sistem pendukung keputusan pemilihan mahasiswa berprestasi metode fuzzy tsukamoto

LAPORAN TUGAS AKHIR MATA KULIAH

SISTEM PENDUKUNG KEPUTUSAN

Sistem Pendukung Keputusan untuk Pemilihan Mahasiswa

Berprestasi dengan Metode Fuzzy Tsukamoto

(Studi Kasus: Mahasiswa PTIIK Universitas Brawijaya Malang )

Diajukan untuk memenuhi persyaratan tugas akhir Mata Kuliah Sistem Pendukung Keputusan

KELAS D

KELOMPOK 3

Disusun Oleh:

Raymond Gomgom Sitorus 115060807111125

Indra Ramadhoni 115060800111100

Vitara N.P 125150200111106

Riza Aris Prayudi 115060800111013

Dosen Pengampu:

Arief Andy Subroto, S.T., M.Kom.

PROGRAM STUDI INFORMATIKA /ILMU KOMPUTER

PROGRAM TEKNOLOGI INFORMASI DAN ILMU KOMPUTER

UNIVERSITAS BRAWIJAYA

MALANG

2014i

KATA PENGANTAR

Puji dan syukur penulis panjatkan ke hadirat Allah SWT yang telah

melimpahkan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan

laporan tugas akhir hasil diskusi dengan judul “Sistem Pendukung Keputusan

untuk Pemilihan Mahasiswa Beprestasi dengan Metode Fuzzy Tsukamoto(Studi

Kasus: Mahasiswa PTIIK Universitas Brawijaya Malang)”.

Laporan tugas akhir ini dibuat guna memenuhi salah satu tugas pada Mata

Kuliah Sistem Pendukung Keputusan. Melalui pengantar ini penulis ingin

mengucapkan banyak terima kasih karena dalam penyusunan laporan tugas akhir

hasil diskusi ini penulis telah mendapat bantuan dan dorongan baik moril maupun

materil dari berbagai pihak. Untuk itu pada kesempatan ini penulis ingin

mengucapkan terima kasih kepada:

1. Bapak Arief Andy S. Selaku dosen mata kuliah Sistem Pendukung

Keputusan.

2. Semua rekan yang telah membantu dalam analisa dan pembuatan laporan

tugas akhir ini.

Serta semua pihak yang telah membantu penulis dalam penyelesaian

laporan tugas akhir hasil diskusi ini. Penulis menyadari bahwa pada laporan tugas

akhir ini masih terdapat banyak kekurangan. Oleh karena itu, dengan segala

kerendahan hati penulis memohon kritik dan saran yang bersifat membangun dari

para pembaca.

Akhir kata, penulis berharap semoga laporan tugas akhir ini bermanfaat bagi

para pembaca.

Malang, 05 November 2014

Penulis

iii

DAFTAR ISI

KATA PENGANTAR..............................................................................................................

DAFTAR ISI............................................................................................................................

DAFTAR TABEL....................................................................................................................

DAFTAR GAMBAR.............................................................................................................

DAFTAR PERSAMAAN.........................................................................................................

BAB I PENDAHULUAN..........................................................................................................

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

1.2. Rumusan Masalah.....................................................................................2

1.3. Tujuan........................................................................................................3

1.4. Manfaat......................................................................................................3

1.5. Sistematika Penulisan................................................................................3

BAB II TINJAUAN PUSTAKA..............................................................................................

2.1. Kajian Pustaka...........................................................................................6

2.2. Sistem Pendukung Keputusan.................................................................10

2.2.1. Karakteristik Sistem Pendukung Keputusan....................................10

2.2.2. Keuntungan dan Keterbatasan Sistem Pendukung Keputusan........12

2.2.3. Komponen-komponen Sistem Pendukung Keputusan.....................13

2.2.4. Pendekatan Perancangan SPK.........................................................19

2.2. Logika Fuzzy...........................................................................................20

2.2.1. Komponen Pembentuk Sistem Fuzzy...............................................20

2.2.2. Himpunan Fuzzy..............................................................................21

2.3. Metode Fuzzy Inference System Tsukamoto............................................23

2.3.1. Forward Chaining............................................................................23

2.3.2. Backward Chaining..........................................................................23

2.4. Pemilihan Mahasiswa Berprestasi...........................................................27

2.4.1. Dasar Hukum...................................................................................27

2.4.2. Persyaratan Umum Mahasiswa Berprestasi.....................................28

iv

2.4.3. Komponen Penilaian........................................................................28

BAB III METODOLOGI PENELTIAN...............................................................................

3.1. Studi Literatur..........................................................................................31

3.2. Metode Pengambilan Data......................................................................31

3.3. Analisa Kebutuhan..................................................................................31

3.4. Perancangan Sistem.................................................................................32

3.4.1. Diagram Blok Sistem Pendukung Keputusan..................................33

3.4.2. Perancangan Arsitektur Sistem Pendukung Keputusan...................35

3.5. Implementasi...........................................................................................36

3.5.1. Perancangan Penyelesaian Kasus.....................................................38

3.6. Pengujian.................................................................................................39

3.7. Pengambilan Keputusan..........................................................................40

BAB IV ANALISA DAN PERANCANGAN SISTEM........................................................

4.1. Analisa Kebutuhan Perangkat Lunak......................................................42

4.1.1. Identifikasi Aktor.............................................................................42

4.1.2. Daftar Kebutuhan Sistem.................................................................42

4.1.3. Use Case Diagram............................................................................44

4.1.4. Skenario Use Case...........................................................................45

4.2. Perancangan Sistem Pendukung Keputusan............................................48

4.2.1. Subsistem Manajemen Data.............................................................49

4.2.2. Basis Pengetahuan............................................................................53

4.2.3. Manajemen Model...........................................................................59

4.2.4. Perancangan Antarmuka..................................................................73

BAB V IMPLEMENTASI......................................................................................................

5.1. Spesifikasi Sistem....................................................................................78

5.1.1. Spesifikasi Perangkat Keras.............................................................78

5.1.2. Spesifikasi Perangkat Lunak............................................................78

5.2. Batasan Implementasi..............................................................................79

5.3. Implementasi Algoritma..........................................................................79

v

5.3.1. Implementasi Algoritma Fuzzfikasi.................................................80

5.3.2. Implementasi Algoritma Defuzzfikasi.............................................81

5.3.3. Implementasi Algoritma Proses Pengambilan Keputusan...............81

5.4. Implementasi Antarmuka........................................................................82

5.4.1. Tampilan Halaman Awal.................................................................82

5.4.2. Tampilan Halaman Menu Rule........................................................83

5.4.3. Tampilan Halaman Menu Membership...........................................84

5.4.4. Tampilan Halaman Tentang Aplikasi..............................................85

5.4.5. Tampilan Halaman Menu Cara Penggunaan...................................85

5.4.6. Tampilan Halaman Menu Data Developer......................................86

BAB VI PENGUJIAN DAN ANALISIS...............................................................................

6.1. Pengujian.................................................................................................87

6.1.1. Pengujian Fungsional.......................................................................88

6.1.2. Pengujian Akurasi............................................................................92

6.2.1. Analisis Hasil Pengujian Fungsionalitas........................................105

6.2.2. Analisis Hasil Pengujian Akurasi..................................................107

BAB VII PENUTUP.............................................................................................................

7.1. Kesimpulan............................................................................................109

7.2. Saran......................................................................................................109

DAFTAR PUSTAKA............................................................................................................

vi

DAFTAR TABEL

Tabel 2.1 Kajian Pustaka.........................................................................................8

Tabel 4.2 Identifikasi Aktor...................................................................................42

Tabel 4.3 Daftar Kebutuhan Sistem.......................................................................43

Tabel 4.4 Skenario Use Case Pilih Menu..............................................................45

Tabel 4.5 Skenario Use Case Input Identitas dan Gejala.......................................46

Tabel 4.6 Skenario Use Case Lihat Tabel Mahasiswa Berprestasi........................47

Tabel 4.7 Skenario Use Case Lihat Tentang Kami................................................47

Tabel 4.8 Rule Pemilihan Mahasiswa Berprestasi.................................................58

Tabel 4.9 Tabel Perhitungan Fuzzifikasi...............................................................72

Tabel 5.10 Spesifikasi Perangkat Keras.................................................................78

Tabel 5.11 Spesifikasi Perangkat Lunak................................................................78

Tabel 6.12 Data Mahasiswa yang akan Diuji........................................................92

Tabel 6.13 Hasil Perhitungan Excel Data 1...........................................................93

Tabel 6.14 Hasil Perhitungan Aplikasi Data 1.......................................................93










Tabel 6.24 Hasil Perhitungan Aplikasi Data 6.....................................................100

vii

Tabel 6.25 Hasil Perhitungan Excel Data 7.........................................................100



Tabel 6.28 Hasil Perhitungan Aplikasi Data 8....................................................102



Tabel 6.31 Hasil Perhitungan Excel Data 10.......................................................104

Tabel 6.32 Hasil Perhitungan Aplikasi Data 10...................................................104

Tabel 6.33 Tabel Hasil Pengujian........................................................................105

Tabel 6.34 Hasil Pengujian Excel Keseluruhan...................................................107

Tabel 6.35 Hasil Pengujian Aplikasi Keseluruhan..............................................107

viii

DAFTAR GAMBAR

Gambar 2.1 Komponen-komponen Sistem Pendukung Keputusan.......................14

Gambar 2.2 Model Matematis dan Statistik dengan Input Data dalam SPK.........17

Gambar 2.3 Komponen SPK Menurut Subakti......................................................17

Gambar 2.4 Diagram Blok Sistem Inferensi Fuzzy...............................................24

Gambar 2.5 Inferensi dengan menggunakan metode Tsukamoto..........................26

Gambar 3.6 Metodologi Penelitian SPK Pemilihan Mahasiswa Berprestasi.........30

Gambar 3.7 Diagram Blok Sistem Pendukung Keputusan....................................34

Gambar 3.8 Arsitektur SPK Pemilihan Mahasiswa Beprestasi.............................35

Gambar 3.9 Gambaran Umum Penyelesaian Kasus Pemilihan Mahasiswa Beprestasi...............................................................................................................37

Gambar 4.10 Pohon Perancangan Sistem..............................................................41

Gambar 4.11 Use Case Diagram SPK Pemilihan Mahasiswa Beprestasi..............44

Gambar 4.12 Peracangan SPK Pemilihan Mahasiswa Berprestasi........................48

Gambar 4.13 Context Diagram SPK Pemilihan Mahasiswa Berprestasi...............49

Gambar 4.14 DFD Level 1.....................................................................................50

Gambar 4.15 DFD Level 2 Proses Setting Variabel..............................................52

Gambar 4.16 DFD Level 2 Proses Setting Rule....................................................52

Gambar 4.17 DFD Level 2 Proses Perhitungan Seleksi........................................53

Gambar 4.18 Grafik Fungsi Keanggotaan IPK......................................................55

Gambar 4.19 Grafik Fungsi Keanggotaan TOEFL................................................55

Gambar 4.20 Grafik Fungsi Keanggotaan PDSK..................................................56

Gambar 4.21 Fungsi Keanggotaan Ekskul.............................................................57

Gambar 4.22 Grafik Fungsi Keanggotaan Hasil Prediksi......................................58

Gambar 4.23 Alur Kerja Fuzzy Tsukamoto...........................................................59

Gambar 4.24 Diagram Alir Algoritma Fuzzifikasi................................................60

ix

Gambar 4.25 Pseudocode Algoritma Fuzzifikasi..................................................61

Gambar 4.26 Diagram Alir Algoritma Defuzzifikasi............................................61

Gambar 4.27 Pseudocode Algoritma Defuzzfikasi................................................62

Gambar 4.28 Diagram Alir Algoritma Proses Pengambilan Keputusan...............62

Gambar 4.29 Pseudocode Algoritma Proses Pengambilan Keputusan..................63

Gambar 4.30 Desain Halaman Pengisian Identitas dan Data Pendukung..............74

Gambar 4.31 Desain Halaman Rule.......................................................................74

Gambar 4.32 Desain Halaman Menu Membership................................................75

Gambar 4.33 Desain Halaman Tentang Aplikasi...................................................75

Gambar 4.34 Desain Halaman Cara Penggunaan Aplikasi....................................76

Gambar 4.35 Desain Halaman Data Developer.....................................................76

Gambar 5.36 Pohon Implementasi Sistem.............................................................77

Gambar 5.37 Implementasi Source Code Algoritma Fuzzifikasi..........................80

Gambar 5.38 Implementasi Source Code Algoritma Defuzzifikasi......................81

Gambar 5.39 Implementasi Source Code Algoritma Proses Pengambilan Keputusan...............................................................................................................82

Gambar 5.40 Tampilan Halaman Awal.................................................................83

Gambar 5.41 Tampilan Halaman Rule..................................................................84

Gambar 5.42 Tampilan Halaman Membership......................................................84

Gambar 5.43 Tampilan Halaman Tentang Aplikasi..............................................85

Gambar 5.44 Tampilan Halaman Cara Penggunaan..............................................85

Gambar 5.45 Tampilan Halaman Data Developer.................................................86

Gambar 6.46 Pohon Pengujian dan Analisis Sistem..............................................87

x

DAFTAR PERSAMAAN

Persamaan (2-1) – Penghitungan Semesta Pembicaraan.......................................21

Persamaan (2-2) – Penghitungan Contoh Semeseta Pembiacaraan.......................22

Persamaan (2-3) – Penghitungan Center Average Defuzzyfier..............................27

Persamaan (4-4) – Fungsi Keanggotaan IPK µ rendah..........................................54

Persamaan (4-5) – Fungsi Keanggotaan IPK µ

tinggi............................................54

Persamaan (4-6) – Fungsi Keanggotaan TOEFL µ rendah....................................55

Persamaan (4-7) – Fungsi Keanggotaan TOEFL µ

tinggi......................................55

Persamaan (4-8) – Fungsi Keanggotaan PDSK µ rendah......................................56

Persamaan (4-9) – Fungsi Keanggotaan PDSK µ

tinggi........................................56

Persamaan (4-10) – Fungsi Keanggotaan Ekskul µ rendah...................................56

Persamaan (4-11) – Fungsi Keanggotaan Ekskul µ tinggi.....................................57

Persamaan (4-12) – Fungsi Keanggotaan Hasil Prediksi µ rendah........................57

Persamaan (4-13) – Fungsi Keanggotaan Hasil Prediksi µ tinggi.........................57

xi

BAB I

PENDAHULUAN

1.1. Latar BelakangPenyeleksian dan penetapan mahasiswa berprestasi menjadi hal yang

sangat rumit dan membutuhkan waktu yang lama. Hal ini disebabkan karena

terdapat banyak kriteria yang dibutuhkan untuk penilaian dan penilaian ini juga

berdasarkan subjektifitas[2:1]. Studi kasus yang kami ambil ini adalah studi kasus

pemilihan mahasiswa berprestasi di PTIIK Universitas Brawijaya. Hal ini

dikarenakan di PTIIK Universitas Brawijaya masih menggunakan metode manual

dalam menyeleksi dan menetapkan mahasiswa berprestasi, sedangkan jumlah

mahasiswa di PTIIK sangat banyak. Jikalau dilakukan perhitungan manual sudah

pasti terdapat kesusahan dalam penyeleksian dan penetapannya sehingga

membutuhkan waktu yang sangat lama, belum lagi jika terjadi kesalahan dalam

perhitungan(human error) tentunya harus mengulang lagi dan memperbaiki yang

salah tersebut. Alasan selanjutnya adalah kemudahan dalam mendapatkan data

karena peneliti merupakan mahasiswa di PTIIK Universitas Brawijaya.

Dalam kehidupan sehari-hari, manusia selalu dihadapkan pada

permasalahan untuk mengambil suatu keputusan. Untuk membuat suatu

keputusan diperlukan suatu pertimbangan dan perbandingan dari berbagai pilihan

alternatif yang dapat dipilih melalui suatu mekanisme tertentu untuk

menghasilkan sebuah tindakan atau keputusan yang terbaik. Setiap masalah akan

memiliki penyelesaian yang berbeda-beda dengan sebuah keputusan yang

bermacam-macam dari sejumlah alternatif keputusan yang melibatkan beberapa

variable. Aplikasi ini menyerupai aplikasi dari politeknik elektronika negeri

Surabaya tentang “pemilihan mahasiswa berprestasi”[2]. Dalam penentuan

pemilihan mahasiswa berprestasi berbasis web menggunakan fuzzy query model

mamdani dengan 4 parameter yaitu : IPK, TOEFL, Karya Tulis, Intra-

Ekstrakulikuler serta bersifat dinamis. Dinamis ini dimaksudkan agar apabila

admin memerlukan penambahan kriteria baru maka dapat ditambah secara

dinamis. Dari ke 4 kriteria diproses kedalam algoritma fuzzy query model

mamdani sehinnga damendapat hasil berupa mahasiswa berprestasi. Proses

1

2

perhitungan pertama kali yaitu mencari nilai mu pada masing-masing kriteria,

kemudian dari nilai mu tersebut ditentukan nilai fire strength. Nilai fire strength

inilah yang nantinya dicari nilai paling minimum, lalu dibandingkan dengan nilai

minimum fire strenght kriteria yang lain. Setelah proses pembandingan itu, maka

didapatkan solusi dari pemilihan mahasiswa berprestasi.

Dalam pembuatannya, penyelesaian kasus ini menggunakan suatu

metode analisis. Salah satu metode analisis yang cukup berkembang saat ini

adalah fuzzy Tsukamoto. Metode fuzzy tsukamoto merupakan metode dari fuzzy

inference system(FIS). Fuzzy inference system(FIS) adalah suatu kerangka

komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy dan

penalaran fuzzy[10:18]. Secara garis besar, input crisp dimasukkan ke FIS. Input

ini kemudian dikirim ke basis pengetahuan yang berisi n aturan fuzzy dalam

bentuk if-then. Fire strength atau derajat kebenaran akan dicari pada setiap aturan.

Jika jumlah aturan lebih dari satu maka dilakukan inferensi dari semua aturan.

Untuk mendapatkan nilai crisp sebagai output, sistem melakukan defuzzifikasi

dari hasil inferensi. Oleh karena itu , dibutuhkan suatu sistem yang dapat

membantu dalam hal pengambilan keputusan berdasarkan sejumlah kriteria yang

ada dengan menggunakan suatu metode yang dapat menghasilkan keputusan yang

terbaik sebagi suatu sistem pendukung keputusan berbasis komputerisasi. Laporan

tugas akhir ini dibuat guna membentuk suatu algoritma bantu untuk pemilihan

mahasiswa berprestasi dengan metode fuzzy tsukamoto. Sehingga nantinya akan

menghasilkan suatu keputusan terbaik dalam memilih mahasiswa berprestasi.

1.2. Rumusan MasalahBerdasarkan latar belakang yang telah diuraikan di atas maka didapat

rumusan masalah yang meliputi :

a. Bagaimana merancang Sistem Pendukung Keputusan yang sesuai untuk

pemilihan mahasiswa berprestasi?

b. Bagaimana cara perolehan dan pengolahan data untuk Sistem Pendukung

Keputusan Pemilihan Mahasiswa Beprestasi?

c. Bagaimana implementasi dalam penyelesaian kasus untuk pemilihan

mahasiswa berprestasi dengan metode fuzzy tsukamoto?

3

d. Bagaimana metode pengujian yang digunakan untuk Sistem Pendukung

Keputusan Pemilihan Mahasiswa Beprestasi dengan Metode fuzzy

tsukamoto?

1.3. TujuanTujuan pembuatan laporan tugas akhir “Sistem Pendukung Keputusan

untuk Pemilihan Mahasiswa Berprestasi dengan Metode Fuzzy Tsukamoto” adalah

untuk dapat memahami pengertian, dan bagaimana pemecahan dari studi kasus

dalam pemilihan mahasiswa berprestasi.

1.4. ManfaatDiharapkan dengan adanya laporan tugas akhir ini dapat bermanfaat bagi:

a. Bagi Ilmu Pengetahuan diharapkan laporan tugas akhir ini dapat

menambah referensi terhadap bidang studi terkait.

b. Bagi Masyarakat diharapkan laporan tugas akhir ini dapat menjadi sarana

informasi membantu memahami tentang Sistem Pendukung Keputusan.

c. Bagi Penulis diharapkan dengan adanya laporan tugas akhir ini dapat

menjadi media pembelajaran dan dapat menambah pengalaman di bidang

studi terkait.

1.5. Sistematika PenulisanSistematika penulisan pada laporan tugas akhir ini dibagi dalam empat

bab, masing-masing bab diuraikan sebagai berikut:

BAB I: PENDAHULUAN

Bab ini akan menjelaskan mengenai latar belakang pemilihan judul,

rumusan masalah, tujuan penelitian, manfaat penelitian dan sistematika

penulisan untuk sistem pendukung keputusan pemilihan mahasiswa

berprestasi. Objek yang dipilih adalah untuk pemilihan mahasiswa

berprestasi sedangkan metode yang digunakan adalah Fuzzy Tsukamoto.

BAB II: TINJAUAN PUSTAKA

Bab ini akan membahas teori-teori dan kajian pustaka yang berkaitan

dengan penyelesaian kasus untuk sistem pendukung keputusan pemilihan

mahasiswa berprestasi. Beberapa teori yang dibutuhkan antara lain: teori

4

yang berkaitan dengan Sistem Pendukung Keputusan, logika Fuzzy,

metode Fuzzy Tsukamoto dan pemilihan mahasiswa berprestasi.

Sedangkan kajian pustaka ditampilkan dalam bentuk tabel yang berisi

beberapa penelitian yang terkait untuk sistem pendukung keputusan

pemilihan mahasiswa berprestasi.

BAB III: METODOLOGI PENELITIAN

Bab ini akan membahas aturan-aturan yang berkaitan dengan sistem

pendukung keputusan pemilihan mahasiswa berprestasi. Terdiri atas Studi

Literatur, Metode Pengambilan Data, Analisa Kebutuhan, Perancangan

Sistem, Implementasi, Pengujian, dan Pengambilan Keputusan.

BAB IV: ANALISA DAN PERANCANGAN SISTEM

Bab ini merupakan bagian analisa dan perancangan dari sistem pendukung

keputusan pemilihan mahasiswa berprestasi. Analisa kebutuhan sistem

terdiri dari identifikasi aktor, daftar kebutuhan sistem, diagram use case,

dan skenario use case. Disamping itu, bab ini juga menjelaskan tentang

perancangan sistem yang akan diterapkan dalam sistem nantinya.

Perancangan sistem tersebut terdiri dari perancangan untuk subsistem

manajemen data, subsistem basis pengetahuan, subsistem namajemen

model, dan subsistem antarmuka.

BAB V: IMPLEMENTASI

Bab ini membahas penerapan metode Tsukamoto dalam pemilihan

mahasiswa berprestasi. Implementasi ini diterapkan berdasarkan analisa

dan perancangan sistem yang dibahas pada bab sebelumnya. Tahapan dari

implementasi terdiri dari spesifikasi sistem, batasan implementasi,

implementasi algoritma, implementasi antarmuka, dan penerapan metode

weighted product dan rekomendasi kamera digital.

BAB VI: PENGUJIAN

Bab ini memuat analisa sistem dari hasil pengujian terhadap sistem yang

telah diimplementasikan. Metode pengujian yang digunakan merupakan

metode Black box testing. Kemudian hasil dari pengujian juga akan

dianalisis untuk mengetahui bagaimana kesesuaian fungsionalitas sistem

dengan kebutuhan sistem.

5

BAB VII: PENUTUP

Bab ini memuat kesimpulan terhadap akurasi dari pengujian yang

diperoleh dari pembuatan dan pengujian perangkat lunak yang telah dibuat

dalam tugas akhir ini serta memuat saran-saran untuk pengembangan

selanjutnya.

