BAB I PENDAHULUAN 1.1.

Latar Belakang Perumahan merupakan suatu bisnis yang cukup berkembang untuk saat ini terutama di daerah-daerah yang pertumbuhan ekonomi masyarakatnya cukup baik. Bank sebagai media antara Develover dengan konsumen juga ikut berperan aktif dalam bisnis ini, karena bank adalah sebagai ujung tombak dalam penyeleksian konsumen yang layak memperoleh kredit perumahan sesuai dengan ketentuan dan peraturan yang berlaku. Bank Tabungan Negara (BTN) adalah salah satu bank yang mempunyai produk kredit perumahan, yang sudah cukup banyak bekerja sama dengan developer dalam rangka mememnuhi kebutuhan perumahan masyarkat di Indonesia. Ada dua produk KPR yang disediakan oleh BTN yaitu KPR bersubsidi dan KPR Non subsidi.. KPR subsidi diberikan kepada keluarga yang baru pertama kali memiliki rumah dan termasuk kelompok sasaran masyarakat berpenghasilan rendah. Dalam hal ini developer sebagai pihak pengembang yang merupakan mitra dari Bank harus mampu membangun perumahan sesuai dengan type-type yang sesuai dengan kebutuhan masyarakat serta terjangkau oleh ekonomi. Masyarakat. Bank sebagai pihak pengelola kredit juga harus mampu memberikan pelayanan yang baik kepada konsumen. Untuk memutuskn pemberian KPR pihak Bank harus menyeleksi sebaik-baiknya yang berkemungkinan untuk menghindari kredit macet dan likuiditas bank dalam hal ini pihak bank sebagai penjamim dengan menetapkan peraturan-peraturan dan seiring dengan adanya tekhnologi banyak aplikasi perbankkan yang dapat dikembangkan secara komputerisasi. Sistem pakar merupakan salah satu dari sistem computer yang dapat digunakan untuk membantu penyelesaian masalah yang tidak terstruktur maupun semi terstruktur yang merupakan sistem dari kecerdasan buatan yang mengandung pengetahuan dan pengalaman yang dimasukkan oleh satu atau banyak pakar ke dalam suatu area pengetahuan tertentu. Salah satu metode yang digunakan dalam

sistem pakar ini yaitu metode logika fuzzy (fuzzy logic) yang digunakan sebagai suatu cara untuk memetakan permasalahan dari input menuju ke output yang diharapkan. . Sistem pakar yang akan dibangun pada BTN ini merupakan suatu program aplikasi computer pengambilan yang diharapkan diterima berfungsi untuk membantu proses

keputusan

atau

ditolak sebuah permohonan fasilitas

kredit dengan menggunakan metode logika fuzzy. Dimana metode logika fuzzy ini secara sistem membantu ketelitian dan ketepatan dalam pengambilan keputusan. Pembuatan aplikasi sistem pakar ini diharapkan mampu mengatasi permasalahan di ba n k dala m hal pem be ria n kre dit khususnya mengakses unsur kecepatan, kemudahan dalam

dan keamanan dalam penyaluran

fasilitas kredit kepada calon debitur.

1.2. Identifikasi Masalah Masalah yang timbul dalam pemberian kredit perumahan ini adalah begitu banyaknya konsumen yang ingin mengajukan kredit perumahan ini terutama pada KPR bersubsidi yang dari kalangan ekonomi menengah ke bawah, tentu akan menjadi hal yang rumit dan kompleks dalam penyeleksian kelayakan pemohon tersebut sesuai dengan data dokumen calon debitur.

1.3. Tujuan Tujuan yang hendak dicapai dalam pembuatan aplikasi sistem pakar dengan fuzzy logic ini adalah membantu pihak bank untuk menyeleksi calon debitur layak atau tidaknya untuk mendapatkan KPR sesuai dengan ketentuan dan persyaratan serta pertimbangan. 1.4. Batasan Masalah Dalam makalah ini masalah yang dibahas terbatas pada menentukan kelayakn seorang pemohon kredit perumahan untuk diterima atau ditolak khusunya pada BTN dengan produk KPR BTN.

1.5. Rumusan Masalah Berdasarkan latar belakang di atas, dapat dirumuskan permaslahan yang akan menjadi topic dalam pembahasan makalah ini, yaitu : 1. Bagaimana mengatasi permasalahan penyelseksian kelayakan pemohon kredit untuk menjadi jadi calon debitur KPR BTN? 2. Bagaimana sistem pakar yang akan diterapkan untuk meyeleksi pemohon kredit KPR BTN?

