SISTEM REKOMENDASI PENERIMAAN PESERTA DI
SISTEM REKOMENDASI PENERIMAAN PESERTA DIDIK BARU
MENGGUNAKAN METODE FUZZY TSK DAN ANALISIS GAP
(Studi Kasus SMA LAB UM Malang)
TUGAS AKHIR SEMESTER
Mata Kuliah Kecerdasan Komputasional
Oleh:
Syahroni Wahyu Iriananda (156060300111006)
PROGRAM STUDI PASCA SARJANA
MINAT SISTEM KOMUNIKASI DAN INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS BRAWIJAYA
2016
1. PENDAHULUAN
1.1. Latar Belakang
Teknologi informasi berkembang sangat pesat, dan sudah tidak dapat dipungkiri bahwa
teknologi informasi menjadi suatu kebutuhan sekunder bagi sebagian masyarakat. Penerapan
teknologi informasi ini semakin luas ke berbagai bidang. Salah satu penerapan teknologi
informasi adalah pada dunia pendidikan dalam proses penerimaan peserta didik baru (PPDB).
Proses Penerimaan Peserta Didik Baru (PPDB) setiap tahun dilakukan oleh setiap sekolah.
Jumlah calon peserta didik yang setiap tahun meningkat, tidak sebanding dengan jumlah
sekolah dan kuota yang tersedia. Kualitas & fasilitas pendidikan yang tidak merata disetiap
sekolah misalnya, membuat calon peserta didik saling berkompetisi untuk dapat masuk ke
sekolah yang diunggulkan. Akibatnya muncul berbagai macam aturan-aturan dan banyak
kondisi yang harus dipenuhi oleh peserta didik untuk dapat diterima di sekolah tersebut.
Mengingat setiap calon siswa memiliki kemampuan yang berbeda-beda dalam memenuhi
aturan-aturan dan kondisi yang disyaratkan, maka dilakukan sebuah proses seleksi.
Seleksi ini merupakan proses seleksi calon siswa yang mengacu pada berbagai criteria
masalah, banyak metode digunakan untuk menyelesaikan masalah tersebut. Saat ini masih
banyak sekolah-sekolah yang melakukan proses seleksi secara manual, sehingga prosesnya
cenderung rumit, tidak fleksibel, tidak efektif dan tidak efisien. Kehadiran teknologi dalam
seleksi PPDB ini diharapkan dapat mempermudah dan mempercepat proses tersebut. Hal inilah
yang membuat penulis tertarik untuk melakukan penelitian dan menerapkannya.
Di lingkungan SMA Lab UM Malang, proses seleksi dilakukan dalam dua tahap. Tahap yang
pertama adalah seleksi calon siswa baru secara umum. Tahapan ini dilakukan untuk menilai
kelayakan calon siswa. Tahap berikutnya adalah proses penjurusan setelah calon siswa
dinyatakan telah diterima. Kemudian penggolongan kelas ditentukan melalui rekomendasi guru
konseling sekolah asal masing-masing. Hal inilah yang menurut penulis dinilai kurang efisien.
Menurut penulis, dalam seleksi tersebut juga perlu menggunakan nilai rapor siswa, sehingga
dalam menentukan jurusan dapat sesuai dengan minat dan bakat siswa.
Pada perencanaan proses seleksi PPDB di lingkungan SMA Lab UM Malang ini akan
dirancang tiga kriteria penilaian yaitu Nilai Tes Masuk, Nilai UN, dan Jalur Masuk. Setelah calon
siswa dinyatakan lulus dan layak dalam proses penilaian tersebut, kemudian dilakukan seleksi
untuk menentukan jurusan yang antara lain: IPA, IPS, dan Bahasa. Proses penentuan kelas
dilakukan dengan mempertimbangkan criteria hasil seleksi calon siswa baru dan nilai rapor
calon siswa selama masih duduk dibangku SMP. Metode yang digunakan untuk menyelesaikan
masalah-masalah tersebut diatas adalah metode TSK dan Analisis GAP.
1.2. Rumusan Masalah
Rumusan masalah pada penelitian ini adalah:
•
Bagaimana menerapkan metode TSK dan Analisis GAP untuk rekomendasi pada proses
PPDB?
•
Bagaimana tingkat akurasi metode yang digunakan untuk rekomendasi pada proses
PPDB?
1.3. Batasan Masalah
Batasan masalah pada penelitian ini adalah:
•
•
Diasumsikan data yang digunakan adalah data PPDB SMA Lab UM tahun 2014/2015
Data yang digunakan dari SMA Lab UM adalah data siswa, nilai UN, nilai tes masuk
berdasarkan mata pelajaran(IPA, IPS, bahasa), jalur masuk dan nilai rata-rata
keseluruhan tes masuk.
•
Data yang di olah untuk proses seleksi masuk SMA menggunakan metode m etode
TS K/ fuzzy Sugeno adalah nilai UN, nilai rata-rata keseluruhan tes masuk dan jalur
masuk.
•
Data yang di olah untuk proses penjurusan menggunakan metode analisis GAP/profile
matching adalah nilai UN, nilai tes masuk dan nilai tes masing-masing mata pelajaran
yang dijuruskan yaitu nilai IPA, IPS dan bahasa.
1.4. Tujuan Penelitian
Tujuanpenelitian ini adalah:
•
M en er ap ka n metode TSK (Takagi-Sugeno-Kang) pada proses seleksi PPDB dan
metode Analisis GAP/Profile Matching untuk menentukan penjurusan bagi siswa yang
lolos seleksi PPDB.
•
Merancang perangkat lunak untuk pendukung keputusan dalam seleksi PPDB dan
penjurusan yang lebih akurat di lingkungan SMA Lab UM.
1.5. Manfaat Penelitian
Manfaat yang akan dicapai dari tugas akhir semester ini
adalah untuk membantu
menyelesaikan masalah proses PPDB di SMA, sehingga proses tersebut dapat dilakukan secara
efektif dan efisien, fleksibel dan mudah dilakukan.
2. TINJAUAN PUSTAKA
2.1. Logika Fuzzy
Logika fuzzy adalah cabang dari sistem kecerdasan buatan (Artificial Intelegent) yang
meniru kemampuan manusia dalam berfikir ke dalam bentuk algoritma yang kemudian
dijalankan oleh mesin. Algoritma ini digunakan dalam berbagai aplikasi pemrosesan data
yang tidak dapat direpresentasikan dalam bentuk biner. Logika fuzzy menginterpretasikan
statemen yang samar menjadi sebuah pengertian yang logis.
2.2. Himpunan Fuzzy
Himpunan fuzzy merupakan suatu pengembangan lebih lanjut tentang konsep himpunan
dalam matematika. Himpunan Fuzzy adalah rentang
nilai-nilai. Masing-masing nilai
mempunyai derajat keanggotaan (membership) antara 0 sampai dengan 1. Ungkapan logika
Boolean menggambarkan nilai-nilai
ungkapan misalnya:
benar
atau
sangat lambat , agak sedang ,
salah . Logika fuzzy menggunakan
sangat cepat
dan lain-lain untuk
mengungkapkan derajat intensitasnya (Kusumadewi dan Purnomo, 2010).
2.3. Fuzzifikasi
Proses fuzzifikasi merupakan proses untuk mengubah variabel non fuzzy (variabel
numerik) menjadi variabel fuzzy (variabel linguistik). Nilai masukan-masukan yang masih
dalam bentuk variabel numerik yang telah dikuantisasi sebelum diolah oleh pengendali fuzzy
harus diubah terlebih dahulu ke dalam variabel fuzzy. Melalui fungsi keanggotaan yang telah
disusun maka nilai-nilai masukan tersebut menjadi informasi fuzzy yang berguna nantinya
untuk proses pengolahan secara fuzzy pula. Proses ini disebut fuzzifikasi (Kusumadewi dan
Purnomo, 2010).
