sistem pendukung keputusan pemilihan mahasiswa berprestasi metode fuzzy tsukamoto
DESCRIPTION
Sistem Pendukung KeputusanTRANSCRIPT
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
ii
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 6.15 Hasil Perhitungan Excel Data 2...........................................................94
Tabel 6.16 Hasil Perhitungan Aplikasi Data 2.......................................................95
Tabel 6.17 Hasil Perhitungan Excel Data 3...........................................................95
Tabel 6.18 Hasil Perhitungan Aplikasi Data 3.......................................................96
Tabel 6.19 Hasil Perhitungan Excel Data 4...........................................................96
Tabel 6.20 Hasil Perhitungan Aplikasi Data 4.......................................................97
Tabel 6.21 Hasil Perhitungan Excel Data 5...........................................................98
Tabel 6.22 Hasil Perhitungan Aplikasi Data 5.......................................................98
Tabel 6.23 Hasil Perhitungan Excel Data 6...........................................................99
Tabel 6.24 Hasil Perhitungan Aplikasi Data 6.....................................................100
vii
Tabel 6.25 Hasil Perhitungan Excel Data 7.........................................................100
Tabel 6.26 Hasil Perhitungan Aplikasi Data 7.....................................................101
Tabel 6.27 Hasil Perhitungan Excel Data 8.........................................................101
Tabel 6.28 Hasil Perhitungan Aplikasi Data 8....................................................102
Tabel 6.29 Hasil Perhitungan Excel Data 9.........................................................103
Tabel 6.30 Hasil Perhitungan Aplikasi Data 9.....................................................103
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
mahasiswa berprestasi.
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
Metode Fuzzy Tsukamoto
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
mahasiswa berprestasi.
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.
Deskripsi Use case ini mendeskripsikan bagaimana
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.
Deskripsi Use case ini mendeskripsikan bagaimana
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
Metode Fuzzy Tsukamoto
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
Nilai keanggotaan anteseden untuk aturan fuzzy [R2] yang dinotasikan
dengan α2 diperoleh dengan rumus sebagai berikut:
α2 = min(µ IPK Rendah, µ TOEFL Rendah, µ PDSK Rendah, µ Eksul
Tinggi)
= min(0, 0.4, 0, 0)
= 0
Menurut Fungsi keanggotaan himpunan Hasil Prediksi(HP) rendah dalam
aturan fuzzy [R2], maka nilai z2 adalah:
67
z2 = zmax – α2(zmax – zmin )
= 8 – 0(8 – 5)
= 8
[R3] IF IPK rendah AND TOEFL rendah AND PDSK tinggi AND Ekskul rendah
THEN HP rendah
Nilai keanggotaan anteseden untuk aturan fuzzy [R3] yang dinotasikan
dengan α3 diperoleh dengan rumus sebagai berikut:
α3 = min(µ IPK Rendah, µ TOEFL Rendah, µ PDSK Tinggi, µ Eksul
Rendah)
= min(0, 0.4, 1, 1)
= 0
Menurut Fungsi keanggotaan himpunan Hasil Prediksi(HP) rendah dalam
aturan fuzzy [R3], maka nilai z3 adalah:
z3 = zmax – α3(zmax – zmin )
= 8 – 0(8 – 5)
= 8
[R4] IF IPK rendah AND TOEFL rendah AND PDSK tinggi AND Ekskul tinggi
