Penyetaraan Matakuliah Mahasiswa Transfer Menggunakan Metode Profile Matching dan Logika Fuzzy

Elliana Gautama Penyetaraan Matakuliah Mahasiswa Transfer ....

ISSN 2356 - 4393

Penyetaraan Matakuliah Mahasiswa Transfer Menggunakan Metode Profile Matching dan Logika Fuzzy Elliana Gautama Sistem Informasi, Institut Keuangan Perbankan dan Informatika Asia Perbanas Jalan Perbanas, Karet Kuningan, Setiabudi, Jakarta E-mail: [email protected]

Abstract: Courses equalization process that cover course names and their related marks conversion must be put into place for all new students joining a particular study programme through the student transfer scheme. In particular, this practice is mandatory for new student with a Diploma degree who joins the Information Technology Faculty of Perbanas Institute to next pursue their Bachelor. The course equalization process is performed by the administrator of the study programme, after all required documents i.e. the legalized Diploma certificate and academic transcript have been provided. It has been experienced that the completion of this procedure is taking a lot of amount of work and time as thorough analysis and careful consideration have to be made. Therefore, this study develops and proposes an algorithm that is capable to automate the course equalization process by integrating the profile matching technique and the Fuzzy logic system. Keywords: fuzzy logic, profile matching, student transfer, value equivalency courses Abstrak: Proses penyetaraan diperlukan jika suatu perguruan tinggi menerima mahasiswa pindahan dari perguruan tinggi lain. Mahasiswa pindahan harus menyertakan transkrip nilai yang sudah dilegalisir dari perguruan tinggi asal untuk disetarakan dengan kurikulum yang berlaku di perguruan tinggi tujuan. Pada FTI Perbanas Institute proses penyetaraan dilakukan oleh prodi yang bersangkutan. Proses penyetaraan ini sangat memerlukan waktu yang cukup lama karena banyak pertimbangan yang harus dilakukan oleh prodi. Pada penelitian ini penulis akan membuat algoritma untuk membantu proses penyetaraan tersebut dengan menggunakan perpaduan metode profile matching dan Logika Fuzzy, sehingga proses penyetaraan dapat dilakukan dengan lebih mudah dan cepat. Kata Kunci: logika fuzzy, mahasiswa transfer, penyetaraan matakuliah, profile matching

I. PENDAHULUAN Proses penyetaraan diperlukan jika suatu perguruan tinggi menerima mahasiswa pindahan dari perguruan tinggi lain. Mahasiswa pindahan harus menyertakan transkrip nilai yang sudah dilegalisir dari perguruan tinggi asal untuk disetarakan dengan kurikulum yang berlaku di perguruan tinggi tujuan. Pada FTI Perbanas Institute proses penyetaraan dilakukan oleh prodi yang bersangkutan. Nilai matakuliah yang didapat dari perguruan tinggi asal disetarakan dengan matakuliah sesuai kurikulum pada prodi yang bersangkutan. Proses penyetaraan ini yang kadangkadang sangat menyita waktu program studi karena masih dilakukan satu persatu per matakuliah dan belum adanya standar minimal dalam melakukan proses penyetaraan.

Kelas S1 Lanjutan program studi Sistem Informasi FTI Perbanas Institute pada saat ini mempunyai kurang lebih 80 mahasiswa aktif, dengan penambahan mahasiswa baru setiap semester sebanyak kurang lebih 20 mahasiswa. Untuk dapat mengikuti perkuliahan pada Kelas Lanjutan ini seorang calon mahasiswa harus sudah lulus program D3. Pada program studi Sistem Informasi calon mahasiswa tersebut harus menyerahkan transkrip nilai dari perguruan tinggi asalnya. Berdasarkan transkrip nilai dari perguruan tinggi asal inilah prodi SI akan melakukan penyetaraan sebanyak kurang lebih 80 sks, sehingga seorang mahasiswa baru pada kelas lanjutan dianggap sudah menempuh 80 sks, sedangkan untuk persyaratan lulus S1 adalah minimal sudah lulus 140 sks. Proses penyetaraan ini sangat memerlukan waktu yang cukup lama karena banyak pertimbangan

