ISSN : 2461-0690 62 Sistem Pendukung Keputusan Dengan Metode Simple Additive Weighting (SAW) Dalam
Kelayakan Pemberian Kredit Bank Puji Astuti
STMIK Nusa Mandiri Jakarta [email protected]
Abstract— Credit is a provider of bills or equivalent, based on a loan agreement or agreement between the Bank and another party that requires the borrower to repay the debt after a certain period of time with the amount of interest, compensation or profit sharing. Decision Support System is given to provide alternative solutions to the Bank or provider of loan money to who is entitled to credit. By using the Simple Additive Weight (SAW) method, the meal will be known to be feasible or not, smooth or not smooth during the payment process. The SAW method uses the criteria to get the best alternative results that are eligible for credit. The SAW method uses the matrix normalization process as a calculation with the results of a comparison scale with all available alternative ratings.
Keyword: SAW, DSS, Credit
Abstrak— Kredit adalah penyedia uang tagihan atau yang dapat dipersamakan dengan itu, berdasarkan persetujuan atau kesepakatan pinjaman antara Bank dengan pihak lain yang mewajibkan pihak peminjam untuk melunasi utangnya setelah jangka waktu tertentu dengan jumlah bunga, imbalan atau pembagian hasil keuntungan. Sistem Pendukung Keputusan diberikan untuk memberikan solusi alternative kepada pihak Bank atau penyedia uang pinjaman kepada siapa yang berhak diberikan kredit. Dengan menggunakan metode Simple Additive Weight (SAW) makan akan diketahui layak atau tidaknya, lancar atau tidak lancarnya pada saat proses pembayaran. Metode SAW menggunakan criteria untuk mendapatkan hasil yang alternative terbaik yang layak menerika kredit. Metode SAW menggunakan proses normalisasi matriks sebagai perhitungan dengan hasil skala perbandingan dengan semua rating alternative yang ada.
Kata Kunci: SAW, SPK, Pemberian Kredit
A. PENDAHULUAN
Undang-undang No.7 Tahun 1992 sebagaimana telah diubah menjadi Undang- Undang No. 10 Tahun 1998 tentang perbankan, disebutkan bahwa “kredit adalah penyedia uang tagihan atau yang dapat dipersamakan dengan itu, berdasarkan persetujuan atau kesepakatan pinjaman antara Bank dengan pihak lain yang mewajibkan pihak peminjam untuk melunasi utangnya setelah jangka waktu tertentu dengan jumlah bunga, imbalan atau pembagian hasil keuntungan”. Badan Pusat Statistik (BPS) mencatat Indonesia mengalami titik terendah dalam hal persentase kemiskinan sejak tahun 1999, yakni sebesar 9.82% pada Maret 2018.
Dengan persentase kemiskinan 9.82%, jumlah penduduk miskin atau yang pengeluaran per kapita tiap bulan di bawah garis kemiskinan mencapai 25,95 juta orang. Maret 2018 untuk pertama kalinya persetase penduduk miskin berada dalam 1 digit. Kalau dilihat sebelumnya, biasanya 2 digit, ini pertama kalinya berada dititik terendah. Jika dibandingkan dengan tahun 2017, persetase kemiskinan tercata sebesar 10,12% atau setara dengan 26,58 juta orang penduduk miskin di Indonesia. Dari data
tersebut dapat terlihat bahwa angka kemiskinan ditahun 2018 sudah berkurang 1 digit, yang artinya ada factor lain yang mempengaruhi berkurangnya angka kemiskinan di Indonesia yaitu bantuan social tunai dari pemerintah yang tumbuh 87,6% pada kuartal I 2018. Banyak Bank-Bank yang berdiri di Indonesia baik Negeri maupun Swasta, dari bank tersebut akan memberikan kredit kepada masyarakat yang membutuhkan untuk memajukan usaha mereka.
