APLIKASI PERAMALAN HARGA JUAL RUMAH LELANG EX-KPR BTN MENGGUNAKAN FUZZY TSUKAMOTO

Transkripsi

1 APLIKASI PERAMALAN HARGA JUAL RUMAH LELANG EX-KPR BTN MENGGUNAKAN FUZZY TSUKAMOTO Agung Triayudi 1 Muhamad Kosasih 2 Program Studi Teknik Informatika, Fakultas Teknologi Informasi Universitas Serang Raya agung.triayudi@gmail.com kosasihmuhamad241191@gmail.com Abstrak Kredit adalah kegiatan operasional terpenting dalam kegiatan operasional bank, karena perkreditan memiliki nilai asset terbesar jika dibandingkan dengan kegiatan operasional bank yang lain. Resiko tertinggi dari kegagalan perkreditan adalah kredit macet, Apabila tidak diselesaikan dapat mengakibatkan bank tersebut tidak sehat. Upaya yang dilakukan oleh BTN KC Tangerang dalam pengelolaan kredit salah satunya yaitu dengan cara melakukan litigasi atau lelang, saat ini dalam proses litigasi untuk menentukan harga jual rumah sementara yang akan dilelang hanya menggunakan rumus : (Sisa Pokok + 30% Kewajiban Bunga + Biaya-biaya Lelang). Namun hal ini dapat menyebabkan kerugian pada pihak bank karena jika memperhatikan faktor-faktor seperti kondisi rumah, status hunian, bangunan rumah, luas rumah, luas tanah, tingkat hunian rumah, sarana transportasi. Meskipun pada akhirnya harga jual rumah yang akan dilelang dinilai kembali oleh appraisal eksternal yang sudah bekerja sama dengan bank. Banyak metode yang dapat digunakan untuk proses peramalan harga jual rumah diantaranya yaitu Fuzzy Tsukamoto, pada metode tsukamoto setiap konsekuen pada aturan yang berbentuk IF-Then harus dipresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Aplikasi peramalan harga jual rumah menggunakan metode fuzzy tsukamoto dapat digunakan sebagai alternatif dalam menentukan harga jual rumah lelang EX-KPR BTN. Dengan logika fuzzy tsukamoto sistem ini memberikan hasil yang lebih fleksibel dalam membantu menentukan harga jual rumah lelang berdasarkan input luas rumah, kondisi bangunan, lokasi rumah, sarana angkutan umum, jarak ke jalan provinsi, jarak ke pusat pendidikan, kesehatan, perbelanjaan. Sehingga memberikan kemudahan bagi petugas lelang dalam menentukan harga jual rumah lelang. Kata Kunci : Kredit Macet, Rumah Lelang, Property, Fuzzy Tsukamoto, Peramalan. 1. PENDAHULUAN PT. Bank Tabungan Negara (Persero) Tbk. Cabang Tangerang merupakan salah satu bank milik pemerintah (BUMN) sebagai bank yang fokus terhadap pembiayaan perumahan sesuai dengan visi bank BTN yaitu menjadi bank yang terkemuka dalam pembiayaan perumahan, namun bank BTN tidak begitu saja memberikan pembiayaan perumahan kepada calon nasabahnya karena bank harus selalu ada dalam sehat atau likuid dan harus mampu menanggung resiko tertinggi sebagai akibat dari terjadinya kegagalan perkreditan dimana kredit macet. Penyebab terjadinya kredit macet bisa disebabkan berbagai faktor diantaranya : income jika pendapatan tidak meningkat sedangkan harga kebutuhan sehari-hari selalu mengalami