Jurnal Ilmiah Fakultas Teknik LIMIT’S Vol.

13 No 1 Maret 2017 1

PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN

PESERTA ASURANSI JIWA MENGGUNAKAN METODE FUZZY TSUKAMOTO
Bosar Panjaitan S.Si, M.Kom1,Septiawan Maulidain2
Program Studi Teknik Informatika Fakultas Teknik
1)
Dosen Fakultas Teknik, 2)Mahasiswa Fakultas Teknik
Universitas Satya Negara Indonesia
Email: bosarpjtn@gmail.com, maulidains@gmail.com

ABSTRAK
Pru-Fortuna, merupakan perusahaan yang bergerak di bidang jasa Asuransi, Pru-Fortuna adalah bagian dari PT.
Prudential Life Assurance Indonesia. Proses penerimaaan peserta asuransi jiwa tersebut bukan merupakan hal
yang mudah. Selama ini pada Pru-Fortuna dalam penerimaan peserta asuransi jiwa dengan cara menyeleksi
peserta asuransi jiwa yang direkomendasi oleh kriteria yang ada pada Pru-Fortuna seperti umur peserta,
penghasilan, tinggi badan, berat badan, Status Merokok. Oleh karena itu, pembuatan aplikasi ini bertujuan untuk
menerapkan metode fuzzy Tsukamoto dalam menentukan penerimaan peserta asuransi jiwa. Pengembangan
sistem ini dibuat menggunakan bahasa pemrograman PHP dan Mysql. Berdasarkan dari hasil uji coba aplikasi
maka dapat diketahui bahwa prediksi dari penerapan metode fuzzy Tsukamoto sebagian besar dapat menentukan
penerimaan peserta asuransi jiwa. Dengan menggunakan aplikasi ini pihak perusahaan dapat melakukan
penerimaan lebih cepat dengan menggunakan kriteria yang ada.

Kata kunci : Sistem Pendukung Keputusan, Penerimaan Asuransi Jiwa, Metode Fuzzy Tsukamoto

ABSTRACT
Pru-Fortuna, is a company engaged in the field of insurance services, Pru-Fortuna is part of PT.
Prudential Life Assurance Indonesia. Process participant acceptance of life insurance is not an easy thing.
During the Pru-Fortuna in receipt of life insurance participants through proper life insurance participants are
recommended by existing criteria in Pru-Fortuna as participants age, occupation, height, weight, smoking
status. Therefore, making this application aims to apply fuzzy method for determining the admission of
participants Tsukamoto life insurance. The development of this system is built using PHP and Mysql. Based on
the results of the test applications it can be seen that the predictions of the application of fuzzy Tsukamoto
method can largely determine the acceptance of life insurance participants. By using this application the
company can make acceptance more quickly by using the same criteria.

Keywords: Decision Support System, Acceptance Life Insurance, Tsukamoto Fuzzy Method
 Jurnal Ilmiah Fakultas Teknik LIMIT’S Vol.13 No 1 Maret 2017 2

1. PENDAHULUAN
Proses penerimaaan peserta asuransi jiwa tersebut bukan merupakan hal yang mudah. Selama ini pada Pru-
Fortuna dalam penerimaan peserta asuransi jiwa dengan cara menyeleksi peserta asuransi jiwa yang
direkomendasi oleh kriteria yang ada pada Pru-Fortuna seperti umur peserta, Status Merokok, tinggi badan,
berat badan, penghasilan. Cara pemilihan tersebut tentu memiliki banyak kekurangan terutama dari segi proses
yang lebih lama serta terdapat kesalahan dari pihak penyeleksi dalam memberi keputusan.
Merancang sistem pendukung keputusan penerimaan peserta asuransi jiwa dengan menerapkan metode
fuzzy tsukamoto dengan mengunakan variabel yang ada dalam memproses penerimaan peserta asuransi jiwa.
Seperti menyeleksi diterima atau tidaknya calon peserta asuransi jiwa dan melakukan dapat melakukan
perangkingan data calon peserta asuransi jiwa.
2. LANDASAN TEORI
Sistem Pendukung Keputusan adalah suatu sistem informasi spesifik yang ditujukan untuk membantu
manajemen dalam mengambil keputusan yang berkaitan dengan persoalan yang bersifat semi terstruktur. Sistem
ini memiliki fasilitas untuk menghasilkan berbagai alternatif yang secara interaktif digunakan oleh pemakai
(Eva Yulianti, 2011).
Fuzzy Tsukamoto adalah penalaran logika yang sederhana dan dapat memodelkan fungsi-fungsi nonlinear
yang sangat kompleks. Setiap konsekuen aturan berbentuk IF-THEN yang direpresentasikan antara suatu
himpunan fuzzy dengan fungsi keanggotaan (Abdurrahman, 2011).
Inferensi tiap aturan fuzzy diberikan dengan tegas (crisp) berdasarkan α-predikat (fire strength). Hasil
akhirnya diperoleh dengan menggunakan rata-rata terbobot. Misal ada 2 variabel input, var-1(x) dan var-2(y)
serta 1 variabel output var-3(z), dimana var-1 terbagi atas 2 himpunan yaitu A1 dan A2 dan var-2 terbagi atas
himpunan B1 dan B2. Sedangkan var-3 juga terbagi atas 2 himpunan yaitu C1 dan C2 (Kusumadewi, 2011).