BAB II

TINJAUAN PUSTAKA

Bab ini berisi kajian pustaka dan dasar-dasar teori yang akan dibahas dan

digunakan untuk menunjang topik-topik pembahasan. Kajian pustaka memberikan

informasi terkait penelitian-penelitian yang sudah dilakukan dan tentunya

memiliki hubungan dengan sistem pendukung keputusan yang akan dibangun ini.

Dasar teori memberikan informasi mengenai beberapa teori yang dibutuhkan

untuk penyusunan laporan tugas akhir ini. Beberapa teori yang dibutuhkan adalah

teori yang berkaitan dengan Sistem Pendukung Keputusan, logika Fuzzy, metode

Fuzzy Tsukamoto dan pemilihan mahasiswa berprestasi.

2.1. Kajian Pustaka

Ramadhana Sanja, Alfan Nazala, Adzhana Hasfi dari Universitas

Brawijaya Malang pernah melakukan penelitian mengenai penggunaan metode

Fuzzy Tsukamoto untuk merancang sebuah sistem pakar yang berguna untuk

membantu user untuk mendiagnosa penyakit kanker Prostat berdasarkan kriteria-

kriteria masukan oleh user. Dalam implementasinya penulis pada penelitian

pertama dengan judul “Sistem Pakar Diagnosis Penyakit Kanker Prostat

Menggunakan Metode Fuzzy Tsukamoto” dengan kriteria perhitungan yang

digunakan antara lain: Prostate Specific Antigen, Umur, Prostate Volume, dan

Prostate Cancer Risk. Hasil akhir dari sistem yaitu tingkat keparahan penyakit[7].

Deby Nur Hidayat dari Politeknik Elektronika Negeri Surabaya, Institut

Teknologi Sepuluh November pernah melakukan penelitian yang hampir sama

dengan sistem yang akan dibangun. Akan tetapi penelitian yang telah dilakukan

ini menggunakan metode Fuzzy Query untuk merancang sebuah sistem

pendukung keputusan yang berguna untuk membantu user untuk pemilihan

mahasiswa berprestasi berdasarkan kriteria-kriteria masukan oleh user. Dalam

implementasinya penulis pada penelitian dengan judul “Sistem Pendukung

Keputusan Kelompok Pemilihan Mahasiswa Berprestasi Berbasis Web dengan

Metode Fuzzy Query” dengan kriteria perhitungan yang digunakan antara lain:

IPK, Karya Tulis, dan Ekstrakurikuler. Hasil akhir dari sistem yaitu perhtingan

nilai total dari mahasiswa yang telah diinputkan[2].

6

7

Berdasarkan dari beberapa penelitian yang telah dilakukan, maka penulis

mengusulkan penelitian yang berjudul “Sistem Pendukung Keputusan untuk

Pemilihan Mahasiswa Berprestasi dengan Metode Fuzzy Tsukamoto(Studi Kasus:

Mahasiswa PTIIK Universitas Brawijaya Malang)”. Penelitian ini dilakukan

untuk mempermudah kinerja dari pihak akademik PTIIK Universitas Brawijaya

Malang dalam memilih mahasiswa berprestasi. Penelitian ini menggunakan

beberapa kriteria untuk menentukan mahasiswa yang berprestasi. Kriteria tersebut

antara lain sebagai berikut:

a. IPK(Indeks Prestasi Kumulatif).

b. TOEFL(Test of English as a Foreign Language).

c. PDSK(Prestasi di Suatu Kegiatan Nasional).

d. Ekstrakurikuler/ Organisasi.

Penelitian ini menggunakan metode Fuzzy Tsukamoto yang hasilnya

adalah untuk menentukan mahasiswa berprestasi atau tidak. Metode Fuzzy

Tsukamoto merupakan metode dari fuzzy inference system(FIS). Fuzzy inference

system(FIS) adalah suatu kerangka komputasi yang didasarkan pada teori

himpunan fuzzy, aturan fuzzy dan penalaran fuzzy[10:18]. Secara garis besar,

input crisp dimasukkan ke FIS. Input ini kemudian dikirim ke basis pengetahuan

yang berisi n aturan fuzzy dalam bentuk if-then. Fire strength atau derajat

kebenaran akan dicari pada setiap aturan. Jika jumlah aturan lebih dari satu maka

dilakukan inferensi dari semua aturan.

Untuk mendapatkan nilai crisp sebagai output, sistem melakukan

defuzzifikasi dari hasil inferensi. Oleh karena itu , dibutuhkan suatu sistem yang

dapat membantu dalam hal pengambilan keputusan berdasarkan sejumlah kriteria

yang ada dengan menggunakan suatu metode yang dapat menghasilkan keputusan

yang terbaik sebagi suatu sistem pendukung keputusan berbasis komputerisasi.

Tujuan dari penelitian ini dibuat guna membentuk suatu algoritma bantu untuk

pemilihan mahasiswa berprestasi dengan metode Fuzzy Tsukamoto. Sehingga

nantinya akan menghasilkan suatu keputusan terbaik dalam pemilihan mahasiswa

berprestasi. Selain itu juga untuk mengembangkan metode yang digunakan pada

penelitian yang telah dilakukan sebelumnya dengan menggunakan objek yang

lebih banyak dalam pemilihan mahasiswa berprestasi.

7

8

Tabel 2.1 Kajian Pustaka

No JudulObjek Metode Output

Input & Parameter Proses Hasil Penelitian1. Sistem Pakar Diagnosis Penyakit

Kanker Prostat Menggunakan Metode Fuzzy Tsukamoto[7].

Diagnosa pasien penderita penyakit kanker prostat.

Fuzzy Inference System(FIS) Tsukamoto

Diagnosa penyakit kanker prostat dan tingkat keparahannya.

-Prostate Specific Antigen-Umur-Prostate Volume-Prostate Cancer Risk

1. Input2. Fuzzifikasi3. Penalaran4. Defuzzifikasi5. Output

-Very Low-Low-Medium-High-Very High

2. Sistem Pendukung Keputusan Kelompok Pemilihan Mahasiswa Berprestasi Berbasis Web dengan Metode Fuzzy Query[2].

Pemilihan mahasiswa berprestasi

Fuzzy Query Perhitungan nilai total untuk pemilihan mahasiswa beprestasi

-IPK-Karya Tulis-Ekstrakurikuler

1. Input IPK, Karya Tulis, ekstrkurikuler2. Fuzzyfikasi(IPK, kti, ekstrkurikuler)3. Menentukan fungsi keanggotaan4. Olah data dengan fuzzy query dan hitung Firestrength5. Output solusi alternatif pemilihan mahasiswa berprestasi

-Tabel Firestrength-Hasil Query

3. Sistem Pendukung Keputusan Pemilihan mahasiswa Fuzzy Inference Perhitungan nilai total untuk pemilihan

9

untuk Pemilihan Mahasiswa Berprestasi dengan Metode Fuzzy Tsukamoto. Studi Kasus: Mahasiswa PTIIK Universitas Braijaya Malang)[Usulan].

berprestasi System(FIS) Tsukamoto

mahasiswa berprestasi.

- IPK- TOEFL- Prestasi di suatu kegiatan- Ekstrakurikuler

1. Input nilai IPK, TOEFL, dan Prestasi di suatu kegiatan2. Menentukan derajat keanggotaan3. Menghitung α4. Defuzzifikasi5. Output Nilai Mahasiswa Berprestasi

- Rendah- Tinggi

Sumber: [7], [2], [Usulan]

9

10

2.2. Sistem Pendukung Keputusan

Sistem Pendukung Keputusan (Decision Support Sistem) merupakan

suatu istilah yang mengacu pada suatu sistem yang memamfaatkan dukungan

computer dalam proses pengambilan keputusan. Untuk memberikan pengertian

tersebut, disini akan diuraikan definisi mengenai Sistem Pendukung

Keputusan(SPK). SPK merupakan suatu sistem yang interaktif, yang membantu

pengambil keputusan melalui penggunaan data dan model-model keputusan

untuk memecahkan masalah yang sifatnya semi terstruktur maupun yang tidak

terstruktur [6].

Menurut Man dan Watson[6:65], Sistem Pendukung Keputusan

didefinisikan sebagai suatu sistem interaktif, yang membantu pengambil

keputusan melalui penggunaan data dan model-model keputusan untuk

memecahkan masalah-masalah yang sifatnya semi terstruktur dan tidak

terstruktur. Dan definisi diatas terlihat bahwa Sistem Pendukung Keputusan

adalah suatu sistem berbasis komputer yang dirancang untuk meningkatkan

efektivitas pengambil keputusan dalam memecahkan masalah yang bersifat semi

terstruktur atau tidak terstruktur.

2.2.1. Karakteristik Sistem Pendukung Keputusan

Senada dengan para pakar lainnya, Raymond McLeod, Jr. dalam bukunya

Sistem Informasi Manajemen[6:64], menekankan bahwa sistem pendukung

keputusan adalah suatu sistem informasi yang ditujukan untuk membantu

manajemen dalam memecahkan masalah yang dihadapinya. Karakteristik Sistem

Pendukung Keputusan dibandingkan dengan sistem informasi yang lainnya adalah

sebagai berikut [6:65]:

1. Sistem Pendukung Keputusan dirancang untuk membantu pengambilan

keputusan dalam memecahkan masalah yang sifatnya semi terstruktur atau

tidak terstruktur.

2. Dalam proses pengolahannya, sistem pendukung keputusan

mengombinasikan penggunaan model - model / teknik-teknik analisis

dengan teknik pemasukan data konvensional serta fungsi-fungsi

pencari/interogasi informasi.

11

3. Sistem Pendukung Keputusan, dirancang sedemikian rupa, sehingga dapat

digunakan / dioperasikan dengan mudah oleh orang-orang yang tidak

memiliki dasar kemampuan pengoperasian komputer yang tinggi. Oleh

karena itu pendekatan yang digunakan adalah model interaktif.

4. Sistem Pendukung Keputusan dirancang dengan menekankan pada aspek

fleksibilitas serta kemampuan adaptasi yang tinggi. Sehingga mudah

disesuaikan dengan berbagai perubahan lingkungan yang terjadi dan

kebutuhan pemakai.

Bagaimanapun juga SPK tidak ditekankan untuk membuat keputusan.

Dengan sekumpulan kemampuan untuk mengolah informasi/data yang diperlukan

dalam proses pengambilan keputusan, sistem hanya berfungsi sebagai alat bantu

manajemen. Jadi sistem ini tidak dimaksudkan untuk menggantikan fungsi

pengambil keputusan dalam membuat keputusan. Sistem ini hanya dirancang

untuk membantu pengambil keputusan dalam melaksanakan tugasnya[6:65].

Karakteristik Sistem Pendukung Keputusan yang efektif menurut Turban dan

Efraim adalah sebagai berikut[8]:

a. Mendukung proses pengambilan keputusan, menitik beratkan pada

management by perception.

b. Adanya interface manusia/mesin dimana manusia tetap mengontrol proses

pengambilan keputusan.

c. Mendukung pengambilan keputusan untuk membahas masalah-masalah

terstruktur, semi terstruktur, dan tidak terstruktur.

d. Menggunakan model-model matematis dan statistik yang sesuai.

e. Memiliki kapabilitas dialog untuk memperoleh informasi sesuai dengan

kebutuhan model interaktif.

f. Output ditujukan untuk personil organisasi dalam semua tingkatan.

g. Memiliki subsistem-subsistem yang terintegrasi sedemikian rupa sehingga

dapat berfungsi sebagai kesatuan sistem.

h. Membutuhkan struktur data komprehensif yang dapat melayani kebutuhan

informasi seluruh tingkatan manajemen.

12

i. Pendekatan easy to use. Ciri suatu SPK yang efektif adalah kemudahannya

untuk digunakan, dan memungkinkan keleluasan pemakai untuk memilih

atau

j. mengembangkan pendekatan-pendekatan baru dalam membahas masalah

yang dihadapi.

2.2.2. Keuntungan dan Keterbatasan Sistem Pendukung Keputusan

Dengan berbagai karakter di atas, Sistem Pendukung Keputusan dapat

memberikan manfaat atau keuntungan bagi pemakainya. Keuntungan yang

dimaksud diantaranya meliputi[6:65]:

1. Sistem Pendukung Keputusan memperluas kemampuan pengambil

keputusan dalam memproses data/informasi bagi pemakainya.

2. Sistem Pendukung Keputusan membantu pengambil keputusan dalam hal

penghematan waktu yang dibutuhkan untuk memecahkan masalah

terutama berbagai masalah yang sangat kompleks dan tidak terstruktur.

3. Sistem Pendukung Keputusan dapat menghasilkan solusi dengan lebih

cepat serta hasilnya dapat diandalkan.

4. Walaupun suatu Sistem Pendukung Keputusan, mungkin saja tidak

mampu memecahkan masalah yang dihadapi pengambil keputusan, namun

ia dapat menjadi stimulan bagi pengambil keputusan dalam memahami

persoalannya. Karena sistem pendukung keputusan mampu menyajikan

berbagai alternatif.

5. Sistem Pendukung Keputusan dapat menyediakan bukti tambahan untuk

memberikan pembenaran sehingga dapat memperkuat posisi pengambil

keputusan.

Sistem pendukung keputusan dapat memberikan berbagai manfaat atau

keuntungan bagi pemakainya, antara lain[1:145]:

1. Memperluas kemampuan pengambilan keputusan dalam memproses

data/informasi bagi pemakainya.

2. Membantu pengambilan keputusan dalam hal penghematan waktu yang

dibutuhkan untuk memecahkan masalah terutama berbagai masalah yang

sangat kompleks dan tidak terstruktur.

13

3. Dapat menghasilkan solusi dengan lebih cepat serta hasilnya dapat

diandalkan.

4. Walaupun suatu Sistem Pendukung Keputusan, mungkin saja tidak

mampu memecahkan masalah yang dihadapi oleh pengambil keputusan,

namun dapat menjadi stimulan bagi pengambil keputusan dalam

memahami persoalannya, karena sistem pendukung keputusan mampu

menyajikan berbagai alternatif.

5. Dapat menyediakan bukti tambahan untuk memberikan bukti tambahan

untuk memberikan pembenaran sehingga posisi pengambil keputusan.

2.2.3. Komponen-komponen Sistem Pendukung Keputusan

Bonezek, Hosapple dan Whinston mendefinisikan SPK sebagai suatu

sistem yang berbasiskan komputer yang terdiri dari 3 komponen yang berinteraksi

satu dengan yang lainnya, yaitu[1:145]:

1. Language system, adalah suatu mekanisme untuk menjembatani (interface)

pemakai dan komponen lainnya.

2. Knowledge system, adalah repositori pengetahuan yang berhubungan dengan

masalah tertentu baik berupa data maupun prosedur.

3. Problem processing system, adalah sebagai penghubung kedua komponen

lainnya, berisi satu atau beberapa kemampuan manipulasi atau menyediakan

masalah secara umum, yang diperlukan dalam pengambilan keputusan.

Efraim Turban, dalam bukunya Decision support system and Intelligent

System, Aplikasi Sistem Pendukung Keputusan bisa dikomposisikan dengan

subsistem berikut ini[1:146]:

14

Sistem Pendukung Keputusan terdiri atas tiga komponen utama atau subsistem

yaitu[6:66]:

1. Subsistem data(database)

Subsistemdata merupakan komponen SPK penyedia bagi sistem. Data

yang dimaksud disimpan dalam suatu pangkalan data(data base)yang

diorganisasikan oleh suatu sistem yang disebut dengan sistem manajemen

pangkalan data (Data Base ManajementSystem/DBMS). Melalui

manajemen pangkalan data inilah data dapat diambil dan diekstrasi

dengan cepat. Pangkalan data dalam SPK berasal dari dua sumber yaitu

sumber internal (dari dalamperusahaan) dan sumber eksternal (dari luar

perusahaan). Data eksternal ini sangat berguna bagi manajemen dalam

mengambil keputusan tingkat strategi.

2. Subsistem model (modelbase)

Keunikan dari SPK adalah kemampuannya dalam mengintegrasikan data

dengan model-model keputusan. Kalau pada pangkalan data, organisasi

Gambar 2.1 Komponen-komponen Sistem Pendukung KeputusanSumber: [1:146]

15

data dilakukan oleh manajemen pangkalan data, maka dalam hal ini ada

fasilitas tertentu yang berfungsi sebagai pengelola berbagai model yang

disebut dengan pangkalan model (modelbase). Model adalah suatu

peniruan dari alam nyata. Kendala yang seringkali dihadapi dalam

merancang suatu model adalah bahwa model yang disusun ternyata tidak

mampu mencerminkan seluruh variabel alam nyata. Sehingga keputusan

yang diambil yang didasarkan pada model tersebut menjadi tidak akurat

dan tidak sesuai dengan kebutuhan. Oleh karena itu, dalam menyimpan

berbagai model pada sistem pangkalan model harus tetap dijaga

fleksibilitasnya. Artinya harus ada fasilitas yang mampu membantu

pengguna untuk memodifikasi atau menyempurnakan model, seiring

dengan perkembangan pengetahuan.

Hal lain yang perlu diperhatikan adalah pada setiap model yang disimpan

hendaknya ditambahkan rincian keterangan dan penjelasan yang

komprehensif mengenai model yang dibuat,sehingga pengguna atau

perancang:

a. Mampu membuatmodelyang baru dengan mudah dan cepat.

b. Mampu mengakses dan mengintegrasikan subrutinmodel.

c. Mampu menghubungkanmodeldengan model yanglain melalui

pangkalan data.

d. Mampu mengelolamodelbasedengan fungsi manajemen yang analog

dengan manajemen data base (seperti mekanisme untuk menyimpan,

membuat katalog, menghubungkan dan mengakses model.)

3. Subsistem dialog (usersystem interface)

Keunikan lainnya dari SPK adalah adany fasilitas yang mampu

mengintegrasikan sistem terpasang dengan pengguna secara interaktif.

Fasilitas atausubsistem ini dikenal sebagai subsistem dialog. Melalui

sistem dialog inilah sistem diartikulasikan dan diimplementasikan

sehingga pengguna atau pemakai dapat berkomunikasi dengan sistem yang

dirancang. Fasilitas yang dimiliki oleh subsistem ini dapat dibagi atas

tiga komponen, yaitu[6:66]:

16

a. Bahasa aksi (Action Language), yaitu suatu perangkat lunak yang

dapat digunakan pengguna untuk berkomunikasi dengan sistem.

Komunikasi ini dilakukan melalui berbagai pilihan media seperti ,

keyboard, joystick, atau key function lainnya.

b. Bahasa tampilan (Display atau Presentation Language), yaitu suatu

perangkat yang berfungsi sebagai sarana untuk menampilkan sesuatu.

Peralatan yang digunakan untuk merealisasikan tampilan ini

diantaranya adalah printer, grafik monitor, plotter dan lain-lain.

c. Basis Pengetahuan (Knowledge Base), yaitu bagian yang mutlak

diketahui oleh pengguna sehingga sistem yang dirancang dapat

berfungsi secara efektif. Kombinasi dari berbagai kemampuan di atas

dikenal sebagai Gaya Dialog (Dialog Style). Gaya dialog ini terdiri

atas beberapa jenis, diantaranya :

Dialog Tanya Jawab. Dalam dialog ini, sistem bertanya kepada

pengguna, dan pengguna menjawab kemudian dari hasil dialog ini

sistem akan menawarkan alternatif keputusan yang dianggap

memenuhi keinginan pengguna.

Dialog Perintah. Dalam dialog ini, pengguna memberikan

perintah-perintah yang tersedia pada sistem untuk menjalankan

fungsi yang ada pada SPK.

Dialog Menu. Model dialog ini merupakan gaya dialog yang

paling populer dalam SPK. Dalam hal ini pengguna dihadapkan

pada berbagai alternatif menu yang telah disediakan sistem. Menu

ini akan ditampilkan pada monitor. Dalam menentukan pilihan-

nya, pengguna sistem cukup menekan tom-boltombol tertentu dan

setiap pilihan akan menghasilkan respon /jawaban tertentu.

Dialog Masukan/ Keluaran. Dialog ini menyediakan form input

atau masukan. Melalui media ini, pengguna memasukkan perintah

dan data. Di samping form input, juga disediakan form keluaran

yang merupakan respon dari sistem. Setelah memeriksa keluaran,

pengguna dapat mengisi form masukan lainnya untuk

melanjutkan dialog berikutnya.

17

Meaningful Managerial Information

DatabaseSistem

Manajemen Data

Sistem Manajemen

Komputer dan Pemakai

Sistem Manajemen

Model

Model Matematik

dan statistik

Input Data

Model Dialog

Pembuat Keputusan

Data: External, Internal

Manager(User)

Other Computer Based System

Dialog Management

Knowledge Manager

Model Management

Data Management

Gambar 2.2 Model Matematis dan Statistik dengan Input Data dalam SPKSumber:[6:66]

Gambar 2.3 Komponen SPK Menurut SubaktiSumber:[9:5]

18

Gambar 2.3 menjelaskan tentang komponen SPK bahwa sebuah sistem

pendukung keputusan dibangun dari beberapa subsistem, antara lain [9:5]:

- Data management, termasuk database yang mengandung data yang relevan

untuk berbagai situasi dan diatur oleh software yang disebut Database

Management System (DBMS). Data management pada penelitian ini

adalah database televisi yang berisi tabel jenis, tabel data_tv, tabel desk_tv,

serta tabel merek. Tabel-tabel yang ada pada database televisi saling

berhubungan dan sebagai data untuk perhitungan.

- Model management, melibatkan model finansial, statistikal, management

science, atau berbagai model kuantitatif lainnya sehingga dapat

memberikan ke sistem suatu suatu kemampuan analitis dan manajemen

software yang diperlukan.Model management dalam penelitian ini adalah

perhitungan mengunakan metode WP. Perhitungan ini memanfaatkan data

yang ada serta masukan prioritas dari calon kosumen sehingga didapat

sebuah data yang dapat dihitung serta mendapat nilai ranking yang nantinya

digunakan sebagai hasil rekomendasi.

- Knowledge manager, dapat mendukung subsistem lain atau bertindak

sebagai komponen yang bertindak sendiri. Knowledge manager dalam

penelitian ini adalah calon konsumen. Calon konsumen dapat memilih

ukuran, merek serta jenis yang diinginkan, kemudian memasukkan

prioritas kepentingan dari setiap kriteria. Ukuran, merek dan jenis TV

yang sudah dipilih akan dicari pada tabel data_tv, hasil dari pencarian

tersebut akan dihitung menggunakan metode WP. Hasil dari perhitungan

tersebut akan diranking dan dipilih lima terbaik sebagai hasil

rekomendasi untuk calon konsumen.

- User Interface, tampilan antarmuka dimana user dapat berkomunikasi dan

memberikan perintah pada DSS. User interface pada penelitian ini

adalah tampilan menu sistem rekomendasi.

19

2.2.4. Pendekatan Perancangan SPK

Pendekatan perancangan sistem pendukung keputusan dilakukan dengan

beberapa pendekatan yaitu iteratif dan pendekatan Representation, Operation,

Memory Aids, Control Mechanism (ROMC)[6:67].

1. Pendekatan Iteratif

Pendekatan Iteratif merupakan pendekatan dengan melakukan rancangan

maju dan dengan siklus berulang. Yang dimaksud dengan siklus berulang

adalah seperti tahap-tahap pembuatan SPK yang diuraikan pada tinjauan

pustaka. Dengan pendekatan in. memungkinkan untuk melakukan

penyempurnaan terhadap hasil rancangan melalui uji coba pada tahap

penerapan atau implementasi.