63

Kalbiscentia,Volume 3 No. 2, Agustus 2016

yang harus dilakukan oleh prodi. Pada penelitian ini dibutuhkan; (2) Menentukan aspek-aspek yang penulis akan membuat algoritma untuk membantu digunakan untuk penilaian; (3) Pemetaan Gap profil. proses penyetaraan tersebut dengan menggunakan Gap = Profil Minimal – Profil data tes; (4) Setelah metode profile matching dan Logika Fuzzy. Dalam diperoleh nilai Gap selanjutnya diberikan bobot untuk melakukan proses penyetaraan ada beberapa kriteria masing-masing nilai Gap; dan (5) Perhitungan dan yang harus dipenuhi yaitu diantaranya adalah pengelompokan Core Factor dan Secondary Factor. Kesamaan Nama Matakuliah perguruan tinggi asal Setelah menentukan bobot nilai gap, kemudian dan Nilai Matakuliah. Salah satu metode klasifikasi dikelompokan menjadi 2 kelompok yaitu: (a) Core yang digunakan untuk melakukan proses penyetaraan Factor (Faktor Utama), yaitu merupakan kriteria adalah Profile Matching. (kompetensi) yang paling penting atau menonjol Proses perhitungan pada metode Profile atau paling dibutuhkan oleh suatu penilaian yang Matching, diawali dengan pendefinisian nilai diharapkan dapat memperoleh hasil yang optimal. minimum untuk setiap variabel-variabel penilaian. NC NS NFC  NFS  Selisih setiap nilai data testing terhadap nilai IC IS minimum masing-masing variabel, merupakan gap Keterangan: yang kemudian diberi bobot. Bobot setiap variabel NFC : Nilai rata-rata core factor akan dihitung rata-rata berdasarkan kelompok NC : Jumlah total nilai core factor variabel Core Factor (CF) dan Secondary Factor (SF). 1 IC : Jumlah item core factor Derajat Komposisi CF ditambah SF adalah 100%, tergantung Keanggota (b) Secondary anFactor (faktor pendukung), yaitu dari kepentingan pengguna metode ini. Tahap terakhir merupakan item-item selain yang ada pada core factor. dari metode ini, adalah proses akumulasi nilai CF dan Atau dengan kata (x) lain merupakan faktor pendukung SF berdasarkan nilai-nilai variabel data testing. [1] yang kurang dibutuhkan oleh suatu penilaian. 0 Pembobotan pada metode Profile Matching, NC NS a NFC  merupakan nilai pasti yang tegas pada nilai tertentu NFS  b IC IS karena nilai-nilai yang ada merupakan anggota 1 Derajat himpunan tegas (crisp set). Di dalam himpunan Keterangan: Gambar1.Representasi Linear Naik Keanggotaan tegas, keanggotaan suatu unsur di dalam himpunan NFS : Nilai rata-rata secondary factor (x) keanggotaan total nilai secondary: factor dinyatakan secara tegas, apakah objek tersebut NS : JumlahFungsi 1 anggota himpunan atau bukan dengan menggunakanDerajat IS : Jumlah item secondary factor ì 0; x£a fungsi karakteristik. Sedangkan di dalam teoriKeanggota 0 ï 6. Perhitungan Nilai Total. ï Nilai Total diperoleh dari an  x  x  a / b  a ; a £ x £ b himpunan Fuzzy, keanggotaan suatu elemen di dalam prosentase core factor   ídan  secondary    factor yang ï himpunan dinyatakan dengan derajat keanggotaan (x) Gambar diperkirakan berpengaruh terhadap hasil tiap-tiap 1; x³b ïî (membership values) yang nilainya terletak diantara profil. N = (x) % NCF + (x) % NSF 0 [0,1]. [2][3] Keterangan: Fungsi Keanggotaa a b Pada penelitian ini, menggunakan pendekatan N : Nilai Total dari kriteria Ta Logika Fuzzy dalam proses pembobotan variabelNFS : Nilai rata-rata secondary factor ì 0; 1 ï Gambar1.Representasi Naik core factor Derajat variabel proses penyetaraan matakuliah untuk NFC : NilaiLinear rata-rata ï Keanggotaan  x  í (x  a) / (b  a); a   mendapatkan hasil proses penyetaraan yang Fungsi keanggotaan (x) % : Nilai persen yang diinputkan : ï dikelompokan dengan predikat “Sesuai” dan “Tidak 7. Perhitungan (x) penentuan ranking. Hasil Akhir dariïî (b  x) / (c  b); b ì profile Sesuai”. Sehingga Program Studi dapat menerapkan proses 0; matching adalah x £ a ranking. Penentuan ïï kebijakan dalam melakukan proses penyetaraan. ranking mengacu pada hasil tertentu.   x   í  x  a /  b  a ; a £0xperhitungan £b Predikat pengelompokan ini, berdasarkan pada Domain a b ï Ranking = (x) % NMA + (x) % NSA (1z1) ( 2z 1; x ³ b Z*  ïî Logika Fuzzy yang mampu menjembatani bahasa Keterangan : 1  2 Gambar 2. Representasi Linear Turun mesin yang presisi, dengan bahasa manusia yang NMA : Nilai total kriteria Aspek Utama menekankan pada makna atau arti (significance) NSA : Nilai total kriteria Aspek Pendukung berdasarkan bahasa alami. [2] Tahapan Pengembang Fungsi (x) % : Nilai persen yangkeanggotaan diinputkan :

II. METODE PENELITIAN A. Profile Matching

1

Derajat Keanggotaan B. Fuzzy

ìï (b  x) / (b  a); a £ x £ b  x  í  Himpunan (x) 1. Himpunan Crisp Dan 1;Fuzzy x³b ïî

Langkah-langkah metode profile matching adalah. [5]: (1) Menentukan variabel data-data yang

64

Logic

Himpunan Crisp didefinisikan oleh item-item 0 pada himpunan itu. Jika a anggota dari A, yang ada a Domain b b. Representasi Kurva Segitiga Gambar 2. Representasi Linear Turun

Elliana Gautama Penyetaraan Matakuliah Mahasiswa Transfer ....

maka nilai yang berhubungan dengan a adalah 1. Namun, jika a bukan anggota dari A, maka nilai yang berhubungan dengan a adalah 0. Notasi A = {x P(x)} menunjukkan bahwa A berisi item x dengan P(x) benar. Jika XA merupakan fungsi karakteristik A dan properti P, maka dapat dikatakan bahwa P(x) benar, jika dan hanya jika XA(x) = 1. Himpunan fuzzy didasarkan pada gagasan untuk memperluas jangkauan fungsi karakteristik sedemikian sehingga fungsi tersebut akan mencakup bilangan real pada interval [0,1]. Nilai keanggotaannnya menunjukkan bahwa suatu item dalam semesta pembicaraan tidak hanya berada pada 0 atau 1, namun juga nilai yang terletak diantaranya. Dengan kata lain, nilai kebenaran suatu item tidak hanya bernilai benar atau salah. Nilai 0 menunjukkan salah, nilai 1 menunjukkan benar dan masih ada nilainilai yang terletak antara benar dan salah. Beberapa hal yang perlu diketahui dalam memahami sistem fuzzy [4]:(a) Variabel Fuzzy. Merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy, contoh: umur, temperature, permintaan dan sebagainya; (b). Himpunan Fuzzy. Merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy; (c) contoh: Variabel umur dibagi menjadi 3 himpunan fuzzy : muda, parobaya, tua dan Variabel temperature ibagi menjadi 5 himpunan fuzzy: dingin, sejuk, normal, hangat dan panas; (d) Semesta Pembicaraan. Keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy, contoh: semesta pembicaraan untuk variabel temperature: [0 40]; (e) Domain. Keseluruhan nilai yang diinginkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy; dan (f) Nilai Ambang Alfa-Cut. Merupakan nilai ambang batas domain yang didasarkan pada nilai keanggotaan untuk tiaptiap domain, dimana α- cut memiliki 2 kondisi: α -cut lemah dapat dinyatakan sebagai: μ (x) ≥ α dan α - cut kuat dapat dinyatakan sebagai : μ (x) > α [2] 2. Fungsi Keanggotaan Fungsi Keanggotaan. Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan NC pemetaaan titik-titik NS input data ke NFC  NFS  dalam nilai keanggotaannya (sering IC IS disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Fungsi keanggotaan dapat dibuat kedalam beberapa bentuk1 kurva diantanya: (a) Representasi Linier Derajat Pada representasi linier, permukaan Keanggota digambarkan sebagai suatu garis lurus. Bentuk ini an paling sederhana dan menjadi pilihan yang baik

untuk mendekati suatu konsep yang kurang jelas. Ada 2 kemungkinan fuzzy yang NC keadaan himpunan NS NFC  NFS  NC NS linier. Pertama, kenaikan himpunan NFC  IC NFS  IS dimulai pada IS keanggotaan nol nlai dominanIC yang memiliki derajat NC NS NFCkekanan  NFSke nilai domain yang [0] bergerak menuju IC NC NSIS NFCderajat  NFS  lebiih tinggi seperti memiliki keanggotaan IC IS yang tergambar pada Gambar 1. [2] 1 Derajat 1 Derajat Keanggota Keanggota an 1 an Derajat (x) 1 Keanggota Derajat (x) an Keanggota 0 an (x)

a

b

0

a

a

b

Fungsi K Fungsi Kea

b

ì Fungsi ì ï ï ï Fungsi  ïx   íKe (x   x   í (xï a)ì ï (b ï ì(bï x) ï ïî ïx î í ï   x   í (x ïï ï (b î ( Z*ïî(1z

a 0 b Gambar1.Representasi Linear Naik Gambar1. RepresentasiLinear linearNaik naik Gambar1.Representasi a

