BAB IV HASIL DAN PEMBAHASAN. Tingkat kesehatan bank dapat diketahui dengan melihat peringkat
|
|
- Siska Iskandar
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB IV HASIL DAN PEMBAHASAN A. Analisis Tingkat Kesehatan Bank Tingkat kesehatan bank dapat diketahui dengan melihat peringkat komposit bank tersebut. Menurut peraturan Bank Indonesia No. 13/1/PBI/2011 tentang penilaian kesehatan bank, peringkat komposit memiliki pengertian hasil terakhir penilaian tingkat kesehatan bank. Hal pertama yang dilakukan dalam penilaian kesehatan bank adalah pemilihan metode beserta rasio keuangan yang digunakan dalam setiap faktornya. Rasio keuangan adalah alat analisis keuangan untuk menilai kinerja suatu perusahaan berdasarkan perbandingan data keuangan yang terdapat dalam laporan keuangan (Wikipedia, 2014) Metode yang digunakan dalam penelitian ini adalah metode RGEC dengan 6 rasio keuangan yaitu NPL, LDR, ROA, ROE, NIM dan CAR. Metode RGEC dipilih karena merupakan metode yang paling baru dan relevan dengan data laporan keuangan perbankan yang didapatkan. Data rasio keuangan untuk masing-masing bank yang dianalisis dapat dilihat pada Lampiran 2 halaman 105 dan Lampiran 3 halaman 113. Pengumpulan data dilakukan melalui arsip dari Bank Indonesia dan web Otoritas Jasa Keuangan. Jika seluruh data rasio keuangan yang dibutuhkan telah lengkap kemudian dilakukan analisis klasifikasi peringkat, kemudian diberikan skor pada masing-masing rasio yang telah diklasifikasikan. Klasifikasi peringkat kesehatan bank mengacu pada peraturan Bank Indonesia 60
2 yang telah dijelaskan sebelumnya. Berikut langkah-langkah perhitungan dalam penentuan kesehatan bank pada bank dengan kode 112 tahun Pertama, klasifikasi peringkat komposit untuk masing-masing rasio RGEC. Kemudian keenam rasio tersebut ditetapkan nilai peringkatnya sesuai peraturan dari Bank Indonesia, didapatkan bahwa keenam rasio tersebut masuk ke dalam peringkat komposit 1 (sangat sehat) seperti pada Tabel Tabel Peringkat Komposit Rasio Bank Kode 112 tahun 2013 Rasio RGEC Nilai Rasio Peringkat komposit NPL 0,9 1 ( sangat sehat) LDR 73,67 1 ( sangat sehat) ROA 2,71 1 ( sangat sehat) ROE 25,36 1 ( sangat sehat) NIM 8,38 1 ( sangat sehat) CAR 15,69 1 ( sangat sehat) Langkah selanjutnya adalah penentuan skor pada masing-masing rasio. Rasio RGEC pada kode 112 masuk ke dalam peringkat komposit 1, sehingga setiap rasio RGEC diberikan skor 5. Langkah terakhir adalah skor setiap rasio keuangan dijumlahkan guna menentukan peringkat komposit. Hasil penggolongan peringkat dan penetapan skor selengkapnya dapat dilihat pada Lampiran 4 hal 116 dan Lampiran 5 hal 142. Pada akhirnya dapat ditentukan tingkat kesehatan bank tersebut seperti pada tabel Tabel Tingkat kesehatan Bank Kode 112 tahun 2013 Rasio RGEC Nilai Rasio Peringkat Skor NPL 0,9 1 5 LDR 73, ROA 2, ROE 25, NIM 8, CAR 15, Jumlah Skor 30 61
3 Bank kode 112 mempunyai jumlah skor 30, skor tersebut masuk kedalam rentang peringkat komposit 1 (sangat sehat). Kesimpulannya nilai rasio RGEC pada bank kode 112 tahun 2013 menunjukkan predikat sangat sehat. Hal ini berarti kondisi bank secara umum sangat sehat sehingga dinilai sangat mampu menghadapi pengaruh negatif yang signifikan dari perubahan kondisi bisnis dan faktor eksternal lainnya. Penjelasan mengenai peringkat komposit selengkapnya terlampir pada Lampiran 1 halaman 104. Hasil penilaian tingkat kesehatan bank dengan metode RGEC selengkapkanya dapat dilihat pada Lampiran 6 halaman 150 dan Lampiran 7 halaman 163. B. Perhitungan Tingkat Kesehatan Bank dengan Sistem Fuzzy Sugeno Sistem fuzzy telah banyak diaplikasikan dalam berbagai bidang kehidupan, salah satunya dalam bidang ekonomi untuk penilaian kesehatan perbankan. Pada penelitian ini sistem fuzzy Sugeno order nol digunakan untuk menilai kesehatan perbankan di Indonesia. Sistem fuzzy Sugeno dipilih karena sistem tersebut belum pernah digunakan untuk menilai kesehatan perbankan di Indonesia. Langkah-langkah analisis kesehatan bank dengan menggunakan sistem fuzzy Sugeno order nol adalah: 1. Identifikasi Data Data yang digunakan dalam penelitian ini sebanyak 109 data, yang kemudian dibagi menjadi 2 jenis data yaitu data training dan data testing. Dipilih 80% dari data sebagai data training dan 20% dari data sebagai data testing. Didapatkan sebanyak 87 bank untuk data training dan 22 bank untuk data testing. Data training selengkapnya dapat dilihat pada Lampiran 62
4 2 hal 105 dan Lampiran 3 hal 113 untuk data testing. Data tersebut terdiri dari 6 input dan 1 output, yaitu: a. Input Input yang digunakan berdasarkan faktor-faktor yang digunakan dalam analisis rasio keuangan dengan metode RGEC. Pada risk profile digunkan rasio LDR dan NPL, earings dengan rasio ROA, ROE dan NIM. Faktor capital dapat diukur dengan rasio CAR. b. Output Output yang dihasilkan adalah hasil penilaian kesehatan bank dengan metode RGEC berdasarkan input rasio yang sudah ditentukan. Hasil penilaian yang diperoleh dalam penelitian ini adalah tidak sehat, kurang sehat, cukup sehat, sehat dan sangat sehat. 2. Mengidentifikasi Himpunan Semesta/ Himpunan Universal (U) Himpunan semesta adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu sistem fuzzy. Interval dari himpunan semesta harus mencakup keseluruhan nilai dari semua data yang digunakan. Himpunan semesta didapatkan dengan mencari nilai terkecil dan terbesar pada masing-masing rasio RGEC pada data. Berikut adalah himpunan semesta pada variabel input dan output dalam penelitian ini. a. Himpunan Semesta (U) pada Variabel Input Berdasarkan seluruh data yang diperoleh seperti yang terlampir pada Lampiran 2 untuk data training dan Lampiran 3 untuk data testing, dapat ditentukan himpunan universal pada setiap variabel input rasio yaitu : 63
5 1) Rasio NPL Himpunan semesta untuk rasio NPL dapat ditulis dengan U NPL. Nilai maksimum dan minimum rasio NPL berdasarkan data yang diperoleh adalah 0 dan 12,28, sehingga dapat ditentukan himpunan semesta untuk rasio NPL yaitu U NPL = [0, 13]. 2) Rasio LDR Nilai maksimum dan minimum rasio LDR berdasarkan pada data yang diperoleh adalah 0,64 dan 620,25. Sehingga dapat ditentukan himpunan semesta untuk rasio LDR yaitu U LDR = [0, 621]. 3) Rasio ROA Nilai minimum dan maksimum rasio ROA berdasarkan pada data yang diperoleh adalah -1,64 dan 7,58. Pada rasio ROA nilai negatif menunjukkan bahwa dari total aktiva yang digunakan untuk beroperasi, perusahaan mendapatkan kerugian. Himpunan semesta untuk rasio ROA yaitu U ROA = [ 2, 8]. 4) Rasio ROE Nilai minimum dan maksimum rasio ROE berdasarkan pada data yang diperoleh adalah -18,96 dan 142,48. Pada rasio ROE nilai negatif menunjukkan bahwa dari modal yang telah diinvestasikan untuk perusahaan, perusahaan tidak menghasilkan laba bahkan mendapatkan kerugian. Himpunan semesta untuk rasio ROE yaitu U ROE = [ 20, 144]. 64
6 5) Rasio NIM Nilai minimum dan maksimum rasio NIM berdasarkan pada data yang diperoleh adalah 0 dan 20,67. Sehingga dapat ditentukan himpunan semesta untuk rasio NIM yaitu U NIM = [ 2, 21]. 6) Rasio CAR Nilai minimum dan maksimum rasio CAR berdasarkan pada data yang diperoleh adalah 0,15 dan 181,38. Sehingga dapat ditentukan himpunan semesta untuk rasio CAR yaitu U CAR = [0, 182]. b. Himpunan Semesta (U) pada Variabel Output Penelitian ini menggunakan sistem Sugeno order nol sehingga output yang dihasilkan berupa sebuah konstanta. Peringkat komposit 1 atau bank dikatakan sangat sehat dimisalkan dengan angka 1. Angka 2 digunakan untuk menunjukkan bahwa bank yang tergolong dalam peringkat komposit 2 yaitu bank dinilai sehat. Kemudian angka 3 sebagai tanda bahwa bank masuk kedalam peringkat komposit 3 atau dikatakan cukup sehat, angka 4 menunjukkan bank yang memiliki peringkat komposit 4 yaitu kurang sehat dan terakhir peringkat komposit 5 atau tidak sehat dimisalkan dengan angka 5. Berdasarkan pemisalan tersebut didapatkan himpunan semesta (U) pada variabel output yaitu U output = [1, 5]. 3. Mendefinisikan Himpunan Fuzzy pada Input dan Output Himpunan fuzzy merupakan perluasan dan pengembangan dari konsep himpunan tegas (crisp) pada matematika. Pada himpunan tegas hanya 65
