PENGGUNAAN METODE FUZZY INFERENCE SYSTEM (FIS) MAMDANI DALAM PEMILIHAN PEMINATAN MAHASISWA UNTUK TUGAS AKHIR. Yulmaini ABSTRACT

Yulmaini

Jurnal Informatika, Vol. 15, No.1, Bulan Juni 2015

PENGGUNAAN METODE FUZZY INFERENCE SYSTEM (FIS) MAMDANI DALAM PEMILIHAN PEMINATAN MAHASISWA UNTUK TUGAS AKHIR Yulmaini Fakultas Ilmu Komputer Informatics & Business Institute Darmajaya Jl. Z.A. Pagar Alam No. 93, Bandar Lampung - Indonesia 35142 Telp. (0721) 787214 Fax. (0721) 700261 Email: [email protected]

ABSTRACT Fuzzy logic is a branch of artificial intelligence to build expert systems. Fuzzy logic is often used as problem solver in a system that does not use numbers, but linguistics or unobvious variables. One of the implementation of fuzzy logic is decision making in determine the topic of final assignment, especially bachelor thesis. IBI Darmajaya has some study programs in the faculty of Computer Science. One of those study programs is Informatics Engineering. The study program of Informatics Engineering leads the students to the specialization of Web Development and Multimedia, Software Engineering, or Expert System for their bachelor thesis. During this time, the specialization that taken by students is not actually what they expert in or the grade they earn from each subject. Usually, students take the specialization because of many students take that field. As the result, they have difficulties to finish their bachelor thesis. This research uses Fuzzy Inference System of Mamdani with 12 input variables, 37 rules, and 3 thesis specializations. This research aims to generate a fuzzy system as a decision maker to determine the thesis specialization. Key words: Thesis Specialization, FIS-Mamdani

ABSTRAK Logika fuzzy adalah salah satu cabang ilmu kecerdasan buatan untuk membangun sistem cerdas. Logika fuzzy sering digunakan dalam pemecahan masalah yang menjelaskan sistem bukan melalui angka-angka, melainkan secara linguistik, atau variabelvariabel yang mengandung ketakpastian/ketidaktegasan. Salah satu penerapan logika fuzzy adalah dalam pengambilan suatu keputusan dalam penentuan peminatan tugas akhir. IBI Darmajaya memiliki beberapa jurusan, salah satunya adalah jurusan Teknik Informatika. Jurusan Teknik Informatika memilliki beberapa peminatan tugas akhir yaitu teknologi web dan multimedia, rekayasa perangkat lunak, dan sistem cerdas. Selama ini, penentuan peminatan tugas akhir yang dilakukan oleh mahasiswa adalah berdasarkan jumlah mahasiswa yang mengambil peminatan saat itu. Pemilihannya bukan berdasarkan keahlian yang dimiliki oleh mahasiswa dan nilai-nilai mata kuliah yang mahasiswa peroleh. Hal ini menyebabkan mahasiswa mengalami kesulitan ketika menyelesaikan tugas akhir karena tidak memahami konsep dari tugas akhir yang diambil. Selain itu, ada mahasiswa yang tidak menyelesaikan tugas akhirnya karena tidak sesuai dengan peminatannya. Metode yang digunakan dalam penelitian ini adalah FIS-Mamdani dengan 12 variabel input, 37 Informatics and Business Institute Darmajaya

10


Yulmaini

aturan fuzzy, dan 3 peminatan tugas akhir. Tujuan dari penelitian ini adalah menghasilkan suatu sistem fuzzymetode FIS Mamdani sebagai alternatif penyelesaian masalah dalam pemilihan peminatan untuk tugas akhir. Hasil penelitian ini adalah sistem fuzzy dengan menggunakan metode FIS-Mamdani yang dapat menyelesaikan masalah dalam penentuan peminatan tugas akhir mahasiswa. Kata kunci: Peminatan Tugas Akhir, FIS-Mamdani

1.

kehilangan

PENDAHULUAN Logika fuzzy adalah salah satu

arah

dalam

menentukan

peminatan yang akan diambil.

cabang ilmu kecerdasan buatan untuk

IBI Darmajaya memiliki beberapa

membangun sistem cerdas. Logika fuzzy

jurusan, salah satunya adalah jurusan

sering

Teknik

digunakan

dalam

pemecahan

Informatika.