Fungsi keanggotaan : b Fungsikeanggotaan: keanggotaan : Fungsi Gambar1.Representasi Linear Naik ì 0; £a Fungsi keanggotaan :LinearxNaik ìGambar1.Representasi ïï 0; x£a Fungsi   xïï keanggotaan a£x£b í  x  a /  b  a: ;   x   í  xïìa /  b  a0; ; a £ x £ bx £ a 1; x³b ï ì ïî ïï Z*  ïî xï  í  1; x 0;a /  b  a ; x ³x £ba a£ x £ b Kedua, ïmerupakan kebalikan yang pertama.    x dimulai  í  xïï a /  b 1;a ; a £ x £x b³ b Z*  Garis lurus dari nilai domain dengan derajat ï î (1 1; pada sisi x kiri, ³ b kemudian Tahapan keanggotaan ïîtertinggi Z*  P 1 ke nilai domain yang memiliki Tahapan Peng bergerak menurun Derajat 1 Derajat derajat keanggotaan lebih rendah pada Gambar 2. [2] Keanggotaan Tahapan Keanggotaan 1 (x) Derajat (x) Keanggotaan 1 Derajat Keanggotaan (x) (x)

Tahapan Pen

0 a Domain b a Domain b 0 Gambar 2. Representasi a DomainLinear Turun b Gambar02. Representasi Linear Turun a Domain b 0

Gambar 2. Representasi Linear Gambar 2. Representasi linear turunTurun

Fungsi keanggotaan : Fungsi keanggotaan : Linear Turun 2. Representasi FungsiGambar keanggotaan: ìï keanggotaan Fungsi (b  x) / (b  a);: a £ x £ b ì ï  x  (bí  x) / (b  a); a £ x £ b  Fungsi  x  í keanggotaan 1; : x³b ï

î îï ìï (b1; x) / (b  a);x ³ ab £ x £ b   xì  í ï (b Segitiga. x) / (b 1; a); a £ segitiga x £x ³b b pada b. Representasi Kurva Kurva   x   í îï dasarnya merupakan gabungan antarax2³ garis (linier 1; Segitiga b b. Representasi îï Kurva b. Representasi Segitiga seperti terlihat padaKurva Gambar 3. [2]

b. Representasi Kurva Segitiga b. Representasi1Kurva Segitiga Derajat Keanggotaan (x)

0

a

b

Gambar 3. Kurva segitiga Gambar 3. Kurva Segitiga

(x)

0

(x

0

(x)

Dera Derajat Kea Keanggo D (x) K Deraja Keang

Fungsi Keanggotaan : ì

c

65

0

a

b

c

Gambar 3. Kurva Segitiga Kalbiscentia,Volume 3 No. 2, Agustus 2016

Fungsi Keanggotaan : Fungsi Keanggotaan : ì 0; x £ a atau x ³ c ï ï   x   í (x  a) / (b  a); a £ x £ b ï (b  x) / (c  b); b £ x £ c ïî

inear Naik

x£a a£x£b x³b

b

inear Turun

; a£x£b x³b

ga

3. Sistem Interferensi Fuzzy Metode Penalaran (1z1) ( 2z2) Monoton

Z* 

1  2

Metode penalaran monoton digunakan sebagai dasar untuk teknik implikasi fuzzy. Meskipun penalaran dengan menggunakan teknik ini[5] sudah Tahapan Pengembangan Fuzzy Logic : jarang sekali digunakan, namun terkadang masih digunakan untuk penskalaan fuzzy. Jika 2 daerah direlasikan dengan implikasi sederhana sebagai berikut: IF x is A THEN y is B Transfer fungsi: y = f ( (x , A) , B ) Maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari derajat keanggotaan yang berhubungan dengan antesendennya. [2]

dengan huruf-huruf besar-kecil, himpunan fuzzy dengan huruf besar dan elemen-elemen bahasa lainnya dengan huruf kecil. [2]; dan (d) Menentukan metode defuzzy untuk tiap-tiap variabel solusi. Pada tahap defuzzy akan dipilih suatu nilai dari suatu variabel solusi yang merupakan konsekuen dari daerah fuzzy. Metode yang paling sering digunakan adalah metode centroid, metode ini memiliki konsistensi yang tinggi, memiliki tinggi dan lebar total daerah fuzzy yang sensitif.[2] 5. Metode Tsukamoto pada

Pada Metode Tsukamoto, setiap konsekuen aturan yang berbentuk IF-Then harus Tahapan Pengembangan Fuzzy Logic [5]: Penentuan Nilai Minimum Setiap Variabel

Perhitungan Gap Data Tes

Penentuan Bobot

No.

Nam

1 2

Aga Etik Pan Kew aan

No. 1

Ga 0

2

1

3

-1

4

2

5

-2

6

3

7

-3

8

4

9

-4

4. Metodologi Desain Sistem Fuzzy Untuk melakukan perancangan suatu sistem fuzzy perlu dilakukan beberapa tahapan berikut ini: (a) Mendefinisikan karakteristik model secara fungsional dan operasional. Pada bagian ini perlu diperhatikan karakteristik apa saja yang dimiliki oleh sistem yang ada, kemudian dirumuskan karakteristik operasi-operasi yang akan digunakan pada model fuzzy.[2]; (b) Melakukan dekomposisi variabel model menjadi himpunan fuzzy. Dari variabel-variabel yang telah dirumuskan, dibentuk himpunan-himpunan fuzzy yang berkaitan tanpa mengesampingkan domainnya. [3]; (c) Membuat aturan fuzzy. Aturan pada fuzzy menunjukkan bagaimana suatu sistem beroperasi. Cara penulisan aturan secara umum adalah : If (X1 is A1) . ... . (Xa is An) Then Y is B dengan ( . ) adalah operator (OR atau AND), X adalah scalar dan A adalah variabel linguistik.[2]. Hal yang perlu diperhatikan dalam membuat aturan adalah: Kelompokkan semua aturan yang memiliki solusi pada variabel yang sama; Urutkan aturan sehingga mudah dibaca; Gunakan identitas untuk memperlihatkan struktur aturan; Gunakan penamaan yang umum untuk mengidentifikasi variabel-variabel pada kelas yang berbeda; Gunakan komentar untuk mendeskripsikan tujuan dari suatu atau sekelompok aturan; Berikan spasi antar aturan; dan Tulis variabel

