SMATIKA : STIKI Informatika Jurnal Vol.
No.
Desember 2024, pp.
ISSN: 2087-0256, e-ISSN: 2580-6939 Implementasi Fuzzy Inference System Tsukamoto Pada Penentuan Kelayakan Pemberian Pinjaman Evi Nur Hidayah1 Sulistyo Dwi Sancoko2* 1Program Studi Informatika.
Universitas Teknologi Yogyakarta.
Jl.
Siliwangi.
Jombor Lor.
Sendangadi.
Kec.
Mlati.
Kabupaten Sleman.
Daerah Istimewa Yogyakarta 55285.
Indonesia 2Program Studi Sains Data.
Universitas Teknologi Yogyakarta.
Jl.
Siliwangi.
Jombor Lor.
Sendangadi.
Kec.
Mlati.
Kabupaten Sleman.
Daerah Istimewa Yogyakarta 55285.
Indonesia 1evinurhidayahh@gmail.
com, 2sulistyo.
dwisancoko@staff.
*Penulis Korespondensi:
Sulistyo Dwi Sancoko dwisancoko@staff.
Abstrak Pinjaman menjadi instrumen keuangan yang penting dalam kehidupan modern baik bagi individu maupun kelompok Pertimbangan calon peminjam sangat penting dilakukan untuk mengurangi resiko gagal bayar.
Namun, di Gapoktan Makmur Sejahtera proses pertimbangan tersebut masih diakukan secara manual.
Oleh karena itu, perlu dikembangkan sebuah pendekatan yang lebih sistematis dan terukur dalam menilai kelayakan pemberian pinjaman untuk meminimalisir risiko gagal bayar.
Sumber data penelitian ini berasal dari data pinjaman di Gabungan Kelompok Tani (Gapokta.
Makmur Sejahtera.
Penelitian ini menggunakan metode Fuzzy Inference System (FIS) Tsukamoto dengan 3 variabel input, yaitu pendapatan, jaminan, dan karakter calon peminjam.
Variabel output pada penelitian ini adalah kelayakan dalam bentuk persentase hasil perhitungan FIS Tsukamoto.
Aplikasi pada penelitian ini dikembangkan dengan bahasa pemrograman Python dan framework Flask.
Database yang digunakan pada penelitian ini adalah MySQL.
Hasil penelitian menunjukkan bahwa aplikasi penentuan kelayakan pemberian pinjaman berhasil dibuat dan dapat membantu dalam proses penentuan calon peminjam di Gapoktan Makmur Sejahtera sehingga dapat mengurangi risiko gagal bayar.
Kata Kunci: Fuzzy.
FIS.
Tsukamoto.
Web.
Pinjaman Abstract Loans are an important financial instrument in modern life for both individuals and business groups.
Consideration of prospective borrowers is very important to reduce the risk of default.
However, in Gapoktan Makmur Sejahtera the consideration process is still done manually.
Therefore, it is necessary to develop a more systematic and measurable approach in assessing the feasibility of granting loans to minimize the risk of default.
The data source of this research comes from loan data at the Makmur Sejahtera Farmer Group Association (Gapokta.
This research uses the Tsukamoto Fuzzy Inference System (FIS) method with 3 input variables, namely income, collateral, and character of prospective borrowers.
The output variable in this study is eligibility in the form of a percentage of the results of the FIS Tsukamoto calculation.
The application in this study was developed with the Python programming language and the Flask framework.
The database used in this research is MySQL.
The results showed that the application of determining the feasibility of granting loans was successfully made and could help in the process of determining prospective borrowers at Gapoktan Makmur Sejahtera so as to reduce the risk of default.
Keywords: Fuzzy.
FIS.
Tsukamoto.
Web.
Loan Pendahuluan Pinjaman menjadi instrumen keuangan yang penting dalam kehidupan modern baik bagi individu maupun kelompok usaha.
Pinjaman yang diperoleh dapat digunakan untuk mencukupi berbagai kepentingan, mulai dari pendidikan hingga pengembangan usaha.
Salah satu layanan pinjaman yang popular di Indonesia saat ini adalah pinjaman online atau sering disebut pinjol.
