SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN RANGKING CALON PENERIMA BEASISWA MENGGUNAKAN PENDEKATAN FUZZY QUERY (STUDI KASUS PADA STEKOM SEMARANG)

Sistem Pendukung Keputusan untuk Menentukan Rangking Calon Penerima Beasiswa Menggunakan Pendekatan Fuzzy Query – Studi Kasus pada STEKOM Semarang (Moh. Muthohir)

SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN RANGKING CALON PENERIMA BEASISWA MENGGUNAKAN PENDEKATAN FUZZY QUERY (STUDI KASUS PADA STEKOM SEMARANG)

MOH. MUTHOHIR Sekolah Tinggi Elektronika dan Komputer Jl. Majapahit 605 & 304 Semarang Indonesia E-mail : [email protected]

Abstrak Beasiswa diberikan sebagai alternatif untuk meringankan beban siswa terhadap biaya pendidikan semakin mahal. Penelitian ini bertujuan untuk membangun sistem pendukung keputusan dalam menentukan peringkat dari calon penerima beasiswa menggunakan query fuzzy pada database sehingga dapat membantu tim seleksi beasiswa didasarkan pada beberapa parameter, yaitu: bobot IPK, jumlah penghasilan orangtua , jumlah tanggungan orang tua, jumlah saudara kandung, kehadiran, usia dan semester. Hasil ini menunjukkan bahwa Fuzzy Query dapat digunakan untuk seleksi beasiswa sehingga memudahkan kerja tim seleksi beasiswa. Kata Kunci: sistem pendukung keputusan, Beasiswa, query fuzzy pada basis data

kepada mahasiswa yang mempunyai prestasi. Agar program beasiswa dapat dilaksanakan sesuai dengan prinsip 3T yaitu Tepat sasaran, Tepat jumlah dan Tepat waktu. Pengambilan keputusan yang tepat memungkinkan tujuan pelaksanaan beasiswa dapat tercapai dengan menetapkan prinsip 3T tersebut (Kemendiknas, 2011). Pengambilan keputusan adalah pemilihan beberapa tindakan alternatif yang ada untuk mencapai satu atau beberapa tujuan yang telah ditetapkan (Turban, 2005). Sistem database yang ada sampai sekarang ini, hanya mampu menangani data yang bersifat pasti (crisp). Begitu pula pada query yang menggunakan bahasa Structure Query Languange (SQL), pendefinisian-pendifinisian yang diberikan hanya mampu menangani kondisi yang sifatnya juga pasti. Dengan kondisi yang pasti berarti struktur dan parameter dari model harus terdefinisi secara tepat. Sedangkan dalam kondisi nyata kehidupan sehari-hari, seringkali

A. PENDAHULUAN Berdasarkan Undang-Undang Dasar 45 pasal 31 ayat 1 yang berbunyi: “Tiap-tiap warga Negara berhak mendapatkan pengajaran”, maka pemerintah wajib memberikan layanan dan kemudahan, serta menjamin terselenggaranya pendidikan yang bermutu bagi setiap warga Negara tanpa diskriminasi. Penyelenggaraan pendidikan yang bermutu diperlukan biaya pendidikan yang cukup besar. Sehingga setiap peserta didik berhak mendapatkan biaya pendidikan bagi mereka yang orang tuanya tidak mampu membiayai pendidikan, dan berhak mendapatkan beasiswa bagi mereka yang berprestasi. Pemerintah melalui direktorat Jendral Pendidikan Tinggi Departemen Pendidikan Nasional berupaya mengalokasikan dana untuk memberikan beasiswa kepada mahasiswa yang secara ekonomi tidak mampu untuk membiayai pendidikannya, dan memberikan beasiswa

