagai ukuran suatu

  c. Evaluasi

  ′ merupakan nilai gen terpilih secara random. Max i merupakan nilai batas atas pada rentang nilai variable. Sedangkan untuk Min j merupakan nilai batas bawah pada rentang nilai variable. r adalah nilai masukan yang diacak pada rentang [-0.1, 0.1].

  (1) Keterangan dari Persamaan 1 yaitu

  ′ = ′ + ( − )

  . Metode ini memiliki cara kerja dengan menambah atau mengurangi nilai gen yang terpilih secara random dengan bilangan random yang paling kecil (Mahmudy, 2015). Rumus perhitungan yang digunakan, ditunjukkan pada Persamaan (1).

  mutation

  Gambar 1 Representasi kromosom algoritme genetika

  pada setiap chromosom kemudian menukarkan nilai gen pada titik potong terpilih dengan nilai gen pada titik potong induk kedua untuk menghasilkan offspring.

  crossover atau memilih satu titik potong

  Reproduksi merupakan suatu proses biologis yang dilakukan oleh setiap individu yang bertujuan untuk mempertahankan kelestarian jenisnya. Tahapan proses reproduksi yaitu crossover dan mutasi.

  b. Reproduksi

  29 kromosom dalam penentuan analisis kredit yang diilustrasikan pada Gambar 1.

  yang optimal. Representasi kromosom terbentuk berdasarkan jumlah batasan fungsi keanggotaan tiap variable. Terdapat 8 variable pendukung yang membentuk

  random untuk mencari penyelesaian masalah

  Representasi kromosom digunakan untuk mengodekan data dari suatu permasalahan yang biasa disebut dengan teknik encoding . Penggunaan teknik encoding bertujuan untuk mengodekan nilai gen yang tersusun secara acak untuk membentuk suatu individu (Sutojo, Mulyanto & Suhartono, 2011). Sedangkan pembangkitan populasi awal merupakan langkah untuk membangkitkan solusi baru secara

  a. Representasi kromosom dan pembangkitan populasi awal

  Algoritme genetika termasuk dalam spesifikasi algoritme evolusi yang paling unggul dari tipe algoritme evolusi lainnya. Dapat dilihat dari segi kemampuannya dalam menghasilkan solusi optimal pada suatu permasalahan yang memiliki tingkat kerumitan yang tinggi dan kompleks (Fitri & Mahmudy, 2017). Menurut Mahmudy (2015) dalam proses penyelesaian masalah menggunakan algoritme genetika dapat dilihat dengan mengikuti tahapan sebagai berikut:

• Crossover Pada penelitian ini metode crossover yang digunakan adalah one-cut-point

  Secara umum FIS Tsukamoto melakukan perhitungan sesuai dengan tahapannya. Setiap proses dalam tahapan tersebut membutuhkan waktu eksekusi sendiri sehingga jika variable yang akan diproses cukup banyak, maka waktu yang digunakan juga semakin lama. Pada penelitian ini terdapat 7 variable penentuan kredit yang digunakan. Dapat dipastikan akan terbentuk suatu aturan yang banyak. Penelitian yang pernah dilakukan oleh Fattouh dan FadiFouz (2012) menerangkan bahwa solusi permasalahan seperti kasus tersebut dapat diselesaikan dengan menerapkan metode fuzzy inferensi sistem dua tahap karena dianggap bisa mengurangi waktu operasi. Penelitian Restuputri, Mahmudy, & Cholissodin pada tahun 2015 juga menerangkan bahwa, jumlah

  Proses kerja logika fuzzy yaitu menggabungkan himpunan fuzzy dan aturan fuzzy yang terbentuk dari Persamaan if-then yang membentuk suatu fungsi keanggotaan untuk menyelesaikan suatu permasalahan.

