SKRIPSI. Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

SELEKSI PENERIMAAN ANGGOTA BARU PADUAN SUARA MAHASISWA MENGGUNAKAN LOGIKA KABUR DAN MULTI-ATTRIBUTE DECISION MAKING (STUDI KASUS PSM CANTUS FIRMUS USD)

SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika

Oleh: Yosef Yudha Prasetya 125314005

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2016

i


A NEW MEMBERS AUDITION OF A CHOIR USING FUZZY LOGIC AND MULTI-ATTRIBUTE DECISION MAKING (A STUDY CASE OF CANTUS FIRMUS SANATA DHARMA UNIVERSITY CHOIR)

A THESIS Presented as Partial Fullfilment of the Requirements to Obtain the Sarjana Komputer Degree in Informatic Engineering Study Program

By: Yosef Yudha Prasetya 125314005 INFORMATICS ENGINEERING STUDY PROGRAM DEPARTMENT OF INFORMATICS ENGINEERING FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2016

ii


awlq

.

HALAMAN PENSOTU'JUAN SKRIPSI

SELEI(SI PENENTEAAN AT{GGOTA BARU PAITUAIi{ SUARA MAHASISWA

MENGGUNAKAI{ LOGIKA KASUR

DAI\I''AL N.ATINIBATE DECISK)N IIIAEING (sruDr KAsus PsM CANTUS mnMus usD)

'-a:

':

:,

t

hbfunbiug,

1

fu' Tangal, 3o AyuStrs 2oli

Eko Hari Parmadi, S.Si", M.Koq.

iii


HALAIT{AN PENGESAHAN SKRIPSI

SELEKSI PEI\IERIMAAN ANGGOTA BARU PADUAN SUARA MAHASISWA MENGGUNAKAI\I LOGIKA I(ABIIR DlJ{ DTALTI-ATTRIBTNE DECISION MAXING (sflrDr KAsus psM CANTUS FTRMUS USD) Dipersiapkan dan ditulis oleh:

YOSEF YUDHA PRASETYA

Ketua Sekretaris

Anggota Robertus AdiNugroho, S.T., M.Eng.

Yogyakarta, .3o..

Ag.us.duL.Z

o

Fakultas Sains dan Teknologi

S.Si.,M.Math.Sc.,Ph.D

iv

t

(

,..1


HALAMAN MOTO

“Hanya orang gila yang mampu mengubah dunia” -Panca Sona Adjie

.


HALAMAN PERSEMBAHAN

Skripsi ini saya persembahkan untuk: Tuhan Yang Maha Seni, sebagai bentuk jerih payah serta kembangan talenta yang telah Tuhan berikan. PSM Cantus Firmus lengkap dengan setiap anggotanya yang sedikit demi sedikit mulai gila. Dan yang terakhir, untuk Program Studi Teknik Informatika dan Perpusatakaan Universitas Sanata Dharma.

vi


PERNYATAAI{ KSASLIAN KA,RYA saya menyatakan dengan sesungguhnya bahwa tugas akhir ysng saya tulis ')nang t€lah tidak mengandung atau menruat hasil karlxa orang lain, kecuali disebutkan dalam daftar pustaka dan kutipan sclayaknya karya ilmiah.

Yogyakarta, ...?.?..:.99r.: ?.?:.I Penulis

vii

n


LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAII UNTUK KEPENTINGAN AKADEMIS Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dhanna

Yogyakarta: Nama

: Yosef Yudha Prasetya

NIM

: 125314005

Demi pengembangan ilmu pengetahuan, saya memberikan perpustakaan Universitas Sanata Dharma karya ilmiah yang be{udul

kepada

:

SELEKSI PENERIMAAN ANGGOTA BARU PADUAN SUARA MAIIASISWA

MENGGUNAI(AN LOGIKA KABUR D AN

MALTI-ATTRIBUTE DECISION MAMNG

(STUDI KASUS PSM CAI\TUS FIRMUS USD) Beserta perangkat yang diperlukan

(bila ada). Dengan demikian

saya

memberikan kepada perpustakaan Universitas Sanata Dharma Yogyakarta hak untuk menyimpan, mengalihkan dalam bentuk media lain, mengelola dalam bentuk pangkalan data, mendistribusikan secara terbatas, dan mempublikasikan di intemet atau media lain untuk kepentingarr akademis tanpa meminta

ijin dari saya maupun

memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai penulis. Dernikian pernyataan yang saya buat dengan sebenarnya.

Dibuat di Yogyakarta,

Fadatanggal: 30

'flusfus

2OlC

Yang menyatakan,

viii


ABSTRAK Seleksi penerimaan anggota baru paduan suara mahasiswa Cantus Firmus Universitas Sanata Dharma rutin dilakukan setiap tahun. Ada dua tahap besar dalam seleksi ini, yang pertama adalah tahap vokal dan yang kedua adalah tahap wawancara. Dalam tahap wawancara akan dinilai beberapa aspek yakni, pengetahuan tentang PSM Cantus Firmus, motivasi, pengalaman berorganisasi, pengenalan diri dan mental dari calon anggota baru. Jumlah calon anggota yang mendaftar setiap tahun mencapai 300 orang, sementara tenaga kerja pelatih dan ketersediaan tempat tidak memenuhi untuk mengakomodasi sebanyak 300 orang. PSM Cantus Firmus perlu memilih 40-50 orang yang pantas untuk menjadi anggota PSM Cantus Firmus. Ada banyak aspek yang dinilai serta keterbatasan sumberdaya penguji membuat pihak PSM Cantus Firmus kesulitan dalam melakukan seleksi penerimaan anggota baru. Selain itu penilaian aspek wawancara cukup sulit untuk dinilai tinggi rendahnya. Sistem seleksi berbasis logika kabur dan MADM (multi-attribute decision making) SAW (simple additive weighting) yang dibangun diharapkan mampu membantu menemukan solusi atas permasalahan yang dihadapi PSM Cantus Firmus. Tahapan dalam logika kabur mamdani ini adalah pembentukan himpunan kabur, aplikasi fungsi implikasi, komposisi aturan, dan penegasan (defuzzyfikasi). Aturan komposisi yang digunakan adalah Max. Proses deffuzifikasi menggunakan metode SOM (Smallest of Maximum), MOM (Mean of Maximum) dan LOM (Largest of Maximum). Sedangkan tahapan dalam MADM-SAW adalah pembentukan matriks keputusan, normalisasi matriks, penentuan bobot secara subyektif dan menghitung preferensi. Hasil perhitungan preferensi tersebut kemudian diurutkan berdasarkan nilai tertinggi. Peneliti melakukan analisis dengan membandingkan apakah keputusan yang dihasilkan oleh sistem sesuai dengan keputusan asli tanpa sistem yang diambil pada proses seleksi PSM Cantus Firmus tahun 2015. Hasil analisis menunjukkan bahwa prosentase kemiripan terbesar adalah menggunakan metode deffuzifikasi MOM dengan bobot untuk kriteria vokal sebesar 50% dan bobot untuk kriteria wawancara sebesar 50% dengan prosentase kemiripan 91,045%. Kata kunci: logika kabur mamdani, multi-attribute decision making, simple additive weighting, seleksi, penerimaan anggota baru paduan suara mahasiswa.

ix


ABSTRACT

New members audition for Cantus Firmus Student Choir of Sanata Dharma University is annually held. There are two big steps in this audition; vocal section and interview. The interviewers will test about: knowledge of Cantus Firmus Student Choir, motivation, organization experiences, self-recognition and candidate mental. There are about 300 candidates applying each year, but only 40 up to 60 candidates who will be accepted. It is because Cantus Firmus Student Choir doesn't have enough space and coach to train all the applicants. They found some difficulties in the audition, there are many aspects to be judged and limitation of the interviewers. Furthermore, interview section scoring is difficult enough to be judged, wether the candidate is judged as high or low category. Selection system using fuzzy logic and multi-attribute decision making simple additive weighting that was built is expected to solve the problems. Some steps in Mamdani Fuzzy Logic are forming fuzzy sets, implication function application, rules compotition, and deffuzyfication. Max method is used as rules compotition. Deffuzyfication process applies three methods, SOM (Smallest of Maximum), MOM (Mean of Maximum) and LOM (Largest of Maximum). Some steps in MADM-SAW are forming decision matrix, matrix normalization, subjective weight defining and preference counting. Final result of preference counting is accending-sorted. Researcher analyzes the decision of the system by comparing the decision with the real result of Cantus Firmus 2015 audition. The result of the analysis shows that the best similarity is combination of SOM deffuzyfication and 50:50 weight of vocal and interview. The similarity percentage is 91,045%. Key words: logika kabur mamdani, multi-attribute decision making, simple additive weighting, seleksi, penerimaan anggota baru paduan suara mahasiswa.

x


KATA PENGANTAR

Di dalam nama Bapa, dan Putera dan Roh Kudus penulis mengucapkan puji dan syukur karena telah diberikan kesempatan dan kekuatan yang luar biasa untuk dapat menyelesaikan tugas akhir ini sesuai waktu yang telah ditentukan. Adalah suatu perjuangan untuk dapat menyelesaikan skripsi ini di tengah kesibukan akan tugas dan tanggung jawab yang lain. Pada kesempatan ini pula penulis hendak mengucapkan terima kasih kepada beberapa pihak: 1. Ibu Dr. Anastasia Rita Widiarti selaku Ketua Program Studi Teknik Informatika dan juga dosen pengampu mata kuliah Metode Penelitian. Terima kasih makian dan semangat yang tak pernah padam kepada kelas Metopen Komputasi 2012. 2. Bapak Eko Hari Parmadi S. Si., M. Kom., selaku dosen pembimbing yang telah memberikan masukan yang sangat berguna serta memberi pencerahan bagi penulis. 3. Teman-teman jurusan komputasi angkatan 2012, terima kasih sudah samasama berjuang, sama-sama diabaikan serta sama-sama bahu-membahu menyelesaikan skripsi ini beriringan. 4. PSM Cantus Firmus, sekaligus keluarga kedua penulis, terima kasih atas sekolah hidup yang telah diberikan, serta inspirasi atas segala hal dalam hidup saya. 5. Teman-teman Teknik Informatika angkatan 2012, terima kasih karena kalian masih menemani penulis berjuang bersama-sama hingga saat ini, meskipun penulis jarang hadir di tengah-tengah kalian, mari kita selesaikan puncak perjuangan yang tersisa ini. 6. Saudara-saudara dari anak bimbingan Pak Eko Hari, terutama Novi, dan juga Tri terima kasih sudah saling membantu meskipun penulis lebih banyak dibantu daripada membantu.

xi


7. Teman nongkrong, teman menggarap, teman menggossip, Yoga, Nita, Ajeng, Arta, Tamara, Gety, Kris, Aditya, dan sepenggal kegalauan. Terima kasih atas kegilaan, waktu lembur, rahasia dan rasa sakit yang boleh jadi semangat untuk menyelesaikan skripsi ini. 8. Serta pihak-pihak lain yang tidak dapat penulis sebutkan satu persatu secara langsung maupun tidak langsung telah membantu penulis dalam menyelesaikan proposal tugas akhir ini. Penulis menyadari bahwa skripsi ini masih jauh dari sempurna. Oleh sebab itu, penulis memohon dengan penuh kerendahan hati akan segala kritik dan saran serta masukan yang membangun demi kelengkapan skripsi ini. Semoga skripsi ini bermanfaat bagi siapapun yang membaca.

Penulis,

Yosef Yudha Prasetya

xii


DAFTAR ISI SELEKSI PENERIMAAN ANGGOTA BARU .............................................................. i HALAMAN PERSETUJUAN ........................................................................................ iii HALAMAN PENGESAHAN .......................................................................................... iv HALAMAN MOTO .......................................................................................................... v HALAMAN PERSEMBAHAN ...................................................................................... vi PERNYATAAN KEASLIAN KARYA ......................................................................... vii LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ..................................................................... viii ABSTRAK ........................................................................................................................ ix ABSTRACT ...................................................................................................................... ix KATA PENGANTAR ....................................................................................................... x DAFTAR ISI................................................................................................................... xiii DAFTAR GAMBAR ...................................................................................................... xvi DAFTAR TABEL ........................................................................................................ xviii BAB I PENDAHULUAN ................................................................................................. 1 1.1.

Latar Belakang .................................................................................................... 1

1.2.

Rumusan Masalah ............................................................................................... 3

1.3.

Tujuan Penelitian ................................................................................................ 3

1.4.

Batasan Masalah ................................................................................................. 4

1.5.

Manfaat Penelitian .............................................................................................. 5

1.6.

Sistematika Penulisan ......................................................................................... 6

BAB II LANDASAN TEORI .......................................................................................... 7 2.1.

Logika Kabur ...................................................................................................... 7

2.1.1. Variabel Linguistik ............................................................................................. 7 2.1.2. Pengubah Linguistik ........................................................................................... 7 2.1.3. Proposisi Kabur ................................................................................................... 8 2.1.4. Implikasi Kabur .................................................................................................. 9 2.1.5. Penalaran Kabur ................................................................................................ 11 2.1.6. Sistem Inferensi Mamdani ................................................................................ 13 2.2.

Sistem Pendukung Pengambilan Keputusan ..................................................... 16

2.2.1.

Pengambilan Keputusan............................................................................ 16

2.2.2.

Definisi Sistem Pendukung Pengambilan Keputusan ............................... 17

xiii


2.3.

Multi-Attribute Decision Making ..................................................................... 18

2.3.1.

Multiple Criteria Decision making (MCDM) ........................................... 18

2.3.2. Metode Penyelesaian Masalah MADM dengan Simple Additvice Weighting (SAW) ..................................................................................................... 19 BAB III METODE PENELITIAN ............................................................................... 21 3.1.

Gambaran Umum Penelitian ............................................................................. 21

3.2.

Data ................................................................................................................... 21

3.2.1.

Sumber Data.............................................................................................. 21

3.2.2.

Teknik Pengumpulan Data ........................................................................ 22

3.2.3.

Data yang Digunakan ................................................................................ 22

3.3.

Spesifikasi Alat ................................................................................................. 22

3.4.

Tahap Penelitian................................................................................................ 23

3.4.1.

Penelusuran Pustaka.................................................................................. 23

3.4.2.

Analisis Sistem yang Serupa ..................................................................... 23

3.4.3.

Prosedur Pengumpulan Data ..................................................................... 24

3.4.4.

Perancangan dan Pembuatan Alat Uji ....................................................... 24

3.4.5.

Prosedur Pengujian ................................................................................... 24

3.4.6.

Analisis Hasil ............................................................................................ 26

3.4.7.

Penulisan Laporan ..................................................................................... 26

3.5.

Gambaran Rancangan Alat ............................................................................... 26

3.5.1.

Diagram Dekomposisi............................................................................... 26

3.5.2.

Diagram Konteks ...................................................................................... 27

3.5.3.

Diagram Arus Data(DAD) ........................................................................ 28

3.5.4.

Diagram Use-Case .................................................................................... 29

3.5.5.

Rancangan Basis Data............................................................................... 30

3.5.6.

Pengujian................................................................................................... 34

BAB IV IMPLEMENTASI DAN ANALISIS HASIL ................................................ 46 4.1.

Implementasi ..................................................................................................... 46

4.1.1.

Implementasi Tampilan Antarmuka .......................................................... 46

4.1.1.1.

Halaman Utama Sistem ......................................................................... 46

4.1.1.2.

Daftar Audisi ......................................................................................... 46

4.1.1.3.

Login ..................................................................................................... 47

4.1.1.4.

Halaman Utama Setelah Login ............................................................. 47

4.1.1.5.

Cari NIM ............................................................................................... 48

xiv


4.1.1.6.

Input Nilai ............................................................................................. 48

4.1.1.7.

Lihat Ranking........................................................................................ 49

4.1.1.8.

Tambah Aturan (Rule) .......................................................................... 50

4.1.1.9.

Ubah Bobot Kriteria .............................................................................. 51

4.1.2.

Implementasi Logika Kabur (Fuzzy Logic)............................................... 52

4.1.2.1.

Implementasi Perhitungan Alpha Predikat............................................ 52

4.1.2.2.

Implementasi Aturan Komposisi Max .................................................. 53

4.1.2.3.

Implementasi Defuzzyfikasi SOM (Smallest of Maximum).................. 54

4.1.2.4.

Implementasi Defuzzyfikasi MOM (Mean of Maximum) ..................... 55

4.1.2.5.

Implementasi Defuzzyfikasi LOM (Largest of Maximum) ................... 56

4.1.3. Implementasi Multi-Attribute Decision Making – SAW (Simple Additive Weighting) ................................................................................................................. 57 4.1.3.1.

Penentuan Nilai Max............................................................................. 58

4.1.3.2.

Simple Additive Weighting (SAW) ...................................................... 58

4.1.3.3.

Perhitungan Preferensi .......................................................................... 59

4.2.

Analisis Hasil .................................................................................................... 60

4.2.1. Analisis Aturan Komposisi Max dengan Defuzifikasi SOM ............................ 63 4.2.2. Analisis Aturan Komposisi Max dengan Defuzifikasi MOM........................... 72 4.2.3. Analisis Aturan Komposisi Max dengan Defuzifikasi LOM ............................ 81 4.3.

Analisis Hasil Keseluruhan ............................................................................... 91

BAB V KESIMPULAN DAN SARAN ......................................................................... 94 5.1.

Kesimpulan ....................................................................................................... 94

5.2.

Saran ................................................................................................................. 95

xv


DAFTAR GAMBAR Gambar 3.1 Flowchart Proses Penelitian .......................................................................... 25 Gambar 3.2 Diagram Dekomposisi ................................................................................... 27 Gambar 3.3 Diagram Konteks .......................................................................................... 27 Gambar 3.4 Diagram Arus Data Level 1 .......................................................................... 28 Gambar 3.5 Diagram Arus Data Level 2.1 ....................................................................... 28 Gambar 3.6 Diagram Arus Data Level 2.2 ....................................................................... 29 Gambar 3.7 Use-Case Sistem PAB PSM CF USD ........................................................... 29 Gambar 3.8 Entity Relationship Diagram (ERD) ............................................................. 30 Gambar 3.9 Relational Table Model ................................................................................. 31 Gambar 3.10 Fungsi Keanggotaan Aspek Wawancara ..................................................... 35 Gambar 3.11 Fungsi Keanggotaan Catatan Negatif.......................................................... 36 Gambar 3.12 Fungsi Keanggotaan Skor Wawancara ....................................................... 37 Gambar 3.13 Daerah Hasil Komposisi ............................................................................. 41 Gambar 4.1 Halaman Utama............................................................................................. 46 Gambar 4.2 Halaman Daftar Audisi ................................................................................. 47 Gambar 4.3 Halaman Login .............................................................................................. 47 Gambar 4.4 Halaman Utama Setelah Login ..................................................................... 48 Gambar 4.5 Halaman Cari NIM ........................................................................................ 48 Gambar 4.6 Halaman Input Nilai ...................................................................................... 49 Gambar 4.7 Halaman Ranking Calon Anggota ................................................................ 50 Gambar 4.8 Halaman Input Aturan (Rule)........................................................................ 50 Gambar 4.9 Halaman Penentuan Bobot Kriteria .............................................................. 51 Gambar 4.10 Listing Kode Program Pencarian Alfa Predikat Variabel 1 ........................ 52 Gambar 4.11 Listing Kode Program Pencarian Alfa Predikat Variabel 2 ........................ 53 Gambar 4.12 Listing Kode Program Aplikasi Fungsi Implikasi MIN ............................. 53 Gambar 4.13 Listing Kode Program Penampungan Nilai Alfa Predikat ......................... 54 Gambar 4.14 Listing Kode Program Komposisi Antar Aturan (MAX)............................ 54 Gambar 4.15 Listing Kode Program Deffuzifikasi SOM ................................................. 55 Gambar 4.16 Listing Kode Program Deffuzifikasi MOM ............................................... 56 Gambar 4.17 Listing Kode Program Deffuzifikasi LOM ................................................ 57 Gambar 4.18 Listing Kode Program Penentuan Nilai Max .............................................. 58

xvi


Gambar 4.19 Listing Kode Program SAW ....................................................................... 59 Gambar 4.20 Listing Kode Program Perhitungan Nilai Preferensi................................... 59 Gambar 4.21 Diagram Prosentase Max-SOM (Sopran) ................................................... 65 Gambar 4.22 Diagram Prosentase Max-SOM (Alto) ........................................................ 67 Gambar 4.23 Diagram Prosentase Max-SOM (Tenor) ..................................................... 69 Gambar 4.24 Diagram Prosentase Max-SOM (Bass) ....................................................... 71 Gambar 4.25 Diagram Prosentase Max-SOM ................................................................. 71 Gambar 4.26 Diagram Prosentase Max-MOM (Sopran) .................................................. 75 Gambar 4.27 Diagram Prosentase Max-MOM (Alto) ...................................................... 77 Gambar 4.28 Diagram Prosentase Max-MOM (Tenor) .................................................... 79 Gambar 4.29 Diagram Prosentase Max-MOM (Bass) ...................................................... 81 Gambar 4.30 Diagram Prosentase Max-MOM ................................................................ 81 Gambar 4.31 Diagram Prosentase Max-LOM (Sopran) ................................................... 84 Gambar 4.32 Diagram Prosentase Max-LOM (Alto) ....................................................... 87 Gambar 4.33 Diagram Prosentase Max-LOM (Tenor) ..................................................... 89 Gambar 4.34 Diagram Prosentase Max-LOM (Bass) ....................................................... 90 Gambar 4.35 Diagram Prosentase Max-LOM ................................................................. 91 Gambar 4.36 Grafik Prosentase Hasil Keseluruhan .......................................................... 92