2.4. Komposisi Inferensi Berbasis Aturan
Pada umumnya, aturan-aturan fuzzy dinyatakan dalam bentuk
IF THEN
yang
merupakan inti dari relasi fuzzy. Relasi fuzzy, dinyatakan dengan R, juga disebut implikasi
fuzzy (Kusumadewi dan Purnomo, 2010). Untuk mendapatkan aturan IF ..THEN ada dua
cara utama:
1.
Menanyakan ke operator manusia yang dengan cara manual telah mampu mengendalikan
sistem tersebut, dikenal dengan human expert .
2.
Dengan menggunakan algoritma pelatihan berdasarkan data-data masukan dan keluaran.
2.5. Defuzzifikasi
Keputusan yang dihasilkan dari proses penalaran masih dalam bentuk fuzzy, yaitu berupa
derajat keanggotaan keluaran. Hasil ini harus diubah kembali menjadi variabel numerik non
fuzzy melalui proses defuzzifikasi (Kusumadewi dan Purnomo, 2010).
2.6. Model TSK (Takagi-Sugeno-Kang)
Metode Takagi-Sugeno-Kang atau sering disebut dengan Fuzzy Sugeno ini diperkenalkan
oleh Takagi-Sugeno Kang pada tahun 1985. Untuk mendapatkan input maka diperlukan empat
tahapan, yaitu:
1. Pembentukan himpunan fuzzy
2. Aplikasi fungsi implikasi
3. Komposisi aturan
4. Penegasan (defuzzy)
Model pada metode Tagaki-Sugeno ada dua yaitu:
•
Model Fuzzy Takagi-Sugeno Orde-Nol
Secara umum bentuk model fuzzy Takagi-Sugeno Orde-Nol adalah:
IF (x1 is A1)
(x2 is A2)
(x3 is A3) ... (xN is AN) THEN z = k
(1.0)
Dengan AN adalah himpunan fuzzy ke-N sebagai anteseden dan k adalah suatu
konstanta (tegas) sebagai konsekuen.
•
Model Fuzzy Takagi-Sugeno Orde-Satu
Secara umum bentuknya adalah:
IF (x1 is A1) ... (xN is AN) THEN z = p1 * x1 + + pN * xN + q
(1.1)
Dengan AN adalah himpunan fuzzy ke-N sebagai anteseden dan p1 adalah suatu
konstanta (tegas) ke-N dan q juga merupakan konstanta dalam konsekuen.
Pada metode Takagi-Sugeno ini, tahapan defuzzy dilakukan dengan cara mencari nilai rata-rata.
2.7. Analisis GAP
Analisis GAP juga lebih sering disebut sebagai Profile Matching. Menurut Rachma
(2003:101), Profile Matching merupakan suatu proses dalam manajemen SDM dimana
terlebih dahulu ditentukan kompetensi (kemampuan) yang diperlukan oleh suatu jabatan.
Kompetensi/kemampuan tersebut haruslah dapat dipenuhi oleh pemegang jabatan.
Dalam proses Profile Matching secara garis besar merupakan proses membandingkan
antara kompetensi individu ke dalam kompetensi jabatan sehingga dapat diketahui perbedaan
kompetensinya (disebut juga gap), semakin kecil gap yang dihasilkan maka bobot nilainya
semakin besar yang berarti memiliki peluang lebih besar untuk karyawan menempati posisi
tersebut.
Profile Matching menganggap bahwa terdapat tiga predictor variables ideal yang harus
dimiliki seseorang. Dalam hal ini bukan berarti tingkat minimal yang harus dipenuhi atau
dilewati. Tingkat gambaran profil persyaratan untuk setiap jabatan ditentukan dengan
menggunakan skala dari 1 sampai 6. Makin tinggi tingkatannya, makin penting prioritas profil
tersebut terhadap suatu jabatan.
Tujuan penilaian potensi adalah untuk membandingkan profil pribadi seorang karyawan
dengan profil jabatan yang bersangkutan. Dalam hal kecocokan orang dengan pekerjaannya,
akan timbul kerugian bila terlalu banyak atau terlalu sedikit motifasi prestasi untuk suatu
pekerjaan tertentu. Kedua keadaan itu dapat menyebabkan seseorang tidak dapat menjadi
karywan berprestasi dan cenderung terjadi kesalahan dalam penempatan posisi jabatan.
Dengan Profile Matching, orang-orang yang diangkat adalah mereka yang paling mendekati
profil ideal karyawan yang berhasil.
Menurut (Kusrini, 2007) Profile Matching adalah sebuah mekanisme pengambilan
keputusan dengan mengasumsikan bahwa terdapat tingkat minimal yang harus dipenuhi atau
dilewati. Langkah-langkah dalam penyelesaian perhitungan dengan menggunakan metode
Profile Matching yaitu :
1. Aspek-aspek penilaian.
Langkah pertama menentuan Bobot Nilai Gap. Pada tahap ini, akan ditentukan
bobot nilai masing-masing aspek dengan menggunakan bobot nilai yang telah
ditentukan bagi masing-masing aspek itu sendiri. Adapun inputan dari proses
pembobotan ini adalah selisih dari profil calon siswa dan profil nilai calon siswa.
2. Pemetaan GAP Nilai.
GAP Nilai adalah perbedaan antara kriteria yang dimiliki calon siswa dengan
kriteria yang diinginkan. Rumus untuk mencari GAP kompetensi yaitu :
GAP = Nilai
Nilai Minimal
(1.2)
Sedangkan untuk pengumpulan gap-gap yang terjadi itu sendiri pada tiap aspeknya
mempunyai perhitungan yang berbeda-beda.
Range Penilaian
Kategori
Nilai
Kurang
2
0 - 49
Sangat Kurang
60 - 69
Cukup
50 - 59
70 - 84
85 - 100
Baik
Sangat Baik
1
3
4
5
Table 1. Penilaian Kategori
3. Pembobotan GAP
Apabila pemetaan GAP sudah selesai dilakukan, maka hasil dari pemetaan
tersebut diberi bobot nilai sesuai dengan patokan tabel bobot nilai GAP. Range
penilaian dapat disesuaikan dengan kebutuhan di lapangan, kemudian langkah
selanjutnya adalah memaparkan tiap aspeknya sehingga didapatkan gap (selisih)
sesuai dengan rumus gap. Setelah didapatkan tiap gap masing-masing calon siswa,
maka tiap nilai calon siswa diberi bobot nilai sesuai dengan patokan nilai pada tabel
bobot nilai gap seperti yang dapat dilihat pada Tabel 2.
No
Selisih
Bobot
Keterangan
1
0
6
Tidak ada Gap (kompetensi sesuai yang dibutuhkan)
2
1
5,5
Kompetensi individu kelebihan 1 tingkat/level
3
-1
5
Kompetensi individu kurang 1 tingkat/level
4
2
4,5
Kompetensi individu kelebihan 2 tingkat/level
5
-2
4
Kompetensi individu kurang 2 tingkat/level
6
3
3,5
Kompetensi individu kelebihan 3 tingkat/level
7
-3
3
Kompetensi individu kurang 3 tingkat/level
8
4
2,5
Kompetensi individu kelebihan 4 tingkat/level
9
-4
2
Kompetensi individu kurang 4 tingkat/level
Tabel 2. Tabel Pembobotan Nilai
4. Melakukan Perhitangan Core Factor dan Secondary Factor
Setelah menentukan bobot nilai gap untuk ketiga aspek yang dibutuhkan, kemudian
tiap aspek dikelompokkan lagi menjadi dua kelompok yaitu core factor dan secondary
factor
•
Core Factor (Faktor Utama)
Core factor merupakan aspek ( nilai) yang paling menonjol atau paling
dibutuhkan oleh suatu calon siswa dalam sistem yang diperkirakan dapat
menghasilkan
kinerja
nilai optimal.
ditunjukkan pada rumus berikut ini:
=
Keterangan:
(
)
Perhitungan
core
factor
dapat
(1.3)
= Nilai rata-rata core factor.