Dengan adanya pinjaman kredit dari Bank yang ada di Indonesia dan permasalahan diatas harus ada solusi pemecahan masalah yang ada dengan membuat sistem penunjang keputusan yang tujuannya membantu mengambil keputusan siapa yang berhak mendapatkan kredit bank. Semakin tingginya minat nasabah untuk mendapatkan kredit dari Bank, membuat pihak Bank masih menyeleksi dalam menentukan siapa yang lauak meneri,a kredit (Dewi et al., 2016). Metode yang digunakan yaitu Simple Additive Weight (SAW) atau sering disebut dengan metode penjumlahan terbobot.
Factor-faktor yang dijadikan acuan dalam pengambilan keputusan oleh bagian Credit Analyst, yaitu kepribadian pemohon kredit,
This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. ©2018 by author and IJSE-Indonesian Journal on Software Engineering.
ISSN : 2461-0690 63 kemampuan membayar pemohon kredit, dan
kondisi ekonomi pemohon kredit (Elyana, 2017).
Metode SAW dengan konsep dasar mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada setiap atribut. Dengan penyeleksian menggunakan metode SAW dapat membantu pihak penyeleksi dalam mengambil keputusan sehingga dapat lebih meningkatkan efektivitas dan efisiensi dari proses pengambilan keputusan itu sendiri.
B. STUDI PUSTAKA
1. Simpel Additive Weighting (SAW)
Metode Simple Additive Weighting (SAW) sering juga dikenal dengan istilah metode penjumlahan terbobot. Konsep dasar SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternative pada semua atribut.(Nofriansyah, n.d.)
2. Sistem Penunjang Keputusan
(Turban, 2005) Sistem Pendukung Keputusan atau sering disebut Decision Support System (DSS) adalah sistem berbasis model yang terdiri dari prosedur- prosedur dalam pemrosesan data dan pertimbangannya untuk membantu manajer dalam mengambil keputusan. Agar berhasil mencapai tujuannya maka sistem tersebut harus sederhana, robust, mudah untuk dikontrol, mudah beradaptasi lengkap pada hal-hal penting dan mudah berkomunikasi dengannya. Secara implicit juga berarti bahswa sistem ini harus berbasis komputer dan digunakan sebagai tambahan dari kemampuan penyelesaian masalah dari seseorang.
C. METODE PENELITIAN
Penelitian ini dilakukan dengan cara mengumpulkan data-data yang berhubungan dengan permasalahan yang dibahas sehingga dapat membantu menyelesaikan permasalahan.
Adapun cara pengumpulan data-data tersebut dilakukan dengan cara sebegai berikut
1. Obervasi
Penulis melakukan pengumpulan data dengan melakukan pengamatan langsung terhadap obyek yang diteliti untuk mengumpulkan data dan informasi yang berkaitan dengan permasalahan yang ada.
2. Studi Pustaka
Penulis mempelajari sumber-sumber buku serta jurnal ilmiah yang berkaitan untuk dikutip sebagai acuan teori untuk mendukung penulisan penelitian ilmiah ini.
Metode penelitian yang penulis gunakan ialah metode Simple Additive Weighting (SAW).
Adapun Langkah-langkah penyelesaian metode Simple Additive Weighting (SAW) adalah sebagai berikut:
1. Menetukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Ci.
2. Menetukan rating kecocokan setiap alternatif pada setiap kriteria.
3. Membuat matriks keputusan berdasarkan kriteria (Ci), kemudian melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan ataupun atribut biaya) sehingga diperoleh matriks ternormalisasi R.
4. Hasil akhir proses perankingan yaitu penjumlahan dari perkalian matriks ternormalisasi R dengan vektor bobot sehinggadiperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai) sebagai solusi.