Jurusan

masalah yang menjelaskan sistem bukan

Informatika

melalui angka-angka, melainkan secara

peminatan tugas akhir yaitu teknologi web

linguistik, atau variabel-variabel yang

dan

mengandung ketakpastian/ketidaktegasan.

lunak,

Nilai-nilai yang bersifat tidak pasti ini

penentuan peminatan tugas akhir yang

berdasarkan

dilakukan

mengkombinasikan

penalaran variabel

yang numerik,

variabel linguistik, dan aturan-aturan.

adalah

dalam

beberapa

rekayasa

perangkat

dan sistem cerdas. Selama ini,

berdasarkan

oleh

mahasiswa

jumlah

adalah

mahasiswa

peminatan

saat

yang itu.

Pemilihannya bukan berdasarkan keahlian

suatu

yang dimiliki oleh mahasiswa dan nilai-

keputusan dalam penentuan peminatan

nilai mata kuliah yang mahasiswa peroleh.

tugas akhir. Penentuan peminatan tugas

Hal

akhir memungkinkan mahasiswa untuk

mengalami

dapat mengembangkan kemampuan yang

menyelesaikan tugas akhir karena tidak

dimiliki menjadi lebih baik. Hal ini dapat

memahami konsep dari tugas akhir yang

dilakukan dengan mempelajari secara

diambil. Selain itu, ada mahasiswa yang

mendalam mata kuliah tertentu sesuai

tidak

dengan minat yang ada. Namun tanpa

karena tidak sesuai dengan peminatannya.

disadari hal tersebut seringkali diabaikan

Oleh karena itu, perlu dibuat metode

oleh mahasiswa sehingga pada semester

untuk menentukan peminatan tugas akhir

akhir

yaitu dengan metode sistem cerdas, dalam

mengalami

pengambilan

multimedia,

mengambil

Salah satu penerapan logika fuzzy

memilliki

Teknik

kebingungan

dan

ini

menyebabkan

mahasiswa

kesulitan

ketika

menyelesaikan

tugas

akhirnya

hal ini adalah logika fuzzy. Penelitian yang Informatics and Business Institute Darmajaya

11


Yulmaini

pernah dilakukan sebelumnya (Yulmaini,

defuzzifikasi

yang

digunakan

2011) adalah penerapan logika fuzzy

Metode centroid (titik terpusat).

adalah

dalam pemilihan peminatan mahasiswa tugas akhir dengan menggunakan metode

2.

FIS-Tsukamoto.

2.1 Logika Fuzzy

METODOLOGI PENELITIAN

Berdasarkan penjelasan dari latar

Logika fuzzy adalah suatu cara yang

belakang di atas, maka permasalahan yang

tepat untuk memetakan suatu ruang input

ada adalah “bagaimana penggunaan fuzzy

ke

inference system (FIS) Mamdani dalam

(Kusumadewi

pemilihan peminatan mahasiswa untuk

Bojadziev G. dan Bojadziev M. (2007)

tugas akhir”.

menyatakan bahwa logika fuzzy adalah

dalam

suatu dan

ruang Purnomo,

output 2004).

Tujuan dari penelitian ini adalah

perluasan dari banyaknya nilai logika di

menghasilkan suatu sistem fuzzymetode

dalam arti dari pembentukan fuzzy set dan

FIS

alternatif

fuzzy relation sebagai tool menjadi sistem

penyelesaian masalah dalam pemilihan

yang banyak nilai logika. Ada beberapa

peminatan

alasan

Mamdani

sebagai

untuk

tugas

akhir.