2.4 Fuzzy Inference System (FIS) Tsukamoto

  FIS merupakan sebuah sistem yang melakukan proses perhitungan berdasarkan teori himpunan fuzzy, basis aturan fuzzy, serta konsep logika pada fuzzy (Kusumadewi, 2003). Metode

  fuzzy Tsukamoto mendasarkan pengaplikasian

  penalaran monoton pada setiap aturannya sehingga setiap aturan yang berbentuk if-then harus direpresentasikan dalam bentuk himpunan

  fuzzy dengan fungsi keanggotaan yang berbentuk

  monoton juga (Thamrin, Sediyono, & Suhartono, 2012). Tahapan yang perlu dilakukan dalam menyelesaikan suatu permasalahan menggunakan metode fuzzy Tsukamoto yaitu sebagai berikut (Sutojo, Mulyanto & Suhartono, 2011): 1.

  Melakukan fuzzyfikasi.

  2. membentuk rule menggunakan if...then.

  3. Melakukan proses mesin inferensi yaitu dengan:

  Pembentukan dua himpunan kriteria positif dan negatif bertujuan untuk meminimalisir aturan yang diharapkan. Hal itu dilakukan agar dapat mengurangi waktu komputasi. Kriteria positif merupakan kriteria penentuan kredit jika semakin tinggi nilai yang dihasilkan, maka semakin dipilih dalam pengambilan keputusan. Sementara kriteria negatif yaitu apabila nilai yang dihasilkan semakin tinggi maka semakin tidak dipilih dalam pengambilan keputusan.

  suatu aturan yang banyak pula. sehingga perlu dibutuhkan pengurangan jumlah aturan yang banyak tersebut dengan membagi himpunan menjadi 2 kriteria yaitu kriteria positif dan kriteria negatif.

  variable yang cukup banyak dapat menghasilkan

  variable yang merepresentasikan angka seperti, 15, 25, 35, dsb (Kusumadewi & Purnomo 2013).

• Menentukan nilai α-predikat menggunakan operasi irisan dengan mencari nilai min pada setiap rule yang digunakan untuk menghitung hasil akhir dari setiap rule secara tegas.
• Kemudian menghitung nilai keluaran secara tegas Z (crisp) dengan menggunakan nilai α-predikat pada masing-masing aturan (z ^{1 , z 2 , z 3 , ...z n ).}

  α_p merupakan nilai minimal dari derajat keanggotaan. Sedangkan i merupakan jumlah data yang digunakan dalam aturan fuzzy, dan Z i adalah nilai crisp yang didapat dari rumus derajat keanggotaan himpunan fuzzy.

  (3) Keterangan dari Persamaan 3 yaitu Z merupakan nilai defuzzifikasi rata-rata terpusat.

  dinyatakan dalam Persamaan (3):

  defuzzyfier . Proses tersebut dapat

  4. Melakukan proses defuzzifikasi (penegasan) dengan mencari nilai rata-rata terpusat atau biasa disebut center average

  3. PERANCANGAN

  Permasalahan yang akan diselesaikan dalam penelitian ini yaitu mengenai analisis kelayakan kredit dengan menerapkan metode

  fuzzy Tsukamoto dan algoritme genetika. Pada

  penelitian ini algoritme genetika digunakan sebagai metode untuk melakukan optimasi batasan fungsi keanggotaan fuzzy Tsukamoto. Tahap pertama yang dilakukan yaitu memasukkan popsize, jumlah generasi, nilai Cr dan Mr . Selanjutnya melakukan proses pembangkitan populasi awal sesuai jumlah populasi yang dimasukkan. Tahap kedua adalah melakukan reproduksi dengan one-cut-point

  crossover , dan reciprocal random mutation.