Penyetaraan Bobot Nilai Gap Data Tes

Pengelompokan dan Perhitungan Core Factor (CF) dan Secondary Factor (SF)

Pendekatan Fuzzy Logic dalam Perhitungan Nilai Gap Fuzzifikasi

Pembentukan Rule

Mesin Inferensi

Defuzzifikasi

No.

Nam

1

Aga Etik Panc Kew aan

2 Gambar 4. Tahapan pengembangan Gambar 4. Tahapan pengembangan fuzzy logic fuzzy logic

66

Tabel 1. Data Testing No.

Nama Data

Kesamaan Nama

NFC  Nilai Matakuli

NC

Gambar 3. Kurva Segitiga

Fungsi Keanggotaan :

b

direpresentasikan dengan suatu himpunan fuzzy ì 0; x £ a atau x ³ c ï fungsi keanggotaan yang monoton. Sebagai ï  a) / (b  a); dari a £ x £tiap-tiap b   í (xinferensi hasilnya, output  xhasil aturan ï (b  x) / (c  b); b £ x £ c diberikan secara tegas (crisp) berdasarkan α-predikat ïî (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot. [4]

ntasi Linear Naik dengan

Pendekatan Fuzzy Logic dalam Perhitungan Nilai Gap Elliana Gautama Penyetaraan Matakuliah Mahasiswa Transfer .... Fuzzifikasi

B. Tahap Kedua: Perhitungan Gap data tes

Langkah kedua, adalah perhitungan Gap antara Pembentukan Rule nilai data tes dengan nilai minimum variabel. Data Tes yang akan digunakan dalam perhitungan ini, untuk x£a matakuliah yang akan disetarakan adalah “Pendidikan Agama”, sedangkan matakuliah perguruan tinggi a£x£b Mesin Inferensi (  1z1) (  2z2) asal ada dua sampel yaitu “Agama dan Etika” dan x³b Z*  “Pancasila dan Kewarganegaraan”, matakuliah asal 1  2 dibandingkan dengan matakuliah tujuan, jika sama Defuzzifikasi persis maka nilai Kesamaan Nama Matakuliah adalah III. HASILTahapan DAN PEMBAHASAN Pengembangan Fuzzy Logic [5] : 10, jika tidak sama akan dibandingkan lagi dengan Proses penyetaraan nilai dilakukan jika seorang kata kunci, jika ada yang sama dengan kata kunci Gambar 4. Tahapan pengembangan fuzzy logic mahasiswa lulusan D3 dari perguruan tinggi lain ingin maka akan diberi nilai 6, jika tidak ada yang sama melanjutkan ke Program S1 Lanjutan di Fakultas satupun maka akan diberi nilai 1. Teknologi Informasi Perbanas Institute. Untuk Tabel 1. Data testing Tabel 1. Data Testing dapat melanjutkan di Kelas Lanjutan FTI Perbanas, No. Nama Data Kesamaan Nilai main b lulusan D3 harus menyertakan transkrip nilai yang Nama Matakuli sudah dilegalisir dari perguruan tinggi asal. Proses Matakuliah ah Agama dan Etika 6 10 ntasi Linear Turunpenyetaraan dilakukan oleh prodi yang bersangkutan 1 di FTI Perbanas. Nilai matakuliah yang didapat dari Pancasila dan 1 10 2 perguruan tinggi asal disetarakan dengan matakuliah Kewarganegaraan an : sesuai kurikulum pada prodi yang bersangkutan. Nilai Gap antara data tes dengan nilai minimum Misalnya untuk matakuliah “Agama dan Etika” dari untuk setiap variabel adalah sebagai berikut : Penentuan Nilai Minimum Setiapjumlah sks b  a); a £ x £Institut b Teknologi Del dengan nilai A dan Tabel 2. Gap Variabel x ³ b2, disetarakan dengan matakuliah Pendidikan Agama Tabel 2. Gap di prodi Sistem Informasi FTI Perbanas Institute No. Nama Data Kesamaan Nilai dengan jumlah sksPerhitungan 2 dan nilai sama yaitu A. Nama Matakuliah Gap yang Data Tes Matakuliah Penentuan Nilai Minimum Proses penyetaraan dilakukan sesuaiSetiap dengan nama egitiga Tabel 2. Gap Variabel Agama dan 1 4 1 matakuliah yang sama atau mendekati sama, atau jika Etika tidak ada matakuliah yang sama maka akan diambil Pancasila dan -4 4 Penentuan Bobot 2 No. Nama Data Kesamaan Nilai dari matakuliah yang jumlah sks nya sesuai dan Kewarganegar Nama Matakuliah Perhitungan Gap Data Tes aan Matakuliah matakuliah yang satu bidang ilmu eksakta dengan Agama dan 1 4 1 eksakta dan yang non eksakta dengan non eksakta. 3. Daftar Bobot Penyetaraan Bobot Nilai Gap Data Tes C. Tahap Etika Ketiga :Tabel Penentuan Bobot Jika tidak ada jumlah sks yang sama dalam kelompok Pancasila dan -4 4 Penentuan Bobot 2 Langkah ketiga, adalah penentuan bobot ilmu yang sama maka akan diambil jumlah sks yang No. Kewarganegar Gap Bobot Keterangan berdasarkan yang diperoleh hasil aan0 nilai 3 Gap Tidak mendekati dengan nilai terbaik. ada selisih 1 Pengelompokan dan Perhitungan Core Kelebihan 1 dari nilai pengurangan dari nilai minimal terhadap data tes Variabel-variabel yang digunakan dalam 1 3,5 2 Factor (CF) dan Secondary Factor minimal Tabel 3. Daftar Bobot Penyetaraan Bobot Nilai Gap Data(SF) Tes penyetaraan nilai, diantaranya adalah kesamaan nama Tabel 3. Daftar bobot Kekurangan 1 dari nilai -1 2,5 3 minimal matakuliah dan Nilai Matakuliah. Pada penelitian No. Gap Bobot Keterangan Kelebihan 2 poin dari ini akan dibahas dua metode yang digunakan, yaitu 02 34 Tidak ada selisih 14 nilai minimal Pengelompokan Perhitungan Core dengan Kelebihan 12 dari profile matching beserta danperpaduannya Kekurangan poin nilai dari 1 3,5 25 -2 2 Factor (CF) dan Secondary Factor (SF) minimal nilai minimal menggunakan Logika Fuzzy. Kekurangan 1 dari nilai