Hasil

mengapa

orang

menggunakan

penelitian ini diharapkan mempunyai

logika fuzzy (Kusumadewi dan Purnomo,

manfaat

2004) antara lain :

adalah

menambah

khasanah

penelitian empiris dalam membangun

1. Konsep logika fuzzy mudah dimengerti.

sistem cerdas yaitu logika fuzzy dalam

Konsep matematis yang mendasari

pemilihan peminatan mahasiswa untuk

penalaran fuzzy sangat sederhana dan

tugas

mudah dimengerti.

akhir,

menggunakan

sistem metode

fuzzy

dengan

FIS-Mamdani

diharapkan dapat menyelesaikan masalah

2. Logika fuzzy sangat fleksibel. 3. Logika

fuzzy

memiliki

toleransi

dalam penentuan peminatan tugas akhir,

terhadap data-data yang tidak tepat.

dan memberikan sumbangan bagi studi

4. Logika fuzzy mampu memodelkan

dan penelitian selanjutnya.

fungsi-fungsi nonlinear yang sangat

Beberapa batasan masalah yang

kompleks.

diajukan dalam penelitian ini adalah

5. Logika fuzzy dapat dibangun dan

sebagai berikut pemilihan peminatan ini

diaplikasikan berdasarkan pengalaman-

dikaitkan

pengalaman para pakar secara langsung

dengan

mata

kuliah

yang

ditawarkan di Jurusan Teknik Informatika, metode

FIS

Mamdani

pada

tanpa harus melalui proses pelatihan.

tahap

Informatics and Business Institute Darmajaya

12


Yulmaini

6. Logika fuzzy dapat digunakan pada sistem kendali secara konvensional.

menjadi

7. Logika fuzzy didasarkan pada bahasa alami. aplikasi

yang

dalam

himpunan(Kusumadewi

dan

suatu Purnomo,

dapat

diimplementasikan menggunakan logika fuzzy adalah transmisi otomatis pada kereta

bawah

tanah

sendai

mengontrol pemberhentian otomatis pada area

anggota

2004).

Beberapa

mobil,

(0), yang berarti bahwa suatu item tidak

tertentu,

manajemen

dan

pengambilan keputusan, ekonomi, ilmu

2.1.3 Variabel Fuzzy Variabel fuzzy adalah variabel-variabel yang akan dibicarakan dalam suatu sistem fuzzy. Misalnya : temperatur, umur, tinggi badan, dan lain-lain. 2.1.4 Himpunan Fuzzy

kedokteran dan biologi, klasifikasi dan pencocokan

pola,

psikologi,

ilmu

lingkungan riset operasi, teknik, dan lainlain (Kusumadewi, 2003).

ruang permasalahan dari nilai terkecil terbesar.

suatu

variabel

dalam

sistem

fuzzy.

yaitu :

Semesta pembicaraan adalah keseluruhan

nilai

himpunan yang akan dibicarakan pada

Himpunan fuzzy mempunyai 2 atribut,

2.1.1 Semesta Pembicaraan

hingga

Himpunan fuzzy adalah himpunan-

Semesta

a. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau

kondisi

tertentu

dengan

menggunakan bahasa alami. Misalnya

pembicaraan bersifat monoton naik.

: MUDA, PAROBAYA, TUA ; Variabel linguistik adalah Variabel

2.1.2 Himpunan Crisp Himpunan crisp adalah himpunan

yang mempunyai nilai kata atau

yang membedakan anggota dan non

kalimat dalam natural atau bahasa

anggotanya dengan batasan yang jelas

cerdas (Bojadziev dan Bojadziev,

(Suyanto,

2007).

2007).

Himpunan

ini

disimbolkan dengan huruf besar (A, B, P,

b. Numeris, yaitu suatu nilai (angka)

dan lain-lain), anggota (elemen) himpunan

yang menunjukkan ukuran dari suatu

disimbolkan dengan huruf kecil (a, b, x, y,

variabel. Misalnya : 40, 25, 20, dan

dan lain-lain). Himpunan crisp hanya ada

lain sebagainya.

2 nilai keanggotaan (), yaitu : satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau ; nol Informatics and Business Institute Darmajaya

13


Yulmaini

2.1.5 Domain Himpunan Fuzzy

1

Domain himpunan fuzzy adalah keseluruhan nilai yang ada dalam semesta pembicaraan. himpunan

Domain

bilangan

merupakan

real

yang

Nilai

domain

dapat

0

naik

(bertambah) secara monoton dari kiri ke kanan.