BAB II LANDASAN TEORI 2.1. KPR BTN Kredit Pemilikan Rumah (KPR) pada PT. Bank Tabungan Negara (BTN) adalah merupakan produk pembiayaan yang diberikan kepada

pembeli rumah dengan skema pembiayaan antara 80 sampai maksimal 90% dari harga rumah. Secara umum untuk persyaratan dan ketentuan yang diperlakukan oleh bank untuk nasabah yang akan mengajukan proses KPR relative sama antara bank satu dengan bank yang lain, yakni KTP suami dan istri apabila sudah menikah, KK, Slip gaji, laporan

keuangan bagi yang berwiraswasta, NPWP untuk kredit diatas Rp. 100 juta, SPT PPh Pribadi untuk kredit diatas Rp.50 juta, Fotocopy sertifikat rumah, fotocopy IMB, dan selain itu nasabah harus mengisi formulir permohonan pengajuan kredit perorangan yang sudah disiapkan oleh BTN. Selain persyaratan administrasi, pemohon juga dikenakan beberapa biaya yaitu biaya Appraisal, biaya notaris provisi Bank, biaya asuransi, biaya premi asuransi jiwa selama masa kredit, biaya legalisir notaris, biaya administrasi, biaya APHT/ surat kuasa. Kewajiban dari pihak pembeli adalah membayar uang muka, membayar angsuran rumahnya dengan cara dicicil kepada BTN, merawat rumah, membayar biaya proses kredit sesuai SP3K. Hak pembeli adalah memperoleh rumah sesuai perjanjian, mendapatkan dokumen rumah sertifikat dan IMB dari BTN setelah angsurannya lunas (dengan catatan semua dokumen tersebut telah diserahkan kepada pihak BTN dari pihak penjual/developer). Kewajiban dari penjual/developer adalah membangun sesuai spesifikasi,

menyelesaikan dokumen-dokumen rumah tersebut (sertifikatdan IMB), menyelesaikan fasilitas air bersih dan listrik, menyelesaikan sarana dan prasarana. Hak penjual adalah menerima uang muka, menerima hasil penjualan. Kewajiban dari pihak Bank adalah menyimpan dan

mengadministrasikan dokumen pokok, menyerahkan seluruh dokumen jaminan apabila telah lunas dan apabila dikumen telah diterima oleh bank.

Hak dari Bank adalah menerima pembayaran angsuran kredit atau pelunasan kredit, memotong gaji sesuai SKPO, menagih pembayaran

angsuran, melakukan eksekusi rumah agunan jika terjadi cedera janji. Terdapat dua jenis produk pada BTN dan kedua jenis produk ini hampir sama di semua bank yang memiliki program KPR. Pertama adalah memiliki KPR subsidi diberikan kepada keluarga yang baru pertama kali dan termasuk kelompok sasaran masyarakat

rumah

berpenghasilan rendah. Penghasilan dimaksud adalah penghasilan yang didasarkan atas gaji pokok pemohon atau pendapatan pemohon per bulan. Subsidi diberikan kepada kelompok sasaran, berpenghasilan tetap, memenuhi persyaratan untuk memperoleh kredit sesuai yang dengan

ketentuan bank, yaitu kelompok I untuk penghasilan Rp. 900.000,- sampai Rp.1.500.000,-; untuk kelompok II untuk penghasilan Rp. 500.000,sampai Rp.900.000,-; dan kelompok III untuk penghasilan Rp.

350.000,- sampai Rp.500.000,-. KPR subsidi ini menggunakan sistem bunga flat sampai tahun pelunasan dalam pembayaran angsurannya.

Kedua adalah KPR non subsidi, yaitu jenis KPR yang menggunakan sistem pembayaran bunga flat untuk tahun pertama saja, dan untuk tahun berikutnya sampai tahun pelunasan menggunakan suku bunga yang berlaku di pasar. Adapun macam-macam produk KPR non subsidi, yaitu : Kredit Griya Utama (KGU), Kredit Griya Multi (KGM), Kredit Pemilikan Ruko, Kredit Swa Griya (KSG). Kredit Griya Sembada (KGS), Kredit Swadana.

2.2. Sistem Pakar (Ekspert System) System pakar (expert system ) merupakan paket perangkat

lunak atau paket program komputer yang ditujukan sebagai penyedia nasehat dan sarana bantu dalam memecahkan masalah di bidang-bidang spesialisasi tertentu seperti sains, perekayasaan, matematika, kedokteran, pendidikan dan sebagainya. Expert system merupakan subset dari

Artificial Intelegence. Keunggulan sistem pakar : a. Kemampuan menghimpun data dalam jumlah yang sangat besar.

b. Kemampuan menyimpan data tersebut untuk jangka waktu yang panjang dalam suatu bentuk yang tertentu. c. Kemampuan mengerjakan perhitungan secara tepat dan tepat dan tanpa jemu mencari kembali data yang tersimpan dengan kecepatan tinggi. Kemampuan sistem pakar : a. Menjawab berbagai pertanyaan yang menyangkut bidang keahliannya. b. Bila diperlukan dapat menyajikan asumsi dan alur penalaran yang digunakan untuk sampai ke jawaban yang dikehendaki. c. Menambah fakta kaidah dan alur penalaran sahih yang baru ke dalam otaknya.