Pengertian Asuransi Jiwa

Asuransi jiwa adalah kontrak yang sah antara kedua pihak, yaitu perusahaan asuransi dan pemegang polis.
Ini memastikan bahwa penerima menerima dukungan keuangan dalam hal kematian tertanggung atau
kecelakaan. Istilah negara polis asuransi yang pemegang polis setuju untuk membayar premi tertentu secara
berkala.
Asuransi jiwa tergantung pada sejumlah faktor, termasuk umur, pendapatan, jumlah tanggungan,
kesehatan. Hal ini terutama dari empat jenis yang berbeda, asuransi jiwa universal, asuransi jiwa berjangka,
asuransi jiwa seumur hidup, dan asuransi jiwa endowment.

- Macam-Macam Asuransi Jiwa

Beberapa penjelasan dan jenis asuransi jiwa perorangan adalah sebagai berikut:
1. PRUmy child
PRUmy child merupakan produk inovatif – yang pertama di Indonesia - yang menyediakan perlindungan
jiwa terkait investasi untuk anak Anda, sejak sebelum ia dilahirkan.PRUmy child memberikan
perlindungan yang komprehensif mulai saat ia masih dalam kandungan,dilahirkan, sampai ia dewasa kelak.
Mulai dari perlindungan kesehatan, finansial, dan pendidikan.
2. PRUlink edu protection
PRUlink edu protection dirancang untuk melindungi keceriaan anak Anda hari ini dan pendidikannya di
hari nanti. Produk inovatif ini merupakan produk terkait investasi yang memberikan santunan dana setiap
bulannya saat risiko terjadi. Dana investasi berpotensi untuk terus berkembang, dan pembayaran Premi
akan dilanjutkan apabila terjadi risiko.
3. PRUlink investor account
PRUlink investor account merupakan produk asuransi jiwa yang dikaitkan dengan investasi dengan
pembayaran premi satu kali yang menawarkan berbagai pilihan dana investasi. Di samping mendapatkan
potensi hasil investasi, produk ini juga akan memberikan perlindungan yang komprehensif terhadap risiko
kematian atau risiko menderita cacat total dan tetap.
Produk ini memberikan keleluasaan bagi Pemegang Polis untuk memilih investasi yang memungkinkan
tingkat pengembalian investasi yang baik di jangka panjang, sesuai dengan kebutuhan dan profil risiko
Pemegang Polis.
4. PRUlink syariah assurance account
PRUlink syariah assurance account (PAA Syariah) adalah produk asuransi jiwa terkait investasi
berdasarkan prinsip syariah dengan pembayaran kontribusi secara berkala yang memberikan fleksibilitas
tak terbatas yang memungkinkan Anda untuk sewaktu-waktu mengubah jumlah pertanggungan, kontribusi
serta cara pembayaran yang sesuai dengan kebutuhan Anda. Bahkan Anda juga bisa menambah asuransi
tambahan seperti rawat inap, kecelakaan atau kondisi kritis. Anda juga bisa memilih satu atau kombinasi
 Jurnal Ilmiah Fakultas Teknik LIMIT’S Vol.13 No 1 Maret 2017 3

dari 3 dana investasi syariah yang tersedia, dan dapat mengubah kombinasi dana investasi syariah sewaktu-
waktu.
5. PRUlink assurance account