2. Pendekatan ROMC

Pendekatan lain perancangan adalah dengan menggunakan Representasion,

Operation, Memory Aids dan Control Mechanism (ROMC). Yang menjadi

karakteristik penting dari pendekatan ROMC ini adalah. bahwa pendekatan

ini merupakan suatu proses independent dalam mengidentifikasikan

kebutuhan akan kemampuan suatu rancangan keputusan. Pendekatan ROMC

merupakan suatu alat yang digunakan untuk mengarahkan analisis keputusan,

dan untuk membuat struktur yang sebenarnya dari rancangan. Adapun

maksud dari ROMC adalah sebagai berikut[6:67]:

Representation

Kemampuan dalam mempresentasikan hasilhasil yang didapat baik

berupa data, grafik hasil cetakan dan lain-lain yang akan mempermudah

pemahaman terhadap masalah yang dihadapi sampai pada pengambilan

keputusannya. Dengan demikian perancangan mudah dipahami, dan

dapat berkomunikasi dengan pemakai

Operation

Kemampuan melakukan operasi-operasi melalui model yang telah kita

buat, baik model matematis, model statistika atau model analisa

keputusan yang dapat diharapkan membantu operasi untuk mendukung

suatu keputusan dari permasalahan.

20

Memory Aids

Kemampuan memberikan fasilitas memori yang dibutuhkan dalam

mendukung penggunaan representasi dan operasi yang akan digunakan

dalam rangka pengambilan keputusan. Bantuan memori dapat berupa

suatu basis data yang berasal dari dalam (internal) perusahaan ataupun

dari luar (eksternal). Dapat pula berupa literatur, ruang kerja, dan

sebagainya.

Control Mechanism

Kemampuan melakukan kontrol /pengendalian melalui tombol-tombol,

maupun panel instrumen sehingga sistem dapat berjalan dengan mudah

dan komunikatif. Hal ini dapat ditunjukkan dalam bentuk pesan-pesan,

maupun menu-menu yang ditampilkan di layar monitor.

1.1. Logika Fuzzy

Logika fuzzy (Fuzzy Logic) dipergunakan untuk menempatkan hal-hal

yang berhubungan dengan kekaburan/fuzzy, seperti himpunan, predikat-predikat,

nilai-nilai, dan lainnya. Dalam arti sempit, fuzzy logic merupakan nama dari suatu

jenis logika yang mempunyai banyak nilai, yang berhubungan dengan

ketidakpastian, dan bagian kebenaran, yang mempunyai dasar teori fuzzy set [1:5].

Salah satu pengertian yang alami dan umum dari presentasi logika adalah

kemampuannya sebagai metode penganalisa alasan. Objek dasar dari fuzzy logic

adalah pernyataan-pernyataan yang memiliki suatu nilai kebenaran. Dalam fuzzy

logic, himpunan kebenaran dan pelengkapnya dan himpunan kesalahan dan

pelengkapnya adalah kabur/fuzzy, dimana derajat kebenaran dari setiap set

diberikan oleh derajat dari elemen yang berhubungan dengan himpunannya.

Tujuan utama dari fuzzy logic adalah memformalkan mekanisme dari alasan yang

tepat[1:5].

2.2.1. Komponen Pembentuk Sistem Fuzzy

Sistem fuzzy terdiri dari 3 (tiga) komponen utama, antara lain[1:6] :

1. Fuzzifikasi/Fuzzyfication, mengubah masukan-masukan yang nilai

kebenarannya bersifat pasti (crisp input) ke dalam bentuk fuzzy input,

21

yang berupa nilai linguistic yang semantiknya ditentukan berdasarkan

fungsi keanggotaan tertentu.

2. Inferensi/Inference, melakukan penalaran menggunakan fuzzy input

dan fuzzy rules yang telah ditentukan sehingga menghasilkan fuzzy

output.

3. Deffuzifikasi/Deffuzification, mengubah fuzzy output menjadi crisp

rule berdasarkan fungsi keanggotaan yang telah ditentukan.

Terdapat beberapa metode defuzzifikasi, diantaranya adalah [1:6]:

a. Centroid Method atau disebut juga Center of Area atau Center of Gravity

b. Height method, dikenal juga sebagai prinsip keanggotaan maksimum

karena metode ini secara sederhana memilih nilai crisp yang memiliki

derajat keanggotaan maksimum yang hanya dapat digunakan untuk sebuah

singleton.

c. First (or last) of Maxima,merupakan generalisasi dari Height method untuk

kasus dimana fungsi keanggotaan output memiliki lebih dari satu nilai

maksimum.

d. Mean-Max method, disebut juga sebagai Middle of Maxima, merupakan

generalisasi dari Height method untuk kasus dimana terdapat lebih dari satu

nilai crisp yang memiliki derajat keanggotaan maksimum.

e. Weighted Average, metode ini mengambil nilai rata-rata dengan

menggunakan pembobotan berupa derajat keanggotaan.

2.2.2. Himpunan Fuzzy

Himpunan fuzzy (fuzzy set) merupakan sekumpulan obyek x dimana

masing-masing obyek memiliki nilai keanggotaan (membership function) “μ” atau

disebut juga dengan nilai kebenaran [1]. Jika X adalah sekumpulan obyek dan

anggotanya dinyatakan dengan x maka fuzzy set dari A di dalam X adalah

himpunan dengan sepasang anggota atau dapat dinyatakan dengan persamaan

berikut[1]: 𝐴 = { μA(𝑥) | 𝑥∶ 𝑥∈X, 𝐴(𝑥) ∈ [0,1] ∈ R ....................................... (2-1)

22

Contoh : Terdapat suatu himpunan data yang berisikan variabel usia dengan

klasifikasi sebagai berikut [1]:

Muda : jika usia sampai dengan 30 tahun

Parobaya : jika usia lebih besar dari 30 tahun dan lebih kecil dari 50 tahun

Tua : jika usia lebih besar dari atau sama dengan 50 tahun

Maka pada himpunan crisp untuk dapat disimpulkan bahwa [1]:

1. Apabila seseorang berusia 29 tahun maka ia dikatakan Muda (

μMuda [ 29 ]=1).

2. Apabila seseorang berusia 32 tahun maka ia dikatakan Tidak Muda (

μMuda [ 32 ]=0)

Jika pada himpunan crisp, nilai keanggotaan hanya ada 2 (dua) kemungkinan,

yaitu : 0 (nol) dan 1 (satu), maka pada fuzzy set nilai keanggotaan terletak pada

rentang 0 (nol) sampai 1 (satu).

Dalam pembentukan suatu fuzzy set terdapat beberapa hal yang perlu diketahui

yaitu[1]:

1. Variabel fuzzy, merupakan variabel yang hendak dibahas dalam suatu

sistem fuzzy. Contoh : usia, temperatur, dan lain-lain.

2. Himpunan Fuzzy (Fuzzy set), merupakan suatu grup yang memiliki suatu

kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Contoh: Variabel

usia memiliki himpunan MUDA, PAROBAYA, dan TUA.

3. Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk

dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan

himpunan bilangan real yang senantiasa naik (bertambah) secara monoton

dari kiri ke kanan atau sebaliknya. Nilai semesta pembicaraan dapat

berupa bilangan positif maupun negatif. Contoh semesta pembicaraan

untuk variabel usia :

[0 +∞] .....................................................................................(2-2)

4. Domain fuzzy set adalah keseluruhan nilai yang diizinkan dan boleh

23

dioperasikan dalam suatu fuzzy set. Seperti halnya semesta pembicaraan,

domain merupakan himpunan bilangan real yang senantiasa naik

(bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa

bilangan positif maupun negatif.

Contoh domain fuzzy set untuk variabel usia :

a. Muda = [0, 30]

b. Parobaya = [30, 50]

c. Tua = [50, ∞].

Fuzzy set memiliki dua atribut[1], yaitu :

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

kondisi tertentu dengan menggunakan bahasa alami, seperti : MUDA,

PAROBAYA, TUA.

2. Numeris, yaitu suatu nilai (angka) yang menunjukan ukuran dari suatu

variabel, seperti : 40, 25, 35.

2.3. Metode Fuzzy Inference System Tsukamoto

Inferensi adalah proses penggabungan banyak aturan berdasarkan data yang

tersedia. Komponen yang melakukan inferensi dalam sistem pakar disebut mesin

inferensi. Dua pendekatan untuk menarik kesimpulan pada IF-THEN rule (aturan

jika-maka) adalah forward chaining dan backward chaining [10].

2.3.1. Forward Chaining Forward chaining mencari bagian JIKA terlebih dahulu. Setelah semua

kondisi dipenuhi, aturan dipilih untuk mendapatkan kesimpulan. Jika kesimpulan

yang diambil dari keadaan pertama, bukan dari keadaan yang terakhir, maka ia

akan digunakan sebagai fakta untuk disesuaikan dengankondisi JIKA aturan yang

lain untuk mendapatkan kesimpulan yang lebih baik. Proses ini berlanjut hingga

dicapai kesimpulan akhir[10] .

24

2.3.2. Backward Chaining

Backward chaining adalah kebalikan dari forward chaining. Pendekatan

ini dimulai dari kesimpulan dan hipotesis bahwa kesimpulan adalah benar. Mesin

inferensi kemudian mengidentifikasi kondisi JIKA yang diperlukan untuk

membuat kesimpulan benar dan mencari fakta untuk menguji apakah kondisi

JIKA adalah benar. Jika semua kondisi JIKA adalah benar, maka aturan dipilih

dan kesimpulan dicapai. Jika beberapa kondisi salah, maka aturan dibuang dan

aturan berikutnya digunakan sebagai hipotesis kedua. Jika tidak ada fakta yang

membuktikan bahwa semua kondisi JIKA adalah benar atau salah, maka mesin

inferensi terus mencari aturan yang kesimpulannya sesuai dengankondisi JIKA

yang tidak diputuskan untuk bergerak satu langkah ke depan memeriksa kondisi

tersebut. Proses ini berlanjut hingga suatu set aturan didapat untuk mencapai

kesimpulan atau untuk membuktikan tidak dapat mencapai kesimpulan[10].

Menurut Sri Kusumadewi dan Sri Hartati [8] sistem inferensi fuzzy

merupakan suatu kerangka komputasi yang didasarkan pada teori himpunan

fuzzy, aturan fuzzy yang berbentuk IF-THEN, dan penalaran fuzzy. Secara garis

besar, diagram blok proses inferensifuzzy terlihat pada Gambar berikut.

Gambar 2.4 Diagram Blok Sistem Inferensi FuzzySumber: [8]

25

Sistem inferensi fuzzy menerima input crisp. Input ini kemudian dikirim

ke basis pengetahuan yang berisi n aturan fuzzydalam bentuk IF-THEN. Fire

strength(nilai keanggotaan anteseden atau α) akan dicari pada setiap aturan.

Apabila aturan lebih dari satu, maka akan dilakukan agregasi semua aturan.

Selanjutnya pada hasil agregasi akan dilakukan defuzzy untuk mendapatkan nilai

crisp sebagai output sistem. Salah satu metode FIS yang dapat digunakan untuk

pengambilan keputusan adalah metode Tsukamoto.Berikut ini adalah penjelasan

mengenai metode FIS Tsukamoto.

Pada metode Tsukamoto, implikasi setiap aturan berbentuk implikasi

“Sebab-Akibat”/Implikasi “Input-Output” dimana antara anteseden dan

konsekuen harus ada hubungannya. Setiap aturan direpresentasikan menggunakan

himpunan-himpunan fuzzy, dengan fungsi keanggotaan yang monoton. Kemudian

untuk menentukan hasil tegas (Crisp Solution)digunakan rumus penegasan

(defuzifikasi) yang disebut “Metode rata-rata terpusat” atau “Metode defuzifikasi

rata-rata terpusat (Center Average Deffuzzyfier) [7]. Untuk lebih memahami

metode Tsukamoto, perhatikan Contoh 2.1 berikut.

Contoh 2.1:

Misalkan ada 2 variabel input, Var-1 (x) dan Var-2(x), serta variabel output, Var-

3(z), dimana Var-1 terbagi atas 2 himpunan yaitu A1 dan A2. Var-2 terbagi atas 2

himpunan B1 dan B2, Var-3 juga terbagi atas 2 himpunan yaitu C1 dan C2 (C1

dan C2 harus monoton). Ada 2 aturan yang digunakan, yaitu:

[R1] IF (x is A1) and (y is B2) THEN (z is C1)

[R2] IF (x is A2) and (y is B1) THEN (z is C2)

Pertama-tama dicari fungsi keanggotaan dari masing-masing himpunan fuzzy dari

setiap aturan, yaitu himpunan A1, B2 dan C1 dari aturan fuzzy [R1], dan

himpunan A2, B1 dan C2 dari aturan fuzzy [R2]. Aturan fuzzy R1 dan R2 dapat

direpresentasikan dalam Gambar 2.5 untuk mendapatkan suatu nilai crisp Z.

26

Gambar 2.5 Inferensi dengan menggunakan metode TsukamotoSumber:[7]

Karena pada metode Tsukamoto operasi himpunan yang digunakan adalah

konjungsi (AND), maka nilai keanggotaan anteseden dari aturan fuzzy [R1] adalah

irisan dari nilai keanggotaan A1 dari Var-1 dengan nilai keanggotaan B1 dari

Var2. Menurut teori operasi himpunan pada persamaan 2.1, maka nilai

keanggotaan anteseden dari operasi konjungsi (And) dari aturan fuzzy [R1] adalah

nilai minimum antara nilai keanggotaan A1 dari Var-1 dan nilai keanggotaan B2

dari Var-2. Demikian pula nilai keanggotaan anteseden dari aturan fuzzy [R2]

adalah nilai minimum antara nilai keanggotaan A2 dari Var-1 dengan nilai

keanggotaan B1 dari Var-2.

Selanjutnya, nilai keanggotaan anteseden dari aturan fuzzy [R1] dan [R2]

masing-masing disebut dengan α1 dan α2. Nilai α1 dan α2 kemudian

disubstitusikan pada fungsi keanggotaan himpunan C1 dan C2 sesuai aturan fuzzy

[R1] dan [R2] untuk memperoleh nilai z1 dan z2, yaitu nilai z (nilai perkiraan

produksi) untuk aturan fuzzy [R1] dan [R2]. Untuk memperoleh nilai output

crisp/nilai tegas Z, dicari dengan cara mengubah input (berupa himpunan fuzzy

yang diperoleh dari komposisi aturan-aturan fuzzy) menjadi suatu bilangan pada

domain himpunan fuzzy tersebut. Cara ini disebut dengan metode defuzifikasi

(penegasan). Metode defuzifikasi yang digunakan dalam metode Tsukamoto

27

adalah metode defuzifikasi rata-rata terpusat (Center Average Defuzzyfier) yang

dirumuskan pada persamaan berikut[7]:

Z=∑i=1

n

αizi

∑i=1

n

αi

................................................................................. (2-3)

2.4. Pemilihan Mahasiswa Berprestasi

Mahasiswa berprestasi adalah mahasiswa yang berhasil mencapai prestasi

tinggi, baik kurikuler, kokurikuler, maupun ekstrakurikuler sesuai dengan kriteria

yang ditentukan. Mahasiswa berprestasi tidak hanya menekuni ilmu dalam

bidangnya saja, tetapi juga beraktivitas untuk mengembangkan soft skills agar

menjadi lulusan yang mandiri, penuh inisiatif, bekerja secara cermat, penuh

tanggung jawab dan tangguh. Kemampuan ini dapat diperoleh mahasiswa melalui

pembekalan secara formal dalam kurikulum pembelajaran, kokurikuler, dan

ekstrakurikuler[5].

Namun, tidak semua mahasiswa mau dan mampu untuk menjadi

pembelajar yang sukses. Acapkali mahasiswa dengan nilai akademik yang tinggi

tidak memanfaatkan peluang untuk menggunakan waktunya dalam kegiatan

kokurikuler dan ekstrakurikuler. Sebaliknya mahasiswa yang aktif dalam

organisasi kemahasiswaan dan kegiatan pengembangan soft skills tidak

memperoleh nilai akademik yang tinggi. Sementara itu, dalam era persaingan

bebas dibutuhkan lulusan berkarakter unggul yang memiliki hard skills dan soft

skills yang seimbang[5].

2.4.1. Dasar Hukum

Dasar hukum dalam pelaksanaan pencarian mahasiswa berprestasi adalah

sebagai berikut[5]:

1. Undang-Undang Republik Indonesia No. 20 Tahun 2003 tentang Sistem

Pendidikan Nasional.

2. Undang Undang Republik Indonesia No 12 Tahun 2012 tentang

Pendidikan Tinggi.

28

3. Peraturan Pemerintah Republik Indonesia No. 66 Tahun 2010 Perubahan

PP 17 Tahun 2010 tentang Pengelolaan dan Penyelenggaraan Pendidikan.

4. Peraturan Presiden Republik Indonesia No. 8 Tahun 2012 tentang

Kerangka Kualifikasi Nasional Indonesia.

5. Peraturan Menteri Pendidikan Nasional RI No. 36 tahun 2010 tentang

Organisasi dan Tata Kerja Direktorat Jenderal Pendidikan Tinggi.

2.4.2. Persyaratan Umum Mahasiswa Berprestasi

Persyaratan umum adalah persyaratan yang harus dipenuhi oleh peserta

sebagai kelengkapan pemilihan mahasiswa beprestasi, yaitu:[5]

1. Warga negara Republik Indonesia yang terdaftar dan aktif sebagai

mahasiswa program Sarjana maksimal semester VIII dan pada saat

pemilihan Mawapres di tingkat nasional belum dinyatakan lulus, serta

berusia tidak lebih dari 23 tahun pada tanggal 1 Januari 2014 yang

dibuktikan dengan Kartu Tanda Mahasiswa (KTM) yang masih berlaku.

2. Indeks Prestasi Kumulatif (IP seluruh matakuliah yang lulus) rata-rata

minimal 3,00.

3. Terdaftar di Pangkalan Data Pendidikan Tinggi (PDPT).

4. Surat Pengantar dari pimpinan perguruan tinggi bidang kemahasiswaan

(Wakil Rektor/Ketua) yang menyatakan bahwa mahasiswa yang diusulkan

adalah pemenang pertama hasil pemilihan perguruan tinggi yang

bersangkutan.

5. Belum pernah menjadi finalis pemilihan Mawapres tingkat nasional pada

tahuntahun sebelumnya.

2.4.3. Komponen Penilaian

Pemilihan Mawapres merujuk pada kinerja individu mahasiswa yang

memenuhi kriteria pemilihan yang terdiri atas lima unsur, yaitu[5]:

1. IP Kumulatif

Indeks Prestasi Kumulatif (IPK) adalah seluruh nilai matakuliah rata-rata

yang lulus sesuai dengan aturan masing-masing perguruan tinggi. IPK

29

hanya dinilai dalam proses pemilihan Mawapres sampai pemilihan tingkat

perguruan tinggi.

2. Karya tulis ilmiah

Karya tulis Ilmiah yang dimaksud dalam pedoman ini merupakan tulisan

ilmiah hasil dari kajian pustaka dari sumber terpercaya yang berisi solusi

kreatif dari permasalahan yang dianalisis secara runtut dan tajam, serta

diakhiri dengan kesimpulan yang relevan.

3. Prestasi/kemampuan yang diunggulkan

Prestasi/kemampuan yang diraih selama menjadi mahasiswa baik dalam

kegiatan kurikuler, kokurikuler dan ekstrakurikuler sehingga mendapatkan

pengakuan, penghargaan yang berdampak positif pada perguruan tinggi

dan masyarakat. Dengan demikian prestasi yang dimaksud bukan sekadar

berpartisipasi pada kegiatan tertentu, tetapi menjadi juara/finalis atau

sekurangkurangnya mendapatkan predikat.

4. Bahasa Inggris/asing

Penilaian bahasa Inggris/asing dilakukan melalui dua tahap yaitu: (1)

penulisan

ringkasan (bukan abstrak) berbahasa Inggris/asing dari karya tulis ilmiah,

dan (2) presentasi dan diskusi dalam bahasa Inggris/asing. Ringkasan

berisi latar belakang, rumusan masalah, metodologi, hasil dan simpulan.

Ringkasan terdiri atas 500–750 kata, ditulis dengan menggunakan 1,5

spasi di kertas ukuran A4. Penulisan ringkasan bertujuan untuk menilai

kecakapan mahasiswa dalam menulis berbahasa Inggris/asing. Presentasi

dengan topik tertentu yang dilanjutkan dengan diskusi bertujuan untuk

menilai kemampuan mahasiswa dalam berkomunikasi lisan.

5. Kepribadian

Kisi-kisi penilaian terdiri atas: sikap sesuai dengan prestasi yang dicapai,

cenderung berpikiran maju, dan tidak menunjukkan perilaku yang tidak

patut. Hasil penilaian kepribadian dipertimbangkan sebagai pennetuan

kepatutan sebagai Mawapres tingkat Nasional.

BAB III

METODOLOGI PENELTIAN

Bab ini membahas metode yang digunakan dalam penelitian yang terdiri

dari studi pustaka, analisis data dari kasus, penerapan metode fuzzy tsukamoto,

dan metode analisis untuk pengambilan kesimpulan. Berikut ini diagram alir yang

menjelaskan bagaimana metodologi yang akan digunakan dalam Gambar 3.6.

30

YA

TIDAK

Prioritas Alternatif Keputusan

Pengambilan keputusan

Sukses

Analisa Pengujian

Pengolahan data dengan metode Fuzzy Inference System(FIS) Tsukamoto

Membuat SPK dengan metode Fuzzy Inference System(FIS) Tsukamoto

Data Penelitian

Analisa kebutuhan sistem

-Penentuan lokasi dan variabel penelitian-Menentukan kebtuhan data yang akan digunakan-Mempersiapkan data dan alat yang dibutuhkan

Implementasi sistem

Perancangan Sistem

Pengumpulan data

Studi Literatur

Gambar 3.6 Metodologi Penelitian SPK Pemilihan Mahasiswa BerprestasiSumber:[Perancangan]

31

1.1. Studi Literatur

Metode ini digunakan untuk mendapatkan dasar teori sebagai sumber

acuan untuk penyelesaian kasus dan penulisan makalah. Teori dan pustaka yang

berkaitan dengan laporan tugas akhir ini antara lain:

Sistem Pendukung Keputusan

Logika Fuzzy

Metode Fuzzy Tsukamoto

Penentuan Mahasiswa Berprestasi

Studi literatur menjelaskan dasar teori yang digunakan sebagai penunjang

dan pendukung penulisan penelitian ini, sumber atau referensi yang digunakan

antara lain buku, jurnal, laporan penelitian, dan mesin pencari (search engine)

internet.

1.2. Metode Pengambilan Data

Kasus yang dipilih merupakan penyelesaian kasus untuk pemilihan

mahasiswa berprestasi dengan metode Fuzzy Tsukamoto. Data mahasiswa ini

didapatkan dari wawancara dengan mahasiswa PTIIK Universitas Brawijaya.

Masukan atau inputan dari kasus ini berupa kriteria penilaian mahasiswa sehingga

dapat digunakan untuk pemilihan mahasiswa berprestasi. Adapun kriteria-kriteria

dalam pemilihan mahasiswa berprestasi tersebut antara lain:

1. IPK.

2. TOEFL.

3. Prestasi di suatu kegiatan.

4. Ekstrakurikuler

1.3. Analisa Kebutuhan

Analisis kebutuhan bertujuan untuk menganalisis dan mendapatkan semua

kebutuhan yang diperlukan dalam pembuatan Sistem Pendukung Keputusan untuk

pemilihan mahasiswa berprestasi dengan Metode Fuzzy Tsukamoto. Analisa

kebutuhan disesuaikan dengan lokasi dan variabel penelitian, menentukan

kebutuhan data yang akan digunakan, dan mempersiapkan alat dan bahan

penelitian. Metode analisis yang digunakan adalah Procedural Analysis dengan

32

menggunakan bahasa pemodelan prosedural. Pemrograman berbasis prosedur

merupakan teknik pemrograman yang dikembangkan berdasarkan algoritma untuk

memecahkan suatu masalah. Algoritma merupakan cara-cara yang ditempuh

dalam memanipulasi data sehingga masalah yang dihadapi bisa dipecahkan.

