IMPLEMENTASI SISTEM PENDUKUNG KEPUTUSAN MENGGUNAKAN LOGIKA FUZZY UNTUK PENERIMAAN BEASISWA DI POLITEKNIK PIKSI GANESHA BANDUNG

Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) Yogyakarta, 18-19 Maret 2016

ISSN: 2089-9815

IMPLEMENTASI SISTEM PENDUKUNG KEPUTUSAN MENGGUNAKAN LOGIKA FUZZY UNTUK PENERIMAAN BEASISWA DI POLITEKNIK PIKSI GANESHA BANDUNG Johni S Pasaribu1 Manajemen Informatika, Politeknik Piksi Ganesha Bandung Jl Jend Gatot Subroto no 301, Bandung 40296 Telp. (022) 87340030 E-mail: [email protected])

1

ABSTRAK Pemberian beasiswa di Politeknik Piksi Ganesha Bandung dilakukan untuk meningkatkan prestasi akademik mahasiswa selama menempuh studi. Mahasiswa mengajukan beasiswa dengan menyerahkan beberapa berkas persyaratan ke bagian kemahasiswaan. Setelah berkas diterima maka bagian kemahasiswaan akan memeriksa kelengkapannya. Bila telah memenuhi persyaratan maka berkas tersebut akan diberikan kepada program studi untuk disetujui. Pemeriksaan berkas yang dilakukan oleh bagian kemahasiswaan biasanya membutuhkan waktu yang cukup lama dan sering menimbulkan permasalahan dalam menentukan mahasiswa yang berhak mendapatkan beasiswa. Ini disebabkan karena tingkat prestasi mahasiswa yang mengajukan beasiswa tidak jauh berbeda. Untuk menentukan mahasiswa yang berhak maka dibutuhkan sebuah sistem pendukung keputusan. Disini penulis menggunakan metode logika fuzzy karena metode ini mampu menyeleksi alternatif terbaik dari sejumlah alternatif yang ada, dimana alternatif yang dimaksudkan yaitu yang berhak menerima beasiswa berdasarkan kriteria-kriteria yang ditentukan. Penelitian dilakukan dengan menentukan variabel dari setiap kriteria, kemudian menghitung nilai keanggotaan variabel tersebut. Berdasarkan hasil pengujian, sistem yang dibangun dapat membantu bagian kemahasiswaan dalam melakukan penyeleksian beasiswa dan dapat mempercepat proses penyeleksian. Kata Kunci : Sistem Pendukung Keputusan, Logika Fuzzy, Kriteria, Beasiswa, Variabel. membawa fotocopy KTM, fotocopy pernyataan mengikuti ekstrakurikuler, fotocopy bukti kuitansi pembayaran kuliah. Sistem pendukung keputusan (Decision Support System) mulai dikembangkan pada tahun 1960-an, tetapi istilah sistem pendukung keputusan itu sendiri baru muncul pada tahun 1971, yang diciptakan oleh G.Anthony Gorry dan Michael S.Scoot Morton. Pada dasarnya konsep sistem pendukung keputusan hanyalah sebatas pada kegiatan membantu para manajer melakukan penelitian serta menggantikan posisi serta peran manajer. Sistem pendukung keputusan merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan dan yang pemanipulasi data. Sistem ini digunakan untuk membantu mengambil keputusan dalam situasi yang semi terstruktur dan tak terstruktur, dimana tak seorang pun tahu secara pasti bagaimana keputusan seharusnya dibuat, seperti yang ditulis oleh Kusrini (Kusrini, 2007:15). Sistem Pendukung Keputusan (SPK) merupakan sistem informasi komputer yang menghasilkan berbagai alternatif keputusan untuk membantu pemimpin dalam menangani berbagai permasalahan semi terstruktur ataupun tidak terstruktur dengan menggunakan data dan model. DSS (Decision support system) merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan, dan pemanipulasian data. Proses penentuan pemberian beasiswa untuk mahasiswa di Politeknik Piksi Ganesha Bandung

1.