Derajat keanggotaan

berupa

a

b domain

X

c

Gambar 1. Fungsi Segitiga (Suyanto, 2007)

bilangan positif maupun negatif. Fungsi Keanggotaan : 2.1.6 Fungsi Keanggotaan

0;

Fungsi keanggotaan (membership functions)

adalah

suatu

kurva

x

(x-a)/(b-a) ;

yang

(1)

(c-x)/(c-b);

menunjukkan pemetaan titik-titik input

Dimana x adalah variabel yang

data ke dalam nilai keanggotaannya

akan dicari, a adalah batas bawah, b

(sering

adalah batas tengah, dan c adalah batas

juga

disebut

dengan

derajat

keanggotaan) yang memiliki interval dari

atas.

0 sampai 1. Salah satu cara yang dapat

b.

digunakan

nilai

Fungsi ini terdapat beberapa nilai x

keanggotaan adalah melalui pendekatan

yang memiliki derajat keanggotaan sama

fungsi. (Kusumadewi dan Purnomo 2004).

dengan 1, yaitu ketika b ≤ x ≤ c. Tetapi,

Beberapa fungsi keanggotaan yang sering

derajat keanggotaan untuk a < x < b dan c

digunakan di dunia nyata, yaitu: (Suyanto,

< x ≤ d memiliki karakteristik yang sama

2007).

dengan fungsi segitiga. Grafik dan notasi

a.

Fungsi Segitiga

matematika dari fungsi trapesium seperti

Fungsi ini memiliki satu nilai x yang

terlihat pada Gambar 2.

memiliki

untuk

mendapatkan

Fungsi Trapesium

derajat

keanggotaan

sama 1.0

dengan 1, yaitu ketika x=b. Tetapi, nilainilai

di

sekitar

b

memiliki

derajat



keanggotaan yang turun cukup tajam (menjauh

1).

Grafik

dan

notasi 0

matematika dari fungsi segitiga seperti terlihat pada Gambar 1.


a

b

c

d

Trapesium

Gambar 2. Fungsi Trapesium (Suyanto, 2007) 14


Yulmaini

Fungsi Keanggotaan :

beberapa operator dasar yang diciptakan oleh

0; x (x-a)/(b-a) ; b (d-x)/(d-c); c

1;

(2)

Zadeh,

dicari, a adalah batas bawah, b dan c adalah batas tengah, dan d adalah batas

operator

yang

digunakan dalam penelitian ini adalah operator

Dimana x adalah variabel yang akan

namun

AND.Operator

AND

ini

berhubungan dengan operasi interseksi pada himpunan. -predikat sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan

atas. Berdasarkan Bojadziev (2007) fungsi trapesium terdiri atas fungsi keanggotaan trapesium kanan dan kiri. Berdasarkan

terkecil antar elemen pada himpunanhimpunan yang bersangkutan. AB (x,y) = min[A(x),B(y)]

(3)

Gambar 3. Fungsi keanggotaan trapesium kanan menunjukkan Ar = (b1,b1,b2,a2)

2.1.8 Sistem Inferensi Fuzzy (FIS) Motivasi utama teori fuzzy logic

yang mendukung interval [b1,a2] dan menunjukkan

adalah memetakan sebuah ruang input ke

Al=(a1,b1,a2,b2) yang mendukung interval

dalam ruang output dengan menggunakan

 [a1,b2]. Merepresentasikan yang cocok

IF-THEN

trapesium

kiri

rules.

Pemetaan

dilakukan

untuk small Ar = (0,0,b2,a2) seperti pada

dalam suatu Sistem Inferensi Fuzzy(Fuzzy

terlihat pada gambar 4.(a) dan large Al =

Inference System/FIS)disebut juga fuzzy

(a1,b1,b2,b2) dimana b1 adalah large

inference engine adalah sistem yang dapat

number seperti terlihat pada gambar 4.(b).

mengevaluasi semua rule secara simultan untuk

1

menghasilkan

kesimpulan

dan

urutan rule bisa sembarang (Naba, 2009). Oleh karennya, semua aturan atau rule a1

0

b1 b1 + b2

b2

a2

2

harus didefinisikan lebih dahulu sebelum membangun

Gambar 3. Kurva Trapesium (Bojadziev dan Bojadziev, 2007) 2.1.7 Operator dasar Zadeh untuk

digunakan

sebuah untuk

FIS

yang

akan

menginterprestasikan

sebuah rule tersebut. Terdapat beberapa jenis FIS yang dikenal yaitu Mamdani, Sugeno dan Tsukamoto (Naba, 2009).

