Fakultas Ilmu Komputer
Universitas Brawijaya
2957
Optimasi Batasan Fungsi Keanggotaan Fuzzy Tsukamoto Menggunakan
Algoritme Genetika Untuk Kelayakan Pemberian Kredit
(Studi Kasus: PD. BPR. Bank Daerah Lamongan)
Naily Zakiyatil Ilahiyah1, Dian Eka Ratnawati2, Candra Dewi3Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
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
1. PENDAHULUAN
Krisis keuangan sering kali dialami oleh beberapa masyarakat akibat adanya faktor ekonomi. Saat ini sebagian masyarakat berpikir bahwa dalam meringankan permasalahan tersebut dapat diselesaikan dengan meminjam bantuan dana atau kredit karena dianggap lebih mudah dan cepat. Kredit merupakan peminjaman dana yang diberikan kepada pihak
yang membutuhkan bantuan dana oleh satu pihak intermediasi keuang. Dana yang dipinjam nantinya akan dikembalikan pada masa tertentu dengan bunga yang disepakati sebelumnya (Thomas, 1988). Istilah yang digunakan kepada peminjam kredit adalah disebut dengan debitur. Sedangkan bagi pihak yang memberikan kredit disebut sebagai kreditur (Kasmir, 2014).
Dalam menentukan kelayakan kredit, seorang kreditur harus teliti menyeleksi data
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
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:
a. Representasi kromosom dan pembangkitan populasi awal
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 random untuk mencari penyelesaian masalah yang optimal. Representasi kromosom terbentuk berdasarkan jumlah batasan fungsi keanggotaan tiap variable. Terdapat 8 variable pendukung yang membentuk 29 kromosom dalam penentuan analisis kredit yang diilustrasikan pada Gambar 1.
b. Reproduksi
Reproduksi merupakan suatu proses biologis yang dilakukan oleh setiap individu yang bertujuan untuk mempertahankan kelestarian jenisnya. Tahapan proses reproduksi yaitu crossover dan mutasi.
• Crossover
Pada penelitian ini metode crossover yang digunakan adalah one-cut-point crossover atau memilih satu titik potong pada setiap chromosom kemudian menukarkan nilai gen pada titik potong terpilih dengan nilai gen pada titik potong induk kedua untuk menghasilkan offspring.
Gambar 1 Representasi kromosom algoritme
genetika
• Mutasi
Metode mutasi yang digunakan pada penelitian ini yaitu menggunakan random mutation. 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).
𝑥′𝑖= 𝑥′𝑖+ 𝑟(𝑚𝑎𝑥𝑖− 𝑚𝑖𝑛𝑗) (1) Keterangan dari Persamaan 1 yaitu 𝑥′𝑖 merupakan nilai gen terpilih secara random. Maxi merupakan nilai batas atas pada rentang nilai variable. Sedangkan untuk Minj merupakan nilai batas bawah pada rentang nilai variable. r adalah nilai masukan yang diacak pada rentang [-0.1, 0.1].
c. Evaluasi
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 =𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑠𝑒𝑠𝑢𝑎𝑖
𝑇𝑜𝑡𝑎𝑙 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖𝚡 100 (2) d. Seleksi
Seleksi yang digunakan adalah elitism 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
variable yang merepresentasikan angka seperti, 15, 25, 35, dsb (Kusumadewi & Purnomo 2013). 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:
• 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 (z1, z2, z3, ...zn). 4. Melakukan proses defuzzifikasi
(penegasan) dengan mencari nilai rata-rata terpusat atau biasa disebut center average defuzzyfier. Proses tersebut dapat dinyatakan dalam Persamaan (3):
𝑍 = ∑𝛼_𝑝 𝑖∗𝑧𝑖
∑𝛼_𝑝 𝑖 (3)
Keterangan dari Persamaan 3 yaitu Z merupakan nilai defuzzifikasi rata-rata terpusat. α_p merupakan nilai minimal dari derajat keanggotaan. Sedangkan i merupakan jumlah data yang digunakan dalam aturan fuzzy, dan Zi adalah nilai crisp yang didapat dari rumus derajat keanggotaan himpunan fuzzy.