PENDAHULUAN Politeknik Piksi Ganesha Bandung merupakan salah satu politeknik berada di bawah naungan YPG (Yayasan Piksi Ganesha) yang bertujuan untuk menghasilkan tenaga profesional dalam bidang Information, Communication and Management (ICM). Dalam mencapai tujuan tersebut, pihak Politeknik membekali mahasiswa dengan keahlian sesuai dengan program studi yang diambil dan memfasilitasi pengembangan kemampuan mahasiswa tersebut. Salah satu program yang disediakan Politeknik Piksi Ganesha Bandung dalam pengembangan kemampuan mahasiswa adalah dengan memberikan beasiswa bagi setiap mahasiswa yang berprestasi. Beasiswa yang diberikan memiliki kriteria tertentu yang disesuaikan dengan tingkat kelayakan prestasi. Dalam penentuan beasiswa yang menjadi kriteria adalah IPK, kegiatan akademik misalnya menjadi seorang asisten, kegiatan non akademik atau ekstrakurikuler dan prestasi kejuaraan yang pernah diraih. Bagian kemahasiswaan memberikan daftar mahasiswa yang berhak menerima beasiswa kepada bagian keuangan, bagian keuangan memeriksa daftar mahasiswa yang berhak menerima beasiswa, jika mahasiswa tersebut mempunyai penunggakan biaya semester, maka beasiswa yang diterima akan dipotong sebesar tunggakannya. Mahasiswa yang dinyatakan berhak mendapatkan beasiswa dapat mengambilnya langsung ke bagian keuangan dengan 80


biasanya dilakukan berdasarkan persetujuan dari prodi yang kemudian akan diseleksi oleh bagian kemahasiswaan berdasarkan kriteria-kriteria yang telah ditentukan. Permasalahan yang sering muncul dalam pemberian beasiswa ini adalah sulitnya menentukan mahasiswa yang benar-benar berhak menerima beasiswa karena keterbatasan kuota yang disediakan dan banyaknya jumlah mahasiswa yang mengajukan beasiswa. Saat ini dalam penentuan keputusan digunakan perhitungan dengan menggunakan MS. Excel. Dengan cara ini hasil yang didapatkan kurang memuaskan karena dalam penentuannya masih digunakan logika benar atau salah (1 atau 0) dari logika boolean, dimana adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan kategori yang signifikan dan dalam pekerjaan membutuhkan waktu yang relatif lama. Penentuan bobot dari suatu kriteria dalam penerapan sistem pendukung keputusan ini menggunakan logika fuzzy. Hal ini disebabkan memiliki keunggulan dari segi proses pengambilan keputusan yang diekspresikan dalam fungsi kontinu dari 0 sampai 1. Selain itu pada sistem lama tidak adanya integrasi dengan bagian keuangan sehingga menyulitkan bagian keuangan untuk menentukan besarnya saldo yang harus diberikan kepada mahasiswa penerima beasiswa. Melihat dari berbagai permasalahan yang telah dipaparkan di atas, maka Politeknik Piksi Ganesha Bandung membangun suatu sistem keputusan (SPK) penerimaan beasiswa dengan metode yang sesuai dan dapat diaplikasikan di Politeknik Piksi Ganesha Bandung. Berdasarkan uraian latar belakang masalah yang telah dikemukakan, ditemukan masalah yaitu bagaimana membangun Aplikasi sistem pendukung keputusan untuk penerimaan beasiswa menggunakan logika Fuzzy di Politeknik Piksi Ganesha Bandung. Tujuan yang akan dicapai dari penelitian ini adalah: a. Menghasilkan daftar mahasiswa yang layak untuk mendapatkan beasiswa. b. Mempercepat proses pemeriksaan berkasberkas mahasiswa yang mengajukan beasiswa. c. Mempermudah bagian keuangan untuk mengetahui jumlah beasiswa yang harus dicairkan. Metodologi penelitian merupakan suatu proses yang digunakan untuk memecahkan suatu masalah yang logis, dimana memerlukan data-data untuk mendukung terlaksananya suatu penelitian. Metode penelitian yang digunakan adalah metode deskriptif. Metode deskriptif merupakan metode yang menggambarkan fakta-fakta dan informasi dalam situasi atau kejadian secara sistematis, faktual dan akurat. Metode penelitian ini memiliki dua tahapan, yaitu tahap pengumpulan data dan tahap pengumpulan perangkat lunak. 1. Tahap pengumpulan data