:

Pendekatan Fuzzy Logic dalam Perhitungan Nilai Gap

A. Tahap Pertama: Penentuan Nilai Minimum Setiap Variabel Fuzzifikasi

Langkah pertama pada metode profile matching, Pendekatan Fuzzy Logic adalah penentuan nilai minimum untuk setiap dalam Perhitungan Nilai Gap variabel-variabel yangPembentukan digunakanRule dalam melakukan penilaian. Adapun nilai Fuzzifikasi minimum yang digunakan untuk variabel kesamaan nama matakuliah adalah 5 dan Nilai Matakuliah adalah 6. Sedangkan interval Mesin Inferensi nilai yang digunakan antara 0 dengan 10. Pembentukan Rule Defuzzifikasi Mesin Inferensi

36 47 58 69 7 8

9 No. 1 2 No.

Kelebihan 3 poin dari minimal nilai minimal Kelebihan dari Kekurangan 23 poin poin dari 2 4 -3 1,5 nilai nilai minimal minimal Kekurangan poin dari Kelebihan 42 poin dari -2 4 52 nilai minimal nilai minimal Kelebihan dari Kekurangan 34 poin poin dari 3 4,5 -4 1 nilai minimal nilai minimal Kekurangan 3 poin dari -3 1,5 nilai minimal Kelebihan 4 poin dari 4 5 Tabel 4. Bobot Gap nilai minimal Kekurangan 4 poin dari -4 1 nilai minimal Nama Data Kesamaan Nilai Nama Matakuliah Matakuliah Tabel 4. Bobot Agama dan 3,5 Gap 5 Etika Pancasila dan 1 5 Nama Data Kesamaan Nilai -1 3

2,5 4,5

67

5

-2

6

3

7

-3

8

4

9

-4

No.

Nama D

1

Agama Etika Pancasila Kewarga aan

2

NFC 

NFS 

NC(kesa

NS(nila

Tes

Core (SF)

n fuzzy logic

g

an

ah

minimal Kelebihan 2 poinNilai dari Kesamaan nilai minimal Matakuliah Nama Kekurangan 2 poin dari Kalbiscentia,Volume 3 No.2 2, Agustus 2016 Matakuliah -2 5 nilai minimal Agama dan 1 4 1 Kelebihan 3 poin dari Etika 3 4,5 6 nilai yang minimal yang 2digunakan. digunakan PancasilaNilai dan bobot -4 4 dapat Kekurangan 3 poin dari Kewarganegar dilihat7 pada Tabel 3.1,5 -3 nilai minimal aan Kelebihan 4 poin dari 4 5: Penyetaraan bobot nilai Gap 8 D. Tahap Keempat nilai minimal Tabel 3. Daftar Bobot 4 poin dari data tes Kekurangan -4 1 9 nilai minimal Pada Gap langkahBobot keempat ini, nilai Gap pada Tabel No. Keterangan 0 3 Tidak selisihpada Tabel 3. 1 2 dikonversi ke nilai bobot yangada tertera Kelebihan 1 dari nilai Tabel 4. Bobot Gap 1 3,5 2 Tabel 4. Bobot Gap minimal Kekurangan 1 dari nilai -1 Data2,5 3 No. Nama Kesamaan Nilai minimal Nama Matakuliah Kelebihan 2 poin dari 2 4 4 Matakuliah nilai minimal Agama dan 3,5 5 dari 1 Kekurangan 2 poin -2 2 5 Etika nilai minimal Pancasila dan 1 2 Kelebihan 3 poin5 dari 3 4,5 6 Kewarganegar nilai minimal aan Kekurangan 3 poin dari -3 1,5 7 nilai minimal E.Tahap Kelima: Pengelompokan perhitungan Kelebihan dan 4 poin dari 4 5 8 nilai minimal Factor (SF) Core Factor (CF) dan Secondary NC(kesamaan_nama_ matakuliah) 4 3.5 Kekurangan NFC  poin  3.5dari 1 9  -4 nilai minimal IC 1 Pada langkah kelima, variabel-variabel yang No. 4

Nilai Matakuli ah 10 10

n fuzzy logic

digunakan dikelompokan menjadi dua kategori yaitu NS(nilai _ matakuliah) 5 Factor (SF). Dalam CoreNFS Factor Secondary  (CF) dan  Gap 5 Tabel 4. Bobot IC 1 pengelompokan variabel-variabel ini, tidak ada aturan diterapkan. Pengelompokan No.khusus Namayang Dataharus Kesamaan Nilai Nama Matakuliah ini dilakukan dengan pertimbangan dari aspek Matakuliah pentingnya variabel terhadap kasus yang ada. Agama dan 3,5 5 1 PadaEtika kasus ini, variabel yang masuk dalam katagori CF adalah Nama Matakuliah. Pancasila dan Kesamaan 1 5 2 Kewarganegar Sedangkan kategori SF adalah Nilai Matakuliah. aan Sehingga dapat dihitung nilai rata-rata masingmasing kategori berdasarkan nilai variabelnya.

g

an

ah

Nama 2 Data 4

NFC  Nilai Matakuli ah 10 10

NC(kesamaan_nama_ matakuliah) 3.5   3.5 IC 1

NS(nilai _ matakuliah) 5 NFS   5 IC 1 Dalam menentukan nilai akhir, kontribusi nilai CF dan SF dibedakan komposisinya. Nilai CF Tabel 5. Hasil Nilai Akhir Tabel 5. Hasil nilai akhir N

Nama

Kesam

Nilai

o

Data

aan

Mata

Nama

kulia

Matak

h

.