Pengertian Logika Fuzzy

Dalam logika konvensional, nilai kebenaran mempunyai kondisi yang pasti yaitu benar atau salah (true or
false), dengan tidak ada kondisi antara. Prinsip ini telah mendominasi pemikiran logika di dunia sampai
sekarang. Tentu saja, pemikiran mengenai logika konvensional dengan nilai kebenaran yang pasti yaitu benar
atau salah dalam kehidupan yang nyata sangatlah tidak mungkin. logika fuzzy menawarkan suatu logika yang
dapat merepresentasikan keadaan dunia nyata. Teori himpunan logika fuzzy di kembangkan oleh Professor Lofti
A. Zadeh pada tahun 1965. Ia ber-pendapat bahwa logika benar dan salah dari logika boolean konvensional
tidak dapat mengatasi masalah gradasi yang berada pada dunia nyata. Untuk mengatasi masalah gradasi yang
tidak terhingga tersebut, Zadeh mengembangkan sebuah himpunan fuzzy. Tidak seperti logika boolean, logika
fuzzy mempunyai nilai yang continue. Fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari
kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama.
Berdasarkan hal tersebut diatas Logika fuzzy dapat digunakan untuk memodelkan suatu permasalahan yang
matematis, dimana konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
Logika fuzzy merupakan generalisasi dari logika klasik (Crisp Set) yang hanya memiliki dua nilai
keanggotaan yaitu 0 dan 1. Dalam logika fuzzy nilai kebenaran suatu pernyataan berkisar dari sepenuhnya benar
sampai dengan sepenuhnya salah. Fuzzy Logic berhubungan dengan ketidakpastian yang telah menjadi sifat
alamiah manusia, mensimulasikan proses pertimbangan normal manusia dengan jalan memungkinkan komputer
untuk berperilaku sedikit lebih seksama dan logis daripada yang dibutuhkan metode komputer konvensional.
Pemikiran dibalik pendekatan ini adalah pengambilan keputusan tidak sekadar persoalan hitam dan putih atau
benar dan salah, namun kerapkali melibatkan area abu-abu, dan hal itu dimungkinkan.

- Himpunan Fuzzy
Himpunan fuzzy merupakan suatu group yang mewakili suatu kondisi atau keadaan tertentu dalam suatu
variabel fuzzy. Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang
sering ditulis dengan flA[x], memiliki dua kemungkinan, yaitu : Satu (I), yang berarti bahwa suatu item menjadi
anngota dalam suatu himpunan atau Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu
himpunan.
Pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Apabila x memiliki nilai
keanggotaan fuzzy flA[x] = 0 berarti x tidak menjadi anggota himpunan A, demikian pula apabila x memiliki
nilai keanggotaan fuzzy flA[ x] = 1 berarti x menjadi anggota penuh pada himpunanA.
Himpunan fuzzy memiliki 2 atribut, yaitu:
a. Linguistik, yaitu penamaan suatu group yang mewakili suatu keadaan atau kondisi tertentu dengan
menggunakan bahasa alami, seperti: Muda, Parobaya, Tua.
b. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel seperti: 25 40
60. Ada beberapa hal yang perlu diketahui dalam memahami suatu sistem fuzzy, yaitu:
a. Variabel fuzzy
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh: umur,
temperatur, permintaan,dsb.
b. Himpunan fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu
variabel fuzzy.
Contoh:
1. Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu: MUDA, PAROBAYA, TUA.
2. Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu: DINGIN, SEJUK, NORMAL,
HANGAT, dan PANAS.
DINGIN SEJUK NORMAL HANGAT PANAS

µ[x]

0 15 20 25 30 35 40
 Jurnal Ilmiah Fakultas Teknik LIMIT’S Vol.13 No 1 Maret 2017 4

Gambar 2. 3. Himpunan Fuzzy pada variabel temperatur

(Kusumadewi, 2002)

Sistem
Sistem dapat diartikan sebagai kumpulan dari elemen-elemen yang berinteraksi untuk mencapai suatu tujuan
tertentu sebagai satu kesatuan. Sistem merupakan sekelompok elemen yang terintegrasi dengan maksud yang
sama untuk mencapai suatu tujuan (Ladjamudin, 2005).