Dalam hal ini, menggunakan metode Fuzzy Tsukamoto dalam

pengimplementasiannya. Secara keseluruhan, kebutuhan yang digunakan dalam

pembuatan Sistem Pendukung Keputusan ini meliputi:

1. Kebutuhan Hardware, meliputi:

- Notebook

2. Kebutuhan Software, meliputi:

- Microsoft Windows 8 sebagai sistem operasi

- Notepad++ sebagai aplikasi untuk pembuatan sistem

3. Data yang dibutuhkan meliputi:

- Data kriteria mahasiswa berprestasi

- Data kriteria untuk masing-masing bobot penilaian mahasiswa

berprestasi.

1.4. Perancangan Sistem

Perancangan sistem dibangun berdasarkan hasil pengambilan data dan

analisis kebutuhan yang telah dilakukan. Pada Sistem Pendukung Keputusan ini,

perancangan aplikasi dilakukan untuk mempermudah implementasi, pengujian

dan analisis. Langkah-langkah yang dilakukan dalam perancangan sistem ini

adalah sebagai berikut:

1. Perancangan diagram blok Sistem Pendukung Keputusan

Diagram blok Sistem Pendukung Keputusan menjelaskan penguraian logis

dari fungsi-fungsi sistem dan hubungannya satu sama lain.

2. Perancangan subsistem manajemen berbasis pengetahuan

Subsistem manajemen berbasis pengetahuan berisi pengetahuan terkait

seleksi pemilihan mahasiswa berprestasi yang akan digunakan untuk

mendukung kebutuhan subsistem manajemen lainnya.

33

3. Perancangan subsistem manajemen data

Subsistem manajemen data mengatur penyimpanan data dalam database.

Perancangan database diawali dengan merancang Entity Relationship

Diagram dan membuat tabel-tabel beserta atribut-atribut masing-masing

tabel di dalam database.

4. Perancangan subsistem manajemen model

Subsistem manajemen model menjelaskan penggunaan metode Fuzzy

Tsukamoto sebagai model kecerdasan untuk pengambilan keputusan

rekomendasi terbaik. Subsistem manajemen model menjelaskan

penggunaan metode perhitungan bobot dari masing-masing variabel dalam

pemilihan mahasiswa berprestasi antara lain: IPK, TOEFL, Prestasi di

suatu kegiatan dan ekstrakurikuler. Penarikan kesimpulan sebagai model

penilaian seleksi pemilihan mahasiswa berprestasi untuk mendukung

pengujian SPK.

5. Perancangan subsistem antarmuka pengguna

Perancangan antarmuka pengguna dapat memudahkan pengguna dalam

menggunakan sistem yang dibangun.

6. Perancangan Algoritma

Perancangan algoritma metode Fuzzy Tsukamoto meliputi algoritma proses

pengolahan data kriteria, pengolahan data bobot, pengolahan data kriteria

mahasiswa, proses perhitungan Fuzzy Tsukamoto, dan proses pengambilan

keputusan.

1.4.1. Diagram Blok Sistem Pendukung Keputusan

Diagram blok sistem pendukung keputusan merupakan penguraian logis

dari fungsifungsi sistem dan memperlihatkan bagaimana bagian-bagian (blok-

blok) yang berbeda mempengaruhi satu sama lain. Interaksi ini digambarkan

dengan anak panah antar blok-blok. Sebuah sistem yang diberikan biasanya

direpresentasikan oleh beberapa model diagram blok yang berbeda tergantung

seberapa detail prosesnya. Garis besar perancangan blok diagram Sistem

Pendukung Keputusan dapat dilihat pada Gambar 3.7.

34

Diagram blok Sistem Pendukung Keputusan Pemilihan mahasiswa berprestasi

pada Gambar 3.7 terdiri dari beberapa blok proses, yaitu:

1. Input

Input pada sistem ini yaitu data mahasiswa sebagai parameter yang

digunakan untuk menyeleksi menyeleksi mahasiswa berprestasi, dan bobot

kriteria yang merupakan pembobotan dari pakar yang digunakan sebagai

acuan untuk perhitungan menggunakan metode Fuzzy Tsukamoto.

Kemudian menentukan variabel yang terkait dalam proses yang akan

ditentukan dan fungsi fuzzikasi yang sesuai. Pada kasus ini variabel yang

digunakan adalah IPK, TOEFL, PDSK, ekstrakurikuler dan hasil prediksi.

Kemudian menghitung nilai µ berdasarkan 4 kriteria penilaian, sehingga

diperoleh nilai crisp dari inputan.

2. Proses

Dengan menggunakan metode Fuzzy Tsukamoto, sistem akan memproses

data yang diinputkan sehingga akan menghasilkan rekomendasi mahasiswa

berprestasi sesuai ketentuan yang berlaku. Adapun langkah dari proses-

Gambar 3.7 Diagram Blok Sistem Pendukung KeputusanSumber:[Perancangan]

OUTPUTINPUT PROSES

Nilai Akhir dari Mahasiswa

Defuzzifikasi

Menentukan α

Menentukan derajat keanggotaan

Perhitungan Fuzzy Tsukamoto

Preproses Data

Data Mahasiswa

35

proses tersebut adalah dengan menentukan derajat keanggotaan, menghitung

α, dan defuzzifikasi.

3. Output

Output rekomendasi berupa hasil perhitungan dari nilai akhir dari


1.4.2. Perancangan Arsitektur Sistem Pendukung Keputusan

Sistem Pendukung Keputusan untuk pemilihan mahsiswa berprestasi dapat

melayani penyimpanan, pemrosesan, dan penggunaan informasi. Gambar 3.8

menunjukkan arsitektur aplikasi Sistem Pendukung Keputusan untuk Pemilihan

Mahasiswa Berprestasi.

Data External dan Internal

Organisasi Basis Pengetahuan

Manager(User)

Antarmuka pengguna

Subsistem Basis Pengetahuan


Data Mahasiswa

Internet, Intranet, Extranet

Sistem Basis Data Komputer

Gambar 3.8 Arsitektur SPK Pemilihan Mahasiswa BeprestasiSumber:[Perancangan]

36

Arsitektir Sistem Pendukung Keputusan Pemilihan mahasiswa berprestasi pada

Gambar 3.8 terdiri dari beberapa bagian, yaitu:

1. Perancangan subsistem manajemen berbasis pengetahuan

Subsistem manajemen berbasis pengetahuan berisi pengetahuan terkait

seleksi pemilihan mahasiswa berprestasi yang akan digunakan untuk

mendukung kebutuhan subsistem manajemen lainnya.

2. Perancangan subsistem manajemen data

Subsistem manajemen data mengatur penyimpanan data dalam database.

Perancangan database diawali dengan merancang Entity Relationship

Diagram dan membuat tabel-tabel beserta atribut-atribut masing-masing

tabel di dalam database.

3. Perancangan subsistem manajemen model

Subsistem manajemen model menjelaskan penggunaan metode Fuzzy

Tsukamoto sebagai model kecerdasan untuk pengambilan keputusan

rekomendasi terbaik. Subsistem manajemen model menjelaskan penggunaan

metode perhitungan bobot dari masing-masing variabel dalam pemilihan

mahasiswa berprestasi antara lain: IPK, TOEFL, dan Prestasi di suatu

kegiatan. Penarikan kesimpulan sebagai model penilaian seleksi pemilihan

mahasiswa berprestasi untuk mendukung pengujian SPK.

4. Perancangan subsistem antarmuka pengguna

Perancangan antarmuka pengguna dapat memudahkan pengguna dalam

menggunakan sistem yang dibangun.

5. Perancangan Algoritma

Perancangan algoritma metode Fuzzy Tsukamoto meliputi algoritma proses

pengolahan data kriteria, pengolahan data bobot, pengolahan data kriteria

mahasiswa, proses perhitungan Fuzzy Tsukamoto, dan proses pengambilan

keputusan.

1.5. Implementasi

Metode yang dipakai dalam penyelesaian kasus adalah dengan

menggunakan metode fuzzy tsukamoto. Gambar 3.9 merupakan gambaran umum

37

dalam penyelesaian kasus pemilihan mahasiswa berprestasi dengan menggunakan

metode fuzzy tsukamoto:

Adapun penjelasan dai flowchart pada Gambar 3.9 adalah sebagai berikut:

1. Input nilai IPK, TOEFL, Prestasi di suatu kegiatan, dan Ekstrakurikuler

Dalam perancangan sistem pendukung keputusan ini menggunakan inputan

dari kriteria penilaian mahasiswa dalam pemilihan mahasiswa berprestasi.

Kriteria tersebut merupakan parameter/ variabel-variabel yang digunakan

dalam penegasan pemilihan mahasiswa berprestasi. Adapun parameter/

variabel-variabel tersebut antara lain: IPK, TOEFL, Prestasi di suatu kegiatan,

dan ekstrakurikuler.

Selesai

Output hasilMahasiswa Berprestasi

Defuzzifikasi

Menghitung α

Menentukan derajat keanggotaan

Input nilai IPK, TOEFL, PSDK, dan Ekskul

Mulai

Gambar 3.9 Gambaran Umum Penyelesaian Kasus Pemilihan Mahasiswa BeprestasiSumber:[Perancangan]

38

2. Menentukan derajat keanggotaan

Setiap variabel sistem dalam himpunan fuzzy ditentukan derajat

keanggotaannya (µ). Dimana derajat keanggotaan tersebut menjadi nilai

dalam himpunan fuzzy.

3. Menghitung alpha aturan(α)

Variabel-variabel yang telah dimasukkan dalam himpunan fuzzy, dibentuk

aturan-aturan yang diperoleh dengan mengkombinasikan setiap variabel

dengan variabel yang satu dengan atribut lingusitiknya masing-masing.

Aturan-aturan yang telah diperoleh akan dihitung nilai predikat aturannya

dengan proses implikasi. Dalam metode Fuzzy Tsukamoto proses implikasi

dilakukan dengan operasi AND. Predikat aturan tersebut diperoleh dengan

mengambil nilai minimum dari derajat keanggotaan variabel yang satu

dengan variabel yang lain, yang telah dikombinasikan dalam aturan yang

telah ditentukan sebelumnya.

4. Defuzzifikasi

Setelah mendapatkan nilai α kemudian disubstitusikan pada fungsi

keanggotaan himpunan sesuai aturan fuzzy untuk memperoleh nilai z (nilai

perkiraan produksi. Kemudian lakukan perkalian nilai α dengan nilai z yang

disesuaikan berdasarkan rule yang ada. Metode defuzifikasi yang digunakan

dalam metode Tsukamoto adalah metode defuzifikasi rata-rata terpusat

(Center Average Defuzzyfier) yang dirumuskan pada persamaan(2-3):

5. Output hasil

Setelah melewati rangkaian proses seperti di atas, maka akan didapatkan hasil

proses yang berupa nilai dari mahasiswa(rendah, dan tinggi).

1.5.1. Perancangan Penyelesaian Kasus

Perancangan penyelesaian kasus adalah tahap penulis dalam merancang

suatu sistem yang mampu memenuhi semua penyelesaian kasus sehingga didapat

suatu hasil keputusan berdasarkan data yang diperoleh. Teori – teori dari pustaka

39

dan data sample digabungkan dengan ilmu yang didapat diimplementasikan untuk

merancang serta mengembangkan sistem pendukung keputusan pemilihan

mahasiswa berprestasi. Adapun perancangan sistem dari penyelesaian kasus ini

meliputi himpunan bahasa variabel, fungsi derajat keanggotaan.

Himpunan Bahasa Variabel

Himpunan bahasa variabel pada sistem pendukung keputusan pemilihan

mahasiswa berprestasi ini adalah sebagai berikut:

- IPK: rendah, tinggi.

- TOEFL: rendah, tinggi.

- Prestasi di suatu kegiatan: rendah, tinggi.

- Ekstrakurikuler: rendah, tinggi.

Fungsi Derajat Keanggotaan

Fungsi derajat keanggotaan ini meliputi: fungsi derajat keanggotaan

variabel IPK, fungsi derajat keanggotaan variabel TOEFL, fungsi derajat

keanggotaan variabel Prestasi di suatu kegiatan, dan fungsi derajat

keanggotaan variabel Rekomendasi mahasiswa berprestasi.

1.6. Pengujian

Pada tahap ini dilakukan pengujian kerja sistem yang telah dibuat agar

dapat menunjukkan bahwa perangkat lunak telah mampu bekerja sesuai dengan

spesifikasi dari kebutuhan yang melandasinya. Selanjutnya melakukan evaluasi

terhadap sistem sehingga mengetahui hasil dari sistem yang nantinya dijadikan

sebagai kesimpulan untuk hasil dari pembuatan Sistem Pendukung Keputusan

untuk Pemilihan Mahasiswa Berprestasi dengan Metode Fuzzy Tsukamoto.

Pengujian yang dilakukan meliputi:

1. Pengujian validasi sistem dengan melihat kesesuaian antara hasil

implementasi dan perancangan.

2. Pengujian akurasi matriks perbandingan berpasangan.

3. Pengujian akurasi SPK terhadap penelitian sebelumnya.

4. Pengujian akurasi data output SPK dengan membandingkan data output

sistem dan data output perhitungan pelanggan.

40

1.7. Pengambilan Keputusan

Pengambilan keputusan dilakukan setelah proses pengambilan keputusan

yang terbaik berhasil dilakukan, sehingga dapat diketahui apakah sistem

pendukung keputusan ini memiliki efektifitas atau tidak dalam penyelesaian

kasus.

BAB IV

ANALISA DAN PERANCANGAN SISTEM

Bab ini membahas mengenai analisis kebutuhan dan perancangan sistem

pendukung keputusan untuk pemilihan mahasiswa berprestasi menggunakan

metode fuzzy tsukamoto. Tahap perancangan yang perlukan terbagi menjadi

dua tahapan, yaitu perancangan kebutuhan perangkat lunak dan perancangan

sistem pendukung keputusan. Tahap analisis kebutuhan perangkat lunak meliputi

identifikasi aktor, daftar kebutuhan sistem dan use case diagram serta skenario

use case. Sedangkan tahap analisis perancangan sistem keputusan meliputi

perancangan subsistem basis pengetahuan, subsistem manjemen data, dan

subsistem manajemen model. Untuk lebih jelasnya dapat dilihat dalam pohon

perncangan seperti yang terlihat pada Gambar 4.10.

41

4.2.4. Perancangan Antarmuka

4.2.2. Basis Pengetahuan

4.2.1.Subsistem Manajemen Data

4.2.3. Manajemen Model

4.1.1. Identifikasi Aktor

4.1.4. Skenario Use Case

4.1.3. Use Case Diagram

4.1.2. Daftar Kebtuhan Sistem

4.2 Perancangan Sistem Pendukung Keputusan

4.1 Analisa Kebtuhan Perangkat Lunak

4 Analisa & Perancangan Sistem

Gambar 4.10 Pohon Perancangan SistemSumber: Perancangan

42

4.1. Analisa Kebutuhan Perangkat Lunak

Tahapan analisa kebutuhan sistem memiliki tujuan untuk memodelkan

informasi yang akan digunakan dalam tahapan perancangan. Analisa

kebutuhan sistem yang diperlukan meliputi identifikasi aktor, daftar

kebutuhan sistem dan use case diagram. Berikut ini merupakan penjelasan dari

masing-masing tahapannya.

4.1.1. Identifikasi Aktor

Tahapan ini bertujuan untuk mengidentifikasi aktor-aktor yang nantinya

akan berinteraksi dengan sistem. Pada kolom aktor disebutkan aktor-aktor

yang berperan dalam sistem dan pada kolom lainnya akan menunjukkan

deskripsi dari masing-masing aktor. Tabel 4.2 memperlihatkan aktor-aktor yang

berperan dalam sistem yang dilengkapi dengan penjelasannya yang merupakan

hasil dari proses identifikasi aktor.

Tabel 4.2 Identifikasi Aktor

Aktor Deskripsi Aktor

User User merupakan aktor yang ingin menggunakan aplikasi untuk

mendapatkan hasil tingkat keparahan dari penyakit periodontal.

User bisa merupakan dosen atau staf bagian akademik.

Sumber: Perancangan

4.1.2. Daftar Kebutuhan Sistem

Tahapan ini bertujuan untuk menjelaskan kebutuhan sistem yang

harus dipenuhi saat aktor melakukan sebuah aksi. Daftar kebutuhan ini terdiri

dari sebuah kolom yang merupakan hal-hal yang harus disediakan oleh

sistem, sedangkan pada kolom yang lain menunjukkan nama use case yang

menampilkan fungsionalitas masing-masing kebutuhan tersebut. Tabel 4.3

memperlihatkan daftar kebutuhan fungsionalitas pada sistem.

43

Tabel 4.3 Daftar Kebutuhan SistemKebutuhan Aktor Nama Use Case

Sistem harus

menyediakan pemilihan

menu

User Pilih menu

Sistem harus dapat

menyediakan dan

memberikan akses kepada

user untuk menginput

identititas dan data

pendukung yang

diperlukan sistem. Untuk

identitas terdiri dari:

nama, nim, dan jenis

kelamin. Sedangkan

untuk data pendukung

terdiri dari: IPK, TOEFL,

Prestasi di suatu kegiatan,

dan ekstrakurikuler.

User Input Identitas dan Data

Pendukung

Sistem harus

menyediakan antarmuka

untuk menampilkan hasil

perhitungan yang akurat

kepada user setelah

memasukkan identitas

dan data pendukung.

Hasil perhitungan ini

ditunjukkan dengan

menampilkan hasil akhir

melalui peringkat dari

tabel data mahasiswa

yang telah diinputkan

datanya.

User Lihat Tabel Data

Mahasiswa Berprestasi

Sistem harus

menyediakan antarmuka

untuk menampilkan

tentang tim pengembang

dari aplikasi.

User Lihat tentang kami

Sumber: Perancangan

44

4.1.3. Use Case Diagram

Diagram use case merupakan salah satu diagram yang digunakan

untuk menggambarkan kebutuhan-kebutuhan dan fungsionalitas dari sistem

serta digunakan untuk menunjukan aksi-aksi yang dilakukan oleh aktor dari

sistem. Gambar 4.11 merupakan diagram use case sistem pendukung keputusan

pemilihan mahasiswa berprestasi yang menunjukkan spesifikasi fungsionalitas

yang disediakan oleh sistem dari segi aktor User.

uc Primary Use Cases

Sistem Pendukung Keputusan Pemilihan Mahasiswa Beprestasi

Pilih Menu

User

Input Identitas dan Data Pendukung

Lihat Tabel Data Mahasiswa Berprestrasi

Lihat tentang kami

Gambar 4.11 Use Case Diagram SPK Pemilihan Mahasiswa BeprestasiSumber: Perancangan

Pada use case diatas, dapat dideskripsikan sebagai berikut:

1. User merupakan aktor.

2. User dapat melakukan pilih menu, apakah hendak input identitas dan data

pendukung atau lihat tabel data mahasiswa beprestasi atau lihat tentang kami.

3. User dapat melakukan input identitas dan data pendukung, input identitas

terdiri dari nama, nim, dan jenis kelamin, sedangkan input data pendukung

terdiri dari IPK, TOEFL, Prestasi di suatu kegiatan dan Ekstrakurikuler.

4. User melanjutkan dengan menekan tombol Proses Perhitungan.

45

5. Sistem akan memprosesnya dan akan menampilkan output tabel data


6. User juga dapat melihat tentang siapa saja yang mengembangkan aplikasi

sistem pendukung keputusan ini dengan cara menekan tombol tentang kami .

4.1.4. Skenario Use Case

Masing-masing use case yang terdapat pada diagram use case tersebut

akan dijabarkan dalam skenario use case secara mendetail. Pada skenario use case

tersebut, akan diberikan uraian nama use case, aktor yang berhubungan dengan

use case tersebut, tujuan dari use case, deskripsi global tentang use case, kondisi

awal yang harus dipenuhi dan kondisi akhir yang diharapkan setelah berjalannya

fungsional use case. Pada skenario use case juga akan diberikan uraian yang

berkaitan dengan tanggapan dari sistem atas suatu aksi yang di berikan oleh aktor

( aliran utama ). Skenario use case juga terdapat kejadian alternatif yang

merupakan jalannya sistem jika terdapat kondisi tertentu (aliran alternatif).

1. Use case pilih menu

Pada use case pilih menu, akan dijelaskan secara detail tentang proses

pemilihan menu yang akan dilakukan oleh user. Tabel 4.4 merupakan

skenario use case pilih menu.

Tabel 4.4 Skenario Use Case Pilih Menu

Use Case Pilih Menu.

Aktor User.

Tujuan Melakukan proses pemilihan menu untuk

menentukan langkah apa yang akan

dilakukan sistem selanjutnya.

Deskripsi Use case ini mendeskripsikan bagaimana

user melakukan pemilihan menu. Menu-

menu tersebut terdiri dari Input Data, Lihat

Tabel Mahasiswa Beprestasi dan Tentang

Kami.

Kondisi User telah mengetahui apa yang hendak

46

Awal dilakukan terhadap sistem.

Kondisi

Akhir

User dapat mengakses ke halaman atau form

selanjutnya.

Sumber: Perancangan

2. Use case Input Identitas dan Data Pendukung

Pada use case input identitas dan data pendukung, akan dijelaskan secara

detail tentang bagaiamana user menginput data identitas dan data pendukung.

Tabel 4.5 merupakan skenario use case input identitas dan data pendukung.

Tabel 4.5 Skenario Use Case Input Identitas dan Gejala

Use Case Input Identitas dan Data Pendukung

Aktor User

Tujuan Melakukan proses peng-input-an data

identitas dan data pendukung.


user melakukan peng-input-an data identitas

dan data pendukung. Input identitas terdiri

dari nama, nim, dan jenis kelamin.

Sedangkan input data pendukung terdiri dari

IPK, TOEFL, dan Prestasi di suatu kegiatan.

Kondisi

Awal

User melihat tampilan berupa form kosong,

sehingga user dapat meng-input-kan data

identitas dan data pendukung.

Kondisi

Akhir

User telah menginputkan identitas dan data

pendukung.

Sumber: Peracangan

3. Use case Lihat Tabel Mahasiswa Berprestasi

Pada use case lihat tabel mahasiswa berprestasi, akan dijelaskan secara detail

bagaimana data-data yang telah dimasukkan kemudian dicari hasil

perhitungan akhir yang akan ditampilkan oleh sistem dalam bentuk tabel

47

kepada user. Tabel 4.6 merupakan skenario use case lihat tabel mahasiswa

berprestasi.

Tabel 4.6 Skenario Use Case Lihat Tabel Mahasiswa Berprestasi

Use Case Lihat Tabel Mahasiswa Berprestasi

Aktor User

Tujuan Menampilkan tabel mahasiswa berprestasi

serta hasil akhir kepada user.


user melihat hasil perhitungan yang telah

dilakukan oleh sistem ketika user menekan

tombol Proses Perhitungan atau Lihat

Tabel Mahasiswa Berprestasi. Sistem akan

menampilkan data identitas dari

mahasiswa dan menampilkan hasil akhir

dalam bentuk tabel.

Kondisi

Awal

User telah menekan tombol Proses

Perhitungan atau Lihat Tabel Mahasiswa

Berprestasi.