NCF
= Jumlah total nilai core factor.
NC(aspek)
IC
•
= Jumlah item core factor.
Secondary Factor (Faktor Sekunder)
=
Keterangan :
NSF
NC(aspek)
(
)
(1.4)
= Nilai rata-rata secondary factor.
= Jumlah total nilai Secondary factor.
Sumber: (Kusrini, 2007)
5. Menghitung Nilai Total Aspek
Dari hasil perhitungan dari tiap aspek tersebut kemudian dihitung nilai total
berdasarkan presentase dari core factor dan secondary factor yang diperkirakan
berpengaruh terhadap kinerja tiap-tiap profil. Perhitungannya dapat dilihat pada
rumus berikut ini.
Keterangan:
=
60%
+ 40%
(1.5)
NCF: Nilai rata-rata core factor
NSF: Nilai rata-rata secondary factor
6. Membuat Peringkat Hasil Akhir (Ranking)
Hasil akhir dari proses profile matching adalah ranking dari kandidat yang calon siswa
yang akan masuk dalam kelas IPA, IPS dan Bahasa.
3. METODOLOGI PENELITIAN DAN PERANCANGAN
3.1. Kerangka Penelitian
Kerangka penelitian yang yang digunakan dalam pembuatan aplikasi terlihat pada
gambar 1. Tahapan penelitian adalah sebagai berikut:
1. Identifikasi Masalah:
Tahap ini adalah langkah awal dari penelitian. Pada tahap ini, penulis mengidentifikasi
permasalahan PPDB di SMU LAB UM. dengan melakukan observasi dan pengumpulan
data langsung. Dari permasalahan yang ditemukan, penulis menentukan batasan
masalah yang akan menjadi ruang lingkup penelitian.
Gambar 1. Metodologi Penelitian
Identifikasi masalah utama yang akan dibahas mengenai rekomendasi PPDB, yaitu
masalah dalam proses PPDB untuk memperoleh efesiensi yang sebesar-besarnya
berdasarkan persediaan barang produksi yang sudah ada.
2. Studi Pustaka
Penulis mengumpulkan beberapa referensi yang terkait mengenai hal-hal yang dapat
membantu dalam penelitian. Studi literatur yang dilakukan meliputi buku literatur,
jurnal, internet dan literatur-literatur lainnya. Dari studi pustaka diharapkan dapat
menjadi landasan teori untuk pengolahan data dan pembuatan program sehingga
dapat menyelesaikan permasalahan yang ada SMU LAB Malang.
3. Pemodelan Matematika Logika Fuzzy
Penulis membuat model matematika berdasarkan data yang telah didapat dari langkah
sebelumnya untuk menentukan fungsi keanggotaan serta variabel linguistik yang
mendukung jalannya proses penghitungan metode yang digunakan.
4. Formulasi Metode FIS Sugeno
Setelah data-data yang diperlukan didapat maka analisis perhitungan dapat dilakukan.
Dibuat formulasi model dari perumusan masalah yang dihadapi ke dalam bentuk
model matematika yang dapat mewakili sistem nyata. Formulasi model matematika
yang akan dibuat didasari dari metode Fuzzy Interference System Sugeno. Setelah
dilakukan formulasi model matematika, maka dilakukan pembentukan mulai dari
aturan interferensi berdasarkan variabel linguistik yang dibuat sebelumnya
menggunakan fungsi implikasi matematika hingga defuzzifikasi sesuai dengan batasan
masalah dan rumusan masalah yang akan dilakukan penelitian.
5. Pembuatan program berbasis web dengan bahasa pemograman PHP
Setelah membuat formulasi model matematika, maka langkah selanjutnya
adalah
merancang program aplikasi berbasis web untuk mengoptimasi PPDB Calon Siswa
dengan metode Algoritma FIS Sugeno menggunakan bahasa pemrograman PHP.
6. Testing Program
Pada tahap ini, program aplikasi diuji apakah program yang dibuat terjadi bug dan
sudah sesuai dengan harapan dan kebutuhan SMU Lab UM atau belum. Jika hasil
penelitian dan program yang dibuat tidak tervalidasi dan tidak membantu
penghitungan data secara manual yang sudah ada di SMU Lab UM, maka akan terus
dilakukan tahap testing sampai PPDB Calon Siswa validasi melalui program.
3.2. Perancangan Fuzzy
1. Fungsi Keanggotaan Tes Masuk (K)
Gambar 4. Kurva Segitiga Himpunan Tes Masuk (K)
Gambar 2. Fungsi Keanggotaan Tes Masuk µSedikit(K) dan µSedang(K)
Gambar 3. Fungsi Keangotaan Tes Masuk µBanyak(K)
2. Fungsi Keanggotaan Jalur Masuk (H)
Gambar 5. Kurva Segitiga Himpunan Jalur Masuk (H)
Gambar 6. Fungsi Keanggotaan Jalur Masuk (H)
3. Fungsi Keanggotaan Nilai UN(B)
Gambar 7. Kurva Himpunan Nilai UN(B)
Gambar 8. Fungsi Keanggotaan Nilai UN(B)
4. Basis Aturan Fuzzy
Range output fuzzy Sugeno nilainya ditentukan secara manual dengan nilai range 0
sampai dengan 100. Untuk derajat
W
Tidak Layak terletak antara kisaran nilai 0
59 dan untuk derajat Layak terletak antara kisaran nilai 60 W
No
Rule
Test Masuk (K)
Jalur Masuk (H)
UN (B)
2
R2
Sedikit
Miskin
Cukup
Reguler
Buruk
1
3
4
5
6
7
8
9
10
11
R1
R3
R4
R5
R6
R7
R8
R9
R10
R11
Sedikit
Sedikit
Miskin
Fuzzy Output
Tidak Layak
Tidak Layak
Baik
Tidak Layak
Reguler
Cukup
Tidak Layak
Sedikit
Prestasi
Buruk
Sedikit
Prestasi
Sedikit
Sedikit
Sedikit
Sedikit
Sedang
Sedang
Miskin
Buruk
100.
Reguler
Tidak Layak
Baik
Tidak Layak
Prestasi
Cukup
Layak
Miskin
Buruk
Miskin
Baik
Cukup
Tidak Layak
Layak
Tidak Layak
Tidak Layak
12
R12
Sedang
14
R14
Sedang
13
15
16
17
18
19
20
21
22
23
24
25
26
27
R13
R15
R16
R17
R18
Sedang
Reguler
Sedang
Reguler
R25
R26
R27
Layak
Buruk
Sedang
Prestasi
Banyak
R24
Baik
Prestasi
R21
R23
Tidak Layak
Sedang
Sedang
Banyak
Layak
Buruk
Cukup
Banyak
R22
Baik
Reguler
R19
R20
Miskin
Prestasi
Cukup
Miskin
Buruk
Baik
Layak
Tidak Layak
Layak
Layak
Tidak Layak
Miskin
Cukup
Banyak
Reguler
Buruk
Tidak Layak
Banyak
Reguler
Baik
Layak
Banyak
Miskin
Reguler
Banyak
Prestasi
Banyak
Prestasi
Banyak
Prestasi
Baik
Cukup
Layak
Layak
Buruk
Tidak Layak
Baik
Layak
Cukup
Tabel 3. Basis Aturan Fuzzy
Layak
3.3. Perancangan Analisis Gap (Profile Matching)
1. Pemetaan Nilai Kriteria dan Sub Kriteria
Tabel 4. Tabel Pemetaan Nilai Kriteria dan Sub Kriteria
2. Pembobotan Kriteria dan Sub Kriteria
Tabel 5. Tabel Bobot
Layak
3. Menentukan Standar Nilai Kriteria
No.
