IMPLEMENTASI LOGIKA FUZZY UNTUK PENENTUAN PEMINATAN DENGAN MENGGUNAKAN METODE SUGENO PADA SMA N 1 PEMALI Aryansah Teknik Informatika STMIK ATMA LUHUR PANGKALPINANG Jl. Jend. Sudirman, Selindung Lama, Pangkalpinang, Kepulauan Babel e-mail:
[email protected] Abstract Penentuan peminatan pada siswa SMA selalu menjadi masalah sering terjadi kesalahan dalammenentukan peminatan. Dimana data yang diolah sangat banyak dengan waktu yang sedikit. Dengan ini penulis memberikan solusi berupa Implementasi “logika fuzzy” ini adalah sebuah sistem yang di buat untuk menentukan peminatan pada SMA di kelas X. Sistem ini dibuatkan fuzzy inferensi sistem (FIS) dengan Metode Sugeno (Height metthod) dan memiliki kombinasi rule sebanyak 288. Tahapan FIS diantaranya adalah menghitung nilai variabel-variabel , konversikan variabel tersebut ke bentuk derajat keanggotaan pada himpunan fuzzy, gunakan fungsi Min untuk mengetahui nilai α-predikat, dan gunakan fungsi Max untuk menetapkan α-predikat terbesar rule maka didapatlah peminatan. Sistem ini juga dilengkapi dengan mencetak laporan hasil peminatan dengan adanya ini maka lebih efektif dan efesien dalam hal pengerjaanya. Selain itu sangat mudah dipahami dan dimengerti serta memiliki tampilan yang disesuaikan. Sistem yang dibuat menggunakan bahasa pemograman visual basic .NET dan Microsoft Acces 2007 sebagai database. Kata Kunci : fuzzy inferensi system, metode sugeno (Height metthod), peminatan 1.
dalam pengolahan data dengan menggunakan
Pendahuluan
metode tertentu. Logika fuzzy dapat digunakan
1.1 Latar Belakang Saat ini zaman serba canggih, komputer telah
dalam berbagai bidang, seperti sistem kontrol
menjadi sebuah kebutuhan bagi manusia.
frekuensi
Tidak seperti dahulu kala ketika komputer
penunjang keputusan produksi barang, atau
masih merupakan barang mewah dan harganya
basis data untuk rekomendasi penerimaan
pun susah terjangkau; hanya kalangan ekonomi
beasiswa. (Sutojo dkk., 2011).
yang tinggi saja yang bisa memilikinya. Saat
SMAN1 Pemali sudah termasuk salah satu
ini, komputer sudah menjadi kebutuhan pokok
sekolah dalam penerapan Kurikulum 2013. Hal
manusia dalam segala bidang (pendidikan,
yang
perkantoran,
BUMN,
Kurikulum 2013 ini adalah peminatan siswa.
swasta, dan lain-lain). Hal itu dikarenakan
Peminatan dapat dipilih oleh siswa baru sesuai
komputer bisa melakukan segalanya dengan
dengan bakat yang dimiliki oleh setiap siswa/i
cepat, tepat, efesien dan efektif, mulai dari
itu sendiri. Tentu saja terdapat syarat-syarat
suatu persoalan yang paling mudah hingga
dan ketentuan yang harus dimiliki oleh siswa/i
persoalan yang sangat sulit dipecahkan oleh
agar kelompok peminatan sesuai dengan minat
manusia. Salah satu penerapan komputer di
dan keinginannya. Akan tetapi, SMAN 1
kehidupan sehari-hari adalah penerapan logika
Pemali
fuzzy dalam suatu aplikasi. Dengan aplikasi ini,
terkomputerisasi, namun dalam hal pengolahan
diharapkan komputer dapat membantu manusia
data
militer,
pertanian,
1
putaran
menarik
ini,
belum
kipas
angin,
perhatian
sudah
sistem
penulis
menggunakan
terotomatisisasi
dalam
pada
cara
hal
penentuan peminatan siswa, sehingga masih
c. Kelompok
peminatan
dalam
aplikasi
ini
banyak terdapat perbedaan pendapat antara
mencakup Matematika dan Ilmu Alam (MIA),
pihak sekolah dan siswa yang bersangkutan.
dan Ilmu-Ilmu Sosial (IIS).