7 mengenal nila benar atau salah, namun dalam himpunan fuzzy dinyatakan dengan derajat keanggotaan antara 0 hingga 1. Data rasio keuangan yang diperoleh dalam penelitian merupakan himpunan tegas. Pada tahap ini himpunan tegas akan dinyatakan ke dalam himpunan fuzzy, proses tersebut dinamakan proses fuzzifikasi. Pada penelitian ini proses fuzzifikasi dilakukan dengan bantuan aplikasi MATLAB R2009a. a. Himpunan Fuzzy pada Input Himpunan fuzzy dinyatakan dengan menggunakan fungsi keanggotaan. Fungsi keanggotaan yang digunakan pada input dalam penelitian ini adalah fungsi keanggotaan pendekatan kurva bahu dengan kombinasi fungsi keanggotaan segitiga dan trapesium. Menurut Isokangas dan Juuso (2000: 32) metode Takagi-Sugeno menghasilkan hasil sedikit lebih akurat jika menggunakan fungsi keanggotaan segitiga, meskipun biasanya bentuk trapesium lebih akurat daripada bentuk lain. Alasan lain menggunakan kurva bahu adalah kombinasi antara kurva segitiga dan trapesium mempunyai akurasi yang lebih tinggi dari pada fungsi pendekatan yang lain (Zhao & Bose, 2002). Berdasarkan data yang diperoleh dan mengacu pada buku referensi serta Surat Edaran dari Bank Indonesia, setiap variabel input dinyatakan ke dalam 5 himpunan fuzzy. 1) Rasio NPL (Non Performing Loan) Variabel NPL didefinisikan dalam 5 himpunan fuzzy sangat sehat, sehat, cukup sehat, kurang sehat dan tidak sehat yaitu NPL 1, NPL 2, 66
8 NPL 3, NPL 4, dan NPL 5. Pembagian rentang pada setiap himpunan fuzzy berdasarkan Tabel halaman 15 tentang matriks penetapan komponen resiko kredit. Lebar himpunan fuzzy dapat dilihat dengan melihat nilai domain pada tititk potong antara himpunan fuzzy yang satu dengan himpunan fuzzy yang lain. Berikut fungsi keanggotaan variabel NPL berdasarkan Persamaan (2. 9) dan Persamaan (2. 10). 1 ; 0 x 1,5 μ NPL1 (x) = { x + 2,5 ; 1,5 x 2,5 0 ; x 2,5 (4. 1) Pada Gambar 4. 1 ditunjukkan dengan warna biru (SS). 1 ; x 1,5 atau x 4,5 μ NPL2 (x) = { x 1,5 ; 1,5 x 2,5 4,5 x ; 2,5 x 4,5 2 (4. 2) Pada Gambar 4. 1 ditunjukkan dengan warna hijau (S). μ NPL3 (x) = { 0 ; x 2,5 atau x 5,5 x 2,5 2 ; 2,5 x 4,5 5,5 x ; 4,5 x 5,5 (4. 3) Pada Gambar 4. 1 ditunjukkan dengan warna merah (CS). 0 ; x 4,5 atau x 10,5 μ NPL4 (x) = { x 4,5 ; 4,5 x 5,5 10,5 x ; 5,5 x 10,5 5 (4. 4) Pada Gambar 4. 1 ditunjukkan dengan warna hijau toska (KS). μ NPL5 (x) = { 0 ; x 5,5 x 5,5 5 ; 5,5 x 10,5 1 ; 10,5 x 13 (4. 5) Pada Gambar 4. 1 ditunjukkan dengan warna ungu (TS). Representasi kurva bahu variabel NPL ditunjukkan Gambar
9 Gambar Fungsi Keanggotaan Variabel Rasio NPL pada U = [0, 13] 2) Rasio LDR (Loan to Deposit Ratio) Variabel LDR didefinisikan dalam 5 himpunan fuzzy sangat sehat, sehat, cukup sehat, kurang sehat dan tidak sehat yaitu LDR 1, LDR 2, LDR 3, LDR 4, dan LDR 5. Pembagian rentang setiap himpunan fuzzy sudah ditentukan berdasarkan Tabel halaman 16 tentang matriks penetapan komponen resiko likuiditas. Lebar himpunan fuzzy dapat dilihat dengan melihat nilai domain pada tititk potong antara himpunan fuzzy yang satu dengan himpunan fuzzy yang lain. Berikut adalah fungsi keanggotaan variabel LDR berdasarkan persamaan (2. 9) dan Persamaan (2. 10). μ LDR1 (x) = { 1 ; 0 x x 10 ; 70 x 80 0 ; x 80 (4. 6) Pada Gambar 4. 2 ditunjukkan dengan warna biru (SS). μ LDR2 (x) = { 0 ; x 70 atau x 90 x x 10 ; 70 x 80 ; 80 x 90 (4. 7) Pada Gambar 4. 2 ditunjukkan dengan warna hijau (S). 68
10 μ LDR3 (x) = { 0 ; x 80 atau x 110 x x 20 ; 80 x 90 ; 90 x 110 (4. 8) Pada Gambar 4. 2 ditunjukkan dengan warna merah (CS). μ LDR4 (x) = { 0 ; x 90 atau x 130 x x 20 ; 90 x 110 ; 110 x 130 (4. 9) Pada Gambar 4. 2 ditunjukkan dengan warna hijau toska (KS). μ LDR5 (x) = { 0 ; x 110 x ; 110 x ; 130 x 621 (4. 10) Pada Gambar 4. 2 ditunjukkan dengan warna ungu (TS). Representasi kurva bahu pada variabel LDR ditunjukkan pada Gambar Gambar Fungsi Keanggotaan Variabel Rasio LDR pada U = [0, 621] 3) Rasio ROA (Return On Assets) Variabel ROA didefinisikan dalam 5 himpunan fuzzy sangat sehat, sehat, cukup sehat, kurang sehat dan tidak sehat yaitu 69
11 ROA 1, ROA 2, ROA 3, ROA 4, dan ROA 5. Pembagian rentang setiap himpunan fuzzy ditentukan berdasarkan Tabel halaman 18 Lebar himpunan fuzzy dapat dilihat dengan melihat nilai domain pada tititk potong antara himpunan fuzzy yang satu dengan himpunan fuzzy yang lain. Berikut adalah fungsi keanggotaan untuk variabel ROA berdasarkan Persamaan (2. 9) dan Persamaan (2. 10). μ ROA 1 (x) = { 0 ; x 1,4 x 1,4 0,2 ; 1,4 x 1,6 0 ; 1,6 x 8 (4. 11) Pada Gambar 4. 3 ditunjukkan dengan warna biru (SS). μ ROA 2 (x) = { 0 ; x 1,1 atau x 1,6 x 1,1 0,3 1,6 x 0,2 ; 1,1 x 1,4 ; 1,4 x 1,6 (4. 12) Pada Gambar 4. 3 ditunjukkan dengan warna hijau (S). μ ROA 3 (x) = { 0 ; x 0,1 atau x 1,4 x+0,1 1,2 1,4 x 0,3 ; 0,1 x 1,1 ; 1,1 x 1,4 (4. 13) Pada Gambar 4. 3 ditunjukkan dengan warna merah (CS). μ ROA 4 (x) = { 0 ; x 0,2 atau x 1,1 x+0,2 0,1 1,1 x 1,2 ; 0,2 x 0,1 ; 0,1 x 1,1 (4. 14) Pada Gambar 4. 3 ditunjukkan dengan warna hijau toska (KS). μ ROA5 (x) = { 1 ; 2 x 0,2 x 0,1 0,1 ; 0,2 x 0,1 0 ; x 0,1 (4. 15) Pada Gambar 4. 3 ditunjukkan dengan warna ungu (TS). 70
12 Representasi kurva bahu pada variabel ROA ditunjukkan pada Gambar Gambar 4. 3 Fungsi Keanggotaan Variabel Rasio ROA pada U = [ 2, 8] 4) Rasio ROE (Return On Equity) Variabel ROE atau disebut Return On Equity didefinisikan dalam 5 himpunan fuzzy sangat sehat, sehat, cukup sehat, kurang sehat dan tidak sehat yaitu ROE 1, ROE 2, ROE 3, ROE 4, dan ROE 5. Pembagian rentang setiap himpunan fuzzy didapat berdasarkan pada Tabel halaman 18. Lebar himpunan fuzzy diperoleh dengan melihat nilai domain pada tititk potong antara himpunan fuzzy yang satu dengan himpunan fuzzy yang lain dalam variabel ROE. Berikut adalah fungsi keanggotaan untuk variabel ROE berdasarkan Persamaan (2. 9) dan Persamaan (2. 10). μ ROE 1 (x) = { 0 ; x 17,5 x 17,5 5 ; 17,5 x 22,5 1 ; 22,5 x 143 (4. 16) Pada Gambar 4. 4 ditunjukkan dengan warna biru (SS). 71
13 μ ROE 2 (x) = { 0 ; x 7,5 atau x 22,5 x 7, ,5 x 5 ; 7,5 x 17,5 ; 17,5 x 22,5 (4. 17) Pada Gambar 4. 4 ditunjukkan dengan warna hijau (S). μ ROE 3 (x) = { 0 ; x 2,5 atau x 17,5 x 2,5 5 17,5 x 10 ; 2,5 x 7,5 ; 7,5 x 17,5 (4. 18) Pada Gambar 4. 4 ditunjukkan dengan warna merah (CS). μ ROE 4 (x) = { 0 ; x 2,5 atau x 7,5 x+2,5 5 7,5 x 5 ; 2,5 x 2,5 ; 2,5 x 7,5 (4. 19) Pada Gambar 4. 4 ditunjukkan dengan warna hijau toska (KS). μ ROE 5 (x) = { 1 ; 20 x 2,5 2,5 x 5 ; 2,5 x 2,5 0 ; x 2,5 (4. 20) Pada Gambar 4. 4 ditunjukkan dengan warna ungu (TS). Representasi kurva bahu pada variabel ROE ditunjukkan pada Gambar Gambar Fungsi Keanggotaan Variabel Rasio ROE pada U = [ 20, 143] 72
14 5) Rasio NIM (Net Interest Margin) Variabel NIM didefinisikan dalam 5 himpunan fuzzy sangat sehat, sehat, cukup sehat, kurang sehat dan tidak sehat yaitu NIM 1, NIM 2, NIM 3, NIM 4, dan NIM 5. Pembagian rentang pada setiap himpunan fuzzy ditentukan berdasarkan Tabel halaman 19. Berikut adalah fungsi keanggotaan variabel NIM berdasarkan Persamaan (2. 9) dan Persamaan (2. 10). μ NIM 1 (x) = { 0 ; x 2,25 x 2,25 5,5 ; 2,25 x 7,75 1 ; 7,75 x 21 (4. 21) Pada Gambar 4. 5 ditunjukkan dengan warna biru (SS). μ NIM 2 (x) = { 0 ; x 1,75 atau x 7,75 x 1,75 0,5 7,75 x 5,5 ; 1,75 x 2,25 ; 2,25 x 7,75 (4. 22) Pada Gambar 4. 5 ditunjukkan dengan warna hijau (S). μ NIM 3 (x) = { 0 ; x 1,25 atau x 2,25 x 1,25 0,5 2,25 x 0,5 ; 1,25 x 1,75 ; 1,75 x 2,25 (4. 23) Pada Gambar 4. 5 ditunjukkan dengan warna merah (CS). μ NIM 4 (x) = { 0 ; x 1,25 atau x 1,75 x+1,25 2,5 1,75 x 0,5 ; 1,25 x 1,25 ; 1,25 x 1,75 (4. 24) Pada Gambar 4. 5 ditunjukkan dengan warna hijau toska (KS). μ NIM 5 (x) = { 1 ; 2 x 1,25 1,25 x 2,5 ; 1,25 x 1,25 0 ; x 1,25 (4. 25) 73
15 Pada Gambar 4. 5 ditunjukkan dengan warna ungu (TS). Representasi kurva bahu pada variabel NIM ditunjukkan Gambar Gambar Fungsi Keanggotaan Variabel Rasio NIM pada U = [ 2, 21] 6) Rasio CAR (Capital Adequancy Ratio) Variabel CAR didefinisikan kedalam 5 himpunan fuzzy sangat sehat, sehat, cukup sehat, kurang sehat dan tidak sehat yaitu CAR 1, CAR 2, CAR 3, CAR 4, dan CAR 5. Pembagian rentang pada setiap himpunan fuzzy sudah ditentukan berdasarkan Tabel halaman 20. Berikut adalah fungsi keanggotaan pada variabel CAR berdasarkan Persamaan (2. 9) dan Persamaan (2. 10). μ CAR 1 (x) = { 0 ; x 9,5 x 9,5 5 ; 9,5 x 14,5 1 ; 14,5 x 182 (4. 26) Pada Gambar 4. 6 ditunjukkan dengan warna biru (SS). 0 ; x 8,5 atau x 14,5 μ CAR 2 (x) = { x 8,5 ; 8,5 x 9,5 14,5 x ; 9,5 x 14,5 5 (4. 27) Pada Gambar 4. 6 ditunjukkan dengan warna hijau (S). 74
16 0 ; x 7,5 atau x 9,5 μ CAR 3 (x) = { x 7,5 ; 7,5 x 8,5 9,5 x ; 8,5 x 9,5 (4. 28) Pada Gambar 4. 6 ditunjukkan dengan warna merah (CS). μ CAR 4 (x) = { 0 ; x 4,5 atau x 8,5 x 4,5 3 ; 4,5 x 7,5 8,5 x ; 7,5 x 8,5 (4. 29) Pada Gambar 4. 6 ditunjukkan dengan warna hijau toska (KS). μ CAR 5 (x) = { 1 ; 0 x 4,5 7,5 x 3 ; 4,5 x 7,5 0 ; x 7,5 (4. 30) Pada Gambar 4. 6 ditunjukkan dengan warna ungu (TS). Representasi kurva bahu pada variabel CAR ditunjukkan pada Gambar Gambar Fungsi Keanggotaan Variabel Rasio CAR pada U = [0, 182] b. Himpunan Fuzzy pada Output Himpunan fuzzy pada output analisis kesehatan bank di Indonesia dibagi menjadi lima, yaitu: 1. Bank yang termasuk dalam kategori peringkat komposit 1 dimisalkan dengan angka 1. 75