  Langkah selanjutnya yaitu melakukan proses fuzzyfikasi tahap pertama pada setiap variable penentuan kelayakan kredit, kemudian pembentukan aturan fuzzy kriteria positif dan negatif, selanjutnya melakukan sistem inferensi

  = ∑ _ ∗ ∑ _

  

fuzzy dengan cara mencari nilai Pada proses fuzzy tahap kedua langkah yang

  α-predikat pada masing-masing aturan serta mencari nilai dilakukan yaitu proses fuzzyfikasi tahap dua, keluaran secara tegas Z. Kemudian melakukan pembentukan basis aturan fuzzy tahap dua proses defuzzyfikasi menggunakan Persamaan dengan jumlah 4 rules yang terbentuk dari

  3. Hal itu dilakukan agar proses inferensi fuzzy variable kriteria positif dan kriteria negatif, tahap pertama menghasilkan variable output dari melakukan proses inferensi fuzzy dengan cara setiap kriteria yang akan dijadikan sebagai nilai mencari nilai

  α-predikat pada masing-masing

  

input pada proses fuzzy tahap kedua. aturan serta mencari nilai keluaran secara tegas

  Z, setelah itu dilanjutkan dengan proses defuzzyfikasi menggunakan Persamaan 3. Kemudian setelah proses fuzzy tahap 2 selesai dilakukan, maka dilanjutkan dengan menghitung nilai fitness menggunakan Persamaan 2 untuk mencari nilai akurasi. Setelah itu melakukan perulangan terhadap jumlah populasi yang dimasukkan. Jika jumlah populasi yang diproses belum memenuhi jumlah populasi yang dimasukkan, maka sistem terus melakukan perulangan sampai kondisi terpenuhi. Setelah semua tahapan selesai dilakukan, setiap individu akan melakukan tahap seleksi menggunakan metode elitism selection. Output yang dihasilkan dari sistem ini yaitu menampilkan individu terbaik yang lolos pada tahap seleksi. Tahapan yang terakhir yaitu sistem melakukan perulangan terhadap jumlah generasi yang dimasukkan. Jika jumlah generasi yang diproses belum memenuhi jumlah generasi yang dimasukkan, maka proses akan terus dilakukan sampai kondisi terpenuhi. Data yang diolah diperoleh dari Perusahaan Daerah Bank Perkreditan Rakyat atau PD.BPR Bank Daerah Lamongan terdiri dari 63 data calon debitur. Data tersebut akan diuji dalam sistem untuk mengetahui kinerja sistem yang telah dibangun. Alur perancangan sistem optimasi batasan fungsi keanggotaan fuzzy Tsukamoto menggunakan algoritme genetika dapat dilihat pada Gambar 2.

  4. HASIL DAN PEMBAHASAN

  4.1 Hasil dan Analisis Pengujian Ukuran Populasi

  Pengujian popsize dilakukan untuk memilih ukuran populasi terbaik yang mempunyai nilai

  fitness paling optimal. Ukuran populasi yang

  digunakan sebanyak 12 dengan kelipatan 20 dimulai dari popsize 20 sampai 250. Setiap

  popsize melakukan pengujian sebanyak 5 kali.

  Nilai parameter yang digunakan dalam mencari

  popsize terbaik yaitu dengan memasukkan nilai Gambar 2 Flowchart penyelesaian masalah

  generasi 100, kombinasi nilai Cr=0,6 dan

  menggunakan algoritme genetika dan fuzzy Mr =0,4. Dari hasil pengujian yang dilakukan,

  Tsukamoto dua tahap

  pada popsize 220 sampai 250 terbilang memiliki nilai rerata yang tinggi dan stabil yaitu sebesar 92.063 atau dapat dikatakan konvergen karena tidak lagi mengalami perubahan rerata fitness pada popsize berikutnya, maka popsize 220 akan dijadikan sebagai solusi popsize pada pengujian berikutnya. Hasil pengujian ukuran populasi ditunjukkan pada Gambar 3.