Menurut Otoritas Jasa Keuangan (OJK), nilai penyaluran fintech lending .
injaman onlin.
di Indonesia mencapai Rp 20,53 triliun pada Agustus 2023.
Angka tersebut menunjukkan peningkatan sebanyak 0,78% dari bulan sebelumnya.
Angka tersebut menunjukkan bahwa penyedia jasa pinjaman masih menjadi sesuatu yang popular di Indonesia.
Cite: Hidayah.
dan Sancoko.
, .
Implementasi Fuzzy Inference System Tsukamoto Pada Penentuan Kelayakan Pemberian Pinjaman.
SMATIKA : STIKI Informatika Jurnal, 14.
https://doi.
org/10.
32664/smatika.
Implementasi Fuzzy Inference System Tsukamoto Pada Penentuan Kelayakan Pemberian Pinjaman Pertimbangan calon peminjam sangat penting dilakukan untuk mengurangi resiko gagal bayar.
Lembaga keuangan dapat mempertimbangkan pemberian pinjaman dengan melihat beberapa faktor, seperti pendapatan, jaminan, hingga penilaian karakter calon peminjam.
Namun, masih terdapat lembaga keuangan yang melakukan proses pertimbangan secara manual.
Pertimbangan tersebut bersifat subjektif dan tidak didasarkan pada landasan yang jelas.
Hal tersebut memiliki beberapa kelemahan, seperti rentan terhadap bias personal, kurangnya konsistensi dalam penilaian, dan risiko terkait keputusan yang tidak optimal.
Oleh karena itu, diperlukan sebuah pendekatan yang lebih sistematis dan terukur dalam menilai kelayakan pemberian pinjaman.
Pendekatan yang lebih terukur memungkinkan lembaga keuangan dapat menetapkan kriteria yang lebih jelas dan objektif dalam menilai kelayakan Pendekatan ini akan mengurangi ketidakpastian terkait penilaian kelayakan pinjaman.
Pada penelitian ini, peneliti menggunakan logika fuzzy untuk memprediksi kelayakan pemberian Logika fuzzy banyak digunakan dalam sistem karena fleksibel dan dapat beradaptasi terhadap setiap perubahan dan ketidakpastian permasalahan .
Metode inferensi yang digunakan yaitu Fuzzy Inferece System (FIS) Tsukamoto.
Metode Tsukamoto dipilih karena kemampuannya dalam mengatasi ketidakpastian dan kompleksitas kriteria yang digunakan dalam penilaian kelayakan pinjaman.
Melalui metode FIS Tsukamoto, penilaian kelayakan pinjaman akan lebih terukur dan objektif serta memperkecil kemungkinan adanya penilaian subjektif yang dapat timbul apabila menggunakan penilaian manual.
Logika fuzzy adalah bidang keilmuan yang berhubungan dengan ketidakpastian.
Logika fuzzy diyakini mampu mengubah input menjadi output dengan mempertimbangkan berbagai faktor yang ada.
Logika fuzzy merupakan salah satu elemen dari soft computing .
Fuzzy Inference System (FIS) atau sistem inferensi fuzzy adalah sebuah sistem yang memproses pemetaan dari input yang diterima menjadi output dengan memanfaatkan logika fuzzy .
Pada penelitian yang dilakukan oleh .
, menghasilkan sistem pendukung keputusan pemberian kredit mobil dengan menggunakan metode Fuzzy Tsukamoto.
Sistem ini mempertimbangkan beberapa variabel yaitu pendapatan, pengeluaran, jarak, dan usia, dengan tujuan membantu Analis Kredit dalam memberikan rekomendasi terkait keputusan penerimaan kredit mobil dan mengurangi risiko kredit macet pada perusahaan leasing.
Sedangkan, pada penelitian yang dilakukan oleh .
, metode Fuzzy Tsukamoto dimanfaatkan untuk menilai kelayakan kredit calon Penelitian ini melibatkan variabel ketenagakerjaan.
Debt Service Ratio (DSR), dan Himpunan fuzzy pada variabel ketenagakerjaan terdiri dari kategori kurang baik, cukup baik, dan sangat baik, sedangkan DSR dan kolektabilitas juga mempunyai himpunan fuzzy yang perlu ditentukan.