𝑟𝑖𝑗 = {
𝑋𝑖𝑗 𝑀𝑎𝑥 𝑋𝑖𝑗 𝑀𝑖𝑛 𝑋𝑖𝑗 𝑋𝑖𝑗
Keterangan:
rij = nilai rating kinerja ternormalisasi
Xij = nilai atribut yang dimiliki dari setiap kriteria Max Xij = nilai terbesar dari setiap kriteria Min Xij = nilai terkecil dari setiap kriteria Benefit = jika nilai terbesar adalah nilai terbaik Cost = jika nilai terkecil adalah nilai terbaik Dimana rij adalah rating ternormalisasi dari alternatif Ai pada atribut Cj; i=1,2...,m dan j=1,2...,n. Nilai prefensi untuk setiap alternatif (Vi) diberikan sebagai:
𝑉𝑖 = ∑( 𝑤𝑗 𝑟𝑖𝑗)
𝑛
𝑗=1
Keterangan:
Vi = ranking untuk setiap alternatif Wj = nilai bobot dari setiap kriteria rij = nilai rating kinerja ternormalisasi
Nilai Vi yang lebih besar mengidentifikasikan bahwa alternatif Ai lebih dipilih
D. HASIL DAN PEMBAHASAN 1. Data Sekunder
Berdasarkan data yang diperoleh dari hasil observasi untuk selanjutnya di convert kedalam nilai bobot. Data yang ditampilkan pada penelitian ini sebanyak 40 data calon nasabah (dari ±210 calon nasabah) sehingga diperoleh data sebagai berikut:
ISSN : 2461-0690 64 Tabel 1. Data Calon Nasabah Pemberian Kredit
No Nama Nasabah Jenis Usaha Status Tempat
Usaha Lama Usaha Sistem Penjualan Omset per bulan (Rp) Fasilitas 1ABDUL BASIT H.
Penjualan Mobil Second Kontrak 3 - 5 Tahun Cash ≥ 80 % dan < 100 %, Kredit ≥ 10 % dan ≤ 20 %> 150 Juta KU1 2ABDUL QOSIM
Penggilingan batu Milik Sendiri > 5 Tahun Cash ≥ 80 % dan < 100 %, Kredit ≥ 10 % dan ≤ 20 %> 150 Juta KU1 3ABU SUJAK
Penggilingan batu Milik Sendiri > 5 Tahun Cash 100% > 150 Juta KU1 4ACENG
Penjualan Kemeja, Kaos, Jeans ( Pakaian)Milik Sendiri 3 - 5 Tahun Cash 100% > 150 Juta KU2 5ACIM
Pedagang Buah Durian Kontrak > 5 Tahun Cash ≥ 80 % dan < 100 %, Kredit ≥ 10 % dan ≤ 20 %> 150 Juta KU1 6ADE MUHAMAD
AINUR RIDHO Jasa Service Mobil Milik Sendiri > 5 Tahun Cash 100 % > 25 - 50 Juta KU2 7ADE MUHAMAD
AINUR RIDHO Penjualan Grosir Cabe Milik Sendiri > 5 Tahun Cash 100 % > 50 - 100 Juta KU1 8ADEKA
Penjualan Mobil Second Kontrak 3 - 5 Tahun Cash ≥ 80 % dan < 100 %, Kredit ≥ 10 % dan ≤ 20 %> 150 Juta KU2 9ADNAN BIN MUIN
Penjualan HP Kontrak > 5 Tahun Cash 100% > 150 Juta KU2
10AGUNG SUPRIYADI
Penggilingan batu Milik Sendiri > 5 Tahun Cash ≥ 80 % dan < 100 %, Kredit ≥ 10 % dan ≤ 20 %> 150 Juta KU1 11AGUS MIYANTO
Konveksi Kontrak > 5 Tahun Cash ≥ 80 % dan < 100 %, Kredit ≥ 10 % dan ≤ 20 %> 50 - 100 Juta KU2 12AGUS NAWI S.
Toko Kelontong Kontrak > 5 Tahun Cash 100 % > 25 - 50 Juta KU2 13AGUS RAHMADI
Salon 'Anita' Milik Sendiri > 5 Tahun Cash 100 % > 25 - 50 Juta KU1 14AGUS SALIM
Penjualan Eceran Jahe dan Kunyit Kontrak > 5 Tahun Cash 100 % > 100 - 150 Juta KU1 15AHMAD
SYARIFUDIN Penjualan Resto Kontrak > 5 Tahun Cash 100 % > 25 - 50 Juta KU1 16ALBERT EDWARD
SITUMORANG Penjualan Warung Makan Padang Milik Sendiri > 5 Tahun Cash 100 % > 25 - 50 Juta KU2 17ALI AMRAN
Penjualan Nangka Muda dan Matang (Gori)Kontrak 3 - 5 Tahun Cash 100 % > 150 Juta KU2 18ALI MUKTADI
Penjualan Pakaian Anak-Anak Milik Sendiri > 5 Tahun Cash 100 % > 25 - 50 Juta KU1 19ALIM HAK H.