Dikarenakan terdapat sangat banyak data yang
1.4 Metode Penelitian
diolah, sehingga menjadi tidak efisien jika
a. Wawancra
harus
b. Studi Pustaka
dilakukan
pengolahan
berulang-ulang
data
untuk
mendapat
dalam suatu
c. Tahap rakayasa sistem dengan menggunakan
kesimpulan. Selain itu, karena kurikulum ini
model waterfall.
adalah kurikulum yang tergolong baru, maka
1) Plening
sekolah
ini
masih
belum
siap
untuk
2) Analisa
Oleh
karena
itu,
dalam
3) Desain
menerapkanya.
penelitian kali ini, penulis akan mengusulkan
4) Implementasi
solusi aplikasi peminatan siswa berbasis
1.5 Tujuan Penulisan
komputer dengan menggunakan logika fuzzy
Tujuan yang hendak penulis capai dalam
menggunakan metode Sugeno sehingga panitia
penulisan skripsi ini adalah membuat aplikasi untuk
penerimaan siswa baru hanya cukup mengentri
menerapkan
data-data yang dibutuhkan dan komputer akan
masalah peminatan siswa SMAN 1 Pemali
mengelolah data yang dientrikan dan komputer
2.
akan mengelolahnya hingga dicapai suatu
2.1 Pengertian Kurikulum
logika
fuzzy
dalam
pemecahan
Landasan Teori
kesimpulan peminatan siswa yang di harapkan
Undang-Undang Nomor 20 Tahun 2003
dan sesuai dengan minat.
tentang Sistem Pendidikan Nasional menyebutkan bahwa kurikulum adalah seperangkat rencana dan
1.2 Rumusan Masalah Dari latar belakang tersebut, yang telah di
pengaturan mengenai tujuan, isi, dan bahan
paparkan,
suatu
pelajaran serta cara yang digunakan sebagai
permaslahan,yaitu pengimplementasian logika
pedoman penyelenggaraan kegiatan pembelajaran
fuzzy peminatan siswa SMAN 1 Pemali dengan
untuk
yang menggunakan metode Sugeno, agar
Berdasarkan pengertian tersebut, ada dua dimensi
peminatan sesuai minat dan harapan siswa
kurikulum:
bersangkutan.
a. Rencana dan pengaturan mengenai tujuan, isi
dapat
dirumuskan
Dalam penelitian ini, penulis merasakan membatasi
batasan-batasan
tujuan
pendidikan
tertentu.
dan bahan pelajaran; dan
1.3 Batasan Masalah
perlunya
mencapai
permasalahan.
masalahannya
adalah
b. Cara
Adapun
yang
digunakan
untuk
kegiatan
pembelajaran.
sebagai
Kurikulum 2013 yang diberlakukan mulai
berikut.
tahun ajaran 2013/2014 memenuhi kedua dimensi
a. Metode Logika fuzzy peminatan yang di
tersebut (Nuh, 2013)
gunakan
adalah
metode
Sugeno
(Height
2.2 Kelompok Peminatan
metthod)
Kurikulum
b. Data yang digunakan adalah nilai hasil SKHUN
Sekolah
Menengah
Atas
(SMA)
dirancang untuk memberikan kesempatan kepada
raport SMP, dan Rekomendasi Guru BK SMP.
peserta didik belajar berdasarkan minat. Struktur kurikulum
2
memperkenankan
peserta
didik
melakukan pilihan dalam bentuk pilihan Kelompok
2.4 Soft computing
Peminatan dan pilihan mata pelajaran antar
adalah koleksi dari beberapa metodologi yang
Kelompok Peminatan.
bertujuan untuk mengeksploitasi adanya toleransi
Kelompok Peminatan yang dapat dipilih peserta
terhadap
didik terdiri atas kelompok Matematika dan Ilmu
kebenaran parsial untuk dapat diselesaikan dengan
Alam (MIA) dan Ilmu-Ilmu Sosial (IIS). Sejak
mudah, robustness, dan biaya penyelesaiannya
mendaftar ke SMA, saat kelas X, peserta didik
murah. Definisi ini pertama kali diungkapkan oleh
sudah harus memilih kelompok peminatan yang
Prof. Lotfi A. Zadeh pada tahun 1992.