55

Vol. 6 No.2 – EBISNIS, Juni 2013

seseorang harus berhadapan dengan kondisi yang memiliki nilai yang samar, tidak pasti, atau ambigu. Pada kondisi yang samar berarti tidak terdapat suatu kondisi dimana terjadi ketidakjelasan dari beberapa alternatif yang harus diterima, mana yang benar dan mana yang salah. Bahasa Structure Query Languange (SQL) tidak mampu memenuhi kebutuhan untuk seleksi data berdasarkan ekspresi linguistik dan derajat kebenaran (Pankaj Gupta, 2011). Berdasarkan permasalahan tersebut, maka perlu kiranya dirancang suatu aplikasi yang mampu menganalisa serta merekomendasikan nama-nama mahasiswa yang layak menerima beasiswa. Salah satu metode yang dapat digunakan untuk aplikasi ini adalah dengan menggunakan logika fuzzy. Dengan memanfaatkan logika Fuzzy, manipulasi data dapat diantisipasi dalam basisdata yang mengandung ketidakpastian, baik dari sisi data maupun query-nya (Galindo, 2008). Fuzzy Query tidak hanya sebagai alat query, akan tetapi dapat meningkatkan makna query dan dapat menampilkan informasi lebih dari hasil query tersebut (Miroslav, 2009) Isu Penelitian yang terkait penentuan penerima beasiswa pernah dilakukan oleh beberapa peneliti diantaranya:. 1) Penentuan Penerima Beasiswa Menggunakan TOPSIS dan Weighted Product pada penelitian yang dilakukan oleh Shofwatul „Uyun dan Imam Riadi yang berjudul “A Fuzzy Topsis Multiple-Attribute Decision Making For Scholarship Selection” (Shofwatul, 2011). Penelitian ini merekomendasikan mahasiswa yang memiliki tingkat kelayakan paling tinggi untuk mendapatkan beasiswa berdasarkan nilai preferensi yang dimiliki. Hasil penelitian ini menunjukkan bahwa metode TOPSIS dan WP (Weighted Product) pada FMADM dapat digunakan untuk seleksi beasiswa. Penelitian ini memiliki kelemahan diantaranya menyeleksi calon penerima beasiswa hanya berdasarkan 3 kriteria yaitu Bobot IPK, Penghasilan Orangtua dan Jumlah saudara kandung. 2) Seleksi Penerima Beasiswa menggunakan SAW (Simple Additive Weighting) Pada penelitian yang dilakukan oleh Henri Wibowo dkk yang berjudul “Sistem

Pendukung Keputusan untuk Menentukan Penerima Beasiswa Bank BRI menggunakan FMADM” (Henry, 2009). Penelitian ini bertujuan untuk menerapkan metode SAW pada FMADM guna menyeleksi alternatif terbaik dari sejumlah alternatif calon penerima beasiswa. Hasil penelitian ini menunjukkan bahwa metode SAW (Simple Additive Weighting) pada FMADM dapat menentukan alternatif terbaik calon penerima beasiswa. Penelitian ini memiliki kelemahan diantaranya menyeleksi calon penerima beasiswa hanya berdasarkan 6 kriteria yaitu Semester, Nilai IPK, Jumlah tanggungan Orangtua, Jumlah saudara kandung, Usia dan Penghasilan orangtua Rumusan masalah pada penelitian ini adalah sistem database yang ada saat ini hanya mampu menangani data crisp. Tujuan penelitian ini adalah untuk membangun sistem rekomendasi otomatis menggunakan fuzzy query pada database untuk menentukan rangking calon penerima beasiswa. B. DASAR TEORI 1. Konsep Sistem Pendukung Keputusan Konsep sistem pendukung keputusan diperkenalkan pertama kali oleh Michael S. Scoott Morton pada tahun 1970-an dengan istilah Management Decision System (Sprague,1982). SPK dirancang untuk mendukung seluruh tahap pengambilan keputusan mulai dari mengidentifikasi masalah, memilih data yang relevan, dan menentukan pendekatan yang digunakan dalam proses pengambilan keputusan, sampai mengevaluasi pemilihan alternatif. Pengembanag DSS berawal pada akhir tahun 1960-an dengan adanya pengguna komputer secara time-sharing (berdasarkan pembagian waktu). Pada mulanya seseorang dapatberinteraksi langsung dengan komputer tanpa harus melalui spesialis informasi. Time-sharingmembuka peluang baru dalam penggunaan komputer.Tidak sampai tahun 1971, ditemukan istilah DSS, G Anthony Gorry dan Michael S. ScottMorton yang keduanya profesor MIT, bersama-sama menulis artikel dalam jurnal yangberjudul “A Framework for Management Information