ISSN: 2089-9815

Tahap pengumpulan data dapat diperoleh secara langsung dari objek penelitian. Caracara yang mendukung untuk mendapatkan data primer adalah sebagai berikut: a. Studi Literatur Studi ini dilakukan dengan cara mempelajari, meneliti dan menelaah berbagai literatur dari perpustakaan yang bersumber dari buku-buku, modul-modul, jurnal-jurnal ilmiah, situs-situs di internet, dan bacaanbacaan yang ada kaitannya dengan topik penelitian. b. Studi Lapangan Studi ini dilakukan dengan cara mengunjungi tempat yang akan diteliti dimana pengumpulan data dilakukan secara langsung yang meliputi : 1. Wawancara Yaitu pengumpulan data dengan cara mengadakan tanya jawab kepada salah satu staf di bagian kemahasiswaan dan bagian keuangan di Politeknik Piksi Ganesha Bandung. 2. Observasi Pengumpulan data dengan cara melakukan pengamatan secara langsung di Politeknik Piksi Ganesha Bandung. 2. Tahap pengembangan perangkat lunak Tahap pengembangan perangkat lunak dalam pembuatan aplikasi ini menggunakan classsic life style atau yang lebih dikenal dengan istilah waterfall. Tahapan pengembangan sistem adalah sebagai berikut: System engineering, System Analysis (Analisis), System Design (Perancangan), System Coding (Pengkodean), System Testing (Pengujian), dan System Maintenance (Pemeliharaan). Untuk lebih jelasnya susunan metode waterfall dapat dilihat pada gambar 1:

Gambar 1. Metodologi Waterfall

81


2. PEMBAHASAN 2.1 Landasan Teori 2.1.1 Logika Fuzzy Sistem Fuzzy pertama kali ditemukan oleh Prof. Lotfi A. Zaedah pada pertengahan tahun 1960 di Universitas California, Berkeley. Sistem ini diciptakan karena logika Boolean tidak mempunyai ketelitian yang tinggi, hanya mempunyai logika 0 dan 1 saja. Sehingga untuk membuat sistem yang mempunyai ketelitian yang tinggi maka tidak dapat menggunakan logika Boolean. Penerapan teori logika fuzzy ini dianggap mampu menciptakan sebuah revolusi dalam teknologi. Sebagai contoh, mulai tahun 90-an para manufaktur industri yang bergerak di bidang Distributed Control System (DCSs), Programmable Logic Controller (PLCs) dan Microcontroller Unit (MCUs) telah menyatukan sistem logika fuzzy pada barang produksi mereka dan memiliki prospek ekonomi yang baik. Pada saat bersamaan, pertumbuhan luar biasa terjadi pada industri perangkat lunak yang menawarkan kemudahan penggunaan logika fuzzy dan penerapannya pada aspek kehidupan sehari-hari. Logika fuzzy adalah suatu metode yang mengadopsi penilaian yang dilakukan manusia terhadap suatu kebenaran, dimana diekspresikan dalam fungsi kontinu dari 0 sampai 1. Berbeda dengan logika klasik yang menyatakan segala hal dalam istilah binary (0 atau 1, ya atau tidak).

4.

1. 2. 3. 4.

ISSN: 2089-9815

Merupakan proses pengambilan keputusan (inference) berdasarkan aturan-aturan yang ditetapkan pada basis aturan (rules base) untuk menghubungkan antara peubah-peubah fuzzy masukan dan peubah fuzzy keluaran. Defuzzifikasi Merupakan proses pengubahan besaran fuzzy yang disajikan dalam bentuk himpunanhimpunan fuzzy keluaran dengan fungsi keanggotaannya untuk mendapatkan kembali bentuk tegasnya. Hal ini diperlukan karena plant hanya mengenal nilai tegas sebagai besaran sebenarnya untuk regulasi prosesnya. Proses ini berfungsi untuk menentukan suatu nilai crisp output. Cara kerja Fuzzy Logic, meliputi : Fuzzifikasi Pembentukan Basis Pengetahuan Fuzzy (IF...THEN...) Mesin Inferensi (Fungsi Implikasi Max-Min atau Dot-Product) Defuzzifikasi a. Metode Rata-Rata (Average)

b. Metode Titik Tengah (Center Of Area)