kenaikan, kesehatan jika nasabah mengalami sakit dana yang seharusnya untuk membayar angsuran terpaksa digunakan untuk biaya kerumah sakit, terjadinya perceraian dalam rumah tangga, tingginya suku bunga kredit yang diberikan bank, debitur memiliki lebih dari satu kredit, telah beralihnya kredit dari pihak pertama kepada pihak kedua tanpa sepengetahuan pihak bank atau prosedur yang berlaku dibank. Upaya yang telah dilakukan oleh BTN KC Tangerang dalam pengelolaan kredit salah satunya yaitu dengan cara melakukan litigasi atau lelang, saat ini dalam proses litigasi untuk menentukan harga jual rumah sementara yang akan dilelang hanya menggunakan rumus : (Sisa Pokok + 30% Kewajiban Bunga + Biaya-biaya Lelang). Namun hal ini dapat menyebabkan kerugian pada pihak bank karena jika memperhatikan faktor-faktor seperti kondisi rumah, status hunian, bangunan rumah, luas rumah, luas tanah, tingkat hunian rumah, sarana transportasi. Meskipun pada akhirnya harga jual rumah yang akan dilelang dinilai kembali oleh appraisal eksternal yang sudah bekerja sama dengan bank. Belum adanya sistem yang dapat membantu untuk menentukan harga jual sementara rumah yang akan dilelang dan banyaknya variabel yang harus diperhatikan dalam menentukan harga jual, menyebabkan proses litigasi dalam mencapai target penjualan rumah 2,000 unit menjadi terhambat. Banyak metode yang dapat digunakan untuk proses peramalan harga jual rumah diantaranya yaitu Fuzzy Tsukamoto, pada metode tsukamoto setiap konsekuen pada aturan yang berbentuk IF-Then harus dipresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan dengan tegas (crips) berdasarkan α-predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot. Penelitian ini akan membuat aplikasi untuk peramalan harga jual sementara rumah yang akan dilelang, berisi tentang informasi kondisi rumah, status hunian, lingkungan sekitar rumah, bangunan rumah, luas rumah, luas tanah, tingkat hunian rumah, saran transportasi, fasilitas umun dan sosial, harga jual. Metode peramalan yang digunakan adalah fuzzy tsukamoto. 2. FUZZY TSUKAMOTO

2 Logika Fuzzy pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar, dasar logika fuzzy adalah teori himpunan fuzzy. Pada teori himpunan fuzzy peran derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan. Metode fuzzy merupakan bagian dari salah satu bidang ilmu komputer yaitu artificial intelligence. Metode fuzzy diformulasikan dalam rangka mecari nilai tengah antara bilangan 0 dan 1, hal ini seiring dengan usaha untuk membuat komputer yang bekerja seperti cara manusia berpikir, sebab komputer pada dasarnya adalah sebuah mesin hitung yang tidak berpikir. (Kusumadewi et al 2013) Beberapa model fuzzy logic banyak diterapkan dalam menyelesaikan berbagai permasalahan, diantaranya yaitu : Fuzzy Tsukamoto. Pada Metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-Then harus dipresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton (Gambar 1). Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan dengan tegas (crips) berdasarkan α-predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot. MIN atau DOT 4. HASIL DAN PEMBAHASAN Contoh kasus input kondisi sebuah rumah yang akan dilakukan proses lelang di PT. Bank Tabungan Negara (Persero) Tbk. Kantor Cabang Tangerang dengan luas rumah = 21 M 2, lokasi rumah = 17, kondisi bangunan = 20, sarana angkutan umum = 28, jarak ke jalan provinsi = 7 Km, jarak ke pusat pendidikan = 4 Km, jarak ke pusat kesehatan = 10 Km, jarak ke pusat perbelanjaan = 5 Km. semua data tersebut diinput pada form New Peramalan. Gambar 2 Menu New Peramalan Fuzzifikasi Proses fuzzifikasi adalah proses mengubah nilai tegas (crips) menjadi nilai derajat keanggotaan. Nilai derajat keanggotaan masing-masing variabel : a. Luas Rumah Gambar 3 Fungsi Keanggotaan Luas Rumah Gambar 1 Inferensi dengan menggunakan Metode Tsukamoto 3. METODOLOGI PENELITIAN Pada penelitian ini, metode pengumpulan data meliputi data primer dan data sekunder, data primer yang digunakan diperoleh dari PT. Bank Tabungan Negara (Persero) Tbk Kantor Cabang Tangerang pada bagian Asset Managemen Division sedangkan data sekunder mengacu pada literature, buku, jurnal, maupun referensi yang dapat menunjang penyusunan skripsi ini. Data tersebut kemudian akan diolah dengan menggunakan fuzzy logic inferensi tsukamoto untuk menentukan harga jual sementara rumah lelang. Development system menggunakan Borland Delphi 7 dan MySql Server µlrkecil[x 1 ] = 0 x 1 > 30 0 x 1 < 25 atau x 1 > 60 µlrsedang[x 1 ] = (x 1-25)/( ) 25 < x 1 < (2) µlrbesar[x 1 ] = 1 x 1 < 20 (30-x 1 )/(30-20) 20 < x 1 < (1) (60-x 1 )/( ) 42.5 < x 1 < 60 0 x 1 < 45 (x 1-45)/(100-45) 45 < x 1 < (3) 1 x 1 > 100 µlrkecil [21] = (30-21)/(30-20) = 0.9 b. Lokasi Rumah

3 µsaukurang[x 4 ] = Gambar 4 Fungsi Keanggotaan Lokasi Rumah µlkjdkota[x 2 ] = 1 x 2 < 0 (20-x 2 )/(20-0) 0 < x 2 < (4) 0 x 2 < 15 atau x 2 > 30 µlkpgkota [x 2 ] = 0 x 2 > 20 (x 2-15)/( ) 15 < x 2 < (5) (30-x 2 )/( ) 22.5 < x 2 < 30 0 x 2 < 25 µlkpskota[x 2 ] = (x 2-25)/(100-25) 25 < x 2 < (6) µlkpgkota [17] = (17-15)/( ) µlkjdkota [17] = (20-17)/(20-0) = 0.15 c. Kondisi Bangunan Gambar 5 Fungsi Keanggotaan Kondisi Bangunan µkbkurang[x 3 ] = µkbcukup[x 3 ] = µkbbaik[x 3 ] = 1 x 2 > x 3 < 0 (15-x 3 )/(15-0) 0 < x 3 < (7) 0 x 3 > 15 0 x 3 < 10 atau x 3 > 30 (x 3-10)/(20-10) 10 < x 3 < (8) (30-x 3 )/(30-20) 20 < x 3 < 30 0 x 3 < 25 (x 3-25)/(100-25) 25 < x 3 < (9) 1 x 3 > 100 µkbcukup [20] = (20-10)/(20-10) = 1 d. Sarana Angkutan Umum Gambar 6 Fungsi Keanggotaan Sarana Angkutan Umum µsaucukup[x 4 ] = µsaubaik[x 4 ] = µsaucukup [28] = (30-28)/( ) µsaubaik [28] = (28-25)/(100-25) e. Jarak ke Jalan Provinsi Gambar 7 Fungsi Keanggotaan Jarak ke Jalan Provinsi µjjpdekat[x 5 ] = 0 x 5 > 5 0 x 5 < 4 atau x 5 > 10 µjjpsedang[x 5 ] = (x 5-4)/(7-4) 4 < x 5 < 7... (14) µjjpjauh[x 5 ] = µjjpsedang [7] = (7-4)/(7-4) = 1 f. Jarak