Hasil analisis ini akan menentukan apakah kredit tersebut layak atau tidak, yang diharapkan dapat memudahkan analis dalam proses pengambilan keputusan mengenai kredit calon debitur bank.
Penelitian ini memiliki perbedaan dengan penelitian-penelitian yang sebelumnya telah disebutkan, yaitu dalam penelitian ini akan dibahas analisis penentuan kelayakan pemberian pinjaman menggunakan Fuzzy Inferece System (FIS) Tsukamoto.
Metode Penelitian Metode fuzzy digunakan pada penelitian ini untuk memprediksi kelayakan pemberian pinjaman.
Tahapan yang dilakukan untuk menyelesaikan perhitungan fuzzy, yaitu fuzzifikasi, inferensi, dan defuzzifikasi .
Hasil dari perhitungan akan menghasilkan persen kelayakan yang digunakan untuk menentukan kelayakan pemberian pinjaman.
Alur logika fuzzy yang dilakukan terdapat pada Gambar 1.
A 2024 SMATIKA Jurnal.
Published by LPPM STIKI Malang This is an open access article under the CC BY SA license.
ttps://creativecommons.
org/licenses/by-sa/4.
Implementasi Fuzzy Inference System Tsukamoto Pada Penentuan Kelayakan Pemberian Pinjaman Gambar 1.
Alur Logika Fuzzy Sistem inferensi fuzzy menerima input dalam bentuk crisp.
Input kemudian diproses melalui basis pengetahuan yang berisi sejumlah aturan fuzzy dalam format IF-THEN.
Setiap aturan akan dihitung nilai fire strength-nya.
Jika terdapat lebih dari satu aturan, proses agregasi akan dilakukan untuk menggabungkan semua aturan tersebut.
Setelah itu, hasil agregasi akan melalui tahap defuzzifikasi untuk menghasilkan output dalam bentuk crisp .
Logika fuzzy diperlukan dalam situasi di mana satu-satunya jawaban adalah AuyaAy atau AutidakAy.
Logika fuzzy disebabkan oleh ketidakpastian data atau informasi.
Logika fuzzy merupakan perpanjangan dari logika Boolean dan umumnya dirancang untuk menangani nilai kebenaran parsial antara "sepenuhnya benar" dan "sepenuhnya salah" .
Himpunan fuzzy merupakan kumpulan keadaan yang menggambarkan suatu variabel.
Domain yang ada pada himpunan fuzzy dibatasi oleh atribut numerik dan linguistik .
Fungsi keanggotaan adalah sebuah kurva yang merepresentasikan nilai keanggotaan suatu titik input dengan interval 0 sampai 1.
Salah satu cara untuk memperoleh nilai keanggotaan adalah melalui pendekatan fungsional .
Terdapat beberapa fungsi yang dapat digunakan, yaitu .
Representasi Linear Naik Representasi Linear Turun Representasi Kurva Segitiga Representasi Kurva Trapesium Fuzzy Inference System (FIS) atau sistem inferensi fuzzy adalah sebuah sistem yang memproses pemetaan input yang diterima menjadi output dengan memanfaatkan logika fuzzy.
Dalam teori fuzzy, terdapat metode yang dikenal sebagai metode Tsukamoto.
Pada metode Tsukamoto, setiap konsekuen yang terdapat pada aturan IF-THEN harus direpresentasikan oleh himpunan fuzzy dengan fungsi keanggotaan yang monoton.
Output inferensi dari setiap aturan dihasilkan sebagai nilai tegas .
yang didasarkan pada -predikat .
ire strengt.
Selanjutnya, hasil akhir diperoleh melalui perhitungan rata-rata berbobot .
Model diuji dengan membandingkan antara hasil analisis sistem dan keputusan yang diambil secara manual.
Dari hasil perbandingan tersebut, akan terlihat jumlah penilaian yang tidak sesuai antara sistem dan manual.
Jumlah kasus yang sesuai akan dibagi dengan jumlah kasus yang diuji untuk mendapatkan akurasi sistem.