Secara keseluruhan istilah yang digunakan dalam sistem fuzzy adalah sebagai berikut : a. Degree of Membership Fungsi dari derajat keanggotaan adalah untuk memberikan bobot pada suatu input yang kita berikan, sehingga input tadi dapat dinyatakan dengan nilai. Batas dari derajat keanggotaan adalah dari 0 sampai 1. b. Scope (Domain) Merupakan suatu batas dari kumpulan input tertentu. Misalnya suhu dingin adaah 10-50 derajat, sangat cepat adalah dari 200-500 rpm. c. Label (Himpunan) Adalah kata-kata untuk memberikan suatu keterangan pada domain. Contohnya: panas, dingin, cepat, sangat cepat. d. Membership Function (Fungsi Keanggotaan) Suatu bentuk bangun yang merepresentasikan suatu batas dari domain. e. Crisp Input Nilai input analog yang kita berikan untuk mencari derajat keanggotaan. f. Universe of discourse (Semesta Pembicaraan) Batas input yang telah kita berikan dalam merancang suatu fuzzy sistem. Batas ini berbeda dengan batas scope/domain. Universe of discourse adalah batas semua input yang akan diberikan sedangkan

2.1.2 Cara Kerja Logika Fuzzy Cara kerja logika fuzzy dapat dilihat dari gambar berikut:

Gambar 2. Cara kerja logika Fuzzy 1. Fuzzifikasi Merupakan suatu proses untuk mengubah suatu masukan dari bentuk tegas (crisp) menjadi peubah fuzzy (variable linguistic) yang biasanya disajikan dalam bentuk himpunan-himpunan fuzzy dengan fungsi keanggotaannya masingmasing yang disimpan dalam basis pengetahuan fuzzy. 2. Basis Pengetahuan Fuzzy Kumpulan aturan-aturan (rules base) dalam bentuk pernyataan IF...THEN... 3. Mesin Inferensi 82


scope/domain adalah suatu batas yang menentukan bahwa input tersebut dinyatakan panas, dingin, cepat.

keanggotaan didefinisikan 2004:56):

2.1.3 Himpunan Fuzzy Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µA[x], memiliki 2 kemungkinan, yaitu: 1. Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau 2. Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan. Jika pada himpunan crisp, nilai keanggotaan hanya ada 2 kemungkinan, yaitu 0 dan 1, pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Apabila x memiliki nilai keanggotaan fuzzy µA[x]=0 berarti x tidak menjadi anggota himpunan A, demikian pula apabila x memiliki nilai keanggotaan fuzzy µA[x]=1 berarti x menjadi anggota penuh pada himpunan A. Terkadang kemiripan antara keanggotaan fuzzy dengan probabilitas menimbulkan kerancuan. Keduanya memiliki nilai pada interval [0,1], namun interpretasi nilainya sangat berbeda antara kedua kasus tersebut. Keanggotaan fuzzy memberikan suatu ukuran terhadap pendapat atau keputusan sedangkan probabilitas mengindikasikan proporsi terhadap keseringan suatu hasil bernilai benar dalam jangka panjang. Himpunan fuzzy memiliki 2 atribut, yaitu: 1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti : Dingin, Sejuk, Hangat, Panas. 2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel, seperti 40, 25, 50 dsb.

ISSN: 2089-9815

representasi (Kusumadewi

Linear dapat dan Purnomo,

(1)

Gambar 3. Grafik keanggotaan linier naik Kedua, merupakan kebalikan dari yang pertama. Garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah. Fungsi keanggotaan: (2)

Gambar 4. Grafik keanggotaan linier turun 2. Representasi Kurva Segitiga Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear). Fungsi keanggotaan: Representasi kurva segitiga dapat didefinisikan sebagai berikut (Kusumadewi dan Purnomo, 2004:57):

2.1.4 Fungsi Keanggotaan Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan, yaitu : 1. Representasi Linear Pada representasi linear, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas. Ada 2 keadaan himpunan fuzzy yang liner. Pertama, kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi. Fungsi

(3)

Gambar 5. Grafik keanggotaan kurva segitiga 83


ISSN: 2089-9815

Untuk merepresentasikan bilangan fuzzy, biasanya digunakan kurva berbentuk lonceng. 7. Koordinat Keanggotaan Himpunan fuzzy berisi urutan pasangan berurutan yang berisi nilai domain dan kebenaran nilai keanggotaanya dalam bentuk : Skalar (i) / Derajat (i) ‘Skalar’ adalah suatu nilai yang digambar dari domain himpunan fuzzy, sedangkan ‘Derajat’ merupakan derajat keanggotaan himpunan fuzzynya.