ke Pusat Pendidikan Gambar 8 Fungsi Keanggotaan Jarak ke Pusat Pendidikan µjppdekat[x 6 ] = 0 x 6 > 3 0 x 6 < 2 atau x 6 > 5 µjppsedang[x 6 ] = (x 6-2)/(3.5-2) 2 < x 6 < (17) µjppjauh[x 6 ] = µjppsedang [4] = (5-4)/(5-3.5) 0 x 4 < 15 atau x 4 > 30 (x 4-15)/( ) 15 < x 4 < (11) (30-x 4 )/( ) 22.5 < x 4 < 30 0 x 4 < 25 (x 4-25)/(100-25) 25 < x 4 < (12) 1 x 4 > x 5 < 0 (5-x 5 )/(5-0) 0 < x 5 < 5... (13) (10-x 5 )/(10-7) 7 < x 5 < 10 0 x 5 < 8 (x 5-8)/(20-8) 8 < x 5 < (15) 1 x 5 > 20 1 x 6 < 0 (3-x 6 )/(3-0) 0 < x 6 < 3... (16) (5-x 6 )/(5-3.5) 3.5 < x 6 < 5 0 x 6 < 4 (x 6-4)/(15-4) 4 < x 6 < (18) 1 x 6 > 15 1 x 5 < 0 (5-x 5 )/(5-0) 0 < x 5 < 5... (13) 0 x 5 > 5

4 = Gambar 11 Fungsi Keanggotaan Harga Jual g. Jarak ke Pusat Kesehatan Gambar 9 Fungsi Keanggotaan Jarak ke Pusat Kesehatan µhrclass7[z] = µhrclass6[z] = µhrclass5[z] = 1 z < 40 (50-z)/(50-40) 40 < z < (25) 0 z > 50 0 z < 45 atau z > 65 (z-45)/(55-45) 45 < z < (26) (65- z)/(65-55) 55 < z < 65 0 z < 60 atau z > 80 (z-60)/(70-60) 60 < z < (27) (80-z)/(80-70) 70 < z < 80 1 x 7 < 0 µjpkdekat[x 7 ] = (8-x 7 )/(8-0) 0 < x 7 < 8... (19) 0 0 x 7 > 8 x 7 < 6 atau x 7 > 15 µjpksedang[x 7 ] = (x 7-6)/(10.5-6) 6 < x 7 < (20) µjpkjauh[x 7 ] = µjpksedang [10] = (10-6)/(10.5-6) = h. Jarak ke Pusat Perbelanjaan Gambar 10 Fungsi Keanggotaan Jarak ke Pusat Perbelanjaan µjpbdekat[x 7 ] = 0 x 7 > 5 0 x 7 < 4 atau x 7 > 8 µjpbsedang[x 7 ] = (x 7-4)/(6-4) 4 < x 7 < 6... (23) µjpbjauh[x 7 ] = µjpbsedang [5] = (5-4)/(6-4) = 0.5 i. Harga Jual Rumah (15-x 7 )/( ) 10.5 < x 7 < 15 0 x 7 < 12 (x 7-12)/(20-12) 12 < x 7 < (21) 1 x 7 > 20 1 x 7 < 0 (5-x 7 )/(5-0) 0 < x 7 < 5... (22) (8-x 7 )/(8-6) 6 < x 7 < 8 0 x 7 < 7 (x 7-7)/(10-7) 7 < x 7 < (24) 1 x 7 > 10 µhrclass4[z] = µhrclass3[z] = µhrclass2[z] = µhrclass1[z] = 0 z < 75 atau z > 95 (z-75)/(85-75) 75 < z < (28) (95-z)/(95-85) 85 < z < 95 0 z < 90 atau z > 110 (z-90)/(100-90) 90 < z < (29) (110-z)/( ) 100 < z < z < 120 (z-120)/( ) 120 < z < (30) 1 z > z < 100 atau z > 125 (z-100)/( ) 100 < z < (31) (125-z)/( ) < z < 125 Sistem Inferensi Pada proses system inferensi nilai-nilai derajat keanggotaan dari masing-masing variabel dibandingkan dengan menggunakan aturan (rule) untuk mencari nilai minimumnya. Nilai minimum tersebut dijadiakn sebagai nilai firestrength (α-predikat). Penelitian ini menggunakan 126 rule, adapun rule yang terlewati pada proses ini adalah R49, R50, R58, R59, R95. [R49] IF Luas Rumah KECIL And Lokasi Rumah PgKOTA Angkutan Umum BAIK Then Harga Rumah Class 5 α 1 = min (µlrkecil[21], µlkpgkota[17], µkbcukup[20], µsaubaik[28]) = min (0.9 ; ; 1 ; 0.04) maka dapat dicari nilai z 1 untuk [R49], (z 1-60)/(70-60) z 1-60 * 10 z 1 = 59.6 [R50] IF Luas Rumah KECIL And Lokasi Rumah PgKOTA Angkutan Umum CUKUP Then Harga Rumah Class 6 α 2 = min (µlrkecil[21], µlkpgkota[17], µkbcukup[20], µsaucukup[28]) = min (0.9 ; ; 1 ; ) maka dapat dicari nilai z 2 untuk [R50],