Penjualan dan Service Handphone Kontrak > 5 Tahun Cash ≥ 80 % dan < 100 %, Kredit ≥ 10 % dan ≤ 20 %> 25 - 50 Juta KU1 20ALMI
Penjualan Gadget Kontrak > 5 Tahun Cash ≥ 80 % dan < 100 %, Kredit ≥ 10 % dan ≤ 20 %> 150 Juta KU2 21AMELIANI
Pedagang Cabe Milik Sendiri 3 - 5 Tahun Cash 100 % > 150 Juta KU2 22AMIN SUGIANTO
Penjualan Grosir dan Sub Grosir Cabe MerahMilik Sendiri 3 - 5 Tahun Cash 100 % > 150 Juta KU1 23ANDRE WIJAYA
Penjualan Mobil Bekas Milik Sendiri > 5 Tahun Cash ≥ 80 % dan < 100 %, Kredit ≥ 10 % dan ≤ 20 %> 150 Juta KU1 24ANDRIANSYAH
Toko Mainan Kontrak 3 - 5 Tahun Cash 100 % > 25 - 50 Juta KU2
25ANITA
Pedagang Grosir Kol Milik Sendiri 3 - 5 Tahun Cash 100 % > 100 - 150 Juta KU1 26ANNA FARIKHATI
Toko Optik Milik Sendiri > 5 Tahun Cash 100 % > 150 Juta KU1 27ANTON SUJARWO
Pengusaha Resto Cepat Saji Kontrak > 5 Tahun Cash 100 % > 150 Juta KU1 28ANTONI
Pengusaha Salon Wanita Milik Sendiri > 5 Tahun Cash 100 % > 25 - 50 Juta KU1 29ARDAI BIN DAING
Pengusaha Salon Mobil Milik Sendiri > 5 Tahun Cash 100 % > 150 Juta KU1 30ARI WAHYUONO
Penjualan Baju Batik Kontrak > 5 Tahun Cash 100 % > 25 - 50 Juta KU1
Sumber : Data Sekunder (2018)
2. Pengolahan Data Menggunakan Metode Simple Additive Weighting (SAW)
Setelah data nasabah diperoleh, selanjutnya adalah melakukan perhitungan dengan data tersebut dengan metode SAW.
Untuk menganalisa lancar atau macetnya pembayaran kredit calon nasabah, dapat dilakukan dengan langkah-langkah sebagai berikut:
a. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Ci.
b. Menentukan rating kecocokan setiap alternatif pada setiap kriteria.
c. Membuat matriks keputusan berdasarkan kriteria (Ci), kemudian melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan ataupun atribut biaya) sehingga diperoleh matriks ternormalisasi R.
d. Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari perkalian matriks ternormalisasi R dengan vektor bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai) sebagai solusi.
A. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Ci.
Setelah mendapatkan data calon Nasabah selanjutnya penulis menentukan kriteria-kriteria
sebagai acuan dalam pengambilan keputusan.
Dibuatkan suatu tingkatan kriteria berdasarkan alternatif (pemohon kredit) yang telah ditentukan dalam nilai crips (Oktaputra & Noersasongko, 2014). Maka untuk itu penulis menentukan nilai crips yang di sesuaikan dengan kriteria-kriteria.