- Karakteristik Sistem
Untuk memahami atau mengembangkan suatu sistem, maka perlu membedakan unsur-unsur dari sistem yang
membentuknya. Berikut adalah karakteristik-karakteristik atau sifat-sifat tertentu sistem (Jogiyanto, 2005) :
a. Komponen sistem (components)
Suatu sistem terdiri atas sejumlah komponen yang saling bekerja sama membentuk satu kesatuan.
Komponen sistem atau elemen sistem dapat berupa suatu subsistem atau bagian-bagian dari sistem. Setiap
sistem selalu mengandung komponen atau subsistem. Subsistem mempunyai sifat dari sistem untuk
menjalankan suatu fungsi tertentu dan mempengaruhi proses sistem secara keseluruhan.
b. Batasan sistem (boundary)
Batasan sistem merupakan daerah yang membatasi suatu sistem dengan sistem lainnya atau dengan
lingkungan luarnya.
c. Lingkungan luar sistem (environment)
Lingkungan luar dari suatu sistem adalah segala sesuatu di luar sistem, yang mempengaruhi operasi sistem.
d. Penghubung sistem (interface)
Penghubung sistem merupakan media penghubung antara satu subsistem dengan subsistem lainnya.
e. Masukan sistem (input)
Masukan sistem berupa masukan perawatan (maintenance input) supaya sistem dapat beroperasi dan
masukan signal (signal input) untuk didapatkan keluaran. Contohnya di dalam sistem komputer, program
adalah maintenance input untuk mengoperasikan komputernya dan data adalah signal input yang diolah
menjadi informasi.
f. Keluaran sistem (output)
Keluaran sistem merupakan hasil dari sumberdaya atau produk (informasi, laporan, dokumen) menjadi
keluaran yang berguna dan dibutuhkan.
g. Pengolah sistem (process)
Kegiatan dalam suatu sistem yang merubah masukan (input) menjadi keluaran (output).
h. Sasaran Sistem
Tujuan (goal) yang menentukan keberhasilan dari sistem, dipengaruhi oleh masukan dan keluaran yang
dihasilkan.

Gambar 2.1 Karakteristik Sistem

(Sumber : Jogiyanto, 2005)

3. METODE PENELITIAN
 Jurnal Ilmiah Fakultas Teknik LIMIT’S Vol.13 No 1 Maret 2017 5

Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-THEN harus
direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai
hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan dengan tegas (crisp) berdasarkan α-
predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot.
Tahapan dalam perancangan sistem fuzzy ialah sebagai berikut :
1. Mendefinisikan model masukan dan keluaran sistem, dalam kasus ini terdapat 5 model
masukan/variabel input: umur, tinggi badan, berat badan, penghasilan, status merokok.
2. Dekomposisi variable model menjadi himpunan fuzzy, ke-5 variabel input dan 1 variabel output
terbagi atas 3 himpunan yaitu baik, cukup, kurang.
3. Pembuatan Aturan
Fuzzy, Ada 3 aturan yang dipakai,
yaitu :
[R1] IF (X1 is baik) AND (X2 is baik) AND (X3 is baik) AND (X4 is baik) AND (X5 is baik) THEN
(X6 is baik).
[R2] IF (X1 is cukup) AND (X2 is cukup) AND (X3 is cukup) AND (X4 is cukup) AND (X5 is
cukup) THEN (X6 is cukup).
[R3] IF (X1 is kurang) AND (X2 is kurang) AND (X3 is kurang) AND (X4 is kurang) AND (X5 is
kurang) THEN (X6 is kurang).
Dengan :
X1= Umur
X2 = Tinggi Badan
X3 = Berat Badan
X4 = Penghasilan
X5 = Status Merokok
X6 = hasil inferensi

4. HASIL DAN PEMBAHASAN

Berdasarkan pada tahapan algoritma fuzzy tsukamoto, karena sudah dilakukan pendefinisian variabel
input dan output, serta dekomposisi himpunan setiap variabel, maka tahapan selanjutnya ialah fuzzifikasi.
Fuzzifikasi variabel umur dengan nilai umur nasabah 20
Fase 1 Fase 2 Fase 3
1

0
0 20 40 60

Untuk mencari nilai derajat keanggotaan dari nilai 20

µumur Fase 1(20)= 1
Fuzzifikasi variabel bobot dengan nilai bobot nasabah 30 kg.
KURUS BERAT SEDANG GEMUK
1

0
0 30 70
110

Untuk mencari nilai derajat keanggotaan dari nilai 30.