56


System” mereka merasakanperlunya ada kerangka untuk menyalurkan aplikasi komputer terhadap pembuatankeputusan manajemen. Gorry dan Scott Morton mendasarkan kerangka kerjanya pada jenis keputusan menurutSimon dan tingkat manajemen dari Robert N. Anthony. Anthony menggunakan istilahStrategic palnning, managemen control dan operational control (perencanaan strategis,control manajemen, dan control manajemen). Usaha berikutnya dalam mendefinisikan konsep DSS dilakuikan oleh Steven L. Alter.Alter melakukan study terhadap 56 sistem penunjang keputusan yang digunakan padawaktu itu, studi tersebut memberikan pengetahuan dalam mengidentifikasi enam jenisDSS, yaitu : a. Retrive information element (memanggil eleman informasi) b. Analyze entries files (menganali semua file) c. Prepare reports form multiple files (laporan standart dari beberapa files) d. Estimate decisions qonsquences (meramalkan akibat dari keputusan) e. Propose decision (menawarkan keputusan ) f. Make decisions (membuat keputusan)

masalah semi terstrukitur dengan memberikan informasiatau saran mengenai keputusan tertentu. Informasi tersebut diberikan oleh laporanberkala, laporan khusus, maupun output dari model matematis. Model tersebut jugamempunyai kemampuan untuk memberikan saran dalam tingkat yang bervariasi 2. Pengertian Fuzzy Logic Fuzzy Logic diperkenalkan oleh Prof. Lotfi Zadeh pada tahun 1965. Merupakan metode yang mempunyai kemampuan untuk memproses variabel yang bersifat kabur atau yang tidak dapat dideskripsikan secara eksak/pasti seperti misalnya tinggi, lambat, bising. Dalam fuzzy logic variabel yang bersifat kabur tersebut direpresentasikan sebagai sebuah himpunan yang anggotanya adalah suatu nilai crisp dan derajat keanggotaannya (membershipfunction) dalam himpunan tersebut (Pankaj, 2011). Proses-proses dalam fuzzylogic adalah fuzzifikasi, penalaran (reasoning), dan defuzzifikasi: a. Fuzzifikasi: merupakan proses untuk mendapatkan derajat keanggotaan dari sebuah nilai numerik masukan (crisp) b. Penalaran: proses untuk mendapatkan aksi keluaran dari suatu kondisi input dengan mengikuti aturan-aturan (IFTHEN Rules) yang telah ditetapkan yang disebut sebagai inference/reasoning. c. Defuzzifikasi: proses untuk merubah hasil penalaran yang berupa derajat keanggotaan keluaran menjadi variabel numerik kembali. Fuzzy Logic (Logika Fuzzy) atau biasa juga disebut dengan Logika Samar merupakan suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output didasari oleh konsep himpunan fuzzy.

Dalam DDS terdapat tiga tujuan yang harus di capai yaitu : a. Membantu manajer dalam pembuatan keputusan untuk memecahkan masalah semi terstruktur. b. Mendukung keputusan manajer, dan bukannya mengubah atau menggantikeputusan tersebut. c. Meningkatkan efektivitas menajer dalam pembuatan keputusan, dan bukannyapeningkatan efisiensi Tujuan ini berkaitan dengan tiga prinsip dasar dari konsep DSS, yaitu struktur masalah,dukungan keputusan, dan efektivitas keputusan. DSS sebagai sebuah sistem yang memberikan dukungan kepada seorang manajer, ataukepada sekelompok manajer yang relative kecil yang bekerja sebagai tim pemecahmasalah, dalam memecahkan

Input 1 Input 2

Black Box

Output

Gambar 3.Pemetaan input-output Gambar 1. Konsep himpunan fuzzy

57


Diantarainput dan output terdapat blackbox. Di dalam blackbox terdapat proses yang tidak diketahui, bisa didekati dengan pendekatan sistem linear, ekonometri, interpolasi, sistem pakar atau logika fuzzy, dan lain-lain. Namun, seperti yang diungkapkan Lotfi Zadeh: ”Dalam hampir setiap kasus, cara fuzzy lebih cepat dan lebih murah”. Logika fuzzy sebagai komponen utama pembangun softcomputing, terbukti telah memiliki kinerja yang sangat baik untuk menyelesaikan masalah-masalah yang mengandung ketidakpastian. Implementasinya luas, baik di bidang engineering, psikologi, social, dan juga bidang ekonomi.