1
2
3
Minat
IPA
IPS
Bahasa
Aspek A(NUN)
Aspek B(Rapor) Aspek C(TPA)
4
4
5
4
4
5
4
4
5
Tabel 6. Standar Nilai Kriteria dan Sub Kriteria
4. Menghitung Nilai Gap
GAP = Nilai Nilai Standart
5. Menentukan Bobot Gap
Setelah didapatkan nilai GAP lagkah selanjutnya adalah mengkonferensikan kedalam
bobot sesuai dengan Tabel 2
6. Menghitung Core Factor dan Secondary Factor
7. Menjumlahkan Nilai Core Factor dan Secondary Factor
N = 60% NCF + 40% NSF
Keterangan:
N
= Nilai Total
NSF
= Nilai rata-rata secondary factor.
NCF
= Nilai rata-rata core factor.
8. Membuat Peringkat Nilai N
Hasil akhir dari proses profile matching adalah ranking dari kandidat yang dapat
memasuki kelas yang telah disediakan yaitu IPA, IPS dan bahasa.
3.4. Kerangka Konsep
Gambar 7. Kerangka Konsep Rekomendasi PPDB
3.5. Layout Aplikasi
3.6. Rancangan Database
No.
Tabel
1.
Siswa
2.
PPDB
3.
Nilai
Gambar 8. Layout Aplikasi
Gambar 9. Rancangan Database
Deskripsi
Digunakan untuk menyimpan data indentitas siswa,
asal sekolah
Digunakan untuk menyimpan data PPDB, nilai test
masuk, jalur masuk, pilihan jurusan, dsb
Digunakan untuk menyimpan seluruh data nilai rapor
SMP untuk mata pelajaran IPA (Sains),IPS, Bahasa
Indonesia, Bahasa Inggris dan Matematika, Nilai UN
4.
5.
6.
Standar_GAP
Bobot_profile
Rules
untuk setiap bidang
Untuk menyimpan nilai-nilai standar gap pada metode
profile matching
Untuk menyimpan bobot
Menyimpan rule/basis aturan fuzzy
3.7. Implementasi Antarmuka
1. Menu Utama
2. Sub-Menu Kelola
3. Sub-Menu Pengaturan
Gambar 10. Menu Utama
Gambar 11. Menu Kelola
Gambar 12. Menu Pengaturan
4. Sub-Menu Hasil Rekomendasi
Gambar 13. Menu Hasil Rekomendasi
5. Halaman Beranda PPDB
Gambar 14. Beranda Aplikasi
6. Antarmuka Masukan Data PPBD
Gambar 15. Kelola PPDB
7. Antarmuka Masukan Data Calon Siswa
Gambar 16. Kelola Calon Siswa
8. Antarmuka Masukan Data Nilai Rapor Calon Siswa
Gambar 17. Kelola Nilai Calon Siswa
9. Antarmuka Kelola Basis Aturan Fuzzy
10.
Gambar 18. Kelola Basis Aturan Fuzzy
3.8. Implementasi Tampilan Laporan
1. Laporan Kelayakan Masuk (Metode Takagi-Sugeno Kang)
Gambar 19. Hasil Rekomendasi Kelayakan Calon Siswa (Fuzzy TSK)
2. Laporan Penjurusan dan Peringkat Siswa (Metode Analisis Gap)
Gambar 20. Hasil Rekomendasi Peminatan Bidang IPA
Gambar 20. Hasil Rekomendasi Peminatan Bidang IPS
Gambar 20. Hasil Rekomendasi Peminatan Bidang Bahasa
3.
3.9.
4. HASIL DAN PEMBAHASAN
1. Data Pengujian
•
Data Uji Perhitungan Fuzzy TSK
No.
1.
•
Nama
Nata Wira
Nilai Tes
46
Jalur Masuk
Reguler
Nilai UN
24,75
Data Uji Perhitungan Analisis Gap (Profile Matching)
No.
Nama
1.
2.
M. Hafid (A)
Riski Ilma
Nilai Tes (K)
52
50
Kriteria
Mapel IPA (H)
60
40
Nilai UN (B)
32,65
31,73
2. Hasil Perhitungan Fuzzy TSK
Pada perhitungan ini, disajikan untuk menghitung kelayakan mahasiswa yang bernama Nata Wira
dengan nilai Tes 46, jalur masuk reguler dan nilai UN 24,75. Sebelum dilakukan inferensi perlu dicari
terlebih dahulu derajat keanggotaan nilai tiap variabel dalam setiap himpunan
•
•
•
Nilai Tes
Jalur Masuk
Nilai UN
3. Hasil Perhitungan Analisis Gap (Profile Matching)
•
Menentukan Nilai Standar Kriteria
Kriteria
A. Nilai UN
B. Tes Mapel
C. TPA
IPA
Peserta
A (M.
4
3
Hafid)
2
Peserta
B (Rizki
4
Ilma)2
2
Keterangan :
Nilai standar kriteria A : 4 Nilai standar kriteria B : 4 Nilai standar
kriteria C : 5
Faktor utama (core factor) : Nilai mapel IPA (B) dan TPA (C)
Faktor tambahan (secondary factor) : Nilai UN (A)
•
Langkah 4 (Perhitungan Nilai GAP)
GAP = Nilai Nilai Standar (Minimum)
•
Konversi Nilai GAP ke Bobot
Setelah di dapatkan nilai GAP kemudian dikoversi berdasarkan Tabel 5
Peserta
Aspek (A) Nilai
UN
Aspek (B)
Rapor Nilai
Aspek
(C) TPA
4
4
3
2
2
2
0
0
-1
-2
-3
-3
4
4
3,5
3
2,5
2,5
A
B
Nilai
Standar
A
B
Konversi
bobot
A
B
•
4
4
Pesert A B
Aa
B
4
GAP
5
4 3,5
4 3
Secondary Factor NSF
Core Factor
C
NCF = B + C /2
3
2,75
2,5
2,5
= A/2
2
2
Perhitungan Nilai Total
N = (60% x NCF) + (40% x NSF)
Pesert Core
A
3
a
Factor
B
2,75
•
5
Perhitungan dan Pengelompokan Core Factor NCF dan Secondary Factor (NSF)
Aspek
•
4
Penentuan Ranking
Peserta
N
A (M. Hafid) 2,60
B (Rizki
6,45
Ilma)
4. Pengujian
Secondary
2
Factor
2
N
2,60
2,45
Rangking
1
2
Pada penelitian ini menggunakan 25 siswa yang telah diterima di SMA Lab UM pada tahun
2014/2015 sebagai sampel untuk dibandingkan hasilnya dengan metode yang digunakan
dalam proses PPDB pada tahun 2014/ 2015 di SMA Lab UM. Dan dari hasil yang di olah
menunjukan bahwa terdapat 5 siswa yang tidak lolos seleksi PPDB menggunakan metode Fuzzy
TSK sehingga di dapatkan akurasi sebanyak 80%. Untuk proses penjurusan siswa didapatkan
hasil akurasi sebesar 92%. Pengujian ini dilakukan berdasarkan antara hasil nilai belajar
siswa selama 2 semester selama menempuh pendidikan di SMA LAB UM Malang dan nilai ratarata kelas dengan hasil perhitungan metode Gap Analysis yang sesuai dengan penentuan
penjurusan dari SMA LAB UM. Karena pada kelas X siswa telah memperoleh kelas sesuai
dengan jurusan masing-masing maka pada pengujian ini hanya bisa dilakukan antara siswa
yang terpilih berdasarkan proses yang ada pada SMA LAB UM dan siswa yang terpilih
berdasarkan metode Gap Analysis karena perbedaan mata pelajaran yang diterima antara kelas
IPA, IPS dan Bahasa.