ketidaktepatan,
ketidakpastian,
dan
akan dimasuki. Pemilihan kelompok peminatan
Soft computing merupakan inovasi baru
didasarkan atas nilai rapor SMP/MTs, nilai ujian
dalam membangun sistem cerdas. Sistem cerdas ini
nasional SMP/MTs, rekomendasi guru bimbingan
merupakan sistem yang memiliki keahlian seperti
dan konseling di SMP, hasil tes penempatan
manusia pada domain tertentu, mampu beradaptasi
(placement test) ketika mendaftar di SMA, dan tes
dan belajar agar dapat bekerja lebih baik jika terjadi
bakat minat oleh psikolog. Pada semester kedua di
perubahan lingkungan.
kelas X, seorang peserta didik masih mungkin
Terdapat empat unsur pokok dalam soft computing,
mengubah Kelompok Peminatan berdasarkan hasil
yaitu
pembelajaran di semester pertama dan rekomendasi
ketidaktepatan), Jaringan Syaraf (menggunakan
guru bimbingan dan konseling (Nuh, 2013).
pembelajaran),
2.3 Kecerdasan Buatan
(mengakomodasi ketidakpastian), dan Evolutionary
Kecerdasan buatan berasal dari bahasa Inggris
Computing (optimasi). Keempat unsur tersebut
“Artificial Intelligence” atau disingkat AI. Secara
bukan merupakan pesaing antara satu dengan
harfiah, intelligence adalah kata sifat yang berarti
lainnya, namun diantaranya bisa saling melengkapi.
cerdas,
buatan.
Bahkan, pada kenyataannya, biasanya unsur-unsur
Kecerdasan buatan yang dimaksud merujuk pada
tersebut akan digunakan secara sinergis ketimbang
mesin yang mampu berpikir, menimbang tindakan
dikerjakan secara sendiri-sendiri sehingga Zadeh
yang akan diambil, dan mampu mengambil
juga mendefinisikan bahwa soft computing itu
keputusan seperti yang dilakukan oleh manusia
merupakan hubungan antara logika fuzzy, neuro-
(Sutojo dkk., 2011).
computing, probabilistic reasoning, dan algoritma
Kecerdasan buatan merupakan salah satu bagian
genetik.
ilmu
sedangkan
komputer
artificial
yang
berarti
membuat
agar
Sistem
Fuzzy
(mengakomodasi
Probabilistic
Reasoning
mesin
(komputer) dapat melakukan pekerjaan seperti dan
2.5 Logika fuzzy
sebaik yang dilakukan oleh manusia. Pada awal
adalah
diciptakannya,
difungsikan
berbasis aturan yang bertujuan untuk memecahkan
sebagai alat hitung saja. Akan tetapi, seiring
masalah, dimana sistem tersebut sulit untuk
dengan perkembangan zaman, peran komputer
dimodelkan
semakin mendominasi kehidupan umat manusia.
ketidakjelasan
Komputer tidak lagi hanya digunakan sebagai alat
ditentukan oleh persamaan logika, bukan dari
hitung, melainkan komputer juga diharapkan untuk
persamaan diferensial kompleks dan berasal dari
mengerjakan segala sesuatu yang bisa dikerjakan
pemikiran yang mengidentifikasi serta mengambil
komputer
hanya
oleh manusia (Sri K., 2003).
3
suatu
proses
atau
pengambilan
terdapat
keputusan
ambiguitas
yang berlimpah.
Logika
dan fuzzy
keuntungan dari grayness antara dua nilai ekstrem
c. Semesta pembicaraan, yaitu seluruh nilai yang
(Fahmizal, 2011). Bila
diizinkan untuk dioperasikan dalam suatu
dibandingkan
konvensional,
kelebihan
dengan
logika
fuzzy
logika
variabel fuzzy.
adalah
d. Domain himpunan fuzzy, yaitu seluruh nilai
kemampuannya dalam proses penalaran secara
yang diizinkan dalam semesta pembicaraan dan
bahasa sehingga dalam perancangannya tidak
boleh dioperasikan dalam himpunan fuzzy
memerlukan persamaan matematika yang rumit.
