PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN PESERTA ASURANSI JIWA MENGGUNAKAN METODE FUZZY TSUKAMOTO

Transkripsi

1 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.3 No Maret 27 9 PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN PESERTA ASURANSI JIWA MENGGUNAKAN METODE FUZZY TSUKAMOTO Bosar Panjaitan S.Si, M.Kom, Septiawan Maulidain 2 Program Studi Teknik Informatika Fakultas Teknik ) Dosen Fakultas Teknik, 2) Mahasiswa Fakultas Teknik Universitas Satya Negara Indonesia 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

2 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.3 No Maret 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, 2). 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, 2). 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-(x) dan var-2(y) serta variabel output var-3(z), dimana var- terbagi atas 2 himpunan yaitu A dan A2 dan var-2 terbagi atas himpunan B dan B2. Sedangkan var-3 juga terbagi atas 2 himpunan yaitu C dan C2 (Kusumadewi, 2). 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:. 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

3 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.3 No Maret 27 2 dari 3 dana investasi syariah yang tersedia, dan dapat mengubah kombinasi dana investasi syariah sewaktuwaktu. 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 965. 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 dan. 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 (), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan. Pada himpunan fuzzy nilai keanggotaan terletak pada rentang sampai. Apabila x memiliki nilai keanggotaan fuzzy fla[x] = berarti x tidak menjadi anggota himpunan A, demikian pula apabila x memiliki nilai keanggotaan fuzzy fla[ x] = 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: 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:. 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]

4 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.3 No Maret Gambar Himpunan Fuzzy pada variabel temperatur (Kusumadewi, 22) 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, 25). - 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, 25) : 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. Karakteristik Sistem (Sumber : Jogiyanto, 25) 3. METODE PENELITIAN

5 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.3 No Maret 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 :. 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 variabel output terbagi atas 3 himpunan yaitu baik, cukup, kurang. 3. Pembuatan Aturan Fuzzy, Ada 3 aturan yang dipakai, yaitu : [R] IF (X is baik) AND (X2 is baik) AND (X3 is baik) AND (X4 is baik) AND (X5 is baik) THEN (X6 is baik). [R2] IF (X is cukup) AND (X2 is cukup) AND (X3 is cukup) AND (X4 is cukup) AND (X5 is cukup) THEN (X6 is cukup). [R3] IF (X is kurang) AND (X2 is kurang) AND (X3 is kurang) AND (X4 is kurang) AND (X5 is kurang) THEN (X6 is kurang). Dengan : X= 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 2 Fase Fase 2 Fase Untuk mencari nilai derajat keanggotaan dari nilai 2 µumur Fase (2) = Fuzzifikasi variabel bobot dengan nilai bobot nasabah 3 kg. KURUS BERAT SEDANG GEMUK 3 7 Untuk mencari nilai derajat keanggotaan dari nilai 3. µbobot Kurus(3) = Fuzzifikasi variabel tinggi dengan nilai tinggi nasabah 7 Kg.

6 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.3 No Maret RENDAH SEDANG PANJANG x2 x Untuk mencari nilai derajat keanggotaan dari nilai 7 µtinggi sedang(7) = (2-7)/(2-5) =,6 µtinggi panjang(7) = (7-5)/(2-5) =,4 Fuzzifikasi variabel penghasilan dengan nilai penghasilan nasabah Rp. 5.. KELAS KELAS 2 KELAS 3 x,x Untuk mencari nilai derajat keanggotaan dari nilai 5 µpenghasilan kelas (5) = (5-2)/(8-2) =,5 µpenghasilan kelas 2(5) = (8-5)/(8-2) =,5 Fuzzifikasi variabel Status Merokok dengan nilai Status Merokok nasabah 3/hari RINGAN SERING SANGAT SERING x,x2 3 2 Untuk mencari nilai derajat keanggotaan dari nilai 3 µstatus merokok ringan(3) = (3-)/(-) =,8 µstatus merokok sering(3) = (-3)/(-) =,2 Maka terbentuk sebanyak 8 rule dari total 243 rule yang telah terbentuk (R37) FASE sedang sedang,6 kelas,5 ringan,8 Belum Terima MIN =,5 Defuzzifikasi : (9-z)/(9-5) =,5 z = 7 (R38) FASE sedang sedang,6 kelas,5 sedang,2 elum Terima

7 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.3 No Maret MIN =,2 Defuzzifikasi : (9-z)/(9-5) =,2 z = 82 (R4) FASE sedang sedang,6 kelas 2,5 ringan,8 Terima MIN =,5 Defuzzifikasi : (z-5)/(9-5) =,5 z = 7 (R4) FASE sedang sedang,6 kelas 2,5 sedang,2 Terima MIN =,2 Defuzzifikasi : (z-5)/(9-5) =,2 z = 58 (R46) FASE sedang tinggi,4 kelas,5 ringan,8 Terima MIN =,4 Defuzzifikasi : (z-5)/(9-5) =,4 z = 66 (R47) FASE sedang tinggi,4 kelas,5 sedang,2 MIN =,2 Defuzzifikasi : (9-z)/(9-5) =,2 z = 82 (R49) FASE sedang tinggi,4 kelas 2,5 ringan,8 Belum Terima Belum Terima MIN =,8 Defuzzifikasi : (9-z)/(9-5) =,8 z = 74 (R5) FASE sedang tinggi,4 kelas 2,5 sedang,2 MIN =,2 Defuzzifikasi : (9-z)/(9-5) =,2 z = 82 Kemudian dicari rata-rata terbobot dengan mengambil nilai-nilai dari implikasi dan defuzzifikasi. Belum Terima

8 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.3 No Maret Z = 7, 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 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

9 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.3 No Maret 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 kriteriakriteria 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. 2. 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. 24. Sistem Pendukung Keputusan Pemilihan Asuransi Jiwa Menggunakan Metode Fuzzy Multi Criteria Decision Making. Medan : STMIK Budidarma Medan Hasibuan, A. F. 2. Penggunaan Fuzzy Database dalam Rekomendasi Pembelian Perumahan Berbasis Sistem Pendukung Keputusan. Skripsi. Medan : Universitas Sumatera Utara. Hidayat, A. 2. 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. 25. Analisis dan desain sistem informasi. Yogyakarta : Andi Offset. Julianti, E. 2. Rancang Bangun Sistem Pendukung Keputusan Dalam Menentukan Peserta Asuransi Rumahkoe Syariah Menggunakan Fuzzy Madm Model Yager (Studi Kasus AJB Bumiputera 92 Cab. Depok). Universitas Islam Negeri Syarif Hidayatullah. Jakarta. Kusumadewi, S., & Purnomo, H. 2. Aplikasi Logika Fuzzy untuk Pendukung Keputusan edisi 2. Yogyakarta: Graha Ilmu. Ladjamudin. 25. Analisis dan Desain Sistem Informasi. Yogyakarta : Graha Ilmu Nurfuad, Ali. 26. Perancangan Aplikasi Perencanaan Anggaran Menggunakan Metode Fuzzy Pada Pt. Pefindo. Jakarta : Unversitas Satya Negara Indonesia. Rahayu, F. 2. Sistem Pendukung Keputusan Pendataan Rumah Tangga Miskin dengan Menggunakan Logika Fuzzy Metode Tsukamoto. Skripsi. Medan : Universitas Sumatera Utara. Suryadi, Kadarsah, Ali Ramdhani. 22. Sistem Pendukung Keputusan. Bandung : Remaja Rosdakarya