THEN HP rendah
Nilai keanggotaan anteseden untuk aturan fuzzy [R4] yang dinotasikan
dengan α4 diperoleh dengan rumus sebagai berikut:
α4 = min(µ IPK Rendah, µ TOEFL Rendah, µ PDSK Tinggi, µ Eksul
Tinggi)
= min(0, 0.4, 1, 0)
= 0
Menurut Fungsi keanggotaan himpunan Hasil Prediksi(HP) rendah dalam
aturan fuzzy [R4], maka nilai z4 adalah:
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
Nilai keanggotaan anteseden untuk aturan fuzzy [R5] yang dinotasikan
dengan α5 diperoleh dengan rumus sebagai berikut:
α5 = min(µ IPK Rendah, µ TOEFL Tinggi, µ PDSK Rendah, µ Eksul
Rendah)
= min(0, 0.6, 0, 1)
= 0
Menurut Fungsi keanggotaan himpunan Hasil Prediksi(HP) rendah dalam
aturan fuzzy [R5], maka nilai z5 adalah:
z5 = zmax – α5(zmax – zmin )
= 8 – 0(8 – 5)
= 8
[R6] IF IPK rendah AND TOEFL tinggi AND PDSK rendah AND Ekskul tinggi
THEN HP rendah
Nilai keanggotaan anteseden untuk aturan fuzzy [R6] yang dinotasikan
dengan α6 diperoleh dengan rumus sebagai berikut:
α6 = min(µ IPK Rendah, µ TOEFL Tinggi, µ PDSK Rendah, µ Eksul
Tinggi)
= min(0, 0.6, 0, 0)
= 0
Menurut Fungsi keanggotaan himpunan Hasil Prediksi(HP) rendah dalam
aturan fuzzy [R6], maka nilai z6 adalah:
z6 = zmax – α6(zmax – zmin )
= 8 – 0(8 – 5)
= 8
[R7] IF IPK rendah AND TOEFL tinggi AND PDSK tinggi AND Ekskul rendah
THEN HP rendah
Nilai keanggotaan anteseden untuk aturan fuzzy [R7] yang dinotasikan
dengan α7 diperoleh dengan rumus sebagai berikut:
69
α7 = min(µ IPK Rendah, µ TOEFL Tinggi, µ PDSK Tinggi, µ Eksul
Rendah)
= min(0, 0.6, 1, 1)
= 0
Menurut Fungsi keanggotaan himpunan Hasil Prediksi(HP) rendah dalam
aturan fuzzy [R7], maka nilai z7 adalah:
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
Nilai keanggotaan anteseden untuk aturan fuzzy [R8] yang dinotasikan
dengan α8 diperoleh dengan rumus sebagai berikut:
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
aturan fuzzy [R8], maka nilai z8 adalah:
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
Nilai keanggotaan anteseden untuk aturan fuzzy [R9] yang dinotasikan
dengan α9 diperoleh dengan rumus sebagai berikut:
α9 = min(µ IPK Tinggi, µ TOEFL Rendah, µ PDSK Rendah, µ Eksul
Rendah)
= min(1, 0.4, 0, 1)
= 0
70
Menurut Fungsi keanggotaan himpunan Hasil Prediksi(HP) rendah dalam
aturan fuzzy [R9], maka nilai z9 adalah:
z9 = zmax – α9(zmax – zmin )
= 8 – 0(8 – 5)
= 8
[R10] IF IPK tinggi AND TOEFL rendah AND PDSK rendah AND Ekskul tinggi
THEN HP tinggi
Nilai keanggotaan anteseden untuk aturan fuzzy [R10] yang dinotasikan
dengan α10 diperoleh dengan rumus sebagai berikut:
α10 = min(µ IPK Tinggi, µ TOEFL Rendah, µ PDSK Rendah, µ Eksul
Tinggi)
= min(1, 0.4, 0, 0)
= 0
Menurut Fungsi keanggotaan himpunan Hasil Prediksi(HP) tinggi dalam
aturan fuzzy [R10], maka nilai z10 adalah:
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
Nilai keanggotaan anteseden untuk aturan fuzzy [R11] yang dinotasikan
dengan α11 diperoleh dengan rumus sebagai berikut:
α11 = min(µ IPK Tinggi, µ TOEFL Rendah, µ PDSK Tinggi, µ Eksul
Rendah)
= min(1, 0.4, 1, 1)
= 0.4
Menurut Fungsi keanggotaan himpunan Hasil Prediksi(HP) tinggi dalam
aturan fuzzy [R11], maka nilai z11 adalah:
z11 = zmin +α11*(zmax – zmin )
= 5 + 0.4(8 – 5)
= 6.2
71
[R12] IF IPK tinggi AND TOEFL rendah AND PDSK tinggi AND Ekskul tinggi
THEN HP tinggi
Nilai keanggotaan anteseden untuk aturan fuzzy [R12] yang dinotasikan