4.2 Hasil dan Analisis Pengujian Kombinasi

  0.1 0.8 ; 0.2 0.7 ;

  89

  90

  91

  92

  93 20 40 60 80 100 120 140 160 180 200 220 250 R e rat a fi tn es s

  Pengujian ukuran populasi 89,5 ^{90 90,5 91 91,5 92 92,5 93}

  1 ; 0 0.9 ;

  0.3 0.6 ; 0.4 0.5 ;

  1 Debitur10 Terima Terima

  0.5 0.4 ; 0.6 0.3 ;

  0.7 0.2 ; 0.8 0.1 ;

  0.9 0 ; 1 R e rat a fi tn es s Kombinasi nilai Cr dan Mr

  90,5

  91 91,5 92 92,5

  20 40 60 80 100 120 140 160 180 200 220 250 R e rat a fi tn es s

  Pengujian jumlah generasi

  1 ...... ....... ....... ........ Debitur63 Tolak Terima

  Cr dan Mr

  Pengujian kombinasi nilai crossover rate (Cr) dan mutation rate (Mr) dilakukan untuk mengetahui kombinasi nilai yang sesuai. Pada pengujian kombinasi nilai Cr dan Mr, nilai parameter algoritme genetika untuk popsize adalah 220 dan jumlah generasi 100. Setiap kombinasi nilai Cr dan Mr dilakukan pengujian sebanyak 5 kali. Pada pengujian ini diperoleh hasil kombinasi nilai Cr dan Mr terbaik ada pada kombinasi nilai Cr=0.7 dan Mr=0.3 dengan nilai rerata fitness yang diperoleh sebesar 92.381.

  Pengujian sistem FIS Tsukamoto dilakukan dengan menggunakan batasan fungsi keanggotaan fuzzy yang belum dioptimasi sebelumnya atau diperoleh dari pakar. Cuplikan hasil pengujian FIS Tsukamoto tanpa optimasi dapat dilihat pada Tabel 1.

  Hasil pengujian nilai Cr dan Mr ditunjukkan pada Gambar 4.

  Gambar 3 Pengujian ukuran populasi Gambar 4 Pengujian kombinasi nilai Cr dan Mr Gambar 5 Pengujian jumlah generasi

  4.3 Hasil dan Analisis Pengujian Jumlah Generasi

  Pengujian jumlah generasi bertujuan untuk mengetahui jumlah generasi yang tepat agar mendapatkan solusi optimal. Pengujian jumlah generasi dilakukan sebanyak 12 kali dimulai dari 20 sampai 250. Setiap jumlah generasi melakukan 5 kali percobaan. Jumlah parameter yang digunakan adalah popsize 220, nilai Cr 0.7 dan Mr 0.3. Dari hasil pengujian yang dilakukan, kondisi konvergen mulai terjadi pada jumlah generasi 220 yang mendapatkan nilai rerata

  fitness sebesar 92.063. Hal itu disebabkan karena

  pada jumlah generasi 250 tidak lagi mengalami perubahan nilai rerata fitness. Hasil pengujian jumlah generasi dapat dilihat pada Gambar 5.

  4.4 Hasil dan Analisis Pengujian FIS Tsukamoto Tanpa Optimasi

  Tabel 1 Pengujian akurasi sistem FIS Tsukamoto tanpa optimasi

  1 Debitur8 Terima Terima Jumlah data sesuai

  Data debitur Keputusan pakar Output sistem Kesesuaian data

  Debitur1 Terima Terima

  1 Debitur2 Terima Terima

  1 Debitur3 Terima Terima

  1 Debitur4 Terima Terima

  1 Debitur5 Terima Terima

  1 Debitur6 Terima Terima

  1 Debitur7 Terima Terima

  1 Debitur9 Terima Terima

  57 Tabel 3 Perbandingan hasil pengujian akurasi FIS Tsukamoto dengan optimasi FIS Tsukamoto 57 menggunakan algoritme genetika