(Sutojo dkk., 2011).
Beberapa alasan yang dapat diutarakan mengenai sebab kita menggunakan logika fuzzy antara lain
2.5.2 Fungsi Keanggotaan
adalah mudah dimengerti, memiliki toleransi
Fungsi keanggotaan adalah grafik yang mewakili
terhadap data-data yang tidak tepat, mampu
besar dari derajat keanggotaan masing-masing
memodelkan fungsi-fungsi nonlinear yang sangat
variabel input yang berada dalam interval antara 0
kompleks, dapat membangun dan mengaplikasikan
dan 1. Derajat keanggotaan sebuah variabel x
pengalaman-pengalaman
secara
dilambangkan dengan simbol μ(x). Rule-rule
langsung tanpa harus melalui proses pelatihan,
menggunakan nilai keanggotaan sebagai faktor
dapat bekerja sama dengan teknik-teknik kendali
bobot untuk menentukan pengaruhnya pada saat
secara konvensional, dan didasarkan pada bahasa
melakukan inferensi untuk menarik kesimpulan.
alami (Sutojo dkk., 2011).
Terdapat beberapa fungsi keanggotaan yang sering
para
pakar
digunakan. Jenis-jenis fungsi keanggotaan tersebut adalah sebagai berikut (Sutojo dkk., 2011).
2.5.1 Dasar-Dasar Logika Fuzzy Untuk
memahami
logika
fuzzy,
perlu
2.6 Grafik Keanggotaan Kurva Linear
diperhatikan dahulu tentang konsep himpunan
Pada grafik keanggotaan linear, sebuah
fuzzy. Himpunanfuzzy memiliki dua atribut:
variabel input dipetakan ke derajat keanggotaannya
a. Linguistik, yaitu nama suatu kelompok yang mewakili
suatu
keadaan
tertentu
dengan digambarkan sebagai suatu garis lurus. Ada
dengan
dua macam grafik keanggotaan linear:
meggunakan bahasa alami, misalnya DINGIN, SEJUK,
dan
PANAS
mewakili
a. Grafik keanggotaan kurva linear naik, yaitu
variabel
kenaikan himpunan fuzzy dimulai pada nilai
temperatur.
domain yang memiliki derajat keanggotaan nol
b. Numeris, yaitu suatu nilai yang menunjukkan
bergerak ke kanan menuju ke nilai domain yang
ukuran dari suatu variabel, misalnya 10, 35, 40,
memiliki derajat keanggotaan lebih tinggi.
dan sebagainya.
Fungsi keanggotaannya adalah
Di samping itu, ada beberapa hal yang harus dipahami dalam memahami logika fuzzy:
𝜇(𝑥)
a. Variabel fuzzy, yaitu variabel yang akan dibahas
0;𝑥 ≤ 𝑎 𝑥−𝑎 ;𝑎 ≤ 𝑥 ≤ 𝑏 ={ 𝑏−𝑎 1; 𝑥 ≥ 𝑏
dalam suatu sistem fuzzy. b. Himpunan fuzzy, yaitu suatu kelompok yang mewakili suatu keadaan tertentu dalam suatu variabel fuzzy.
4
(2.1)
Gambar 2.1 Gambar 2.4
Grafik Keanggotaan Kurva Linear Naik
Grafik Keanggotaan Kurva Trapesium b. Grafik keanggotaan kurva linear turun, yaitu 2.6 Metode Inferensi Logika Fuzzy
himpunan fuzzy dimulai dari nilai domain
Menurut T. Sutojo dkk. (2011), metode inferensi
dengan derajat keanggotaan tertinggi pada sisi
logika
kiri, kemudian bergerak menurun ke nilai
fuzzy
dikelompokkan
menjadi
dua
kelompok:
domain yang memiliki derajat keanggotaan
a. Metode langsung, terdiri atas
lebih rendah. Fungsi keanggotaannya adalah
1) Metode Tsukamoto; 2) Metode Mamdani; dan
𝜇(𝑥) 𝑏−𝑥 = {𝑏 − 𝑎 ; 𝑎 ≤ 𝑥 ≤ 𝑏 0; 𝑥 ≥ 𝑏
3) Metode Sugeno. (2.2)
b. Metode tidak langsung. Dalam menggunakan
penelitian metode
kali Sugeno.