Daya tarik expert sistem adalah dapat melakukan tugas pemecahan masalah dalam porsi yang lebih besar dari pada yang dapat dilakukan oleh aplikasi komputer lain. Expert System dan DSS Perbedaan antara expert sistem dan DSS adalah : 1. DSS terdiri dari routine merefleksikan keyakinan manajer dalam caranya memecahkan masalah. Keputusan yang dihasilkan oleh DSS

merefleksikan gaya kemampuan manajer, sebaliknya expert sistem memberikan peluang untuk mendapatkan kemampuan dalam membuat keputusan melebihi kemampuan yang dimiliki manajer. 2. Expert System mempunyai kemampuan untuk menjelaskan jalur penalaran yang diikuti pencapaian pemecahan tertentu, penjelasan mengenai bagaimana pemecahan dicapai akan lebih berguna dari pada pemecahan itu sendiri.

Permasalahan yang sebaiknya menggunakan expert sistem daripada DSS yang apa bila : Masalah tersebut melibatkan diagnosis situasi yang kompleks / melibatkan besar. pembutan kesimpulan / peringkasan dari volume data yang

Ada tingkat ketidaktentuan dalam aspek masalah tertentu. Ada kemungkinan bagi ahli manusia untuk memecahkan masalah tersebut dalam jangka waktu yang wajar.

Inference Engine Knowledge Base (Rules) Working Memory (Facts)

Agenda

Explanation Faacility

Knowledge Acquisition Facility

User Interface

Gambar Struktur Expert System 2.3.Sekilas tentang Teori Fuzzy 2.3.1. Teori fuzzy Multiple Atribute decision Making (FMADM) Teori fuzzy dapat diartikan sebagai teori dasar yang menggunakan konsep dasar himpunan fuzzy atau fungsi keanggotaan yang menyajikan titik pandang pada kerangka himpunan biasa. Teori ini lebih umum dan banyak menghasilkan sudut pandang yang luas dalam praktek. Secara khusus penerapannya adalah pada bidang klasifikasi pola dan pemrosesan informasi. Pada dasarnya, ada 3 pendekatan untuk mencari nilai bobot atribut yaitu pendekatan subyektif, pendekatan obyektif dan pendekatan integrasi antara subyektif dan obyektif, masing-masing pendekatan memiliki kelebihan dan kelemahan. Pada pendekatan subyektif, nilai bobot di tentukan berdasarkan subyektifitas dari para pengambil keputusan, sehingga beberapa factor dalam proses perangkingan alternatif bisa di tentukan secara bebas.sedangkan pada pendekatan obyektif, nilai bobot di hitung secara matematis sehingga mengabaikan subyektifitas dari pengambilan keputusan ( Kusumadewi dkk., 2006: 105).

2.3.2

Algoritma Fuzzy Multiple Attribute Decision Making (FMADM)

Menurut Kusumadewi dalam Wahyudi Setiawan (2009), Algoritma FMADM adalah : 1. Memberikan nilai setiap alternatif (Ai) pada setiap criteria ( Cj yang sudah di tentukan, dimana nilai tersebut di peroleh berdasarkan nilai crisp; i=1,2,m dan j=1,2,,n. 2. Memberikan nilai bobot (W) yang juga didapatkan dari nilai crisp. 3. Melakukan normalisasi matriks dengan cara menghitung nlai rating kinerja ternormalisasi (rij) dari alternative Ai pada atribut Cj berdasarkan persamaan yang diesuaikan dengan jenis atribut (atribut keuntungan atau benefit = maksimum atau atribut biaya atau cost=minimum). Apabila berupa atribut keuntungan maka nilai crisp (Xij) dari setiap kolom atribut dibagi dengan nilai crisp MAX (MAX Xij) dari tiap kolom, sedangkan untuk atribut biaya, nilai crisp MIN (MIN Xij) dari tiap kolom atribut dibagai dengan nilai crisp (xij) setiap kolom. 4. Melakukan proses perangkingan dengan cara mengalikan nilai bobot (W) dengan matriks ternormalisasi (R). 5. Menentukan nilai preferensi untuk setiap alternative (Vi) dengan cara menjumlahkan hasil kali antara matriks ternormalsasi (R) dengan niali bobot (W). nilai Vi yang lebih besar mengindikasikan bahwa alternative Ai lebih terpilih.

2.3.3. Simple Additive Weighting Method (SAW) Metode SAW sering juga dikenal istilah metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternative pada semua atribut. Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternative yang ada.

r ij =

X ij _______ Max Xij

Jika atribut keuntungan (benefit)

(2.1)

Jika atribut keuntungan (cost)

(2.2)

Dimana rij adalah rating kinerja ternormalisasi dari alternative Ai pada atribut Cj. I = 1,2,..m dan j = 1,2,.,n. nilai preferensi untuk setiap alternative (Vi) diberikan sebagai :

Nilai Vi yang lebih besar mengindikasikan bahwa laternatif Ai lebih terpilih. (Kusumadewi dkk, 2006:74)