17 2. Bank yang termasuk dalam kategori peringkat komposit 2 dimisalkan dengan angka Bank yang termasuk dalam kategori peringkat komposit 3 dimisalkan dengan angka Bank yang termasuk dalam kategori peringkat komposit 4 dimisalkan dengan angka Bank yang termasuk dalam kategori peringkat komposit 5 dimisalkan dengan angka Membangun Aturan Fuzzy Aturan-aturan fuzzy yang dibentuk digunakan untuk menentukkan hasil penilaian berdasarkan dari data yang telah diperoleh. Data tersebut merupakan hasil perhitungan penilaian kesehatan bank yang telah dilakukan sesuai dengan kriteria yang ada. Ada 109 bank yang digunakan dalam penelitian ini. Data rasio keuangan dari 109 bank tersebut kemudian dibagi menjadi 2 yaitu 87 data digunakan sebagai data training (Lampiran 2 halaman 105) dan 22 data sebagai data testing (Lampiran 3 halaman 113). Aturan fuzzy dibangun dari data-data training. Dari data training tersebut dibentuk pasangan data input dan output. Setiap aturan yang dibentuk merupakan suatu implikasi. Operator yang digunakan untuk menghubungkan antar input yaitu operator AND, dan yang memetakan antara input ke output adalah IF-THEN. Banyak periode yang digunakan dalam penelitian ini adalah 3 tahun, dengan pengambilan data per akhir tahun sehingga total data training yang 76
18 diperoleh sebanyak 261 dari 327 total data yang ada. Hasil data yang telah diperoleh dari data training tersebut masing-masing dicari derajat keanggotaannya, kemudian derajat keanggotaan dengan nilai terbesar digunakan untuk membangun aturan fuzzy. Aturan fuzzy yang terbentuk diurutkan dan diseleksi, jika terdapat beberapa aturan yang sama maka hanya satu yang dipilih dan yang lain dieliminasi. Berdasarkan hal tersebut terbentuklah 141 aturan fuzzy Proses untuk membangun aturan fuzzy dilakukan dengan menggunakan bantuan MATLAB R2009a. Dalam contoh berikut misalkan data bank yang digunakan diambil satu sampel dari data training yaitu bank dengan kode 112 pada tahun Data rasio bank kode 112 pada tahun 2013 Tabel 4. 1 berikut ini. Tabel Data Rasio Bank Kode 112 tahun 2013 Variabel Input Bank Kode 112 Tahun 2013 Predikat Rasio NPL 0,9 Sangat sehat Rasio LDR 73,67 Sangat sehat Rasio ROA 2,71 Sangat sehat Rasio ROE 25,36 Sangat sehat Rasio NIM 8,38 Sangat sehat Rasio CAR 15,69 Sangat sehat Hasil Penilaian Skor =30 Sangat Sehat Berdasarkan data tersebut dapat dicari derajat keanggotaannya, berikut ini derajat keangootaan pada bank kode 112 pada tahun 2013: a. Rasio NPL Nilai rasio NPL bank kode 112 pada tahun 2013 adalah 0,9. Berdasarkan 6 himpunan fuzzy yang telah didefinisikan pada variabel NPL, nilai x = 0,9 tersebut masuk dalam interval himpunan fuzzy pada 77
19 Persamaan (4. 1). Derajat keanggotaan selain himpunan fuzzy tersebut adalah 0. Berikut ini hasil perhitungan derajat keanggotaan rasio NPL pada masing-masing himpunan fuzzy berdasarkan Persamaan (4.1), Persamaan (4.2), Persamaan (4.3), Persamaan (4.4), dan Persamaan (4.5). μ NPL1 (0,9) = 1 μ NPL2 (0,9) = 0 μ NPL3 (0,9) = 0 μ NPL4 (0,9) = 0 μ NPL5 (0,9) = 0 Menggunakan Persamaan (2. 21), kelima derajat keanggotaan tersebut dipilih yang terbesar dengan cara mencari nilai maksimum dari masingmasing keanggotaan yaitu max (1,0,0,0,0) = 1. Jadi rasio NPL dari bank kode 112 pada tahun 2013 masuk dalam himpunan fuzzy NPL 1. b. Rasio LDR Nilai rasio LDR bank kode 112 pada tahun 2013 adalah 73,67. Berdasarkan 6 himpunan fuzzy yang telah didefinisikan pada variabel LDR, nilai x = 73,67 tersebut masuk dalam interval himpunan fuzzy pada Persamaan (4. 6) dan Persamaan (4. 7) maka derajat keanggotaan selain himpunan fuzzy tersebut adalah 0. Berikut ini hasil perhitungan derajat keanggotaan rasio LDR pada masing-masing himpunan fuzzy berdasarkan Persamaan (4.6), Persamaan (4.7), Persamaan (4.8), Persamaan (4.9), dan Persamaan (4.10). 78
20 μ LDR1 (73,67) = 80 73,67 10 μ LDR2 (73,67) = 73, μ LDR3 (73,67) = 0 μ LDR4 (73,67) = 0 μ LDR5 (73,67) = 0 = 0,633 = 0,367 Menggunakan Persamaan (2. 21), kelima derajat keanggotaan tersebut dipilih yang terbesar dengan cara mencari nilai maksimum dari masingmasing keanggotaan yaitu max (0.633,0.367,0,0,0) = 0,633. Jadi rasio LDR dari bank kode 112 pada tahun 2013 masuk dalam himpunan fuzzy LDR 1 c. Rasio ROA Nilai rasio ROA bank kode 112 pada tahun 2013 adalah 2,7. Berdasarkan enam himpunan fuzzy yang telah didefinisikan pada variabel ROA, nilai x = 2,7 tersebut masuk dalam interval himpunan fuzzy pada Persamaan (4. 11) maka derajat keanggotaan selain himpunan fuzzy tersebut adalah 0. Berikut ini hasil perhitungan derajat keanggotaan rasio ROA pada masing-masing himpunan fuzzy himpunan fuzzy berdasarkan Persamaan (4.11), Persamaan (4.12), Persamaan (4.13), Persamaan (4.14), dan Persamaan (4.15). μ ROA1 (2,7) = 1 μ ROA2 (2,7) = 0 μ ROA3 (2,7) = 0 μ ROA4 (2,7) = 0 79
21 μ ROA5 (2,7) = 0 Menggunakan Persamaan (2. 21), kelima derajat keanggotaan tersebut dipilih yang terbesar dengan cara mencari nilai maksimum dari masingmasing keanggotaan yaitu max(1,0,0,0,0) = 1. Karena 1 adalah derajat keanggotaan untuk himpunan fuzzy ROA 1, maka rasio ROA dari bank kode 112 pada tahun 2013 masuk dalam himpunan fuzzy ROA 1 d. Rasio ROE Nilai rasio ROE bank kode 112 pada tahun 2013 adalah 25,36. Berdasarkan 6 himpunan fuzzy yang telah didefinisikan pada variabel ROE, nilai x = 0,9 tersebut masuk dalam interval himpunan fuzzy pada Persamaan (4. 16) maka derajat keanggotaan selain himpunan fuzzy tersebut adalah 0. Berikut ini hasil perhitungan derajat keanggotaan rasio ROE pada masing-masing himpunan fuzzy berdasarkan Persamaan (4.16), Persamaan (4.17), Persamaan (4.18), Persamaan (4.19), dan Persamaan (4.20). μ ROE1 (25,36) = 1 μ ROE2 (25,36) = 0 μ ROE3 (25,36) = 0 μ ROE4 (25,36) = 0 μ ROE5 (25,36) = 0 Menggunakan Persamaan (2. 21), kelima derajat keanggotaan tersebut dipilih yang terbesar dengan cara mencari nilai maksimum dari masing- 80
22 masing keanggotaan yaitu max(1,0,0,0,0) = 1. Jadi rasio ROE bank kode 112 pada tahun 2013 masuk dalam himpunan fuzzy ROE 1 e. Rasio NIM Nilai rasio NIM bank kode 112 pada tahun 2013 adalah 8,38. Berdasarkan himpunan fuzzy pada variabel NIM, nilai x = 8,38 masuk dalam interval himpunan fuzzy pada Persamaan (4. 21) maka derajat keanggotaan selain himpunan fuzzy tersebut adalah 0. Berikut ini hasil perhitungan derajat keanggotaan rasio NIM pada himpunan fuzzy berdasarkan Persamaan (4.6), Persamaan (4.7), Persamaan (4.8), Persamaan (4.9), dan Persamaan (4.10). μ NIM1 (8,38) = 1 μ NIM2 (8,38) = 0 μ NIM3 (8,38) = 0 μ NIM4 (8,38) = 0 μ NIM5 (8,38) = 0 Menggunakan Persamaan (2. 21), kelima derajat keanggotaan tersebut dipilih yang terbesar dengan cara mencari nilai maksimum dari masingmasing keanggotaan yaitu max(1,0,0,0,0) = 1. Jadi rasio NIM bank kode 112 pada tahun 2013 masuk dalam himpunan fuzzy NIM 1 f. Rasio CAR Nilai rasio CAR bank kode 112 pada tahun 2013 adalah 15,69. Berdasarkan 6 himpunan fuzzy yang telah didefinisikan pada variabel CAR, nilai x = 15,69 tersebut masuk dalam interval himpunan fuzzy 81
23 pada Persamaan (4. 26) maka derajat keanggotaan selain himpunan fuzzy tersebut adalah 0. Berikut ini hasil perhitungan derajat keanggotaan rasio CAR pada masing-masing himpunan fuzzy. μ CAR1 (15,69) = 1 μ CAR2 (15,69) = 0 μ CAR3 (15,69) = 0 μ CAR4 (15,69) = 0 μ CAR5 (15,69) = 0 Menggunakan Persamaan (2. 21), kelima derajat keanggotaan tersebut dipilih yang terbesar dengan cara mencari nilai maksimum dari masingmasing keanggotaan yaitu max(1,0,0,0,0) = 1. Jadi rasio CAR bank kode 112 pada tahun 2013 masuk dalam himpunan fuzzy CAR 1. Nilai derajat keangotaan terbesar dari masing-masing rasio bank kode 112 pada tahun 2013 yang telah dikelompokkan kedalam himpunan fuzzy masing-masing input dapat digunakan untuk menyusun aturan fuzzy. Aturan fuzzy yang terbentuk yaitu Jika rasio NPL adalah NPL 1 (sangat sehat) dan rasio LDR adalah LDR 1 (sangat sehat) dan rasio ROA adalah ROA 1 (sangat sehat) dan rasio ROE adalah ROE 1 (sangat sehat) dan rasio NIM adalah NIM 1 (sangat sehat) dan rasio CAR adalah CAR 1 (sangat sehat) maka hasil penilaian bank adalah sangat sehat Analogi dengan proses tersebut untuk perhitungan rasio-rasio bank yang lain. Pada penelitian ini terkadang ditemui beberapa aturan yang sama, sehingga perlu dilakukan penyederhanaan aturan. Penyederhanaan aturan 82