Operasi Nilai keanggotaan sebagai hasil dari

Suatu sistem berbasis aturan fuzzy

operasi 2 himpunan sering dikenal dengan

yang lengkap terdiri dari tiga komponen

nama firestrength atau

predikat. Ada


15


Yulmaini

utama : fuzzification, inference, dan

domain himpunan fuzzy tersebut.

defuzzification.

Defuzzifikasi yang digunakan adalah

2.1.9 Metode Mamdani Metode

Mamdani

sering

juga

Metode

Centroid

Moment),

solusi

(z*)daerah

Menggunakan MIN pada fungsi implikasi,

tahapan

yang

mendapatkan

z  i0 n   C (z i )

(4)

i 0

n

untuk

adalah

z(5)

sebagai

 z

variabel

( z )dz

C

( z )dz

1

Input,

himpunan fuzy, dan output fuzzy

C

1 n



berikut : a. Pembentukan

umum

beberapa

diperlukan

output,

Secara

n

Mamdani pada tahun 1975(Kusumadewi Ada

fuzzy.

 z i *  C (z i )

implikasi. Diperkenalkan oleh Ebrahim

2004).

diperoleh

dirumuskan:

dan MAX pada komposisi antar fungsi

Purnomo

crisp

dengan cara mengambil titik pusat

dikenal dengan nama Metode Max-Min.

dan

(Composite

2.2

Kebutuhan input

variabel

Pemilihan peminatan untuk tugas

output dibagi menjadi satu atau lebih

akhir dipengaruhi oleh nilai-nilai mata

himpunan fuzzy

kuliah yang telah diambil. Ada 12 variabel

b. Derajat keanggotaan

input yang dibutuhkan yaitu nilai-nilai

Variabel

input

Menentukan

maupun

derajat

keanggotaan

berdasarkan input dan himpunan fuzzy

mata kuliah yang terkait dengan tugas akhir dapat dilihat pada Tabel 1. Tabel 1. Variabel Input

c. Aplikasi Operator fuzzy Pada tahap ini menentukan α-predikat aturan dengan fungsi implikasi MIN dan selanjutnya menentukan nilai dari Z masing-masing aturan. d. Penegasan (defuzzy) Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan

suatu

bilangan

pada


Nama Variabel AP RP UP PW BD JK KJ IK OR MP KB PC

Keterangan Aplikasi Pemrograman Rekayasa Perangkat Lunak Uji Kualitas Perangat Lunak Pemrograman WEB Basis Data Konsep komunikasi data dan jaringan Keamanan Jaringan Interaksi Manusia dan Komputer Organisasi dan Arsitektur Komputer Manajemen Proyek Kecerdasan Buatan Pengolahan Citra Digital

16


Yulmaini

Pengolahan data dilakukan dengan menentukan

variabel

input

maupun

membentuk himpunan fuzzy. Penentuan variabel,

semesta

pembicaraan,

dan

variabel output serta menentukan semesta

himpunan fuzzy dari hasil dapat diperoleh

pembicaraan. Langkah selanjutnya adalah

pada Tabel 2.