2.3.4. Logika Fuzzy (Fuzzy Logic) Pada tahun 1965 Professor Lotfi A. Zadeh dari Universitas California memperkenalkan dasar fuzzy logic seperti yang dikenal sekarang dan aplikasi yang digunakan pada saat ini. Professor Lotfi A. Zadeh memperkenalkan bahwa logika Boolean yang hanya memiliki nilai salah-atau-benar tidak bergantung pada banyak perbedaan yang mendasari masalah-masalah di realita sebenarnya. Professor Lotfi A. Zadeh ini menjabarkan ide dari himpunan klasik (classical set) ini menjadi apa yang disebut dengan himpunan fuzzy (fuzzy set). Logika Boolean bersifat bivalen atau hanya memiliki dua nilai yaitu apakah 0 (salah) atau 1 (benar) yang secara kualitas berdiri sendiri. Sebaliknya, pada fuzzy set bersifat multi-nilai, yang bekerja dengan derajat keanggotaan (degree of membership) atau kebenaran di dalam set (kumpulan nilai-nilai) tersebut. Kadang nilai keanggotaan di dalam set bisa bernilai sebagian

benar (true) atau sebagian salah (false) pada saat yang sama. Untuk kumpulan nilai (set) S fungsi karakteristik fs(x) menjelaskan apakah nilai elemen x merupakan anggotan dari elemen himpunan S, dimana fs(x) = 1 jika benar dan fs(x) = 0 jika salah.

10

BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1. Analisis Kebutuhan Sistem 3.1.1. Analisis Proses Sistem Pada tahap analisis proses sistem penentuan kelayakan KPR BTN Sejahtera dapat digambarkan secara umum kedalam diagram konteks dan secara detail digambarkan kedalam DFD.

- Infomasi Tipe KPR - Infomasi Kredit KPR - Infomasi Kelayakan Kredit Pemilikan Rumah

DEBITUR

0
Pengolahan Data Penentuan Kelayakan Kredit Pemilikan Rumah (KPR) BTN Sejahterah Pada BTN

- Formulir Pemohon Kredit - Foto copy KTP Debitur dan Pasangan (Bagi yang sudah menikah) - Foto copy KK (Kartu Keluarga) - Foto copy Surat Nikah / Cerai - Foto copy Slip Gaji terakhir - Foto SK Pengangkatan Pegawai tetap

Data Debitur, Data Dokumen Debitur

- Foto copy Rekening Tabungan / Giro yang dimiliki - Foto copy SPT PPh Pasal 21 - Foto copy Akta Pendirian Usaha, SIUP, TDP, & Surat keterangan Domisili - Foto copy Sertifikat tanah (SHM/SHGB) dan IMB - Data Tipe KPR - Data Kredit KPR - Data Debitur

BANK

Gambar 3.1. Diagram Conteks Pengolahan Data Penentuan Kelayakan KPR BTN Sejahtera Pada BTN

11

Informasi Struktur KPR BTN Sejahtera DEBITUR Informasi Tipe Rumah KPR BTN Sejahtera

1.0
- Formulir Pemohon Kredit - Dokumen Pendukung

Permohonan KPR BTN Sejahtera

Record Debitur

D4

Data Debitur D5 Data Dokumen Debitur

Record Dokumen Debitur

Informasi Kelayakan KPR BTN Sejahtera Informasi Kelayakan KPR BTN Sejahtera

- Record Debitur - Record Dokumen Debitur

2.0
BANK User_id

Penentuan Kelayakan KPR BTN Sejahtera dengan Fuzzy Logic

Record Proses KPR

D6

Data Proses KPR

Record Tipe KPR Record Angsuran

3.0
Maintenance Data Tipe Rumah

Record User D1 Record Tipe KPR D2 Data User Data Tipe KPR

User_id

4.0
User_id

Record User Record Angsuran

D1 D3

Data User Data Angsuran

Maintenance Data Angsuran

Gambar 3.2 DFD Level 0 Pengolahan Data Penentuan Kelayakan KPR BTN Sejahtera.

12

DEBITUR

1.1
- Formulir Pemohon Kredit - Dokumen Pendukung

Pemilihan Tipe dan Angsuran KPR BTN Sejahtera

Record Tipe KPR D2 Record Angsuran D3 Data Angsuran Data Tipe KPR

- Data Debitur - Data Dokumen Pendukung

Informasi Kelengkapan Dokumen User_ID

1.2
Record Debitur D4

BANK

- Data Debitur - Data Dokumen Pendukung

Verifikasi Kelengkapan Dokumen Pendukung

Data Debitur

Record Dokumen Debitur Record User D1

D5

Data Dokumen Debitur

Data User

Gambar 3.3 DFD Level 1 Proses Permohonan KPR BTN Sejahtera

BANK User_id

Record User

2.1
Login Sistem
User_id

2.2
D1 Record Tipe KPR D2 Record Angsuran D3 Record Debitur D4 Record Dokumen Debitur D5 Record Proses KPR Data Dokumen Debitur Data Debitur Data Angsuran Data User Data Tipe KPR