µbobot Kurus(30) =1
Fuzzifikasi variabel tinggi dengan nilai tinggi nasabah 170 Kg.
 Jurnal Ilmiah Fakultas Teknik LIMIT’S Vol.13 No 1 Maret 2017 6

RENDAH SEDANG PANJANG

1

x2

x1

0
0 100 150 170
200

Untuk mencari nilai derajat keanggotaan dari nilai 170

µtinggi sedang(170) = (200-170)/(200-150)
= 0,6
µtinggi panjang(170) = (170-150)/(200-150)
= 0,4
Fuzzifikasi variabel penghasilan dengan nilai penghasilan nasabah Rp. 5000.000.
KELAS 1 KELAS 2 KELAS 3
1

x1,x2

0
0 2000000 14000000
50000000 8000000
0
Untuk mencari nilai derajat keanggotaan dari nilai 5000000
µpenghasilan kelas 1(5000000) = (5000000-2000000)/(8000000-2000000)
= 0,5
µpenghasilan kelas 2(5000000) = (8000000-5000000)/(8000000-2000000)
= 0,5
Fuzzifikasi variabel Status Merokok dengan nilai Status Merokok nasabah 3/hari
RINGAN SERING SANGAT SERING
1

x1,x2

0
0 1 3 11 21

Untuk mencari nilai derajat keanggotaan dari nilai 3

µstatus merokok ringan(3) = (3-1)/(11-1)
= 0,8
µstatus merokok sering(3) = (11-3)/(11-1)
= 0,2
Maka terbentuk sebanyak 8 rule dari total 243 rule yang telah
terbentuk (R37)
Belum
FASE 1 1 sedang 1 sedang 0,6 kelas 1 0,5 ringan 0,8
Terima

MIN = 0,5
Defuzzifikasi : (90-z)/(90-50) = 0,5
z = 70
(R38)

FASE 1 1 sedang 1 sedang 0,6 kelas 1 0,5 sedang 0,2 elum Terima
 Jurnal Ilmiah Fakultas Teknik LIMIT’S Vol.13 No 1 Maret 2017 7

MIN = 0,2
Defuzzifikasi : (90-z)/(90-50) = 0,2
z = 82
(R40)
FASE 11sedang1sedang0,6kelas 2 0,5 ringan 0,8Terima
MIN = 0,5
Defuzzifikasi : (z-50)/(90-50) = 0,5
z = 70
(R41)
FASE 11sedang1sedang0,6kelas 2 0,5 sedang 0,2Terima
MIN = 0,2
Defuzzifikasi : (z-50)/(90-50) = 0,2
z = 58
(R46)

FASE 1 1 sedang 1 tinggi 0,4 kelas 1 0,5 ringan 0,8 Terima

MIN = 0,4
Defuzzifikasi : (z-50)/(90-50) = 0,4
z = 66
(R47)

Belum
FASE 1 1 sedang 1 tinggi 0,4 kelas 1 0,5 sedang 0,2
Terima

MIN = 0,2
Defuzzifikasi : (90-z)/(90-50) = 0,2
z = 82
(R49)
Belum
FASE 1 1 sedang 1 tinggi 0,4 kelas 2 0,5 ringan 0,8
Terima

MIN = 0,8
Defuzzifikasi : (90-z)/(90-50) = 0,8
z = 74
(R50)
Belum
FASE 1 1 sedang 1 tinggi 0,4 kelas 2 0,5 sedang 0,2
Terima
MIN = 0,2
Defuzzifikasi : (90-z)/(90-50) = 0,2
z = 82
Kemudian dicari rata-rata terbobot dengan mengambil nilai-nilai dari implikasi dan defuzzifikasi.
 Jurnal Ilmiah Fakultas Teknik LIMIT’S Vol.13 No 1 Maret 2017 8

Z = 71,84615

5. IMPLEMENTASI SISTEM
Berikut ini adalah implementasi desain interface serta hasil pengujian dari sistem pendukung keputusan
penerimaan peserta asuransi jiwa menggunakan metode fuzzy tsukamoto pada Pru-Fortuna:
a. Halaman Login