Tabel 2. Penentuan Variabel, Pembicaraan, dan himpunan fuzzy Fungsi Input

Output

Nama Variabel Nilai MK [1:12]

Semesta Pembicaraan [0 – 100]

Rendah Tinggi

[0 – 100]

Kelompok Peminatan [1:3]

Himpunan Fuzzy Tinggi

Rendah

Kebutuhan proses menggambarkan pemrograman

Keterangan

50 – 100 Nilai mata kuliah : AP, RP, UP, PW, BD, JK, KJ, IK, 0 – 80 OR, MP, KB, PC 50 – 100 Peminatan 1 (WM) : Teknologi Web Multimedia. Peminatan 2 (PL) : Rekayasa Perangkat lunak. 0 - 80 Peminatan 3 (SC) : Sistem Cerdas.

keanggotaan, rancangan aturan

2.2.1 Kebutuhan proses

prosedur

Domain

yang

disusun

fuzzy,

rancangan DFD, dan rancangan tampilan (antar muka).

secara global. Kebutuhan proses ini berfungsi untuk menyelesaikan masalah dengan sesuai dengan

metode

yang

digunakan dalam penelitian ini, yaitu

2.3.1 Rancangan Fungsi Keanggotaan Rancangan fungsi keanggotaan pada tesis ini memiliki semesta pembicaraan dari 0 sampai dengan 100 untuk variabel

metode FIS-Mamdani.

nilai-nilai

kuliah

berdasarkan

Penilaian Acuan Patokan (PAP) (Surat

2.2.2 Kebutuhan output Outputnya

mata

dihasilkan

dalam

Edaran Dosen 2010). Alasan penentuan

penelitian ini adalah peminatan tugas

penentuan semesta pembicaraan dari 0

akhir mahasiswa. Peminatan tugas akhir

sampai dengan 100 dikarenakan bahwa

tersebut adalah Web dan Multimedia

setiap dosen memiki penilaian yang

(WM), Rekayasa Perangkat Lunak (PL),

berbeda-beda tergantung kondisi kelas.

dan Sistem Cerdas (SC). 2.3 Rancangan SistemFuzzy Metode rancangan yang dilakukan, yaitu

rancangan

fungsi-fungsi


17


Yulmaini

2.3.1.1 Fungsi Keanggotaan Variabel Input Nilai Mata kuliah (MK) dengan semesta pembicaraan (0 – 100)

teknologi

web

multimedia,

rekayasa

perangkat lunak, dan sistem cerdas. Merepresentasikan

variabel

kelompok

nilai

peminatan tugas akhir digunakan fungsi

fungsi

keanggotaan representasi bahu kiri untuk

keanggotaan representasi Bahukiri untuk

himpunan fuzzy RENDAH dan bahu

himpunan fuzzy RENDAH dan bahu

kanan untuk himpunan fuzzy TINGGI,

kanan untuk himpunan fuzzy TINGGI.

dimana fungsi ini untuk mengakhiri suatu

Fungsi ini untuk mengakhiri suatu daerah

daerah dan ada beberapa titik yang

dan ada beberapa titik yang memiliki nilai

memiliki nilai keanggotaan 1.

Merepresentasikan mata

kuliah

variabel

digunakan

keanggotaan 1. TINGGI dengan domain (50-100) dan

TINGGI dengan domain (50-100) dan

fungsi keanggotaan Trapesium kanan.

fungsi keanggotaan Trapesium kanan.

µTINGGI(x) =

TINGGI(x) =

(6)

(7) 0

0 RENDAH dengan domain (0 – 80) dan fungsi keanggotaan Trapesium kiri.

µRENDAH(x) =

RENDAH dengan domain (0 – 80) dan fungsi keanggotaan Trapesium kiri.

(6)

RENDAH(x) =

(8)

0 2.3.2

2.3.1.2 Fungsi Keanggotaan Variabel Output Kelompok Peminatan Tugas Akhir dengan Semesta Pembicaraan (0 - 100) Kelompok peminatan tugas akhir adalah

peminatan

yang

ada

yaitu


Rancangan Aturan Fuzzy

Rancangan

Aturan

fuzzy

dalam

penelitian ini berdasarkan pemetaan nilai matakuliah yang terkait dengan masingmasing peminatan Tugas akhir yang dapat dilihat pada Tabel 3.

18


Yulmaini

Tabel 3. Daftar Matakuliah yang terkait dengan masing-masing Peminatan Tugas Akhir (Sumber : Jurusan Teknik Informatika IBI Darmajaya) No 1.

Nama Peminatan Teknologi WEB & MULTIMEDIA

2.

REKAYASA PERANGKAT LUNAK

3.