24 dilakukan dengan cara memilih salah satu aturan dan mengeliminasi aturan lain yang memiliki kesamaan dengan aturan tersebut. Jumlah keseluruhan aturan yang digunakan untuk membangun sistem fuzzy dalam penelitian ini adalah 141 aturan. Aturan selengkapnya dapat dilihat pada Lampiran 8 halaman 167. Pada Lampiran 8 aturan yang terbentuk sudah diurutkan berdasarkan hasil penilaian kesehatan bank dari sangat sehat ada urutan 1-63, sehat pada urutan dan kurang sehat pada urutan terakhir. 5. Melakukan Inferensi Fuzzy Sistem Sugeno Inferensi fuzzy merupakan proses untuk mengevaluasi output pada setiap aturan yang dihubungkan dengan aturan IF-THEN. Sistem inferensi yang digunakan dalam analisis tingkat kesehatan bank ini adalah sistem Sugeno order nol. Kelebihan sistem Sugeno dibanding dengan yang lain adalah sistem ini efisien secara komputasi, cocok untuk pemodelan linier, cocok digabung dengan teknik optimasi dan adaptif, menjamin kontinuitas keluaran, dan memungkinkan dilakukkan analisis matematik (Agus Naba, 2009: 113). Berdasarkan 141 aturan fuzzy yang telah dibentuk, hasil fuzzifikasi kemudian digunakan untuk inferensi fuzzy dengan menggunakan sistem Sugeno order nol dengan menggunakan fungsi implikasi MIN. Fungsi MIN digunakan karena pada aturan jika-maka, operator yang digunakan pada antecedent adalah AND ( ). Pada operator AND, untuk memperoleh hasil implikasi maka diambil elemen yang mempunyai derajat keanggotaan terkecil antar elemen pada himpunan yang bersangkutan. 83
25 Perhitungan inferensi fuzzy menggunakan bantuan perangkat lunak MATLAB R2009a dengan fuzzy inference systems. Berikut akan diberikan contoh perhitungan inferensi fuzzy secara manual. Misalkan pada aturan yang telah dibentuk untuk menentukan hasil implikasi dari data rasio bank kode 112 tahun 2013 adalah sebagai berikut. Jika rasio NPL adalah NPL 1 (sangat sehat) dan rasio LDR adalah LDR 1 (sangat sehat) dan rasio ROA adalah ROA 1 (sangat sehat) dan rasio ROE adalah ROE 1 (sangat sehat) dan rasio NIM adalah NIM 1 (sangat sehat) dan rasio CAR adalah CAR 1 (sangat sehat) maka hasil penilaian bank adalah sangat sehat. Berdasarkan aturan tersebut dapat diperoleh nilai hasil implikasi sebagai berikut: α = μ NPL LDR ROA ROE NIM CAR = min (μ LDR (0,9); μ B (73,67); μ CAR (15,69)) = min(1; 0,633; ; 1) = 0,633 Dari perhitungan di atas, dapat disimpulkan bahwa, dengan menggunakan sistem tersebut hasil perhitungan untuk data rasio bank kode 112 pada tahun 2013 adalah 0,633. Melakukan hal yang sama untuk aturan ke-2 sampai 141 dengan menggunakan perangkat lunak MATLAB R2009a. Hasil implikasi bank kode 112 pada tahun 2013 disajikan pada Tabel 4.2 Tabel Hasil Fungsi Implikasi Bank Kode 112 Tahun 2013 Rule NPL LDR ROA ROE NIM CAR Hasil Implikasi α n 1 1 0, , , ,
26 Hasil fungsi implikasi untuk data rasio bank kode 112 tahun 2013 selengkapnya dapat dilihat pada Lampiran 9 halaman Melakukan Defuzzifikasi Defuzzifikasi merupakan langkah terakhir pada sistem fuzzy. Proses defuzzifikasi bertujuan untuk mendapatkan nilai tegas pada output. Metode yang digunakan pada proses defuzzifikasi adalah weighted average yaitu mencari nilai rata-ratanya. Proses defuzzifikasi dengan metode weighted average dilakukan dengan bantuan MATLAB R2009a. Akan tetapi, akan dijelaskan perhitungan cara memperoleh hasil output pada bank kode 112 tahun Berdasarkan rumus deffuzifikasi pada Persamaan (2. 25) halaman 48 dapat ditentukan nilai weighted average dalam sistem ini. Untuk melakukan deffuzifikasi harus dicari hasil implikasi (α n ) seperti yang telah dijelaskan Tabel 4.2. Selanjutnya menentukkan indeks nilai output (konstanta) ke-n (Z n ). Nilai Z n yang telah ditentukan adalah angka 1 untuk output PK 1, angka 2 untuk output PK 2, angka 3 untuk output PK 3, angka 4 untuk output PK 4, angka 5 untuk output PK 5. Tabel 4.5 merupakan perhitungan deffuzifikasi pada data rasio bank. Tabel Defuzzikasi Bank Kode 112 Rule α n Z n α n Z n 1 0, , Jumlah
27 Hasil defuzzifikasi selengkapnya dapat dilihat pada Lampiran 10 halaman 178. Berdasarkan Tabel 4.3 dapat dicari nilai WA dengan menggunakan Persamaan (2. 25) halaman 48, yaitu : WA = 1 z z n z n n = 0, , = 1 Berdasarkan perhitungan di atas diperoleh hasil defuzzifikasi untuk data data rasio bank kode 112 tahun 2013 adalah WA = 1. Hasil yang diperoleh menunjukkan bahwa penilaian peringkat kesehatan bank kode 112 tahun 2013 adalah pada peringkat komposit 1. Sehingga dapat disimpulkan bank kode 112 tahun 2013 masuk dalam kategori sangat sehat. Selanjutnya hasil klasifikasi penilaian kesehatan bank untuk data training dan testing dapat dilihat pada Lampiran 11 dan Lampiran 12 halaman 182 dan Sistem Fuzzy dengan Program MATLAB MATLAB mempunyai banyak toolbox yang dapat digunakan untuk merancang suatu sistem. Fuzzy Logic Toolbox dipilih untuk merancang sistem fuzzy dalam penilaian kesehatan bank di Indonesia, pada penelitian ini menggunakan MATLAB R2009a. Langkah-langkah membuat sistem fuzzy penilaian tingkat kesehatan bank menggunakan sistem Sugeno order nol defuzzifikasi weighted average dengan Fuzzy Logic Toolbox yaitu: a. Buka program MATLAB R2009a 86
28 b. Ketik pada command window Fuzzy Sehingga akan muncul tampilan FIS Editor seperti Gambar Gambar Tampilan FIS Editor c. Pastikan untuk memilih sistem Sugeno, dengan cara pilih File New FIS Sugeno, maka akan muncul tampilan seperti Gambar Gambar Tambilan FIS Sugeno 87
29 d. Simpan file terlebih dahulu dengan cara pilih File Export To File ketik nama sesuai keinginan Save. e. Pada kolom defuzzifikasi pilih wtaver. f. Dalam penelitian ini variabel yang digunakan sebanyak 6 input dan 1 output. FIS secara otomatis hanya menyediakan 1 input dan 1 output, sehingga perlu menambahkan variabel input dengan cara pilih Edit Add Variable Add Input. Ulangi langkah tersebut hingga terbentuk 6 variabel input. Gambar FIS Tingkat Kesehatan Bank g. Langkah berikutnya adalah klik dua kali pada input pertama untuk memunculkan membership function editor sehingga akan muncul tampilan seperti Gambar
30 Gambar Membership Function Editor h. Pada langkah ini akan dibentuk fungsi keanggotaan untuk masingmasing input. Misal untuk input rasio NPL, pada variabel ini range yang digunakan adalah [0, 13] dan otomatis pada display range juga akan terisi [0, 13]. Dalam penelitian ini himpunan fuzzy yang digunakan sebnayak 5. Untuk membuatnya klik Edit Add MFs Pada MF type pilih trimf dan number of MFs sebanyak 3 OK. Penelitian ini digunakan kurva bahu sehingga ulangi langkah tersebut dengan mengganti MF type dengan trapmf dan number of MFs sebanyak 2. Hal ini dilakukan pada variabel input yang lain. i. Selanjutnya klik pada MF yang berbentuk trapesium dan isikan pada kolom name dengan SS, params [0 0 1,5 2,5]. Pada MF trapesium yang lain isikan kolom name dengan TS, params [5,5 10, ]. Untuk ketiga MF segita secara berurutan isikan pada kolom name = TS dan params [1,5 2,5 4,5], kemudian name = CS dan params [2,5 4,5 5,5], yang terakhir name = KS dan params [4,5 5,5 10,5]. Sehingga muncul tampilan membership function editor NPL seperti Gambar
31 Gambar Membership function editor NPL j. Menentukan output sistem. Langkah pertama adalah double klik output1, lalu beri kode nama sesuai klasifikasi kesehatan bank misalnya SS, S, CS, KS, TS. Type yang digunakan adalah constant karena sistem yang digunakan adalah Sugeno order nol sehingga himpunan fuzzy yang digunakan pada output berupa konstanta. Misal SS menggunakan Params 1, S menggunakan Params 2, CS menggunakan Params 3, KS menggunakan Params 4, dan TS menggunakan Params 5. Gambar Membership Function Editor pada Output 90
32 k. Membuat aturan dengan Rule Editor. Pilih Edit Rules. Langkah yang dilakukan untuk memasukkan rules yaitu klik setiap variabel sesuai dengan aturan yang telah dibentuk, contohnya dibawah variabel NPL pilih KS, dibawah variabel LDR pilih S, pilih TS dibawah variabel ROA pilih TS, dibawah variabel ROE pilih TS, dibawah variabel NIM pilih SS, dibawah variabel CAR pilih S pilih dan dibawah variabel PK pilih CS kemudian klik add rule. Lakukan hal yang sama hingga terbentuk 141 aturan. Gambar 4.13 menunjukkan rules yang telah dibangun. Gambar Rule Editor l. Langkah terakhir adalah pengujian terhadap FIS yang telah dibangun. Pilih View Rules atau klik Ctrl+5. Kemudian pada kotak input tuliskan data input misal bank kode 112 tahun 2013 yaitu [0,9 73,67 2,71 25,36 8,38 15,69]. Gambar tampilannya ditunjukkan seperti pada Gambar