Informasi Kelayakan KPR BTN Sejahtera

Pengujian Kriteria pada Parameter Debitur Dengan Fuzzy Logic

D6

Data Proses KPR

DEBITUR

Informasi Kelayakan KPR BTN Sejahtera

Gambar 3.4 DFD Level 1 Proses Pengujian Kriteria pada Parameter Debitur Dengan Fuzzy Logic

13

BANK

3.1
Record User User_ID, Data Tipe KPR

Tambah Data Tipe KPR

D1 Record Tipe KPR D2

Data User Data Tipe KPR

3.2
User_id

Record User D1 Record Tipe KPR D2 Data User Data Tipe KPR

Ubah Data Tipe KPR

3.3
User_id

Record User D1 Record Tipe KPR D2 Data User Data Tipe KPR

Hapus Data Tipe KPR

Gambar 3.5 DFD Level 1 Proses Maintenance Data Tipe KPR

BANK

4.1
Record User User_ID, Data Angsuran

Tambah Data Angsuran

D1 Record Angsuran D3

Data User Data Angsuran

4.2
User_id

Record User D1 Record Angsuran D3 Data User Data Angsuran

Ubah Data Angsuran

4.3
User_id

Record User D1 Record Angsuran D3 Data User Data Angsuran

Hapus Data Angsuran

Gambar 3.6 DFD Level 1 Proses Maintenance Data Angsuran

14

3.1.2. Kamus Data

Nama Arus Data Alias Bentuk Arus Data Arus Data Keterangan Periode Sturuktur Data

KAMUS DATA USER : Data User : User : Tampilan pada layar monitor : Data identitas pegawai bank ke simpanan data user : Data yang berisi identitas pegawai bank yang terdaftar sebagai pengguna dati sistem tersebut : Setiap ada perubahan data pegawai bank baik yang baru maupun yang lama : ID_Pegawai, Nama Pegawai, Bagian, user_id, password KAMUS DATA TIPE KPR : Data Tipe KPR : Tipe_KPR : Tampilan pada layar monitor : Data Tipe KPR ke simpanan data tipe KPR : Data yang berisi Data Tipe KPR : Setiap ada perubahan data tipe KPR baik yang baru maupun yang lama : Kode KPR, Status Sertifikat, Luas Tanah, Luas Bangunan, Lokasi Rumah, Harga Rumah KAMUS DATA ANGSURAN / FLATFORM : Data Angsuran : Angsuran : Tampilan pada layar monitor : Data Angsuran ke simpanan data angsuran : Data yang berisi Data Angsuran KPR : Setiap ada perubahan data tipe KPR baik yang baru maupun yang lama : Kode KPR, Harga KPR, DP, Masa Kredit, Suku Bunga, Jaminan, Tujuan Pembelian Rumah

Nama Arus Data Alias Bentuk Arus Data Arus Data Keterangan Periode Sturuktur Data

Nama Arus Data Alias Bentuk Arus Data Arus Data Keterangan Periode Sturuktur Data

15

Nama Arus Data Alias Bentuk Arus Data Arus Data Keterangan Periode Sturuktur Data

KAMUS DATA DEBITUR : Data Debitur : Debitur : Tampilan pada layar monitor : : : : Data Angsuran ke simpanan data debitur Data yang berisi Data Debitur Setiap ada Permohonan pengajuan KPR Kode KPR, Tanggal, No KTP, Nama, Alamat, Telepon, Usia, Jenjang Pendidikan, Pekerjaan, Status, Penghasilan Perbulan, Pengeluaran Perbulan, Tanggungan, angsuran lain

Nama Arus Data Alias Bentuk Arus Data Arus Data Keterangan Periode Sturuktur Data

KAMUS DATA DOKUMEN DEBITUR : Data Dokumen Debitur : Dok_Debitur : Tampilan pada layar monitor : Data Dokumen Debitur ke simpanan data dokumen debitur : Data yang berisi Data Kelengkapan Dokumen Debitur : Setiap ada Permohonan pengajuan dan perubahan kelengkapan dokumen : Kode_KPR, Fc KTP Debitur, Fc KTP Pasangan, Fc KK, Fc Surat Nikah, Fc Surat Cerai, Fc Slip Gaji, Fc SK, Fc Rek Tabungan,

3.1.3. Analisis Input Data yang di input adalah data berdasarkan formulir KPR BTN yang disi oleh pemohon yang dilengkapi dengan dokumen pendukung yang akan menjadi record data debitur, sedangkan data input yang digunakan untuk pengujian kelayakan dalam sistem yaitu : 1. Usia 2. Pendidikan 3. Pekerjaan 4. Penghasilan per bulan

16

5. Status 6. Tanggungan 7. Penghasilan bersih (% dari Penghasilan per bulan) 3.1.4. Analisis Output Output sistem yang dihasilkan yaitu mengetahui hasil akhir dengan perhitungan metode Fuzzy MADM dan menegtahui layak atau tidaknya berdasarkan logika atau criteria yang ditetapkan oleh Bank dengan data pendukung hasil akhir dari sistem.