xvii


DAFTAR TABEL Tabel 2.1 Tabel DSS versus EDP ....................................................................................... 7 Tabel 2.2 Perbedaan antara MADM dan MODM............................................................. 19 Tabel 3.1 Tabel Penguji .................................................................................................... 31 Tabel 3.2 Tabel Calon Anggota ........................................................................................ 32 Tabel 3.3 Tabel Penguji Calon.......................................................................................... 33 Tabel 3.4 Tabel Nilai ........................................................................................................ 33 Tabel 3.5 Tabel Aturan ..................................................................................................... 34 Tabel 3.6 Tabel Contoh Input MADM ............................................................................. 42 Tabel 3.7 Tabel Hasil Akhir .............................................................................................. 44 Tabel 4.1 Tabel Daftar Peserta PAB PSM Cantus Firmus 2015....................................... 60 Tabel 4.2 Tabel Hasil Ranking Jenis Suara Sopran (SOM) .............................................. 63 Tabel 4.3 Tabel Perbandingan Data Asli dan Alat Uji (Sopran-SOM)............................. 64 Tabel 4.4 Tabel Hasil Ranking Jenis Suara Alto (SOM) .................................................. 65 Tabel 4.5 Tabel Perbandingan Data Asli dan Alat Uji (Alto-SOM) ................................. 66 Tabel 4.6 Tabel Hasil Ranking Jenis Suara Tenor (SOM)................................................ 68 Tabel 4.7 Tabel Perbandingan Data Asli dan Alat Uji (Tenor-SOM) .............................. 68 Tabel 4.8 Tabel Hasil Ranking Jenis Suara Bass (SOM).................................................. 70 Tabel 4.9 Tabel Perbandingan Data Asli dan Alat Uji (Bass-SOM) ................................ 70 Tabel 4.10 Tabel Hasil Ranking Jenis Suara Sopran (MOM) .......................................... 72 Tabel 4.11 Tabel Perbandingan Data Asli dan Alat Uji (Sopran-MOM) ......................... 73 Tabel 4.12 Tabel Hasil Ranking Jenis Suara Alto (MOM) ............................................... 75 Tabel 4.13 Tabel Perbandingan Data Asli dan Alat Uji (Alto-MOM).............................. 76 Tabel 4.14 Tabel Hasil Ranking Jenis Suara Tenor (MOM) ............................................ 77 Tabel 4.15 Tabel Perbandingan Data Asli dan Alat Uji (Tenor-MOM) ........................... 78 Tabel 4.16 Tabel Hasil Ranking Jenis Suara Bass (MOM) .............................................. 79 Tabel 4.17 Tabel Perbandingan Data Asli dan Alat Uji (Bass-MOM) ............................. 80 Tabel 4.18 Tabel Hasil Ranking Jenis Suara Sopran (LOM)............................................ 81 Tabel 4.19 Tabel Perbandingan Data Asli dan Alat Uji (Sopran-LOM) .......................... 82 Tabel 4.20 Tabel Hasil Ranking Jenis Suara Alto (LOM) ................................................ 85 Tabel 4.21Tabel Perbandingan Data Asli dan Alat Uji (Alto-LOM)................................ 85 Tabel 4.22 Tabel Hasil Ranking Jenis Suara Tenor (LOM) ............................................. 87

xviii


Tabel 4.23 Tabel Perbandingan Data Asli dan Alat Uji (Tenor-LOM) ............................ 88 Tabel 4.24 Tabel Hasil Ranking Jenis Suara Bass (LOM) ............................................... 89 Tabel 4.25 Tabel Perbandingan Data Asli dan Alat Uji (Bass-LOM) .............................. 90 Tabel 4.26 Tabel Prosentase Hasil Keseluruhan ............................................................... 91 Tabel 4.27 Tabel Perbandingan Bobot dan Metode Deffuzifikasi .................................... 93

xix


BAB I PENDAHULUAN 1.1.

Latar Belakang Universitas Sanata Dharma adalah salah satu universitas swasta yang memiliki motto cerdas dan humanis. Untuk menjadikan mahasiswa lulusan Universitas Sanata Dharma menjadi pribadi yang cerdas dan humanis, setiap mahasiswa harus memiliki minimal sepuluh poin keaktifan mahasiswa tidak hanya di bidang akademis tetapi juga non akademis. Salah satu poin yang bisa didapatkan oleh mahasiswa adalah dengan menjadi anggota unit kegiatan mahasiswa(UKM). Salah satu unit kegiatan mahasiswa yang terbesar di Universitas Sanata Dharma adalah UKM Paduan Suara Mahasiswa atau lebih dikenal dengan nama UKM PSM Cantus Firmus. Nama UKM PSM Cantus Firmus sendiri baru dicetuskan pada tahun 1993 setelah sebelumnya berdiri dengan nama Paduan Suara Driyarkara. PSM Cantus Firmus rutin mengisi acara saat Wisuda Universitas Sanata Dharma, mengadakan konser besar dan mengikuti lomba-lomba. Universitas Sanata Dharma setiap tahun menerima kurang lebih 3000 mahasiswa baru. Minat mahasiswa terhadap bidang tarik suara ataupun perfoma musik cukup besar. Tentu saja PSM Cantus Firmus tidak mampu mengakomodasi seluruh peminat paduan suara, melihat banyaknya pendaftar setiap tahunnya kurang lebih 200-300 orang. Untuk menjadi anggota PSM Cantus Firmus membutuhkan seleksi yang meliputi beberapa tahap. Penerimaan calon anggota baru(PAB) UKM Paduan Suara Mahasiswa merupakan salah satu momen yang ditunggu-tunggu bagi para peminat dunia tarik suara yang haus akan panggung hiburan. PSM Cantus Firmus setiap tahunnya hanya menerima 40-50 orang anggota baru. Hal tersebut

1

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 2

dilakukan karena terbatasnya tempat serta tenaga kerja yang melatih dan mendampingi para penyanyi. Banyaknya pendaftar membuat panitia penerimaan anggota baru PSM Cantus Firmus membutuhkan waktu yang cukup lama untuk mengadakan rapat penentuan anggota baru. Ada dua tahap besar yang harus dilalui oleh calon anggota baru yang pertama yaitu seleksi musikalitas/vokalitas dan yang kedua adalah seleksi wawancara yang dilaksanakan dalam dua tahap. Seleksi musikalitas/vokalitas dibagi menjadi empat bagian yakni seleksi notasi, ketukan, solfeggio dan tes rentang suara. Sedangkan seleksi wawancara dibagi menjadi lima bagian besar yakni pengetahuan tentang PSM Cantus Firmus, Motivasi, Pengalaman Berorganisasi, Pengenalan Diri dan Mental yang baik. Setiap poin dalam seleksi wawancara memiliki subcakupan. Tentu saja tidak semua kriteria tentu mampu dipenuhi calon anggota PSM Cantus Firmus. Yang menjadi ketakutan para panitia penerimaan anggota baru PSM Cantus Firmus adalah salah dalam menerima anggota baru. Muncul ide untuk membantu proses seleksi calon anggota baru PSM Cantus Firmus sehingga lebih cepat. Dengan membuat aplikasi atau sistem pendukung pengambilan keputusan maka masalah yang dihadapi PSM Cantus Firmus diharapkan dapat dibantu pemecahannya. Menurut Deni, (2008:112) logika kabur sangat membantu mengatasi kondisi ketidaktegasan dan kekakuan kriteria. Salah satu algoritma yang dapat digunakan untuk mengambil keputusan adalah algoritma logika kabur (Fuzzy Logic). Sistem pendukung keputusan seleksi anggota paduan suara sebenarnya sudah pernah dikerjakan oleh Jayanti dan Hartati (2012). Dalam penelitiannya, Jayanti dan Hartati menggunakan penalaran Logika Kabur Mamdani. Variabel dibagi menjadi dua besar, yakni kelompok kriteria umum dan kriteria teknik vokal. Kelompok kriteria umum terdiri dari tiga variable yakni Usia, Pengalaman dan Kedisiplinan. Sedangkan kriteria teknik vokal terdiri dari Artikulasi, Intonasi dan Ambitus suara. Aplikasi


fungsi implikasi dilakukan dua kali, masing-masing untuk kriteria umum dan teknik vokal. Variabel Pembatas dibuat sebagai konsekuensi atas antiseden-antiseden pada aplikasi fungsi implikasi. Komposisi antar aturan yang digunakan adalah MAX dan metode penegasan yang digunakan adalah metode centroid. Hasil akhir yang didapat adalah sebuh keputusan diterima atau tidak seseorang dalam paduan suara tersebut. Pada studi kasus ini, variabel penelitian dibagi menjadi dua kelompok besar yakni, kelompok wawancara dan vokal. Peneliti melakukan penerapan logika kabur hanya pada kelompok wawancara saja, yakni antara variabel aspek-aspek wawancara (pengetahuan tentang PSM, Motivasi, Pengalaman Berorganisasi, Pengenalan Diri dan Mental) dengan variabel catatan negatif penguji. Hal tersebut dilakukan untuk mendapatkan skor akhir sebagai hasil proses penegasan. Selanjutnya, untuk mendapatkan calon anggota terbaik, peneliti menggunakan Multi Attribute Decision Making. Sebagai kriteria adalah skor Wawancara (hasil perhitungan menggunakan Logika Kabur) dan skor Vokal. 1.2.

Rumusan Masalah 1. Apakah keputusan yang dihasilkan oleh algoritma logika kabur sesuai dengan keputusan yang diambil oleh panitia PAB PSM Cantus Firmus? 2. Apakah Logika Kabur dan Multi Attribute Decision Making dapat diterapkan dalam kasus penerimaan anggota baru paduan suara mahasiswa?

1.3.

Tujuan Penelitian 1. Mengetahui apakah logika kabur dan Multi Attribute Decision Making dapat memberikan keputusan sesuai dengan keputusan yang diambil oleh panitia PAB PSM.


2. Mengetahui apakah logika kabur dan Multi Attribute Decision Making dapat diterapkan dalam kasus penerimaan anggota baru paduan suara mahasiswa Cantus Firmus. 1.4.

Batasan Masalah Sesuai dengan rumusan masalah yang telah dituliskan di atas, masalah yang dibatasi berupa: 1) Sistem inferensi yang digunakan adalah sistem inferensi Mamdani. 2) Sistem implikasi kabur yang digunakan adalah MIN. 3) Data yang akan diuji adalah data penerimaan anggota baru paduan suara mahasiswa Cantus Firmus angkatan 2015. 4) Kriteria yang akan digunakan menjadi variabel(Logika Kabur) adalah aspek-aspek pada tahap seleksi wawancara (pengetahuan tentang PSM, motivasi, pengalaman berorganisasi, pengenalan diri dan mental) dan catatan negatif penguji.


1.5.

Manfaat Penelitian Manfaat dengan ditulisnya penelitian ini dapat dilihat dalam 3 sudut pandang, yakni

1.5.1. Bagi Peneliti Penelitian ini berguna untuk melatih peneliti menerjemahkan bahasa manusia ke dalam bahasa pemrograman, sesuai dengan algoritma logika kabur. Peneliti juga akan mengetahui lebih dalam mengenai algoritma logika kabur, dan jika memungkinkan dapat menerapkan logika kabur untuk bidang kehidupan yang lain. 1.5.2. Bagi Pembaca Pembaca dapat mengetahui salah satu penerapan dari ilmu logika kabur dalam kehidupan sehari-hari. Selain itu, pembaca dapat mengetahui seberapa mirip keputusan yang diambil menggunakan logika kabur dengan yang diambil manusia. 1.5.3. Bagi PSM Cantus Firmus Jika SPK yang dibuat benar-benar berhasil, PSM Cantus Firmus akan dapat bekerja dengan lebih produktif. Terutama dalam mengambil keputusan, tidak perlu mengadakan rapat penentuan anggota baru yang memakan banyak waktu dan tenaga. 1.5.4. Bagi peneliti selanjutnya Penelitian ini dapat membantu peneliti selanjutnya yang akan menggunakan algoritma logika kabur untuk studi lebih lanjut. Terutama akurasi logika kabur dalam penerapannya untuk mengambil keputusan.


1.6.

Sistematika Penulisan BAB I. Pendahuluan Bab ini berisi latar belakang, rumusan masalah, tujuan, batasan masalah, manfaat penelitian dan sistematika penulisan.

BAB II. Landasan Teori Bab ini akan menjelaskan mengenai teori yang berkaitan dengan judul/masalah di tugas akhir. Penjelasan tersebut yakni mengenai sistem pengambilan keputusan, Logika Kabur (Fuzzy Logic) dan juga MultiAttribute Decision Making (MADM) Simple Additive Weighting (SAW). BAB III. Metode Penelitian Bab ini akan menjelaskan gambaran umum teknis persoalan penelitian, data yang akan diolah dalam penelitian, alat yang akan dipergunakan dalam proses penelitian, keterangan rinci tahap-tahap penelitian, dan gambaran rancangan alat yang akan dibangun. BAB IV. Implementasi dan Analisis Hasil Bab ini berisi hasil implementasi rancangan sistem terdiri dari potongan gambar antar muka, potongan kode program dan juga analisis hasil penelitian. BAB V. Kesimpulan dan Saran Bab ini akan berisi kesimpulan umum dari hasil analisi dan juga saran bagi pengembang sistem seleksi selanjutnya.


BAB II LANDASAN TEORI

2.1.

Logika Kabur

2.1.1. Variabel Linguistik Menurut Frans Susilo, SJ (2006), suatu variabel adalah suatu lambang atau kata yang menunjuk kepada sesuatu yang tidak tertentu dalam semesta wacananya. Misalnya dalam kalimat: “Mahasiswa itu lulus dengan pujian”, kata “mahasiswa” adalah suatu variabel karena menunjuk kepada orang yang tidak tertentu dalam semesta wacananya yaitu himpunan manusia. Demikian pula dalam proposisi: “x habis dibagi 2”, lambang “x” adalah suatu variabel dengan semesta wacana himpunan bilangan-bilangan. Suatu variabel dapat diganti oleh unsur-unsur dalam semesta wacananya, misalnya variabel “mahasiswa” dapat diganti dengan “Anton”, dan variabel “x” dapat diganti dengan bilangan 4. Kata “Anton” dan lambang “4” menunjuk pada unsur yang tertentu pada masing-masing semesta wacananya, dan disebut konstanta. Kalau semesta wacananya adalah himpunan bilangan-bilangan, maka variabelnya disebut variabel numeris; sedangkan kalau semesta wacananya adalah himpunan kata-kata atau istilah-istilah dari bahasa sehari-hari (misalnya: tinggi, cepat, muda, dst), maka variabelnya disebut variabel linguistik. (Susilo, 2006) 2.1.2. Pengubah Linguistik Menurut Frans Susilo, SJ, (2006) dalam bukunya “Himpunan dan Logika Kabur serta aplikasinya”, Pengubah linguistik (linguistic hedge/modifier) adalah suatu kata yang dipergunakan untuk mengubah suatu kata/istilah menjadi kata/istilah yang baru dengan makna yang baru pula. Dua pengubah linguistik yang paling sering dipakai adalah “sangat” dan “agak”. 7


Jika suatu istilah A dikaitkan dengan himpunan kabur Ã dalam semesta X, maka istilah “sangat A” dikaitkan dengan himpunan kabur konsentrasi dari Ã, dengan lambang Kon(Ã) dan fungsi keanggotaan 𝜇𝐾𝑜𝑛(Ã) (𝑥) = (𝜇Ã (𝑥))2 ……………….......(2.1) untuk setiap 𝑥 ∈ 𝑋, sedangkan istilah “agak A” dikaitkan dengan himpunan kabur dilasi dari Ã, dengan lambang Dil(Ã) dan fungsi keanggotaan 1

𝜇𝐷𝑖𝑙(Ã) (𝑥) = (𝜇Ã (𝑥))2 ………………....... (2.2) untuk setiap 𝑥 ∈ 𝑋. 2.1.3. Proposisi Kabur Proposisi kabur adalah kalimat yang memuat predikat kabur, yaitu predikat yang dapat direpresentasikan dengan suatu himpunan kabur. Proposisi kabur yang mempunyai nilai kebenaran tertentu disebut pernyataan kabur. Nilai kebenaran dari suatu pernyataan kabur disajikan dengan suatu bilangan real dalam selang [0,1]. Nilai kebenaran itu juga disebut derajat kebenaran dari pernyataan kabur itu. Bentuk umum dari suatu proposisi kabur adalah x adalah A di mana x adalah suatu variabel linguistik dan predikat A adalah suatu nilai linguistik dari x. Bila Ã adalah himpunan kabur yang dikaitkan dengan nilai linguistik A dan 𝑥° adalah suatu elemen tertentu dalam semesta X dari himpunan kabur Ã, maka 𝑥° mempuyai derajat keanggotaan 𝜇 Ã (𝑥° ) dalam himpunan kabur Ã. Derajat kebenaran dari pernyataan kabur 𝑥° adalah A didefinisikan sama dengan derajat keanggotaan 𝑥° dalam himpunan kabur Ã, yaitu 𝜇 Ã (𝑥° ).


Seperti halnya dengan proposisi yang tegas, kita juga dapat membentuk proposisi kabur majemuk dari proposisi-proposisi kabur tunggal, dengan menggunakan operator-operator logika. Beberapa contoh proposisi kabur majemuk misalnya: Orang itu kaya dan rumahnya besar Sekolah itu mahal atau kemampuan finansial orang tua siswanya rendah Bila prestasi studi tinggi, maka peluang memperoleh beasiswa juga tinggi Udara dingin bila dan hanya bila suhunya rendah Secara umum terdapat empat macam proposisi kabur majemuk dengan operator logika biner, yaitu: Konjungsi kabur

: x adalah A dan y adalah B

Disjungsi kabur

: x adalah A atau y adalah B

Implikasi kabur

: Bila x adalah A, maka y adalah B

Ekivalensi kabur

: x adalah A bila dan hanya bila y adalah B

Perhatikan bahwa variabel-variabel linguistik dalam proposisiproposisi tunggal penyusunnya tidak harus sama (yaitu tidak harus dalam semesta numeris yang sama). Proposisi kabur majemuk yang paling sering dipakai dalam aplikasi teori kabur adalah implikasi kabur, yang akan dibahas dalam subbab berikut.

2.1.4. Implikasi Kabur Bentuk umum suatu implikasi kabur adalah


Bila x adalah A, maka y adalah B di mana A dan B adalah predikat-predikat kabur yang dikaitkan dengan himpunan-himpunan kabur Ã dan 𝐵̃ dalam semesta X dan Y berturut-turut. Seperti halnya dengan konjungsi dan disjungsi kabur, implikasi kabur juga dapat dipandang sebagai suatu relasi kabur dalam 𝑋 × 𝑌, yang akan dilambangkan dengan →. Dalam logika dwinilai, telah diketahui bahwa implikasi tegas 𝑝 ⟹ 𝑞 adalah ekivalen dengan ¬𝑝 ∨ 𝑞. Berdasarkan ekivalensi tersebut, dengan mengganti proposisi p dan q berturut-turut dengan proposisi kabur “x adalah A” dan “y adalah B”, implikasi kabur tersebut di atas dapat diinterpretasikan sebagai relasi kabur → dalam 𝑋 × 𝑌 dengan fungsi keanggotaan 𝜇→ (𝑥, 𝑦) = 𝑠 (𝑘(𝜇𝐴̃ (𝑥)), 𝜇𝐵̃ (𝑦))…………….. (2.3) di mana s adalah suatu norma-s dan nk adalah suatu komplemen kabur. Bila sebagai norma-s dan komplemen kabur diambil operasi-operasi gabungan dan komplemen baku, maka diperoleh 𝜇→ (𝑥, 𝑦) = 𝑚𝑎𝑥(1 − 𝜇𝐴̃ (𝑥), 𝜇𝐵̃ (𝑦))…………… (2.4) yang seringkali disebut implikasi Dienes-Rescher. Karena implikasi tegas 𝑝 ⟹ 𝑞 juga ekivalen dengan (𝑝 ∧ 𝑞) ∨ ¬𝑝, maka implikasi kabur di atas juga dapat diinterpretasikan sebagai relasi kabur → dalam 𝑋 × 𝑌 dengan fungsi keanggotaan 𝜇→ (𝑥, 𝑦) = 𝑠 (𝑡(𝜇𝐴̃ (𝑥), 𝜇𝐵̃ (𝑦)), 𝑘(𝜇𝐵̃ (𝑦)))……....... (2.5) di mana s adalah suatu norma-s, t adalah suatu norma-t, dan k adalah suatu komplemen kabur. Bila sebagai norma-s, norma-t, dan komplemen kabur diambil operasi-operasi gabungan, irisan, dan komplemen baku, maka diperoleh


𝜇→ (𝑥, 𝑦) = 𝑚𝑎𝑥 (𝑚𝑖𝑛(𝜇𝐴̃ (𝑥), 𝜇𝐵̃ (𝑦)), 1 − 𝜇𝐵̃ (𝑦))…… (2.6) yang seringkali disebut implikasi Zadeh. Dalam literatur masih banyak interpretasi lainnya untuk implikasi kabur. Salah satu implikasi kabur yang paling sering digunakan dalam aplikasi sistem kabur adalah implikasi Mamdani. Implikasi ini didasarkan pada asumsi bahwa implikasi kabur pada dasarnya bersifat lokal, dalam arti bahwa implikasi Bila x adalah A, maka y adalah B hanya berbicara mengenai keadaan di mana x adalah A dan y adalah B saja, tidak mengenai keadaan lainnya di luar itu. Berdasarkan asumsi tersebut, implikasi kabur dapat dipandang sebagai suatu konjungsi kabur, sehingga diperoleh 𝜇→ (𝑥, 𝑦) = 𝑡(𝜇𝐴̃ (𝑥), 𝜇𝐵̃ (𝑦))……………… (2.7) yang disebut implikasi Mamdani. Bila sebagai norma-t diambil operasi baku “min”, maka diperoleh 𝜇→𝑚𝑚 (𝑥, 𝑦) = 𝑚𝑖𝑛(𝜇𝐴̃ (𝑥), 𝜇𝐵̃ (𝑦))………….. (2.8) Implikasi kabur dapat diperluas menjadi implikasi dengan bentuk umum: Jika , maka di mana PK1 dan PK2 berturut-turut adalah proposisi kabur dalam semesta 𝑋1 × 𝑋2 × … × 𝑋𝑛 dan 𝑌1 × 𝑌2 × … × 𝑌𝑛 .