  = 63 100 = 90.476 Perbandingan akurasi No Akurasi pengujian

  4.5 Hasil dan Analisis Pengujian Optimasi Akurasi sistem fuzzy

  Batasan Fungsi Keanggotaan FIS 1 90.476% Tsukamoto tanpa optimasi

  Tsukamoto Menggunakan Algoritme Akurasi sistem fuzzy

  Genetika

  2 93.651% Tsukamoto dengan optimasi

  Pengujian ini dilakukan untuk melihat kemampuan metode optimasi batasan fungsi

  5. KESIMPULAN

  keanggotaan fuzzy menggunakan algoritme Penerapan algoritme genetika terhadap genetika dengan menguji 63 data. Dengan optimasi batasan fungsi keanggotaan fuzzy melakukan optimasi batasan fungsi keanggotaan penentuan kelayakan kredit menggunakan

  fuzzy , sistem diharapkan dapat memberikan

  representasi kromosom pengodean bilangan batasan fungsi keanggotaan yang lebih tepat diskrit desimal untuk membentuk nilai batasan sehingga dapat meningkatkan hasil akurasi fungsi keanggotaan. Setiap individu memiliki sistem. Pengujian optimasi batasan fungsi panjang 29 kromosom. Parameter algoritme keanggotaan FIS Tsukamoto menggunakan genetika dapat diimplementasikan dengan algoritme genetika ditunjukkan pada Tabel 2. metode ,

  one-cut-point crossover random Tabel 2 Pengujian akurasi sistem FIS Tsukamoto mutation, dan elitism selection. dengan optimasi

  Pengujian parameter algoritme genetika pada popsize memperoleh hasil sebesar 220, cr

  Data Keputusan Output Kesesuaian

  0.7, mr 0.3, dan jumlah generasi 220. Semakin

  debitur pakar sistem data

  besar ukuran populasi dan ukuran generasi yang

  Debitur1 Terima Terima

  1

  digunakan maka nilai rerata fitness yang

  Debitur2 Terima Terima

  1

  didapatkan akan semakin tinggi. Kombinasi nilai

  Debitur3 Terima Terima

  1 Cr dan Mr yang seimbang akan menghasilkan Debitur4 Terima Terima

  1

  nilai rerata fitness yang baik karena

  algoritme Debitur5 Terima Terima

  1 genetika lebih bergantung pada proses

  Debitur6 Terima Terima

  1 crossover yang dapat menghasilkan

  Debitur7 Terima Terima

  1 offspring lebih banyak dari proses mutasi. Debitur8 Terima Terima

  1

  nilai Cr yang

  Jadi dapat dikatakan bahwa Debitur9 Terima Terima

  1

  tinggi dapat mencari solusi permasalahan ke area

  Debitur10 Terima Terima

  1

  yang lebih luas. Jika nilai Cr terlalu rendah, ...... ....... ....... ........ maka nilai fitness akan bergantung pada nilai Mr

  Debitur63 Tolak Tolak

  1

  yang dapat mengakibatkan terjadinya

  Jumlah data sesuai 59 konvergensi dini sehingga algoritme genetika tidak bisa menemukan hasil rata-rata yang

  59 optimal. Oleh karena itu, pengujian sistem

  = 63 100 = 93.651

  optimasi batasan fungsi keanggotaan fuzzy Tsukamoto menggunakan algoritme genetika

  4.6 Hasil dan Analisis Perbandingan mendapatkan nilai akurasi sebesar 93.651%. Akurasi FIS Tsukamoto Dengan

  Sementara hasil pengujian sistem fuzzy

  Optimasi Batasan Fungsi Keanggotaan

  Tsukamoto saja mendapatkan nilai akurasi

  FIS Tsukamoto Menggunakan

  90.476%. Hal tersebut membuktikan bahwa

  Algoritme Genetika

  optimasi batasan fungsi keanggotaan fuzzy Pengujian ini dilakukan untuk menggunakan algoritme genetika mampu membandingkan hasil akurasi sistem yang memberikan hasil akhir yang lebih optimal. menggunakan metode FIS Tsukamoto saja dengan optimasi batasan fungsi keanggotaan FIS

  DAFTAR PUSTAKA Tsukamoto menggunakan algoritme genetika.