ini,
penulis
Tahap-tahap
inferensi dengan menggunakan metode ini adalah sebagai berikut. 1) Fuzzifikasi. 2) Pembentukan basis pengetahuan fuzzy (rule dalam bentuk IF-THEN). 3) Mesin inferensi Gambar 2.2
Tahap ini menggunakan fungsi implikasi Min
Grafik Keanggotaan Kurva Linear Turun
untuk mendapatkan nilai α-predikat tiap-tiap rule (α1, α2, α3, …, αn). Kemudian masing-masing nilai
c. Grafik keanggotaan kurva trapesium pada
α-predikat
dasarnya seperti bentuk segitiga, hanya saja ada
ini
digunakan
untuk
menghitung
keluaran hasil inferensi secara tegas (crisp) masing-
beberapa titik yang memiliki nilai keanggotaan
masing rule (z1, z2, z3, …, zn).
sama dengan satu. Fungsi keanggotaannya adalah
c. Defuzzifikasi Menurut Lahmudin I. Panigoro (2012),
𝜇(𝑥) 0; 𝑥 ≤ 𝑎 atau 𝑥 ≥ 𝑑 𝑥−𝑎 ;𝑎 ≤ 𝑥 ≤ 𝑏 𝑏−𝑎 = 1; 𝑏 ≤ 𝑥 ≤ 𝑐 𝑑−𝑥 { 𝑑 − 𝑐 ;𝑐 ≤ 𝑥 ≤ 𝑑
terdapat berbagai cara untuk melakukan proses (2.4
defuzzifikasi dengan metode ini, antara lain height
)
method dan weight average. Jika dipilih cara height method, maka defuzzifikasi diakukan dengan cara memilih nilai predikat terbesar dari seluruh rule 5
yang disediakan. Sementara itu, jika menggunakan
rule, dan Terakhir, gunakan fungsi Max untuk
weight average,
menetapkan α-predikat terbesar dari tiap-tiap
maka terlebih dahulu nilai
outputnya (α) ditentukan, setelah itu gunakan
rule.
rumus berikut untuk menentukan nilai tegasnya.
𝑧∗ =
3.
∑ 𝛼𝑖 𝑧𝑖 ∑ 𝛼𝑖
4.2 Tampilan Sisten
(2.14)
Metode Penelitian
3.1 Teknik Pengumpulan Data a. Wawancara. b. Studi pustaka c. Tahap Rekayasa Sistem dengan menggunakan Gambar 4.1 Tampilan Menu Awal
metode Waterfall dalam tahapan (PADI).
3.2 Use Case Diagram
4.3 Hasil Uji Coba Sistem
Entri data siswa
Entri Kelompok Peminatan siswa
«extends»
Ubah Kelompok Peminatan Siswa
Cetak Laporan Peminatan
User
Gambar 6.1 Hasil Uji Coba Sistem
Gambar 3.1 Use Case Diagram
4.
Hasil dan Pembahasan
4.1 Untuk
memperoleh
kelompok
peminatan,
pertama-tama tentukan terlebih dahulu nilainilai dari variabel peminatan (NMIA dan NIIS). Sedangkan untuk nilai (RMIA, RIIS, SMTK, SIPA, dan SIPS) nilai ini adalah nilai tunggal, artinya tanpa
harus mencari rata-
Gambar 6.2 Hasil Uji Coba Sistem
rata nilai tersebut, Setelah itu, konversikan tiap-tiap variabel tersebut ke dalam bentuk derajat keanggotaan, gunakan fungsi Min untuk mengetahui nilai α-predikat tiap-tiap
6
kesimpulan bagi setiap siswa, peminatan mana yang didapat oleh setiap siswa. d. Dilengkapi hasil laporan ke masing-masing siswa, agar orang tua siswa mengetahui anaknya masuk kepeminatan mana. 4.4.2 Saran Saran-saran yang dapat penulis berikan untuk penelitian selanjutnya adalah sebagai berikut. a. Menggunakan database yang lebih aman dan
Gambar 7.1 Hasil Uji Coba Sistem
cepat untuk menyimpan data siswa.