SISTEM CERDAS

Ada

beberapa

landasan

dalam

1. 2. 3. 4. 5. 6. 7. 8. 1. 2. 3. 4. 5. 6. 1. 2. 3. 4. 5. 6.

Nama Mata Kuliah Aplikasi Pemrograman Rekayasa Perangkat Lunak Uji Kualitas Perangkat Lunak Pemrograman WEB Basis Data Konsep Komunikasi data dan Jaringan Keamanan jaringan/keamanan komputer Interaksi Manusia dan Komputer Aplikasi Pemrograman Rekayasa Perangkat Lunak Uji kualitas Perangkat Lunak Organisasi & Arsitektur Komputer Basis Data Manajemen Proyek Aplikasi Pemrograman Rekayasa Perangkat Lunak Uji kualitas Perangkat Lunak Kecerdasan Buatan Pengolahan citra Digital Interaksi Manusia dan Komputer

3.

Matakuliah Gabungan (MG) adalah

pembentukan aturan fuzzy adalah sebagai

mata kuliah yang ada di beberapa

berikut :

peminatan yaitu mata kuliah BD dan

1.

Mata kuliah dasar (MD) adalah mata

IK. Nilai mata kuliah ini bisa bernilai

kuliah yang ada di semua peminatan

tinggi atau Rendah untuk memenuhi

tugas akhir yaitu mata kuliah tersebut

salah satu peminatan tugas akhir.

adalah AP, RP, dan UP. Salah satu nilai mata kuliah MD bisa bernilai

3.

Implementasi sistem secara rinci

Rendah untuk memenuhi salah satu Peminatan Tugas akhir. 2.

Matakuliah Inti (MI) adalah mata kuliah

inti

dari

masing-masing

peminatan tugas akhir yaitu mata kuliah PW, JK, KJ, OR, MP, KB, dan PC. Nilai mata kuliah MI tidak boleh untuk menghasilkan Peminatan Tugas akhir Tinggi. Informatics and Business Institute Darmajaya

HASIL DAN PEMBAHASAN

sesuai dengan rancangan dan bahasa pemrograman yang digunakan. Metode Fuzzy inference system (FIS) adalah metode yang ada dalam logika fuzzy yang berguna

untuk

membangun

sistem

pemilihan peminatan untuk tugas akhir dan

diimplementasikan

dengan

menggunakan toolbox Matlab. Tampilan

19


Yulmaini

awal menggunakan tool matlab dapat

dilihat

pada

Gambar

7.

Gambar 7. Tampilan Awal Menu FIS-Mamdanni 3.1 Tampilan Fungsi Keanggotaan

titik-titik dari masing fungsi keanggotaan

Tampilan fungsi keanggotaan ini

yang dipilih. Hasil dari rancangan fungsi

digunakan

fungsi

keanggotaan akan tampil pada kotak

pada

gambar. Pada tampilan ini pengguna bisa

metode fuzzy. Pengguna memasukkan data

menyimpan dan membuka hasil desain

untuk merancang fungsi keanggotaan

fungsi keanggotaan. Tampilan rancangan

yang diperlukan kemudian pilih fungsi

fungsi keanggotaan variabel input dan

keanggotaan yang akan digunakan yaitu

output dapat dilihat pada Gambar 8 dan

Segitiga atau trapesium untuk masing-

Gambar 9.

keanggotaan

untuk input

merancang dan

output

masing linguistik. Setelah itu tentukan

Gambar 8. Tampilan Fungsi Keanggotaan Variabel Input Nilai Mata kuliah


20


Yulmaini

Gambar 9. Tampilan Fungsi Keanggotaan Variabel Output Peminatan

3.2 Tampilan

Menginputan

Aturan

Matlab ada 37 aturan. Aturan fuzzy tersebut dapat dilihat pada Gambar 10.

Fuzzy Aturan Fuzzy yang ada

akan

diinputkan pada Rule Editor Tools

Gambar 10. Tampilan Aturan Fuzzy Pada Tools Matlab


21


Yulmaini

sehingga menghasilkan peminatan yang

3.3 Tampilan Metode FIS Tampilan metode FIS digunakan

disarankan

untuk

mahasiswa

yang

untuk melakukan proses dalam metode

bersangkutan. Tampilan proses penentuan

FIS. Pengguna memasukkan data nilai-

peminatan dengan metode FIS dapat

nilai mata kuliah kemudian akan diproses

dilihat pada Gambar 11.