Kondisi

Akhir

User dapat mengetahui peringkat

mahasiswa berprestasi dari data yang telah

dimasukkan.

Sumber: Perancangan

4. Use case Lihat Tentang Kami

Pada use case lihat tentang kami, akan dijelaskan secara detail apa yang akan

ditampilkan oleh sistem kepada user ketika memilih tombol tentang kami.

Tabel 4.7 merupakan skenario use case lihat tentang kami.

Tabel 4.7 Skenario Use Case Lihat Tentang Kami

Use Case Lihat tentang kami

Aktor User

Tujuan Menampilkan isi dari halaman tentang kami

berupa siapa saja pengembang dari aplikasi.

48

Deskripsi Use case ini mendeskripsikan bagaimana user

melihat siapa saja pengembang dari aplikasi

ketika user menekan tombol Tentang Kami.

Kondisi

Awal

User telah menekan tombol Tentang Kami.

Kondisi

Akhir

User dapat mengetahui siapa saja pengembang

dari aplikasi sistem pendukung keputusan ini.

Sumber: Perancangan

4.2. Perancangan Sistem Pendukung Keputusan

Tahapan perancangan sistem pendukung keputusan di sini merupakan

tahapan yang betujuan untuk mengubah model informasi yang telah dibuat pada

tahapan analisa kebutuhan sistem. Perancangan yang dilakukan adalah

perancangan untuk seluruh subsistem yang terdapat dalam arsitektur sistem

pendukung keputusan untuk pemilihan mahasiswa berprestasi yang terdapat pada

Gambar 4.12. Dalam perancangan Sistem Pendukung keputusan ini terdapat

subsistem-subsistem yang mempermudah dalam menjabarkan peracangan sistem

ini. Subsistem yang terdapat dalam perancangan sistem pendukung keputusan ini

antara lain: Manajemen data, Basis Pengetahuan, Manajemen Model dan

Perancangan Antarmuka(interface).

Data External dan

Organisasi Basis Pengetahuan

Manager(User)

Antarmuka

Subsistem Basis Pengetahuan


Data Mahasiswa

Internet, Intranet, Extranet

Sistem Basis

Data

Gambar 4.12 Peracangan SPK Pemilihan Mahasiswa BerprestasiSumber: Perancangan

49

4.2.1. Subsistem Manajemen Data

Perancangan yang dibutuhkan dalam sistem manajemen data ini adalah

proses aliran data dan basis data. Untuk lebih detailnya subsistem manajemen data

menggunakan beberapa permodelan data, yaitu Context Diagram, dan Data Flow

Diagram(DFD). Context Diagram digunakan untuk merancangan gambaran

umum dari sistem. Sedangkan DFD digunakan pada proses perancangan aliran

data.

4.2.1.1.Context DiagramContext Diagram / diagram konteks merupakan gambaran umum aliran

data yang terdapat dalam sistem pendukung keputusan untuk pemilihan

mahasiswa berprestasi dengan menggunakan Fuzzy Tsukamoto. Context Diagram

juga dikenal sebagai DFD Level 0. Karena hanya ada satu aktor saja dalam

perancangang diagram use case yang sudah dijelaskan sebelumnya, maka dari itu

aliran data hanya berasal dari aktor user saja. Diagram konteks dapat dilihat dalam

Gambar 4.13.

Terdapat beberapa penggunaan paket data pada konteks diagram di atas,

diantaranya sebagai berikut:

Paket Data Identitas yaitu paket data yang digunakan sebagai identitas

dari mahasiswa agar data tersebut bersifat unik dan memiliki perbedaan

dengan data input yang lain.

Paket Data Utama yaitu paket data yang berisi data-data dari variabel

masukan. Adapun data-data dari variabel masukan tersebut antara lain:

- Data Nilai IPK

- Data Nilai TOEFL

- Data Nilai Prestasi di suatu kegiatan

User0

SPK Pemilihan Mahasiswa

Berprestasi dengan fuzzy Tsukamoto

Data Utama

Data Identitas

Gambar 4.13 Context Diagram SPK Pemilihan Mahasiswa BerprestasiSumber: [Perancangan]

50

- Data Nilai Ekstrakurikuler

4.2.1.2.Data Flow Diagram

Data Flow Diagram digunakan untuk menggambarkan aliran data dalam

sistem pendukung keputusan untuk pemilihan mahasiswa berprestasi. Proses yang

terjadi antara user dengan sistem digambarkan melalui diagram konteks di

atas(DFD level 0), DFD Level 1, dan DFD Level 2.

4.2.1.2.1. DFD Level 1

Proses aliran data pada DFD Level 1 ini merupakan gambaran lebih

spesifik dari diagram konteks yang telah dijelaskan sebelumnya. Proses

pengolahan data DFD Level 1 pada sistem ini dapat dilihat pada Gambar 4.14.

RuleVariabel

User

4.0Perolehan

Hasil Prediksi

3.0Perhitungan

Seleksi

2.0Setting

Rule

1.0Setting

Variabel

Data variabel

Data variabel

Data variabel

Data rule

Data rule

Data rule

Data Prediksi

Hasil Prediksi

Gambar 4.14 DFD Level 1Sumber:[Perancangan]

51

Proses pengolahan data pada sistem pendukung keputusan pemilihan mahasiswa

berprestasi ini terdiri dari empat proses, antara lain sebagai berikut:

a. Proses Setting Variabel merupakan proses yang dilakukan user. Sistem

akan memberikan tampilan antarmuka untuk proses setting variabel.

Setelah itu baru memilih variabel mana yang akan digunakan, kemudian

menyimpan data variabel yang akan digunakan tersebut ke dalam tabel

variabel yang kemudian digunakan untuk proses perhitungan.

b. Proses Setting Rule merupakan proses yang dilakukan user. Sistem akan

memberikan tampilan antarmuka untuk proses setting rule. Setelah itu baru

memilih rule mana yang akan digunakan, kemudia menyimpan data rule

yang akan digunakan tersebut ke dalam tabel rule yang kemudian

digunakan untuk proses perhitungan.

c. Proses Perhitungan Seleksi merupakan proses yang dilakukan user.

Sistem akan memberikan tampilan antarmuka untuk proses perhitungan

seleksi, yaitu berupa form inputan untuk pengisian data-data mahasiswa

yang digunakan sebagai acuan dalam pemilihan mahasiswa berprestasi.

Adapun inputan yang dimasukkan yaitu nilai IPK, TOEFL, Prestasi di

Suatu Kegiatan Nasional(PSDK), dan Ekstrakurikuler/Organisasi. Setelah

inputan dimasukkan barulah dilakukan proses perhitungan.

d. Proses Perolehan Hasil Prediksi merupakan prose yang dilakukan oleh

user untuk melihat hasil prediksi apakah mahasiswa tersebut termasuk

dalam mahasiswa berprestasi atau tidak.

4.2.1.2.2. DFD Level 2

Proses aliran data pada Level 2 ini merupakan lanjutan dari DFD Level 1

sebelumnya. Beberapa proses pengolahan data akan dijelaskan lebih spesifik pada

tiap proses yang terdapat pada aliran data di level sebelumnya.

52

DFD Level 2 Setting Variabel

Pada proses ini user dapat melakukan setting terhadap variabel dalam

sistem. User dapat memilih variabel dan menetapkan variabel yang telah

dipilih tersebut kemudian menyimpan ke dalam tabel variabel seperti yang

terdapat pada Gambar 4.15 berikut.

DFD Level 2 Setting Rule

Pada proses ini user dapat melakukan setting terhadap rule dalam

sistem. User dapat memilih rule dan menetapkan rule yang telah dipilih

tersebut kemudian menyimpan ke dalam tabel rule seperti yang terdapat pada

Gambar 4.16 berikut.

Variabel

User

1.2Tetapkan Variabel

1.1Pilih

Variabel

Data variabel

Data variabel

Data Variabel

Rule

User

2.2Tetapkan

Rule

2.1Pilih Rule

Data rule

Data rule

Data Rule

Gambar 4.15 DFD Level 2 Proses Setting VariabelSumber:[Perancangan]

Gambar 4.16 DFD Level 2 Proses Setting RuleSumber:[Perancangan]

53

DFD Level 2 Perhitungan Seleksi

Pada proses ini user yang telah menginputkan data kemudian dapat

menyerahkan perhitungan hasil kepada sistem. Proses perhitungan dilakukan

dengan menggunakan metode Fuzzy Tsukamoto seperti yang terdapat pada

Gambar 4.17 berikut. Setelah proses perhitungan selesai dilakukan barulah

sistem akan memberikan hasil prediksi kepada user.

4.2.2. Basis Pengetahuan

Basis pengetahuan adalah suatu jenis basis data yang dipergunakan untuk

manajemen pengetahuan. Basis data ini menyediakan fasilitas untuk koleksi,

organisasi, dan pengambilan pengetahuan terkomputerisasi. Hal terpenting dari

suatu basis pengetahuan adalah kualitas informasi yang dikandungnya.Berikut

basis pengetahuan yang digunakan dalam penelitian ini.

Himpunan Bahasa Variabel

Himpunan Bahasa Variabel pada sistem pendukung keputusan ini terdiri dari:

- IPK= rendah, tinggi.

- TOEFL = rendah, tinggi.

- Prestasi di suatu kegiatan= rendah, tinggi.

- Ekstrakurikuler = rendah, tinggi.

Perolehan Data Beserta Rentang Nilai

Data-data yang diperoleh antara lain nama, nim, jenis kelamin, IPK, TOEFL,

Prestasi di suatu kegiatan, dan Ekstrakurikuler. Namun data yang

User

3.4Perolehan

Hasil Prediksi

3.3Defuzzifikasi

3.2Agregasi

Rule

3.1Inferensi

Fuzzy

Data crisp mahasiswa Data Fuzzy

Data Fuzzy

Hasil Prediksi

Data crisp hasil

Gambar 4.17 DFD Level 2 Proses Perhitungan SeleksiSumber:[Perancangan]

54

dipergunakan untuk perhitungan antara lain: IPK, TOEFL, Prestasi di suatu

kegiatan dan Ekstrakurikuler, dimana data tersebut dipergunakan sebagai

variabel masukan. Klasifikasi variabel tersebut antara lain[Wawancara]:

a. IPK

≤ 3,00 = rendah

≥ 3,50 = tinggi

b. TOEFL

≤ 420 = rendah

≥ 520 = tinggi

c. Prestasi di suatu kegiatan

≤ 2 = rendah

≥ 5 = tinggi

d. Ekstrakurikuler

≤ 2 = rendah

≥ 5 = tinggi

Pembentukan Fungsi Derajat Keanggotaan

Pembentukan fungsi derajat keanggotaan meruakan pengelompokkan dari

masing-masing variabel dengan masing-masing nilai tertentu. Variabel yang

digunakan antara lain: IPK, TOEFL, Prestasi di suatu kegiatan, dan

Ekstrakurikuler. Selanjunya akan dijabarkan fungsi keanggotaan dari masing-

masing variabel.

a. Fungsi Derajat Keanggotaan Variabel IPK

Himpunan variabel IPK ini terdiri dari: rendah dan tinggi. Fungsi derajat

keanggotaan dari variabel IPK didefinisikan pada persamaan (4-4) dan (4-

5).

µIPK (rendah ) ( x )={ 1 ; x≤ 3,00(3,50−x )

0,5;3,00 ≤ x ≤ 3,50

0 ; x≥ 3,50

...................(4-4)

55

µIPK ( tinggi ) ( x )={ 0 ; x≤ 3,00(x−3,00)

0,50;3,00 ≤ x ≤3,50

1 ;x ≥ 3,50

..................(4-5)

3 3.50

0.2

0.4

0.6

0.8

1

1.2

RendahTinggi

nILAI IPK

nILA

I dE

RA

JAT

KEA

NG

GO

TAA

N

Gambar 4.18 Grafik Fungsi Keanggotaan IPKSumber: [Perancangan]

b. Fungsi Derajat Keanggotaan Variabel TOEFL

Himpunan variabel TOEFL ini terdiri dari: rendah dan tinggi. Fungsi

derajat keanggotaan dari variabel TOEFL didefinisikan pada persamaan

(4-6), dan (4-7).

µTOEFL (rendah ) ( x )={ 1; x ≤ 420(520−x)

100; 420 ≤ x ≤520

0 ; x≥ 520

..................(4-6)

µTOEFL ( tinggi ) ( x )={ 0 ;x ≤ 420(x−420)

100;420≤ x≤ 520

1 ;x ≥ 520

..................(4-7)

56

420 5200

0.2

0.4

0.6

0.8

1

1.2

RendahTinggi

nILAI TOEFL

nILA

I dE

RA

JAT

KEA

NG

GO

TAA

N

Gambar 4.19 Grafik Fungsi Keanggotaan TOEFLSumber: [Perancangan]

c. Fungsi Derajat Keanggotaan Variabel PDSK

Himpunan variabel Prestasi di Suatu Kegiatan(PDSK) ini terdiri dari:

rendah dan tinggi. Fungsi derajat keanggotaan dari variabel PDSK

didefinisikan pada persamaan (4-8), dan (4-9).

µPDSK (rendah ) ( x )={ 1 ; x≤ 2(5− x)

3;2 ≤ x ≤5

0 ; x ≥5

..........................(4-8)

µPDSK (tinggi)(x )={ 0 ;(x−2)

3;

1 ;

x≤ 22≤ x≤ 5

x≥ 5 ..........................(4-9)

2 50

0.2

0.4

0.6

0.8

1

1.2

RendahTinggi

nILAI PDSK

nILA

I dE

RA

JAT

KEA

NG

GO

TAA

N

57

Gambar 4.20 Grafik Fungsi Keanggotaan PDSKSumber: [Perancangan]

d. Fungsi Derajat Keanggotaan Variabel Ekskul

Himpunan variabel Ekstrakurikuler(Ekskul) ini terdiri dari: rendah dan

tinggi. Fungsi derajat keanggotaan dari variabel Ekskul ini didefinisikan

pada persamaan (4-10), dan (4-11).

µEkskul (rendah ) ( x )={ 1 ; x≤ 2(5−x )

3;2 ≤ x ≤5

0 ; x≥ 5

......................(4-10)

µEkskul (tinggi)(x )={ 0 ;(x−2)

3;

1;

x≤ 22≤ x≤ 5

x≥ 5 ......................(4-11)

2 50

0.2

0.4

0.6

0.8

1

1.2

RendahTinggi

nILAI Ekskul

nILA

I dE

RA

JAT

KEA

NG

GO

TAA

N

Gambar 4.21 Fungsi Keanggotaan EkskulSumber: [Perancangan]

e. Fungsi Derajat Keanggotaan Variabel Hasil Prediksi

Himpunan variabel Hasil Prediksi(HP) ini terdiri dari: rendah dan tinggi.

Fungsi derajat keanggotaan dari variabel Hasil Prediksi didefinisikan pada

persamaan (4-12), dan (4-13).

58

µHP (rendah ) (x )={ 1 ;x ≤ 5(8−x )

3;5≤ x≤ 8

0 ; x≥ 8

.............................(4-12)

µHP (tinggi )(x)={ 0 ;(x−5)

3;

1 ;

x ≤ 55 ≤ x≤ 8

x ≥ 8 .............................(4-13)

5 80

0.2

0.4

0.6

0.8

1

1.2

RendahTinggi

nILAI HAsil prediksi

nILA

I dE

RA

JAT

KEA

NG

GO

TAA

N

Gambar 4.22 Grafik Fungsi Keanggotaan Hasil PrediksiSumber: [Perancangan]

Pembentukan Rule

Setelah melakukan pembentukan fungsi keanggotaan fuzzy, selanjutnya

membentuk aturan(rule) yang sesuai dengan data-data yang ada. Rule

merupakan serangkaian aturan yang digunakan sebagai dasar penghitungan

yang akan dilakukan metode Fuzzy Tsukamoto.

Tabel 4.8 Rule Pemilihan Mahasiswa Berprestasi

59

Sumber: [Perancangan]

4.2.3. Manajemen Model

Manajemen model merupakan tahapan proses penerapan model yang

digunakan pada penelitian ini. Model yang digunakan adalah fuzzy dengan metode

Tsukamoto. Manajemen model pada penelitian ini melibatkan berbagai proses

atau tahapan mulai awal hingga akhir penerapan Metode Tsukamoto. Pada

Gambar 4.23 dapat dilihat alur kerja dari Fuzzy Tsukamoto.

Hasil perhitungan Nilai Akhir

Mulai

Defuzzifikasi

Fuzzifikasi

Input Data Nama, NIM, JK, IPK, TOEFL, PDSK, EKSKUL

No. IPK TOEFL PDSK EkskulHasil

PrediksiR[1] rendah rendah rendah rendah rendahR[2] rendah rendah rendah tinggi rendahR[3] rendah rendah tinggi rendah rendahR[4] rendah rendah tinggi tinggi rendahR[5] rendah tinggi rendah rendah rendahR[6] rendah tinggi rendah tinggi rendahR[7] rendah tinggi tinggi rendah rendahR[8] rendah tinggi tinggi tinggi TinggiR[9] tinggi rendah rendah rendah RendahR[10] tinggi rendah rendah tinggi TinggiR[11] tinggi rendah tinggi rendah TinggiR[12] tinggi rendah tinggi tinggi TinggiR[13] tinggi tinggi rendah rendah TinggiR[14] tinggi tinggi rendah tinggi TinggiR[15] tinggi tinggi tinggi rendah TinggiR[16] tinggi tinggi tinggi tinggi Tinggi

60

Secara umum sistem pendukung keputusan pemilihan mahasiswa berprestasi ini

dapa digambarkan melalui alur kerja dengan tahapan-tahapan sebagai berikut:

1. Input data masukan nama, nim, IPK, TOEFL, PDSK, dan Ekskul.

2. Melakukan proses fuzzifkasi

3. Melakukan proses defuzzifikasi

4. Penghitungan nilai hasil akhir

4.2.3.1.Perancangan Diagram Alir dan Algoritma Berikut ini merupakan perancangan diagram alir dan algoritma yang akan

diimplementasikan. Adapun perancangan diagram alir dan algoritma ini terdiri

dari algoritma fuzzifikasi, defuzzifikasi, dan proses pengambilan keputusan. Pada

bagian berikut akan dijelaskan lebih detail.

Diagram Alir Algoritma Fuzzifikasi dalam Sistem

Gambar 4.23 Alur Kerja Fuzzy TsukamotoSumber: [Perancangan]

Hasil perhitungan nilai α dan z

Mulai

Perhitungan nilai α dan z

Inferensi ke dalam 16 rule

Menerima data nilai IPK, TOEFL, PDSK, dan EKSKUL

61

Pseudocode Algoritma Fuzzifikasi dalam Sistem

DESKRIPSI:Penerapan algoritm Fuzzifikasi di dalam SPK Pemilihan mahasiswa berprestasi.

DEKLARASI:

Double: IPK, TOEFL, PDSK, EKSKUL Double: nilaiIPK, nilaiTOEFL, nilaiPDSK, nilaiEKSKUL Double: bIPK, bTOEFL, bPDSK, bEKSKUL Double: alfa[], Z[] Double: w, x, y, z, min

MASUKAN:

Variabel IPK, TOEFL, PDSK, dan EKSKUL telah terisi semua dan dikirim ke variabel nilaiIPK, nilaiTOEFL, nilaiPDSK, nilaiEKSKUL.

PROSES:

1. Variabel yang dinputkan berhasil diterima2. Setalah variabel diterima, kemudian dimasukan ke dalam rule

untuk dicari nilai alfanya, dalam hal ini dimasukkan ke variabel alfa[0],..., alfa[15] yang didapatkan dengan mencari nilai min(findMin) dari rule masing-masing.

3. Setelah didapatkan nilai alfa[0],...,alfa[15], baru kemudian menghitung nilai z[0],...,z[15]. Nilainya z[0],...,z[15] didapatkan dari fungsi getKelayakanRendah.

KELUARAN:

Nilai alfa(alfa[0],...,alfa[15]) Nilai z(z[0],...,z[15])

Gambar 4.25 Pseudocode Algoritma FuzzifikasiSumber:[Perancangan]

Diagram Alir Algoritma Defuzzifikasi dalam Sistem

Gambar 4.24 Diagram Alir Algoritma FuzzifikasiSumber:[Perancangan]

Mulai

Perhitungan nilai Z:

Mendapat hasil perhitungan alfa[0]..alfa[15] dan z[0]...z[15]

62

Pseudocode Algoritma Defuzzifikasi dalam Sistem

DESKRIPSI:Penerapan algoritma Defuzzifikasi di dalam SPK Pemilihan mahasiswa berprestasi.

DEKLARASI:

Double: alfa[], Z[], temp1, temp2, zA Int: i

MASUKAN:

Nilai alfa(alfa[0],...,alfa[15]) Nilai z(z[0],...,z[15])

PROSES:

1. Nilai alfa[0],...,alfa[15] dan z[0],...,z[15] berhasil didapatkan.

2. Nilai Z dihitung dengan cara ∑alfa[n]*z[n]/alfa[n]3.

KELUARAN:

Nilai Z Akhir(zA).

Gambar 4.27 Pseudocode Algoritma DefuzzfikasiSumber:[Perancangan]

Diagram Alir Algoritma Proses Pengambilan Keputusan dalam Sistem

Perhitungan nilai Z:

Gambar 4.26 Diagram Alir Algoritma DefuzzifikasiSumber:[Perancangan]

63

Pseudocode Algoritma Proses Pengambilan Keputusan dalam Sistem

DESKRIPSI:Penerapan algoritma proses pengambilan keputusan di dalam SPK Pemilihan mahasiswa berprestasi.

DEKLARASI:

Double: kelayakan2, kelayakan String: Hasil, zA

MASUKAN:

Nilai dari Z Akhir (zA)

PROSES:

1. Mendapatkan nilai Z Akhir(zA)2. Melakukan perbandingan jika nilai kelayakan <6.5 maka hasil

prediksi rendah, selain itu maka hasil prediksi tinggi.

KELUARAN:

Hasil Prediksi yaitu Tinggi atau Rendah

Gambar 4.29 Pseudocode Algoritma Proses Pengambilan KeputusanSumber:[Perancangan]

4.2.3.2.Perhitungan dengan Metode Fuzzy TsukamotoModel kasus perhitungan penentuan mahasiswa berprestasi menggunakan

fuzzy Tsukamoto berdasarkan wawancara dengan data input sebagai berikut:

Hasil Prediksi Rendah

Jika zA<6.5

Hasil Prediksi Tinggi

Selesai

Mulai

Mendapat nilai Z Akhir(zA)

Ya Tidak

Gambar 4.28 Diagram Alir Algoritma Proses Pengambilan KeputusanSumber:[Perancangan]

64

Nama : Andriyanto

NIM : 115060813111002

Jenis Kelamin : Laki-laki

IPK : 3,7

TOEFL : 480

PSDK : - Juara 1 Islamic Fair 2013

- Juara 2 Comfest 2014

Bobot =5(3+2)

Ekskul : - RAION Studio

Ket:

PSDK Bobot PSDKJuara 1 3Juara 2 2Juara 3 1

Langkah 1 :

Menentukan variabel yang terkait dalam proses yang akan ditentukan dan

fungsi fuzzikasi yang sesuai. Pada kasus ini variabel yang digunakan adalah IPK,

TOEFL, PDSK dan hasil prediksi. Kemudian menghitung nilai µ berdasarkan 4

kriteria penilaian.

1. Derajat Keanggotaan IPK

µ IPK rendah (3,7)

µ IPK rendah (3,7) = 0

Perhitungan µ IPK rendah berasal dari logika persamaan jika x ≥3,50

dimana x merupakan nilai IPK yaitu 3,7. Sehingga di dapatkan hasil 0.