5 (z 2-45)/(55-45) z 2-45 * 10 z 2 = [R58] IF Luas Rumah KECIL And Lokasi Rumah JdKOTA Angkutan Umum BAIK Then Harga Rumah Class 6 α 3 = min (µlrkecil[21], µlkjdkota[17],µkbcukup[20], µsaubaik[28]) = min (0.9 ; 0.15 ; 1 ; 0.04) maka dapat dicari nilai z 3 untuk [R58], (z 3-45)/(55-45) z 3-45 * 10 z 3 = 44.6 [R59] IF Luas Rumah KECIL And Lokasi Rumah JdKOTA Angkutan Umum CUKUP Then Harga Rumah Class 7 α 4 = min (µlrkecil[21], µlkjdkota[17], µkbcukup[20], µsaucukup[28]) = min (0.9 ; 0.15 ; 1 ; ) = 0.15 maka dapat dicari nilai z 4 untuk [R59], (50-z 4 )/(50-40) = z 4 = 0.15 * 10 z 4 = 48.5 [R95] IF Jarak ke Jalan Provinsi SEDANG And Jarak ke Pusat Pendidikan SEDANG And Jarak ke Pusat Kesehatan SEDANG And Jarak ke Pusat Perbelanjaan SEDANG Then Harga Rumah Class 5 α 5 = min (µjjpsedang[7], µjppsedang [4], µjpkjauh[10], µjpbsedang[5]) = min (1 ; ; ; 0.5) = 0.5 maka dapat dicari nilai z 5 untuk [R95], (80-z 5 )/(80-70) = z 5 = 0.5 * 10 z 5 = 75 Defuzzifikasi Selanjutnya sistem akan menghitung nilai firestrength dan nilai konsekuen yang telah diperoleh dengan menggunakan perhitungan rata-rata terbobot untuk memperoleh hasil akhirnya. z = (α 1 *z 1 )+(α 2 *z 2 )+(α 3 *z 3 )+(α 4 *z 4 )+(α 5 *z 5 ) α 1 + α 2 + α 3 + α 4 + α 5 = = Jadi nilai fuzzy hasil perhitungan harga jual rumah sebesar , dengan demikian harga jual rumah lelang hasil perhitungan adalah sebesar Rp. 60,433,333,- ( * 1,000,000,-) Gambar 12 Menu Result Peramalan 5. KESIMPULAN Aplikasi peramalan harga jual rumah menggunakan metode fuzzy tsukamoto dapat digunakan sebagai alternatif dalam menentukan harga jual rumah lelang EX-KPR BTN. Dengan logika fuzzy tsukamoto sistem ini memberikan hasil yang lebih fleksibel dalam membantu menentukan harga jual rumah lelang berdasarkan input luas rumah, kondisi bangunan, lokasi rumah, sarana angkutan umum, jarak ke jalan provinsi, jarak ke pusat pendidikan, kesehatan, perbelanjaan. Sehingga memberikan kemudahan bagi petugas lelang dalam menentukan harga jual rumah lelang. DAFTAR PUSTAKA Kaswidjanti, Wilis et al (2014), Implementasi Fuzzy Inference System Metode Tsukamoto Pada Pengambilan Keputusan Pemberian Kredit Pemilikan Rumah. Telematika. Vol. 10 No. (2) Kusumadewi, Sri dan Purnomo, Hari (2013), Aplikasi Logika Fuzzy Untuk Pendukung Keputusan, (Edisi Kedua), Yogyakarta: Graha Ilmu. Ritonga, M. Yudin (2014), Sistem Pendukung Keputusan Penentuan Produksi Makanan Menggunakan Logika Fuzzy Dengan Metode Tsukamoto. Jurnal dan Teknologi Ilmiah. Vol. III No. (1) Saifudin, Ahmad. (2011). Penilaian Real Properti Pendekatan Perbandingan Data Pasar, Jakarta : Real Estat Indonesia DIJ. Tohari, Hamim (2013), Analisis Serta Perancangan Sistem Informasi Melalui Pendekatan UML, (Edisi Pertama), Yogyakarta: Andi. Yuniardi, Romi (2013), Perancangan Sistem Pendukung Keputusan Untuk Menentukan Kelayakan Pemberian Pembiayaan Nasabah Baitul Maalwat-Tamwil Mujahidin Pontianak Dengan Menggunakan Fuzzy Inference System Metode Tsukamoto. 1 6