CF

SF

Nilai Akhir

uliah 1

Agama

3.5

5

3.5

5

4.1

dan Etika 2

Pancasi

1

5

1

5

la dan

2.6

dianggap sebagai variabel-variabel penting, sehingga komposisi CF adalah 60% terhadap nilai akhir dan nilai SF adalah 40%. Nilai Akhir = (60% * NCF) + (40% * NSF) = (0.6 * 3.5) + (0.4 * 5) = 2.1 + 2 = 4.1 Pada daftar bobot di Tabel 3 terdapat bobot dengan nilai selisih 0 (nol) dengan nilai bobot 3. Pada kasus klasifikasi, nilai ini dijadikan sebagai nilai pemisah antara kategori “sesuai” dan “tidak sesuai”. Jika menghasilkan nilai akhir dengan lebih besar Tabel 5. Hasil Nilai Akhir sama dengan 3, maka matakuliah tersebut dianggap Tabel 5. Hasil disetarakan Nilai Akhir ke matakuliah “sesuai” dan diambil TIDAKSAMA  x  N Nama Kesam untuk Nilai CF SF Nilai tujuan. Sedangkan, jika nilai akhir kurang dari 3, Data aan Mata CF Akhir TIDAKSAMA  x  No Nama Kesam Nilai SF Nilai maka dikategorikan “tidak sesuai” dan harus dicari . Nama kulia o Data aan Mata Akhir ke matakuliah Matak yang lain.h Pada contoh di atas untuk . Nama kulia matakuliah “Agama mempunyai hasil akhir uliah dan Etika” Matak h ì 4.1 1 sedangkan “Pancasila dan Agama 3.5 5 3.5 Kewarganegaraan” 5 4.1 uliah ï hasil akhir 2.6 sehingga untuk penyetaraan  SAMA x ìïí dan nya adalah  ï  3.5 5 3.5 5 4.1 1 Agama ke matakuliah “Pendidikan Agama” yang sesuai ïï Etika dan  SAMA  x   íï  x adalah matakuliah dan1 Etika” hasil î Pancasi 1 “Agama 5 5 dengan 2.6 2 Etika ï akhir 4.1. la dan îï 1 5 1 5 2.6 2 Pancasi laKewar dan F. Pendekatan Fuzzy Logic dalam Perhitungan [y] ganega Kewar Nilai Gap raan ganega

Berdasarkan bobot nilai Gap pada Tabel 3, dapat raan didefinisikan himpunan fuzzy. Lebih lengkapnya dapat dilihat pada Tabel 6. Tabel 6. Himpunan Fuzzy Tabel 6. Himpunan Fuzzy Tabel 6. Himpunan Fuzzy N Fungsi Variabel Semesta o. Pembic N Fungsi Variabel Semesta araan o. Pembic Input Kesamaan [1..5] 1 araan Nama Input Kesamaan [1..5] 1 Matakuliah Nama Input Nilai [1..5] 2 Matakuliah Matakuliah Input Nilai [1..5] 2 Matakuliah Output Kesesuaian [1..5] 3 3

Output

[1..5]

SAMA, [TIDAK SAMA] SAMA, [KURANG, SAMA] CUKUP, [KURANG, BAIK] CUKUP, [KURANG, BAIK] CUKUP, [KURANG, BAIK] CUKUP, BAIK]

1 [x] TIDAK SAMA 1 0,625ì

1; ïï  SAMA0,625  x   í  x 1 /  4 ; 0,375ï 0; ï 0,375 î 0

a=1

SAMA

x £1 1£ x £ 5 x³5 x=3,5

a=1 KURANG CUKUPx=3,5 BAIK [y] Gambar 5. Fungsi Keanggotaan dari variabel Gambar 5. Fungsi keanggotaan dariKesamaan 1

ganega raan

Nama Matakuliah variabel kesamaan nama matakuliah Gambar 5. Fungsi Keanggotaan dari variabel Kesamaan Nama Matakuliah

68 Tabel 6. Himpunan Fuzzy

0 0

KURA

1 1

Gambar 6. Fu

Gambar 6. Fun

ì 1; x £1 ïï  KURANG  y ìï Tahap ke-1: Fuzzifikasi ï TIDAKSAMA  x   í  5 x  /  4 ; 1£ x £ 5  KURANG  y  í ï x ³ 5terdiri dari atas 2 ï 1. Kesamaan ïîNama0; Matakuliah, ïî TIDAK SAMA SAMA himpunan [x] fuzzy, yaitu TIDAK SAMA dan SAMA.

0

Kewar

Kesesuaian

Himpunan Fuzzy Himpunan Fuzzy [TIDAK

1 [y] 1

KURA

ì ï ìï CUKUP  y ïí (y ïï CUKUP  y  íï (y(4 ïî (4 ï î ì ï ìï  BAIK  y ïí  y ïï  BAIK  y  íï  y ïî ïî

Elliana Gautama Penyetaraan Matakuliah Mahasiswa Transfer ....

F

Nilai

khir Akhir khir SF SF

5F

hir

5

SF 5 5

5

Nilai Nilai Akhir Akhir 4.1 Nilai Akhir Nilai 4.1 2.6 Akhir 4.1 4.1

5 5 5

5

2.6 2.6 4.1 2.6

5

2.6

ì 1; x £1 ïï TIDAKSAMA  x   í  5 x  /  4 ; 1£ x £ 5 ï x ³ 5x £1 ïî ìì 0; 1; ïï 1; x £1 TIDAKSAMA  x   ïíï  5 x  /  4 ; 1£ x £ 5 TIDAKSAMA  xì  íï  5 1£ x £ 5 1; x  /  4 ; x £1 0; x³5 ï ï ì ï ïî 0; TIDAKSAMAï x   í 1; 5 1£ x £x 5³ 5 îï x  /  4 ; x £1 ï ï ì  SAMA  x   í  x 1 / 4 ; 1; 1 £ x £x5³ x5£1 ïî ïï  0; ï TIDAKSAMA ìx  0;í  5 x  /  4 ; x ³ 5 1£ x £ 5 ïî ì ï 1; x £1 ïï 1; 0; x £1x ³ 5 Nilai SAMA  xKeanggotaan  ïíï  xïî1 /  4 ;untuk1 £Kesamaan x£5  Nama  SAMA  xì  ïí  x1;1 /  4 ; 1£1 £x£5 x Matakuliah 3.5 0; x³5 ïï adalah: ïïî 0; CUKUP 1 £ x £x 5BAIK ³ 5= (5-3.5)/(5-1) [y]  x  KURANG mTIDAK SAMA SAMA(3.5) í  xîï 1 /  4 ; = (b-x)/(b-a) ì 1 ï 1; x £1 = 1.5/4 = 0.375 x³5 ïî ïï 0; mSAMA(3.5) = 1(3.5-1)/(5-1)  SAMA  x  KURANG 1 /  4 ;CUKUP £ x £ 5BAIK = 2.5/4 í = x (x-a)/(b-a) [y] ï KURANG CUKUP = 0.625 [y] 0; x ³ 5 BAIK 1 ïî 1 2. Nilai Matakuliah, terdiri dari atas 3 himpunan KURANG CUKUP BAIK [y] fuzzy, yaitu KURANG, CUKUP dan BAIK. 1