Gambar 1 Halaman Login

Pada halaman ini penguna diwajibkan untuk login terlebih dahulu sebelum masuk kehalaman
selanjutnya.
b. Halaman Input Data Nasabah

Gambar 2 Halaman Input Data Nasabah

Pada halaman ini untuk menginput data nasabah peserta asuransi jiwa untuk bisa diproses
penerimaannya.
c. Halaman Hasil Fuzzy Tsukamoto
 Jurnal Ilmiah Fakultas Teknik LIMIT’S Vol.13 No 1 Maret 2017 9

Gambar 3 Hasil Fuzzy Tsukamoto

Pada halaman ini digunakan untuk melihat hasil penerimaan peserta asuransi jiwa.
KESIMPULAN DAN SARAN

Kesimpulan
Aplikasi sistem pendukung keputusan penerimaan peserta asuransi jiwa berhasil dirancang dan dapat
digunakan membantu pengambilan keputusan penerimaan peserta asuransi jiwa berdasarkan pada kriteria-
kriteria yang sudah ditetapkan seperti umur, bobot, tinggi, pekerjaan dan status merokok dengan
menggunakan metode tsukamoto.

Saran
Dari kesimpulan diatas penulis memberikan beberapa saran yang pastinya bermanfaat bagi instansi terkait :
a. Penulis menyarankan agar dapat ditambah lagi kriteria dalam menentukan penerimaan peserta asuransi
jiwa agar hasilnya lebih akurat.
b. Diharapkan dapat dikembangkan dengan metode-metode inferensi lainnya.
c. Dalam menggunakan aplikasi yang telah dibuat oleh penulis, sebaiknya pengguna aplikasi menyiapkan
server untuk menjadi database agar data nasabah bisa tersimpan dengan aman ditempat yang berbeda

DAFTAR PUSTAKA
Abdurrahman, Ginanjar. 2011. Penerapan Metode Tsukamoto (Logika Fuzzy) Dalam Sistem Pendukung
Keputusan Untuk Menentukan Jumlah Produksi Barang Berdasarkan Data Persediaan Dan Jumlah
Permintaan. Yogyakarta : Universitas Negeri Yogyakarta.
Aruan, Antoni. 2014. Sistem Pendukung Keputusan Pemilihan Asuransi Jiwa Menggunakan Metode Fuzzy
Multi Criteria Decision Making. Medan : STMIK Budidarma Medan
Hasibuan, A. F. 2010. Penggunaan Fuzzy Database dalam Rekomendasi Pembelian Perumahan Berbasis
Sistem Pendukung Keputusan. Skripsi. Medan : Universitas Sumatera Utara.
Hidayat, A. 2011. Sistem Pendukung Keputusan untuk Pemilihan Karyawan Teladan Dengan Logika Fuzzy
Tsukamoto (Studi Kasus PT. F.I.F (Federal International Finance). Sekolah Tinggi Manajemen
Informatika dan komputer Banjarbaru. Banjarmasin.
Jogiyanto. 2005. Analisis dan desain sistem informasi. Yogyakarta : Andi Offset.
Julianti, E. 2011. Rancang Bangun Sistem Pendukung Keputusan Dalam Menentukan Peserta Asuransi
Rumahkoe Syariah Menggunakan Fuzzy Madm Model Yager (Studi Kasus AJB Bumiputera 1912 Cab.
Depok). Universitas Islam Negeri Syarif Hidayatullah. Jakarta.
Kusumadewi, S., & Purnomo, H. 2010. Aplikasi Logika Fuzzy untuk Pendukung Keputusan edisi 2. Yogyakarta:
Graha Ilmu.
Ladjamudin. 2005. Analisis dan Desain Sistem Informasi. Yogyakarta : Graha Ilmu
Nurfuad, Ali. 2016. Perancangan Aplikasi Perencanaan Anggaran Menggunakan Metode Fuzzy Pada Pt.
Pefindo. Jakarta : Unversitas Satya Negara Indonesia.
Rahayu, F. 2011. Sistem Pendukung Keputusan Pendataan Rumah Tangga Miskin dengan Menggunakan
Logika Fuzzy Metode Tsukamoto. Skripsi. Medan : Universitas Sumatera Utara.
Suryadi, Kadarsah, Ali Ramdhani. 2002. Sistem Pendukung Keputusan. Bandung : Remaja Rosdakarya