N o

Nama

Usia

Pendididikan

Pekerjaan

Penghasil an/bulan

Status

Tanggungan

Penghasilan bersih

Hasil akhir

Gambar 3.1.4.1. Rancangan output hasil akhir

N o

Nama

Usia

Pendididikan

Pekerjaan

Penghasil an/bulan

Status

Tanggungan

Penghasilan bersih

Hasil akhir

Layak/ Tidak layak

Gambar 3.1.4.2 Rancangan Output kelayakan 3.1.5. Analisis Kriteria dan persyaratan KPR BTN Dalam penentuan kelayakan pemohon kredit KPR BTN ini diterima atau ditolak, pihak bank akan meganalisis data konsumen dan dokumen pendukungnya sesuai dengan pesyaratan dan ketentuan yang berlaku.

17

Persyaratan umum Calon Debitur: 1. 2. 3. 4. Memenuhi kriteria Kelompok Sasaran Belum pernah memiliki rumah/hunian; Belum pernah menerima subsidi perumahan; Memiliki NPWP dan SPT Tahunan PPh Orang Pribadi sesuai dengan peraturan perundang-undangan yang berlaku. Bila penghasilan calon debitur lebih besar daripada Penghasilan Tidak Kena Pajak (PTKP). NPWP baru yang belum memiliki kewajiban pelaporan pajak, debitur diwajibkan menyerahkan SPT kepada Bank setelah SPT ada 5. Memiliki penghasilan pokok maksimal Rp. 2.5 juta per bulan untuk KPR Sejahtera Tapak dan maksimal Rp. 4.5 juta untuk KPR Sejahtera susun 6. Suku Bunga : KPR Sejahtera Tapak SUKU MAKSIMAL KPR BUNGA (Rp) (pa) *) s/d Rp. 50 Juta >Rp. 50 juta s/d Rp. 60 Juta >Rp. 60 Juta s/d Rp. 70 Juta >Rp. 70 Juta s/d Rp. 80 Juta 8,15% 8,25% 8,35% 8,50% KPR Sejahtera Susun SUKU MAKSIMAL KPR BUNGA (Rp) (pa) *) s/d Rp. 90 Juta >Rp. 90 Juta s/d Rp. 100 Juta >Rp. 100 Juta s/d Rp. 110 Juta >Rp. 110 Juta s/d Rp.120 Juta >Rp. 120 Juta s/d Rp. 130 Juta >Rp. 130 Juta s/d Rp. 135 Juta 9,25% 9,35% 9,50% 9,65% 9,80% 9,95%

Persyaratan Nasabah pemohon kredit rumah

Mengisi formulir permohonan Menyerahkan copy identitas diri (KTP, KK, Akta Nikah), Menyerahkan copy slip/keterangan gaji atau keterangan penghasilan. Menyerahkan copy SK Pegawai atau Keterangan Kerja dari Perusahaan.

18

Menyerahkan copy Ijin Usaha untuk wiraswasta (Akte Pendirian, Domisili Usaha, TDP, SIUPP, NPWP, dll)

Formulir Permohonan Kredit Perorangan KPR PT. BTN (Persero) Tbk.

19

Lanjutan Formulir Permohonan Kredit Perorangan KPR PT. BTN (Persero) Tbk.

Gambar 3.1.4. Formulir Permohonan Kredit Perorangan PT. BTN (Persero) Tbk.

20

3.2. Perhitungan hasil akhir menggunakan metode fuzzy 3.2.1. Penentuan variable Input Variabel input yang dibutuhkan untuk melakukan proses penyeleksian data debitur untuk dipertimbangkan kelayakannya adalah sebagai berikut : 1. Usia 2. Pendidikan 3. Pekerjaan 4. Penghasilan per bulan 5. Status Pernikahan 6. Jumlah tanggungan 7. Penghasilan bersih (% dari penghasilan per bulan)

Variabel input nomor 1 s/d 7 berasal dari data formulir dan data pendukung pemohon.

3.2.2. Nilai bobot dan kriteria yang dibutuhkan. Nilai Bobot Nilai bobot berkisar antara 0 dan 1 Diabawah ini adalah bilangan fuzzy dari bobot : 1. Sangat rendah (SR) = 0 2. Rendah (R) = 0,25 3. Cukup (C) = 0,5 4. Tinggi (T) = 0,75 5. Sangat Tinggi (ST) = 1 Kriteria C1 = Usia C2 = Pendidikan C3 = Pekerjaan C4 = Penghasilan per bulan

21

C5 = Status Pernikahan C6 = Jumlah tanggungan C7 = Penghasilan bersih (5 dari penghasilan perbulan) Kriteria yang ada di konversi dengan bilangan fuzzy, antara lain : 1. Nilai usia di dapatkan dari konversi bilangan fuzzy yaitu: Usia Muda ( >= 20 s.d <= 35) Parobaya (>= 35 s.d <= 45) Tua (> 45 s.d <= 55) Nilai 0,50 0,75 1