2.1.5. Penalaran Kabur Penalaran kabur (fuzzy reasoning), yang seringkali juga disebut penalaran hampiran (approximate reasoning), adalah suatu cara penarikan


kesimpulan berdasarkan seperangkat implikasi kabur dan suatu fakta yang diketahui (yang sering kali disebut premis). Penalaran (penarikan kesimpulan) dalam logika klasik didasarkan pada tautologi-tautologi, yaitu proposisi-proposisi yang selalu benar, tanpa tergantung pada nilai kebenaran proposisi-proposisi penyusunnya. Salah satu aturan penalaran yang paling sering dipergunakan ialah modus ponens, yang didasarkan pada tautologi: ((𝑝 ⇒ 𝑞) ∧ 𝑝) ⇒ 𝑞 …………………....... (2.9) Bentuk umum penalaran modus ponens adalah sebagai berikut: 1. Bila x adalah A, maka y adalah B

(Premis 1 / Kaidah)

2. x adalah A

(Premis 2 / Fakta)

__________________________________________________ 3. ∴

y adalah B

(Kesimpulan)

Perhatikan bahwa penarikan kesimpulan di atas terdari dari: 1. Sebuah proposisi majemuk berbentuk implikasi, yang merupakan suatu kaidah/aturan yang berlaku (premis 1). 2. Sebuah proposisi tunggal sebagai fakta yang diketahui (premis 2). 3. Kesimpulan, yang ditarik berdasarkan kedua proposisi (premis) tersebut. Aturan penalaran tegas ini dapat dirampatkan menjadi aturan kabur dengan premis dan kesimpulannya adalah proposisi-proposisi kabur. Kita perhatikan suatu contoh penalaran kabur berikut ini: Premis 1

: Bila pakaian kotor, maka pencuciannya lama

Premis 2

: Pakaian agak kotor

Kesimpulan

: Pencuciannya agak lama


Penalaran tersebut dapat dirumuskan secara umum dengan skema sebagai berikut: Premis 1 (Kaidah)


Premis 2 (Fakta)

: x adalah A`

Kesimpulan

: y adalah B`

Penalaran kabur dengan skema seperti di atas itu disebut modus ponens rampat (generalized modus ponens). Dalam modus ponens rampat kaidah inferensi komposisional diterapkan sebagai berikut: Premis 1


(yang merupakan relasi/implikasi kabur → di 𝑋 × 𝑌) Premis 2

: x adalah A`

(yang dapat direpresentasikan dengan himpunan kabur ̃ dalam X) 𝐴` Kesimpulan

: y adalah B`

diperoleh dengan menentukan himpunan kabur 𝐵̃ = 𝐴̃′ ° → dalam Y 𝑠𝑢𝑝 dengan fungsi keanggotaan 𝜇𝐵̃` (𝑦) = 𝑥∈𝑋 𝑡(𝜇𝐴̃` (𝑥), 𝜇→ (𝑥, 𝑦)) di mana t

adalah suatu norma-t. 2.1.6. Sistem Inferensi Mamdani Menurut Kusumadewi (2004), Metode Mamdani sering dikenal sebagai Metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output, diperlukan 4 tahapan: 1. Pembentukan himpunan kabur


Pada Metode Mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy. 2. Aplikasi fungsi implikasi (aturan) 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 dan korelasi antar aturan. Ada 3 metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu: max, additive dan probalistik OR (probor). 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 dengan menggunakan operator OR (union). Jika semua proposisi telah dievaluasi, maka output akan berisi suatu himpunan fuzzy yang merefleksikan kontribusi dari tiap-tiap proposisi. Secara umum dapat dituliskan: 𝜇𝑠𝑓 [𝑥𝑖] = 𝑚𝑎𝑥(𝜇𝑠𝑓 [𝑥𝑖], 𝜇𝑘𝑓 [𝑥𝑖]) ………. (2.10) dengan: 𝜇𝑠𝑓 [𝑥𝑖] = nilai keanggotaan solusi fuzzy sampai aturan ke-i 𝜇𝑘𝑓 [𝑥𝑖] = nilai keanggotaan konsekuensi fuzzy aturan ke-i Misalkan ada 3 aturan (proposisi) sebagai berikut: [R1] IF biaya Produksi RENDAH And Permintaan NAIK THEN Produksi Barang BERTAMBAH; [R2] IF biaya Produksi STANDAR And Permintaan NAIK THEN Produksi Barang NORMAL; [R3] IF biaya Produksi TINGGI And Permintaan NAIK THEN Produksi Barang BERKURANG; Metode Mamdani menggunakan metode frase untuk komposisi aturan.


b. Metode Additive (Sum) Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan bounded-sum terhadap semua output daerah fuzzy. Secara umum dituliskan: 𝜇𝑠𝑓 [𝑥𝑖] = min(1, 𝜇𝑠𝑓 [𝑥𝑖] + 𝜇𝑘𝑓 [𝑥𝑖])……..(2.11) dengan: 𝜇𝑠𝑓 [𝑥𝑖] = nilai keanggotaan solusi fuzzy sampai aturan ke-i 𝜇𝑘𝑓 [𝑥𝑖] = nilai keanggotan konsekuen fuzzy aturan ke-i; c. Metode Probabilistik OR (Probor) Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan product terhadap semua output daerah fuzzy. Secara umum dituliskan: 𝜇𝑠𝑓 [𝑥𝑖] = (𝜇𝑠𝑓 [𝑥𝑖] + 𝜇𝑘𝑓 [𝑥𝑖]) − (𝜇𝑠𝑓 [𝑥𝑖] ∗ 𝜇𝑘𝑓 [𝑥𝑖]) …(2.12) dengan: 𝜇𝑠𝑓 [𝑥𝑖] = nilai keanggotaan solusi fuzzy sampai aturan ke-i 𝜇𝑘𝑓 [𝑥𝑖] = nilai keanggotan konsekuen fuzzy aturan ke-i; 4. Penegasan (defuzzy) Input dari proses defuzzy adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu sebagai output. Ada beberapa metode defuzzy yang bisa dipakai pada komposisi aturan MAMDANI, antara lain: a. Metode Centroid Pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat (z*) daerah fuzzy. Secara umum dirumuskan: 𝑧∗ =

∫𝑧 𝑧𝜇(𝑧)𝑑𝑧 ∫𝑧 𝜇(𝑧)𝑑𝑧

𝑧∗ =

untuk variabel kotinu, atau

∑𝑛 𝑗=1 𝑧𝑗 𝜇(𝑧𝑗 ) ∑𝑛 𝑗=1 𝜇(𝑧𝑗 )

untuk variabel diskret………(2.13)


b. Metode Bisektor Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai pada domain fuzzy yang memiliki nilai keanggotaan setengah dari jumlah total nilai keanggotaan pada daerah fuzzy. Secara umum dituliskan: 𝑝

ℜ𝑛

zp sedemikian hingga ∫ℜ1 𝜇(𝑧)𝑑𝑧 = ∫𝑝 𝜇(𝑧) 𝑑𝑧 ... (2.14) c. Metode Mean of Maximum(MOM) Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai rata-rata domain yang memiliki nilai keanggotaan maksimum. d. Metode Largest of Maximum(LOM) Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terbesar dari domain yang memiliki nilai keanggotaan maksimum. e. Metode Smallest of Maximum (SOM) Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terkecil dari domain yang memiliki nilai keanggotaan maksimum. 2.2.

Sistem Pendukung Pengambilan Keputusan Sistem Pendukung Pengambilan Keputusan (SPPK) merupakan istilah dalam bahasa Indonesia dari Decision Support Systems (DSS).

2.2.1. Pengambilan Keputusan Pengambilan keputusan adalah sebuah proses memilih tindakan (di antara berbagai alternatif) untuk mencapai suatu tujuan atau beberapa tujuan. Menurut Simon (1997), pengambilan keputusan manajerial sinonim dengan proses keseluruhan dari manajemen. Perhatikan pentingnya fungsi manajerial dalam hal perencanaan. Perencanaan meliputi satu seri keputusan: Apa yang harus dilakukan? Kapan? Di mana? Mengapa? Bagaimana? Oleh siapa? Manajer menentukan tujuan, atau rencana; karena itu, perencanaan mengimplikasikan pengambilan keputusan. Fungsi-fungsi


manajerial lainnya, seperti pengaturan dan kontrol, juga melibatkan pengambilan keputusan. 2.2.2. Definisi Sistem Pendukung Pengambilan Keputusan Little (1970) mendefinisikan DSS sebagai “sekumpulan prosedur berbasis model untuk data pemrosesan dan penilaian guna membantu para manajer mengambil keputusan.” Dia menyatakan bahwa untuk suskes, sistem tersebut haruslah sederhana, cepat, mudah dikontrol, adaptif, lengkap dengan isu-isu penting, dan mudah berkomunikasi. Alter (1980) mendefinisikan DSS dengan membandingkannya dengan sistem EDP (Electronic Data Processing) tradisional pada lima dimensi, seperti ditunjukkan pada Tabel 2.1 Tabel 2.1 DSS versus EDP Dimensi

DSS

EDP

Penggunaan

Aktif

Pasif

Pengguna

Lini manajemen dan staf

Klerikal

Tujuan

Keefektifan

Efisiensi mekanis

Horison Waktu

Masa sekarang dan akan datang Masa lalu

Tujuan

Fleksibilitas

Konsistensi

Moore dan Chang (1980) berpendapat bahwa konsep struktur, seperti banyak disinggung pada definisi awal DSS (bahwa DSS dapat menangani situasu semiterstruktur dan tidak terstruktur), secara umum tidaklah penting; sebuah masalah dapat dijelaskan sebagai masalah terstruktur dan tidak terstruktur hanya dengan memerhatikan si pengambil keputusan atau suatu situasi spesifik (yakni keputusan terstruktur adalah terstruktur karena kita memilih untuk memperlakukannya dengan cara seperti itu). Jadi, mereka


mendefinisikan DSS sebagai sistem yang dapat diperluas untuk mampu mendukung analisis dan ad hoc dan pemodelan keputusan, berorientasi terhadap perencanaan masa depan, dan digunakan pada interval yang tidak reguler dan tak terencana. Bonczek, dkk., (1980) mendefinisikan DSS sebagai sistem berbasis komputer yang terdiri dari tiga komponen yang saling berinteraksi: sistem bahasa (mekanisme untuk memberikan komunikasi antara pengguna dan komponen DSS lain), sistem pengetahuan (repositori pengetahuan domain masalah yang ada pada DSS entah sebagai data atau sebagai prosedur), dan sistem pemrosesan masalah (hubungan antara dua komponen lainnya, terdiri dari satu atau lebih kapabilitas manipulasi masalah umum yang diperlukan untuk pengambilan keputusan). Konsep-konsep yang diberikan oleh definisi tersebut sangat penting untuk memahami hubungan antara DSS dan pengetahuan. Keen (1980) menerapkan istilah DSS “untuk situasi di mana sistem ‘final’ dapat dikembangkan hanya melalui suatu proses pembelajaran dan evolusi yang adaptif.” Jadi, ia mendefinisikan DSS sebagai suatu produk dari proses pengembangan di mana pengguna DSS, pembangun DSS, dan DSS itu sendiri mempu memengaruhi satu dengan yang lainnya, dan menghasilkan evolusi sistem dan pola-pola penggunaan. 2.3. Multi-Attribute Decision Making 2.3.1. Multiple Criteria Decision making (MCDM) Menurut Kusumadewi, dkk (2004) Multiple Criteria Decision Making (MCDM) adalah suatu metode pengambilan keputusan untuk menetapkan alternatif terbaik dari sejumlah alternatif berdasarkan beberapa kriteria tertentu. Kriteria biasanya berupa ukuran-ukuran, aturan-aturan atau standar yang digunakan dalam pengambilan keputusan. Berdasarkan tujuannya, MCDM dapat dibagi menjadi 2 model (Zimmermann, 1991): Multi Attribute Decision Making (MADM); dan Multi Objective Decision Making (MODM). Seringkali MCDM dan MADM digunakan untuk


menerangkan kelas atau kategori yang sama. MADM digunakan untuk menyelesaikan masalah-masalah dalam ruang diskret. Oleh karena itu, pada MADM biasanya digunakan untuk melakukan penilaian atau seleksi terhadap beberapa alternatif dalam jumlah yang terbatas. Sedangkan MODM digunakan untuk menyelesaikan masalah-masalah pada ruang kontinyu (seperti permasalahan pada pemrograman matematis). Secara umum dapat dikatakan bahwa, MADM menyelesaikan alternatif terbaik dari sejumlah alternatif, sedangkan MODM merancang altenatif terbaik. Perbedaan mendasar terlihat pada Tabel 2.2 (Yoon, 1981). Tabel 2.2 Perbedaan antara MADM dan MODM. Dimensi

MADM

MODM

Kriteria (didefinisikan oleh)

Atribut

Tujuan

Tujuan

Implisit

Eksplisit

Atribut

Eksplisit

Implisit

Alternatif

Diskret,

Kegunaan

dalam

Kontinu,

dalam

jumlah terbatas

jumlah tak terbatas

Seleksi

Desain

2.3.2. Metode Penyelesaian Masalah MADM dengan Simple Additvice Weighting (SAW) Metode SAW sering juga dikenal istilah metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut (Fishburn, 1976) (MacCrimmon, 1968). Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada.


𝑟𝑖𝑗 = {

𝑥𝑖𝑗 𝑀𝑎𝑥 𝑖 𝑥𝑖𝑗

𝑗𝑖𝑘𝑎 𝑗 𝑎𝑑𝑎𝑙𝑎ℎ 𝑎𝑡𝑟𝑖𝑏𝑢𝑡 𝑘𝑒𝑢𝑛𝑡𝑢𝑛𝑔𝑎𝑛 (𝑏𝑒𝑛𝑒𝑓𝑖𝑡) …… (2.15) 𝑀𝑖𝑛 𝑖 𝑥𝑖𝑗 𝑗𝑖𝑘𝑎 𝑗 𝑎𝑑𝑎𝑙𝑎ℎ 𝑎𝑡𝑟𝑖𝑏𝑢𝑡 𝑏𝑖𝑎𝑦𝑎 (𝑐𝑜𝑠𝑡) 𝑥 𝑖𝑗

dimana 𝑟𝑖𝑗 adalah rating kinerja ternormalisasi dari alternative A, pada atribut 𝐶𝑗 ; i = 1, 2, ..., m dan j = 1, 2, ..., n. Nilai preferensi untuk setiap alterntif(Vi) diberikan sebagai: 𝑉𝑖 = ∑𝑛𝑗=1 𝑤𝑖 𝑟𝑖𝑗 ……………............… (2.16) Nilai Vi yang lebih besar mengindikasikan bahwa alternative Ai lebih terpilih.


BAB III METODE PENELITIAN

3.1. Gambaran Umum Penelitian Berdasarkan permasalah yang dihadapi oleh Paduan Suara Mahasiswa Cantus Firmus Universitas Sanata Dharma Yogyakarta, yang telah dijelaskan pada bagian latar belakang, penelitian ini diharapkan mampu menyelesaikan permasalahan tersebut. Metode yang akan digunakan untuk menyelesaikan permasalah tersebut adalah menggunakan kombinasi algoritma Logika Kabur dan Multi Attributes Decision Making (MADM). Tujuan menggunakan Logika Kabur adalah untuk menangani masalah-masalah kekaburan seperti hasil tes wawancara, sedangkan MADM digunakan untuk mendapatkan calon anggota terbaik dari kandidat yang tersedia. Sebelum adanya sistem yang akan dibuat ini, PSM Cantus Firmus melakukan pemilihan calon anggota dengan mengadakan rapat yang cukup memakan waktu lama. Segala keputusan yang diambil adalah berdasarkan pengalaman dan kemampuan yang dimiliki oleh penguji. Dengan adanya sistem ini diharapkan keputusan yang diambil akan dapat mewakili keputusan yang diambil oleh penguji calon anggota baru. Hasil skor masing-masing aspek penilaian saat seleksi akan menjadi input untuk diproses menggunakan logika kabur dan juga MADM, kemudian hasil akhir yang didapat adalah siapa saja yang diterima atau tidak di Unit Kegiatan Mahasiswa PSM Cantus Firmus.

3.2. Data 3.2.1. Sumber Data Data yang digunakan dalam penelitian ini adalah data yang diperoleh dari panitia Penerimaan Anggota Baru PSM Cantus Firmus 2015. Data yang didapat merupakan data hasil seleksi anggota baru PSM Cantus Firmus

21


angkatan 2015, yang telah dilaksanakan pada tanggal 7 September 2015 hingga 11 September 2015. 3.2.2. Teknik Pengumpulan Data Teknik

yang digunakan

untuk

mengumpulkan

data

adalah

menggunakan teknik dokumen. Data yang dikumpulkan tidak serta-merta didapatkan melalui pengamatan langsung atau wawancara. Peneliti mengumpulkan data yang telah diarsipkan oleh Sekretaris PSM Cantus Firmus untuk selanjutkan diolah lebih lanjut. Dokumen tersebut adalah dokumen penilaian hasil seleksi penerimaan anggota baru PSM Cantus Firmus. 3.2.3. Data yang Digunakan Dalam penelitian ini data yang digunakan adalah data-data hasil seleksi Penerimaan Anggota Baru PSM Cantus Firmus angkatan 2015. Data yang digunakan tidak semuanya, hanya 67 (yang terdiri dari mahasiswa yang diterima dan tidak diterima). Dari form penilaian yang ada, semuanya dimasukkan (input) ke dalam sistem. Data yang didapat berupa data kuantitatif dan juga data kualitatif. Data kuantitatif adalah data hasil penilaian musikalitas dan juga beberapa data hasil wawawancara. Sementara data kualitatif adalah adalah catatan-catatan tambahan yang ditulis oleh penguji saat melakukan seleksi. 3.3. Spesifikasi Alat Sistem ini dibuat dengan menggunakan hardware dan software dengan spesifikasi sebagai berikut: 1.

2.

Spesifikasi Perangkat Keras a.

Processor Intel® Celeron® CPU B800 @ 1.50GHz

b.

RAM 2,00 GB

c.

Harddisk 320GB

Spesifikasi Perangkat Lunak a.

Sistem Operasi Windows 10 64-bit, x64-based processor


b.

Compiler IDE NetBeans 8.0

c.

Basis data MySQL

3.4. Tahap Penelitian Setelah peneliti mengetahui problematika yang dihadapi oleh UKM PSM Cantus Firmus, langkah selanjutnya adalah menyelesaikan persoalan tersebut. Proses penyelesaian masalah dilakukan secara ilmiah melalui penelitian. Penelitian yang hendak dilakukan ini dibagi menjadi 7 tahap yakni: 3.4.1. Penelusuran Pustaka Tahap awal ini adalah melakukan penelusuran pustaka untuk memperoleh informasi dan mempelajari teori-teori yang akan diterapkan dalam penelitian ini. Penelusuran pustaka yang dilakukan yakni mempelajari literatur-literatur dan teori-teori mengenai Logika Kabur, Sistem Pendukung Pengambilan Keputusan, penerapan Logika Kabur untuk pendukung keputusan dan juga literatur lain yang mendukung penelitian dan perancangan alat uji. 3.4.2. Analisis Sistem yang Serupa Sistem Pendukung Pengambilan Keputusan untuk penentuan seleksi anggota paduan suara pernah dilakukan oleh Sherly Jayanti dan juga Sri Hartati. Kedua peneliti tersebut juga menggunakan metode Logika Kabur dengan sistem inferensi Mamdani. Hasilnya cukup baik untuk dijadikan referensi mengambil keputusan seleksi paduan suara. Berdasarkan sistem yang telah dibuat tersebut, pada penelitian kali ini, variabel penelitian dibagi menjadi dua kelompok besar yakni, kelompok wawancara dan vokal. Peneliti melakukan penerapan logika kabur hanya pada kelompok wawancara saja, yakni antara variabel pengetahuan tentang PSM, Motivasi, Pengalaman Berorganisasi, Pengenalan Diri dan Mental yang Baik. Hal tersebut dilakukan untuk mendapatkan skor akhir sebagai hasil proses penegasan.