Sehinga diperoleh nilai crips seperti tabel dibawah ini
Tabel 2. Keterangan nilai kriteria dan bobot
Kriteria Nilai Bobot
Primer 4
Sekunder 0
Milik Sendiri 4
Kontrak 0
>5 Tahun 4
3 - 5 Tahun 0
< 25 Juta 0
>25-50 Juta 1
>50-100 Juta 2
> 100- 150 Juta 3
>150 Juta 4
KUI (Modal) 0
KU2 (Investasi Usaha) 4 Jenis Usaha Mikro Berdasarkan
Kebutuhan Status Tempat Usaha
Lama Usaha
Omset Perbulan
Fasilitas
Sumber : Data Sekunder (2018)
B. Menentukan rating kecocokan setiap alternatif pada setiap kriteria.
Setelah data kriteria dan alternatif diperoleh selanjutnya penulis menentukan rating kecocokan untuk setiap kriteria pada setiap alternatif sehingga diperoleh tabel sebagai berikut:
Tabel 3. Data calon Nasabah dan nilai crips
No Nama Nasabah Jenis Usaha Mikro
Status Tempat
Usaha Lama Usaha Omset per
bulan (Rp) Fasilitas 1ABDUL BASIT
H. 0 0 0 4 0
2ABDUL QOSIM
0 4 4 4 0
3ABU SUJAK
0 4 4 4 0
4ACENG 4 4 0 4 1
5ACIM 4 0 4 4 0
6 ADE MUHAMAD
AINUR RIDHO 0 4 4 1
1
7 MUHAMAD 0 4 4 2 0
8ADEKA 0 0 0 4 1
9ADNAN BIN
MUIN 0 0 4 4 1
10AGUNG
SUPRIYADI 0 4 4 4 0
11AGUS
MIYANTO 0 0 4 2 1
12AGUS NAWI S.
4 0 4 1 1
13AGUS
RAHMADI 0 4 4 1 1
14AGUS SALIM 4 0 4 3 0
15AHMAD
SYARIFUDIN 4 0 4 1 0
16 ALBERT EDWARD
SITUMORANG 4 4 4 1
1
17ALI AMRAN 4 0 0 4 1
18ALI MUKTADI 4 4 4 1 0
19ALIM HAK H. 0 0 4 1 0
20ALMI
0 0 4 4 1
21AMELIANI
0 4 0 4 1
22AMIN
SUGIANTO 0 4 0 4 0
23ANDRE
WIJAYA 0 4 4 4 0
24ANDRIANSYA
H 0 0 0 1 1
25ANITA 0 4 0 3 0
26ANNA
FARIKHATI 0 4 4 4 0
27ANTON
SUJARWO 4 0 4 4 0
28ANTONI 0 4 4 1 0
29ARDAI BIN
DAING 0 4 4 4 0
30ARI
WAHYUONO 4 0 4 1 0
31ARIS
WIDIYARSO 4 4 4 1 0
32ASEP JUNAEDI 0 4 4 4 1
33ASEP
SAEPULOH 0 0 4 4 1
34ASEP
ZAKARIA 4 4 0 1 0
35ASRI REJEKI 4 4 4 2 1
36ASRUL ROSYID
4 0 4 4 0
37ATIN
SUPRIADI 0 0 0 1 0
38ATJAYA 0 4 4 1 0
39AYU NINGSIH,
KOMANG 0 4 4 1 0
40BAKHARI 4 0 0 2 1
ISSN : 2461-0690 65 Sumber : Data Sekunder (2018)
C. Membuat matriks keputusan berdasarkan kriteria (Ci)
Setelah menentukan nilai crips selanjutnya melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan ataupun atribut biaya) sehingga diperoleh matriks ternormalisasi R. Perhitungan membutuhkan proses normalisasi matrik keputusan ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang (Arfyanti & Purwanto, 2012). Nilai R ddidapat dari rumus sebagai berikut:
Sehingga diperoleh data sebagai berikut:
Tabel 4. Normaliasasi data calon Nasabah
No Nama Nasabah Jenis Usaha
Mikro Status Tempat
Usaha Lama Usaha Omset per bulan Fasilitas 1ABDUL BASIT
H. 0 0 0 4 0
2ABDUL QOSIM 0 4 4 4 0
3ABU SUJAK 0 4 4 4 0
4ACENG 4 4 0 4 1
5ACIM
4 0 4 4 0
6 ADE MUHAMAD
AINUR RIDHO 0 4 4 1
1
7 MUHAMAD 0 4 4 2 0
8ADEKA 0 0 0 4 1
9ADNAN BIN
MUIN 0 0 4 4 1
10AGUNG
SUPRIYADI 0 4 4 4 0
11AGUS
MIYANTO 0 0 4 2 1
12AGUS NAWI S. 4 0 4 1 1
13AGUS
RAHMADI 0 4 4 1 1
14AGUS SALIM 4 0 4 3 0
15AHMAD
SYARIFUDIN 4 0 4 1 0
16 ALBERT EDWARD
SITUMORANG 4 4 4 1
1
17ALI AMRAN
4 0 0 4 1
18ALI MUKTADI 4 4 4 1 0
19ALIM HAK H. 0 0 4 1 0
20ALMI 0 0 4 4 1
21AMELIANI 0 4 0 4 1
22AMIN
SUGIANTO 0 4 0 4 0
23ANDRE
WIJAYA 0 4 4 4 0
24ANDRIANSYA
H 0 0 0 1 1
25ANITA 0 4 0 3 0
26ANNA
FARIKHATI 0 4 4 4 0
27ANTON
SUJARWO 4 0 4 4 0
28ANTONI 0 4 4 1 0
29ARDAI BIN
DAING 0 4 4 4 0
30ARI
WAHYUONO 4 0 4 1 0
31ARIS
WIDIYARSO 4 4 4 1 0
32ASEP JUNAEDI
0 4 4 4 1
33ASEP
SAEPULOH 0 0 4 4 1
34ASEP
ZAKARIA 4 4 0 1 0
35ASRI REJEKI 4 4 4 2 1
36ASRUL ROSYID
4 0 4 4 0
37ATIN
SUPRIADI 0 0 0 1 0
38ATJAYA 0 4 4 1 0
39AYU NINGSIH,
KOMANG 0 4 4 1 0
40BAKHARI 4 0 0 2 1
Sumber : Data Sekunder (2018)
Tabel tersebut adalah data dari setiap kriteria dibagikan dengan nilai maksimum dari masing-masing kriteria sehingga diperoleh nilai yang sesuai pada Tabel 4. sehingga diperoleh matrik nilai normalisasi sebagai berikut:
0 0 0 1 0
0 1 1 0 0
0 1 1 0 0
1 1 0 0 0,25
1 0 1 0 0
0 1 1 0 0,25
0 1 1 0 0
0 0 0 0 0,25
0 0 1 0 0,25
0 1 1 0 0
0 0 1 0 0,25
1 0 1 0 0,25
0 1 1 0 0,25
1 0 1 0 0
1 0 1 0 0
1 1 1 0 0,25
1 0 0 0 0,25
1 1 1 0 0
0 0 1 0 0
0 0 1 0 0,25
0 1 0 0 0,25
0 1 0 0 0
0 1 1 0 0
0 0 0 0 0,25
0 1 0 0 0
0 1 1 0 0
1 0 1 0 0
0 1 1 0 0
0 1 1 0 0
1 0 1 0 0
1 1 1 0 0
0 1 1 0 0,25
0 0 1 0 0,25
1 1 1 0 0
1 1 0 0 0,25
1 0 1 0 0
0 0 1 0 0
0 1 0 0 0
0 1 1 0 0
1 0 1 0 0,25
R=
Pengambil keputusan memberikan bobot, berdasarkan tingkat kepentingan masing- masing kriteria yang dibutuhkan sebagai berikut:
Vektor bobot : W = [4 4 4 4 4] sehingga diperoleh perkalian dari nilai normalisasi dengan vector bobot yang sudah ditentukan. Hasil perkalian matrik normalisasi nilai dengan vector bobot seperti pada Tabel 5.