sedang pada teori logika fuzzy terdapat tingkat nilai, yaitu : a. Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau b. Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan. C. METODOLOGI Penelitian yang dilaksanakan adalah jenis penelitian eksperimen, yaitu melakukan pengujian tingkat akurasi Fuzzy Query dalam menentukan rangking calon penerima beasiswa. Data yang digunakan dalam penelitian ini berupa data primer dan data sekunder: Akurasi penerapan Fuzzy Query dalam menentukan rangking calon penerima beasiswa diuji dengan cara: 1) Hasil penentuan rangking calon penerima beasiswa menggunakan Fuzzy Query akan dibandingkan dengan hasil penentuan rangking calon penerima beasiswa yang telah dilakukan oleh Puket-3 Bidang Kemahasiswaan melalui rapat pimpinan. 2) Jika hasil yang dipilih Puket-3 melalui rapat pimpinan sama dengan hasil menggunakan Fuzzy Query, maka Fuzzy Query dinyatakan AKURAT. 3) Jika hasil yang dipilih Puket-3 melalui rapat pimpinan sama dengan hasil menggunakan Fuzzy Query, maka Fuzzy Query dinyatakan TIDAK AKURAT. 4) Selanjutnya dihitung persentase tingkat akurasi Fuzzy Query dengan:

3. Alasan menggunakan logika fuzzy Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain: a. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti. b. Logika fuzzy sangat fleksibel. c. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat. d. Logika fuzzy mampu memodelkan fungsi-fungsi non linier yang sangat kompleks. e. Logika fuzzy dapat membangun dan mengaplikasikan pengalamanpengalaman para pakar secara langsung tanpa harus melalui proses pelatihan. f. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. g. Logika fuzzy didasarkan pada bahasa alami.

% Akurasi = (Jumlah Data Akurat/Total Sampel)*100

4. Himpunan fuzzy Tahun 1965, Profesor L.A. Zadeh memperkenalkan teori himpunan fuzzy, yang secara tidak langsung mengisyaratkan bahwa tidak hanya teori probabilitas saja yang dapat merepresentasikan ketidakpastian. Teori himpunan fuzzy adalah merupakan perluasan dari teori logika Boolean yang menyatakan tingkat angka 1 atau 0 atau pernyataan benar atau salah,

58


Tabel 4. Kriteria Jumlah Tanggungan Orangtua

D. HASIL DAN PEMBAHASAN Pada tahap hasil dan pembahasan ini menggunakan bobot dan kriteria yang dibutuhkan untuk menentukan siapa yang akan terseleksi sebagai penerima beasiswa. Adapun kriterianya adalah sebagai berikut: Tabel 1. Tabel Kriteria Kriteria Keterangan C1 Bobot IPK C2 Jumlah Penghasilan Orangtua C3 Jumlah Tanggungan Orangtua C4 Jumlah Saudara Kandung C5 Absensi C6 Usia C7 Semester

Jumlah Tanggungan Ortu 1 anak 2 anak 3 anak 4 anak X >= 5 anak

Bilangan Fuzzy

Nilai

Sangat Sedikit Sedikit Sedang Banyak Sangat banyak

0 0,25 0,5 0,75 1

Kriteria Jumlah Saudara Kandung Variabel bobot jumlah saudara kandung dikonversikan dengan bilangan fuzzy dibawah ini. Tabel 5. Kriteria Jumlah Saudara Kandung Jumlah Saudara Kandung 1 orang 2 orang 3 orang 4 orang X >= 5 orang

Kriteria Bobot IPK Variabel bobot IPK dikonversikan dengan bilangan fuzzy dibawah ini. Tabel 2. Kriteria Bobot IPK (Prayogo, 2011) Bilangan IPK Nilai Fuzzy X <=2,75 Sangatrendah 0 2,75 < X <= 3,00 Rendah 0,25 3,00 < X <= 3,25 Cukup 0,5 3,25 < X <= 3,50 Tinggi 0,75 X > 3,50 Sangat Tinggi 1

Bilangan Fuzzy Sangat Sedikit Sedikit Sedang Banyak Sangat banyak

Nilai 0 0,25 0,5 0,75 1

Kriteria Bobot Absensi Variabel bobot absensi dikonversikan dengan bilangan fuzzy dibawah ini. Tabel 6. Kriteria Bobot Absensi

Kriteria Penghasilan Orangtua Variabel bobot Penghasilan orangtua dikonversikan dengan bilangan fuzzy dibawah ini. Tabel 3. Kriteria Penghasilan Orangtua Bilangan Penghasilan Ortu Nilai Fuzzy X <= 500.000 Rendah 0,25 500000<X<=1500000 Cukup 0,5 1500000<X<=3000000 Tinggi 0,75 X > 3000000 Sangat 1 Tinggi