Selanjutnya, untuk mendapatkan calon anggota terbaik, peneliti menggunakan Multi Attribute Decision Making. Sebagai kriteria adalah skor Wawancara (hasil perhitungan menggunakan Logika Kabur) dan skor Vokal. 3.4.3. Prosedur Pengumpulan Data Prosedur pengumpulan data dilakukan menggunakan metode dokumen. Data yang akan diolah diperoleh dari arsip/dokumentasi panitia Penerimaan Anggota Baru PSM Cantus Firmus tahun 2015. Proses dokumentasi hasil penilaian PAB dilaksanakan pada tanggal 7 hingga 11 September 2015, yang telah dilakukan oleh panitia PAB PSM Cantus Firmus. 3.4.4. Perancangan dan Pembuatan Alat Uji Tahap selanjutnya adalah perancangan alat uji untuk membantu penelitian. Perancangan alat uji sementara ini terdiri dari pembuatan diagram konteks, use-case, DFD, basis data konseptual, basis data relasional, basis data fisikal dan penjelasan sistem secara manual. Setelah perancangan selesai dilakukan, tahap selanjutnya adalah pembuatan alat uji. 3.4.5. Prosedur Pengujian Tahap pengujian dilakukan menggunakan bantuan alat uji yang telah dibuat. Pengujian menggunakan input yaitu data yang telah diperoleh sesuai dengan prosedur pengumpulan data. Sedangkan outputnya adalah daftar nama calon anggota yang diterima di PSM Cantus Firmus, yaitu ranking per suara urut berdasarkan nilai terbaik. Prosedur pengujian dalam penelitian ini secara umum tampak dalam Gambar 3.1.


Gambar 3.1 Flowchart Proses Penelitian


3.4.6. Analisis Hasil Setelah proses pengujian selesai dilaksanakan, proses selanjutnya adalah analisa hasil. Tujuan penelitian ini (seperti tertulis pada subbab 1.3) adalah untuk mengetahui apakah logika kabur dan Multi Attribute Decision Making dapat memberikan keputusan yang sesuai dengan keputusan yang diambil oleh Panitia PAB atau tidak. Berkaitan dengan tujuan penelitian tersebut, maka analisa hasil dilakukan dengan cara membandingkan keputusan hasil alat uji (sistem yang dibuat) dengan keputusan hasil seleksi panitia PAB PSM Cantus Firmus yang pernah dilakukan. Hasil perhitungannya akan menghasilkan nilai kemiripan. Apabila hasilnya baik, maka tujuan yang kedua dari penelitian ini akan dicapai. 3.4.7. Penulisan Laporan Tahap terakhir dari penelitian ini adalah penulisan laporan sebagai bukti bahwa penelitian ini telah berhasil dilaksanakan dan mendapatkan hasil yang bermanfaat. 3.5. Gambaran Rancangan Alat 3.5.1. Diagram Dekomposisi Pada gambar diagram dekomposisi di bawah ini (Gambar 3.1) tampak bagaimana penjabaran proses yang terjadi di dalam sistem. Secara umum proses dibagi menjadi dua bagian yaitu proses penilaian wawancara menggunakan logika kabur dan proses penentuan nilai akhir menggunakan MADM-SAW. Setiap proses utama memiliki sub-proses yang akan dijelaskan lebih lanjut pada diagram arus data.


Gambar 3.2 Diagram Dekomposisi 3.5.2. Diagram Konteks Pada gambar di bawah ini (gambar 3.3), input dari sistem adalah nilai hasil seleksi vokal dan wawancara. Nilai yang dimasukkan berupa angka, dan bila perlu ada catatan khusus dapat ditambahkan. Nilai seleksi vokal dibagi menjadi lima bagian, dan nilai hasil wawancara dibagi menjadi empat bagian. Masing-masing memiliki sub-kriteria yang harus dipenuhi. Pengguna akan mendapatkan keluaran berupa daftar nama-nama urut sesuai dengan ranking tertinggi hingga terendah.

Gambar 3.3 Diagram Konteks


3.5.3. Diagram Arus Data(DAD) 3.5.3.1. DAD Level 1

Gambar 3.4 Diagram Arus Data Level 1 3.5.3.2. DAD Level 2.1

Gambar 3.5 Diagram Arus Data Level 2.1


3.5.3.3. DAD Level 2.2

Gambar 3.6 Diagram Arus Data Level 2.2 3.5.4. Diagram Use-Case

Gambar 3.7 Use-Case Sistem PAB PSM CF USD Gambar diatas merupakan ilustrasi apa saja yang dapat dilakukan oleh seorang pengguna yang notabene adalah seorang penguji. a. Akses sistem Pengguna diharuskan memasukkan username dan password agar dapat masuk ke dalam sistem dan melakukan fungsi sistem yang lainnya. b. Input data Pengguna memasukkan data yakni nilai vokal dan nilai hasil wawancara sebagai variabel penentu diterima atau tidaknya seseorang di PSM CF. Data tersebut kemudian diproses untuk dianalisa dalam


sistem berbasis logika kabur dan multi attribute decision making. Untuk calon anggota, input data adalah mengisi formulir pendaftaran. c. Menambah aturan Pengguna dapat menambahkan aturan yang baru. d. Mengubah bobot kriteria Pengguna dapat mengubah bobot dari kriteria yang ada. e. Melihat hasil keputusan Pengguna melihat hasil akhir perhitungan sistem, daftar nama sesuai dengan peringkat yang memiliki skor tertinggi hingga terendah. 3.5.5. Rancangan Basis Data 3.5.5.1. Rancangan Basis Data Konseptual Terdapat empat entitas dalam sistem ini yaitu entitas aturan, entitas penguji, entitas calon anggota dan entitas nilai. Entitas penguji memiliki relasi dengan entitas calon anggota, dan entitas calon anggota memiliki relasi dengan entitas nilai. Entitas calon anggota memiliki relasi kardinalitas one-to-many dengan entitas penguji. Sedangkan setiap calon anggota hanya akan memiliki satu nilai dari banyak aspek yang dinilai sehingga relasi kardinalitasnya one-to-one. Entitas aturan tidak memiliki relasi dengan entitas yang lain karena entitas aturan hanya menyimpan aturan-aturan saja.

Gambar 3.8 Entity Relationship Diagram


3.5.5.2. Rancangan Basis Data Logikal Relasi antara semua entitas dapat dilihat dengan memperhatikan gambar 3.9 di bawah ini. Relasi antara entitas “penguji” dan entitas “calon_anggota” menghasilkan tabel baru yaitu tabel “penguji_calon”. Tabel “penguji_calon” berisi tiga atribut, atribut “pc_id”, “pc_penguji” dan “pc_calon”. Atribut “pc_penguji” merupakan foreign key dari tabel “penguji” dan atribut “pc_calon” merupakan foreign key dari tabel “calon_anggota”. Tabel “calon_anggota” dan tabel “nilai” memiliki relasi yang dihubungkan oleh atribut “nilai_calonid”. Atribut “nilai_calonid” adalah atribut yang berada pada tabel “nilai”. Atribut “nilai_calonid” merupakan foreign key dari tabel “calon_anggota”.

Gambar 3.9 Relational Tabel Model 3.5.5.3. Rancangan Basis Data Fisikal Berikut ini adalah tabel-tabel hasil proses normalisasi dan gambaran tabel secara fisik yang akan dimplementasikan ke dalam sistem. Tabel 3.1 Tabel Penguji Atribut

Tipe

Deskripsi

Keterangan

Penguji_id

INT (11)

Id (primary key) penguji

Primary key

Penguji_nama

Varchar (255)

Nama penguji

Not null

Penguji_angkatan

Varchar (4)

Tahun angkatan kuliah penguji (jika masih kuliah)


Atribut

Tipe

Penguji_prodi

Varchar (64)

Penguji_nim

Varchar (9)

Penguji_status

Varchar (45)

Penguji_username

Varchar (45)

Penguji_pass

Varchar (255)

Deskripsi Program studi penguji (jika masih kuliah) Nomor induk mahasiswa penguji (jika masih aktif kuliah) Jabatan penguji, penguji wawancara atau penguji vokal Username penguji yang akan digunakan untuk login ke dalam sistem Kata sandi penguji

Keterangan

UNIQUE

Not null Not null

Tabel 3.2 Tabel Calon Anggota Atribut

Tipe

Ca_id

INT (11)

Ca_nama

Varchar (255)

Ca_nim

Varchar (9)

Ca_angkatan

Varchar (4)

Ca_prodi Ca_prestasi Ca_halgila Ca_catatan Ca_jeniskelamin Ca_suara Ca_daftarsebagai

Varchar (255) Varchar (500) Varchar (500) Varchar (500) Varchar (45) Varchar (45) Varchar (45)

Deskripsi

Keterangan

Id (primary key) calon anggota Nama lengkap calon anggota Nomor induk mahasiswa dari calon anggota Tahun angkatan kuliah calon anggota Program studi calon anggota Daftar prestasi yang pernah diraih oleh calon anggota Daftar hal-hal yang dianggap gila oleh calon anggota dan pernah dilakukan Catatan tambahan yang diberikan oleh penguji Jenis kelamin calon anggota Jenis suara calon anggota hasil tes tahap vokal Pilihan jenis pendaftaran (penyanyi/dirigen/pemusik)

Primary key Not null Not null Not null Not null

Not null

Not null


Atribut

Tipe

Deskripsi

Ca_alatmusik

Varchar (255)

Daftar alat musik yang dapat dimainkan oleh calon anggota

Keterangan

Tabel 3.3 Tabel Penguji Calon Atribut Pc_id Pc_idCalon Pc_idPenguji

Keterangan

Tipe

Deskripsi

INT (11)

Id (primary key) tabel Primary key penguji_calon Foreign key dari tabel Foreign key calon anggota Foregin key dari tabel Foreign key penguji

INT (11) INT (11)

Tabel 3.4 Tabel Nilai Atribut Nilai_id Nilai_vokal Nilai_pengetahuanpsm Nilai_motivasi Nilai_pengalaman Nilai_pengenalandiri Nilai_mental Nilai_calon_id Nilai_som Nilai_mom Nilai_lom

Tipe

Deskripsi

Keterangan

INT (11)

Id (primary key) tabel nilai Nilai hasil tahap seleksi vokal Nilai aspek pengetahuan tentan PSM CF Nilai aspek motivasi keinginan masuk PSM Nilai aspek pengalaman berorganisasi calon anggota Nilai aspek pengenalan terhadap diri sendiri Nilai aspek mental calon anggota Foreign key dari tabel calon_anggota

Primary Key

DOUBLE INT (11) INT (11) INT (11) INT (11) INT (11) INT (11) DOUBLE DOUBLE DOUBLE

Nilai hasil perhitungan deffuzifikasi SOM Nilai hasil perhitungan deffuzifikasi MOM Nilai hasil perhitungan deffuzifikasi LOM

Not null Not null Not null

Not null Not null Foreign Key, not null


Atribut Nilai_wawancara Nilai_catatannegative

Tipe

Deskripsi

INT(11)

Nilai hasil jumlahan 5 aspek wawancara Nilai catatan negative dari penguji

INT(11)

Keterangan

Tabel 3.5 Tabel Aturan Atribut

Tipe

Aturan_id

INT (11)

Aturan_pengetahuan

VARCHAR (10)

Aturan_motivasi

VARCHAR (10)

Aturan_pengalaman

VARCHAR (10)

Aturan_pengenalandiri

VARCHAR (10)

Aturan_mental

VARCHAR (10)

Aturan_wawancara

VARCHAR (10)

Deskripsi

Keterangan

Id (primary key) tabel aturan Anteseden/hipotesis dari variabel pengetahuan Anteseden/hipotesis dari variabel motivasi masuk PSM Anteseden/hipotesis dari variabel pengalaman berorganisasi Anteseden/hipotesis dari variabel pengenalan terhadap diri sendiri Anteseden/hipotesis dari variabel mental calon anggota Konsekuen/konklusi hasil seleksi tahap wawancara

Primary key Not Null Not Null Not Null

Not Null

Not Null Not Null

3.5.6. Pengujian Penelitian akan dilakukan untuk menentukan calon anggota baru. Data yang digunakan adalah data seleksi PSM CF tahun 2015. Pengujian dilakukan dengan membandingkan hasil dari perhitungan menggunakan logika kabur dan multi attribute decision making dengan data hasil seleksi sebenarnya. Jika keputusan yang dihasilkan perhitungan sistem, maka


sistem dapat dikatakan memiliki akurasi yang baik. Berikut adalah tahapan dalam melakukan pengujian: 3.5.6.1. Pembentukan Fungsi Keanggotaan Pada tahap ini akan dibentuk himpunan fuzzy baik secara linguistik maupun secara numeris. Dalam tahap ini juga akan dibentuk fungsi keanggotaan. Berikut penjelasannya: a. Variabel Aspek Wawancara (aw) Variabel Aspek Wawancara merupakan nilai calon anggota akan beberapa aspek wawancara yaitu pengetahuannya tentang PSM Cantus Firmus, motivasi, pengalaman berorganisasi, pengenalan diri dan mental. Variabel Aspek Wawancara dibagi menjadi tiga himpunan kabur yaitu buruk(Bu), cukup(C), dan baik(Ba) dalam semesta pembicaraan yaitu [0 33]. Untuk himpunan kabur buruk(B) menggunakan fungsi keanggotaan berbentuk segitiga, sedangkan himpunan cukup(C) dan baik(B) menggunakan pendekatan fungsi keanggotaan berbentuk bahu.

Gambar 3.10 Fungsi Keanggotaan Aspek Wawancara Fungsi keanggotaan pada variabel Aspek Wawancara dapat dirumuskan sebagai berikut: 1 20 − 𝑎𝑤 𝜇𝐵𝑢 [𝑎𝑤] = { 20 − 11 0

; 𝑢𝑛𝑡𝑢𝑘 0 ≤ 𝑎𝑤 ≤ 11 ; 𝑢𝑛𝑡𝑢𝑘 11 < 𝑎𝑤 < 25 ; 𝑢𝑛𝑡𝑢𝑘 𝑙𝑎𝑖𝑛𝑛𝑦𝑎


1 𝑎𝑤 − 11 𝜇𝐶 [𝑎𝑤] = 25 − 11 30 − 𝑎𝑤 30 − 25 { 0 1 𝑎𝑤 − 1 𝜇𝐵𝑎 [𝑎𝑤] = { 3−1 0

; 𝑢𝑛𝑡𝑢𝑘 𝑎𝑤 = 25 ; 𝑢𝑛𝑡𝑢𝑘 11 ≤ 𝑎𝑤 < 25 ; 𝑢𝑛𝑡𝑢𝑘 25 < 𝑎𝑤 ≤ 30 ; 𝑢𝑛𝑡𝑢𝑘 𝑙𝑎𝑖𝑛𝑛𝑦𝑎 ; 𝑢𝑛𝑡𝑢𝑘 𝑎𝑤 > 30 ; 𝑢𝑛𝑡𝑢𝑘 25 < 𝑎𝑤 < 30 ; 𝑢𝑛𝑡𝑢𝑘 𝑙𝑎𝑖𝑛𝑛𝑦𝑎

b. Variabel Catatan Negatif (cn) Variabel Mental merupakan penilaian terhadap calon anggota yang tidak masuk ke dalam aspek-aspek wawancara. Variabel catatan negatif dibagi menjadi dua himpunan kabur yaitu, sedikit(S) dan banyak(B) dalam semesta pembicaraan [0 10]. Untuk himpunan sedikit(S) dan banyak(B) menggunakan pendekatan fungsi keanggotaan berbentuk bahu.

Gambar 3.11 Fungsi Keanggotaan Catatan Negatif Fungsi keanggotaan pada variabel Catatan Negatif dapat dirumuskan sebagai berikut: 1 5,5 − 𝑐𝑛 𝜇𝑆 [𝑐𝑛] = { 5,5 − 3 0 1 𝑐𝑛 − 5,5 𝜇𝐵 [𝑐𝑛] = { 8 − 5,5 0

; 𝑢𝑛𝑡𝑢𝑘 0 ≤ 𝑐𝑛 ≤ 2 ; 𝑢𝑛𝑡𝑢𝑘 2 < 𝑐𝑛 ≤ 7 ; 𝑢𝑛𝑡𝑢𝑘 𝑙𝑎𝑖𝑛𝑛𝑦𝑎 ; 𝑢𝑛𝑡𝑢𝑘 𝑐𝑛 ≥ 7 ; 𝑢𝑛𝑡𝑢𝑘 2 ≤ 𝑐𝑛 < 7 ; 𝑢𝑛𝑡𝑢𝑘 𝑙𝑎𝑖𝑛𝑛𝑦𝑎


c. Variabel Skor Wawancara(w) Variabel skor wawancara merupakan variabel output dari perhitungan logika kabur yang selanjutkan akan digunakan untuk dihitung bersama skor vokal menggunakan metode Multiple Attribute Decision Making. Variabel ini dibagi menjadi tiga yaitu rendah(R), sedang(S) dan tinggi(T) dalam semesta pembicaraan yaitu [0 100]. Untuk himpunan rendah(R) dan tinggi(T) menggunakan fungsi keanggotaan berbentuk bahu, sedangkan himpunan sedang(S) menggunakan pendekatan fungsi keanggotaan berbentuk segitiga.

Gambar 3.12 Fungsi Keanggotan Skor Wawancara 1 50 − 𝑤 𝜇𝑅 [𝑤] = { 50 − 30 0 1 𝑤 − 30 𝜇𝑆 [𝑤] = 50 − 30 80 − 𝑤 80 − 50 { 0 1 𝑤 − 65 𝜇 𝑇 [𝑤] = { 85 − 65 0

; 𝑢𝑛𝑡𝑢𝑘 0 ≤ 𝑤 ≤ 30 ; 𝑢𝑛𝑡𝑢𝑘 30 < 𝑤 ≤ 50 ; 𝑢𝑛𝑡𝑢𝑘 𝑙𝑎𝑖𝑛𝑛𝑦𝑎 ; 𝑢𝑛𝑡𝑢𝑘 𝑤 = 50 ; 𝑢𝑛𝑡𝑢𝑘 30 ≤ 𝑤 < 50 ; 𝑢𝑛𝑡𝑢𝑘 50 < 𝑤 ≤ 80 ; 𝑢𝑛𝑡𝑢𝑘 𝑙𝑎𝑖𝑛𝑛𝑦𝑎 ; 𝑢𝑛𝑡𝑢𝑘 𝑤 ≥ 85 ; 𝑢𝑛𝑡𝑢𝑘 65 ≤ 𝑤 < 85 ; 𝑢𝑛𝑡𝑢𝑘 𝑙𝑎𝑖𝑛𝑛𝑦𝑎


3.5.6.2. Pembentukan Aturan-aturan Berdasarkan dua variabel yang telah dibentuk fungsi keanggotaanya di atas, maka dihasilkan aturan-aturan yang akan digunakan. Berikut ini adalah aturan yang digunakan: [R1] IF aspek wawancara BURUK and catatan negatif SEDIKIT THEN skor wawancara RENDAH [R2] IF aspek wawancara BURUK and catatan negatif BANYAK THEN skor wawancara RENDAH [R3] IF aspek wawancara SEDANG and catatan negatif SEDIKIT THEN skor wawancara SEDANG [R4] IF aspek wawancara SEDANG and catatan negatif BANYAK THEN skor wawancara TINGGI [R5] IF aspek wawancara BAIK and catatan negatif SEDIKIT THEN skor wawancara SEDANG [R6] IF aspek wawancara BAIK and catatan negatif BANYAK THEN skor wawancara SEDANG 3.5.6.3. Contoh Penerapan Fuzzy Mamdani Misalkan diambil data dari calon anggota berinisial YTP. Dia mengikuti semua tahapan seleki vokal dan wawancara, kemudian akan diketahui berapakah skor wawancara si YTP ini. Berikut adalah perhitungan yang dilakukan: i. Data Input Data yang digunakan sebagai input (khusus untuk fuzzy mamdani) adalah sebagai berikut:  Nilai Pengetahuan tentang PSM = 3  Nilai Motivasi = 3  Nilai Pengalaman Berorganisasi = 12


 Nilai Pengenalan Diri = 3  Nilai Mental = 8  Catatan Negatif = 1 ii. Pembentukan Himpunan Fuzzy Pembentukan himpunan fuzzy telah dijelaskan sebelumnya yaitu pada pembentukan fungsi keanggotaan. iii. Aplikasi Fungsi Implikasi Dalam tahap ini akan dihitung derajat keanggotaan dari data input sesuai dengan aturan yang telah dibentuk. Perhitungan dilakukan mulai dari R1, R2, ...., R5 dan R6 : [R1] IF aspek wawancara BURUK and catatan negatif SEDIKIT THEN skor wawancara RENDAH 𝜇𝐵𝑢 [29] = 0 𝜇𝑆 [1] = 1 min{0; 1} = 0 [R2] IF aspek wawancara BURUK and catatan negatif BANYAK THEN skor wawancara RENDAH 𝜇𝐵𝑢 [29] = 0 𝜇𝐵 [1] = 0 min{0; 0} = 0 [R3] IF aspek wawancara SEDANG and catatan negatif SEDIKIT THEN skor wawancara SEDANG 𝜇𝐶 [29] = 0,2 𝜇𝑆 [1] = 1 min{0,2; 1} = 0


[R4] IF aspek wawancara SEDANG and catatan negatif BANYAK THEN skor wawancara TINGGI 𝜇𝐶 [29] = 0,2 𝜇𝐵 [1] = 0 min{0,2; 0} = 0 [R5] IF aspek wawancara BAIK and catatan negatif SEDIKIT THEN skor wawancara SEDANG 𝜇𝐵𝑎 [29] = 0,8 𝜇𝑆 [1] = 1 min{0,8; 1} = 0,8 [R6] IF aspek wawancara BAIK and catatan negatif BANYAK THEN skor wawancara SEDANG 𝜇𝐵𝑎 [29] = 0,8 𝜇𝐵 [1] = 0 min{0,8; 0} = 0 iv. Komposisi antar Aturan dan Defuzzy Dari haril aplikasi fungsi implikasi dari setiap aturan, digunakan metode MAX untuk melakukan komposisi antar aturan semua aturan. Nilai alfa yang tidak nol terdapat pada aturan ke-3 dan ke-5, aturan tersebut memiliki konsekuensi pada skor wawancara sedang dan tinggi. Maka daerah hasil komposisinya hanya dilihat pada himpunan skor wawancara sedang dan tinggi. Hasilnya dapat dilihat pada gambar 3.8


Gambar 3.13 Daerah Hasil Komposisi Daerah hasil di atas memiliki kesamaan dengan himpunan skor wawancara tinggi, maka untuk mendapatkan nilai Z menggunakan fungsi keanggotaan skor wawancara tinggi. Berikut perhitungannya: 0,8 =

𝑍 − 65 85 − 65

𝑍 − 65 = 0,8 × 20 𝑍 = 16 + 65 𝑍 = 81 Setelah nilai Z diketahui, maka proses selanjutnya deffuzifikasi menggunakan tiga buah metode yaitu SOM, MOM dan LOM. Untuk metode defuzzifikasi SOM atau Smallest of Maximum yaitu melihat nilai terkecil dari daerah yang diarsir yaitu 85. Untuk metode defuzzifikasi kedua yaitu Mean of Maximum, rata-rata domain yang memiliki keanggotaan maksimum adalah sebagai berikut: 𝑍0 =

81 + 100 2 𝑍0 = 90.5 Jadi skor wawancara MOM yang diperoleh YTP adalah 92.5.

