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