3. Representasi Kurva Trapesium Kurva segitiga pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1. Fungsi keanggotaan: Representasi kurva trapesium dapat didefinisikan sebagai berikut (Kusumadewi dan Purnomo, 2004:57):

2.1.5 Fungsi Implikasi Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan dengan suatu relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam fungsi implikasi adalah : IF x is A THEN y is B dengan x adalah skalar, A dan B adalah himpunan fuzzy. Proposisi yang mengikuti IF disebut sebagai antiseden sedangkan proposisi yang mengikuti THEN disebut sebagai konsekuen. Secara umum ada 2 implikasi yang dapat digunakan, yaitu : 1. Min (minimum). Fungsi ini akan memotong output himpunan fuzzy. 2. Dot (product). Fungsi ini akan menskala output himpunan.

Gambar 6. Grafik keanggotaan trapesium

(4)

4. Representasi Kurva Bentuk Bahu Daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun. Himpunan fuzzy ‘bahu’, bukan segitiga, digunakan untuk mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak dari salah ke benar. Fungsi keanggotaan: Representasi kurva bentuk bahu dapat didefinisikan sebagai berikut:

2.1.6 Fuzzy inference system - Metode Mamdani Metode Mamdani sering dikenal sebagai metode max-min. Penelitian ini menggunakan metode Mamdani. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output, diperlukan 4 tahapan : 1. Pembentukan himpunan fuzzy Pada metode Mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy. 2. Aplikasi fungsi implikasi Pada metode Mamdani, fungsi implikasi yang digunakan adalah Min. 3. Komposisi Aturan Tidak seperti penalaran monoton, apabila sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari kumpulan korelasi antar aturan. Ada 3 metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu max, additive dan probabilistic OR (prob or). a. Metode Max (Maximum) Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan mengaplikasikannya ke output b. Metode Additive (Sum) Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan boundedsum terhadap semua output daerah fuzzy. c. Metode Probabilitas OR (prob or)

Gambar 7. Grafik keanggotaan bentuk bahu

(5) 5. Representasi Kurva-S Kurva PERTUMBUHAN dan PENYUSUTAN merupakan kurva –S atau sigmoid yang berhubungan dengan kenaikan dan penurunan permukaan secara tak linear. 6. Representasi Kurva Bentuk Lonceng (Bell Curve) 84


Pada metode ini, solusi himpunan fuzzy diperoleh dengan melakukan product terhadap semua output daerah fuzzy. 4. Penegasan (defuzzy) Input dari proses defuzzy adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturanaturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu.

ISSN: 2089-9815

derajat keanggotaan. Berikut adalah himpunan fuzzy beserta nilai domainnya

variabel

Tabel 2. Variabel Himpunan Fuzzy beserta Nilai Domain

Perancangan Sistem Fuzzy Perancangan sistem fuzzy untuk penerimaan beasiswa prestasi yang sesuai dengan mahasiswa di Politeknik Piksi Ganesha Bandung. Adapun kriteriakriteria yang digunakan saat ini di Politeknik Piksi Ganesha Bandung yaitu IPK, Ekstrakulikuler, Kurikuler, prestasi dan yang menjadi core untuk menentukan beasiswa prestasi adalah IPK.

Crisp Input IPK

Rendah 0 - 2.5

Sedang 1.5 – 4

Tinggi 3.5 - 5

Kurikuler

0 - 2.5

1.5 – 4

3.5 - 5

Ekstrakurikuler

0 - 2.5

1.5 – 4

3.5 - 5

Prestasi

0 - 2.5

1.5 - 4

3.5 - 5

2.2

2. Aplikasi Fungsi Implikasi (Aturan) Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan dengan suatu relasi fuzzy. Variabel yang digunakan dalam sistem ini terdiri dari 4 crisp input (IPK, Kurikuler, Ekstrakurikuler dan Prestasi) dan crisp output (penentuan penerimaan beasiswa). Masing-masing variabel terdiri dari 3 himpunan fuzzy yaitu rendah, sedang dan tinggi. 3. Komposisi Aturan Pada sistem ini terdiri dari beberapa aturan seperti yang telah diuraikan di atas, maka inferensi diperoleh dari kumpulan dan kolerasi antar aturanaturan tersebut. Metode yang digunakan untuk komposisi aturan tersebut adalah Metode Max (Maximum). Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy dan mengaplikasikannya ke output. 4. Penegasan (Defuzifikasi) Defuzifikasi merupakan proses pengubahan besaran fuzzy yang disajikan dalam bentuk himpunanhimpunan fuzzy menjadi keluaran dengan fungsi keanggotaan. Keluaran yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy.