Himpunan KURANG CUKUP BAIK [y] zzyFuzzy zzy 0 1 [TIDAK 1 2 3 4 5 estaSAMA, Himpunan esta Himpunan bicSAMA] Fuzzy bic Fuzzy an [KURANG, Gambar 0 6. Fungsi Keanggotaan dari variabel Nilai an Himpunan 5] [TIDAK zy CUKUP, 0 1 Matakuliah 2 3 4 5 5] [TIDAK Fuzzy SAMA, BAIK] 1 2 3 4 5 SAMA, SAMA] [KURANG, 0 SAMA] sta Himpunan 5] [TIDAK [KURANG, CUKUP, 2 Keanggotaan 3 4 dari variabel 5 Gambar16.ìFungsi Nilai 5] SAMA, [KURANG, bic Fuzzy CUKUP, 1;Matakuliah dariy £1 BAIK] Gambar 6. Fungsi Keanggotaan variabel Nilai ï CUKUP, n SAMA] BAIK] 0 y  ïí 3 y /Matakuliah BAIK] ] [KURANG, [TIDAK  KURANG 1£ y £ 35 6. Fungsi 2 313; dari 4variabel 5] [KURANG, 1  Keanggotaan Gambar Nilai 5] CUKUP, [KURANG, SAMA, ï CUKUP, Matakuliah ì Gambar 0; 1; keanggotaan y ³dari 3y £1 CUKUP, SAMA] ïî ì6. Fungsi BAIK] BAIK] ïï 1; matakuliah y £1 variabel nilai BAIK] ] [KURANG, [KURANG, Gambar 6. Fungsi Keanggotaan dari variabel Nilai  KURANG y / 31 ; 1£ y £ 3 CUKUP, AMA  yyì  ïíï 3 CUKUP, Matakuliah  KURANG 3 y / 31 ; 1£ y £ 3 í    ï 1; BAIK] y £1 BAIK] ïï ïï 0; y³3 ] [KURANG, ì îï 0; y;£ 2 atau  KURANG  yï  í 3 1£ y y£y³3³4 3 î0; y / 31 CUKUP, SAMA 1; y £1 ï ï ì BAIK]

CUKUP  y  í (yïî 2)ïï / (30;2); 2 £ y £ 3 y ³ 3  KURANGï y(4ìx)í / (433); y / 31 ; 1£ y £ 3 ï ïì ï 0; 3 £ y £y4£ 2 atau y ³ 4 AMA î ï ï 0; 0; y £ 2 atau y ³ 3y ³ 4 î CUKUP  yì  ïí (y  2) / (3 2); 2 £ y £ 3 CUKUP  y  íï (y 0; 2) / (3 2);y £22£ y £atau 3 SAMA ìï ï (4 0;x) / (4 3); 3 £ y £y4£ 3 y ³ 4 ïï ï (4  x) / (4 3); 3 £ y £ 4 CUKUP  y ïí (yìîïî 2) / (3 2); 2 £ y £ 3  BAIK  y  íï  y  3 / 0;5 3 ; y £32£ y atau £5 y³4 abel Kesamaan ïï (4ï  x) / (4 3); 3 £ y £ 4 ïì 0; 2); 2 £ y £ y3 ³ 5y £ 3 CUKUP  yïîî  íïì (y  1; 2) / (3 0; y£3 ï  BAIK  y ïïïíï (4 yx)3/(4/ 3); 5 33; £ y £ 4 3 £ y £ 5 ariabel Kesamaan  BAIK  yì îïí  y 0;3 /  5 3 ; y £3 £3 y £ 5 ariabel Kesamaan ïï ïï 1; y³5 î 1; 3 ;  BAIK  y  í  yïî  3 /  5 3 £ y £y 5³ 5 abel Kesamaan Nilai Keanggotaan ï ì 0; untuk Nilai y £ 3Matakuliah 5 ï 1; y ³ 5 ï adalah: î ï  BAIK  y  í  y  3 /  5 3 ; 3£ y £ 5 mKURANG(5) =0 ariabel Kesamaan ï 1; y³5 mCUKUP(5) =0 ïî mBAIK(5) = 1 SAMA

Tahap Kedua : Pembentukan Rule Dalam hal ini rule-rule yang dibentuk sesuai dengan kebijakan Program Studi dalam melakukan proses penyetaraan matakuliah. Jika terdapat 2 variabel maka rule yang dibentuk ada 22 yaitu sebanyak 4 rule. Adapun rule-rule tersebut adalah sebagai berikut: [R1] IF KesamaanNamaMatakuliah SAMA AND NilaiMatakuliah BAIK THEN Kesesuaian BAIK [R2] IF KesamaanNamaMatakuliah SAMA AND NilaiMatakuliah KURANG THEN Kesesuaian CUKUP [R3] IF KesamaanNamaMatakuliah TIDAK SAMA AND NilaiMatakuliah BAIK THEN Kesesuaian CUKUP [R4] IF KesamaanNamaMatakuliah TIDAK SAMA AND NilaiMatakuliah KURANG THEN Kesesuaian KURANG Tahap Ketiga: Mesin Inferensi Pada metode Tsukamoto, komposisi fungsi inferensi menggunakan MIN yaitu dengan cara mengambil nilai minimum dari variabel input sebagai outputnya. Berdasarkan rule-rule yang sesuai dengan kondisi yang ada, maka diperoleh hasil sebagai berikut: [R1] IF KesamaanNamaMatakuliah SAMA AND NilaiMatakuliah BAIK THEN Kesesuaian BAIK a - Predikat1 = mSAMA Ç mBAIK =min(mSAMA(3.5)Ç mBAIK(5)) = min(0.625; 1) = 0.625 Dengan menggunakan himpunan pada grafik keanggotaan variabel, didapat nilai z1 (z1-a)/(b-a) = (z1 – 1)/(5-1) = (z1 – 1)/4 = 0.625 z1 – 1 = 0.625 * (4) z1 = 2.5 + 1 = 3.5 [R2] IF KesamaanNamaMatakuliah SAMA AND NilaiMatakuliah KURANG THEN Kesesuaian CUKUP a - Predikat2 = mSAMA Ç mKURANG =min(mSAMA(3.5)Ç mKURANG(5)) = min(0.625; 0) =0 Dengan menggunakan himpunan pada grafik keanggotaan variabel, didapat nilai z2 (5-z2)/(b-a) = (5 - z2)/(5-1) = (5 – z2)/4 = 0 5 - z2 = 0 * (4) z2 = 5 - 0 = 5