5. PENUTUP
5.1. Kesimpulan
5.2. Saran
MENGGUNAKAN METODE FUZZY TSK DAN ANALISIS GAP
(Studi Kasus SMA LAB UM Malang)
TUGAS AKHIR SEMESTER
Mata Kuliah Kecerdasan Komputasional
Oleh:
Syahroni Wahyu Iriananda (156060300111006)
PROGRAM STUDI PASCA SARJANA
MINAT SISTEM KOMUNIKASI DAN INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS BRAWIJAYA
2016
1. PENDAHULUAN
1.1. Latar Belakang
Teknologi informasi berkembang sangat pesat, dan sudah tidak dapat dipungkiri bahwa
teknologi informasi menjadi suatu kebutuhan sekunder bagi sebagian masyarakat. Penerapan
teknologi informasi ini semakin luas ke berbagai bidang. Salah satu penerapan teknologi
informasi adalah pada dunia pendidikan dalam proses penerimaan peserta didik baru (PPDB).
Proses Penerimaan Peserta Didik Baru (PPDB) setiap tahun dilakukan oleh setiap sekolah.
Jumlah calon peserta didik yang setiap tahun meningkat, tidak sebanding dengan jumlah
sekolah dan kuota yang tersedia. Kualitas & fasilitas pendidikan yang tidak merata disetiap
sekolah misalnya, membuat calon peserta didik saling berkompetisi untuk dapat masuk ke
sekolah yang diunggulkan. Akibatnya muncul berbagai macam aturan-aturan dan banyak
kondisi yang harus dipenuhi oleh peserta didik untuk dapat diterima di sekolah tersebut.
Mengingat setiap calon siswa memiliki kemampuan yang berbeda-beda dalam memenuhi
aturan-aturan dan kondisi yang disyaratkan, maka dilakukan sebuah proses seleksi.
Seleksi ini merupakan proses seleksi calon siswa yang mengacu pada berbagai criteria
masalah, banyak metode digunakan untuk menyelesaikan masalah tersebut. Saat ini masih
banyak sekolah-sekolah yang melakukan proses seleksi secara manual, sehingga prosesnya
cenderung rumit, tidak fleksibel, tidak efektif dan tidak efisien. Kehadiran teknologi dalam
seleksi PPDB ini diharapkan dapat mempermudah dan mempercepat proses tersebut. Hal inilah
yang membuat penulis tertarik untuk melakukan penelitian dan menerapkannya.
Di lingkungan SMA Lab UM Malang, proses seleksi dilakukan dalam dua tahap. Tahap yang
pertama adalah seleksi calon siswa baru secara umum. Tahapan ini dilakukan untuk menilai
kelayakan calon siswa. Tahap berikutnya adalah proses penjurusan setelah calon siswa
dinyatakan telah diterima. Kemudian penggolongan kelas ditentukan melalui rekomendasi guru
konseling sekolah asal masing-masing. Hal inilah yang menurut penulis dinilai kurang efisien.
Menurut penulis, dalam seleksi tersebut juga perlu menggunakan nilai rapor siswa, sehingga
dalam menentukan jurusan dapat sesuai dengan minat dan bakat siswa.
Pada perencanaan proses seleksi PPDB di lingkungan SMA Lab UM Malang ini akan
dirancang tiga kriteria penilaian yaitu Nilai Tes Masuk, Nilai UN, dan Jalur Masuk. Setelah calon
siswa dinyatakan lulus dan layak dalam proses penilaian tersebut, kemudian dilakukan seleksi
untuk menentukan jurusan yang antara lain: IPA, IPS, dan Bahasa. Proses penentuan kelas
dilakukan dengan mempertimbangkan criteria hasil seleksi calon siswa baru dan nilai rapor
calon siswa selama masih duduk dibangku SMP. Metode yang digunakan untuk menyelesaikan
masalah-masalah tersebut diatas adalah metode TSK dan Analisis GAP.
1.2. Rumusan Masalah
Rumusan masalah pada penelitian ini adalah:
•
Bagaimana menerapkan metode TSK dan Analisis GAP untuk rekomendasi pada proses
PPDB?
•
Bagaimana tingkat akurasi metode yang digunakan untuk rekomendasi pada proses
PPDB?
1.3. Batasan Masalah
Batasan masalah pada penelitian ini adalah:
•
•
Diasumsikan data yang digunakan adalah data PPDB SMA Lab UM tahun 2014/2015
Data yang digunakan dari SMA Lab UM adalah data siswa, nilai UN, nilai tes masuk
berdasarkan mata pelajaran(IPA, IPS, bahasa), jalur masuk dan nilai rata-rata
keseluruhan tes masuk.
•
Data yang di olah untuk proses seleksi masuk SMA menggunakan metode m etode
TS K/ fuzzy Sugeno adalah nilai UN, nilai rata-rata keseluruhan tes masuk dan jalur
masuk.
•
Data yang di olah untuk proses penjurusan menggunakan metode analisis GAP/profile
matching adalah nilai UN, nilai tes masuk dan nilai tes masing-masing mata pelajaran
yang dijuruskan yaitu nilai IPA, IPS dan bahasa.
1.4. Tujuan Penelitian
Tujuanpenelitian ini adalah:
•
M en er ap ka n metode TSK (Takagi-Sugeno-Kang) pada proses seleksi PPDB dan
metode Analisis GAP/Profile Matching untuk menentukan penjurusan bagi siswa yang
lolos seleksi PPDB.
•
Merancang perangkat lunak untuk pendukung keputusan dalam seleksi PPDB dan
penjurusan yang lebih akurat di lingkungan SMA Lab UM.
1.5. Manfaat Penelitian
Manfaat yang akan dicapai dari tugas akhir semester ini
adalah untuk membantu
menyelesaikan masalah proses PPDB di SMA, sehingga proses tersebut dapat dilakukan secara
efektif dan efisien, fleksibel dan mudah dilakukan.
2. TINJAUAN PUSTAKA
2.1. Logika Fuzzy
Logika fuzzy adalah cabang dari sistem kecerdasan buatan (Artificial Intelegent) yang
meniru kemampuan manusia dalam berfikir ke dalam bentuk algoritma yang kemudian
dijalankan oleh mesin. Algoritma ini digunakan dalam berbagai aplikasi pemrosesan data
yang tidak dapat direpresentasikan dalam bentuk biner. Logika fuzzy menginterpretasikan
statemen yang samar menjadi sebuah pengertian yang logis.
2.2. Himpunan Fuzzy
Himpunan fuzzy merupakan suatu pengembangan lebih lanjut tentang konsep himpunan
dalam matematika. Himpunan Fuzzy adalah rentang
nilai-nilai. Masing-masing nilai
mempunyai derajat keanggotaan (membership) antara 0 sampai dengan 1. Ungkapan logika
Boolean menggambarkan nilai-nilai
ungkapan misalnya:
benar
atau
sangat lambat , agak sedang ,
salah . Logika fuzzy menggunakan
sangat cepat
dan lain-lain untuk
mengungkapkan derajat intensitasnya (Kusumadewi dan Purnomo, 2010).
2.3. Fuzzifikasi
Proses fuzzifikasi merupakan proses untuk mengubah variabel non fuzzy (variabel
numerik) menjadi variabel fuzzy (variabel linguistik). Nilai masukan-masukan yang masih
dalam bentuk variabel numerik yang telah dikuantisasi sebelum diolah oleh pengendali fuzzy
harus diubah terlebih dahulu ke dalam variabel fuzzy. Melalui fungsi keanggotaan yang telah
disusun maka nilai-nilai masukan tersebut menjadi informasi fuzzy yang berguna nantinya
untuk proses pengolahan secara fuzzy pula. Proses ini disebut fuzzifikasi (Kusumadewi dan
Purnomo, 2010).