Gambar 11. Tampilan Penentuan Peminatan dengan Metode FIS

4.

adalah AP, RP, dan UP. Salah satu

SIMPULAN Berdasarkan pembahasan yang telah

nilai mata kuliah MD bisa bernilai

diuraikan pada bab-bab sebelumnya, maka

Rendah untuk memenuhi salah satu

diambil beberapa kesimpulan sebagai

Peminatan Tugas akhir.

berikut: 1.

2.

4.

Variabel input yang digunakan dalam

kuliah

sistem Fuzzyini ada 12 mata kuliah.

peminatan tugas akhir yaitu mata

Ada

inti

dari

masing-masing

landasan

dalam

kuliah PW, JK, KJ, OR, MP, KB, dan

fuzzy

terhadap

PC. Nilai mata kuliah MI tidak boleh

matakuliah yang memenuhi salah satu

untuk menghasilkan Peminatan Tugas

peminatan, sehingga akan menghasilkan

akhir Tinggi.

beberapa

pembentukan

aturan

37 aturan fuzzy.

3.

Matakuliah Inti (MI) adalah mata

Mata kuliah dasar (MD) adalah mata kuliah yang ada di semua peminatan tugas akhir yaitu mata kuliah tersebut


5.

Matakuliah Gabungan (MG) adalah mata kuliah yang ada di beberapa peminatan yaitu mata kuliah BD dan IK. Nilai mata kuliah ini bisa bernilai 22


Yulmaini

6.

tinggi atau Rendah untuk memenuhi

Pendukung Keputusan, Graha Ilmu,

salah satu peminatan tugas akhir.

Yogyakarta.

Sistem Fuzzy dengan menggunakan metode

[3]. Kusumadewi,

FIS-Mamdaniakan

2003,

Intelegence

menghasilkan keluaran berdasarkan

Aplikasinya),

aturan fuzzy yang dirancang.

Yogyakarta

Artificial

(Teknik

dan

Graha

Ilmu,

[4]. Lukas S., Meiliayana, Simson W., 2009,

PENELITIAN LANJUTAN 1. Sistem fuzzy yang dibuat dalam

dalam

Penerapan

Logika

Pengambilan

Fuzzy

Keputusan

pemilihan peminatan ini dibuat

Untuk Jalur Peminatan Mahasiswa,

masih berupa program sederhana,

Konferensi Nasional Sistem dan

yang masih dapat dikembangkan

Informatika 2009, Bali.

lagi

untuk

mencapai

suatu

[5].

keakuratan data. 2. Metode

Naba A., 2009, Belajar cepat Fuzzy Logic menggunakan mattlab,

FIS-Mamdani

perlu

dilakukan proses update basis

Andi Offsett, Yogyakarta [6].

Suyanto,

2007,

Artificial

pengetahuan (aturan fuzzy) secara

Intelegence : Searching, Reasoning,

berkala

Planning,

untuk

menjaga

dan

memelihara keakuratan data.

Learning,

Informatika, Bandung [7]. Yulmaini.

DAFTAR PUSTAKA

and

Logika

(2011).

Fuzzy

Penggunaan

dalam

pemilihan

peminatan Mahasiswa untuk Tugas [1]. Bojadziev G, Bojadziev M., 2007, Fuzzy logic for Business, Finance, and Management second edition, Word Scientific, Singapore.

Akhir (Studi Kasus : Jurusan Teknik Informatika Yogyakarta:

IBI

Darmajaya).

Universitas

Gadjah

Mada.

[2]. Kusumadewi, S. dan Purnomo, H., 2004, Aplikasi Logika Fuzzy: Untuk


23

PENGGUNAAN METODE FUZZY INFERENCE SYSTEM (FIS) MAMDANI DALAM PEMILIHAN PEMINATAN MAHASISWA UNTUK TUGAS AKHIR. Yulmaini ABSTRACT

Recommend Documents