33 Gambar Rule Viewer C. Hasil Klasifikasi Penilaian Kesehatan Bank Berdasarkan hasil penelitian yang telah dilakukan, maka dapat ditentukan klasifikasi penilaian kesehatan bank di seluruh Indonesia dengan menggunakan sistem fuzzy Sugeno order nol sebagai berikut : 1. Hasil Penilaian pada Data Training Berikut adalah hasil sistem fuzzy pada data training berdasarkan hasil diagnosis yang diperoleh dari sistem fuzzy yang telah dibangun. Tabel Hasil Sistem Fuzzy pada Data Training Tahun No Kode Bank y* Sistem Fuzzy Penilaian Keterangan RGEC Sangat Sehat Sangat Sehat Benar Sangat Sehat Sangat Sehat Benar Sehat Sehat Benar Sehat Sehat Benar 92
34 Tabel 4. 6 menunjukkan hasil dari sistem fuzzy untuk data training pada tahun Hasil penilaian tingkat kesehatan selengkapnya untuk tahun data training tahun dapat dilihat pada Lampiran 11 halaman Hasil Penilaian pada Data Testing Berikut adalah hasil sistem fuzzy pada data testing berdasarkan hasil diagnosis yang diperoleh dari sistem fuzzy yang telah dibangun. Tabel Hasil Sistem Fuzzy pada Data Testing Tahun No Kode Bank y* Sistem Fuzzy Penilaian Keterangan RGEC Sangat Sehat Sangat Sehat Benar Sangat Sehat Sangat Sehat Benar Sangat Sehat Sangat Sehat Benar Sehat Sehat Benar Tabel 4.5 menunjukkan hasil dari sistem fuzzy pada data testing pada tahun Hasil penilaian tingkat kesehatan selengkapnya untuk tahun data testing tahun dapat dilihat pada Lampiran 12 halaman 189. D. Tingkat Keakurasian Sistem fuzzy pada penilaian tingkat kesehatan bank bisa dikatakan baik bila telah dilakukakn pengujian tingkat keakurasiannya. Sistem yang telah dibentuk dari data hasil perhitungan kemudian diuji dengan menggunakan MATLAB R2009a. Nilai keakuratan data training untuk sistem fuzzy dapat dicari menggunakan persamaan (2.10) sebagai berikut: 1. Nilai Keakurasian pada Data Training Akurasi tahun 2011 = % = 95,4%
35 Akurasi tahun 2012 = % = 97.7% 87 Akurasi tahun 2013 = % = 95,4% 87 Jadi keakurasian sistem fuzzy untuk data training tahun 2011 adalah 95,4%, tahun 2012 adalah 97,7% dan tahun 2013 adalah 95,4%. Eror sistem fuzzy yang dihasilkan pada tahun 2011, 2012, 2013 berturut-turut adalah 4,6%, 2,3% dan 4,6%. 2. Tingkat Keberhasilan pada Data Testing Akurasi tahun 2011 = % = 100% 22 Akurasi tahun 2012 = % = 100% 22 Akurasi tahun 2013 = % = 100% 22 Jadi nilai keakurasian sistem fuzzy untuk data testing pada tahun adalah sebesar 100%. E. Sistem Klasifikasi Kesehatan Bank Menggunakan Grapichal User Interface (GUI) Proses terakhir dalam penelitian ini adalah membuat Grapichal User Interface (GUI). GUI merupakan alat bantu untuk menghubungkan pengguna dengan sistem. Tujuan dari proses ini adalah untuk mempermudah pengguna dalam menggunakan sistem fuzzy yang telah dibangun. Hasil penilaian pada sistem GUI merepresentasikan hasil klasifikasi dari sistem fuzzy. Adapun script untuk program Grapichal User Interface (GUI) dapat dilihat pada Lampiran 13 halaman 194. Hasil rancangan tampilan GUI yang dibuat dan contoh hasil implementasi GUI dapat dilihat Gambar
36 Gambar Hasil Rancangan GUI pada Klasifikasi Kesehatan Bank kode 112 tahun 2013 Sistem GUI seperti Gambar 4.15 yang ditunjukkan di atas dimulai dengan mengolah data yang dimasukkan secara manual. Data yang telah dimasukkan kedalam sistem GUI diproses untuk diklasifikasikan kedalam peringkat komposit sesuai aturan yang sudah ditetapkan oleh Bank Indonesia. Hasil penilaian kesehatan bank pada GUI merepresentasikan penilaian pada sistem fuzzy yang telah dibangun. Hal ini berarti bahwa hasil penilaian dan tingkat keakurasisan GUI sama dengan hasil pada sistem fuzzy. Hasil klasifikasi pada data training menggunakan sistem fuzzy pada tahun 2011 terdapat 50 bank masuk dalam tingkat kesehatan sangat sehat, 29 bank masuk dalam klasifikasi sehat dan 2 bank masuk kedalam klasifikasi sehat. Pada tahun 2012 terdapat 46 bank masuk ke dalam tingkat kesehatan sangat sehat, 37 dinyatakan sehat dan sisanya 4 bank masuk dalam tingkat kesehatan cukup sehat. Selanjutnya pada tahun 2013 ada 47 bank dinyatakan sangat sehat, 39 bank dinyatakan sehat dan 1 bank tidak sehat. 95
BAB III METODE PENELITIAN. Bab ini berisi penjelasan mengenai metode penelitian, jenis dan sumber data
BAB III METODE PENELITIAN Bab ini berisi penjelasan mengenai metode penelitian, jenis dan sumber data penelitian, teknik pengumpulan data, teknik analisis data dan desain penelitian. A. Metode Penelitian
Lebih terperinciBAB IV PEMBAHASAN. A. Aplikasi Fuzzy Logic untuk Menilai Kolektibilitas Anggota Sebagai. Pertimbangan Pengambilan Keputusan Pemberian Kredit
BAB IV PEMBAHASAN A. Aplikasi Fuzzy Logic untuk Menilai Kolektibilitas Anggota Sebagai Pertimbangan Pengambilan Keputusan Pemberian Kredit Aplikasi fuzzy logic untuk pengambilan keputusan pemberian kredit
Lebih terperinciStudi Kasus Fuzzy Logic 2016
1. Menentukan Himpunan Fuzzy Menggunakan Formula Di Microsoft Excell 2.1 Representasi Linier Naik Diketahui Persamaan Fungsi Keanggotaan Sebagai berikut : Berapakah µ[40], µ[45], µ[50]? Langkah-langkahnya
Lebih terperinciSolusi MATLAB. Double Click salah satu kotak input sehingga muncul Membership Function Editor. Pada Membership Function Editor:
PRAKTIKUM 2 Studi Kasus 2: Metode Sugeno Suatu perusahaan mampu memproduksi rata-rata 50.000 unit barang per hari, dan dalam 3 bulan terakhir permintaan tertinggi sebesar 75.000 unit. Barang yang tersedia
Lebih terperinciBAB II KAJIAN TEORI. Bab II ini berisi tentang kajian teori yang digunakan untuk mendukung
BAB II KAJIAN TEORI Bab II ini berisi tentang kajian teori yang digunakan untuk mendukung pembahasan pada bab-bab berikutnya yaitu definisi bank, fungsi bank, jenis bank, arti penting penilaian kesehatan
Lebih terperinciPENDAHULUAN Pengertian bank menurut pasal 1 Undang- Undang Perbankan No.10 Tahun 1998 adalah badan usaha yang menghimpun dana dari
Klasifikasi Kesehatan Bank... (Rani Mita Sari) 1 KLASIFIKASI KESEHATAN BANK MENGGUNAKAN SISTEM FUZZY SUGENO ORDER NOL YANG DIIMPLEMENTASIKAN DENGAN GRAPHICAL USER INTERFACE (GUI) THE BANK PERFORMANCE CLASSIFICATION
Lebih terperinciANALISIS TINGKAT KESEHATAN BANK DENGAN METODE RGEC PADA PT. BANK RAKYAT INDONESIA (Persero), Tbk PERIODE
ANALISIS TINGKAT KESEHATAN BANK DENGAN METODE RGEC PADA PT. BANK RAKYAT INDONESIA (Persero), Tbk PERIODE 2013-2015 Nama : Yacob Berkat NPM : 27212774 Fakultas : Ekonomi Jurusan : Akuntansi Latar Belakang
Lebih terperinciJOBSHEET SISTEM CERDAS REASONING 2. Fuzzifikasi
JOBSHEET SISTEM CERDAS REASONING 2 Fuzzifikasi S1 PENDIDIKAN TEKNIK ELEKTRO JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS NEGERI MALANG 2016 PRAKTIKUM SISTEM CERDAS - REASONING JOBSHEET 2 - FUZZIFIKASI
Lebih terperinciSIDANG TESIS. Oleh : Enny Rohmawati Malik. Dosen Pembimbing : Dr. Imam Mukhlash,S.Si,M.T
SIDANG TESIS APLIKASI SISTEM INFERENSI FUZZY DAN METODE REGRESI UNTUK MENGETAHUI FAKTOR FAKTOR YANG MEMPENGARUHI KINERJA KEUANGAN PERBANKAN (Studi Kasus Bank di Indonesia Periode 2005-2009) Dosen Pembimbing
Lebih terperinciBAB IV PEMBAHASAN. BAB IV berisi pembahasan tahapan penelitian, yaitu klasifikasi logika. A. Identifikasi Data Cadangan Hidrokarbon
BAB IV PEMBAHASAN BAB IV berisi pembahasan tahapan penelitian yaitu klasifikasi logika fuzzy hasil pembahasan analisis pengujian model fuzzy dan visualisasi model fuzzy pada perhitungan cadangan hidrokarbon
Lebih terperinciAda 5 GUI tools yang dapat dipergunakan untuk membangun, mengedit, dan mengobservasi sistem penalaran, yaitu :
BAB V FUZZY LOGIC MATLAB TOOLBOX Agar dapat mengunakan fungsi-fungsi logika fuzzy yang ada paad Matlab, maka harus diinstallkan terlebih dahulu TOOLBOX FUZZY. Toolbox. Fuzzy Logic Toolbox adalah fasilitas
Lebih terperinciDENIA FADILA RUSMAN
Sidang Tugas Akhir INVENTORY CONTROL SYSTEM UNTUK MENENTUKAN ORDER QUANTITY DAN REORDER POINT BAHAN BAKU POKOK TRANSFORMER MENGGUNAKAN METODE FUZZY (STUDI KASUS : PT BAMBANG DJAJA SURABAYA) DENIA FADILA
Lebih terperinciLOGIKA FUZZY MENGGUNAKAN MATLAB
LOGIKA FUZZY MENGGUNAKAN MATLAB T.SUTOJO,Ssi,M.Kom 5.10 Fuzzy Logic Toolbox Matlab menyediakan fungsi-fungsi khusus untuk perhitungan logika Fuzzy dimulai dari perhitungan fungsi keanggotaan sampai dengan
Lebih terperinciSISTEM CERDAS LATIHAN FUZZY LOGIC Dr. Fatchul Arifin, ST., MT. Phone:
SISTEM CERDAS LATIHAN FUZZY LOGIC Dr. Fatchul Arifin, ST., MT. Email: fatchul@uny.ac.id Phone: +6285725125326 Latihan 1 Fuzzy If Then Rule 1. Dasar Teori If then Rules If then Rules digunakan untuk menyatakan
Lebih terperinciPraktikum 10 Tim Asisten Praktikum Sistem Pakar
FUZZY LOGIC TOOLBOX IN MATLAB (MAMDANI) Praktikum 10 Tim Asisten Praktikum Sistem Pakar EXAMPLE Studi Permasalahan: Suatu Perusahaan akan melakukan perkiraan terhadap produksi suatu barang tiap bulan.