Tabel 1. Penilaian seleksi beasiswa prestasi SKO R 5

4

3

2

1

IPK A 4,00 X > 3,75 3,75 X > 3,50 3,50 X > 3,25 3,25 X > 3,00 X= 3,00

KURIKU LER B Asisten Dosen

EKSTRAKURIKULER

Koord. Asisten

Sek/ Bend BEM, Wakil/ Sek/ Bend UKM, Menteri BEM, Ketua panitia Sek/ Bend panitia, Kadiv.UKM

Propinsi

Anggota Studi Group

Angg BEM, Angg Panitia, Pengurus UKM

Universit as lain/ Politekni k Piksi Ganesha Bandung

Anggota

Anggota UKM

Asisten

C Presiden /wakil BEM, ketua UKM

PRESTA SI D Nasional

Kabupat en

2.2.2 Fungsi keanggotaan Fungsi keanggotaan (member function) adalah suatu kurva yang menunjukkan pemetaan titik-titik data masukan ke dalam derajat keanggotaan. Setiap variabel fuzzy yang digunakan menggunakan fungsi keanggotaan bahu dan segitiga sebagai pendekatan untuk memperoleh derajat keanggotaan suatu nilai dalam suatu himpunan fuzzy. Masing-masing variabel fuzzy dibagi 3, 4 atau 5 himpunan fuzzy, yaitu rendah, sedang, tinggi; sangat rendah, rendah, sedang, tinggi; sangat rendah, rendah, sedang, tinggi, sangat tinggi. Berikut adalah contoh fungsi keanggotaan yang digunakan untuk setiap variabel fuzzy dengan 3 himpunan fuzzy:

Langkah-langkah yang digunakan dalam analisis data penerimaan beasiswa Politeknik Piksi Ganesha Bandung dengan menggunakan metode logica fuzzy adalah sebagai berikut: 2.2.1 Sistem Inferensi fuzzy Sistem inferensi fuzzy yang digunakan dalam perancangan sistem untuk mengambil keputusan penerimaan beasiswa adalah model Mamdani, yang terdiri dari 4 tahapan, yaitu pembentukan himpunan fuzzy, aplikasi fungsi fuzzy (aturan), komposisi aturan dan penegasan (defuzzy). 1. Pembentukan Himpunan Fuzzy Dalam sistem fuzzy diperlukan suatu variabel dan himpunan untuk kebutuhan input pada proses fuzifikasi. Fuzifikasi adalah proses mengubah masukan eksak menjadi masukan fuzzy berupa 85


ISSN: 2089-9815

Tabel 3. Contoh kasus penerimaan beasiswa No

Nama

Nim

IP K

Kuri kuler

M. Daman Huri Yolanda Pristian

3010 7164

3,3 0

-

3010 7061

3,8 5

-

3

Febriya nti

3010 8466

4

-

4

Melati Putri

3010 8040

3,2 5

Engli sh com muni ty

5

Mandr a Suprub a

3020 8002

3,6

Engli sh com muni ty

Ketua Panitia

6

Aspari

3020 8306

3,5 5

-

7

Firman Anggor o

3020 7065

3,8 3

-

Anggot a Panitia Anggot a UKM

8

Zahrat un Nadhir

3030 8064

3,9

-

-

9

Galuh kurnia wan Maryo no

3030 7014

3,1 1

-

Ketua Panitia

3010 7010

3,4 1

Asist en

Ketua UKM

1

2

a

b

c d

e

f

Ekstrak urikule r Sekreta ris UKM Ketua UKM

Prestasi

-

Juara olimpic kompute r sekabup aten -

Gambar 8. Fungsi keanggotaan

Keterangan : a : Nilai minimal rendah b : Nilai minimal sedang c : Nilai maximum rendah d : Nilai minimal tinggi e : Nilai maximum sedang f : Nilai maximum tinggi 2.2.3 Contoh Kasus

10

1.