4.4 Kelebihan dan Kekurangan Program
b. Mencoba
untuk
mengunakan
bahasa
4.4.1 Kelebihan
pemrograman lainnya sehingga sistem dapat
a. Sangat mudah digunakan.
dijalankan lintas platform.
b. Menghasilkan suatu kesimpulan yang sangat
c. Mencoba untuk menggunakan metode inferensi
cepat dan akurat.
logika fuzzy lainnya dan membandingkan
c. Efektif dan efisien dalam pengolahan data dan
hasilnya.
pengambilan keputusa peminatan.
d. Menambah jumlah variabel input, agar hasil
d. Sistem yang fleksibel dan mudah dipahami.
ketelitian peminatan lebih baik dan lebih teliti.
4.4.2 Kekurangan
e. Mencoba menggunakan metode Tsukamoto dan
a. Terlalu banyak nilai yang harus diinput untuk
Mamdani, untuk membandingkan hasilnya.
menentukan kelompok peminatan. Daftar Pustaka
b. Menggunakan database yang belum tentu bisa dikoneksikan pada setiap komputer atau laptop.
[1]
Darmayuda, Ketut. 2010. Pemrograman Aplikasi Database Dengan Microsoft Visual Basic .NET 2008 Disertai Studi Kasus. Bandung: Informatika.
[2]
Fahmizal. 2011. “Fuzzy Logic and Fuzzy Logic Sun Tracking Control”http://fahmizaleeits.wordpress.co m/2011/02/25/paper-fuzzy-logic-andfuzzy-logic-sun-tracking-control, diakses tanggal 12 November 2013.
[3]
Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu.
[4]
Merlina, Nita dan Rahmat Hidayat. 2012. Perancangan Sistem Pakar. Bogor: Ghalia Indonesia.
[5]
Munir, Rinaldi. 2012. Matematika Diskrit Revisi Kelima. Bandung: Informatika.
[6]
Nuh, Mohammad. 2013. Peraturan Menteri Pendidikan dan Kebudayaan Nomor 69 Tahun 2013 Tentang Kerangka Dasar dan Struktur Kurikulum Sekolah Menengah Atas/Madrasah Aliyah. Jakarta: Kementerian Pendidikan dan Kebudayaan,
4.5 Kesimpulan dan Saran
4.5.1 Kesimpulan Kesimpulan yang dapat diambil adalah sebagai berikut. a. Logika fuzzy olah data peminatan dengan memanfaatkan logika fuzzy dapat digunakan sebagai
pendukung
keputusan
kelompok
peminatan siswa SMAN 1 Pemali. b. Penerapan model Sugeno (height method) dalam penentuan kelompok peminatan dapat memberikan rekomendasi peminatan dengan lebih cepat dan tepat sesuai dengan minat yang dimiliki siswa bersangkutan. c. Data yang diolah hanya satu kali pengentrian dan
menghasilkan
suatu
keputusan
dan
7
[7]
Panigoro, Lahmudin I. 2012. Logika Fuzzy Untuk Penentuan Jurusan di SMA. Skripsi. Fakultas Teknik, Universitas Negeri Gorontalo.
[8]
Sutojo, T. dkk. 2011. Kecerdasan Buatan. Yogyakarta: Penerbit Andi.
[9]
Wikipedia. 2013. “Microsoft Access” http://id.wikipedia.org/wiki/Microsoft_Ace ess, diakses tanggal 13 November 2013.
[10]
2013.“Perangkatkeras” http://id.wikipedia.org/wiki/Perangkat_ker as, diakses tanggal 7 Januari 2014.
[11]
2013. “Visual Basic .NET” http://id.wikipedia.org/wiki/Visual_Basic_. NET, diakses tanggal 13 November 2013.
[12]
2013. “Visual Basic .NET” http://id.wikipedia.org/wiki/Black-box testing, diakses tanggal 06 Mei 2014.
8