Lebih terperinciSimulasi Pengendali Kiln PT. Semen Tonasa (Tonasa IV) Menggunakan Fuzzy Logic Toolbox Program Matlab St. Nawal Jaya
Simulasi Pengendali Kiln PT. Semen Tonasa (Tonasa IV) Menggunakan Fuzzy Logic Toolbox Program Matlab St. Nawal Jaya Abstrac This paper is continuance of previous paper which will make kiln controller simulation
Lebih terperinciNama : Deni Aulia NPM : Jurusan : Akuntansi Pembimbing : Widada, SE., MM
ANALISIS TINGKAT KESEHATAN BANK DENGAN MENGGUNAKAN METODE RISK PROFILE, GOOD CORPORATE GOVERNANCE, EARNINGS DAN CAPITAL PADA PT BANK DANAMON INDONESIA TBK PERIODE 2010-2014 Nama : Deni Aulia NPM : 21212826
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini penulis akan menjelaskan mengenai landasan teori yang digunakan pada penelitian ini. Penjabaran ini bertujuan untuk memberikan pemahaman lebih mendalam kepada penulis
Lebih terperinci: Pengantar Intelegensi Buatan. Worksheet 2 : Praktikum Fuzzy Logic menggunakan MATLAB
Worksheet 2 : Praktikum Fuzzy Logic menggunakan MATLAB Sumber : - Belajar Cepat Fuzzy Logic menggunakan MATLAB oleh Agus Naba, Penerbit ANDI - Slide bahan Kuliah IF4058 Topik Khusus IF oleh Rinaldi Munir,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Logika Fuzzy Zadeh (1965) memperkenalkan konsep fuzzy sebagai sarana untuk menggambarkan sistem yang kompleks tanpa persyaratan untuk presisi. Dalam jurnalnya Hoseeinzadeh et
Lebih terperinciKata kunci: Sistem pendukung keputusan metode Sugeno, tingkat kepribadian siswa
SISTEM PENDUKUNG KEPUTUSAN METODE SUGENO DALAM MENENTUKAN TINGKAT KEPRIBADIAN SISWA BERDASARKAN PENDIDIKAN (STUDI KASUS DI MI MIFTAHUL ULUM GONDANGLEGI MALANG) Wildan Hakim, 2 Turmudi, 3 Wahyu H. Irawan
Lebih terperinciPenerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas
Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas Zulfikar Sembiring Jurusan Teknik Informatika, Fakultas Teknik, Universitas Medan Area zoelsembiring@gmail.com Abstrak Logika Fuzzy telah banyak
Lebih terperinciBAB IV PEMBAHASAN. Pada penelitian ini akan dibandingkan antara aplikasi teori graf fuzzy dan
BAB IV PEMBAHASAN Pada penelitian ini akan dibandingkan antara aplikasi teori graf fuzzy dan teori aljabar max-plus dalam pengaturan lampu lalu lintas di simpang empat Beran Kabupaten Sleman Provinsi Daerah
Lebih terperinciANALISIS PENILAIAN TINGKAT KESEHATAN BANK DENGAN MENGGUNAKAN METODE RGEC PADA BANK UMUM BUMN YANG TERDAFTAR DI BURSA EFEK INDONESIA TAHUN
ANALISIS PENILAIAN TINGKAT KESEHATAN BANK DENGAN MENGGUNAKAN METODE RGEC PADA BANK UMUM BUMN YANG TERDAFTAR DI BURSA EFEK INDONESIA TAHUN 2013-2015 RINGKASAN SKRIPSI Diajukan Sebagai Salah Satu Syarat
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya
Aplikasi Sistem Inferensi Fuzzy Metode Sugeno dalam Memperkirakan Produksi Air Mineral dalam Kemasan Oleh Suwandi NRP 1209201724 Dosen Pembimbing 1. Prof. Dr M. Isa Irawan, MT 2. Dr Imam Mukhlash, MT Institut
Lebih terperinciNama : Uthary Maladhika NPM : Jurusan : Akuntansi Pembimbing : Budiasih, SE., MMSI
ANALISIS TINGKAT KESEHATAN BANK DENGAN MENGGUNAKAN METODE RGEC (RISK PROFILE, GOOD CORPORATE GOVERNANCE, EARNINGS, CAPITAL) PADA PT BANK RAKYAT INDONESIA (PERSERO) Tbk PERIODE 2010-2014 Nama : Uthary Maladhika
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarang ini hampir semua perusahaan yang bergerak di bidang industri dihadapkan pada suatu masalah yaitu adanya tingkat persaingan yang semakin kompetitif. Hal ini
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN: MODEL EVALUASI KINERJA KARYAWAN DENGAN METODE FUZZY SUGENO PADA RESTO ABTL
MODEL EVALUASI KINERJA KARYAWAN DENGAN METODE FUZZY SUGENO PADA RESTO ABTL Fanisya Alva Mustika 1, Sutrisno 2 Program Studi Teknik Informatika, Universitas Indraprasta PGRI Jakarta 1,2 E-mail: alva.mustika@gmail.com
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Logika Fuzzy Logika fuzzy merupakan suatu metode pengambilan keputusan berbasis aturan yang digunakan untuk memecahkan keabu-abuan masalah pada sistem yang sulit dimodelkan
Lebih terperinciBAB III METODE FUZZY MAMDANI
29 BAB III METODE FUZZY MAMDANI Fuzzy Inference System merupakan sebuah kerangka kerja perhitungan berdasarkan konsep teori himpunan fuzzy dan pemikiran fuzzy yang digunakan dalam penarikan kesimpulan
Lebih terperinciANALISIS PERBANDINGAN TINGKAT KESEHATAN BANK PADA BANK PEMERINTAH DAN BANK SWASTA DI INDONESIA BERDASARKAN METODE RGEC PERIODE TAHUN
ANALISIS PERBANDINGAN TINGKAT KESEHATAN BANK PADA BANK PEMERINTAH DAN BANK SWASTA DI INDONESIA BERDASARKAN METODE RGEC PERIODE TAHUN 2013-2015 Nama : Nur Azmi Lubis NPM : 25212450 Jurusan Pembimbing :
Lebih terperinciBAB V KESIMPULAN DAN SARAN
117 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan analisis data yang telah dilakukan pada bab sebelumnya maka dapat diambil kesimpulan dari hipotesis yang diajukan sebagai berikut : Berdasarkan
Lebih terperinciANALISIS TINGKAT KESEHATAN BANK BERDASARKAN PENILAIAN FAKTOR RISK PROFILE, GOOD CORPORATE GOVERNANCE, EARNINGS, DAN CAPITAL (RGEC) PADA PT.
ANALISIS TINGKAT KESEHATAN BANK BERDASARKAN PENILAIAN FAKTOR RISK PROFILE, GOOD CORPORATE GOVERNANCE, EARNINGS, DAN CAPITAL (RGEC) PADA PT. BANK RAKYAT INDONESIA (PERSERO) TBK NAMA : Alien Aprilian NPM
Lebih terperinciARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA
ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA Rima Liana Gema, Devia Kartika, Mutiana Pratiwi Universitas Putra Indonesia YPTK Padang email: rimalianagema@upiyptk.ac.id ABSTRAK
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Himpunan adalah kata benda yang berasal dari kata himpun. Kata kerjanya adalah menghimpun. Menghimpun adalah kegiatan yang berhubungan dengan berbagai objek apa saja.