2.4. Komposisi Inferensi Berbasis Aturan
Pada umumnya, aturan-aturan fuzzy dinyatakan dalam bentuk
IF THEN
yang
merupakan inti dari relasi fuzzy. Relasi fuzzy, dinyatakan dengan R, juga disebut implikasi
fuzzy (Kusumadewi dan Purnomo, 2010). Untuk mendapatkan aturan IF ..THEN ada dua
cara utama:
1.
Menanyakan ke operator manusia yang dengan cara manual telah mampu mengendalikan
sistem tersebut, dikenal dengan human expert .
2.
Dengan menggunakan algoritma pelatihan berdasarkan data-data masukan dan keluaran.
2.5. Defuzzifikasi
Keputusan yang dihasilkan dari proses penalaran masih dalam bentuk fuzzy, yaitu berupa
derajat keanggotaan keluaran. Hasil ini harus diubah kembali menjadi variabel numerik non
fuzzy melalui proses defuzzifikasi (Kusumadewi dan Purnomo, 2010).
2.6. Model TSK (Takagi-Sugeno-Kang)
Metode Takagi-Sugeno-Kang atau sering disebut dengan Fuzzy Sugeno ini diperkenalkan
oleh Takagi-Sugeno Kang pada tahun 1985. Untuk mendapatkan input maka diperlukan empat
tahapan, yaitu:
1. Pembentukan himpunan fuzzy
2. Aplikasi fungsi implikasi
3. Komposisi aturan
4. Penegasan (defuzzy)
Model pada metode Tagaki-Sugeno ada dua yaitu:
•
Model Fuzzy Takagi-Sugeno Orde-Nol
Secara umum bentuk model fuzzy Takagi-Sugeno Orde-Nol adalah:
IF (x1 is A1)
(x2 is A2)
(x3 is A3) ... (xN is AN) THEN z = k
(1.0)
Dengan AN adalah himpunan fuzzy ke-N sebagai anteseden dan k adalah suatu
konstanta (tegas) sebagai konsekuen.
•
Model Fuzzy Takagi-Sugeno Orde-Satu
Secara umum bentuknya adalah:
IF (x1 is A1) ... (xN is AN) THEN z = p1 * x1 + + pN * xN + q
(1.1)
Dengan AN adalah himpunan fuzzy ke-N sebagai anteseden dan p1 adalah suatu
konstanta (tegas) ke-N dan q juga merupakan konstanta dalam konsekuen.
Pada metode Takagi-Sugeno ini, tahapan defuzzy dilakukan dengan cara mencari nilai rata-rata.
2.7. Analisis GAP
Analisis GAP juga lebih sering disebut sebagai Profile Matching. Menurut Rachma
(2003:101), Profile Matching merupakan suatu proses dalam manajemen SDM dimana
terlebih dahulu ditentukan kompetensi (kemampuan) yang diperlukan oleh suatu jabatan.
Kompetensi/kemampuan tersebut haruslah dapat dipenuhi oleh pemegang jabatan.
Dalam proses Profile Matching secara garis besar merupakan proses membandingkan
antara kompetensi individu ke dalam kompetensi jabatan sehingga dapat diketahui perbedaan
kompetensinya (disebut juga gap), semakin kecil gap yang dihasilkan maka bobot nilainya
semakin besar yang berarti memiliki peluang lebih besar untuk karyawan menempati posisi
tersebut.
Profile Matching menganggap bahwa terdapat tiga predictor variables ideal yang harus
dimiliki seseorang. Dalam hal ini bukan berarti tingkat minimal yang harus dipenuhi atau
dilewati. Tingkat gambaran profil persyaratan untuk setiap jabatan ditentukan dengan
menggunakan skala dari 1 sampai 6. Makin tinggi tingkatannya, makin penting prioritas profil
tersebut terhadap suatu jabatan.
Tujuan penilaian potensi adalah untuk membandingkan profil pribadi seorang karyawan
dengan profil jabatan yang bersangkutan. Dalam hal kecocokan orang dengan pekerjaannya,
akan timbul kerugian bila terlalu banyak atau terlalu sedikit motifasi prestasi untuk suatu
pekerjaan tertentu. Kedua keadaan itu dapat menyebabkan seseorang tidak dapat menjadi
karywan berprestasi dan cenderung terjadi kesalahan dalam penempatan posisi jabatan.
Dengan Profile Matching, orang-orang yang diangkat adalah mereka yang paling mendekati
profil ideal karyawan yang berhasil.
Menurut (Kusrini, 2007) Profile Matching adalah sebuah mekanisme pengambilan
keputusan dengan mengasumsikan bahwa terdapat tingkat minimal yang harus dipenuhi atau
dilewati. Langkah-langkah dalam penyelesaian perhitungan dengan menggunakan metode
Profile Matching yaitu :
1. Aspek-aspek penilaian.
Langkah pertama menentuan Bobot Nilai Gap. Pada tahap ini, akan ditentukan
bobot nilai masing-masing aspek dengan menggunakan bobot nilai yang telah
ditentukan bagi masing-masing aspek itu sendiri. Adapun inputan dari proses
pembobotan ini adalah selisih dari profil calon siswa dan profil nilai calon siswa.
2. Pemetaan GAP Nilai.
GAP Nilai adalah perbedaan antara kriteria yang dimiliki calon siswa dengan
kriteria yang diinginkan. Rumus untuk mencari GAP kompetensi yaitu :
GAP = Nilai
Nilai Minimal
(1.2)
Sedangkan untuk pengumpulan gap-gap yang terjadi itu sendiri pada tiap aspeknya
mempunyai perhitungan yang berbeda-beda.
Range Penilaian
Kategori
Nilai
Kurang
2
0 - 49
Sangat Kurang
60 - 69
Cukup
50 - 59
70 - 84
85 - 100
Baik
Sangat Baik
1
3
4
5
Table 1. Penilaian Kategori
3. Pembobotan GAP
Apabila pemetaan GAP sudah selesai dilakukan, maka hasil dari pemetaan
tersebut diberi bobot nilai sesuai dengan patokan tabel bobot nilai GAP. Range
penilaian dapat disesuaikan dengan kebutuhan di lapangan, kemudian langkah
selanjutnya adalah memaparkan tiap aspeknya sehingga didapatkan gap (selisih)
sesuai dengan rumus gap. Setelah didapatkan tiap gap masing-masing calon siswa,
maka tiap nilai calon siswa diberi bobot nilai sesuai dengan patokan nilai pada tabel
bobot nilai gap seperti yang dapat dilihat pada Tabel 2.
No
Selisih
Bobot
Keterangan
1
0
6
Tidak ada Gap (kompetensi sesuai yang dibutuhkan)
2
1
5,5
Kompetensi individu kelebihan 1 tingkat/level
3
-1
5
Kompetensi individu kurang 1 tingkat/level
4
2
4,5
Kompetensi individu kelebihan 2 tingkat/level
5
-2
4
Kompetensi individu kurang 2 tingkat/level
6
3
3,5
Kompetensi individu kelebihan 3 tingkat/level
7
-3
3
Kompetensi individu kurang 3 tingkat/level
8
4
2,5
Kompetensi individu kelebihan 4 tingkat/level
9
-4
2
Kompetensi individu kurang 4 tingkat/level
Tabel 2. Tabel Pembobotan Nilai
4. Melakukan Perhitangan Core Factor dan Secondary Factor
Setelah menentukan bobot nilai gap untuk ketiga aspek yang dibutuhkan, kemudian
tiap aspek dikelompokkan lagi menjadi dua kelompok yaitu core factor dan secondary
factor
•
Core Factor (Faktor Utama)
Core factor merupakan aspek ( nilai) yang paling menonjol atau paling
dibutuhkan oleh suatu calon siswa dalam sistem yang diperkirakan dapat
menghasilkan
kinerja
nilai optimal.
ditunjukkan pada rumus berikut ini:
=
Keterangan:
(
)
Perhitungan
core
factor
dapat
(1.3)
= Nilai rata-rata core factor.