Untuk metode defuzzifikasi menggunakan LOM maka lihat nilai terbesar dari daerah yang diarsis yaitu 100. 3.5.6.4. Contoh Penerapan Multi Attribute Decision Making (MADM) Proses selanjutnya setelah mengetahui skor wawancara si calon anggota berinisial YTP adalah menghitung skor akhir menggunakan


MADM. Calon anggota berinisial YTP tersebut adalah sebagai Alternartif 1 (A1). Dalam contoh kasus ini, missal diketahui 3 alternatif (A1, A2 dan A3). Berikut adalah perhitungan yang dilakukan: i.

Data Input Data yang digunakan sebagai input (khusus untuk MADM) adalah skor vokal dan skor wawancara (SOM/MOM/LOM). Berikut adalah tabel contoh input: Tabel 3.6 Tabel Contoh Input MADM Alternatif

ii.

Wawancara (K2)

Vokal (K1)

SOM

MOM

LOM

A1

38

81

90.5

100

A2

47

42.86

47.79

60.71

A3

32

81

90.5

100

Matriks Keputusan Berdasarkan Atribut Misal, nilai wawancara yang digunakan adalah SOM. Data input yang telah diberikan di atas dibuat matriks keputusanya sebagai berikut:

iii.

Penentuan Bobot Secara Subjektif Sebelum dilakukan perhitungan, proses selanjutnya adalah menentukan bobot untuk atribut. Proses seleksi PAB PSM Cantus Firmus

menitik-beratkan

pada

kualitas

vokal

dari

pada

wawancaranya. Maka bobot untuk kriteria vokal lebih besar nilainya


dari kriteria wawancara. Pada penelitian ini, bobot ditentukan secara subjektif. 𝑊 = [60

40]

W merupakan bobot dan bobotnya ditulis dalam bentuk matrix. terdapat dua angka yakni 60 dan 40. Angka 60 mewakili bobot untuk kriteria vokal dan angka 40 mewakili bobot untuk kriteria wawancara.

iv.

Simple Additive Weighting(SAW) Rumus yang digunakan untuk melakukan perhitungan mencari rating adalah fungsi max, karena peneliti ingin mendapatkan rating setinggi-tingginya. 𝑟𝑖𝑗 =

v.

𝑥𝑖𝑗 max{𝑥𝑖𝑗 }

Normalisasi Matriks Misalkan nilai max dari 𝐾1 = 47 dan nilai max dari K2 = 85, nilai max tersebut digunakan untuk melakukan normalisasi matriks. Dengan menggunakan rumus pada poin viii di atas perhitungannya adalah sebagai berikut: 38 = 0,81 47 47 𝑟12 = =1 47 32 𝑟13 = = 0,68 47 81 𝑟21 = =1 81 42,86 𝑟22 = = 0,53 81 81 𝑟23 = =1 81 𝑟11 =


Matriks keputusannya akan menjadi seperti berikut:

vi.

Menghitung Preferensi Preferensi dapat ditemukan dengan menggunakan rumus berikut: 𝑣𝑖 = ∑ 𝑤𝑖 × 𝑥𝑖𝑗 Hasil perhitungan preferensinya untuk metode defuzzifikasi SOM adalah sebagai berikut: 𝑣1 = (60 × 0.81) + (40 × 1) 𝑣1 = 48,6 + 40 𝑣1 = 88,6 𝑣2 = (60 × 1) + (40 × 0,53) 𝑣2 = 60 + 21,2 𝑣2 = 81,2 𝑣3 = (60 × 0.68) + (40 × 1) 𝑣3 = 40,8 + 40 𝑣3 = 80,8 Ketiga data tersebut jika dilakukan pengurutan berdasarkan skor tertinggi hasilnya adalah: Tabel 3.7 Tabel Hasil Akhir No

Nilai Akhir (SAW)

Nama

Nilai Vokal

Nilai Wawancara (SOM)

1

88,6

A1

47

81

2

81,2

A2

38

42,86


3

80,8

A3

32

81

Tidak ada batas minimal nilai akhir berapa yang harus dicapai untuk seorang calon anggota dinyatakan diterima. Keputusan diterima atau tidaknya seseorang adalah berdasarkan kesepakatan akan diambil berapa peringkat terbaik dari semua kandidat yang ada. Sehingga tidak langsung dapat ditentukan apakah seseorang langsung diterima atau tidak begitu selesai melakukan seleksi. Perhitungan juga sama untuk nilai hasil metode defuzzifikasi MOM dan LOM. Hanya perbedaan input nilai saja yang akan membedakan peringkat akhirnya. Bila hanya menggunakan satu data saja maka akan sangat jelas siapa yang pantas diterima di PSM Cantus Firmus USD namun, jika data terdapat lebih dari 50 akan tampak siapa yang diterima maupun yang tidak diterima.


BAB IV IMPLEMENTASI DAN ANALISIS HASIL

4.1. Implementasi 4.1.1. Implementasi Tampilan Antarmuka 4.1.1.1. Halaman Utama Sistem Berikut ini adalah tampilan antar muka halaman utama ketika sistem diakses oleh pengguna. Terdapat nama sistem dan dua buah menu (Daftar Audisi dan Login).

Gambar 4.1 Halaman Utama 4.1.1.2. Daftar Audisi Berikut adalah tampilan antar muka “Daftar Audisi”. Halaman ini diakses dengan menekan tombol “Daftar Audisi” dari menu yang terdapat pada halaman Utama. Menu ini dikhususkan bagi mahasiswa yang ingin menjadi bagian dari Paduan Suara Mahasiswa Cantus Firmus. Halaman ini berisi form pendaftaran yang harus diisi misalnya nama lengkap, nim, program studi, daftar prestasi dan daftar hal gila yang pernah dilakukan. Formulir pendaftaran ini dibuat sesuai dengan formulir pendaftaran yang dibuar secara resmi oleh PSM Cantus Firmus.

46


Gambar 4.2. Halaman Daftar Audisi 4.1.1.3. Login Berikut ini adalah tampilan antar muka halaman login. Halaman ini hanya dikhususkan bagi pengguna sistem yaitu pengurus PSM, penyeleksi maupun anggota PSM aktif. Pengguna sistem akan diminta untuk memasukkan username dan password agar dapat memenuhi syarat untuk login.

Gambar 4.3. Halaman Login 4.1.1.4. Halaman Utama Setelah Login Setelah pengguna berhasil melakukan proses login, maka akan tampil dua buah menu utama yaitu Input Nilai dan menu Rangking Peserta.


Gambar 4.4. Halaman Utama Setelah Login 4.1.1.5. Cari NIM Berikut ini adalah tampilan antar muka pencarian calon anggota berdasarkan NIM. Proses ini dilakukan sebelum melakukan input nilai.

Gambar 4.5. Halaman Cari NIM 4.1.1.6. Input Nilai Berikut ini adalah tampilan antar muka halaman input nilai. Halaman ini akan muncul ketika proses cari NIM mendapatkan hasil. Terdapat dua bagian pada halaman berikut, yang pertama adalah informasi calon anggota dan yang kedua adalah form penilaian vokal dan wawancara. Input nilai untuk kategori wawancara dibagi menjadi 5 variabel seperti yang sudah dijelaskan pada bab sebelumnya. Masing-masing variabel diinput menggunakan dropdown menu untuk meminimalisir kesalahan pengguna.


Gambar 4.6 Halaman Input Nilai 4.1.1.7. Lihat Ranking Untuk dapat mengakses halaman ini, ada du acara yang dapat ditempuh. Syarat utamanya adalah sudah logged in terlebih dahulu. Kemudian dari halaman utama sistem dapat menekan tombol “Lihat” pada bagian “Ranking Peserta”. Cara kedua adalah dengan menekan menu “Ranking Peserta” di bagian atas setiap halaman ketika sudah logged in. Gambar di bawah ini memperlihatkan halaman ranking calon anggota. Pe-ranking-an dibagi menjadi tiga kelompok besar yakni berdasarkan defuzzifikasi SOM, MOM dan LOM. Setiap kelompok defuzzifikasi dibagi menjadi 4 suara yakni kelompok Sopran, Alto, Tenor dan Bass. Setiap tabel terdiri dari Skor Final, Nama, Nilai Vokal, Nilai Wawancara dan Jenis Suara-nya.


Gambar 4.7 Halaman Ranking Calon Anggota 4.1.1.8. Tambah Aturan (Rule) Berikut ini adalah tampilan antar muka halaman “Input Rule”. Halaman ini dapat diakses dengan menekan menu “Input Rule” pada bagian menubar di bagian atas setiap halaman. Syaratnya tentu saja user sudah logged in. Terdapat lima buah variabel yang harus diisi dan satu variabel hasil. Aturan ini hanya berkaitan dengan aspek penilaian wawancara saja.

Gambar 4.8 Halaman Antar Muka Input Aturan (Rule)


4.1.1.9. Ubah Bobot Kriteria Berikut ini adalah tampilan antar muka penentuan bobot kriteria. Ada duah buah field yang harus diisi yaitu field bobot kriteria vokal dan field bobot kriteria wawancara. Masing-masing field harus diisi sehingga masing-masing bobot jika dijumlahkan hasilnya sama dengan 100. Hal ini dilakukan agar nilai preferensi yang dihasilkan nantinya dalam rentang 0 hingga 100.

Gambar 4.9 Halaman Penentuan Bobot Kriteria


4.1.2. Implementasi Logika Kabur (Fuzzy Logic) 4.1.2.1. Implementasi Perhitungan Alpha Predikat Berikut adalah listing kode program untuk mencari alfa predikat dengan mengaplikasikan fungsi implikasi MIN untuk semua aturan.

Gambar 4.10 Listing Kode Program Pencarian Alfa Predikat Variabel 1 Gambar di atas adalah listing kode program untuk pencarian alfa predikat untuk variabel “Aspek Wawancara”. Setelah nilai derajat keanggotaan

variabel

“Aspek

Wawancara”

ditemukan,

dimasukkan ke dalam variabel array derajatKeanggotaan.

nilainya


Gambar 4.11 Listing Kode Program Pencarian Alfa Predikat Variabel 2 Gambar di atas adalah listing kode program untuk pencarian alfa predikat untuk variabel “Catatan Negatif”. Setelah nilai derajat keanggotaan variabel “Catatan Negatif” ditemukan, nilainya dimasukkan ke dalam variabel array derajatKeanggotaan. Aplikasi Fungsi Implikasi MIN dikenakan setelah semua derajat keanggotan tiap variabel dicari nilainya dan disimpan dalam satu buah variabel array derajatKeanggotaan. Pencarian nilai MIN menggunakan fungsi min($derajatKeanggotaan) bawaan dari NetBeans. Gambar 4.12 Listing Kode Program Aplikasi Fungsi Implikasi MIN 4.1.2.2. Implementasi Aturan Komposisi Max Untuk mendapatkan nilai dari aturan komposisi MAX, ada dua proses yang dilalui. Yang pertama adalah proses penampungan nilai alfa predikat hasil aplikasi fungsi implikasi MIN dan yang kedua adalah proses pencarian nilai aturan komposisi MAX. Proses yang pertama ini berlangsung pada saat perulangan (looping) setiap aturan untuk mencari alfa predikat. Nomor aturan, nilai alfa predikat dan nilai variabel hasil disimpan ke dalam variabel hasil_aturan. Setiap perulangan, variabel hasil_aturan tersebut disimpan ke dalam variabel array komposisi.


Gambar 4.13 Listing Kode Program Penampungan Nilai Alfa Predikat Proses selanjutnya adalah mencari nilai MAX dari komposisi antar aturan. Pertama menentukan nilai maximum secara acak kemudian membandingkan setiap nilai dengan nilai acak yang telah ditentukan tersebut. Jika nilai yang dibandingkan lebih besar maka akan nilai tersebut akan menjadi nilai max. Begitu seterusnya hingga setiap nilai alfa predikat sudah dibandingkan, tetapi jika nilai yang dibandingkan sama besarnya dengan nilai maximum maka akan dilihat nilai variabel hasilnya apakah sama atau berbebeda. Jika berbeda maka terdapat dua buah nilai maximum dengan nilai variabel hasil yang berbeda.

Gambar 4.14 Listing Kode Program Komposisi Antar Aturan (MAX) 4.1.2.3. Implementasi Defuzzyfikasi SOM (Smallest of Maximum) Berikut ini adalah listing kode program defuzzyfikasi yaitu mencari nilai tegas terkecil dari nilai alfa predikat tertinggi yang telah didapat dari proses komposisi antar aturan (max). Jika variabel max hanya berisi satu buah nilai saja maka akan langsung dicari nilai tegas terkecil dari alfa predikat terbesar yang sudah didapatkan. Namun, jika variabel max berisi lebih dari satu buah nilai makan akan dicari nilai paling kecil dari kombinasi perhitungan dua buah nilai alfa predikatnya.


Gambar 4.15 Listing Kode Program Defuzzyfikasi SOM 4.1.2.4. Implementasi Defuzzyfikasi MOM (Mean of Maximum) Berikut ini adalah listing kode program defuzzyfikasi yaitu mencari nilai tegas rata-rata dari nilai alfa predikat tertinggi yang telah didapat dari proses komposisi antar aturan (max). Jika variabel max hanya berisi satu buah nilai saja maka akan langsung dicari nilai tegas rata-rata dari alfa predikat terbesar yang sudah didapatkan. Namun, jika variabel max berisi lebih dari satu buah nilai makan akan dicari nilai rata-rata dari kombinasi perhitungan dua buah nilai alfa predikatnya.


Gambar 4.16 Listing Kode Program Defuzzyfikasi MOM 4.1.2.5. Implementasi Defuzzyfikasi LOM (Largest of Maximum) Berikut ini adalah listing kode program defuzzyfikasi yaitu mencari nilai tegas terbesar dari nilai alfa predikat tertinggi yang telah didapat dari proses komposisi antar aturan (max). Jika variabel max hanya berisi satu


buah nilai saja maka akan langsung dicari nilai tegas terbesar dari alfa predikat terbesar yang sudah didapatkan. Namun, jika variabel max berisi lebih dari satu buah nilai makan akan dicari nilai tegas terbesar dari kombinasi perhitungan dua buah nilai alfa predikatnya.

Gambar 4.17 Listing Kode Program Defuzzyfikasi LOM 4.1.3. Implementasi Multi-Attribute Decision Making – SAW (Simple Additive Weighting) Dalam menerapkan metode MADM-SAW ada beberapa langkah yang harus ditemput untuk mendapatkan keputusan yaitu (1) membuat matrix keputusan, (2) penentuan bobot secara subjektif, (3) penghitungan rating


(SAW), (4) normalisasi matrix, dan yang terakhir adalah (5) menghitung preferensi. Penerapan metode MADM-SAW ke dalam bahasa pemrograman PHP sedikit berbeda dari langkah-langkah seperti teori yang telah dijelaskan di atas. Berikuti ini akan dijelaskan langkah demi langkah penerapan MADMSAW. 4.1.3.1. Penentuan Nilai Max Berikut ini adalah query untuk mendapatkan nilai max dari nilai vokal dan nilali max dari nilai wawancara, tapi potongan kode program dibawah ini khusus untuk jenis suara Sopran dan untuk kelompok deffuzyfikasi SOM. Untuk jenis suara yang lain dan kelompok deffuzyfikasi yang lain hanya tinggal mengganti jenis suara dan kelompok deffuzyfikasinya (MOM dan LOM). Setelah query dijalankan, hasilnya ditampung dalam variabel array $max. Sehingga variable $max berisi dua buah nilai, nilai max vokal dan nilai max wawancara. Nilai max ini kemudian digunakan untuk melakukan normalisasi matrix.

Gambar 4.18 Listing Kode Program Penentuan Nilai Max 4.1.3.2. Simple Additive Weighting (SAW) Setelah nilai max diketahui, proses selanjutnya adalah melakukan normalisasi matrix. Data-data nilai dari calon anggota diambil dari database, kemudian untuk setiap data dikenakan proses normalisasi dan juga pembobotan. Normalisasi yang digunakan adalah fungsi max karena akan mencari kandidat terbaik dari calon yang ada. Normalisasi dilakukan dengan cara membagi nilai dengan nilai max yang sudah didapatkan pada proses sebelumnya.


Gambar 4.19 Listing Kode Program SAW 4.1.3.3. Perhitungan Preferensi Perhitungan preferensi adalah menjumlahkan hasil perhitungan pemobotan setiap kriteria. Pembobotan untuk kriteria vokal dikalikan 60 dan pembobotan untuk kriteria wawancara dikalikan 40. Setelah itu hasil perhitungan kedua pembobotan dijumlahkan sehingga didapat nilai preferensi. Implementasi MADM sebenarnya selesai pada proses pehitungan preferensi tetapi proses pembuatan matrix keputusan belum diterapkan pada program. Kode program selanjutnya adalah untuk memasukkan nilai setiap calon anggota ke dalam matrix atau variabel array. Kemudian matrix tersebut ditampilkan dalam tabel dan diurutkan menurut nilai preferensi tertinggi.