69

Z* = 3.53.5 Z* 1 Z* = 3.5

Kalbiscentia,Volume 3 No. 2, Agustus 2016

[R3] IF KesamaanNamaMatakuliah TIDAK SAMA AND NilaiMatakuliah BAIK THEN Kesesuaian CUKUP a - Predikat3 = mTIDAK SAMA Ç mBAIK = min(mTIDAK SAMA(3.5) Ç mBAIK(5)) = min(0.375; 1) = 0.375 Dengan menggunakan himpunan pada grafik keanggotaan variabel, didapat nilai z3 (5-z3)/(b-a) = (5 – z3)/(5-1) = (5 – z3)/4 = 0.375 5 – z3 = 0.375 * (4) z3 = 5 – 1.5 = 3.5 [R4] IF KesamaanNamaMatakuliah TIDAK SAMA AND NilaiMatakuliah KURANG THEN Kesesuaian KURANG a - Predikat4= mTIDAK SAMA Ç mKURANG =min(mTIDAKSAMA(3.5)Ç mKURANG(5)) = min(0.375; 0) =0 Dengan menggunakan himpunan pada grafik keanggotaan variabel, didapat nilai z4 (5-z4)/(b-a) = (5 – z4)/(5-1) = (5 – z4)/4 = 0 5 – z4 = 0 * (4) z4 = 5 – 0 = 5 Tahap Keempat : Defuzzifikasi Defuzzifikasi merupakan proses penyetaraan dari fuzzy output menjadi crisp output. Pada defuzzifikasi digunakan metode rata-rata (average) untuk mendapatkan nilai crisp output. Untuk mendapatkan nilai crisp dengan metode rata-rata (average) harus ditentukan sampel yang digunakan untuk menemukan kategori klasifikasi, didapat hasil sebagai berikut: ( Pred1*z1)( Pred2*z2)( Pred3*z3)( Pred4*z4) Z*  Pred1  Pred2  Pred3  Pred4 Z*

(0.625*3.5)(0*5)(0.375*3.5)(0*5) 0.62500.3750

2.187501.31250 1 3.5 Z* 1 Z* = 3.5 Z*

Nilai Z* yang diperoleh dari proses fuzzifikasi dapat diketahui himpunannya melalui diagram output proses logic yang ada. KURANG CUKUP BAIK [z]fuzzy Setelah proses defuzzifikasi, didapatkan hasil 1 nilai yang dapat dikategorikan ke dalam himpunan output fuzzy logic seperti dalam tabel di bawah ini:

70 0

1

2

3

4

5

[z] 1

KURANG

CUKUP

BAIK

[z] 1

KURANG

CUKUP

BAIK

0 0

1

2

3

1

2

3

3.5

4

5

4

5

Gambar 7. Diagram hasil output proses fuzzy logic

3.5

Gambar 7. Diagram hasil output proses Gambar 7. Diagram hasil fuzzyoutput logic proses fuzzy logic Tabel 7. Kategori Hasil Akhir Tabel 7. Kategori Hasil Akhir No. 1 2 No. 31 42 53 4 5

Z* Tabel 7. Kategori KategoriHasil Akhir Hasil Akhir Z<1 Kurang Tidak Sesuai Kurang Tidak Sesuai 1 * Z < 3 Z Kategori Hasil Akhir Cukup Sesuai 2Z < Z1  4 Kurang Tidak Sesuai Baik Sesuai 31  Kurang Tidak Sesuai Z Z< < 53 Baik Sesuai Z  5 Cukup Sesuai 2Z4 Baik

3Z<5

Sesuai

Maka hasil perhitungan dari kedua variabel Baik Sesuai Z5 dengan menggunakan metode fuzzy logic ini, penyetaraan matakuliah “Agama dan Etika” mendapatkan predikat “Sesuai” dengan matakuliah “Pendidikan Agama”. Hasil perhitungan untuk matakuliah “Pancasila dan Kewarganegaraan” adalah Z* = 0.083, jika dilihat ke dalam tabel kategori maka matakuliah ini mendapat predikat hasil akhir “Tidak Sesuai”.

IV. SIMPULAN Berdasarkan hasil analisa perhitungan nilai variabelvariabel yang digunakan dalam proses penyetaraan matakuliah dapat diambil beberapa kesimpulan sebagai berikut: (1) Hasil akhir yang didapat dari proses klasifikasi adalah matakuliah “Agama dan Etika” dari perguruan tinggi asal, dapat disetarakan dengan matakuliah “Pendidikan Agama” dari program studi Sistem Informasi FTI Perbanas Institute; (2) Proses klasifikasi dengan menggunakan metode profile matching, memiliki hasil akhir nilai tegas; dan (3) Hasil klasifikasi dengan menggunakan metode fuzzy logic dapat mengatasi masalah nilai ketidakpastian pada saat melakukan proses penyetaraan oleh program studi.

V. DAFTAR RUJUKAN [1] Jumadi.

“Sistem

Pendukung

Keputusan

untuk

Menentukan Siswa Penerima Beasiswa”, Jurnal Kajian

Elliana Gautama Penyetaraan Matakuliah Mahasiswa Transfer .... Islam Sains dan Teknologi (ISTEK), Volume VI No.1-

Fuzzy Untuk Mendukung Keputusan. Graha Ilmu,

2 Edisi Juli, Fakultas Sains dan Teknologi, UIN Sunan

Yogyakarta. 2004, 126

Gunung Djati, Bandung. 2012, 93

[5] Jumadi et al. “Pendekatan Logika Fuzzy untuk

[2] S. Kusumadewi. Artificial Intelligence (Teknik dan

Perhitungan Gap pada Metode Profile Matching dalam

Aplikasinya). Edisi Pertama. Penerbit Graha Ilmu,

Menentukan Kelayakan Proposal Penelitian”, Prosiding

Jakarta. 2003, 87

Seminar Nasional Sains dan Teknologi, Bandung.

T. Sutojo, E. Mulyanto dan V. Suhartono, “Kecerdasan

2015, 75

[3]

Buatan”, Ed. I, Penerbit ANDI, Yogyakarta. 2011, 132 [4] S. Kusumadewi & H. Purnomo. Aplikasi Logika

71