dengan α12 diperoleh dengan rumus sebagai berikut:
α12 = min(µ IPK Tinggi, µ TOEFL Rendah, µ PDSK Tinggi, µ Eksul
Tinggi)
= min(1, 0.4, 1, 0)
= 0
Menurut Fungsi keanggotaan himpunan Hasil Prediksi(HP) tinggi dalam
aturan fuzzy [R12], maka nilai z12 adalah:
z12 = zmin +α12*(zmax – zmin )
= 5 + 0(8 – 5)
= 5
[R13] IF IPK tinggi AND TOEFL tinggi AND PDSK rendah AND Ekskul rendah
THEN HP tinggi
Nilai keanggotaan anteseden untuk aturan fuzzy [R13] yang dinotasikan
dengan α13 diperoleh dengan rumus sebagai berikut:
α13 = min(µ IPK Tinggi, µ TOEFL Tinggi, µ PDSK Rendah, µ Eksul
Rendah)
= min(1, 0.6, 0, 1)
= 0
Menurut Fungsi keanggotaan himpunan Hasil Prediksi(HP) tinggi dalam
aturan fuzzy [R13], maka nilai z13 adalah:
z13 = zmin +α13*(zmax – zmin )
= 5 + 0(8 – 5)
= 5
[R14] IF IPK tinggi AND TOEFL tinggi AND PDSK rendah AND Ekskul tinggi
THEN HP tinggi
72
Nilai keanggotaan anteseden untuk aturan fuzzy [R14] yang dinotasikan
dengan α14 diperoleh dengan rumus sebagai berikut:
α14 = min(µ IPK Tinggi, µ TOEFL Tinggi, µ PDSK Rendah, µ Eksul
Tinggi)
= min(1, 0.6, 0, 0)
= 0
Menurut Fungsi keanggotaan himpunan Hasil Prediksi(HP) tinggi dalam
aturan fuzzy [R14], maka nilai z14 adalah:
z14 = zmin +α14*(zmax – zmin )
= 5 + 0(8 – 5)
= 5
[R15] IF IPK tinggi AND TOEFL tinggi AND PDSK tinggi AND Ekskul rendah
THEN HP tinggi
Nilai keanggotaan anteseden untuk aturan fuzzy [R15] yang dinotasikan
dengan α15 diperoleh dengan rumus sebagai berikut:
α15 = min(µ IPK Tinggi, µ TOEFL Tinggi, µ PDSK Tinggi, µ Eksul
Rendah)
= min(1, 0.6, 1, 1)
= 0.6
Menurut Fungsi keanggotaan himpunan Hasil Prediksi(HP) tinggi dalam
aturan fuzzy [R15], maka nilai z15 adalah:
z15 = zmin +α15*(zmax – zmin )
= 5 + 0.6(8 – 5)
= 6.8
[R16] IF IPK tinggi AND TOEFL tinggi AND PDSK tinggi AND Ekskul tinggi
THEN HP tinggi
Nilai keanggotaan anteseden untuk aturan fuzzy [R16] yang dinotasikan
dengan α16 diperoleh dengan rumus sebagai berikut:
α16 = min(µ IPK Tinggi, µ TOEFL Tinggi, µ PDSK Tinggi, µ Eksul Tinggi)
= min(1, 0.6, 1, 0)
73
= 0
Menurut Fungsi keanggotaan himpunan Hasil Prediksi(HP) tinggi dalam
aturan fuzzy [R16], maka nilai z16 adalah:
z16 = zmin +α16*(zmax – zmin )
= 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
ditunjukkan pada Gambar 5.37.
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
ditunjukkan pada Gambar 5.38.
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
ditunjukkan pada Gambar 5.42.
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
Tujuan Pengujian : Pengujian dilakukan untuk memastikan bahwa sistem
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.
Tujuan Pengujian : Pengujian dilakukan untuk memastikan bahwa sistem
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
Tujuan Pengujian : Pengujian dilakukan untuk memastikan bahwa sistem
dapat memenuhi kebutuhan fungsional untuk
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
Tujuan Pengujian : Pengujian dilakukan untuk memastikan bahwa sistem
dapat memenuhi kebutuhan fungsional untuk
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
Tujuan Pengujian : Pengujian dilakukan untuk memastikan bahwa sistem
dapat memenuhi kebutuhan fungsional untuk
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
Tujuan Pengujian : Pengujian dilakukan untuk memastikan bahwa sistem
dapat memenuhi kebutuhan fungsional untuk
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.