Lebih terperinciANALISA SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KOSENTRASI JURUSAN TEKNIK MESIN UNP PADANG
ANALISA SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KOSENTRASI JURUSAN TEKNIK MESIN UNP PADANG Harison Dosen Jurusan Teknik Informatika Fakultas Teknologi Industri Institut Teknologi Padang Abstrak Keputusan
Lebih terperinciPenentuan Jumlah Produksi Kue Bolu pada Nella Cake Padang dengan Sistem Inferensi Fuzzy Metode Sugeno
Penentuan Kue Bolu pada Nella Cake Padang dengan Sistem Inferensi Fuzzy Metode Sugeno Shenna Miranda #1, Minora Longgom Nasution *2, Muhammad Subhan #3 #1 Student of Mathematics department State University
Lebih terperinciErwien Tjipta Wijaya, ST.,M.Kom
Erwien Tjipta Wijaya, ST.,M.Kom PENDAHULUAN Logika Fuzzy pertama kali dikenalkan oleh Prof. Lotfi A. Zadeh tahun 1965 Dasar Logika Fuzzy adalah teori himpunan fuzzy. Teori himpunan fuzzy adalah peranan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Beras merupakan salah satu kebutuhan pokok manusia yang sangat penting dalam kelangsungan hidupnya. Untuk memenuhi kebutuhan beras, setiap manusia mempunyai cara-cara
Lebih terperinciPerbandingan Time Serries Bank BRI, Mandiri, dan BNI Dengan Lima Bank. Berikut ini adalah data perbandingan rasio-rasio penilaian kesehatan bank
Perbandingan Time Serries Bank BRI, Mandiri, dan BNI Dengan Lima Bank Terbesar Di Indonesia Berikut ini adalah data perbandingan rasio-rasio penilaian kesehatan bank yang telah di hitung sebelumnya dengan
Lebih terperinciBAB II LANDASAN TEORI. papernya yang monumental Fuzzy Set (Nasution, 2012). Dengan
BAB II LANDASAN TEORI 2.. Logika Fuzzy Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh, 965 orang Iran yang menjadi guru besar di University of California at Berkeley dalam papernya yang monumental
Lebih terperinciFUZZY LOGIC CONTROL 1. LOGIKA FUZZY
1. LOGIKA FUZZY Logika fuzzy adalah suatu cara tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Teknik ini menggunakan teori matematis himpunan fuzzy. Logika fuzzy berhubungan dengan
Lebih terperinciAGUS KURNIAWAN( ) & SUSILOWATI DYAH KUSUMANINGTYAS SE. MM.
ANALISIS KESEHATAN BANK DENGAN METODE RGEC (RISK PROFILE, GOOD CORPORATE GOVERNANCE, EARNINGS, CAPITAL) PADA BANK BUMN PERIODE 2011-2015 AGUS KURNIAWAN(10212393) & SUSILOWATI DYAH KUSUMANINGTYAS SE. MM.
Lebih terperinciSPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ
SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ P.A Teknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus 3 UAD, Jl. Prof. Soepomo rochmahdyah@yahoo.com Abstrak Perkembangan teknologi
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini berisi tentang teori mengenai permasalahan yang akan dibahas
BAB II LANDASAN TEORI Pada bab ini berisi tentang teori mengenai permasalahan yang akan dibahas dalam pembuatan tugas akhir ini. Secara garis besar teori penjelasan akan dimulai dari definisi logika fuzzy,
Lebih terperinciPenerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi
Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi Berdasarkan Data Persediaan dan Jumlah Permintaan Ria Rahmadita Surbakti 1), Marlina Setia Sinaga 2) Jurusan Matematika FMIPA UNIMED riarahmadita@gmail.com
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Fuzzy secara bahasa diartikan sebagai kabur atau samar yang artinya suatu nilai dapat bernilai benar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotan
Lebih terperinciAPLIKASI FUZZY LOGIC UNTUK MENILAI KOLEKTIBILITAS ANGGOTA SEBAGAI PERTIMBANGAN PENGAMBILAN KEPUTUSAN PEMBERIAN KREDIT DI KOPERASI X SKRIPSI
APLIKASI FUZZY LOGIC UNTUK MENILAI KOLEKTIBILITAS ANGGOTA SEBAGAI PERTIMBANGAN PENGAMBILAN KEPUTUSAN PEMBERIAN KREDIT DI KOPERASI X SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciDAFTAR ISI... ABSTRAK... ABSTRACT... KATA PENGANTAR... DAFTAR TABEL... DAFTAR GAMBAR... DAFTAR LAMPIRAN Latar Belakang Penelitian...
DAFTAR ISI ABSTRAK... ABSTRACT... KATA PENGANTAR... DAFTAR ISI... DAFTAR TABEL... DAFTAR GAMBAR... DAFTAR LAMPIRAN... iii iv v viii xii xiv xv BAB I PENDAHULUAN 1.1 Latar Belakang Penelitian... 1 1.2 Rumusan
Lebih terperinciSIDANG TUGAS AKHIR IMPLEMENTASI FUZZY RULES UNTUK PERENCANAAN DAN PENENTUAN PRIORITAS DI PDAM KOTA SURABAYA. oleh: WINDA ZULVINA
SIDANG TUGAS AKHIR IMPLEMENTASI FUZZY RULES UNTUK PERENCANAAN DAN PENENTUAN PRIORITAS PEMELIHARAAN PERALATAN PRODUKSI DI PDAM KOTA SURABAYA oleh: WINDA ZULVINA 5206100040 Dosen Pembimbing : Mahendrawathi
Lebih terperinciBAB 1 PENDAHULUAN. Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan sistem yang kompleks. Logika fuzzy memberikan rangka kerja yang kuat dalam memecahkan masalah
Lebih terperinciFuzzy Logic dengan Menggunakan MATLAB Bahan Kuliah
Fuzzy Logic dengan Menggunakan MATLAB Bahan Kuliah IF4058 Topik Khusus IF Oleh: Rinaldi Munir Teknik Informatika STEI ITB 1 Sumberuntukbahankuliahini: Belajar Cepat Fuzzy Logic menggunakan MATLAB Oleh:
Lebih terperinciFuzzy Logic. Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic.
Fuzzy Systems Fuzzy Logic Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic. Masalah: Pemberian beasiswa Misalkan
Lebih terperinciMetode Fuzzy Inference System untuk Penilaian Kinerja Pegawai Perpustakaan dan Pustakawan
Scientific Journal of Informatics Vol., No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/inde.php/sji e-issn 2460-0040 Metode Fuzzy Inference System untuk Penilaian Kinerja Pegawai Perpustakaan
Lebih terperinciMODEL PENENTUAN GURU BERPRESTASI BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)
MODEL PENENTUAN GURU BERPRESTASI BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Wanti Rahayu 1 1 Mahasiswa Universitas Indraprasta PGRI Email : 1 wanti.reiku@gmail.com Abstrak- Guru merupakan aspek
Lebih terperinciAplikasi Graf Fuzzy dan Aljabar Max-Plus untuk Pengaturan. Lampu Lalu Lintas di Simpang Empat Beran Kabupaten Sleman
Aplikasi Graf Fuzzy dan Aljabar Max-Plus untuk Pengaturan Lampu Lalu Lintas di Simpang Empat Beran Kabupaten Sleman Provinsi Daerah Istimewa Yogyakarta Oleh: Arifudin Prabowo Kurniawan 13305144011 ABSTRAK
Lebih terperinciBAB VI KESIMPULAN & SARAN
BAB VI KESIMPULAN & SARAN 6.1 Kesimpulan Penelitian ini meneliti, apakah Capital Adequacy Ratio (CAR), Non Performing Loan (NPL), BOPO, Net Interest Margin (NIM) dan Loan to Deposit Ratio (LDR) mampu mempengaruhi
Lebih terperinciPraktikum sistem Pakar Fuzzy Expert System
Praktikum sistem Pakar Fuzzy Expert System Ketentuan Praktikum 1. Lembar Kerja Praktikum ini dibuat sebagai panduan bagi mahasiswa untuk praktikum pertemuan ke - 8 2. Mahasiswa akan mendapatkan penjelasan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab landasan teori bertujuan untuk memberikan penjelasan mengenai metode atau pun teori yang digunakan dalam laporan tugas akhir ini, sehingga dapat membangun pemahaman yang sama antara
Lebih terperinciPraktikum Sistem Pakar Jumat 16 Desember 2013 Pertemuan 12. Tabel 1. Rancangan Variabel fuzzy Fungsi Nama Variabel Rentang Nilai Keterangan
Praktikum Sistem Pakar Jumat 16 Desember 2013 Pertemuan 12 Studi Kasus : Studi Permasalahan: Suatu Perusahaan akan melakukan perkiraan terhadap produksi suatu barang tiap bulan. Untuk menentukan jumlah
Lebih terperinciAnalisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic
Analisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic Luh Kesuma Wardhani, Elin Haerani Jurusan Teknik Informatika Fakultas Sains dan Teknologi UIN SUSKA Riau
Lebih terperinciPENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012
PENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012 PENALARAN FUZZY Digunakan untuk menghasilkan suatu keputusan tunggal / crisp saat defuzzifikasi Penggunaan akan bergantung
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Permintaan, Persediaan dan Produksi 2.1.1 Permintaan Permintaan adalah banyaknya jumlah barang yang diminta pada suatu pasar tertentu dengan tingkat harga tertentu pada tingkat
Lebih terperinciIMPLEMENTASI FUZZY LOGIC DALAM MENENTUKAN PENDUDUK MISKIN (STUDI KASUS PADA BADAN PUSAT STATISTIK KOTA PAGARALAM)
IMPLEMENTASI FUZZY LOGIC DALAM MENENTUKAN PENDUDUK MISKIN (STUDI KASUS PADA BADAN PUSAT STATISTIK KOTA PAGARALAM) Junius_Effendi* Email : Cyberpga@ymail.com ABSTRAK Penelitian ini dilakukan untuk memperlajari
Lebih terperinciJika kecepatan mobil adalah : 50 km/jam dan jaraknya adalah 0,75 m berapa posisi pedal yang harus di injak? Denganketentuan aturan sebagai berikut :
SOAL : Suatu sistem pengendali kecepatan mobil dengan dengan logika fuzzy digunakan untuk mengendalikan kecepatannya, mobil ini memiliki sensor jarak, sensor kecepatan dan situasi dari sistem pengendali
Lebih terperinciBAB V KESIMPULAN DAN SARAN A. Kesimpulan Berdasarkan hasil penelitian yang telah dilakukan melalui tahap pengumpulan data, pengolahan data, dan pembahasan data hasil analisis mengenai pengaruh Capital
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI Bab ini akan memaparkan berbagai teori yang melandasi penulis dalam membangun sistem yang nantinya akan dibuat. 3.1. Pengertian Optimalisasi Secara umum pengertian optimalisasi menurut