  Armanda, R. S., & Mahmudy, W. F. (2016). Perbandingan hasil akurasi sistem ditunjukkan

  Fungsi Kenggotaan Fuzzy Tsukamoto Pada pada Tabel 3. Kasus Peramalan. Teknologi Informasi Dan Pemilihan Calon Penerima Beasiswa dan

  Ilmu Komputer (JTIIK) , 3(3), 169 BBP-PPA (

  Studi Kasus : PTIIK Universitas –173. Brawijaya Malang). DORO: Repository

  Fattouh, A., & FadiFouz. (2012). A Two-Stage

  Jurnal Mahasiswa PTIIK Universitas

  Representation of Fuzzy Systems, 2(3),

  Brawijaya , 5(15), 1 –10.

  2660 –2665.

  Robandi, Imam. 2006. Desain Sistem Tenaga Fitri, A., & Mahmudy, W. F. (2017). Optimasi Modern. Yogyakart: ANDI OFFSET.

  Keanggotaan Fuzzy Tsukamoto Menggunakan Algoritme Genetika pada Sutojo, T., Mulyanto, E., & Suhartono, V. 2011. Penentuan Prioritas Penerima Zakat, 1(2), Kecerdasan Buatan . Yogyakarta: Penerbit 125 ANDI.

• –138. Hengky. (2014). Implementasi Logika Fuzzy Thomas, Suyanto. 1988. Dasar – Dasar Metode Tsukamoto Dalam Penentuan Pemberian Kredit. Modula. Bandung. Kelayakan Pemberian Kredit Mobil ( Studi Thamrin, F., Sediyono, E., & Suhartono, S.

  Kasus : PT . OTO Multiartha ). Jurnal (2012). Studi Inferensi Fuzzy Tsukamoto

  Penelitian Teknik Informatika , Universitas

  Untuk Penentuan Faktor Pembebanan Trafo Tanjungpura . vol 2. PLN. Jurnal Sistem Informasi Bisnis, 2(1),

  Kasmir. 2001. Bank dan Lembaga Keuangan

  1 –5. Lainnya. Jakarta: PT. Raja Grafindo https://doi.org/10.21456/vol2iss1pp001- Persada. Jakarta. 005.s

  Kasmir. 2014. Manajemen Perbankan. Edisi Revisi. Jakarta: PT. Raja Grafindo Persada.

  Jakarta. Kusumadewi, S. 2003. Artificial Intelligentce

  (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu. Kusumadewi, S dan Purnomo, H. 2013. Aplikasi

  Logika Fuzzy Untuk Pendukung Keputusan. Edisi 2 ed. Yogyakarta: Graha Ilmu.

  Firdaus Mahmudy, W. (2015). Modul Kuliah Semester Ganjil 2015-2016: Dasar-Dasar Algoritme Evolusi, Cover, i-vii,1-105.

  Retrieved from wayanfm.lecture.ub.ac.id/2016/03/modul- algoritme-evolusi-semester-ganjil-2015- 2016.

  Mahmudy, W. F., & Rahman, M. A. (2011).

  Optimasi Fungsi Multi-Obyektif Berkendala Menggunakan Algoritme Genetika Adaptif Dengan Pengodean Real.

  Jurnal Ilmiah KURSOR , 6(1), 19 –26.

  Permana, S. A., & Widjajanto, B. (2013). Sistem Pendukung Keputusan Berbasis Fuzzy Analytical Hierarchy Process untuk Kelayakan Kredit Rumah. Universitas Dian

  Nuswantoro , 1 –9.

  Restuputri, B. A., Mahmudy, W. F., & Cholissodin, I. (2015). Optimasi Fungsi Keanggotaan Fuzzy Tsukamoto Dua Tahap Menggunakan Algoritme Genetika Pada