ISSN : 2461-0690 66 Tabel 5. Tabel perkalian nilai normalisasi
dengan vector bobot No Nama Nasabah Jenis Usaha
Mikro
Status Tempat Usaha
Lama Usaha Omset per bulan (Rp)
Fasilitas
1ABDUL BASIT H. 0 0 0 4 0
2ABDUL QOSIM 0 3 3 4 0
3ABU SUJAK 0 3 3 4 0
4ACENG 3 3 0 4 0,5
5ACIM 3 0 3 4 0
6ADE MUHAMAD AINUR RIDHO
0 3 3 1 0,5
7 MUHAMAD 0 3 3 2 0
8ADEKA 0 0 0 4 0,5
9ADNAN BIN MUIN 0 0 3 4 0,5
10AGUNG SUPRIYADI 0 3 3 4 0
11AGUS MIYANTO 0 0 3 2 0,5
12AGUS NAWI S. 3 0 3 1 0,5
13AGUS RAHMADI 0 3 3 1 0,5
14AGUS SALIM 3 0 3 3 0
15AHMAD SYARIFUDIN
3 0 3 1 0
16ALBERT EDWARD SITUMORANG
3 3 3 1 0,5
17ALI AMRAN 3 0 0 4 0,5
18ALI MUKTADI 3 3 3 1 0
19ALIM HAK H. 0 0 3 1 0
20ALMI 0 0 3 4 0,5
21AMELIANI 0 3 0 4 0,5
22AMIN SUGIANTO 0 3 0 4 0
23ANDRE WIJAYA 0 3 3 4 0
24ANDRIANSYAH 0 0 0 1 0,5
25ANITA 0 3 0 3 0
26ANNA FARIKHATI 0 3 3 4 0
27ANTON SUJARWO 3 0 3 4 0
28ANTONI 0 3 3 1 0
29ARDAI BIN DAING 0 3 3 4 0
30ARI WAHYUONO 3 0 3 1 0
31ARIS WIDIYARSO 3 3 3 1 0
32ASEP JUNAEDI 0 3 3 4 0,5
33ASEP SAEPULOH 0 0 3 4 0,5
34ASEP ZAKARIA 3 3 0 1 0
35ASRI REJEKI 3 3 3 2 0,5
36ASRUL ROSYID 3 0 3 4 0
37ATIN SUPRIADI 0 0 0 1 0
38ATJAYA 0 3 3 1 0
39AYU NINGSIH, KOMANG
0 3 3 1 0
40BAKHARI 3 0 0 2 0,5
Sumber : Data Sekunder (2018)
Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari perkalian matriks ternormalisasi R dengan vektor bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai) sebagai solusi, berdasarkan Tabel 5 dapat diperoleh kesimpulan bahwa nilai diatas dengan total >=5 adalah nilai nasabah yang melakukan pembayaran kredit bank dinyatakan lancar. Dan nilai kurang dari <5 adalah nilai yang tidak lancar atau dapat dikatakan pembayarannya dinyatakan macet atau tidak lancar.
D. Perbandingan Perhitungan Manual dengan SAW
Hasil pengujian awal adalah hasil perhitungan yang dilakukan dengan pengujian manual dengan metode SAW dalam sistem penunjang keputusan (Dewi et al., 2016). Tabel perbandingan manual dengan SAW dapat dilihat pada Tabel 6 berikut:
Tabel 6. Perbandingan Perhitungan Manual Dengan SAW
No Nama Nasabah Manual SAW Hasil Perbandingan
1
ABDUL BASIT H. Macet
Macet Sesuai
2ABDUL QOSIM Lancar Lancar Sesuai 3ABU SUJAK Lancar
Lancar Sesuai
4ACENG Lancar Lancar Sesuai
5ACIM Lancar
Lancar Sesuai
6
ADE MUHAMAD AINUR RIDHO
Lancar
Lancar Sesuai 7 MUHAMAD Lancar Lancar Sesuai
8ADEKA Macet Macet Sesuai
9ADNAN BIN MUIN Lancar
Lancar Sesuai 10AGUNG SUPRIYADI Lancar
Lancar Sesuai 11AGUS MIYANTO Macet
Lancar Tidak Sesuai 12AGUS NAWI S. Lancar Lancar Sesuai 13AGUS RAHMADI Lancar
Lancar Sesuai 14AGUS SALIM Lancar
Lancar Sesuai 15AHMAD SYARIFUDIN Lancar
Lancar Sesuai
16
ALBERT EDWARD SITUMORANG
Lancar
Lancar Sesuai 17ALI AMRAN Lancar Lancar Sesuai 18ALI MUKTADI Lancar Lancar Sesuai 19ALIM HAK H. Macet Macet Sesuai
20ALMI Lancar Lancar Sesuai