Crisp input NIM = 30107164 IPK = 3,30 Kurikuler = Ekstrakuriker = Sekretaris UKM

Prestasi = a. Pembentukan Himpunan Fuzzy Crisp Input IPK Kurikuler Ekstrakulikuler Prestasi

86

Rendah 0 - 2.5 0 - 2.5 0 - 2.5 0 - 2.5

Sedang 1.5 – 4 1.5 – 4 1.5 – 4 1.5 – 4

Anggot a panitia -

Juara 2 lomba voly smada cup Surabay a sekabup aten Juara 1 sepak bola liga senen gresik sepakbol a sekabup aten -

Mahasis wa terbaik bidang CNM PPRO IT Runnerup indonesi a writer competit ion 2007 Nasional -

-

Skor 3 0 3 0 Tinggi 3.5 - 5 3.5 - 5 3.5 - 5 3.6 - 5


b. Aplikasi Fungsi Implikasi (Aturan)

Kurikuler

0 - 2.5

1.5 – 4

3.5 - 5

Ekstrakulikuler

0 - 2.5

1.5 – 4

3.5 - 5

Prestasi

0 - 2.5

1.5 – 4

3.5 - 5

b.

0

1.5

2.5 3.5

4

ISSN: 2089-9815

Aplikasi Fungsi Implikasi (Aturan)

5


0

1.5

2.5 3.5

4

5


No

Rendah

Sedang

Tinggi

1

IPK

Crisp Input

0

0,75

0

2

Kurikuler

0

0

0

3

Ekstrakurikuler

0

0,75

0

4

Prestasi

0

0

0 No

c.

Komposisi Aturan Metode yang digunakan untuk komposisi aturan tersebut adalah Metode Max (Maximum). Berdasarkan perhitungan di atas dapat terlihat derajat keanggotaan dari setiap komponen nilai, dimana derajat keanggotaan yang diambil yaitu derajat keanggotaan yang paling besar. d. Penegasan No

Crisp Input IPK

Sedang

2

Kurikuler

Rendah

3

Ekstrakurikuler

Sedang

4

Prestasi

Rendah

Prestasi = Juara olimpiade komputer kabupaten

Skor 5 0 3

Rendah 0 - 2.5

Sedang 1.5 – 4

Tinggi

0

0

1

2

Kurikuler

0

0

0

3

Ekstrakurikuler

0

0

1

4

Prestasi

0

0,75

0

Crisp Input

Variabel

1

IPK

Tinggi

2

Kurikuler

Rendah

3

Ekstrakurikuler

Tinggi

4

Prestasi

Sedang

Berdasarkan nilai di atas mahasiswa dengan nim 30107061 layak menerima beasiswa.

3

2.3 Implementasi Antarmuka Implementasi antarmuka dilakukan dengan setiap halaman program yang dibuat dan pengkodeannya dalam bentuk file program. Berikut

a. Pembentukan Himpunan Fuzzy Crisp Input IPK

Crisp Input

No

Berdasarkan nilai di atas mahasiswa dengan nim 30107164 tidak layak menerima beasiswa. 2. Crisp input NIM = 30107061 IPK = 3,85 Kurikuler = Ekstrakuriker = Ketua UKM

Sedang

IPK

c. Komposisi Aturan Metode yang digunakan untuk komposisi aturan tersebut adalah Metode Max (Maximum). Berdasarkan perhitungan di atas dapat terlihat derajat keanggotaan dari setiap komponen nilai, dimana derajat keanggotaan yang diambil yaitu derajat keanggotaan yang paling besar. d. Penegasan

Variabel

1

Rendah

1

Tinggi 3.5 - 5

87


ISSN: 2089-9815

ini adalah implementasi antarmuka untuk data user, data mahasiswa, pengelolaan data permohonan, seleksi penerimaan beasiswa dengan metode fuzzy, tampilan fuzzy report, data mahasiswa penerima beasiswa dan hasil beasiswa yang diterima.

Gambar 11. Tampilan data user Gambar 14. Tampilan seleksi penerima beasiswa

Gambar 12. Tampilan data mahasiswa Gambar 15. Tampilan fuzzy report

Gambar 16. Tampilan data mahasiswa penerima beasiswa Gambar 13. Tampilan pemohon

88


ISSN: 2089-9815

membantu dalam penyeleksian penerimaan beasiswa. Hasil pengujian ini baru secara persentase statistik biasa, dan mungkin saja ini kurang akurat. Untuk itu, apabila ingin mengetahui jawaban dengan kedalaman akurasi, maka perlu adanya suatu pengolahan data statistik dengan acuan dari data hasil kuesioner yang sama. 3.