Usia X <=50 50 < X <= 70 70 < X <=80 80 < X <=90 X > 90

Bilangan Fuzzy Sangat Jelek Jelek Cukup Baik Sangat Baik

Nilai 0 0,25 0,5 0,75 1

Kriteria Usia Variabel usia dikonversikan dengan bilangan fuzzy dibawah ini. Tabel 7. Kriteria Usia

Kriteria Jumlah Tanggungan Orangtua Variabel bobot jumlah tanggungan orangtua dikonversikan dengan bilangan fuzzy dibawah ini.

Usia X <= 19 tahun 19 < X <= 21 21 < X <= 23 X >= 23

59

Bilangan Fuzzy Sangat muda Muda Parobaya Tua

Nilai 0,25 0,5 0,75 1


Kriteria Semester Variabel Semester dikonversikan bilangan fuzzy dibawah ini. Tabel 8: Kriteria Semester Semester X <= Semester 3 Semester 4 Semester 5 Semester 6 X >= Semester 7

Bilangan Fuzzy Sangat Rendah Rendah Tengah Tinggi Sangat Tinggi

Tingkat Akurasi Penentuan Rangking Penerima Beasiswa Menggunakan Fuzzy Query

dengan

13,33% akurat tidak akurat

Nilai 0 0,25 0,5 0,75 1

86,67%

Gambar 3. Grafik Hasil Akurasi Penentuan Rangking Penerima Beasiswa Menggunakan Fuzzy Query

Berdasarkan percobaan yang telah dilakukan, menetapkan kuota beasiswa sebanyak 30 dari 100 sampel data mahasiswa dengan kriteria penentuan: Bobot_IPK = “Tinggi” OR Penghasilan_Ortu = “Rendah” AND Tanggungan_Ortu = “Banyak” AND Jumlah_Saudara = “Banyak” AND Bobot_Absensi = “Baik” AND Usia = “Muda” AND Semester =”Tengah”

E. KESIMPULAN DAN SARAN Dari hasil penelitian ini yang dilakukan mulai dari tahap awal hingga pengujian penerapan sistem pendukung keputusan untuk menentukan ranking calon penerima beasiswa menggunakan fuzzy query pada database ini, didapatkan kesimpulan bahwa proses seleksi beasiswa dapat lebih mandiri dan memiliki tingkat akurasi 86,67%. F. DAFTAR PUSTAKA Kemendiknas, "Pedoman Beasiswa BBM dan PPA," Jakarta, 2011 Turban, E., dkk., Decision Support Systems and Intelligent Systems. Yogyakarta: Andi, 2005. Pankaj Gupta, "Fuzzy Querying in Traditional Database," International Journal of Artificial Intelligence and Knowledge Discovery, vol. 1, no. 4, pp. 1-5, Okober 2011. Galindo J., "Fuzzy Introduction and Trends to Fuzzy Logic and Fuzzy Databases," Handbook of Research on Fuzzy Information Processing in Databases, vol. 1, pp. 586-614, 2008. Miroslav Hudec, "An Approach to Fuzzy Database Querying, Analysis and Realisation," Comsis, vol. VI, no. 2, pp. 127 - 140, December 2009. Shofwatul 'Uyun, Imam Riadi, "A Fuzzy Topsis Multiple-Attribute Decision Making For Scholarship Selection," Telkomnika, vol. 9, no. 1, pp. 37-46, April 2011. Henry W. S., dkk., "Sistem Pendukung Keputusan untuk Menentukan Penerima Beasiswa

Gambar 2. Tampilan Form Rekomendasi Menghasilkan sebanyak 26 dari 30 data sampel penerima beasiswa atau 86,67% yang akurat.

60


BANK BRI Menggunakan FMADM," in SNATI 2009, Yogyakarta, 2009, pp. 62-67. Prayogo Nur, "Sistem Penentu Keputusan Untuk Menentukan Penerima Beasiswa Menggunakan Algoritma Genetika," in Jurnal UPI, 2011.

61

SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN RANGKING CALON PENERIMA BEASISWA MENGGUNAKAN PENDEKATAN FUZZY QUERY (STUDI KASUS PADA STEKOM SEMARANG)

Recommend Documents