Gambar 4.20 Lisitng Kode Program Perhitungan Nilai Preferensi


4.2.Analisis Hasil Data yang digunakan adalah data Penerimaan Anggota Baru(PAB) PSM Cantus Firmus tahun 2015. Data yang berhasil didapatkan sebanyak 67 data peserta seleksi PAB PSM dari total 160 data yang mengikuti seleksi. Data-data tersebut adalah sebagai berikut: 29 data peserta seleksi dengan jenis suara Sopran, 17 data peserta seleksi dengan jenis suara Alto, 14 data peserta seleksi dengan jenis suara Tenor dan 7 data peserta seleksi dengan jenis suara Bass. Pada bab sebelumnya dikatakan bahwa analisis hasil dilakukan dengan membandingkan data hasil keputusan hasil alat uji (sistem yang dibuat) dengan keputusan hasil seleksi panitia PAB PSM Cantus Firmus yang pernah dilakukan. Sistem akan mengambil calon terbaik sebagai anggota PSM Cantus Firmus. Jumlah calon peserta yang diterima untuk jenis suara Sopran sebanyak 18 orang, jenis suara Alto sebanyak 17 orang, jenis suara Tenor sebanyak 11 orang dan jenis suara Bass sebanyak 11 orang. Jumlah data yang diperolah untuk penelitian tidak sesuai dengan jumlah data yang sesungguhnya, sehingga tidak cocok apabila mengambil 11 orang terbaik jenis suara Bass dari 7 data yang ada. Maka dari itu teknik analisisnya adalah: data asli dikelompokkan ke dalam dua kelompok besar yakni kelompok “diterima” dan kelompok “ditolak”, dari hasil perhitungan alat uji akan dicocokkan apakah sebuah data masuk dalam kelompok “diterima” atau “ditolak” Berikut ini adalah tabel pengelompokkan hasil (data asli, bukan alat uji) Penerimaan Anggota Baru PSM Cantus Firmus tahun 2015: Tabel 4.1 Tabel Daftar Peserta PAB PSM Cantus Firmus 2015 No 1 2 3 4 5 6 7 8 9

Nama Caecilia Novita A. W. Charitas Widyastuti Christina Mega Citra Gita Josephine Anindysari Kristanato Kalista Bekinda Kuswidanti Maria Emmanuela Fardiana Marie Louise Ayu M. R. Marie Louise Catherine Widyana

Suara Sopran 2 Sopran 2 Sopran 2 Sopran Sopran Sopran 2 Sopran Sopran Sopran 2

Keputusan Diterima Diterima Diterima Diterima Diterima Diterima Diterima Diterima Diterima


No 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49

Nama Priscila Felicia Elu Rosa Virginia Dhayanti Pratama Putri Rosiana K. (Ninuk) Theresia Avila Wahyu Sulistyaningrum Windy Widyawan Yohana Alaya Prudenti Yosie Tiara Putri Adelia Tiara Putri Einerita Mayang Destiana Fidelis Elleny Averina Fransisca Romana A. G. O. Gaby Gregoriana Maria Salventien Noni Mikaela Nadya Gustaria Monica Vinny Kusumaningrung Stephani Pemberialitoti Theresia Lerina Wiwinda Tosari Yustika Kristiana Widyaningtyas Agatha Desi Vita Pratiwi Elisabet Susanti Heliana Maria Karunia Majid Maria Yessica Tri Adventa Panade Vinelia Anggra Viola Gratia Nati Ayu Nugrahaningsih Chatarina Bora Latong Dwi Intan Febrianti Einge Fransisca Wahyu Indriastuti Gardisa Citra A. K. Mela Ranti Kartika Ruth Liananda Citra Doloksaribu Alvares Javersan Bonifasius Aprilianto Simatupang Charles Rachma Dewangga

Suara Sopran 1 Sopran Sopran Sopran 1 Sopran 2 Sopran 2 Sopran Sopran Sopran Sopran Sopran Sopran 2 Sopran Sopran Sopran Sopran 2 Sopran Sopran 1 Sopran Sopran 2 Alto Alto 2 Alto 2 Alto 2 Alto 2 Alto 1 Alto Alto Alto Alto Alto Alto 1 Alto Alto Alto Alto 1 Alto Tenor Tenor Tenor 1

Keputusan Diterima Diterima Diterima Diterima Diterima Diterima Diterima Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Diterima Diterima Diterima Diterima Diterima Diterima Diterima Diterima Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Diterima Diterima Diterima


No 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67

Nama Eusebius Luhung Angling Kusuma Gregorius Widyatmoko Titus Arga Widiasta Vitus Wisnu Yohanes de Britto Dian N. Ignasius Gayuh A. J. Mathias Vino Tri Adi Agung Tri Sulistyo Yohanes Giovanni Krisna Andreas Antonius Mario S. B. P. Lukas Kevin Undap Semuel Stanislaus Rafael Bhayu N. W. Yion Yosep Endika Widiyanto

Suara Tenor 2 Tenor 2 Tenor 2 Tenor 1 Tenor 2 Tenor 2 Tenor Tenor Tenor 1 Tenor 2 Tenor Bass 1 Bass 1 Bass 1 Bass 1 Bass 2 Bass 2 Bass

Keputusan Diterima Diterima Diterima Diterima Diterima Diterima Ditolak Ditolak Ditolak Ditolak Ditolak Diterima Diterima Diterima Diterima Diterima Diterima Diterima

Dari tabel di atas, jumlah jenis suara Sopran yang diinginkan dari sistem adalah sejumlah 16 orang, jenis suara Alto sejumlah 8 orang, jenis suara Tenor sejumlah 9 orang dan jenis suara Bass sejumlah 7 orang. Masing-masing adalah calon terbaik dari kandidat yang mengikuti seleksi. Dalam tabel analisis terdapat kolom analisis yang berisi data “Sesuai” atau “Tidak Sesuai”. Sebuah data dikatakan “Sesuai” apabila data tersebut masuk ke dalam golongan yang sesuai (diterima/ditolak) sedangkan sebuah data dikatakan “Tidak Sesuai” apabila tidak masuk ke dalam golongan yang sesuai. Sebagai contoh, seorang calon seharusnya berada di kelompok ranking yang diterima tetapi hasil sistem menunjukkan bahwa calon tersebut berada di kelompok ranking yang ditolak, maka data calon tersebut dikatakan “Tidak Sesuai”. Setelah semua data dilihat kesesuaiannya antara data asli dengan data hasil sistem, selanjutnya dihitung akurasinya dengan rumus sebagai berikut:

𝑝𝑟𝑜𝑠𝑒𝑛𝑡𝑎𝑠𝑖 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =

𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑠𝑒𝑠𝑢𝑎𝑖 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎

× 100% …… (4.1)


4.2.1. Analisis Aturan Komposisi Max dengan Defuzifikasi SOM Berikut ini adalah tabel ranking hasil perhitungan alat uji untuk jenis suara Sopran: Tabel 4.2 Tabel Hasil Ranking Jenis Suara Sopran (SOM) No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

Nama Nilai Akhir 100 Christina Mega Citra Yohana Alaya Prudenti 96,203 94,894 Gita 88,576 Maria Emmanuela Fardiana 86,628 Yosie Tiara Putri 80,851 Charitas Widyastuti 73,317 Priscila Felicia Elu 71,894 Rosiana K. (Ninuk) 69,317 Monica Vinny Kusumaningrung 68,006 Fransisca Romana A. G. O. 67,031 Rosa Virginia Dhayanti Pratama Putri 66,17 Theresia Lerina 63,504 Marie Louise Ayu M. R. 63,036 Marie Louise Catherine Widyana 59,675 Theresia Avila Wahyu Sulistyaningrum 59,002 Kalista Bekinda Kuswidanti 57,359 Yustika Kristiana Widyaningtyas 55,091 Adelia Tiara Putri 53,638 Maria Salventien Noni 52,538 Mikaela Nadya Gustaria 52,117 Caecilia Novita A. W. 51,469 Gregoriana 50,83 Fidelis Elleny Averina 50,704 Windy Widyawan 48,769 Einerita Mayang Destiana 48,355 Wiwinda Tosari 47,179 Josephine Anindysari Kristanato 45,109 Gaby 44,355 Stephani Pemberialitoti Jumlah jenis suara Sopran yang ingin diterima adalah sebanyak 16

orang. Maka 16 peringkat teratas menurut hasil perhitungan alat uji adalah orang-orang yang diterima di PSM Cantus Firmus. Untuk menguji kemiripannya berikut adalah tabel perbandingan hasil seleksi asli dengan


hasil alat uji. Perlu diketahui bahwa hasil seleksi asli tidak berdasarkan nilai tertinggi namun, diurutkan berdasarkan abjad. Tabel 4.3 Tabel Perbandingan Data Asli dan Alat Uji (Sopran-SOM) Nama

Keputusan

Nama

Caecilia Novita A. W.

Diterima

Christina Mega Citra

Charitas Widyastuti

Diterima

Yohana Alaya Prudenti


Diterima

Gita

Gita Josephine Anindysari Kristanato Kalista Bekinda Kuswidanti Maria Emmanuela Fardiana Marie Louise Ayu M. R. Marie Louise Catherine Widyana

Diterima

Priscila Felicia Elu

Diterima

Rosa Virginia Dhayanti Pratama Putri

Diterima

Rosiana K. (Ninuk)

Diterima

Theresia Avila Wahyu Sulistyaningrum

Diterima

Windy Widyawan

Diterima


Diterima

Yosie Tiara Putri

Diterima

Adelia Tiara Putri

Ditolak

Einerita Mayang Destiana

Ditolak

Diterima Diterima Diterima Diterima Diterima

Maria Emmanuela Fardiana Yosie Tiara Putri Charitas Widyastuti Priscila Felicia Elu Rosiana K. (Ninuk) Monica Vinny Kusumaningrung Fransisca Romana A. G. O. Rosa Virginia Dhayanti Pratama Putri Theresia Lerina Marie Louise Ayu M. R. Marie Louise Catherine Widyana Theresia Avila Wahyu Sulistyaningrum Kalista Bekinda Kuswidanti Yustika Kristiana Widyaningtyas Adelia Tiara Putri

Fidelis Elleny Averina Fransisca Romana A. G. O.

Ditolak

Gaby

Ditolak

Gregoriana

Ditolak

Gregoriana

Maria Salventien Noni

Ditolak

Fidelis Elleny Averina

Mikaela Nadya Gustaria

Ditolak

Monica Vinny Kusumaningrung Stephani Pemberialitoti

Ditolak

Ditolak Ditolak

Maria Salventien Noni Mikaela Nadya Gustaria Caecilia Novita A. W.

Windy Widyawan Einerita Mayang Destiana Wiwinda Tosari

Hasil Sistem 100

Analisis Sesuai

96,203

Sesuai

94,894

Sesuai

88,576

Sesuai

86,628 80,851 73,317 71,894 69,317 68,006 67,031 66,17 63,504 63,036 59,675 59,002 57,359

Sesuai Sesuai Sesuai Sesuai Tidak Sesuai Tidak Sesuai Sesuai Tidak Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai

55,091

Sesuai

53,638

Sesuai

52,538 52,117 51,469 50,83 50,704 48,769 48,355

Sesuai Tidak Sesuai Sesuai Sesuai Tidak Sesuai Sesuai Sesuai


Nama

Keputusan

Nama

Theresia Lerina

Ditolak

Josephine Anindysari Kristanato

Wiwinda Tosari Yustika Kristiana Widyaningtyas

Ditolak

Gaby

Ditolak

Stephani Pemberialitoti

Hasil Sistem 47,179 45,109 44,355

Analisis Tidak Sesuai Sesuai Sesuai

Pada tabel di atas sel dengan warna merah berarti kandidat tersebut tidak diterima dan warna hijau berarti kandidat tersebut diterima. Dengan menggunakan aturan komposisi Max dan metode defuzzifikasi SOM untuk jenis suara Sopran didapat 6 data hasil perhitungan alat uji tidak sesuai dengan data asli. Berikut adalah diagram prosentase kesesuaian antara data asli dengan hasil alat uji:

Max-SOM (Sopran)

Sesuai 79%

Other 21%

Sesuai

Tidak Sesuai 21%

Tidak Sesuai

Gambar 4.21 Diagram Prosentase Max-SOM (Sopran) Berikut ini adalah tabel ranking hasil perhitungan alat uji untuk jenis suara Alto: Tabel 4.4 Tabel Hasil Ranking Jenis Suara Alto (SOM) No 1 2 3 4 5 6

Nama Tri Adventa Panade Elisabet Susanti Viola Gratia Nati Maria Yessica Einge Vinelia Anggra

Nilai Akhir 96,235 95,421 91,236 88,145 79,486 73,432


No 7 8 9 10 11 12 13 14 15 16 17

Nama Nilai Akhir 72,743 Karunia Majid 71,174 Agatha Desi Vita Pratiwi 68,031 Gardisa Citra A. K. 61,968 Heliana Maria 61,422 Ranti Kartika 59,271 Ayu Nugrahaningsih 56,567 Fransisca Wahyu Indriastuti 55,567 Chatarina Bora Latong 55,893 Mela 53,316 Ruth Liananda Citra Doloksaribu 51,174 Dwi Intan Febrianti Jumlah jenis suara Alto yang ingin diterima adalah sebanyak 8 orang.

Maka 8 peringkat teratas menurut hasil perhitungan alat uji adalah orangorang yang diterima di PSM Cantus Firmus. Untuk menguji kemiripannya berikut adalah tabel perbandingan hasil seleksi asli dengan hasil alat uji. Perlu diketahui bahwa hasil seleksi asli tidak berdasarkan nilai tertinggi. Tabel 4.5 Tabel Perbandingan Data Asli dan Alat Uji (Alto-SOM) No

Nama

Keputusan Asli

Nama

Hasil Sistem

Analisis

96,629

Tidak Sesuai

95,294

Sesuai

1

Agatha Desi Vita Pratiwi

Diterima

2

Elisabet Susanti

Diterima

Tri Adventa Panade Elisabet Susanti

3

Heliana Maria

Diterima

Viola Gratia Nati

93,539

Sesuai

4

Karunia Majid

Diterima

Maria Yessica

91,236

Sesuai

5

Maria Yessica Tri Adventa Panade

Diterima

Einge

90,575

Sesuai

88,145

Sesuai

Vinelia Anggra

Diterima

79,775

Tidak Sesuai

Viola Gratia Nati

Diterima

78,707

Sesuai

6 7 8 9 10 11

Ayu Nugrahaningsih Chatarina Bora Latong Dwi Intan Febrianti

Diterima

Ditolak Ditolak Ditolak

Vinelia Anggra Karunia Majid Agatha Desi Vita Pratiwi Gardisa Citra A. K. Heliana Maria Ranti Kartika

72,743 70,861 70,617

Tidak Sesuai Tidak Sesuai Sesuai


No 12

Nama

Keputusan Asli

Einge

Ditolak

13

Fransisca Wahyu Indriastuti

Ditolak

14

Gardisa Citra A. K.

Ditolak

15

Mela

Ditolak

16 17

Ranti Kartika

Ditolak

Ruth Liananda Citra Doloksaribu

Ditolak

Nama Ayu Nugrahaningsih Fransisca Wahyu Indriastuti Chatarina Bora Latong Mela Ruth Liananda Citra Doloksaribu Dwi Intan Febrianti

Hasil Sistem

Analisis

66,956

Sesuai

64,957

Sesuai

63,305

Sesuai

53,473

Sesuai

52,531

Sesuai

47,812

Sesuai

Pada tabel di atas sel dengan warna merah berarti kandidat tersebut tidak diterima dan warna hijau berarti kandidat tersebut diterima. Dengan menggunakan aturan komposisi Max dan metode defuzzifikasi SOM untuk jenis suara Alto didapat 4 data hasil perhitungan alat uji tidak sesuai dengan data asli. Berikut adalah diagram prosentase kesesuaian antara data asli dengan hasil alat uji:

Max-SOM (Alto)

Sesuai 88%

Other 12%

Sesuai

Tidak Sesuai 12%

Tidak Sesuai

Gambar 4.22 Diagram Prosentase Max-SOM (Alto) Berikut ini adalah tabel ranking hasil perhitungan alat uji untuk jenis suara Tenor:


Tabel 4.6 Tabel Hasil Ranking Jenis Suara Tenor (SOM) No 1 2 3 4 5 6 7 8 9 10 11 12 13 14

Nama Nilai Akhir Yohanes de Britto Dian N. 86,304 Gregorius Widyatmoko 81,573 Charles Rachma Dewangga 78,151 Wisnu 74,781 Vitus 71,195 Bonifasius Aprilianto Simatupang 69,794 Titus Arga Widiasta 69,713 Eusebius Luhung Angling Kusuma 65,188 Alvares Javersan 63,151 Yohanes Giovanni Krisna 48,832 Tri Sulistyo 47,916 Mathias Vino 44,931 Tri Adi Agung 44,388 Ignasius Gayuh A. J. 40,325 Jumlah jenis suara Tenor yang ingin diterima adalah sebanyak 9

orang. Maka 9 peringkat teratas menurut hasil perhitungan alat uji adalah orang-orang yang diterima di PSM Cantus Firmus. Untuk menguji kemiripannya berikut adalah tabel perbandingan hasil seleksi asli dengan hasil alat uji. Perlu diketahui bahwa hasil seleksi asli tidak berdasarkan nilai tertinggi. Tabel 4.7 Tabel Perbandingan Data Asli dan Alat Uji (Tenor-SOM)

1

Alvares Javersan

Keputusan Diterima

2

Bonifasius Aprilianto Simatupang

Diterima

Gregorius Widyatmoko

81,573

Sesuai

3

Charles Rachma Dewangga

Diterima


78,151

Sesuai

4

Eusebius Luhung Angling Kusuma

Diterima

74,781

Sesuai

No

Nama

Nama Yohanes de Britto Dian N.

Wisnu

Hasil Sistem

Analisis

86,304

Sesuai


No 5

Keputusan

Nama Gregorius Widyatmoko

Diterima

Titus Arga Widiasta

Diterima

7

Vitus

Diterima

8

Wisnu

Diterima

9

Yohanes de Britto Dian N.

Diterima

10

Ignasius Gayuh A. J.

Ditolak

11

Mathias Vino

Ditolak

12

Tri Adi Agung

Ditolak

13

Tri Sulistyo

Ditolak

14

Yohanes Giovanni Krisna

Ditolak

Hasil Sistem

Analisis

71,195

Sesuai

69,794

Sesuai

69,713

Sesuai

65,188

Sesuai

63,151

Sesuai


48,832

Sesuai

Tri Sulistyo

47,916

Sesuai

Mathias Vino

44,931

Sesuai

Tri Adi Agung

44,388

Sesuai


40,325

Sesuai

Nama

Vitus Bonifasius Aprilianto Simatupang Titus Arga Widiasta Eusebius Luhung Angling Kusuma

6

Alvares Javersan

Pada tabel di atas sel dengan warna merah berarti kandidat tersebut tidak diterima dan warna hijau berarti kandidat tersebut diterima. Dengan menggunakan aturan komposisi Max dan metode defuzzifikasi SOM untuk jenis suara Tenor data asli sesuai dengan hasil perhitungan alat uji. Berikut adalah diagram prosentase kesesuaian antara data asli dengan hasil alat uji:

Max-SOM (Tenor) Tidak Sesuai 0% Sesuai 100%

Sesuai

Other 0%

Tidak Sesuai

Gambar 4.23 Diagram Prosentase Max-SOM (Tenor)


Berikut ini adalah tabel ranking hasil perhitungan alat uji untuk jenis suara Bass: Tabel 4.8 Tabel Hasil Ranking Jenis Suara Bass (SOM) No Nama 1 2 3 4 5 6 7

Nilai Akhir 97,391 85,974 71,919 62,428 60,539 57,717 49,565

Lukas Kevin Undap Yion Stanislaus Rafael Bhayu N. W. Yosep Endika Widiyanto Antonius Mario S. B. P. Semuel Andreas

Jumlah jenis suara Bass yang ingin diterima adalah sebanyak 7 orang. Maka 7 peringkat teratas menurut hasil perhitungan alat uji adalah orangorang yang diterima di PSM Cantus Firmus. Untuk menguji kemiripannya berikut adalah tabel perbandingan hasil seleksi asli dengan hasil alat uji. Perlu diketahui bahwa hasil seleksi asli tidak berdasarkan nilai tertinggi. Tabel 4.9 Tabel Perbandingan Data Asli dan Alat Uji (Bass-SOM)

1

Andreas

Keputus an Diterima

2

Antonius Mario S. B. P.

Diterima

Yion

3

Lukas Kevin Undap

Diterima

4

Semuel

Diterima

5

Stanislaus Rafael Bhayu N. W.

Stanislaus Rafael Bhayu N. W. Yosep Endika Widiyanto

Diterima

6

Yion

Diterima

7

Yosep Endika Widiyanto

Diterima

No

Nama

Analisis

Lukas Kevin Undap

Hasil Sistem 97,391

Sesuai

85,974

Sesuai

71,919

Sesuai

62,428

Sesuai


60,539

Sesuai

Semuel

57,717

Sesuai

Andreas

49,565

Sesuai

Nama


Pada tabel di atas sel dengan warna hijau berarti kandidat tersebut diterima. Dengan menggunakan aturan komposisi Max dan metode defuzzifikasi SOM untuk jenis suara Bass data asli sesuai dengan hasil perhitungan alat uji. Berikut adalah diagram prosentase kesesuaian antara data asli dengan hasil alat uji:

Max-SOM (Bass) Tidak Sesuai 0% Sesuai 100%

Other 0%

Sesuai

Tidak Sesuai

Gambar 4.24 Diagram Prosentase Max-SOM (Bass) Dari 67 data yang digunakan dan dengan menggunakan aturan komposisi Max dan metode defuzzifikasi SOM terdapat 8 data yang tidak sesuai antara data asli dengan data hasil perhitungan alat uji. Berikut adalah diagram prosentasi akurasi dengan menggunakan metode defuzzifikasi SOM:

Max-SOM

Sesuai 88%

Other 12%

Sesuai

Tidak Sesuai 12%

Tidak Sesuai

Gambar 4.25 Diagram Prosentase Max-SOM


4.2.2. Analisis Aturan Komposisi Max dengan Defuzifikasi MOM Berikut ini adalah tabel ranking hasil perhitungan alat uji untuk jenis suara Sopran: Tabel 4.10 Tabel Hasil Ranking Jenis Suara Sopran (MOM) No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

Nama Christina Mega Citra Yohana Alaya Prudenti Gita Maria Emmanuela Fardiana Yosie Tiara Putri Charitas Widyastuti Fransisca Romana A. G. O. Priscila Felicia Elu Rosa Virginia Dhayanti Pratama Putri Rosiana K. (Ninuk) Monica Vinny Kusumaningrung Marie Louise Catherine Widyana Kalista Bekinda Kuswidanti Theresia Avila Wahyu Sulistyaningrum Marie Louise Ayu M. R. Windy Widyawan Yustika Kristiana Widyaningtyas Theresia Lerina Caecilia Novita A. W. Gregoriana Fidelis Elleny Averina Einerita Mayang Destiana Stephani Pemberialitoti Wiwinda Tosari Josephine Anindysari Kristanato Adelia Tiara Putri Maria Salventien Noni Mikaela Nadya Gustaria Gaby

Nilai Akhir 100 97,22 94,894 90,611 87,646 80,851 71,543 71,409 71,059 70,951 67,384 66,17 63,708 63,554 62,782 57,365 55,541 55,41 53,516 50,525 49,887 48,79 48,235 48,101 47,586 44,634 44,311 42,08 35,217

Jumlah jenis suara Sopran yang ingin diterima adalah sebanyak 16 orang. Maka 16 peringkat teratas menurut hasil perhitungan alat uji adalah


orang-orang yang diterima di PSM Cantus Firmus. Untuk menguji kemiripannya berikut adalah tabel perbandingan hasil seleksi asli dengan hasil alat uji. Perlu diketahui bahwa hasil seleksi asli tidak berdasarkan nilai tertinggi. Tabel 4.11 Tabel Perbandingan Data Asli dan Alat Uji (Sopran-MOM) No 1

Nama

Keputus an


Diterima

2

Charitas Widyastuti

Diterima

3


Diterima

4

Gita

Diterima

5

Josephine Anindysari Kristanato

Diterima

6

Kalista Bekinda Kuswidanti

Diterima

7

Maria Emmanuela Fardiana

8 9

Nama Christina Mega Citra Yohana Alaya Prudenti Gita Maria Emmanuela Fardiana

Hasil Sistem 100 97,22 94,894

Analisis Sesuai Sesuai Sesuai

90,611

Sesuai

87,646

Sesuai

Charitas Widyastuti

80,851

Sesuai

Diterima

Fransisca Romana A. G. O.