µ IPK tinggi (3,7)

µ IPK tinggi (3,7) = 1

Perhitungan µ IPK tinggi berasal dari logika persamaan jika x ≥3,50

dimana x merupakan nilai IPK yaitu 3,7. Sehingga di dapatkan hasil 1.

2. Derajat Keanggotaan TOEFL

µ TOEFL rendah (480)

65

µ TOEFL rendah (480)= (520−480)

100

= 0,4

Perhitungan µ TOEFL rendah berasal dari logika persamaan jika

420 ≤ x≤ 520 dimana x merupakan nilai TOEFL yaitu 480. Sehingga di

dapatkan hasil 0,4.

µ TOEFL tinggi (480)

µ TOEFL tinggi (480) = (480−420)

100

= 0,6

Perhitungan µ TOEFL tinggi berasal dari logika persamaan jika

420 ≤ x≤ 520 dimana x merupakan nilai TOEFL yaitu 480. Sehingga di

dapatkan hasil 0,6.

3. Derajat Keanggotaan PDSK

µ PDSK rendah (5)

µ PDSK rendah (5) = 0

Perhitungan µ PDSK rendah berasal dari logika persamaan jika x ≥5

dimana x merupakan nilai PDSK yaitu 5. Sehingga di dapatkan hasil 0.

µ PDSK tinggi (5)

µ PDSK tinggi (5) = 1

Perhitungan µ PDSK tinggi berasal dari logika persamaan jika x ≥5

dimana x merupakan nilai PDSK yaitu 5. Sehingga di dapatkan hasil 1.

4. Derajat Keanggotaan Ekskul

µ Ekskul rendah (1)

µ Ekskul rendah (1) = 1

Perhitungan µ Ekskul rendah berasal dari logika persamaan jika x ≤ 2

dimana x merupakan nilai Ekskul yaitu 1. Sehingga di dapatkan hasil 1.

µ Ekskul tinggi (1)

µ Ekskul tinggi (1) = 0

66

Perhitungan µ Ekskul tinggi berasal dari logika persamaan jika x ≤ 2

dimana x merupakan nilai Ekskul yaitu 1. Sehingga di dapatkan hasil 0.

Langkah 2 :

Melakukan inferensi/fuzzifikasi dengan menggunakan rule-rule yang

telah ditetapkan. Inferensi dilakukan sebanyak 8 kali sesuai dengan jumlah rule

yang ada.

[R1] IF IPK rendah AND TOEFL rendah AND PDSK rendah AND Ekskul

rendah THEN HP rendah

Nilai keanggotaan anteseden untuk aturan fuzzy [R1] yang dinotasikan

dengan α1 diperoleh dengan rumus sebagai berikut:

α1 = min(µ IPK Rendah, µ TOEFL Rendah, µ PDSK Rendah, µ Eksul

Rendah)

= min(0, 0.4, 0, 1)

= 0

Menurut Fungsi keanggotaan himpunan Hasil Prediksi(HP) rendah dalam

aturan fuzzy [R1], maka nilai z1 adalah:

z1 = zmax – α1(zmax – zmin )

= 8 – 0(8 – 5)

= 8

[R2] IF IPK rendah AND TOEFL rendah AND PDSK rendah AND Ekskul tinggi

THEN HP rendah



α2 = min(µ IPK Rendah, µ TOEFL Rendah, µ PDSK Rendah, µ Eksul

Tinggi)

= min(0, 0.4, 0, 0)

= 0



67


= 8 – 0(8 – 5)

= 8

[R3] IF IPK rendah AND TOEFL rendah AND PDSK tinggi AND Ekskul rendah

THEN HP rendah



α3 = min(µ IPK Rendah, µ TOEFL Rendah, µ PDSK Tinggi, µ Eksul

Rendah)

= min(0, 0.4, 1, 1)

= 0




= 8 – 0(8 – 5)

= 8

[R4] IF IPK rendah AND TOEFL rendah AND PDSK tinggi AND Ekskul tinggi

THEN HP rendah



α4 = min(µ IPK Rendah, µ TOEFL Rendah, µ PDSK Tinggi, µ Eksul

Tinggi)

= min(0, 0.4, 1, 0)

= 0



Z4= zmax – α4(zmax – zmin )

= 8 – 0(8 – 5)

= 8

68

[R5] IF IPK rendah AND TOEFL tinggi AND PDSK rendah AND Ekskul rendah

THEN HP rendah



α5 = min(µ IPK Rendah, µ TOEFL Tinggi, µ PDSK Rendah, µ Eksul

Rendah)

= min(0, 0.6, 0, 1)

= 0




= 8 – 0(8 – 5)

= 8

[R6] IF IPK rendah AND TOEFL tinggi AND PDSK rendah AND Ekskul tinggi

THEN HP rendah



α6 = min(µ IPK Rendah, µ TOEFL Tinggi, µ PDSK Rendah, µ Eksul

Tinggi)

= min(0, 0.6, 0, 0)

= 0




= 8 – 0(8 – 5)

= 8

[R7] IF IPK rendah AND TOEFL tinggi AND PDSK tinggi AND Ekskul rendah

THEN HP rendah



69

α7 = min(µ IPK Rendah, µ TOEFL Tinggi, µ PDSK Tinggi, µ Eksul

Rendah)

= min(0, 0.6, 1, 1)

= 0



Z7= zmax – α7(zmax – zmin )

= 8 – 0(8 – 5)

= 8

[R8] IF IPK rendah AND TOEFL tinggi AND PDSK tinggi AND Ekskul tinggi

THEN HP tinggi



α8 = min(µ IPK Rendah, µ TOEFL Tinggi, µ PDSK Tinggi, µ Eksul Tinggi)

= min(0, 0.6, 1, 0)

= 0

Menurut Fungsi keanggotaan himpunan Hasil Prediksi(HP) tinggi dalam


Z8= zmin +α8*(zmax – zmin )

= 5+0(8 – 5)

= 5

[R9] IF IPK tinggi AND TOEFL rendah AND PDSK rendah AND Ekskul rendah

THEN HP rendah



α9 = min(µ IPK Tinggi, µ TOEFL Rendah, µ PDSK Rendah, µ Eksul

Rendah)

= min(1, 0.4, 0, 1)

= 0

70




= 8 – 0(8 – 5)

= 8

[R10] IF IPK tinggi AND TOEFL rendah AND PDSK rendah AND Ekskul tinggi

THEN HP tinggi



α10 = min(µ IPK Tinggi, µ TOEFL Rendah, µ PDSK Rendah, µ Eksul

Tinggi)

= min(1, 0.4, 0, 0)

= 0



z10 = zmin +α10*(zmax – zmin )

= 5 + 0(8 – 5)

= 5

[R11] IF IPK tinggi AND TOEFL rendah AND PDSK tinggi AND Ekskul rendah

THEN HP tinggi



α11 = min(µ IPK Tinggi, µ TOEFL Rendah, µ PDSK Tinggi, µ Eksul

Rendah)

= min(1, 0.4, 1, 1)

= 0.4




= 5 + 0.4(8 – 5)

= 6.2

71

[R12] IF IPK tinggi AND TOEFL rendah AND PDSK tinggi AND Ekskul tinggi

THEN HP tinggi



α12 = min(µ IPK Tinggi, µ TOEFL Rendah, µ PDSK Tinggi, µ Eksul

Tinggi)

= min(1, 0.4, 1, 0)

= 0




= 5 + 0(8 – 5)

= 5

[R13] IF IPK tinggi AND TOEFL tinggi AND PDSK rendah AND Ekskul rendah

THEN HP tinggi



α13 = min(µ IPK Tinggi, µ TOEFL Tinggi, µ PDSK Rendah, µ Eksul

Rendah)

= min(1, 0.6, 0, 1)

= 0




= 5 + 0(8 – 5)

= 5

[R14] IF IPK tinggi AND TOEFL tinggi AND PDSK rendah AND Ekskul tinggi

THEN HP tinggi

72



α14 = min(µ IPK Tinggi, µ TOEFL Tinggi, µ PDSK Rendah, µ Eksul

Tinggi)

= min(1, 0.6, 0, 0)

= 0




= 5 + 0(8 – 5)

= 5

[R15] IF IPK tinggi AND TOEFL tinggi AND PDSK tinggi AND Ekskul rendah

THEN HP tinggi



α15 = min(µ IPK Tinggi, µ TOEFL Tinggi, µ PDSK Tinggi, µ Eksul

Rendah)

= min(1, 0.6, 1, 1)

= 0.6




= 5 + 0.6(8 – 5)

= 6.8

[R16] IF IPK tinggi AND TOEFL tinggi AND PDSK tinggi AND Ekskul tinggi

THEN HP tinggi



α16 = min(µ IPK Tinggi, µ TOEFL Tinggi, µ PDSK Tinggi, µ Eksul Tinggi)

= min(1, 0.6, 1, 0)

73

= 0




= 5 + 0(8 – 5)

= 5

Tabel 4.9 Tabel Perhitungan Fuzzifikasi

Rule µIPKµTOEF

LµPDSK µEkskul

Hasil Prediksi

α ke-n=min(µIPK, µTOEFL, µPDSK)

z ke-n

[R1] 0 0,4 0 1 Rendah 0 8[R2] 0 0,4 0 0 Rendah 0 8[R3] 0 0,4 1 1 Rendah 0 8[R4] 0 0,4 1 0 Rendah 0 8[R5] 0 0,6 0 1 Rendah 0 8[R6] 0 0,6 0 0 Rendah 0 8[R7] 0 0,6 1 1 Rendah 0 8[R8] 0 0,6 1 0 Rendah 0 5[R9] 1 0,4 0 1 Rendah 0 8[R10

]1

0,4 00

Rendah 0 5[R11

]1

0,4 11

Rendah 0,4 6,2[R12

]1

0,4 10

Rendah 0 5[R13

]1

0,6 01

Rendah 0 5[R14

]1

0,6 00

Tinggi 0 5[R15

]1

0,6 11

Tinggi 0,6 6,8[R16

]1

0,6 10

Tinggi 0 5Sumber: [Perancangan]

Langkah 3:

Melakukan defuzzyfikasi(dekomposisi fuzzy) untuk menentukan output crisp

dengan cara menghitung defuzzifikasi rata-rata terpusat(Z) yang terdapat

dalam persamaan(2-3).

74

Z=∑i=1

n

αizi

∑i=1

n

αi

Z=α 1∗z 1+a2∗z 2+a3∗z3+a 4∗z 4+…+a15∗z15+a16∗z 16a1+a2+a 3+a4+…+a 15+a16

Z=0∗8+0∗8+0∗8+0∗8+…+0,6∗6,8+0∗50+0+0+0+…+0,6+0

Z=6,561

Z=6,56

Maka nilai akhir mahasiswa dengan nama Andriyanto adalah 6,56. Hasil

Keputusan yang akan diberikan sistem adalah karena nilai akhir mahasiswa(Z) ≥

6,5 maka mahasiswa tersebut termasuk mahasiswa berprestasi.

4.2.4. Perancangan Antarmuka

Dalam perancangan desain antarmuka aplikasi ini, secara garis besar ada

lima kelompok utama yang digunakan untuk user. Secara garis besar gambaran

dari desain antarmuka dari sistem pendukung keputusan ini antara lain: desain

halaman awal, desain halaman rule, desain halaman menu membership, desain

halaman tentang aplikasi, desain halaman menu tentang cara penggunaan dan

desain halaman menu data developer. Untuk lebih detail akan dijelaskan pada

bagian selanjutnya.

4.2.4.1.Desain Halaman Awal

Halaman ini merupakan halaman untuk menginputkan prediksi mahasiswa

berprestasi ptiik. Pada halaman ini user dapat mengisikan IPK, nilai TOEFL,

jumlah karya tulis nasional, dan jumlah kegiatan keorganisasian. Tombol prediksi

digunakan untuk memproses data yang telah diissikan oleh user yaitu IPK, nilai

75

TOEFL, jumlah karya tulis nasional, dan jumlah kegiatan keorganisasian. Setelah

semua form terisi pilih tombol “prediksi”. Tombol “reset” berguna untuk

menghapus isi dari yang diinputkan oleh user berupa IPK, nilai TOEFL, jumlah

karya tulis nasional, dan jumlah kegiatan keorganisasian dan akan menampilkan

form isian yang kosong. Ketika user telah mengisikan semua form dan memilih

tombol “prediksi” maka akan muncul hasil prediksi untuk mengetahui apakah data

yang dimasukan tadi termasuk siswa berprestasi atau bukan. Perancangan

tampilan untuk halaman input ditunjukkan pada Gambar 4.30.

4.2.4.2.Desain Halaman Rule

Halaman ini merupakan halaman untuk menampilkan rule-rule yang

digunakan di dalam SPK pemilihan mahasiswa berpresatasi ini. Perancangan

tampilan untuk halaman rule ditunjukkan pada Gambar 4.31.

Gambar 4.30 Desain Halaman Pengisian Identitas dan Data PendukungSumber: [Perancangan]

76

4.2.4.3.Desain Halaman Menu Membership

Halaman ini merupakan halaman untuk menampilkan memberhip atau

diagram derajat keanggotaan yang digunakan di dalam SPK pemilihan mahasiswa

berpresatasi ini. Perancangan tampilan untuk halaman menu membership

ditunjukkan pada Gambar 4.32.

Gambar 4.31 Desain Halaman RuleSumber: [Perancangan]

3 3.50

0.2

0.4

0.6

0.8

1

1.2

RendahTinggi

nILai crisp

nila

i fuz

zy

RULE IPK TOEFL PDSK EKSKUL HASILR1R2R3R4R5R6

R..16

77

4.2.4.4.Desain Halaman Menu Tentang Aplikasi

Desain halaman tentang aplikasi berisi nama aplikasi, latar belakang

pembuatan aplikasi, dan manfaat dari aplikasi. Perancangan tampilan untuk

halaman tentang aplikasi ditunjukkan pada Gambar 4.33.

4.2.4.5.Desain Halaman Menu Cara Penggunaan

Desain halaman menu cara penggunaa berisi panduan bagi user untuk

dapat mengetahui bagaimana cara menggunakan aplikasi ini. Perancangan

tampilan untuk halaman cara penggunaan ditunjukkan pada Gambar 4.34.

Gambar 4.34 Desain Halaman Cara Penggunaan Aplikasi Sumber:[Perancangan]

Gambar 4.32 Desain Halaman Menu MembershipSumber: [Perancangan]

Gambar 4.33 Desain Halaman Tentang AplikasiSumber:[Perancangan]

78

4.2.4.6.Desain Halaman Menu Data Developer

Desain halaman menu data developer berisi siapa saja tim pengembang

dari aplikasi ini. Perancangan tampilan untuk halaman data developer ditunjukkan

pada Gambar 4.35.

Gambar 4.35 Desain Halaman Data Developer Sumber:[Perancangan]

BAB V

IMPLEMENTASI

Pada bab ini dibahas mengenai imlementasi perangkat lunak berdasarkan

hasil yang telah diperoleh dari bab sebelumnya yaitu, analisis dan perancangan

sistem. Dalam bab ini pembahasan dmulai dengan penjelasan mengenai

spesifikasi sistem yang diperlukan, batasan-batasan untuk mengimplementasikan

sistem, implementasi algoritma, dan implementasi antarmuka yang sebelumnya

telah dibuat dalam tahapan perancangan. Untuk lebih jelasnya dapat dilihat dalam

pohon implementasi seperti yang terlihat pada Gambar 5.36.

79

Gambar 5.36 Pohon Implementasi SistemSumber: [Implementasi]

5.4.6 Tampilan Halaman Data Dev.

5.4.5 Tampilan Halaman Cara Penggunaan

5.4.4 Tampilan HalamanTentang Aplikasi

5.1.2 Spesifikasi Perangkat Lunak

5.1.1 Spesifikasi Perangkat Keras

5.4.3 Tampilan Halaman Membership

5.4.2 Tampilan Halaman Rule

5.4.1 Tampilan Halaman Awal

5.4 Implementasi Antarmuka

5.3 Implementasi Algoritma

5.2 Batasan Implementasi

5.1 Spesifikasi Sistem

5. Implementasi

80

3.1. Spesifikasi SistemHasil dari tahapan analisis dan perancangan sistem yang sebelumnya telah

dijelaskan dalam bab IV digunakan sebagai acuan dalam mengimplementasikan

sistem yang dapat berfungsi sesuai dengan kebutuhan. Spesifikasi yang digunakan

untuk mengimplementasikan sistem pendukung keputusan pemilihan mahasiswa

berprestasi.

3.1.1. Spesifikasi Perangkat KerasUntuk mengembangkan sistem pendukung keputusan pemilihan

mahasiswa berprestasi maka digunakan sebuah komputer atau Laptop dengan

spesifikasi perangkat keras yang dijelaskan dalam Tabel 5.10.

Tabel 5.10 Spesifikasi Perangkat KerasNama Komponen Spesifikasi

Prosesor Intel(R) Core(TM) i7Memori (RAM) 4 GbKartu Grafis NVIDIA GeForce GT 635M

Sumber: [Implementasi]

3.1.2. Spesifikasi Perangkat LunakUntuk mengembangkan sistem pendukung keputusan pemilihan

mahasiswa berprestasi maka digunakan sebuah komputer atau Laptop dengan

spesifikasi perangkat lunak yang dijelaskan dalam Tabel 5.11.

Tabel 5.11 Spesifikasi Perangkat LunakNama Komponen SpesifikasiSistem Operasi Microsoft Windows 8.1

Bahasa Pemrograman JavaTools Pemrogaraman JDK 1.6, mysql-connector-java-

5.1.18-bin.jarIDE (Intgrated Development Environment)

Netbeans 7.0.1

DBMS (Database Management System)

MySQL

Sumber: [Implementasi]

81

3.2. Batasan ImplementasiBatasan-batasan yang digunakan dalam mengimplementasikan sistem

pendukung keputusan untuk merekomendasikan kamera digital yaitu:

Input yang diterima oleh sistem yaitu minimal user harus menginputkan

empat nilai yaitu IPK, nilai TOEFL, dan Prestasi di suatu kegiatan.

Output yang diterima user adalah berupa Hasil perhitungan dari pemilihan

mahasiswa berprestasi

IDE (Intgrated Development Environment) yang digunakan adalah

Netabeans 7.0.1.

Database akan disimpan dalam MySQL.

Metode yang digunakan yaitu metode Fuzzy Tsukamoto.

Data training yang digunakan adalah data-data yang berasal dari

mahasiswa PTIIK Universitas Brawijaya Malang.

Pembobotan yang digunakan untuk masing-masing kriteria, macam-

macam pembobotannya antara lain: rendah, dan tinggi.

Sistem ini bersifat dinamis, dengan menyediakan fungsi untuk menambah

data atau mengubah data.

3.3. Implementasi Algoritma

Dalam subbab ini akan diimplementasikan hasil dari perancangan

algoritma yang telah dibuat pada bab sebelumnya. Sistem Pendukung keputusan

ini mempunyai beberapa proses utama diantranya yaitu proses memasukan

variable input dan output, rule , dan proses seleksi pengambilkan keputusan

dengan menggunakan metode Fuzzy Tsukamoto. Berikut merupakan implementasi

algoritma pemilihan mahasiswa berprestasi dengan menggunakan metode Fuzzy

Tsukamoto:

1. Implementasi Algortima Fuzzifikasi

2. Implementasi Algoritma Defuzzifikasi

3. Implementasi Algortima Proses Pengambilan Keputusan

82

3.3.1. Implementasi Algoritma Fuzzfikasi

Source code dibawah ini adalah tentang menyusun algoritma fuzzfikasi.

Source code algoritma fuzzifikasi mengacu pada pseudocode pada Gambar 4.24


1. //[Rule 1-16]

2. alfa[0]=findMin(bIPK.keanggotaanRendah(),bTOEFL.keanggotaanRe

ndah(),bPDSK.keanggotaanRendah(),bEKSKUL.keanggotaanRendah())

;

3. prediksi.setAlfa(alfa[0]);

4. Z[0]=prediksi.getKelayakanRendah();

5. MawapresFrm.AlfaTemp[0]=alfa[0];

6. MawapresFrm.Zn[0]=Z[0];

7. public double findMin(double w, double x, double y, double z)

{

8. double min[] = new double[4];

9. double temp = 2 ;

10. min [0] = w;

11. min [1] = x;

12. min [2] = y;

13. min [3] = z;

14. for(int i=0; i<4;i++){

15. if(temp>min[i]){

16. temp=min[i];}

17. }

18. MawapresFrm.Rm1[hit]=w;

19. MawapresFrm.Rm2[hit]=x;

20. MawapresFrm.Rm3[hit]=y;

21. MawapresFrm.Rm4[hit]=z;

22. hit++;

23. System.out.println("w= " + w + "min[0]= " + min[0]);

24. System.out.println("x= " + x + "min[1]= " + min[1]);

25. System.out.println("y= " + y + "min[2]= " + min[2]);

26. System.out.println("z= " + z + "min[3]= " + min[3]);

27. System.out.println("temp= " + temp);

28. return temp;

29. }

30.

31. public double getKelayakanRendah(){

32. nilaiZ = 8-(alfa*3);

33. return nilaiZ;

34. }

35.

36. public double getKelayakanTinggi(){

37. nilaiZ = (alfa*3)+5;

38. return nilaiZ;

39. }

83

Gambar 5.37 Implementasi Source Code Algoritma FuzzifikasiSumber:[Implementasi]

Penjelasan Kode:

2-6 Pengitungan α dan z dengan melakukan inferensi terhadap rule 1-

16

7-29 Penghitungan nilai α dengan menggunakan findMin yakni mencari

nilai minimal dari nilai variabel rule yang dihasilkan

31-34 Penghitungan nilai z jika rule hasil prediksi Rendah

36-39 Penghitungan nilai z jika rule hasil prediksi Tinggi

3.3.2. Implementasi Algoritma Defuzzfikasi

Source code dibawah ini adalah tentang menyusun algoritma defuzzfikasi.

Source code algoritma defuzzifikasi mengacu pada pseudocode pada Gambar 4.26


1. private double defuzzy(){

2. double temp1=0,temp2=0;

3. for (int i=0;i<16;i++){

4. temp1=temp1+(alfa[i]*Z[i]);

5. temp2=temp2+alfa[i];

6. }

7. MawapresFrm.zA=(temp1/temp2);

8. return (temp1/temp2);

9. }

Gambar 5.38 Implementasi Source Code Algoritma DefuzzifikasiSumber:[Implementasi]

Penjelasan Kode:

4 Penghitungan ∑alfa[i]*z[i]

5 Penghitungan ∑alfa[i]

7 Hasil nilai Z Akhir(zA)

3.3.3. Implementasi Algoritma Proses Pengambilan Keputusan

Source code dibawah ini adalah tentang menyusun algoritma proses

pengambilan keputusan. Source code algoritma proses pengambilan keputusan

mengacu pada pseudocode pada Gambar 4.28 ditunjukkan pada Gambar 5.39.

84

1. double kelayakan2 = kelayakan;

2. kelayakan2 = ((kelayakan2-5)/3)*100;

3. kelayakanLbl.setText("Mahasiswa "+namaText.getText()+" memiliki

skor = "+(int)kelayakan2);

4.

5. String hasil;

6. if(kelayakan<6.5){

7. hasil = "Prediksi Rendah";

8. }

9. else{

10. hasil = "Prediksi Tinggi";

11. }

12. kelayakanLbl2.setText("Dinyatakan : "+hasil+" sebagai MAWAPRES

PTIIK");

Gambar 5.39 Implementasi Source Code Algoritma Proses Pengambilan Keputusan

Sumber:[Implementasi]

Penjelasan Kode:

2 Pengitungan nilai akhir dari mahasiswa

5-11 Perbandingan nilai akhir dari mahasiswa, jika nilai akhir dari

mahasiswa < 6,5 maka hasilprediksinya rendah dalam artian tidak

termasuk dalam mahasiswa berprestasi. Tetapi sebalikya jika nilai

akhir dari mahasiswa tersebut > 6,5 maka hasil prediksinya tinggi

dalam artian mahasiswa tersebut termasuk mahasiswa berprestasi.