21AMELIANI Lancar Lancar Sesuai 22AMIN SUGIANTO Macet
Lancar Tidak Sesuai 23ANDRE WIJAYA Lancar
Lancar Sesuai 24ANDRIANSYAH Macet
Macet Sesuai
25ANITA Macet Lancar Tidak Sesuai 26ANNA FARIKHATI Lancar
Lancar Sesuai 27ANTON SUJARWO Lancar
Lancar Sesuai 28ANTONI Lancar Lancar Sesuai 29ARDAI BIN DAING Lancar
Lancar Sesuai 30ARI WAHYUONO Lancar
Lancar Sesuai 31ARIS WIDIYARSO Lancar
Lancar Sesuai 32ASEP JUNAEDI Lancar Lancar Sesuai 33ASEP SAEPULOH Lancar
Lancar Sesuai 34ASEP ZAKARIA Lancar
Lancar Sesuai 35ASRI REJEKI Lancar
Lancar Sesuai 36ASRUL ROSYID Lancar
Lancar Sesuai 37ATIN SUPRIADI Macet
Macet Sesuai
38ATJAYA Lancar Lancar Sesuai 39AYU NINGSIH,
KOMANG
Lancar
Lancar Sesuai 40BAKHARI Macet Lancar Tidak Sesuai
Sumber : Data Sekunder (2018)
ISSN : 2461-0690 67 Gambar 1. Chart Perbandingan Perhitungan
Manual dengan Metode SAW
Terlihat bahwa dalam perbandingan diatas nilai dari metode SAW dengan metode Manual, bahwa dengan metode SAW dapat menjadi solusi alternative untuk pengambilan keputusan dengan nilai kesesuaian 80%.
E. KESIMPULAN
Dalam pengambilan keputusan pemberian kredit kepada nasabah berdasarkan criteria-criteria yaitu jenis usaha, tempat usaha, lam usaha, omset perbulan, dan fasilitas makan dengan criteria tersebut didapatkan hasil pemberian kredit kepada calon nasabah dengan hasil pembayaran nantinya lancar atau tidaknya (macet) didapatkan hasil dengan menggunakan metode SAW yaitu 80%
dibandingkan dengan menggunakan metode manual.
REFERENSI
[1] Arfyanti, I., & Purwanto, E. (2012). Kredit Pinjaman Pada Bank Rakyat Indonesia Unit Segiri Samarinda Dengan Metode Fuzzy Madm ( Multiple Attribute Decission Making ) Menggunakan Saw ( Simple Additive Weighting ). Seminar Nasional Teknologi Informasi &
Komunikasi Terapan 2012 (Semantik 2012), 2012(Semantik), 119–124.
[2] Dewi, C. K., Rahutomo, F., Studi, P., Informatika, T., Informasi, J. T., & Malang, P. N. (2016).
Rekening Koran Pada Bank Jatim, 2, 76–80.
[3] Elyana, I. (2017). Decision Support System Untuk Kelayakan Pemberian Kredit Motor Dengan Menggunakan Metode Simple Additive Weighting Pada Perusahaan Leasing. Pilar Nusa Mandiri, 13(1), 85–91. Retrieved from http://ejournal.nusamandiri.ac.id/ejurnal/index.p hp/pilar/article/viewFile/341/273
[4] Nofriansyah, D. (n.d.). Konsep Data Mining Sistem Pendukung Keputusan (viii). Yogyakarta:
CV Budi Utama.
[5] Oktaputra, A. W., & Noersasongko, E. (2014).
Sistem Pendukung Keputusan Kelayakan Pemberian Kredit Motor Menggunakan Metode Simple Additive Weighting pada Perusahaan Leasing HD Finance. Jurnal SPK Kelayakan Pemberian Kredit Motor, 1–9.
https://doi.org/10.1007/s00253-010-2932-5 [6] Turban, E. (2005). Decision Support systems
and intelligent system (I). Yogyakarta: Andi.
Sesuai 80%
Tidak Sesuai 20%