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 variable yang cukup banyak dapat menghasilkan 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.
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. 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 α-predikat pada masing-masing aturan serta mencari nilai keluaran secara tegas Z. Kemudian melakukan proses defuzzyfikasi menggunakan Persamaan 3. Hal itu dilakukan agar proses inferensi fuzzy tahap pertama menghasilkan variable output dari setiap kriteria yang akan dijadikan sebagai nilai input pada proses fuzzy tahap kedua.
Gambar 2 Flowchart penyelesaian masalah
menggunakan algoritme genetika dan fuzzy Tsukamoto dua tahap
Pada proses fuzzy tahap kedua langkah yang dilakukan yaitu proses fuzzyfikasi tahap dua, pembentukan basis aturan fuzzy tahap dua dengan jumlah 4 rules yang terbentuk dari variable kriteria positif dan kriteria negatif, melakukan proses inferensi fuzzy dengan cara mencari nilai α-predikat pada masing-masing 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 generasi 100, kombinasi nilai Cr=0,6 dan Mr=0,4. Dari hasil pengujian yang dilakukan, 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 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. 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
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.
Tabel 1 Pengujian akurasi sistem FIS Tsukamoto
tanpa optimasi 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 Debitur8 Terima Terima 1 Debitur9 Terima Terima 1 Debitur10 Terima Terima 1 ... ... ... ... Debitur63 Tolak Terima 0 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 ; 0.1 0.8 ; 0.2 0.7 ; 0.3 0.6 ; 0.4 0.5 ; 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
Jumlah data sesuai 57
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =57
63𝑥 100 = 90.476
4.5 Hasil dan Analisis Pengujian Optimasi Batasan Fungsi Keanggotaan FIS Tsukamoto Menggunakan Algoritme Genetika
Pengujian ini dilakukan untuk melihat kemampuan metode optimasi batasan fungsi keanggotaan fuzzy menggunakan algoritme genetika dengan menguji 63 data. Dengan melakukan optimasi batasan fungsi keanggotaan fuzzy, sistem diharapkan dapat memberikan batasan fungsi keanggotaan yang lebih tepat sehingga dapat meningkatkan hasil akurasi sistem. Pengujian optimasi batasan fungsi keanggotaan FIS Tsukamoto menggunakan algoritme genetika ditunjukkan pada Tabel 2.
Tabel 2 Pengujian akurasi sistem FIS Tsukamoto
dengan optimasi 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 Debitur8 Terima Terima 1 Debitur9 Terima Terima 1 Debitur10 Terima Terima 1 ... ... ... ...
Debitur63 Tolak Tolak 1
Jumlah data sesuai 59
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =59
63 𝑥 100 = 93.651
4.6 Hasil dan Analisis Perbandingan Akurasi FIS Tsukamoto Dengan Optimasi Batasan Fungsi Keanggotaan FIS Tsukamoto Menggunakan Algoritme Genetika
Pengujian ini dilakukan untuk membandingkan hasil akurasi sistem yang menggunakan metode FIS Tsukamoto saja dengan optimasi batasan fungsi keanggotaan FIS Tsukamoto menggunakan algoritme genetika. Perbandingan hasil akurasi sistem ditunjukkan pada Tabel 3.
Tabel 3 Perbandingan hasil pengujian akurasi FIS
Tsukamoto dengan optimasi FIS Tsukamoto menggunakan algoritme genetika
No Perbandingan akurasi
pengujian Akurasi 1 Akurasi sistem fuzzy
Tsukamoto tanpa optimasi 90.476% 2 Akurasi sistem fuzzy
Tsukamoto dengan optimasi 93.651% 5. KESIMPULAN
Penerapan algoritme genetika terhadap optimasi batasan fungsi keanggotaan fuzzy penentuan kelayakan kredit menggunakan representasi kromosom pengodean bilangan diskrit desimal untuk membentuk nilai batasan fungsi keanggotaan. Setiap individu memiliki panjang 29 kromosom. Parameter algoritme genetika dapat diimplementasikan dengan metode one-cut-point crossover, random mutation, dan elitism selection.