12 Menampilkan hasil keputusan

3.4. Implementasi Antarmuka

Dalam subbab ini akan diimplementasikan hasil dari perancangan

antarmuka yang telah dibuat pada bab sebelumnya. Sistem pendukung keputusan

ini terdiri dari satu halaman, yaitu halaman untuk user. Pada halaman user

terdapat tab menu setting, input, help, dan about.

3.4.1. Tampilan Halaman Awal

Halaman ini merupakan halaman untuk menginputkan prediksi mahasiswa

berprestasi ptiik. Pada halaman ini user dapat mengisikan IPK, nilai TOEFL,

jumlah karya tulis nasional, dan jumlah kegiatan keorganisasian. Tombol prediksi

85

digunakan untuk memproses data yang telah diissikan oleh user yaitu IPK, nilai

TOEFL, jumlah karya tulis nasional, dan jumlah kegiatan keorganisasian. Setelah

semua form terisi pilih tombol “prediksi”. Tombol “reset” berguna untuk

menghapus isi dari yang diinputkan oleh user berupa IPK, nilai TOEFL, jumlah

karya tulis nasional, dan jumlah kegiatan keorganisasian dan akan menampilkan

form isian yang kosong. Ketika user telah mengisikan semua form dan memilih

tombol “prediksi” maka akan muncul hasil prediksi untuk mengetahui apakah data

yang dimasukan tadi termasuk siswa berprestasi atau bukan. Implementasi untuk

halaman awal ditunjukkan pada Gambar 5.40.

Gambar 5.40 Tampilan Halaman AwalSumber: [Implementasi]

3.4.2. Tampilan Halaman Menu Rule

Halaman ini merupakan halaman untuk menampilkan rule-rule yang

digunakan di dalam SPK pemilihan mahasiswa berpresatasi ini. Implementasi

tampilan untuk halaman rule ditunjukkan pada Gambar 5.41.

86

Gambar 5.41 Tampilan Halaman RuleSumber: [Implementasi]

3.4.3. Tampilan Halaman Menu Membership

Halaman ini merupakan halaman untuk menampilkan memberhip atau

diagram derajat keanggotaan yang digunakan di dalam SPK pemilihan mahasiswa

berpresatasi ini. Implementasi tampilan untuk halaman menu membership


Gambar 5.42 Tampilan Halaman MembershipSumber: [Implementasi]

87

3.4.4. Tampilan Halaman Tentang Aplikasi

Desain halaman tentang aplikasi berisi nama aplikasi, latar belakang

pembuatan aplikasi, dan manfaat dari aplikasi. Implementasi tampilan untuk

halaman tentang aplikasi ditunjukkan pada Gambar 5.43.

Gambar 5.43 Tampilan Halaman Tentang AplikasiSumber: [Implementasi]

3.4.5. Tampilan Halaman Menu Cara Penggunaan

Desain halaman menu cara penggunaan berisi panduan bagi user untuk

dapat mengetahui bagaimana cara menggunakan aplikasi ini. Perancangan

tampilan untuk halaman cara penggunaan ditunjukkan pada Gambar 5.44.

Gambar 5.44 Tampilan Halaman Cara PenggunaanSumber: [Implementasi]

88

3.4.6. Tampilan Halaman Menu Data Developer

Desain halaman menu data developer berisi siapa saja tim pengembang

dari aplikasi ini. Perancangan tampilan untuk halaman data developer ditunjukkan

pada Gambar 5.44.

Gambar 5.45 Tampilan Halaman Data DeveloperSumber: [Implementasi]

BAB VI

PENGUJIAN DAN ANALISIS

Bab ini membahas mengenai pengujian dan analisis Sistem Pendukung

untuk Pemilihan Mahasiswa Berprestasi PTIIK Universitas Brawijaya dengan

menggunakan Metode Fuzzy Tsukamoto. Proses pengujian dilakukan untuk

mengetahui fungsionalitas sistem yang disebut juga dengan pengujian

fungsionalitas. Pada pengujian fungsionalitas digunakan teknik pengujian Black

box testing, yang mana dalam proses pengujian ini akan diuji apakah tindakan-

tindakan dalam diagram use case pada Gambar 4.11 telah terealisasikan.

Sedangkan proses analisis bertujuan untuk mendapatkan kesimpulan dari hasil

pengujian sistem pendukung keputusan Pemilihan Mahasiswa Berprestasi PTIIK

Universitas Brawijaya dengan menggunakan Metode Fuzzy Tsukamoto yang telah

dilakukan. Untuk lebih jelasnya dapat dilihat dalam pohon implementasi seperti

yang terlihat pada Gambar 6.35.

6.1. Pengujian

Proses pengujian dilakukan melalui dua strategi yaitu pengujian fungsional

dan pengujian akurasi. Pengujian fungsional dan pengujian akurasi. Pengujian

fungsional dilakukan untuk mengetahui apakah sistem yang dibangun sudah

89

6.1.2 Pengujian Akurasi

6.1.1 Pengujian Fungsional

5.4.2 Analisis Hasil Pengujian Akurasi

5.4.1 Analisis Hasil Pengujian Validitas6.2 Analisis

6.1 Pengujian

6. Pengujian dan Analisis

Gambar 6.46 Pohon Pengujian dan Analisis SistemSumber:[Implementasi]

90

menyediakan fungsi-fungsi yang sesuai dengan yang dibutuhkan. Pengujian

akurasi dilakukan untuk mengetahui tingkat akurasi dari metode Fuzzy Tsukamoto

dalam SPK pemilihan mahasiswa berprestasi.

6.1.1. Pengujian Fungsional

Pengujian Fungsionalitas bertujuan untuk mengetahui apakan sistem yang

telah dibangun telah menyediakan fungsi-fungsi yang dibutuhkan. Item-item yang

telah dibuat dalam daftar kebutuhan dan merupakan hasil analisis kebutuhan akan

digunakan sebagai acuan untuk melakukan pengujian fungsionalitas. Pengujian

fungsionalitas menggunakan pengujian Black box, karena pengujian ini tidak

memfokuskan alur jalannya algoritma program dan lebih ditekankan untuk

menemukan kesesuaian antara kinerja sistem dengan daftar kebutuhan sistem.

Berikut ini akan dijelaskan bagaimana proses pengujian fungsionalitas untuk tiap-

tiap kebutuhan system Dalam melakukan pengujian fungsionalitas terdapat kasus-

kasus yang digunakan untuk mengetahui kemungkinan-kemungkinan tindakan

yang akan dilakukan oleh pengguna aplikasi. Berikut ini merupakan kasus-kasus

yang sebagian besar akan dilakukan oleh pengguna aplikasi.

6.1.1.1.Kasus Uji Pilih Menu Awal

Nama Kasus Uji : Kasus uji Pilih Menu

Objek Uji : Kebutuhan fungsionalitas melakukan Pilih Menu

Tujuan Pengujian : Pengujian dilakukan untuk memastikan bahwa sistem

dapat memenuhi kebutuhan fungsional untuk

menampilkan menu yang dipilih oleh user.

Prosedur Uji : Memilih tab menu

Hasil yang

diharapkan.

: Sistem dapat menampilkan menu yang dipilih oleh user.

6.1.1.2.Kasus Uji Input variable (input&output) dan rule

Nama Kasus Uji : Kasus uji input variable (input&output) dan rule

Objek Uji : Kebutuhan fungsionalitas melakukan input variable

(input&output) dan rule

91


dapat memenuhi kebutuhan fungsional untuk melakukan

penginputan variable (input&output) dan rule.

Pengujian ini dilakukan oleh user.

Prosedur Uji : Memilih tab menu tools, memilih menu dropdown Rule

Hasil yang

diharapkan

: Sistem dapat melakukan proses menampilkan rule dan

graphic dari variable (input&output) dan rule yang

diunputkan oleh user.

6.1.1.3.Kasus Uji Tampilkan Data Membership

Nama Kasus Uji : Kasus uji tampilkan data membership

Objek Uji : Kebutuhan fungsionalitas melihat derajat membership

yang ada pada sitem.


dapat memenuhi kebutuhan fungsional.

Prosedur Uji : Memilih tab menu tools, memilih menu dropdown

Membership.

Hasil yang

diharapkan

: Sistem dapat melakukan proses menampilkan

membership yang benar.

6.1.1.4.Kasus Uji Input Data Mahasiswa Berprestasi PTIIK

Nama Kasus Uji : Kasus uji input data mahasiswa berprestasi ptiik

Objek Uji : Kebutuhan fungsionalitas melakukan input data

mahasiswa berprestasi PTIIK



memasukan data mahasiswa berprestasi yaitu IPK, Nilai

TOEFL, Prestasi di Suatu Kegiatan Nasional, dan

Jumlah Kegiatan Keorganisasiaan dan setelah itu

menampilkan data berupa hasil prediksi.

Prosedur Uji : Memilih halaman awal, menginputkan IPK, Nilai

TOEFL, PDSK, dan Jumlah Kegiatan Keorganisasiaan

pada kolom yang tersedia, menekan tombol reset jika

92

ingin mengosongkan semua isian di dalam kolom form

atau menekan tombol prediksi untuk mengetahui hasil

prediksi.

Hasil yang

diharapkan

: Sistem dapat melakukan proses menampilkan hasil

prediksi mahasiswa yang teah diinputkan oleh user yaitu

mereka termasuk dalam mahasiswa berprestasi atau

mahasiswa tidak berprestasi.

6.1.1.5.Kasus Uji Tampilkan Detail Perhitungan Mahasiswa

Nama Kasus Uji : Kasus uji tampilkan setail perhitungan mahasiswa

Objek Uji : Kebutuhan fungsionalitas menampilkan nilai dari

mahasiswa



memasukan data mahasiswa berprestasi yaitu

menampilkan data berupa hasil prediksi.

Prosedur Uji : Memilih halaman awal, menekan tombol lihat detail

perhitungan.

Hasil yang

diharapkan

: Sistem dapat melakukan proses menampilkan hasil

prediksi mahasiswa.

6.1.1.6.Kasus Uji Tampilkan Halaman Tentang AplikasiNama Kasus Uji : Kasus uji tampilkan halaman tentang aplikasi

Objek Uji : Kebutuhan fungsionalitas tentang aplikasi



menampilkan informasi yang dibutuhkan oleh user.

Prosedur Uji : Memilih tab menu tentang aplikasi

Hasil yang

diharapkan

: Sistem dapat melakukan proses menampilkan semua

informasi tentang kegunaan menu yang ada di aplikasi

ini.

93

6.1.1.7.Kasus Uji Tampilkan Halaman Cara Penggunaan

Nama Kasus Uji : Kasus uji tampilkan halaman cara penggunaan

Objek Uji : Kebutuhan fungsionalitas cara penggunaan



menampilkan informasi yang dibutuhkan oleh user.

Prosedur Uji : Memilih tab menu cara penggunaan

Hasil yang

diharapkan

: Sistem dapat melakukan proses menampilkan semua

informasi tentang kegunaan menu yang ada di aplikasi

ini.

6.1.1.8.Kasus Uji Tampilkan About Dev

Nama Kasus Uji : Kasus uji tampilkan about dev

Objek Uji : Kebutuhan fungsionalitas melakukan lihat isi dari

halaman tentang kami berupa siapa saja pengembang

dari aplikasi.



menampilkan bagaimana user melihat siapa saja

pengembang dari aplikasi ketika user menekan tombol

about developer.

Prosedur Uji : Memilih tab menu about developer.

Hasil yang

diharapkan

: Sistem dapat melakukan proses penampilan halaman

tentang kami berupa siapa saja pengembang dari

aplikasi

6.1.2. Pengujian Akurasi

Pengujian akurasi dilakukan untuk mengetahui performa dari Sistem

Pendukung Keputusan Pemilihan Mahasiswa Berprestasi dengan menggunakan

metode Fuzzy Tsukamoto. Pada pengujian akurasi dilakukan dengan menguji

94

tingkat akurasi dari aplikasi yang telah diimplementasikan dengan file excel

perhitungan.

Pada kasus ini data yang diuji berjumlah 10 sampel data mahasiswa,

dimana 10 data tersebut memiliki karakterisitik masing-masing. Objek uji adalah

data mahasiswa PTIIK Universitas Brawaijaya yang merupakan hampir

memenuhi syarat rekomendasi sebagai mahasiswa berprestasi. Prosedur pengujian

yang dilakukan adalah memasukkan data ke dalam sistem, kemudian sistem akan

otomatis menghitung sesuai dengan metode Fuzzy Tsukamoto, sehingga akan

menghasilkan rekomendasi. Hasil rekomendasi yang diperoleh dari penghitungan

sistem kemudian dicocokkan dengan hasil rekomendasi yang diperoleh dari

perhitungan di file excel, setelah itu hasil dari aplikasi maupun dari excel

dibandingkan untuk kemudian dihitung keakuratan dari aplikasi yang telah

diimplementasikan ini. Berikut merupakan data yang didapatkan dan hasil

perhitungannya.

6.1.2.1.Data yang Digunakan

Data yang didaptakan dan digunakan sebagai data pengujian merupakan

hasil wawancara dengan 10 mahasiswa di PTIIK Universitas Brawijaya Malang.

Berikut data yang dipakai pada Tabel 6.12:

Tabel 6.12 Data Mahasiswa yang akan Diuji

No. Nama Nomor Induk MahasiswaJenis

KelaminIPK TOEFL PDSK EKSKUL

1. Abdul Aziz 125060800111173 L 3.2 475 2 1

2. Ryanto M 125060800111045 L 3.1 530 1 1

3. M. Gunawan 125060800111038 L 3.5 600 3 1

4. Hadi Nur C 125060800111067 L 3.2 490 1 1

5. Reza Luqman 125060800111088 L 3.6 500 8 2

6. M. Isnaeni 125060800111115 L 3.6 515 6 1

7. M. Dika 125060800111106 L 3.1 412 3 4

8. Zaenal A 125060800111006 L 3.4 520 6 4

9. Candra R 125060800111004 L 3.1 513 6 4

10. Dermawan P 125060800111014 L 3.1 503 7 4

Sumber:[Wawancara]

6.1.2.2.Data Hasil Perhitungan

Dari data yang telah didapatkan tersebut , kemudian dilakukan pengujian

dengan cara menghitung menggunakan aplikasi yang telah diimplementasikan

95

dengan file excel. Berikut merupakan hasil perhitungan excel dan perhitungan

dengan aplikasi yang telah diimpelementasikan.

Data 1 = Nama : Abdul Aziz NIM : 125060800111173

Hasil Manual - Excel :

Tabel 6.13 Hasil Perhitungan Excel Data 1

Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z

[R1] 0.6 0.45 1 1 0.45 6.65 2.9925

[R2] 0.6 0.45 1 0 0 8 0

[R3] 0.6 0.45 0 1 0 8 0

[R4] 0.6 0.45 0 0 0 8 0

[R5] 0.6 0.55 1 1 0.55 6.35 3.4925

[R6] 0.6 0.55 1 0 0 8 0

[R7] 0.6 0.55 0 1 0 8 0

[R8] 0.6 0.55 0 0 0 5 0

[R9] 0.4 0.45 1 1 0.4 6.8 2.72

[R10] 0.4 0.45 1 0 0 5 0

[R11] 0.4 0.45 0 1 0 5 0

[R12] 0.4 0.45 0 0 0 5 0

[R13] 0.4 0.55 1 1 0.4 6.2 2.48

[R14] 0.4 0.55 1 0 0 5 0

[R15] 0.4 0.55 0 1 0 5 0

[R16] 0.4 0.55 0 0 0 5 0

Sumber:[Pengujian]

Poin MAWAPRES Excel data 1 = 6.491 (Prediksi Rendah)

Hasil Aplikasi :

Tabel 6.14 Hasil Perhitungan Aplikasi Data 1


[R1] 0.6 0.45 1 1 0.45 6.65 2.9925

[R2] 0.6 0.45 1 0 0 8 0

[R3] 0.6 0.45 0 1 0 8 0

[R4] 0.6 0.45 0 0 0 8 0

[R5] 0.6 0.55 1 1 0.55 6.35 3.4925

[R6] 0.6 0.55 1 0 0 8 0

[R7] 0.6 0.55 0 1 0 8 0

96

[R8] 0.6 0.55 0 0 0 5 0

[R9] 0.4 0.45 1 1 0.4 6.8 2.72

[R10] 0.4 0.45 1 0 0 5 0

[R11] 0.4 0.45 0 1 0 5 0

[R12] 0.4 0.45 0 0 0 5 0

[R13] 0.4 0.55 1 1 0.4 6.2 2.48

[R14] 0.4 0.55 1 0 0 5 0

[R15] 0.4 0.55 0 1 0 5 0

[R16] 0.4 0.55 0 0 0 5 0

Sumber:[Pengujian]

Poin MAWAPRES aplikasi = 6.491 (Prediksi Rendah)

Data 2 = Nama : Ryanto M NIM : 125060800111173




[R1] 0.8 0 1 1 0 8 0

[R2] 0.8 0 1 0 0 8 0

[R3] 0.8 0 0 1 0 8 0

[R4] 0.8 0 0 0 0 8 0

[R5] 0.8 1 1 1 0.8 5.6 4.48

[R6] 0.8 1 1 0 0 8 0

[R7] 0.8 1 0 1 0 8 0

[R8] 0.8 1 0 0 0 5 0

[R9] 0.2 0 1 1 0 8 0

[R10] 0.2 0 1 0 0 5 0

[R11] 0.2 0 0 1 0 5 0

[R12] 0.2 0 0 0 0 5 0

[R13] 0.2 1 1 1 0.2 5.6 1.12

[R14] 0.2 1 1 0 0 5 0

[R15] 0.2 1 0 1 0 5 0

[R16] 0.2 1 0 0 0 5 0

Sumber:[Pengujian]

Poin MAWAPRES Excel data 2 = 5.6 (Prediksi Rendah)

Hasil Aplikasi :

97



[R1] 0.8 0 1 1 0 8 0

[R2] 0.8 0 1 0 0 8 0

[R3] 0.8 0 0 1 0 8 0

[R4] 0.8 0 0 0 0 8 0

[R5] 0.8 1 1 1 0.8 5.6 4.48

[R6] 0.8 1 1 0 0 8 0

[R7] 0.8 1 0 1 0 8 0

[R8] 0.8 1 0 0 0 5 0

[R9] 0.2 0 1 1 0 8 0

[R10] 0.2 0 1 0 0 5 0

[R11] 0.2 0 0 1 0 5 0

[R12] 0.2 0 0 0 0 5 0

[R13] 0.2 1 1 1 0.2 5.6 1.12

[R14] 0.2 1 1 0 0 5 0

[R15] 0.2 1 0 1 0 5 0

[R16] 0.2 1 0 0 0 5 0

Sumber:[Pengujian]

Poin MAWAPRES aplikasi data 2 = 5.6 (Prediksi Rendah)

Data 3 = Nama : M Gunawan NIM : 125060800111038




[R1] 0 0 0.666666667 1 0 8 0

[R2] 0 0 0.666666667 0 0 8 0

[R3] 0 0 0.333333333 1 0 8 0

[R4] 0 0 0.333333333 0 0 8 0

[R5] 0 1 0.666666667 1 0 8 0

[R6] 0 1 0.666666667 0 0 8 0

[R7] 0 1 0.333333333 1 0 8 0

[R8] 0 1 0.333333333 0 0 5 0

[R9] 1 0 0.666666667 1 0 8 0

[R10] 1 0 0.666666667 0 0 5 0

[R11] 1 0 0.333333333 1 0 5 0

[R12] 1 0 0.333333333 0 0 5 0

98

[R13] 1 1 0.666666667 1 0.666666667 7 4.666666667

[R14] 1 1 0.666666667 0 0 5 0

[R15] 1 1 0.333333333 1 0.333333333 6 2

[R16] 1 1 0.333333333 0 0 5 0

Sumber:[Pengujian]

Poin MAWAPRES excel data 3 = 6.66667 (Prediksi Tinggi)

Hasil Aplikasi :



[R1] 0 0 0.666666667 1 0 8 0

[R2] 0 0 0.666666667 0 0 8 0

[R3] 0 0 0.333333333 1 0 8 0

[R4] 0 0 0.333333333 0 0 8 0

[R5] 0 1 0.666666667 1 0 8 0

[R6] 0 1 0.666666667 0 0 8 0

[R7] 0 1 0.333333333 1 0 8 0

[R8] 0 1 0.333333333 0 0 5 0

[R9] 1 0 0.666666667 1 0 8 0

[R10] 1 0 0.666666667 0 0 5 0

[R11] 1 0 0.333333333 1 0 5 0

[R12] 1 0 0.333333333 0 0 5 0

[R13] 1 1 0.666666667 1 0.666666667 7 4.666666667

[R14] 1 1 0.666666667 0 0 5 0

[R15] 1 1 0.333333333 1 0.333333333 6 2

[R16] 1 1 0.333333333 0 0 5 0

Sumber:[Pengujian]

Poin MAWAPRES aplikasi data 3= 6.66667 (Prediksi Tinggi)

Data 4 = Nama : Hadi Nur C NIM : 125060800111067




[R1] 0.6 0.3 1 1 0.3 7.1 2.13

[R2] 0.6 0.3 1 0 0 8 0

[R3] 0.6 0.3 0 1 0 8 0

99

[R4] 0.6 0.3 0 0 0 8 0

[R5] 0.6 0.7 1 1 0.6 6.2 3.72

[R6] 0.6 0.7 1 0 0 8 0

[R7] 0.6 0.7 0 1 0 8 0

[R8] 0.6 0.7 0 0 0 5 0

[R9] 0.4 0.3 1 1 0.3 7.1 2.13

[R10] 0.4 0.3 1 0 0 5 0

[R11] 0.4 0.3 0 1 0 5 0

[R12] 0.4 0.3 0 0 0 5 0

[R13] 0.4 0.7 1 1 0.4 6.2 2.48

[R14] 0.4 0.7 1 0 0 5 0

[R15] 0.4 0.7 0 1 0 5 0

[R16] 0.4 0.7 0 0 0 5 0

Sumber:[Pengujian]

Poin MAWAPRES excel data 4= 6.53 (Prediksi Tinggi)

Hasil Aplikasi :



[R1] 0.6 0.3 1 1 0.3 7.1 2.13

[R2] 0.6 0.3 1 0 0 8 0

[R3] 0.6 0.3 0 1 0 8 0

[R4] 0.6 0.3 0 0 0 8 0

[R5] 0.6 0.7 1 1 0.6 6.2 3.72

[R6] 0.6 0.7 1 0 0 8 0

[R7] 0.6 0.7 0 1 0 8 0

[R8] 0.6 0.7 0 0 0 5 0

[R9] 0.4 0.3 1 1 0.3 7.1 2.13

[R10] 0.4 0.3 1 0 0 5 0

[R11] 0.4 0.3 0 1 0 5 0

[R12] 0.4 0.3 0 0 0 5 0

[R13] 0.4 0.7 1 1 0.4 6.2 2.48

[R14] 0.4 0.7 1 0 0 5 0

[R15] 0.4 0.7 0 1 0 5 0

[R16] 0.4 0.7 0 0 0 5 0

Sumber:[Pengujian]

Poin MAWAPRES aplikasi data 4= 6.53 (Prediksi Tinggi)