71,543

Tidak Sesuai

Marie Louise Ayu M. R.

Diterima

71,409

Sesuai

Marie Louise Catherine Widyana

Diterima

71,059

Sesuai

10

Priscila Felicia Elu

Diterima

Priscila Felicia Elu Rosa Virginia Dhayanti Pratama Putri Rosiana K. (Ninuk)

70,951

Sesuai

11

Rosa Virginia Dhayanti Pratama Putri

Diterima

67,384

Tidak Sesuai

Rosiana K. (Ninuk)

Diterima

Monica Vinny Kusumaningrung Marie Louise Catherine Widyana

66,17

Sesuai


Diterima

Kalista Bekinda Kuswidanti

63,708

12

13

Yosie Tiara Putri

Sesuai


No

Nama

14

Keputus an

Nama

Windy Widyawan

Diterima


15


Diterima

Marie Louise Ayu M. R.

16

Yosie Tiara Putri

Diterima

17

Adelia Tiara Putri

Ditolak

18

Einerita Mayang Destiana

Ditolak

19

Fidelis Elleny Averina

Ditolak

20

Fransisca Romana A. G. O.

Ditolak

21

Gaby

Ditolak

22

Gregoriana

Ditolak

23

Maria Salventien Noni

Ditolak

24

Mikaela Nadya Gustaria

Ditolak

Monica Vinny Kusumaningrung

Ditolak

Stephani Pemberialitoti

Ditolak

27

Theresia Lerina

Ditolak

28

Wiwinda Tosari

Ditolak

29

Yustika Kristiana Widyaningtyas

Ditolak

25

26

Windy Widyawan Yustika Kristiana Widyaningtyas Theresia Lerina Caecilia Novita A. W. Gregoriana Fidelis Elleny Averina Einerita Mayang Destiana Stephani Pemberialitoti Wiwinda Tosari Josephine Anindysari Kristanato Adelia Tiara Putri Maria Salventien Noni Mikaela Nadya Gustaria Gaby

Hasil Sistem

Analisis

63,554

Sesuai

62,782

Sesuai

57,365

Sesuai

55,541

Sesuai

55,41

Sesuai

53,516

Tidak Sesuai

50,525

Sesuai

49,887

Sesuai

48,79

Sesuai

48,235

Sesuai

48,101

Sesuai

47,586

Tidak Sesuai

44,634

Sesuai

44,311

Sesuai

42,08

Sesuai

35,217

Sesuai

Pada tabel di atas sel dengan warna merah berarti kandidat tersebut tidak diterima dan warna hijau berarti kandidat tersebut diterima. Dengan menggunakan aturan komposisi Max dan metode defuzzifikasi MOM untuk


jenis suara Sopran didapat 4 data hasil perhitungan alat uji tidak sesuai dengan data asli. Berikut adalah diagram prosentase kesesuaian antara data asli dengan hasil alat uji:

Max-MOM (Sopran)

Sesuai 86%

Other 14%

Sesuai

Tidak Sesuai 14%

Tidak Sesuai

Gambar 4.26 Diagram Prosentase Max-MOM (Sopran) Berikut ini adalah tabel ranking hasil perhitungan alat uji untuk jenis suara Alto: Tabel 4.12 Tabel Hasil Ranking Jenis Suara Alto (MOM) No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

Nama Nilai Akhir Tri Adventa Panade 98,27 Elisabet Susanti 96,439 Viola Gratia Nati 91,236 Maria Yessica 90,18 Einge 78,405 Karunia Majid 78,138 Agatha Desi Vita Pratiwi 71,195 Vinelia Anggra 70,385 Gardisa Citra A. K. 69,43 Heliana Maria 65,02 Ayu Nugrahaningsih 62,324 Ranti Kartika 61,829 Fransisca Wahyu Indriastuti 56,313 Mela 56,23 Chatarina Bora Latong 55,638 Dwi Intan Febrianti 52,211 Ruth Liananda Citra Doloksaribu 50,919


Jumlah jenis suara Alto yang ingin diterima adalah sebanyak 8 orang. Maka 8 peringkat teratas menurut hasil perhitungan alat uji adalah orangorang yang diterima di PSM Cantus Firmus. Untuk menguji kemiripannya berikut adalah tabel perbandingan hasil seleksi asli dengan hasil alat uji. Perlu diketahui bahwa hasil seleksi asli tidak berdasarkan nilai tertinggi. Tabel 4.13 Tabel Perbandingan Data Asli dan Alat Uji (Alto-MOM) No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

Nama

Keputusan


Diterima

Elisabet Susanti

Diterima

Heliana Maria

Diterima

Karunia Majid

Diterima

Maria Yessica

Diterima

Tri Adventa Panade

Diterima

Vinelia Anggra

Diterima

Viola Gratia Nati

Diterima

Ayu Nugrahaningsih Chatarina Bora Latong Dwi Intan Febrianti Einge Fransisca Wahyu Indriastuti Gardisa Citra A. K.

Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak

Mela

Ditolak

Ranti Kartika

Ditolak


Ditolak

Nama Tri Adventa Panade

Hasil Sistem 98,27

Elisabet Susanti

96,439

Viola Gratia Nati

91,236

Maria Yessica

90,18

Einge

78,405

Karunia Majid Agatha Desi Vita Pratiwi

78,138

Vinelia Anggra Gardisa Citra A. K.

70,385

Heliana Maria Ayu Nugrahaningsih

65,02

71,195

69,43

62,324

Ranti Kartika Fransisca Wahyu Indriastuti

61,829

Mela Chatarina Bora Latong Dwi Intan Febrianti Ruth Liananda Citra Doloksaribu

56,23

56,313

55,638 52,211 50,919

Analisis Sesuai Sesuai Sesuai Sesuai Tidak Sesuai Sesuai Sesuai Sesuai Sesuai Tidak Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai


Pada tabel di atas sel dengan warna merah berarti kandidat tersebut tidak diterima dan warna hijau berarti kandidat tersebut diterima. Dengan menggunakan aturan komposisi Max dan metode defuzzifikasi MOM untuk jenis suara Alto didapat 2 data hasil sistem tidak sesuai dengan data asli. Berikut adalah diagram prosentase kesesuaian antara data asli dengan hasil alat uji:

Max-MOM (Alto)

Sesuai 88%

Other 12%

Sesuai

Tidak Sesuai 12%

Tidak Sesuai

Gambar 4.27 Diagram Prosentase Max-MOM (Alto) Berikut ini adalah tabel ranking hasil perhitungan alat uji untuk jenis suara Tenor: Tabel 4.14 Tabel Hasil Ranking Jenis Suara Tenor (MOM) No 1 2 3 4 5 6 7 8 9 10 11 12 13

Nama Nilai Akhir 86,304 Yohanes de Britto Dian N. Charles Rachma Dewangga 82,857 Gregorius Widyatmoko 79,665 Vitus 75,901 Titus Arga Widiasta 72,766 Bonifasius Aprilianto Simatupang 65,539 Alvares Javersan 67,857 Eusebius Luhung Angling Kusuma 66,587 Wisnu 64,324 Tri Sulistyo 48,901 Mathias Vino 47,983 Yohanes Giovanni Krisna 47,889 Ignasius Gayuh A. J. 45,031


No Nama 14 Tri Adi Agung

Nilai Akhir 34,495

Jumlah jenis suara Tenor yang ingin diterima adalah sebanyak 9 orang. Maka 9 peringkat teratas menurut hasil perhitungan alat uji adalah orang-orang yang diterima di PSM Cantus Firmus. Untuk menguji kemiripannya berikut adalah tabel perbandingan hasil seleksi asli dengan hasil alat uji. Perlu diketahui bahwa hasil seleksi asli tidak berdasarkan nilai tertinggi. Tabel 4.15 Tabel Perbandingan Data Asli dan Alat Uji (Tenor-MOM)

1

Alvares Javersan

Keputusan Diterima

2


Diterima

Yohanes de Britto Dian N. Charles Rachma Dewangga

3


Diterima

4


5


No

Nama

Nama

Hasil Sistem 86,304

Analisis Sesuai

82,857

Sesuai


79,665

Sesuai

Diterima

Vitus

75,901

Sesuai

Diterima

Titus Arga Widiasta

72,766

Sesuai

Titus Arga Widiasta

Diterima


65,539

Vitus

Diterima

Alvares Javersan

67,857

Wisnu

Diterima


66,587

Sesuai

9


Diterima

Wisnu

64,324

Sesuai

10


Ditolak

Tri Sulistyo

48,901

11

Mathias Vino

Ditolak

Mathias Vino

47,983

6

7 8

Sesuai Sesuai

Sesuai Sesuai


No 12 13 14

Nama

Keputusan

Nama

Hasil Sistem

Analisis

47,889

Sesuai

Ditolak


Tri Sulistyo

Ditolak


45,031

Sesuai


Ditolak

Tri Adi Agung

34,495

Sesuai

Tri Adi Agung

Pada tabel di atas sel dengan warna merah berarti kandidat tersebut tidak diterima dan warna hijau berarti kandidat tersebut diterima. Dengan menggunakan aturan komposisi Max dan metode defuzzifikasi MOM untuk jenis suara Tenor data asli sesuai dengan hasil perhitungan alat uji. Berikut adalah diagram prosentase kesesuaian antara data asli dengan hasil alat uji:

Max-MOM (Tenor) Tidak Sesuai 0% Sesuai 100%

Other 0%

Sesuai

Tidak Sesuai

Gambar 4.28 Diagram Prosentase Max-MOM (Tenor) Berikut ini adalah tabel ranking hasil perhitungan alat uji untuk jenis suara Bass: Tabel 4.16 Tabel Hasil Ranking Jenis Suara Bass (MOM) No 1 2 3 4 5

Nama Nilai Akhir 97,391 Lukas Kevin Undap Yion 82,599 Stanislaus Rafael Bhayu N. W. 72,158 Yosep Endika Widiyanto 66,282 Antonius Mario S. B. P. 57,164


No Nama 6 Semuel 7 Andreas

Nilai Akhir 55,396 47,244

Jumlah jenis suara Bass yang ingin diterima adalah sebanyak 7 orang. Maka 7 peringkat teratas menurut hasil perhitungan alat uji adalah orangorang yang diterima di PSM Cantus Firmus. Untuk menguji kemiripannya berikut adalah tabel perbandingan hasil seleksi asli dengan hasil alat uji. Perlu diketahui bahwa hasil seleksi asli tidak berdasarkan nilai tertinggi. Tabel 4.17 Tabel Perbandingan Data Asli dan Alat Uji (Bass-MOM)

1

Andreas

Keputus an Diterima

2


Diterima


81,942

Sesuai

Lukas Kevin Undap

Diterima


80,374

Sesuai

Semuel

Diterima

Lukas Kevin Undap

80,313

Sesuai

57,487

Sesuai

No

3 4

Nama

Yion

Hasil Sistem 100

Nama

5


Diterima


6

Yion

Diterima

Semuel

55,53

7


Diterima

Andreas

47,827

Analisis Sesuai

Sesuai Sesuai

Pada tabel di atas sel dengan warna hijau berarti kandidat tersebut diterima. Dengan menggunakan aturan komposisi Max dan metode defuzzifikasi MOM untuk jenis suara Bass data asli sesuai dengan hasil perhitungan alat uji. Berikut adalah diagram prosentase kesesuaian antara data asli dengan hasil alat uji:


Max-MOM (Bass) Tidak Sesuai 0% Sesuai 100%

Other 0%

Sesuai

Tidak Sesuai

Gambar 4.29 Diagram Prosentase Max-MOM (Bass) Dari 67 data yang digunakan dan dengan menggunakan aturan komposisi Max dan metode defuzzifikasi SOM terdapat 8 data yang tidak sesuai antara data asli dengan data hasil perhitungan alat uji. Berikut adalah diagram prosentasi akurasi dengan menggunakan metode defuzzifikasi MOM:

Max-MOM

Sesuai 88%

Other 12%

Sesuai

Tidak Sesuai 12%

Tidak Sesuai

Gambar 4.30 Diagram Prosentase Max-MOM 4.2.3. Analisis Aturan Komposisi Max dengan Defuzifikasi LOM Berikut ini adalah tabel ranking hasil perhitungan alat uji untuk jenis suara Sopran: Tabel 4.18 Tabel Hasil Ranking Jenis Suara Sopran (LOM) No Nama 1 Christina Mega Citra 2 Yohana Alaya Prudenti

Nilai Akhir 100 98,085


No 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

Nama

Nilai Akhir Gita 94,894 Maria Emmanuela Fardiana 92,34 Yosie Tiara Putri 88,511 Charitas Widyastuti 80,851 Rosa Virginia Dhayanti Pratama Putri 73,653 Fransisca Romana A. G. O. 73,435 Marie Louise Catherine Widyana 70,681 Rosiana K. (Ninuk) 70,149 Priscila Felicia Elu 69,787 Kalista Bekinda Kuswidanti 67,708 Theresia Avila Wahyu Sulistyaningrum 66,851 Monica Vinny Kusumaningrung 66,17 Theresia Lerina 64,349 Marie Louise Ayu M. R. 62,565 Windy Widyawan 59,41 Caecilia Novita A. W. 54,405 Yustika Kristiana Widyaningtyas 53,83 Adelia Tiara Putri 52,189 Stephani Pemberialitoti 51,532 Maria Salventien Noni 51,05 Gregoriana 49,723 Mikaela Nadya Gustaria 49,636 Fidelis Elleny Averina 49,085 Einerita Mayang Destiana 48,809 Josephine Anindysari Kristanato 47,932 Wiwinda Tosari 47,884 Gaby 42,364 Jumlah jenis suara Sopran yang ingin diterima adalah sebanyak 16

orang. Maka 16 peringkat teratas menurut hasil perhitungan alat uji adalah orang-orang yang diterima di PSM Cantus Firmus. Untuk menguji kemiripannya berikut adalah tabel perbandingan hasil seleksi asli dengan hasil alat uji. Perlu diketahui bahwa hasil seleksi asli tidak berdasarkan nilai tertinggi.


Tabel 4.19 Tabel Perbandingan Data Asli dan Alat Uji (Sopran-LOM) No 1 2 3 4 5 6 7

8 9

10 11

12 13

14 15 16 17 18 19 20

Nama

Keputusan


Diterima

Charitas Widyastuti

Diterima


Diterima

Gita Josephine Anindysari Kristanato Kalista Bekinda Kuswidanti

Diterima

Maria Emmanuela Fardiana Marie Louise Ayu M. R. Marie Louise Catherine Widyana

Diterima Diterima

Diterima Diterima

Diterima

Priscila Felicia Elu Rosa Virginia Dhayanti Pratama Putri

Diterima

Rosiana K. (Ninuk) Theresia Avila Wahyu Sulistyaningrum

Diterima

Windy Widyawan Yohana Alaya Prudenti

Diterima

Yosie Tiara Putri

Diterima

Adelia Tiara Putri Einerita Mayang Destiana Fidelis Elleny Averina Fransisca Romana A. G. O.

Ditolak

Diterima

Diterima

Nama Christina Mega Citra Yohana Alaya Prudenti

Hasil Sistem 100 98,085

Gita Maria Emmanuela Fardiana

94,894

Yosie Tiara Putri Charitas Widyastuti Rosa Virginia Dhayanti Pratama Putri Fransisca Romana A. G. O. Marie Louise Catherine Widyana Rosiana K. (Ninuk)

88,511

Priscila Felicia Elu Kalista Bekinda Kuswidanti Theresia Avila Wahyu Sulistyaningrum Monica Vinny Kusumaningrung

92,34

80,851

73,653 73,435

70,681 70,149

69,787 67,708

66,851

Analisis Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Tidak Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai

66,17

Tidak Sesuai

Theresia Lerina Marie Louise Ayu M. R.

64,349

Tidak Sesuai

59,41 54,405

Ditolak

Windy Widyawan Caecilia Novita A. W. Yustika Kristiana Widyaningtyas

Ditolak

Adelia Tiara Putri

52,189

Diterima

Ditolak

62,565

53,83

Sesuai Tidak Sesuai Tidak Sesuai Sesuai Sesuai


No 21 22 23 24 25 26

Nama

Keputusan

Gaby

Ditolak

Gregoriana Maria Salventien Noni Mikaela Nadya Gustaria Monica Vinny Kusumaningrung Stephani Pemberialitoti

Ditolak Ditolak

29

Stephani Pemberialitoti Maria Salventien Noni

Hasil Sistem 51,532 51,05

Theresia Lerina

Ditolak

Gregoriana Mikaela Nadya Gustaria Fidelis Elleny Averina Einerita Mayang Destiana Josephine Anindysari Kristanato

Wiwinda Tosari Yustika Kristiana Widyaningtyas

Ditolak

Wiwinda Tosari

47,884

Ditolak

Gaby

42,364

Ditolak Ditolak Ditolak

27

28

Nama

49,723 49,636 49,085 48,809

47,932

Analisis Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Tidak Sesuai Sesuai Sesuai

Pada tabel di atas sel dengan warna merah berarti kandidat tersebut tidak diterima dan warna hijau berarti kandidat tersebut diterima. Dengan menggunakan aturan komposisi Max dan metode defuzzifikasi LOM untuk jenis suara Sopran didapat 6 data hasil perhitungan alat uji tidak sesuai dengan data asli. Berikut adalah diagram prosentase kesesuaian antara data asli dengan hasil alat uji:

Max-LOM (Sopran)

Sesuai 79%

Other 21%

Sesuai

Tidak Sesuai 21%

Tidak Sesuai

Gambar 4.31 Diagram Prosentase Max-LOM (Sopran)


Berikut ini adalah tabel ranking hasil perhitungan alat uji untuk jenis suara Alto: Tabel 4.20 Tabel Hasil Ranking Jenis Suara Alto (LOM) No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

Nama Nilai Akhir 100 Tri Adventa Panade Elisabet Susanti 97,303 Maria Yessica 91,91 Viola Gratia Nati 91,236 Karunia Majid 82,138 Einge 77,486 Agatha Desi Vita Pratiwi 71,213 Gardisa Citra A. K. 70,62 Vinelia Anggra 69,213 Heliana Maria 67,615 Ayu Nugrahaningsih 64,918 Ranti Kartika 62,175 Mela 58,708 Fransisca Wahyu Indriastuti 56,096 Chatarina Bora Latong 55,422 Dwi Intan Febrianti 54,806 Ruth Liananda Citra Doloksaribu 50,703 Jumlah jenis suara Alto yang ingin diterima adalah sebanyak 8 orang.

Maka 8 peringkat teratas menurut hasil perhitungan alat uji adalah orangorang yang diterima di PSM Cantus Firmus. Untuk menguji kemiripannya berikut adalah tabel perbandingan hasil seleksi asli dengan hasil alat uji. Perlu diketahui bahwa hasil seleksi asli tidak berdasarkan nilai tertinggi. Tabel 4.21 Tabel Perbandingan Data Asli dan Alat Uji (Alto-LOM) No 1 2 3

Nama

Keputusan


Diterima

Elisabet Susanti

Diterima

Heliana Maria

Diterima

Nama Tri Adventa Panade Elisabet Susanti Maria Yessica

Hasil Sistem 100 97,303 91,91

Analisis Sesuai Sesuai Sesuai


No 4 5 6 7 8

9 10 11 12 13 14 15 16 17

Nama

Viola Gratia Nati

Hasil Sistem 91,236

Karunia Majid

82,138

Einge

77,486

Diterima


Tidak Sesuai

71,213

Sesuai

Diterima

Gardisa Citra A. K.

70,62

Tidak Sesuai

Vinelia Anggra

69,213

Heliana Maria

67,615

Ayu Nugrahaningsih

64,918

Ranti Kartika

62,175

Mela

58,708

Keputusan

Karunia Majid

Diterima

Maria Yessica

Diterima

Tri Adventa Panade

Diterima

Vinelia Anggra Viola Gratia Nati Ayu Nugrahaningsih Chatarina Bora Latong

Ditolak Ditolak

Nama

Analisis Sesuai Sesuai

Tidak Sesuai Tidak Sesuai

Dwi Intan Febrianti

Ditolak

Einge

Ditolak


Ditolak

Gardisa Citra A. K.

Ditolak


56,096

Sesuai

Mela

Ditolak

Chatarina Bora Latong

55,422

Sesuai

Ranti Kartika

Ditolak

Dwi Intan Febrianti

54,806

Sesuai


Ditolak


50,703

Sesuai

Sesuai Sesuai Sesuai

Pada tabel di atas sel dengan warna merah berarti kandidat tersebut tidak diterima dan warna hijau berarti kandidat tersebut diterima. Dengan menggunakan aturan komposisi Max dan metode defuzzifikasi LOM untuk jenis suara Alto didapat 4 data hasil perhitungan alat uji tidak sesuai dengan data asli.