NCF
= Jumlah total nilai core factor.
NC(aspek)
IC
•
= Jumlah item core factor.
Secondary Factor (Faktor Sekunder)
=
Keterangan :
NSF
NC(aspek)
(
)
(1.4)
= Nilai rata-rata secondary factor.
= Jumlah total nilai Secondary factor.
Sumber: (Kusrini, 2007)
5. Menghitung Nilai Total Aspek
Dari hasil perhitungan dari tiap aspek tersebut kemudian dihitung nilai total
berdasarkan presentase dari core factor dan secondary factor yang diperkirakan
berpengaruh terhadap kinerja tiap-tiap profil. Perhitungannya dapat dilihat pada
rumus berikut ini.
Keterangan:
=
60%
+ 40%
(1.5)
NCF: Nilai rata-rata core factor
NSF: Nilai rata-rata secondary factor
6. Membuat Peringkat Hasil Akhir (Ranking)
Hasil akhir dari proses profile matching adalah ranking dari kandidat yang calon siswa
yang akan masuk dalam kelas IPA, IPS dan Bahasa.
3. METODOLOGI PENELITIAN DAN PERANCANGAN
3.1. Kerangka Penelitian
Kerangka penelitian yang yang digunakan dalam pembuatan aplikasi terlihat pada
gambar 1. Tahapan penelitian adalah sebagai berikut:
1. Identifikasi Masalah:
Tahap ini adalah langkah awal dari penelitian. Pada tahap ini, penulis mengidentifikasi
permasalahan PPDB di SMU LAB UM. dengan melakukan observasi dan pengumpulan
data langsung. Dari permasalahan yang ditemukan, penulis menentukan batasan
masalah yang akan menjadi ruang lingkup penelitian.
Gambar 1. Metodologi Penelitian
Identifikasi masalah utama yang akan dibahas mengenai rekomendasi PPDB, yaitu
masalah dalam proses PPDB untuk memperoleh efesiensi yang sebesar-besarnya
berdasarkan persediaan barang produksi yang sudah ada.
2. Studi Pustaka
Penulis mengumpulkan beberapa referensi yang terkait mengenai hal-hal yang dapat
membantu dalam penelitian. Studi literatur yang dilakukan meliputi buku literatur,
jurnal, internet dan literatur-literatur lainnya. Dari studi pustaka diharapkan dapat
menjadi landasan teori untuk pengolahan data dan pembuatan program sehingga
dapat menyelesaikan permasalahan yang ada SMU LAB Malang.
3. Pemodelan Matematika Logika Fuzzy
Penulis membuat model matematika berdasarkan data yang telah didapat dari langkah
sebelumnya untuk menentukan fungsi keanggotaan serta variabel linguistik yang
mendukung jalannya proses penghitungan metode yang digunakan.
4. Formulasi Metode FIS Sugeno
Setelah data-data yang diperlukan didapat maka analisis perhitungan dapat dilakukan.
Dibuat formulasi model dari perumusan masalah yang dihadapi ke dalam bentuk
model matematika yang dapat mewakili sistem nyata. Formulasi model matematika
yang akan dibuat didasari dari metode Fuzzy Interference System Sugeno. Setelah
dilakukan formulasi model matematika, maka dilakukan pembentukan mulai dari
aturan interferensi berdasarkan variabel linguistik yang dibuat sebelumnya
menggunakan fungsi implikasi matematika hingga defuzzifikasi sesuai dengan batasan
masalah dan rumusan masalah yang akan dilakukan penelitian.
5. Pembuatan program berbasis web dengan bahasa pemograman PHP
Setelah membuat formulasi model matematika, maka langkah selanjutnya
adalah
merancang program aplikasi berbasis web untuk mengoptimasi PPDB Calon Siswa
dengan metode Algoritma FIS Sugeno menggunakan bahasa pemrograman PHP.
6. Testing Program
Pada tahap ini, program aplikasi diuji apakah program yang dibuat terjadi bug dan
sudah sesuai dengan harapan dan kebutuhan SMU Lab UM atau belum. Jika hasil
penelitian dan program yang dibuat tidak tervalidasi dan tidak membantu
penghitungan data secara manual yang sudah ada di SMU Lab UM, maka akan terus
dilakukan tahap testing sampai PPDB Calon Siswa validasi melalui program.
3.2. Perancangan Fuzzy
1. Fungsi Keanggotaan Tes Masuk (K)
Gambar 4. Kurva Segitiga Himpunan Tes Masuk (K)
Gambar 2. Fungsi Keanggotaan Tes Masuk µSedikit(K) dan µSedang(K)
Gambar 3. Fungsi Keangotaan Tes Masuk µBanyak(K)
2. Fungsi Keanggotaan Jalur Masuk (H)
Gambar 5. Kurva Segitiga Himpunan Jalur Masuk (H)
Gambar 6. Fungsi Keanggotaan Jalur Masuk (H)
3. Fungsi Keanggotaan Nilai UN(B)
Gambar 7. Kurva Himpunan Nilai UN(B)
Gambar 8. Fungsi Keanggotaan Nilai UN(B)
4. Basis Aturan Fuzzy
Range output fuzzy Sugeno nilainya ditentukan secara manual dengan nilai range 0
sampai dengan 100. Untuk derajat
W
Tidak Layak terletak antara kisaran nilai 0
59 dan untuk derajat Layak terletak antara kisaran nilai 60 W
No
Rule
Test Masuk (K)
Jalur Masuk (H)
UN (B)
2
R2
Sedikit
Miskin
Cukup
Reguler
Buruk
1
3
4
5
6
7
8
9
10
11
R1
R3
R4
R5
R6
R7
R8
R9
R10
R11
Sedikit
Sedikit
Miskin
Fuzzy Output
Tidak Layak
Tidak Layak
Baik
Tidak Layak
Reguler
Cukup
Tidak Layak
Sedikit
Prestasi
Buruk
Sedikit
Prestasi
Sedikit
Sedikit
Sedikit
Sedikit
Sedang
Sedang
Miskin
Buruk
100.
Reguler
Tidak Layak
Baik
Tidak Layak
Prestasi
Cukup
Layak
Miskin
Buruk
Miskin
Baik
Cukup
Tidak Layak
Layak
Tidak Layak
Tidak Layak
12
R12
Sedang
14
R14
Sedang
13
15
16
17
18
19
20
21
22
23
24
25
26
27
R13
R15
R16
R17
R18
Sedang
Reguler
Sedang
Reguler
R25
R26
R27
Layak
Buruk
Sedang
Prestasi
Banyak
R24
Baik
Prestasi
R21
R23
Tidak Layak
Sedang
Sedang
Banyak
Layak
Buruk
Cukup
Banyak
R22
Baik
Reguler
R19
R20
Miskin
Prestasi
Cukup
Miskin
Buruk
Baik
Layak
Tidak Layak
Layak
Layak
Tidak Layak
Miskin
Cukup
Banyak
Reguler
Buruk
Tidak Layak
Banyak
Reguler
Baik
Layak
Banyak
Miskin
Reguler
Banyak
Prestasi
Banyak
Prestasi
Banyak
Prestasi
Baik
Cukup
Layak
Layak
Buruk
Tidak Layak
Baik
Layak
Cukup
Tabel 3. Basis Aturan Fuzzy
Layak
3.3. Perancangan Analisis Gap (Profile Matching)
1. Pemetaan Nilai Kriteria dan Sub Kriteria
Tabel 4. Tabel Pemetaan Nilai Kriteria dan Sub Kriteria
2. Pembobotan Kriteria dan Sub Kriteria
Tabel 5. Tabel Bobot
Layak
3. Menentukan Standar Nilai Kriteria
No.