Hasil Penelitian ini menggunakan 3 variabel input yang digunakan untuk perhitungan kelayakan, yaitu pendapatan, jaminan, dan karakteristik.
Variabel kelayakan digunakan sebagai variabel output pada penelitian ini.
Untuk lebih jelasnya, dapat dilihat pada Tabel 1.
A 2024 SMATIKA Jurnal.
Published by LPPM STIKI Malang This is an open access article under the CC BY SA license.
ttps://creativecommons.
org/licenses/by-sa/4.
Implementasi Fuzzy Inference System Tsukamoto Pada Penentuan Kelayakan Pemberian Pinjaman Tabel 1.
Variabel Perhitungan Fuzzy Jenis Input Variabel Pendapatan Himpunan Fuzzy Sedikit Banyak Kecil Sedang Besar Input Jaminan Input Karakteristik Baik Buruk Output Kelayakan Layak Dipertimbangkan Tidak layak Keterangan Variabel pendapatan disajikan dalam satuan juta rupiah.
Variabel jaminan dinyatakan dalam satuan % .
Persen tersebut menunjukkan perbandingan antara nilai jaminan dan jumlah pengajuan.
Variabel karakter calon peminjam dalam skala 110.
Nilai 1 nenunjukkan nilai minimal Nilai 10 menunjukkan nilai maksimal variabel karakter.
Syarat agar pengajuan diterima adalah setidaknya sebesar 50%.
Fungsi keanggotaan yang digunakan pada penelitian dapat dilihat pada Tabel 2.
Tabel 2.
Fungsi Keanggotaan Variabel Gambar Variabel Pendapatan Fungsi Keanggotaan ycuO1 6Oeycu yuNycyceyccycnycoycnyc = 1<ycu<6 .
ycu Ou 6 ycuO1 Gambar 2.
Fungsi Keanggotaan Variabel Pendapatan ycuOe1 yuNycaycaycuycycayco = 1<ycu<6 .
ycu Ou 6 Variabel Jaminan ycu O 30 30Oeycu yuNycoyceycaycnyco = 10 < ycu < 30 ycu Ou 30 ycu O 10 atau ycu Ou 50 Gambar 3.
Fungsi Keanggotaan Variabel Jaminan ycuOe10 yuNycyceyccycaycuyci = 10 < ycu O 30 50Oeycu 30 < ycu < 50 ycu O 30 ycuOe30 yuNycayceycycayc = 30 < ycu < 50 ycu Ou 50 Variabel Karakteristik ycuO3 7Oeycu yuNycaycycycyco = 3<ycu<7 ycu Ou 7 A 2024 SMATIKA Jurnal.
Published by LPPM STIKI Malang This is an open access article under the CC BY SA license.
ttps://creativecommons.
org/licenses/by-sa/4.
Implementasi Fuzzy Inference System Tsukamoto Pada Penentuan Kelayakan Pemberian Pinjaman Gambar Fungsi Keanggotaan ycuO3 ycuOe3 yuNycaycaycnyco = 3<ycu<7 .
ycu Ou7 Gambar 4.
Fungsi Keanggotaan Variabel Karakteristik Variabel Kelayakan ycu O 30 45Oeycu yuNycycnyccycayco ycoycaycycayco = 30 < ycu < 40 ycu Ou 45 ycu O 30 atau ycu Ou 60 ycuOe30 Gambar 5.
Fungsi Keanggotaan Variabel Kelayakan yuNyccycnycyyceycycycnycoycaycaycuyciycoycaycu = 60Oeycu 30 < ycu O 45 45 < ycu < 60 ycu O 45 ycuOe45 yuNycoycaycycayco = 45 < ycu < 60 ycu Ou 60 Fungsi keanggotaan tersebut dirumuskan melalui analisis data peminjam.
Dari data tersebut dapat diketahui interval nilai yang akan digunakan dalam perumusan fungsi keanggotaan.
Pada penelitian ini, peneliti menggunakan data peminjam Gapoktan Makmur Sejahtera periode JanuariFebruari 2024.
Setelah merumuskan fungsi keanggotaan, dilanjutkan dengan menyusun rule/aturan fuzzy.