Berikut adalah diagram prosentase kesesuaian antara data asli dengan hasil alat uji:

Max-LOM (Alto)

Sesuai 76%

Other 24%

Sesuai

Tidak Sesuai 24%

Tidak Sesuai

Gambar 4.32 Diagram Prosentase Max-LOM (Alto) Berikut ini adalah tabel ranking hasil perhitungan alat uji untuk jenis suara Tenor: Tabel 4.22 Tabel Hasil Ranking Jenis Suara Tenor (LOM) No 1 2 3 4 5 6 7 8 9 10 11 12 13 14

Nama Nilai Akhir 86,857 Charles Rachma Dewangga Yohanes de Britto Dian N. 86,304 Vitus 79,901 Gregorius Widyatmoko 78,043 Titus Arga Widiasta 75,36 Wisnu 71,879 Alvares Javersan 71,857 Bonifasius Aprilianto Simatupang 69,323 Eusebius Luhung Angling Kusuma 67,776 Mathias Vino 50,578 Tri Sulistyo 49,739 Ignasius Gayuh A. J. 49,031 Yohanes Giovanni Krisna 47,087 Tri Adi Agung 41,643 Jumlah jenis suara Tenor yang ingin diterima adalah sebanyak 9

orang. Maka 9 peringkat teratas menurut hasil perhitungan alat uji adalah orang-orang yang diterima di PSM Cantus Firmus. Untuk menguji


kemiripannya berikut adalah tabel perbandingan hasil seleksi asli dengan hasil alat uji. Perlu diketahui bahwa hasil seleksi asli tidak berdasarkan nilai tertinggi. Tabel 4.23 Tabel Perbandingan Data Asli dan Alat Uji (Tenor-LOM)

1

Alvares Javersan

Keputusan Diterima

2


Diterima

Charles Rachma Dewangga Yohanes de Britto Dian N.

3


Diterima

4


5

No

Nama

Nama

Hasil Sistem 86,857

Analisis Sesuai

86,304

Sesuai

Vitus

79,901

Sesuai

Diterima


78,043

Sesuai


Diterima

Titus Arga Widiasta

75,36

Sesuai

6

Titus Arga Widiasta

Diterima

Wisnu

71,879

7

Vitus

Diterima

Alvares Javersan

71,857

Diterima


69,323 67,776

8 Wisnu


9


Diterima


10


Ditolak

Mathias Vino

50,578

11

Mathias Vino

Ditolak

Tri Sulistyo

49,739

Tri Adi Agung

Ditolak


49,031

Sesuai

Tri Sulistyo

Ditolak


47,087

Sesuai


Ditolak

Tri Adi Agung

41,643

Sesuai

12 13 14



Pada tabel di atas sel dengan warna merah berarti kandidat tersebut tidak diterima dan warna hijau berarti kandidat tersebut diterima. Dengan menggunakan aturan komposisi Max dan metode defuzzifikasi LOM untuk jenis suara Tenor didapat data hasil perhitungan alat uji sesuai dengan data asli. Berikut adalah diagram prosentase kesesuaian antara data asli dengan hasil alat uji:

Max-LOM (Tenor) Tidak Sesuai 0% Sesuai 100%

Other 0%

Sesuai

Tidak Sesuai

Gambar 4.33 Diagram Prosentase Max-LOM (Tenor) Berikut ini adalah tabel ranking hasil perhitungan alat uji untuk jenis suara Bass: Tabel 4.24 Tabel Hasil Ranking Jenis Suara Bass (LOM) No 1 2 3 4 5 6 7

Nama Nilai Akhir 97,391 Lukas Kevin Undap Yion 80 Stanislaus Rafael Bhayu N. W. 72,342 Yosep Endika Widiyanto 69,248 Antonius Mario S. B. P. 54,565 Semuel 53,609 Andreas 45,457 Jumlah jenis suara Bass yang ingin diterima adalah sebanyak 7 orang.

Maka 7 peringkat teratas menurut hasil perhitungan alat uji adalah orangorang yang diterima di PSM Cantus Firmus. Untuk menguji kemiripannya


berikut adalah tabel perbandingan hasil seleksi asli dengan hasil alat uji. Perlu diketahui bahwa hasil seleksi asli tidak berdasarkan nilai tertinggi. Tabel 4.25 Tabel Perbandingan Data Asli dan Alat Uji (Bass-MOM) No 1 2 3 4 5 6 7

Keputus an

Nama

Nama Lukas Kevin Undap

Hasil Sistem

Analisis

97,391

Sesuai

Andreas Antonius Mario S. B. P.

Diterima

Lukas Kevin Undap

Diterima

Semuel Stanislaus Rafael Bhayu N. W.

Diterima Diterima

Yion Stanislaus Rafael Bhayu N. W. Yosep Endika Widiyanto Antonius Mario S. B. P.

Yion Yosep Endika Widiyanto

Diterima

Semuel

53,609

Diterima

Andreas

45,457

Diterima

80 72,342 69,248 54,565

Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai

Pada tabel di atas sel dengan warna hijau berarti kandidat tersebut diterima. Dengan menggunakan aturan komposisi Max dan metode defuzzifikasi LOM untuk jenis suara Bass data asli sesuai dengan hasil perhitungan alat uji. Berikut adalah diagram prosentase kesesuaian antara data asli dengan hasil alat uji:

Max-LOM (Bass) Tidak Sesuai 0% Sesuai 100%

Other 0%

Sesuai

Tidak Sesuai

Gambar 4.34 Diagram Prosentase Max-LOM (Bass)


Dari 67 data yang digunakan dan dengan menggunakan aturan komposisi Max dan metode defuzzifikasi SOM terdapat 10 data yang tidak sesuai antara data asli dengan data hasil perhitungan alat uji. Berikut adalah diagram prosentasi akurasi dengan menggunakan metode defuzzifikasi LOM:

Max-LOM

Sesuai 85%

Other 15%

Sesuai

Tidak Sesuai 15%

Tidak Sesuai

Gambar 4.35 Diagram Prosentase Max-LOM

4.3. Analisis Hasil Keseluruhan Berikut adalah tabel hasil prosentase keseluruhan untuk hasil yang “Sesuai” dengan menggunakan beberapa metode defuzzyfikasi : Tabel 4.26 Tabel Prosentasi Hasil Keselurahan No 1 2 3

Defuzzifikasi Prosentase SOM 88,05 MOM 88,05 LOM 85,07


Grafik yang menunjukkan prosentase dalam tabel di atas dapat dilihat pada grafik 4.39.

Grafik Prosentase Hasil Keseluruhan 100,00 95,00 SOM; 88,05

90,00

MOM; 88,05 LOM; 85,07

Prosentase

85,00

80,00 75,00 70,00 65,00 60,00 55,00 50,00

Gambar 4.36 Grafik Prosentase Hasil Keseluruhan Berdasarkan hasil yang didapat prosentase kesesuaian tertingi didapat dengan menerapkan defuzzifikasi Smallest of Maximum (SOM) dan Median of Maximum(MOM) yaitu dengan prosentase sebesar 88,05%. Hal ini berarti 88,05% kinerja alat uji sesuai dengan hasil keputusan yang diambil oleh panitia Penerimaan Anggota Baru PSM Cantus Firmus tahun 2015. Hasil akhir perhitungan yang didapat adalah hasil perhitungan preverensi dari kriteria vokal dan kriteria wawancara dengan menekankan kriteria vokal. Apabila bobot kriteria vokal dan bobot kriteria wawancara dimodifikasi dengan perbandingan 65:35, 70:30, 50:50 dan 40:50 prosentase kemiripannya tampak pada tabel 4.19 di bawah ini.


Tabel 4.27 Tabel Perbandingan Bobot dan Metode Deffuzifikasi Vokal: Wawancara

60:40 65:35 70:30 50:50 40:60

SOM

MOM

LOM

S

A

T

B

S

A

T

B

S

A

T

B

79,3

88,2

100

100

79,3

88,2

100

100

79,3

88,2

100

100

79,3

88,2

100

100

79,3

88,2

100

100

79,3

76,5

100

100

79,3

88,2

100

100

79,3

88,2

100

100

79,3

76,5

100

100

72,4

88,2

100

100

86,2

88,2

100

100

86,2

76,5

100

100

72,4

88,2

100

100

86,2

88,2

85,7

100

86,2

76,5

100

100

88,060 88,060 88,060 85,075 85,075

88,060 88,060 88,060 91,045 88,060

88,060 85,075 85,075 88,060 88,060

Pada tabel di atas dapat dilihat prosentase kemiripan terbesar adalah dengan bobot kriteria vokal sebesar 50 dan bobot kriteria wawancara sebesar 50. Prosentase kemiripan sejumlah 91,045% tersebut merupakan angka yang didapat dari nilai wawancara hasil defuzzifikasi menggunakan metode MOM. Pada tabel terlihat tidak ada perubahan yang cukup signifikan menggunakan SOM, MOM atau pun LOM untuk setiap variasi bobot vokal:wawancara.


BAB V KESIMPULAN DAN SARAN

5.1. Kesimpulan Dari sistem seleksi penerimaan anggota baru Paduan Suara Mahasiswa menggunakan Logika Kabur dan MADM-Simple Additive Weighting yang telah dibuat, dapat ditarik beberapa kesimpulan: 1. Keputusan dari sistem seleksi yang dibuat hampir sesuai dengan keputusan yang diambil oleh panitia PAB PSM Cantus Firmus tahun 2015. Kesesuaian tersebut ditunjukkan dengan hasil analisis dengan akurasi lebih dari 80%. Sehingga, algoritma Logika Kabur dan MADMSimple Additive Weighting dapat diterapkan dalam kasus penerimaan anggota baru paduan suara mahasiswa namun, dengan beberapa catatan agar keputusan yang dihasilkan sesuai dengan harapan penguji PAB. 2. Dengan bobot 60:40, untuk metode deffuzifikasi SOM, MOM & LOM, prosentase kemiripan untuk jenis suara Sopran adalah sebesar 79,3%, jenis suara Alto sebesar 88,2%, jenis suara Tenor dan Bass sebesar 100%. 3. Prosentase rentang kemiripan antar hasil sistem dengan sistem yang lama adalah 72% hingga 100%. 4. Prosentase kemiripan hasil sistem seleksi dengan bobot 60:40 untuk metode deffuzifikasi SOM, MOM & LOM sebesar 88,06%. Prosentase kemiripan hasil sistem seleksi dengan bobot 65:35 untuk metode deffuzifikasi SOM & MOM sebesar 88,06%, untuk metode deffuzifikasi LOM sebesar 85,075%, Prosentase kemiripan hasil sistem seleksi dengan bobot 70:30 sama dengan prosentase hasil sistem seleksi dengan bobot 65:35. Prosentase kemiripan hasil sistem seleksi dengan bobot 50:50 untuk metode deffuzifikasi SOM sebesar 85,075%, untuk metode deffuzifikasi MOM sebesar 91,045%, untuk metode deffuzifikasi LOM sebesar 88,06%. Prosentase kemiripan hasil sistem seleksi dengan bobot 40:60

94


untuk metode deffuzifikasi SOM adalah sebesar 85,075% dan untuk metode deffuzifikasi LOM & MOM sebesar 88,06% 5. Berdasarkan hasil analisis, metode deffuzifikasi yang menghasilkan prosentase kemiripan tertinggi adalah Mean of Maximum (MOM) dan bobot kriteria vokal sebesar 50, bobot kriteria wawancara sebesar 50 yaitu dengan prosentase 91,045% 5.2. Saran Saran untuk pengembang sistem seleksi penerimaan anggota baru PSM Cantus Firmus selanjutnya yaitu: 1.

Untuk tahap tes vokal, lebih baik jika penilaiannya bisa dijabarkan seperti tahap wawancara.

2.

Dapat mengubah batasan himpunan fungsi keanggotaan sehingga jika terjadi perubahan sistem seleksi bisa ditangani dengan mudah.

3.

Selanjutnya bisa mencoba utuk membandingkan metode komposisi antar aturan yang berbeda dan metode deffuzifikasi yang berbeda pula.

4.

Pengembang selanjutnya dapat mencoba mengkombinasikan algoritma yang lain untuk menentukan hasil akhir kandidat yang akan diterima.


LAMPIRAN

NIM

152421001 151215078 152212002 151214081 151220005 154214007 151214022 151214089 151421078 141214010 154212008 151214011 151214091 154040120 154040003 151114009 151217081 150422009 151210090 150422109 154214091 151219098 151214077 151114100 151213090 151214060 151421079 151210001 151225087 150422160 155010099 151214088 154040040

No

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33

Rosiana K. (Ninuk) Yosie Tiara Putri Wisnu Tri Adventa Panade Yion Rosa Virginia Dhayanti Pratama Putri Kalista Bekinda Kuswidanti Yosep Endika Widiyanto Eusebius Luhung Angling Kusuma Monica Vinny Kusumaningrung Karunia Majid Windy Widyawan Yohanes de Britto Dian N. Lukas Kevin Undap Semuel Maria Yessica Antonius Mario S. B. P. Agatha Desi Vita Pratiwi Caecilia Novita A. W. Christina Mega Citra Alvares Javersan Andreas Marie Louise Catherine Widyana Viola Gratia Nati Heliana Maria Gita Vitus Charitas Widyastuti Priscila Felicia Elu Theresia Avila Wahyu Sulistyaningrum Gregorius Widyatmoko Yohana Alaya Prudenti Bonifasius Aprilianto Simatupang

NAMA 38,5 38 51 44,5 55,2 38 32 39 40,8 20,5 41 25,5 42,6 52,8 30 38,5 31,8 36,5 24,5 47 41,4 22,5 35 38 31,5 43 48,8 32 39 32 53,4 45,5 43,8

Vokal

Wawancara Keputusan Pengetahuan Motivasi Pengalaman Pengenalan Diri Mental 1 1 12 1 7 Diterima 3 3 12 3 8 Diterima 3 3 8 0 0 Diterima 3 3 11 2 9 Diterima 3 3 9 0 7 Diterima 2 3 9 3 9 Diterima 3 3 12 2 7 Diterima 3 3 11 2 8 Diterima 2 2 11 2 8 Diterima 3 3 13 3 9 Ditolak 3 3 11 3 7 Diterima 2 3 12 2 8 Diterima 3 3 14 2 9 Diterima 3 3 14 2 6 Diterima 1 3 9 0 8 Diterima 2 3 13 3 7 Diterima 2 2 10 3 6 Diterima 2 2 9 2 6 Diterima 2 2 10 2 9 Diterima 3 3 14 3 9 Diterima 3 3 13 3 5 Diterima 1 3 8 2 8 Diterima 1 2 10 1 3 Diterima 3 3 12 3 9 Diterima 3 3 10 3 7 Diterima 3 3 14 3 9 Diterima 1 3 14 2 7 Diterima 2 3 15 2 8 Diterima 2 3 9 2 7 Diterima 3 2 6 1 5 Diterima 1 2 10 3 7 Diterima 3 3 13 3 7 Diterima 3 3 11 1 6 Diterima Sopran Sopran Tenor 2 Alto 1 Bass 2 Sopran Sopran 2 Bass Tenor 2 Sopran 2 Alto 2 Sopran 2 Tenor 2 Bass 1 Bass 1 Alto 2 Bass 1 Alto Sopran 2 Sopran 2 Tenor Bass 1 Sopran 2 Alto Alto 2 Sopran Tenor 1 Sopran 2 Sopran 1 Sopran 1 Tenor 2 Sopran 2 Tenor

Suara P. Fis P. Bio Manajemen PBI Matematika Sasing PBI PBI PE PBI Sasindo PBI PBI Akuntansi Akuntansi Farmasi Pak Psikologi P. Mat Psikologi Sasing PGSD PBI Farmasi BK PBI PE P. Mat PBSI Psikologi TM PBI Akuntansi

Prodi


34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67

151214012 151214001 155314087 151213091 151214066 151214101 155314149 150422111 152212014 151612130 150422112 151214021 151114008 151205100 152212045 151225078 152224001 151219018 150422070 151219011 151114109 155314019 155010091 152421022 151215020 152224011 150422015 151219121 152212044 151205101 151210080 151214055 151114111 151219081

Elisabet Susanti Ranti Kartika Yustika Kristiana Widyaningtyas Theresia Lerina Charles Rachma Dewangga Titus Arga Widiasta Stanislaus Rafael Bhayu N. W. Maria Emmanuela Fardiana Vinelia Anggra Einge Gardisa Citra A. K. Mikaela Nadya Gustaria Tri Sulistyo Fransisca Wahyu Indriastuti Fidelis Elleny Averina Chatarina Bora Latong Mela Gaby Adelia Tiara Putri Maria Salventien Noni Ruth Liananda Citra Doloksaribu Yohanes Giovanni Krisna Mathias Vino Gregoriana Tri Adi Agung Dwi Intan Febrianti Josephine Anindysari Kristanato Einerita Mayang Destiana Wiwinda Tosari Ayu Nugrahaningsih Stephani Pemberialitoti Marie Louise Ayu M. R. Fransisca Romana A. G. O. Ignasius Gayuh A. J.

42,5 29,5 26,5 38,5 55,2 46,2 45 41 36,5 42 35 26 24,6 25,5 22 25 25 21 28 28,5 21,5 24 23,4 22,5 24 22 20 21 20,5 29,5 20 32 38,5 20,4

3 3 3 2 3 2 2 2 3 3 2 1 2 1 3 1 1 1 2 2 2 2 2 2 1 3 3 2 2 2 2 2 2 2

3 3 3 1 2 2 3 3 3 2 3 1 2 2 2 2 1 1 2 1 3 3 3 2 1 3 2 1 3 2 2 2 2 2

14 12 10 7 12 11 11 12 10 10 12 6 9 12 10 11 8 7 7 5 11 11 10 10 7 11 11 9 10 12 6 11 10 12

2 2 2 2 2 3 2 3 2 2 0 2 2 2 2 2 2 2 1 2 2 2 2 1 1 2 2 2 2 1 2 2 2 2

7 8 5 4 8 8 7 8 5 8 7 6 5 7 6 8 6 4 4 4 6 4 9 7 5 7 7 7 7 9 5 7 5 9

Diterima Ditolak Ditolak Ditolak Diterima Diterima Diterima Diterima Diterima Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Ditolak Diterima Ditolak Ditolak Ditolak Ditolak Diterima Ditolak Ditolak

Alto 2 PBI Alto 1 PBI Sopran 2 TI Sopran 1 BK Tenor 1 PBI Tenor 2 PBI Bass 2 TI Sopran Psikologi Alto Manajemen Alto 1 TE Alto Psikologi Sopran PBI Tenor 2 Farmasi SOPRAN IPPAK Sopran Manajemen Alto PBSI ALTO Sejarah Sopran 2 PGSD Sopran Psikologi Sopran PGSD Alto Farmasi Tenor TI Tenor TM Sopran P.Fis Tenor 1 P.Bio Alto Sejarah ALTO Psikologi Sopran PGSD Sopran Manajemen Alto IPPAK Sopran P.Mat Sopran PBI Sopran Farmasi Tenor PGSD



DAFTAR PUSTAKA Alter, S. L. 1980. Decision Support System: Current Practice and Continuing Challanges. Reading, Massachusetts: Addison-Wesley. Bonczek, R. H., Holsapple, C. W. dan Whinston, A. B.. (1980). "The Evolving Roles of Models in Decision Support Systems." Decision Sciences, Vol. 11, No. 2. Deni, Christina. 2008. Program Aplikasi untuk Menentukan Bantuan Dana Rekonstruksi Gempa Menggunakan Logika Kabur dengan Inferensi Metode Tsukamoto. Yogyakarta. Fishburn, P. C. 1967.” Additive Utilities with Incomplete Product Set: Application to Priorities and Assignments”. A Problem-based Selection of Multi Attribute Decision Making Methods. Blackwell Publishing. Jayanti, S. dan Hartati, S. 2012. “Sistem Pendukung Keputusan Seleksi Anggota Paduan Suara Dewasa Menggunakan Metode Fuzzy Mamdani.” IJCCS, Vol. 6, No. 1. Keen, P. G. W. (1980, Fall). "Adaptive Design for Decision Support Systems." Data Base, Vol. 12, Nos. 1 and 2. Kusumadewi, S. dan Purnomo, H. 2004. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu. Kusumadewi, S., Hartati, S., Harjoko, A., dan Wardoyo, R. 2006. Fuzzy MultiAttribute Decision Making (Fuzzy MADM). Yogyakarta: Graha Ilmu. Little, J. D. C. 1970, April. “Model and Managers: The Concept of a Decision Calculus.” Management Science, Vol. 16, No. 8. MacCrimmon, K. R. 1968.” Decision Making among Multiple Attribute Alternatives: A Survey and Consolidation Approach”. A Problem-based Selection of Multi Attribute Decision Making Methods. Blackwell Publishing. Moore, J. H., dan Chang, M. G. (1980). "Design of Decision Support Systems." Data Base, Vol. 12, Nos. 1 and 2.


Simon, H. 1997. The New Science of Management Decision. Englewood Cliffs, New Jersey: Prentice Hall. Susilo, F. 2006, Himpunan & Logika Kabur Serta Aplikasinya, Yogyakarta: Graha Ilmu. Turban, E., Aronson, J. E. dan Liang, T. P. 2005, Decision Support Systems and Intelligent Systems Edisi 7 Jilid 1, Diterjemahkan oleh: Dwi Prabantini, Yogyakarta: Penerbit Andi. Yoon, KP. dan Hwang, L-C. D. 1981. “Multiple Attribute Decision Making, Methods and Applications, A State-of-the-Art-Survey”. Multi-Criteria Decision Making: An Application Study of ELECTRE & TOPSIS. Janko, Wolfgang. Zimmermann. 1991. Fuzzy Sets Theory and Its Application. Massachusetts: Kluwer Academic Publishing.

SKRIPSI. Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika

Recommend Documents