1
2
3
Minat
IPA
IPS
Bahasa
Aspek A(NUN)
Aspek B(Rapor) Aspek C(TPA)
4
4
5
4
4
5
4
4
5
Tabel 6. Standar Nilai Kriteria dan Sub Kriteria
4. Menghitung Nilai Gap
GAP = Nilai Nilai Standart
5. Menentukan Bobot Gap
Setelah didapatkan nilai GAP lagkah selanjutnya adalah mengkonferensikan kedalam
bobot sesuai dengan Tabel 2
6. Menghitung Core Factor dan Secondary Factor
7. Menjumlahkan Nilai Core Factor dan Secondary Factor
N = 60% NCF + 40% NSF
Keterangan:
N
= Nilai Total
NSF
= Nilai rata-rata secondary factor.
NCF
= Nilai rata-rata core factor.
8. Membuat Peringkat Nilai N
Hasil akhir dari proses profile matching adalah ranking dari kandidat yang dapat
memasuki kelas yang telah disediakan yaitu IPA, IPS dan bahasa.
3.4. Kerangka Konsep
Gambar 7. Kerangka Konsep Rekomendasi PPDB
3.5. Layout Aplikasi
3.6. Rancangan Database
No.
Tabel
1.
Siswa
2.
PPDB
3.
Nilai
Gambar 8. Layout Aplikasi
Gambar 9. Rancangan Database
Deskripsi
Digunakan untuk menyimpan data indentitas siswa,
asal sekolah
Digunakan untuk menyimpan data PPDB, nilai test
masuk, jalur masuk, pilihan jurusan, dsb
Digunakan untuk menyimpan seluruh data nilai rapor
SMP untuk mata pelajaran IPA (Sains),IPS, Bahasa
Indonesia, Bahasa Inggris dan Matematika, Nilai UN
4.
5.
6.
Standar_GAP
Bobot_profile
Rules
untuk setiap bidang
Untuk menyimpan nilai-nilai standar gap pada metode
profile matching
Untuk menyimpan bobot
Menyimpan rule/basis aturan fuzzy
3.7. Implementasi Antarmuka
1. Menu Utama
2. Sub-Menu Kelola
3. Sub-Menu Pengaturan
Gambar 10. Menu Utama
Gambar 11. Menu Kelola
Gambar 12. Menu Pengaturan
4. Sub-Menu Hasil Rekomendasi
Gambar 13. Menu Hasil Rekomendasi
5. Halaman Beranda PPDB
Gambar 14. Beranda Aplikasi
6. Antarmuka Masukan Data PPBD
Gambar 15. Kelola PPDB
7. Antarmuka Masukan Data Calon Siswa
Gambar 16. Kelola Calon Siswa
8. Antarmuka Masukan Data Nilai Rapor Calon Siswa
Gambar 17. Kelola Nilai Calon Siswa
9. Antarmuka Kelola Basis Aturan Fuzzy
10.
Gambar 18. Kelola Basis Aturan Fuzzy
3.8. Implementasi Tampilan Laporan
1. Laporan Kelayakan Masuk (Metode Takagi-Sugeno Kang)
Gambar 19. Hasil Rekomendasi Kelayakan Calon Siswa (Fuzzy TSK)
2. Laporan Penjurusan dan Peringkat Siswa (Metode Analisis Gap)
Gambar 20. Hasil Rekomendasi Peminatan Bidang IPA
Gambar 20. Hasil Rekomendasi Peminatan Bidang IPS
Gambar 20. Hasil Rekomendasi Peminatan Bidang Bahasa
3.
3.9.
4. HASIL DAN PEMBAHASAN
1. Data Pengujian
•
Data Uji Perhitungan Fuzzy TSK
No.
1.
•
Nama
Nata Wira
Nilai Tes
46
Jalur Masuk
Reguler
Nilai UN
24,75
Data Uji Perhitungan Analisis Gap (Profile Matching)
No.
Nama
1.
2.
M. Hafid (A)
Riski Ilma
Nilai Tes (K)
52
50
Kriteria
Mapel IPA (H)
60
40
Nilai UN (B)
32,65
31,73
2. Hasil Perhitungan Fuzzy TSK
Pada perhitungan ini, disajikan untuk menghitung kelayakan mahasiswa yang bernama Nata Wira
dengan nilai Tes 46, jalur masuk reguler dan nilai UN 24,75. Sebelum dilakukan inferensi perlu dicari
terlebih dahulu derajat keanggotaan nilai tiap variabel dalam setiap himpunan
•
•
•
Nilai Tes
Jalur Masuk
Nilai UN
3. Hasil Perhitungan Analisis Gap (Profile Matching)
•
Menentukan Nilai Standar Kriteria
Kriteria
A. Nilai UN
B. Tes Mapel
C. TPA
IPA
Peserta
A (M.
4
3
Hafid)
2
Peserta
B (Rizki
4
Ilma)2
2
Keterangan :
Nilai standar kriteria A : 4 Nilai standar kriteria B : 4 Nilai standar
kriteria C : 5
Faktor utama (core factor) : Nilai mapel IPA (B) dan TPA (C)
Faktor tambahan (secondary factor) : Nilai UN (A)
•
Langkah 4 (Perhitungan Nilai GAP)
GAP = Nilai Nilai Standar (Minimum)
•
Konversi Nilai GAP ke Bobot
Setelah di dapatkan nilai GAP kemudian dikoversi berdasarkan Tabel 5
Peserta
Aspek (A) Nilai
UN
Aspek (B)
Rapor Nilai
Aspek
(C) TPA
4
4
3
2
2
2
0
0
-1
-2
-3
-3
4
4
3,5
3
2,5
2,5
A
B
Nilai
Standar
A
B
Konversi
bobot
A
B
•
4
4
Pesert A B
Aa
B
4
GAP
5
4 3,5
4 3
Secondary Factor NSF
Core Factor
C
NCF = B + C /2
3
2,75
2,5
2,5
= A/2
2
2
Perhitungan Nilai Total
N = (60% x NCF) + (40% x NSF)
Pesert Core
A
3
a
Factor
B
2,75
•
5
Perhitungan dan Pengelompokan Core Factor NCF dan Secondary Factor (NSF)
Aspek
•
4
Penentuan Ranking
Peserta
N
A (M. Hafid) 2,60
B (Rizki
6,45
Ilma)
4. Pengujian
Secondary
2
Factor
2
N
2,60
2,45
Rangking
1
2
Pada penelitian ini menggunakan 25 siswa yang telah diterima di SMA Lab UM pada tahun
2014/2015 sebagai sampel untuk dibandingkan hasilnya dengan metode yang digunakan
dalam proses PPDB pada tahun 2014/ 2015 di SMA Lab UM. Dan dari hasil yang di olah
menunjukan bahwa terdapat 5 siswa yang tidak lolos seleksi PPDB menggunakan metode Fuzzy
TSK sehingga di dapatkan akurasi sebanyak 80%. Untuk proses penjurusan siswa didapatkan
hasil akurasi sebesar 92%. Pengujian ini dilakukan berdasarkan antara hasil nilai belajar
siswa selama 2 semester selama menempuh pendidikan di SMA LAB UM Malang dan nilai ratarata kelas dengan hasil perhitungan metode Gap Analysis yang sesuai dengan penentuan
penjurusan dari SMA LAB UM. Karena pada kelas X siswa telah memperoleh kelas sesuai
dengan jurusan masing-masing maka pada pengujian ini hanya bisa dilakukan antara siswa
yang terpilih berdasarkan proses yang ada pada SMA LAB UM dan siswa yang terpilih
berdasarkan metode Gap Analysis karena perbedaan mata pelajaran yang diterima antara kelas
IPA, IPS dan Bahasa.
5. PENUTUP
5.1. Kesimpulan
5.2. Saran