Sebagaimana merumuskan fungsi keanggotaan, rule/aturan juga disusun berdasarkan kebijakan yang digunakan di Gapoktan Makmur Sejahtera.
Aturan fuzzy dibentuk untuk menggambarkan hubungan antara input dan output.
Input dikombinasikan menggunakan operator AND, sementara hubungan antara input dan output dinyatakan dalam format IF-THEN .
Aturan yang digunakan pada penelitian ini dapat dilihat pada Tabel 3.
Tabel 3.
Rule/Aturan Fuzzy R10 Rule/Aturan IF Pendapatan AuBanyakAy AND Jaminan AuKecilAy AND Karakteristik AuBaikAy THEN LAYAK IF Pendapatan AuBanyakAy AND Jaminan AuKecilAy AND Karakteristik AuBurukAy THEN DIPERTIMBANGKAN IF Pendapatan AuBanyakAy AND Jaminan AuSedangAy AND Karakteristik AuBaikAy THEN LAYAK IF Pendapatan AuBanyakAy AND Jaminan AuSedangAy AND Karakteristik AuBurukAy THEN DIPERTIMBANGKAN IF Pendapatan AuBanyakAy AND Jaminan AuBesarAy AND Karakteristik AuBaikAy THEN LAYAK IF Pendapatan AuBanyakAy AND Jaminan AuBesarAy AND Karakteristik AuBurukAy THEN DIPERTIMBANGKAN IF Pendapatan AuSedikitAy AND Jaminan AuKecilAy AND Karakteristik AuBaikAy THEN DIPERTIMBANGKAN IF Pendapatan AuSedikitAy AND Jaminan AuKecilAy AND Karakteristik AuBurukAy THEN TIDAK LAYAK IF Pendapatan AuSedikitAy AND Jaminan AuSedangAy AND Karakteristik AuBaikAy THEN DIPERTIMBANGKAN IF Pendapatan AuSedikitAy AND Jaminan AuSedangAy AND Karakteristik AuBurukAy THEN TIDAK LAYAK A 2024 SMATIKA Jurnal.
Published by LPPM STIKI Malang This is an open access article under the CC BY SA license.
ttps://creativecommons.
org/licenses/by-sa/4.
Implementasi Fuzzy Inference System Tsukamoto Pada Penentuan Kelayakan Pemberian Pinjaman R11
R12
Rule/Aturan IF Pendapatan AuSedikitAy AND Jaminan AuBesarAy AND Karakteristik AuBaikAy THEN LAYAK IF Pendapatan AuSedikitAy AND Jaminan AuBesarAy AND Karakteristik AuBurukAy THEN DIPERTIMBANGKAN Langkah terakhir dalam pemrosesan logika fuzzy adalah defuzzifikasi .
Defuzzifikasi dapat diartikan sebagai proses yang digunakan untuk mengkonversi variabel fuzzy dari hasil inferensi menjadi nilai numerik yang jelas dan dapat diaplikasikan secara praktis .
Persamaan yang digunakan untuk proses defuzzifikasi terdapat pada Persamaan 15.
ycs = Oc ycu ycn UI yuycn
,ycn Oc yuycn
= 1,2,3 A
Keterangan:
ycs = rata-rata terbobot ycuycn = nilai konsekuen aturan ke-ycn yuycn = nilai yu-predikat aturan ke-ycn Selanjutnya, diberikan data calon peminjam sebagai berikut.
Pengajuan Pendapatan Nilai Jaminan Karakter : Rp5.
000,: Rp3.
000,: Rp12.
000,:6
Data tersebut akan dilakukan perhitungan fuzzy Tsukamoto sebagai berikut.
Fuzzifikasi Pada fase ini data masukan diterima dan sistem menentukan nilai fungsi keanggotaan dan mengubah variabel numerik .
ariabel non fuzz.
menjadi variabel linguistik .
ariabel fuzz.
Nilai keanggotaan variabel pendapatan Sebelum mencari nilai keanggotaan, nilai pendapatan dibagi terlebih dahulu dengan angka 000 karena pendapatan dalam fungsi keanggotaan dalam satuan juta.
Pendapatan = 1.
000 = 3
6Oe3 yuNpdpSEDIKIT.