Pengujian parameter algoritme genetika pada popsize memperoleh hasil sebesar 220, cr 0.7, mr 0.3, dan jumlah generasi 220. Semakin besar ukuran populasi dan ukuran generasi yang digunakan maka nilai rerata fitness yang didapatkan akan semakin tinggi. Kombinasi nilai Cr dan Mr yang seimbang akan menghasilkan nilai rerata fitness yang baik karena
algoritme
genetika lebih bergantung pada proses
crossover
yang
dapat
menghasilkan
offspring lebih banyak dari proses mutasi.
Jadi dapat dikatakan bahwa
nilai Cr yang tinggi dapat mencari solusi permasalahan ke area yang lebih luas. Jika nilai Cr terlalu rendah, maka nilai fitness akan bergantung pada nilai Mr yang dapat mengakibatkan terjadinya konvergensi dinisehingga algoritme genetika
tidak bisa menemukan hasil rata-rata yang
optimal.
Oleh karena itu, pengujian sistem optimasi batasan fungsi keanggotaan fuzzy Tsukamoto menggunakan algoritme genetika mendapatkan nilai akurasi sebesar 93.651%. Sementara hasil pengujian sistem fuzzy Tsukamoto saja mendapatkan nilai akurasi 90.476%. Hal tersebut membuktikan bahwa optimasi batasan fungsi keanggotaan fuzzy menggunakan algoritme genetika mampu memberikan hasil akhir yang lebih optimal. DAFTAR PUSTAKAArmanda, R. S., & Mahmudy, W. F. (2016). Fungsi Kenggotaan Fuzzy Tsukamoto Pada
Kasus Peramalan. Teknologi Informasi Dan Ilmu Komputer (JTIIK), 3(3), 169–173. Fattouh, A., & FadiFouz. (2012). A Two-Stage
Representation of Fuzzy Systems, 2(3), 2660–2665.
Fitri, A., & Mahmudy, W. F. (2017). Optimasi Keanggotaan Fuzzy Tsukamoto Menggunakan Algoritme Genetika pada Penentuan Prioritas Penerima Zakat, 1(2), 125–138.
Hengky. (2014). Implementasi Logika Fuzzy Metode Tsukamoto Dalam Penentuan Kelayakan Pemberian Kredit Mobil ( Studi Kasus : PT . OTO Multiartha ). Jurnal Penelitian Teknik Informatika, Universitas Tanjungpura. vol 2.
Kasmir. 2001. Bank dan Lembaga Keuangan Lainnya. Jakarta: PT. Raja Grafindo Persada. Jakarta.
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
Pemilihan Calon Penerima Beasiswa dan BBP-PPA (Studi Kasus : PTIIK Universitas Brawijaya Malang). DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, 5(15), 1–10.
Robandi, Imam. 2006. Desain Sistem Tenaga Modern. Yogyakart: ANDI OFFSET. Sutojo, T., Mulyanto, E., & Suhartono, V. 2011.
Kecerdasan Buatan. Yogyakarta: Penerbit ANDI.
Thomas, Suyanto. 1988. Dasar – Dasar Pemberian Kredit. Modula. Bandung. Thamrin, F., Sediyono, E., & Suhartono, S.
(2012). Studi Inferensi Fuzzy Tsukamoto Untuk Penentuan Faktor Pembebanan Trafo PLN. Jurnal Sistem Informasi Bisnis, 2(1), 1–5.
https://doi.org/10.21456/vol2iss1pp001-005.s