KESIMPULAN Berdasarkan uraian pembahasan dari penelitian yang telah dilakukan, maka dapat diperolah kesimpulan sebagai berikut : 1. Sistem pendukung keputusan yang dibangun dapat mempermudah pegawai Politeknik Piksi Ganesha Bandung untuk mempercepat proses penyeleksian beasiswa prestasi di Politeknik Piksi Ganesha Bandung. 2. Sistem pendukung keputusan yang dibangun dapat memberikan informasi yang cepat dan akurat tentang penerimaan beasiswa. Berdasarkan kesimpulan di atas, maka saran yang diharapkan adalah sistem pendukung keputusan penerimaan beasiswa di Politeknik Piksi Ganesha Bandung ini bisa dikembangkan seiring dengan perkembangan spesifikasi kebutuhan pengguna sistem yang harus dipenuhi dalam mencapai tahap yang lebih tinggi dan kinerja sistem yang lebih baik.

Gambar 17. Tampilan hasil beasiswa yang diterima 2.4 Pengujian Alpha dan Beta Pengujian perangkat lunak adalah elemen kritis dari jaminan kualitas perangkat lunak dan merepresentasikan kajian pokok dari spesifikasi, perancangan, dan pengkodean. Pengujian yang digunakan untuk menguji sistem ini adalah metode pengujian black-box. Pengujian black-box berfokus pada persyaratan fungsional perangkat lunak. Berdasarkan hasil pengujian alpha (fungsional) dengan kasus uji di atas dapat ditarik kesimpulan sebagai berikut: 1. Jika data yang dimasukkan benar, maka sistem secara fungsional akan mengeluarkan keluaran sesuai dengan harapan. 2. Jika data yang dimasukkan salah, maka sistem akan mengeluarkan pesan kesalahan dan data keluaran tidak akan sesuai dengan harapan. Dengan kata lain bahwa pembangunan sistem ini bebas kesalahan dan secara fungsional mengeluarkan hasil yang sesuai dengan yang diharapkan. Pengujian beta dilakukan dengan tujuan untuk mengetahui sejauh mana kualitas dari perangkat lunak yang dibangun, apakah sudah sesuai dengan harapan atau belum. Untuk itu dalam pengujian beta dilakukan penelitian dengan cara memberikan kuesioner pada calon pengguna perangkat lunak yang dibangun. Adapun metode penelitian yang digunakan adalah metode kuantitatif. Kuesioner diberikan kepada beberapa sampel calon pengguna perangkat lunak yang dibangun. Kuesioner terdiri dari 3 jenis dengan 5 pertanyaan dan saran untuk setiap kuesioner. Kuesioner dibuat menggunakan skala likert dengan skala 1 sampai 7 (1=sangat setuju, 2= setuju, 3=cukup setuju, 4=biasa-biasa saja, 5=kurang setuju, 6=tidak setuju, 1=sangat tidak setuju). Dari pengujian yang telah dilakukan dapat disimpulkan bahwa perangkat lunak yang dibangun memiliki tampilan yang bagus, mudah digunakan,

PUSTAKA Fathansyah. 2007. Basis Data. Bandung: Informatika. Jogiyanto, HM. 2005. Analisis Dan Desain Sistem Informasi: Pendekatan Terstruktur Teori dan Praktek Aplikasi Bisnis. Edisi III, Yogyakarta: Graha Ilmu. Kadir, A. 2004. Pemrograman Database dengan Delphi 7 Menggunakan ADO. Yogyakarta: Andi. Kosko, Bart. 1992. Neural Network and Fuzzy Systems (A Dynamic Systems Approach to Machine Intelligence). New Jersey, USA: Prenticee-Hall. Kusrini. 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta: Andi Offset. Kusumadewi, Sri dan Purnomo, Hari. 2004. Aplikasi Logika Fuzzy Untuk Mendukung Keputusan. Yogyakarta: Graha Ilmu. Kusumadewi, Sri. 2002. Artificial Intelligence (Teknik dan Aplikasinya) Yogyakarta: Graha Ilmu. Suparman. 1991. Mengenal Artificial Intelligence, Edisi-1. Yogyakarta: Andi Offset.

89

IMPLEMENTASI SISTEM PENDUKUNG KEPUTUSAN MENGGUNAKAN LOGIKA FUZZY UNTUK PENERIMAAN BEASISWA DI POLITEKNIK PIKSI GANESHA BANDUNG

Recommend Documents