Tujuan Pengujian : Pengujian dilakukan untuk memastikan bahwa sistem
dapat memenuhi kebutuhan fungsional untuk
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
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
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
Hasil Manual - Excel :
Tabel 6.15 Hasil Perhitungan Excel Data 2
Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z
[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
Tabel 6.16 Hasil Perhitungan Aplikasi Data 2
Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z
[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
Hasil Manual - Excel :
Tabel 6.17 Hasil Perhitungan Excel Data 3
Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z
[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 :
Tabel 6.18 Hasil Perhitungan Aplikasi Data 3
Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z
[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
Hasil Manual - Excel :
Tabel 6.19 Hasil Perhitungan Excel Data 4
Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z
[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 :
Tabel 6.20 Hasil Perhitungan Aplikasi Data 4
Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z
[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
Hasil Manual - Excel :
Tabel 6.21 Hasil Perhitungan Excel Data 5
Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z
[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]
Poin MAWAPRES excel data 5 = 7.04 (Prediksi Tinggi)
Hasil Aplikasi :
Tabel 6.22 Hasil Perhitungan Aplikasi Data 5
Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z
[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
Hasil Manual - Excel :
Tabel 6.23 Hasil Perhitungan Excel Data 6
Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z
[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]
Poin MAWAPRES excel data 6 = 7.715 (Prediksi Tinggi)
102
Hasil Aplikasi :
Tabel 6.24 Hasil Perhitungan Aplikasi Data 6
Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z
[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]
Poin MAWAPRES aplikasi data 6 = 7.715 (Prediksi Tinggi)
Data 7 = Nama : M. Dika NIM : 125060800111106
Hasil Manual - Excel :
Tabel 6.25 Hasil Perhitungan Excel Data 7
Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z
[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 :
Tabel 6.26 Hasil Perhitungan Aplikasi Data 7
Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z
[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
Hasil Manual - Excel :
Tabel 6.27 Hasil Perhitungan Excel Data 8
Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z
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]
Poin MAWAPRES excel data 8 = 6.619 (Prediksi Tinggi)
Hasil Aplikasi :
Tabel 6.28 Hasil Perhitungan Aplikasi Data 8
Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z
[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
Poin MAWAPRES aplikasi data 8 = 6.619 (Prediksi Tinggi)
Data 9 = Nama : Candra R NIM : 125060800111004
Hasil Manual - Excel :
Tabel 6.29 Hasil Perhitungan Excel Data 9
Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z
[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 :
Tabel 6.30 Hasil Perhitungan Aplikasi Data 9
Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z
[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]
Poin MAWAPRES aplikasi data 9 = 6.583 (Prediksi Tinggi)
Data 10 = Nama : Dermawan P NIM : 125060800111014
Hasil Manual - Excel :
Tabel 6.31 Hasil Perhitungan Excel Data 10
Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z
[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]
Poin MAWAPRES excel data 10 = 6.567 (Prediksi Tinggi)
Hasil Aplikasi :
107
Tabel 6.32 Hasil Perhitungan Aplikasi Data 10
Rule μIPK μTOEFL μPDSK μEkskul Min(α)Z Alfa*Z
[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]
Poin MAWAPRES aplikasi data 10 = 6.567 (Prediksi Tinggi)
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
Sistem dapat melakukan proses
menampilkan membership yang benar.
Valid
4. Input Data
Mahasiswa
PTIIK
Sistem dapat melakukan proses
menampilkan hasil prediksi mahasiswa
yang teah diinputkan oleh user yaitu
mereka termasuk dalam mahasiswa
berprestasi atau mahasiswa tidak
berprestasi.
Valid
5. Tampilkan
Detail
Perhitungan
Sistem dapat melakukan proses
penampilan detail hasil prediksi
mahasiswa.
Valid
6 Tampilkan
Halaman
Tentang
Aplikasi
Sistem dapat melakukan proses
menampilkan semua informasi tentang
aplikasi yang ada di aplikasi ini.
Valid
7 Tampilkan
Halaman Cara
Penggunaan
Sistem dapat melakukan proses
menampilkan semua informasi cara
penggunaan yang ada di aplikasi ini.
Valid
8 Tampilkan
Halaman About
Dev
Sistem dapat melakukan proses
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
KelaminIPK TOEFL PDSK EKSKUL
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
KelaminIPK TOEFL PDSK EKSKUL
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