= 5 = 0,6 3Oe1 yuNpdpBANYAK.
= 5 = 0,4 Nilai keanggotaan variabel jaminan Sebelum mencari nilai keanggotaa, terdapat beberapa langkah yang harus dilakukan karena jaminan dalam fungsi keanggotaan dalam satuan persen.
ycyyceycuyciycaycycycaycu Jaminan = 100 Oe .
cuycnycoycaycn ycycaycoycnycuycaycu y 100% ) = 100 Oe .
000 y 100% ) = 58,33% Ie Dibulatkan ke 58 yuNjmnKECIL.
= 0 yuNjmnSEDANG.
= 0 yuNjmnBESAR.
= 1 Nilai keanggotaan variabel karakter 7Oe6 yuNkrkBURUK.
= 4 = 0,25 A 2024 SMATIKA Jurnal.
Published by LPPM STIKI Malang This is an open access article under the CC BY SA license.
ttps://creativecommons.
org/licenses/by-sa/4.
Implementasi Fuzzy Inference System Tsukamoto Pada Penentuan Kelayakan Pemberian Pinjaman 6Oe3 yuNkrkBAIK.
= 4 = 0,75 Inference Pada proses ini dicari nilai min dari setiap rule dilanjutkan dengan menghitung yu-predikat nya.
Perhitungan lengkap disajikan pada Tabel 4.
Tabel 4.
Perhitungan yu-predikat Rule yu-predikat [R.
= min.
,4.
= 0
yu-predikat1 = 45 .
Oe .
) = 45 Rule yu-predikat [R.
= min.
,6.
= 0
yu-predikat7.
1 = 30 .
Oe .
) = 30 yu-predikat7.
2 = 60 Oe .
Oe .
) = 60 yu-predikat7 = .
: 2 = 45 [R.
= min.
,4.
= 0
yu-predikat2.
1 = 30 .
Oe .
) = 30 yu-predikat2.
2 = 60 Oe .
Oe .
) = 60 yu-predikat2 = .
: 2 = 45 [R.
= min.
,6.
= 0
yu-predikat8 = 45 Oe .
Oe .
) = 45 [R.
= min.
,4.
= 0
yu-predikat3 = 45 .
Oe .
) = 45 [R.
= min.
,6.
= 0
yu-predikat9.
1 = 30 .
Oe .
) = 30 yu-predikat9.
2 = 60 Oe .
Oe .
) = 60 yu-predikat9 = .
: 2 = 45 [R.
= min.
,4.
= 0
yu-predikat4.
1 = 30 .
Oe .
) = 30 yu-predikat4.
2 = 60 Oe .
Oe .
) = 60 yu-predikat4 = .
: 2 = 45 [R.
= min.
,4.
= 0,4
yu-predikat5 = 45 .
,4 y .
Oe .
) = [R.
= min.
,4.
= 0,25
R10
[R.
= min.
,6.
= 0
yu-predikat10 = 45 Oe .
Oe .
) = R11 [R.
= min.
,6.
= 0,6
yu-predikat11 = 45 .
,6 y .
Oe .
) = [R.
= min.
,6.
= 0,25
R12
yu -predikat6.
1 = 30 .
,25 y .
Oe .
) = 33,75 yu -predikat6.
2 = 60 Oe .
,25 y .
Oe .
) = 56,25 yu -predikat12.
1 = 30 .
,25 y .
Oe .
) = 33,75 yu -predikat12.
2 = 60 Oe .
,25 y .
Oe .
) = 56,25 yu-predikat6 = .
,75 56,.
: 2 = 45 yu-predikat12 = .
,75 56,.
: 2 = 45 Defuzzifikasi Untuk mengubah bilangan fuzzy menjadi output bilangan crisp dapat dihitung menggunakan ratarata terbobot.
ycs= ycs= .
,4 y .
,25 y .
,6 y .
,25 y .
0 0 0 0 0,4 0,25 0 0 0 0 0,6 0,25 ycs = 50,2 Pembahasan Dari perhitungan defuzzifikasi tersebut, didapat nilai ycs yaitu 50,2.
