Lumbung Pustaka UNY: No conditions. Results ordered -Date Deposited. 2024-03-29T08:06:18ZEPrintshttp://eprints.uny.ac.id/apw_template/images/sitelogo.pnghttps://eprints.uny.ac.id/2016-07-25T07:03:00Z2019-01-30T09:52:36Zhttp://eprints.uny.ac.id/id/eprint/36661This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/366612016-07-25T07:03:00ZKLASIFIKASI KESEHATAN BANK MENGGUNAKAN SISTEM FUZZY SUGENO ORDER NOL YANG DIIMPLEMENTASIKAN DENGAN GRAPHICAL USER INTERFACE (GUI)Bank adalah badan hukum yang kegiatannya menghimpun dana masyarakat dan menyalurkannya kepada masyarakat yang membutuhkan dana dalam bentuk kredit untuk meningkatkan taraf hidup rakyat banyak.Perbankan merupakan jantungperekonomian suatu negara yang mempengaruhi berbagai aspek kehidupan. Oleh karena itu, diperlukan penilaian tingkat kesehatan bank sebagai refleksi dari kondisi perbankan tersebut. Penilaian tingkat kesehatan bank diukur dengan faktorRiskProfile, Good Coorporate Governance, Earning, dan Capital (RGEC). Sistem fuzzySugeno order nol dengan tingkat keakurasian sangat tinggi dapat digunakan untuk menilai kesehatan bank. Penelitian ini bertujuan membentuk sistem fuzzy Sugeno order nol untuk mengetahuitingkat kesehatan bank di Indonesia yang diimplementasikan dengan Graphical User Interface(GUI) dan mengetahui keakuratan sistem fuzzy Sugeno order nol dalam penilaian tingkat kesehatan bank di Indonesia.
Proses pertama yang dilakukan adalah menentukan hasil penilaian tingkat kesehatan bank dengan menggunakan metode RGEC. Rasio dalam metode RGEC yang digunakan dalam penelitian ini yaitu NonPerforming Loan(NPL), Loan to Deposit Ratio (LDR), Return On Assets (ROA), Return On Equity (ROE), Net Interest Margin (NIM), dan Capital Adequacy Ratio (CAR). Data yang digunakan sejumlah 109 bank dengan periode waktu 3 tahun. Data dibagi menjadi 2 dengan prosentasi pembagian 80% sebagai data training dan 20% sebagai data testing. Bank yang digunakan sebagai data training sebanyak 87 bank dan 22 bank sebagai data testing. Berdasarkan peraturan Bank Indonesia variabel output dapat diklasifikasikan menjadi 5 himpunan fuzzy yaitu sangat sehat, sehat, cukup sehat, kurang sehat, dan tidak sehat. Proses inferensi fuzzydengan metode Sugeno order nol dan metode weight average pada proses defuzzifikasi. Sistem fuzzy yangtelah terbentuk kemudian diimplementasikan dengan Graphical User Interface (GUI).
Tingkat keakurasi sistem fuzzy menggunakan metode Sugeno order nol dengan defuzzifikasi weight averagepada data training tahun 2011, 2012, dan 2013 secara berturut-turut adalah 95,4%, 97,7% dan 95,4%. Sedangkan keakurasian sistem fuzzy pada data testing tahun 2011, 2012, dan 2013adalah 100%. Hasil akurasi yang tinggi tersebut menunjukkan bahwa sistem fuzzy Sugeno orde nol baik digunakan sebagai penilaian kesehatan bank.
Kata kunci : kesehatan bank, Graphical User Interface, RGEC, sistem fuzzyRani Mita SariAgus Maman Abadiagusmaman@uny.ac.id2016-02-13T16:23:33Z2019-10-14T03:36:33Zhttp://eprints.uny.ac.id/id/eprint/29674This item is in the repository with the URL: http://eprints.uny.ac.id/id/eprint/296742016-02-13T16:23:33ZAplikasi Fuzzy Inference System Dalam Penilaian Prestasi MahasiswaKeberhasilan tenaga pengajar dapat dilihat dari hasil evaluasi belajar atau hasil prestasi para anak didiknya. Prestasi belajar adalah hasil belajar mahasiswa atau pelajar terhadap bidang yang ditekuninya. Penelitian ini bertujuan untuk mengetahui prestasi belajar mahasiswa dengan memanfaatkan Fuzzy Inference System metode mamdani dalam program Matlab. Tujuan lain adalah untuk melihat hasil perbandingan hasil prestasi antara perhitungan rata-rata biasa, jika diberikan bobot yang berbeda pada setiap variabel inputnya dan menggunakan progam yang telah dibuat dengan Fuzzy Inference System. Ada empat faktor utama yang mempengaruhi prestasi seorang mahasiswa dalam suatu mata kuliah: yang pertama nilai ujian tengah semester, kedua presentasi materi, ketiga nilai tugas dan terakhir adalah nilai ujian akhir semester. Keempat faktor tersebut akan dijadikan variabel input yang masing-masing mempunyai tiga terma yaitu kurang, baik, dan sangat baik. Selanjutnya variabel input diolah menggunakan Fuzzy Inference System dengan metode mamdani. Hasil output yang akan diperoleh berupa penilaian prestasi mahasiswa yaitu mahasiswa tersebut termasuk dalam golongan kurang, cukup, baik atau istimewa.
Kata kunci: Prestasi Mahasiswa, Logika Fuzzy, Fuzzy Inference Sistem, Variabel linguistik, Model Mamdani, Fungsi KeanggotaanRani Mita SariAgus Maman Abadiagusmaman@uny.ac.id