2. Nilai pendidikan di dapat dari konversi bilangan fuzzy yaitu: pendidikan SD SMP SMA Diploma S1 S2 S3 Nilai 0.15 0.30 0.45 0.60 0.75 0.90 1

3. Nilai pekerjaan di dapat dari konversi bilangan fuzzy yaitu: Pekerjaan PNS /karyawan / pegawai Wiraswasta/swasta nilai 0.5 1

4. Nilai penghasilan per bulan di dapat dari konversi bilangan fuzzy yaitu : Penghasilan per bulan 350.000- 500.000 > 500.000 - < 900.000 900.000 - <= 1.500.000 >1.500.000 - <= 4.500.000 Nilai 0.25 0.50 0.75 1

22

5. Nilai status pernikahan didapat dari konvesi bilangan fuzzy Status pernikahan Tidak Kawin Kawin Nilai 0.5 1

6. Nilai tanggungan di dapat dari konversi bilangan fuzzy yaitu : Tanggungan 0 anak nilai 0,20 0,40 0,60 0,80 1

1 anak 2 anak 3.anak >3 anak

7. Nilai penghasilan bersih dari konversi bilangan fuzzy yaitu : Pengasilan bersih (% dari penghasilan Nilai perbulan) 0 - < 50 % >= 50 % - <100 % 100 % 0 0,5 1

Nilai hasil akhir dapat dikethui : a. Memberikan nilai setiap alternative (Ai) pada setiap kreteria (Cj) yang sudah kita tentukan, dimana nilai variable tersebut diperoleh berdasarkan scope atau nilai crisp i=1,2,m dan j= 1,2n Alternatif : A1. = Andi A2 = Santoso A3 = Erwin A4 = Jamilah A5 = Aisah

23

Kreteria:

C1 = Usia C2 = Pendidikan C3 = Pekerjaan C4 = Penghasilan per bulan C5 = Status Pernikahan C6 = Jumlah tanggungan C7 = Penghasilan bersih

Alternatif C1 A1 A2 A3 A4 A5 1 0,5 0,5 0,75 0,5 C2 0,15 0,30 0,45 0,60 0,75 C3 1 1 0,5 0,5 0,5

kreteria C4 1 0,75 0,75 1 1 C5 1 1 0,5 1 0,5 C6 0,80 0,40 0,20 0,60 0,20 C7 0,5 1 1 0,5 1

b. Memberikan nilai bobot (W) yang juga diperoleh berdasarkan nilai crisp. pengambil keputusan yang memberikan bobot kelayakan : W1 = 0.5 W2 = 0.45 W3 = 0.5 W4 = 0.75 W5 = 1 W6 = 0.60 W7= 1 c. MelakukanNormalisasi matrik : 1 0,5
X=

0,15 0,30 0,45 0,60 0,75

1 1 0,5 0,5 0,5

1 0,75 0,75 1 1

1 1 0,5 1 0,5

0,80 0,40 0,20 0,60 0,20

0,5 1 1 0,5 1

0,5 0,75 0,5

24

Normalisasi matriks berdasarkan persamaan 2.1. Formula :

r ij = X ij _______ Max Xij

r 11 r 12 r 13 r 14 r 15 r 16 r 17

= = = = = = = = = =

= 0,31 = = 0,4 = 0,22 = 0,06

= = 0,25 = = 0,125 = 0,36

dan seterusnya, hingga diperoleh matriks ternormalisasi sebagai berikut : 1 0,5

R=

0,15 0,30 0,45 0,60 0,75

1 1 0,5 0,5 0,5

1 0,75 0,75 1 1

1 1 0,5 1 0,5

0,80 0,40 0,20 0,60 0,20

0,5 1 1 0,5 1

0,5 0,75 0,5

d. Melakukan proses perangkingan dengan cara mengalikan nilai bobot (W) dengan matriks ternormalisasi (R) e. Menentukan nilai preferensi untuk setiap alternative (Vi) dengan cara menjumlahkan hasil kali antara matriks ternormalisasi (R) dengan nilai bobot

25

(W). Nilai Vi yang lebih tinggi menindikasikan bahwa alternative Ai lebih terpilih.

Proses perangkingan diperoleh berdasarkan persamaan 2.3 : Formula :

V1 = (0,5)(1)+(0,45)(0,5)+(0,5)(1)+(0,75)(1)+(1)(1)+(0,60)(0,80)+(1)(0,5) V2 = (0,5)(0,5)+(0,45)(0,30)+(0,5)(1)+(0,75)(0,75)+(1)(1)+(0,60)(0,40)+(1)(1) V3 = (0,5)(0,5)+(0,45)(0,45)+(0,5)(0,5)+(0,75)(0,75)+(1)(0,5)+(0,60)(0,20)+(1)(1) V4 = (0,5)(0,75)+(0,45)(0,60)+(0,5)(0,5)+(0,75)(1)+(1)(1)+(0,60)(0,60)+(1)(0,5) V5 = (0,5)(0,5)+(0,45)(0,75)+(0,5)(0,5)+(0,75)(1)+(1)(0,5)+(0,60)(0,20)+(1)(0,1)