Nilai tersebut merupakan persen kelayakan pemberian pinjaman calon peminjam.
Calon peminjam dinyatakan layak mendapat pinjaman karena persen kelayakan melebihi 50%.
A 2024 SMATIKA Jurnal.
Published by LPPM STIKI Malang This is an open access article under the CC BY SA license.
ttps://creativecommons.
org/licenses/by-sa/4.
Implementasi Fuzzy Inference System Tsukamoto Pada Penentuan Kelayakan Pemberian Pinjaman Gambar 7.
Halaman Hasil Cek Calon Nasabah Hasil perhitungan manual dan di web menunjukkan hasil yang sama, yaitu persen kelayakannya sebesar 50,2%.
Pengujian terhadap model fuzzy dilakukan melalui confusion matrix.
Perbandingan hasil keputusan melalui web dan keputusan langsung di lapangan dapat dilihat pada Tabel 5.
Tabel 5.
Perbandingan Hasil Keputusan Pengajuan (R.
Pendapatan (R.
Jaminan (R.
Karakteristik Persen Kelayakan 53,93% 48,11% 52,61% 46,17% 53,70% 52,58% 56,83% 51,62% 45,32% 52,80% Keputusan (We.
Diterima Ditolak Diterima Ditolak Diterima Diterima Diterima Diterima Ditolak Diterima Keputusan (Lapanga.
Ditolak Ditolak Diterima Ditolak Diterima Diterima Diterima Diterima Ditolak Diterima Gambar 8.
Confusion Matrix
yaycoycycycaycycn = ycNycE ycNycA
= 0,9
ycNycE ycNycA yaycE yaycA
6 3 1 0
Rata-rata persen kelayakan calon nasabah yang diterima yaitu sebesar 53,44%.
Sedangkan, untuk rata-rata persen kelayakan calon nasabah yang ditolak yaitu sebesar 46,53%.
Berdasarkan hasil perbandingan yang telah diuraikan, sistem Fuzzy Inference System (FIS) Tsukamoto untuk menentukan kelayakan pinjaman menunjukkan akurasi sebesar 90% dengan 9 dari 10 keputusan sesuai antara sistem dan hasil lapangan.
Hanya terdapat satu kasus yang hasilnya tidak sesuai.
A 2024 SMATIKA Jurnal.
Published by LPPM STIKI Malang This is an open access article under the CC BY SA license.
ttps://creativecommons.
org/licenses/by-sa/4.
Implementasi Fuzzy Inference System Tsukamoto Pada Penentuan Kelayakan Pemberian Pinjaman yaitu sistem menolak pinjaman sementara keputusan lapangan menerimanya.
Hal tersebut dapat terjadi karena penilaian manual dilakukan secara subjektif dan tidak ada perhitungan terukur.
Secara keseluruhan, sistem ini cukup andal, tetapi perlu evaluasi lebih lanjut untuk meningkatkan akurasi pada kasus tertentu.
Salah satu cara untuk meningkatkan akurasi sistem dapat dilakukan dengan menambahkan data yang dianalisis agar fungsi keanggotaan yang dibentuk dapat menyelesaikan masalah yang lebih kompleks.
Setelah menggunakan sistem ini, proses penentuan kelayakan pemberian pinjaman di Gapoktan Makmur Sejahtera dapat dilakukan dengan lebih cepat dan terukur.
Penutup Berdasarkan hasil penelitian, kesimpulan yang dapat diambil yaitu Fuzzy Inference System (FIS) Tsukamoto dapat dimanfaatkan sebagai metode dalam menentukan kelayakan pemberian Variabel input yang digunakan, yaitu pendapatan, jaminan, dan karakteristik berhasil memetakan kelayakan calon nasabah dengan baik sehingga menghasilkan persen kelayakan yang dapat digunakan sebagai pertimbangan pemberian pinjaman.
Sistem yang dihasilkan dapat diadopsi lebih luas oleh lembaga keuangan lain dengan menyesuaikan variabel input dan output sesuai kebutuhan lembaga tersebut.
Saran untuk penelitian selanjutnya yaitu menambah data yang dianalisis untuk membentuk fungsi keanggotaan yang lebih optimal.
Referensi