100

Data 5 = Nama : Reza Lukman NIM : 125060800111088




[R1] 0 0.2 0 1 0 8 0

[R2] 0 0.2 0 0 0 8 0

[R3] 0 0.2 1 1 0 8 0

[R4] 0 0.2 1 0 0 8 0

[R5] 0 0.8 0 1 0 8 0

[R6] 0 0.8 0 0 0 8 0

[R7] 0 0.8 1 1 0 8 0

[R8] 0 0.8 1 0 0 5 0

[R9] 1 0.2 0 1 0 8 0

[R10] 1 0.2 0 0 0 5 0

[R11] 1 0.2 1 1 0.2 5.6 1.12

[R12] 1 0.2 1 0 0 5 0

[R13] 1 0.8 0 1 0 5 0

[R14] 1 0.8 0 0 0 5 0

[R15] 1 0.8 1 1 0.8 7.4 5.92

[R16] 1 0.8 1 0 0 5 0

Sumber:[Pengujian]


Hasil Aplikasi :



[R1] 0 0.2 0 1 0 8 0

[R2] 0 0.2 0 0 0 8 0

[R3] 0 0.2 1 1 0 8 0

[R4] 0 0.2 1 0 0 8 0

[R5] 0 0.8 0 1 0 8 0

[R6] 0 0.8 0 0 0 8 0

[R7] 0 0.8 1 1 0 8 0

[R8] 0 0.8 1 0 0 5 0

[R9] 1 0.2 0 1 0 8 0

[R10] 1 0.2 0 0 0 5 0

101

[R11] 1 0.2 1 1 0.2 5.6 1.12

[R12] 1 0.2 1 0 0 5 0

[R13] 1 0.8 0 1 0 5 0

[R14] 1 0.8 0 0 0 5 0

[R15] 1 0.8 1 1 0.8 7.4 5.92

[R16] 1 0.8 1 0 0 5 0

Sumber:[Pengujian]

Poin MAWAPRES aplikasi data 5 = 7.04 (Prediksi Tinggi)

Data 6 = Nama : M. Isnaeni NIM : 125060800111115




[R1] 0 0.05 0 1 0 8 0

[R2] 0 0.05 0 0 0 8 0

[R3] 0 0.05 1 1 0 8 0

[R4] 0 0.05 1 0 0 8 0

[R5] 0 0.95 0 1 0 8 0

[R6] 0 0.95 0 0 0 8 0

[R7] 0 0.95 1 1 0 8 0

[R8] 0 0.95 1 0 0 5 0

[R9] 1 0.05 0 1 0 8 0

[R10] 1 0.05 0 0 0 5 0

[R11] 1 0.05 1 1 0.05 5.15 0.2575

[R12] 1 0.05 1 0 0 5 0

[R13] 1 0.95 0 1 0 5 0

[R14] 1 0.95 0 0 0 5 0

[R15] 1 0.95 1 1 0.95 7.85 7.4575

[R16] 1 0.95 1 0 0 5 0

Sumber:[Pengujian]


102

Hasil Aplikasi :



[R1] 0 0.05 0 1 0 8 0

[R2] 0 0.05 0 0 0 8 0

[R3] 0 0.05 1 1 0 8 0

[R4] 0 0.05 1 0 0 8 0

[R5] 0 0.95 0 1 0 8 0

[R6] 0 0.95 0 0 0 8 0

[R7] 0 0.95 1 1 0 8 0

[R8] 0 0.95 1 0 0 5 0

[R9] 1 0.05 0 1 0 8 0

[R10] 1 0.05 0 0 0 5 0

[R11] 1 0.05 1 1 0.05 5.15 0.2575

[R12] 1 0.05 1 0 0 5 0

[R13] 1 0.95 0 1 0 5 0

[R14] 1 0.95 0 0 0 5 0

[R15] 1 0.95 1 1 0.95 7.85 7.4575

[R16] 1 0.95 1 0 0 5 0

Sumber:[Pengujian]


Data 7 = Nama : M. Dika NIM : 125060800111106




[R1] 0.8 1 0.666666667 0.33333333 0.333333333 7 2.333333333

[R2] 0.8 1 0.666666667 0.66666667 0.666666667 6 4

[R3] 0.8 1 0.333333333 0.33333333 0.333333333 7 2.333333333

[R4] 0.8 1 0.333333333 0.66666667 0.333333333 7 2.333333333

[R5] 0.8 0 0.666666667 0.33333333 0 8 0

[R6] 0.8 0 0.666666667 0.66666667 0 8 0

[R7] 0.8 0 0.333333333 0.33333333 0 8 0

[R8] 0.8 0 0.333333333 0.66666667 0 5 0

[R9] 0.2 1 0.666666667 0.33333333 0.2 7.4 1.48

[R10] 0.2 1 0.666666667 0.66666667 0.2 5.6 1.12

103

[R11] 0.2 1 0.333333333 0.33333333 0.2 5.6 1.12

[R12] 0.2 1 0.333333333 0.66666667 0.2 5.6 1.12

[R13] 0.2 0 0.666666667 0.33333333 0 5 0

[R14] 0.2 0 0.666666667 0.66666667 0 5 0

[R15] 0.2 0 0.333333333 0.33333333 0 5 0

[R16] 0.2 0 0.333333333 0.66666667 0 5 0

Sumber:[Pengujian]

Poin MAWAPRES excel data 7 = 6.421 (Prediksi Rendah)

Hasil Aplikasi :



[R1] 0.8 1 0.666666667 0.33333333 0.333333333 7 2.333333333

[R2] 0.8 1 0.666666667 0.66666667 0.666666667 6 4

[R3] 0.8 1 0.333333333 0.33333333 0.333333333 7 2.333333333

[R4] 0.8 1 0.333333333 0.66666667 0.333333333 7 2.333333333

[R5] 0.8 0 0.666666667 0.33333333 0 8 0

[R6] 0.8 0 0.666666667 0.66666667 0 8 0

[R7] 0.8 0 0.333333333 0.33333333 0 8 0

[R8] 0.8 0 0.333333333 0.66666667 0 5 0

[R9] 0.2 1 0.666666667 0.33333333 0.2 7.4 1.48

[R10] 0.2 1 0.666666667 0.66666667 0.2 5.6 1.12

[R11] 0.2 1 0.333333333 0.33333333 0.2 5.6 1.12

[R12] 0.2 1 0.333333333 0.66666667 0.2 5.6 1.12

[R13] 0.2 0 0.666666667 0.33333333 0 5 0

[R14] 0.2 0 0.666666667 0.66666667 0 5 0

[R15] 0.2 0 0.333333333 0.33333333 0 5 0

[R16] 0.2 0 0.333333333 0.66666667 0 5 0

Sumber:[Pengujian]

Poin MAWAPRES aplikasi data 7 = 6.421 (Prediksi Rendah)

Data 8 = Nama : Zaenal A NIM : 125060800111006




104

[R1] 0.2 0 0 0.33333333 0 8 0

[R2] 0.2 0 0 0.66666667 0 8 0

[R3] 0.2 0 1 0.33333333 0 8 0

[R4] 0.2 0 1 0.66666667 0 8 0

[R5] 0.2 1 0 0.33333333 0 8 0

[R6] 0.2 1 0 0.66666667 0 8 0

[R7] 0.2 1 1 0.33333333 0.2 7.4 1.48

[R8] 0.2 1 1 0.66666667 0.2 5.6 1.12

[R9] 0.8 0 0 0.33333333 0 8 0

[R10] 0.8 0 0 0.66666667 0 5 0

[R11] 0.8 0 1 0.33333333 0 5 0

[R12] 0.8 0 1 0.66666667 0 5 0

[R13] 0.8 1 0 0.33333333 0 5 0

[R14] 0.8 1 0 0.66666667 0 5 0

[R15] 0.8 1 1 0.33333333 0.333333333 6 2

[R16] 0.8 1 1 0.66666667 0.666666667 7 4.666666667

Sumber:[Pengujian]


Hasil Aplikasi :



[R1] 0.2 0 0 0.33333333 0 8 0

[R2] 0.2 0 0 0.66666667 0 8 0

[R3] 0.2 0 1 0.33333333 0 8 0

[R4] 0.2 0 1 0.66666667 0 8 0

[R5] 0.2 1 0 0.33333333 0 8 0

[R6] 0.2 1 0 0.66666667 0 8 0

[R7] 0.2 1 1 0.33333333 0.2 7.4 1.48

[R8] 0.2 1 1 0.66666667 0.2 7.4 1.48

[R9] 0.8 0 0 0.33333333 0 8 0

[R10] 0.8 0 0 0.66666667 0 8 0

[R11] 0.8 0 1 0.33333333 0 8 0

[R12] 0.8 0 1 0.66666667 0 8 0

[R13] 0.8 1 0 0.33333333 0 8 0

[R14] 0.8 1 0 0.66666667 0 5 0

[R15] 0.8 1 1 0.33333333 0.333333333 6 2

[R16] 0.8 1 1 0.66666667 0.666666667 7 4.666666667

Sumber:[Pengujian]

105


Data 9 = Nama : Candra R NIM : 125060800111004




[R1] 0.8 0.07 0 0.33333333 0 8 0

[R2] 0.8 0.07 0 0.66666667 0 8 0

[R3] 0.8 0.07 1 0.33333333 0.07 7.79 0.5453

[R4] 0.8 0.07 1 0.66666667 0.07 7.79 0.5453

[R5] 0.8 0.93 0 0.33333333 0 8 0

[R6] 0.8 0.93 0 0.66666667 0 8 0

[R7] 0.8 0.93 1 0.33333333 0.333333333 7 2.333333333

[R8] 0.8 0.93 1 0.66666667 0.666666667 7 4.666666667

[R9] 0.2 0.07 0 0.33333333 0 8 0

[R10] 0.2 0.07 0 0.66666667 0 5 0

[R11] 0.2 0.07 1 0.33333333 0.07 5.21 0.3647

[R12] 0.2 0.07 1 0.66666667 0.07 5.21 0.3647

[R13] 0.2 0.93 0 0.33333333 0 5 0

[R14] 0.2 0.93 0 0.66666667 0 5 0

[R15] 0.2 0.93 1 0.33333333 0.2 5.6 1.12

[R16] 0.2 0.93 1 0.66666667 0.2 5.6 1.12

Sumber:[Pengujian]

Poin MAWAPRES excel data 9= 6.583 (Prediksi Tinggi)

Hasil Aplikasi :



[R1] 0.8 0.07 0 0.33333333 0 8 0

[R2] 0.8 0.07 0 0.66666667 0 8 0

[R3] 0.8 0.07 1 0.33333333 0.07 7.79 0.5453

[R4] 0.8 0.07 1 0.66666667 0.07 7.79 0.5453

[R5] 0.8 0.93 0 0.33333333 0 8 0

[R6] 0.8 0.93 0 0.66666667 0 8 0

[R7] 0.8 0.93 1 0.33333333 0.333333333 7 2.333333333

[R8] 0.8 0.93 1 0.66666667 0.666666667 7 4.666666667

106

[R9] 0.2 0.07 0 0.33333333 0 8 0

[R10] 0.2 0.07 0 0.66666667 0 5 0

[R11] 0.2 0.07 1 0.33333333 0.07 5.21 0.3647

[R12] 0.2 0.07 1 0.66666667 0.07 5.21 0.3647

[R13] 0.2 0.93 0 0.33333333 0 5 0

[R14] 0.2 0.93 0 0.66666667 0 5 0

[R15] 0.2 0.93 1 0.33333333 0.2 5.6 1.12

[R16] 0.2 0.93 1 0.66666667 0.2 5.6 1.12

Sumber:[Pengujian]


Data 10 = Nama : Dermawan P NIM : 125060800111014




[R1] 0.8 0.17 0 0.33333333 0 8 0

[R2] 0.8 0.17 0 0.66666667 0 8 0

[R3] 0.8 0.17 1 0.33333333 0.17 7.49 1.2733

[R4] 0.8 0.17 1 0.66666667 0.17 7.49 1.2733

[R5] 0.8 0.83 0 0.33333333 0 8 0

[R6] 0.8 0.83 0 0.66666667 0 8 0

[R7] 0.8 0.83 1 0.33333333 0.333333333 7 2.333333333

[R8] 0.8 0.83 1 0.66666667 0.666666667 7 4.666666667

[R9] 0.2 0.17 0 0.33333333 0 8 0

[R10] 0.2 0.17 0 0.66666667 0 5 0

[R11] 0.2 0.17 1 0.33333333 0.17 5.51 0.9367

[R12] 0.2 0.17 1 0.66666667 0.17 5.51 0.9367

[R13] 0.2 0.83 0 0.33333333 0 5 0

[R14] 0.2 0.83 0 0.66666667 0 5 0

[R15] 0.2 0.83 1 0.33333333 0.2 5.6 1.12

[R16] 0.2 0.83 1 0.66666667 0.2 5.6 1.12

Sumber:[Pengujian]


Hasil Aplikasi :

107



[R1] 0.8 0.17 0 0.33333333 0 8 0

[R2] 0.8 0.17 0 0.66666667 0 8 0

[R3] 0.8 0.17 1 0.33333333 0.17 7.49 1.2733

[R4] 0.8 0.17 1 0.66666667 0.17 7.49 1.2733

[R5] 0.8 0.83 0 0.33333333 0 8 0

[R6] 0.8 0.83 0 0.66666667 0 8 0

[R7] 0.8 0.83 1 0.33333333 0.333333333 7 2.333333333

[R8] 0.8 0.83 1 0.66666667 0.666666667 7 4.666666667

[R9] 0.2 0.17 0 0.33333333 0 8 0

[R10] 0.2 0.17 0 0.66666667 0 5 0

[R11] 0.2 0.17 1 0.33333333 0.17 5.51 0.9367

[R12] 0.2 0.17 1 0.66666667 0.17 5.51 0.9367

[R13] 0.2 0.83 0 0.33333333 0 5 0

[R14] 0.2 0.83 0 0.66666667 0 5 0

[R15] 0.2 0.83 1 0.33333333 0.2 5.6 1.12

[R16] 0.2 0.83 1 0.66666667 0.2 5.6 1.12

Sumber:[Pengujian]


6.2.1. Analisis Hasil Pengujian Fungsionalitas

Dari kasus uji yang telah dilaksanakan sesuai dengan prosedur pengujian

yang telah disebutkan dalam sub pokok bahasan 6.1.1 maka didapatkan hasil

seperti yang ditunjukkan dalam Tabel 6.33 berikut.

Tabel 6.33 Tabel Hasil Pengujian

No. Kasus Uji Hasil yang Didapatkan Status

1. Pilih Menu Sistem dapat memproses pilihan menu

berupa menu setting, input, about, dan

help yang telah dipilih oleh user dan

kemudian dapat mengalihkan ke

halaman menu aplikasi sesuai dengan

pilihan user.

Valid

2. Tampilkan Data

Rule

Sistem dapat melakukan proses

menampilkan rule yang benar.

Valid

108

3. Tampilkan Data

Membership


menampilkan membership yang benar.

Valid

4. Input Data

Mahasiswa

PTIIK


menampilkan hasil prediksi mahasiswa

yang teah diinputkan oleh user yaitu

mereka termasuk dalam mahasiswa

berprestasi atau mahasiswa tidak

berprestasi.

Valid

5. Tampilkan

Detail

Perhitungan


penampilan detail hasil prediksi

mahasiswa.

Valid

6 Tampilkan

Halaman

Tentang

Aplikasi


menampilkan semua informasi tentang

aplikasi yang ada di aplikasi ini.

Valid

7 Tampilkan

Halaman Cara

Penggunaan


menampilkan semua informasi cara

penggunaan yang ada di aplikasi ini.

Valid

8 Tampilkan

Halaman About

Dev


penampilan halaman tentang kami

berupa siapa saja pengembang dari

aplikasi

Valid

Sumber: [Pengujian]

Proses analisis terhadap hasil pengujian fungsionalitas dilakukan dengan

melihat kesesuaian antara fungsi hasil kerja sistem dengan daftar kebutuhan

sistem. Berikut merupakan perhitungan nilai hasil pengujian fungsionalitas:

Validasi= Jumlah tindakan yangdilakukanjumlah tindakan dalam daftar kebutuhan

x100 %

= 88

x 100 %

= 100%

109

Berdasarkan dari hasil pengujian fungsionalitas di atas maka dapat

dianalisis bahwa implementasi dan fungsionalitas sistem telah sesuai dengan

daftar kebutuhan sistem yang dijelaskan dalam tahapan analisis kebutuhan sistem.

6.2.2. Analisis Hasil Pengujian Akurasi

Dari kasus uji yang telah dilaksanakan sesuai dengan prosedur pengujian

yang telah disebutkan dalam sub pokok bahasan 6.1.2 maka didapatkan hasil

seperti yang ditunjukkan dalam Tabel 6.34 dan Tabel 6.35 berikut.

Tabel 6.34 Hasil Pengujian Excel Keseluruhan

No. Nama NIMJenis


SKOR LINGUISTIK

1. Abdul Aziz 125060800111173 L 3.2 475 2 1 6.491 Rendah

2. Ryanto M 125060800111045 L 3.1 530 1 1 5.6 Rendah

3. M. Gunawan 125060800111038 L 3.5 600 3 1 6.667 Tinggi

4. Hadi Nur C 125060800111067 L 3.2 490 1 1 6.53 Tinggi

5. Reza Luqman 125060800111088 L 3.6 500 8 2 7.04 Tinggi

6. M. Isnaeni 125060800111115 L 3.6 515 6 1 7.715 Tinggi

7. M. Dika 125060800111106 L 3.1 412 3 4 6.421 Rendah

8. Zaenal A 125060800111006 L 3.4 520 6 4 6.619 Tinggi

9. Candra R 125060800111004 L 3.1 513 6 4 6.583 Tinggi

10. Dermawan P 125060800111014 L 3.1 503 7 4 6.567 Tinggi

Sumber: [Pengujian]

Tabel 6.35 Hasil Pengujian Aplikasi Keseluruhan

No. Nama NIMJenis


SKOR LINGUISTIK

1. Abdul Aziz 125060800111173 L 3.2 475 2 1 6.492 Rendah

2. Ryanto M 125060800111045 L 3.1 530 1 1 5.599 Rendah

3. M. Gunawan 125060800111038 L 3.5 600 3 1 6.666 Tinggi

4. Hadi Nur C 125060800111067 L 3.2 490 1 1 6.537 Tinggi

5. Reza Luqman 125060800111088 L 3.6 500 8 2 7.040 Tinggi

6. M. Isnaeni 125060800111115 L 3.6 515 6 1 7.715 Tinggi

7. M. Dika 125060800111106 L 3.1 412 3 4 6.421 Rendah

8. Zaenal A 125060800111006 L 3.4 520 6 4 6.619 Tinggi

9. Candra R 125060800111004 L 3.1 513 6 4 6.583 Tinggi

110

10. Dermawan P 125060800111014 L 3.1 503 7 4 6.567 Tinggi

Sumber: [Pengujian]

Proses analisis terhadap hasil pengujian akurasi dilakukan dengan melihat

kesesuaian antara perhitungan excel dengan aplikasi yang diimplementasikan.

Berikut merupakan perhitungan nilai hasil pengujian akurasi:

Akurasi= Jumlah prediksi benar aplikasijumlah benar perhitungan excel

x100 %

= 1010

x100 %

= 100%

Berdasarkan dari hasil pengujian akurasi di atas maka dapat dianalisis

bahwa hasil perhitungan excel telah sesuai dengan perhitungan aplikasi, sehingga

memiliki akurasi yang tinggi yaitu 100%.

BAB VII

PENUTUP

7.1. Kesimpulan

Berdasarkan perancangan, implementasi dan hasil pengujian dari sistem

pendukung keputusan pemilihan mahasiswa berprestasi dengan menggunakan

Fuzzy Tsukamoto maka didapatkan kesimpulan sebagai berikut :

1. Aplikasi sistem pendukung keputusan untuk pemilihan mahasiswa

berprestasi dengan metode Fuzzy Tsukamoto telah dibuat sesuai dengan

perancangan dan dapat digunakan dalam merekomendasikan hasil prediksi

dari mahasiswa berprestasi.

2. Hasil pengujian dari Sistem Pendukung Keputusan Pemilihan Mahasiswa

Berprestasi dengan menggunakan Metode Fuzzy Tsukamoto adalah :

Hasil pengujian fungsional Sistem pendukung keputusan pemilihan

mahasiswa berprestasi memiliki kinerja sistem yang mampu berjalan

sesuai dengan kebutuhan fungsional. Hal ini dibuktikan dengan hasil

pengujian fungsional yang memberikan nilai sebesar 100%.

Hasil pengujian akurasi yang diberikan oleh metode Fuzzy Tsukamoto

baik menggunakan aplikasi yang telah diimplementasikan dan file

perhitungan excel sama, dan diperoleh perhitungan akurasi sebesar

100%

7.2. Saran

Saran untuk pengembangan penelitian lebih lanjut adalah :

1. Dapat menambahkan variabel Karya Tulis Ilmiah sehingga mungkin akurasi

juga akan lebih baik lagi

2. SPK pemilihan mahasiswa berprestasi dengan metode Fuzzy Tsukamoto

tidak cocok untuk perangkingan dengan banyak data sekaligus, sehingga

tidak dapat dilakukan perankingan terhadap data yang diimputkan, mungkin

lebih cocok dengan metode khusus perangkingan seperti AHP, TOPSIS, dll.

111

DAFTAR PUSTAKA

[1]Anonymous, Landasan Teori Logika Fuzzy, Universitas Sumatera Utara.

[2]Deby Nur Hidayat. 2012. Sistem Pendukung Keputusan Kelompok Pemilihan

Mahasiswa Berprestasi Berbasis Web dengan Metode Fuzzy Query. Politeknik

Elektronika Negeri Surabaya, Institut Teknologi Sepuluh November. Surabaya.

[3]Dr. Ir. Diana Arfiati, MS. 2008. Manual Prosedur Pemilihan Mahasiswa

Beprestasi FPIK Universitas Brawijaya. Malang.

[4]http://a-research.upi.edu/operator/upload/s_kom_0704436_chapter1.pdf,

diakses pada tanggal 2 Oktober 2014.

[5]Illah Sailah. 2014. Pedoman Pemilihan Mahasiswa Beprestasi Program

Sarjana. Kementrian Pendidikan dan Kebudayaan Direktorat Jenderal Pendidikan

Tinggi Direktorat Pembelajaran dan Kemahasiswaan.

[6]Rahman, A. 2011. Sisem Penunjang Keputusan Dalam Penentuan Penerima

Kredit Mobil Berbasis Analitical Hierarchy Proses(AHP). Banjarmasin: STMIK

Banjarbaru.

[7]Ramadhana Sanja, Alfan Nazala, Adzhana Hasfi, dkk. 2014. Sistem Pakar

Diagnosis Penyakit Kanker Prostat Menggunakan Metode Fuzzy Tsukamoto.

Program Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya. Malang.

[8]Sri Kusumadewi & Sri Hartati. 2006. Neuro Fuzzy-Integrasi Sistem Fuzzy dan

Jaringan Syaraf.Yogyakarta: Graha Ilmu.

[9]Suyadi. 2009. Studi Perencanaan Sistem Untuk Pendukung Keputusan Proyek

Kapal Bangunan Baru. DIII Teknik Perkapalan, Fakultas Teknik Universitas

Dipenogoro. Semarang.

[10]Turban, E, Aronson, Jay E & Liang, Teng-Ping. 2005. Decission Support

Systems and Intelligent Systems Edisi 7 Jilid 2.Yogyakarta: Andi.

112

http://a-research.upi.edu/operator/upload/s_kom_0704436_chapter1.pdf

sistem pendukung keputusan pemilihan mahasiswa berprestasi metode fuzzy tsukamoto

Documents