= 3.955 = 3.6875 = 2.885 = 3.505 = 3.2075

Nilai tertinggi ada pada V1, sehingga V1 terletak di record paling atas dan kemudian di urutkan hingga nilai yang paling rendah 3.3. Rancangan Output Sistem 3.3.1. Rancangan Output Hasil Akhir Dalam rancangan ini terdapat field hasil akhir yang di urutkan berdasarkan nilai yang paling tinggi berdasarkan perhitungan Fuzzy. Yang mana hasil akhir ini akan dijadikan data pendudkung dalam pengambilan keputusan apakah seorang pemohon layak atau tidak memperoleh kredit.

26

No

Nama

Usia

Pendididikan

Pekerjaan

Penghasil an/bulan (Rp)

Status

Tanggungan

Penghasilan bersih (% dari penghasilan perbulan

Hasil Akhir

1 2 4 5 3

Andi Santoso Jamilah Aisah Erwin

50 30 35 25 21

SD SMP DIPLOMA S1 SMA

Wiraswasta wiraswasta PNS PNS Karyawan

4.000.000 1.500.000 3.000.000. 2.500.000 1.200.000

K K K TK TK

3 1 2 0 0

60 % 100 % 100 % 50 % 100 %

3.955 3.6875 3.505 3.2075 2.885

Gambar 3.3.1. Rancangan output hasil akhir 3.3.2. Rancangan Output Kelayakan Dalam rancangan ini ditampilkan hasil layak atau tidaknya pemohon diterima menjadi calon debitur KPR BTN berdasarkan dari nilai hasil akhir dengan perhitungan fuzzy di atas. Penentuan kelayakan ini diperlukan logika yang ditentukan oleh pihak Bank. Misalnya dengan memberi rentang nilai yang layak adalah yang memperoleh nilai hasil akhir lebih besar atau sama dengan 3500. Layak = Nilai akhir >= 3500
No Nama Usia Pendididikan Pekerjaan Penghasil an/bulan (Rp) Status Tanggungan Penghasilan bersih (% dari penghasilan perbulan 1 2 4 5 3 Andi Santoso Jamilah Aisah Erwin 50 30 35 25 21 SD SMP DIPLOMA S1 SMA Wiraswasta wiraswasta PNS PNS Karyawan 4.000.000 1.500.000 3.000.000. 2.500.000 1.200.000 K K K TK TK 3 1 2 0 0 60 % 100 % 100 % 50 % 100 % Hasil Akhir Layak / Tidak Layak`

3.955 3.6875 3.505 3.2075 2.885

layak layak layak Tidak layak Tidak layak

Gambar 3.3.1. Rancangan output Kelayakan

27

BAB IV PENUTUP 4.1. Kesimpulan 1. Model fuzzy logic MADM merupakan suatu methode dan methode yang dapat digunakan untuk menyelesaikan masalah pengambilan keputusan dengan criteria banyak dimana dilakukan proses perangkingan dengan alternative-alternatif yang diurutkan dari masing-masing nilai. 2. Pada prinsipnya system penunjang pengambilan keputusan hanya membantu para pengambil keputusan dan bukan sebagai penggantikan posisi para pengambilan keputusan untuk memberikan dan mengabulkan kredit rumah yang di inginkan oleh pemohon. 3. KPR BTN sangat membantu para masyarakat yang ingin memiliki rumah untuk tempat tinggal yang dilakukan secara manual sehingga membutuhkan waktu proses yang panjang untuk menentukan layak dan tidak layaknya seorang pemohon untuk mendapatkan perumahan KPR BTN. 4.2. Saran Kami menyadari bahwa masih banyak kekurangan yang kami hadapi dalam merancang system yang dibuat tersebut, oleh sebab itu ada beberapa saran yang ingin kami sampaikan guna perbaikan di masa yang akan datang diantaranya : 1. System penunjang keputusan yang digunakan untuk pemenuhan permohonan kredit rumah sebaiknya dirancang untuk memenuhi semua kalayak masyarakat guna perbaikan penghidupan. 2. System penunjang keputusan ini salayaknya akan terus berkesinambungan sampai masyarakat semuanya bias mendapatkan penghidupan dalam perumahan yang layak.

28

DAFTAR PUSTAKA 1. Kusrini, 2007, Konsep dan aplikasi system pendukung keputusan, Yogyakarta: Andi. 2. Sri,Kusumadewi,dkk, 2010 aplikasi logika fuzzy untuk mendukung keputusan, yogyakarta: Graha ilmu. 3. Jogiyanto,2005, alnalisis dan desain system informasi, yogyakarta: andi. 4. Dadan, 2001, komputerisasi pemgambilan keputusan, Elekmedia komputindo Jakarta. 5. Mcleod,Roymond,and schell,George P, 2007, managemen informasi system, new jersey: peasron education,inc. 6. www.BTN.com

29

30