Lebih terperinciBAB I PENDAHULUAN. A. Latar Belakang Masalah. Dengan bertambahnya jumlah bank yang berada di Indonesia, persaingan untuk
BAB I PENDAHULUAN A. Latar Belakang Masalah Dengan bertambahnya jumlah bank yang berada di Indonesia, persaingan untuk menarik dana dan menghimpun dana dari masyarakat juga semakin meningkat. Dana yang
Lebih terperinciLOGIKA FUZZY. Kelompok Rhio Bagus P Ishak Yusuf Martinus N Cendra Rossa Rahmat Adhi Chipty Zaimima
Sistem Berbasis Pengetahuan LOGIKA FUZZY Kelompok Rhio Bagus P 1308010 Ishak Yusuf 1308011 Martinus N 1308012 Cendra Rossa 1308013 Rahmat Adhi 1308014 Chipty Zaimima 1308069 Sekolah Tinggi Manajemen Industri
Lebih terperinciBAB II: TINJAUAN PUSTAKA
BAB II: TINJAUAN PUSTAKA Bab ini akan memberikan penjelasan awal mengenai konsep logika fuzzy beserta pengenalan sistem inferensi fuzzy secara umum. 2.1 LOGIKA FUZZY Konsep mengenai logika fuzzy diawali
Lebih terperinciSISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB
JURNAL MATRIX VOL. 3, NO. 1, MARET 2013 39 SISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB I Ketut Suwintana Jurusan Akuntansi Politeknik Negeri Bali Kampus Bukit Jimbaran Bali Telp. +62 361 701981 Abstrak:.Logika
Lebih terperinciPENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI
PENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI Hilda Lutfiah, Amar Sumarsa 2, dan Sri Setyaningsih 2. Program Studi Matematika Fakultas Matematika
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Dalam penelitian diagnosa penyakit asma dengan menggunakan metode fuzzy Tsukamoto, dibutuhkan data mengenai gejala penyakit dari seorang pakar atau
Lebih terperinciBAB V SIMPULAN DAN SARAN
BAB V SIMPULAN DAN SARAN 5.1 Simpulan Dari penelitian yang telah dilakukan, dan telah dijelaskan pula di bab-bab sebelumnya, maka dapat di ambil simpulan sebagai berikut: 1. Perkembangan Capital Adequacy
Lebih terperinciBAB II TINJAUAN PUSTAKA
4 BAB II TINJAUAN PUSTAKA A. Penjurusan di SMA Sepanjang perkembangan Pendidikan formal di Indonesia teramati bahwa penjurusan di SMA telah dilaksanakan sejak awal kemerdekaan yaitu tahun 1945 sampai sekarang,
Lebih terperinciPENGEMBANGAN SISTEM PAKAR FUZZY
FUZZY EXPERT SYSTEM FUZZY INFERENCE SYSTEM FUZZY REASONING Toto Haryanto MATA KULIAH SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR PENGEMBANGAN SISTEM PAKAR FUZZY Domain Masalah Fuzzifikasi
Lebih terperinci( ) ( ;,, ) Π(,, ) ( ;, ) ( ;, ) ( ) BAB I PENDAHULUAN A. Latar Belakang Masalah Provinsi Daerah Istimewa Yogyakarta merupakan salah satu kota tujuan wisata yang cukup menarik minat para wisatawan baik
Lebih terperinciPenilaian Hasil Belajar Matematika pada Kurikulum 2013 dengan Menggunakan Logika Fuzzy Metode Mamdani
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Penilaian Hasil Belajar Matematika pada Kurikulum 2013 dengan Menggunakan Logika Fuzzy Metode Mamdani M-4 Dewi Mardhiyana Universitas Pekaloangan dewimardhiyana139@gmail.com
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN. periode tertentu. Namun bila hanya melihat laporan keuangan, belum bisa
BAB IV ANALISIS HASIL DAN PEMBAHASAN 4.1 Analisis Rasio Keuangan Laporan keuangan merupakan cerminan dari kinerja perusahaan pada satu periode tertentu. Namun bila hanya melihat laporan keuangan, belum
Lebih terperinciMETODOLOGI PENELITIAN
7 terboboti dari daerah output fuzzy. Metode ini paling dikenal dan sangat luas dipergunakan. First of Maxima (FoM) dan Last of Maxima (LoM) Pada First of Maxima (FoM), defuzzifikasi B( y) didefinisikan
Lebih terperinciAplikasi Fuzzy Inference System Dalam Penilaian Prestasi Mahasiswa
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2015 A -10 Aplikasi Fuzzy Inference System Dalam Penilaian Prestasi Mahasiswa Rani Mita Sari, Agus Maman Abadi FMIPA, Universitas Negeri Yogyakarta
Lebih terperinci1. Penilaian tingkat kesehatan bank dilihat dari faktor Risk Profile pada periode 2013 menunjukkan Bank Syariah Mandiri masuk kategori sangat sehat,
BAB V PENUTUP 1.1. Kesimpulan Berdasarkan hasil analisis dan pembahasan mengenai tingkat kesehatan Bank Syariah Mandiri selama tahun 2013-2016 dengan menggunakan metode Risk Based Bank Rating (RBBR) dapat
Lebih terperinciAnalisis Kinerja PT. Bank Tabungan Negara (PERSERO), Tbk Dengan Menggunakan Metode CAMEL dan Metode RGEC
Analisis Kinerja PT. Bank Tabungan Negara (PERSERO), Tbk Dengan Menggunakan Metode CAMEL dan Metode RGEC Disusun Oleh: Nama: Rahmi Aprisa Putri NPM: 18212459 Jurusan: Manajemen Pembimbingan: Endang Setyaningsih,
Lebih terperinciANALISI TINGKAT KESEHATAN PADA PT. BANK NEGARA INDONESIA. TBK DENGAN METODE RISK PROFILE, GOOD CORPORATE GOVERNANCE, EARNINGS, DAN CAPITAL (RGEC)
ANALISI TINGKAT KESEHATAN PADA PT. BANK NEGARA INDONESIA. TBK DENGAN METODE RISK PROFILE, GOOD CORPORATE GOVERNANCE, EARNINGS, DAN CAPITAL (RGEC) NAMA : RIVALDHI AKHBAR NPM : 26212487 KELAS : 3EBO6 PEMBIMBING
Lebih terperinciBAB II LANDASAN TEORI. Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya
BAB II LANDASAN TEORI A. Logika Fuzzy Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya berada di luar model matematis dan bersifat inexact. Konsep ketidakpastian inilah yang
Lebih terperinciBAB 3 ALGORITMA PERENCANAAN SISTEM PENGENALAN PENYAKIT DARAH
29 BAB 3 ALGORITMA PERENCANAAN SISTEM PENGENALAN PENYAKIT DARAH Skripsi ini membahas tentang perencanaan suatu program untuk pengenalan penyakit darah dari sampel citra darah yang digunakan. Data yang
Lebih terperinciHimpunan Tegas (Crisp)
Logika Fuzzy Logika Fuzzy Suatu cara untuk merepresentasikan dan menangani masalah ketidakpastian (keraguan, ketidaktepatan, kekuranglengkapan informasi, dan kebenaran yang bersifat sebagian). Fuzzy System
Lebih terperinciPERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan)
PERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan) Komang Wahyudi Suardika 1, G.K. Gandhiadi 2, Luh Putu Ida Harini 3 1 Program
Lebih terperinciLogika Himpunan Fuzzy
Logika Himpunan Fuzzy 1 Fungsi Keanggotaan untuk crisp logic True False 1 0 80F Panas Temperature f temperature >= 25C, Panas (1 atau Benar); f temperature < 25C, tidak Panas (0 atau Salah). Fungsi keanggotaan
Lebih terperinciAnalisis Tingkat Kesehatan Bank BUMN dengan Menggunakan RGEC. Abstrak
Analisis Tingkat Kesehatan Bank BUMN dengan Menggunakan RGEC Ramdhansyah Universitas Negeri Medan ramdhanrangkuti@gmail.com Abstrak Berdasarkan Peraturan Bank Indonesia (PBI) Nomor 13/1/PBI/2011 tanggal
Lebih terperincimanusia diantaranya penyakit mata konjungtivitis, keratitis, dan glaukoma.
6 BAB II TINJAUAN PUSTAKA 2.1 Gambaran Tentang Mata Mata merupakan organ tubuh manusia yang paling sensitif apabila terkena benda asing misal asap dan debu. Debu akan membuat mata kita terasa perih atau
Lebih terperinciHimpunan Fuzzy. Sistem Pakar Program Studi : S1 sistem Informasi
Himpunan Fuzzy Sistem Pakar Program Studi : S1 sistem Informasi Outline Himpunan CRISP Himpunan Fuzzy Himpunan CRISP Pada himpunan tegas (crisp), nilai keanggotaan suatu item dalam suatu himpunan A, yang
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENERIMAAN BEASISWA BIDIK MISI DI POLITEKNIK NEGERI JEMBER MENGGUNAKAN LOGIKA FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN BEASISWA BIDIK MISI DI POLITEKNIK NEGERI JEMBER MENGGUNAKAN LOGIKA FUZZY oleh: 1 I Putu Dody Lesmana, 2 Arfian Siswo Bintoro 1,2 Jurusan Teknologi Informasi, Politeknik
Lebih terperinciPENDAHULUAN A. LATAR BELAKANG MASALAH
PENDAHULUAN A. LATAR BELAKANG MASALAH Dalam pelaksanaan pembelajaran selalu ditemui evaluasi-evaluasi untuk menguji tingkat pemahaman terhadap suatu bahan yang dipelajari. Evaluasi-evaluasi ini tidak boleh
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Himpunan Himpunan adalah setiap daftar, kumpulan atau kelas objek-objek yang didefenisikan secara jelas, objek-objek dalam himpunan-himpunan yang dapat berupa apa saja: bilangan, orang,
Lebih terperinciMODEL SISTEM PENDUKUNG KEPUTUSAN DENGAN FUZZY INFERENCE SYSTEM UNTUK PROMOSI KARYAWAN
Seminar Nasional Inovasi dan Teknologi (SNIT) 202 MODEL SISTEM PENDUKUNG KEPUTUSAN DENGAN FUZZY INFERENCE SYSTEM UNTUK PROMOSI KARYAWAN Ghofar Taufiq AMIK Bina Sarana Informatika Jakarta Jl. Kramat Raya
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah. Menurunnya kapasitas permintaan dan produksi di sektor riil berpotensi
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Menurunnya kapasitas permintaan dan produksi di sektor riil berpotensi kuat terhadap kualitas aktiva perbankan, sehingga perbankan harus lebih berhati hati
Lebih terperinciFUZZY SYSTEM & FUZZY REASONING DEPARTEMEN ILMU KOMPUTER IPB
FUZZY SYSTEM & FUZZY REASONING Workshop on Fundamental Concept and Implementation of Fuzzy Logic March 17 th 2016 Net Centric Computing Lab DEPARTEMEN ILMU KOMPUTER IPB Outline Crips VS Fuzzy Pengembangan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Logika Fuzzy Logika Fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh pada tahun1965. Teori ini banyak diterapkan di berbagai bidang, antara lain representasipikiran manusia
Lebih terperinci