Tsukamoto dan Simple Additive Weighting (SAW)
Vol. 2, No. 8, Agustus 2018, hlm. 2497 - 2502 http://j-ptiik.ub.ac.id
Seleksi Anggota Paduan Suara Menggunakan Metode FuzzyTsukamoto dan Simple Additive Weighting (SAW) 1
2 Genjah Amartha Gora , Edy Santoso
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 Email: genjahgora@gmail.com, edy144@ub.ac.id
Abstrak
Paduan suara merupakan istilah yang merujuk pada ensembel musik yang terdiri dari penyanyi dan musik yang kemudian dikolaborasikan menjadi satu ensemble. Sanggar Jeuvana vocalista pertama kali didirikan pada tahun 1990 dengan beranggotakan tiga orang. Dalam perjalanan waktu minat terhadap paduan suara meningkat, terlebih banyak prestasi yang diperoleh di bidang paduan suara. Sanggar Jeuvana vocalista semakin dikenal dan makin banyak peminat dari tahun ke tahun, maka dilakukan seleksi pemilihan bagi yang berminat menjadi anggota tim paduan suara tertentu karena mengingat pentingnya kualitas dari tiap-tiap orang untuk dapat bergabung dalam sebuah tim paduan suara tersebut. Memang pada saat ini belum ada aplikasi yang digunakan untuk membantu seleksi Sanggar Jeuvana vocalista dalam memilih anggota Paduan Suara. Hal untuk menyelesaikan permasalahan yang ada di sanggar jeuvana vocalista, diaplikasikan pada penentuan anggota paduan suara menggunakan metode Fuzzy Tsukamoto dan Simple Additive Weighted. metode Fuzzy Tsukamoto untuk membantu mempermudah penyeleksian. Output nya adalah rekomendasi latihan yang harus diikuti per-tiga bulan. Sedangkan Simple Additive Weighting (SAW) untuk menentukan peringkat penyanyi yang berdedikasi dalam bidang tarik suara. Pengujian Korelasi program pada setiap tahun 2015, 2016, 2017 sebesar
0.98 ,
0.94 dan 0.87. Dari hasil keputusan program dan pelatih sudah sejalan dan memiliki nilai korelasi postifif dan sama kuat. Kata kunci: Paduan Suara, Sistem Pendukung Keputusan, Simple Additive Weighted, Fuzzy Tsukamoto
Abstract
The choir is a term refers to a music ensemble consisting of singers and music collaborated into a single
ensemble. The Jeuvana vocalista was first established in 1990 with three members. Many people all the
time interest in the choir, the achievements earned in the choir every year . Jeuvana vocalista studio is
increasingly more interested from year, then they make the selection for those interested in being a
member of a particular choir team, because one of the more importance the quality of each person to
be able to join a team of choir. At the moment there is no application used to assist the selection of
Studio Jeuvana vocalista in choosing members of the Choir. The solving problems that exist in jeuvana
vocalista studio, applied to choosing choir members using Fuzzy Tsukamoto and Simple Additive
Weighted method. The Fuzzy Tsukamoto method to help simplify the selection. The output is a
recommended exercise that should be followed by three months. Simple Additive Weighting to determine
the rank of dedicated singers in the field of drag votes. Testing Correlation program in each year 2015,
2016, 2017 of 0.98, 0.94 and 0.87. From the results of the program and coach decisions are in line and
have a positive and equally strong correlation value.Keywords: choir, decision support system (DSS), simple additive weighting (SAW), fuzzy tsukamoto
suara yang membawakan musik paduan suara 1. terdiri atas beberapa bagian suara. (Sherly
PENDAHULUAN Jayanti, 2012).
Paduan suara atau kor (dalam bahasa Belanda: koor) merupakan istilah yang merujuk Paduan suara dipimpin pada ensembel musik yang terdiri dari penyanyi oleh dirigen atau choirmaster atau pada zaman dan musik serta dibawakan oleh ensembel sekarang disebut conductor. Paduan suara tersebut. Umumnya suatu kelompok paduan terdiri atas beberapa bagian suara, walaupun
Fakultas Ilmu Komputer Universitas Brawijaya
2497 tidak dapat dikatakan bahwa ada batasan jumlah suara yang terdapat dalam paduan suara. Jumlah jenis suara yang paling lazim dalam paduan suara adalah tiga, lima, enam, dan delapan. Bila menyanyi dengan satu suara, dinamakan atau diistilahkan secara unisono (Novhyta Lia, 2016).
Tahap seleksi masih bersifat objektif dan saya rasa kurang optimal dalam pemilihan anggota paduan suara dikarenakan tidak melihat berbagai aspek serta kriteria lainnya, yang lebih diperhatikan dalam penentuan calon anggota paduan suara, dalam melakukan pemilihan pelatih membutuhkan waktu yang cukup lama dalam memproses hasil akhir apabila dilakukan tahap seleksi 1 per 1. Proses manual tersebut yang memerlukan waktu cukup lama dalam penentuan anggota paduan suara.
Dari permasalahan tersebut peneliti menawarkan solusi yaitu menerapkan metode
Konjungsi fuzzy Tsukamoto μ A∧B=μ A(x) ∩ μB(y)= min(μA(x), μB(y)) Disjungsi fuzzy Tsukamoto μ A∨B=μ A(x) ∪ μB(y)= max(μA(x), μB(y)) Gambar 1. Representasi Linear Fuzzy Tsukamoto
dari tiap-tiap aturan diberi secara tegas ( cnsp ) berdasarkan α-predikat (strength). Hasil akhir diperoleh dng memakai rata-rata berbobot (weight average). Dalam himpunan fuzzy terdapat beberapa representasi dari fungsi keanggotaan, salah satunya yaitu representasi linear. Pada representasi linear, pemetaan input ke fungsi keanggotaannya di Gambarkan sebagai suatu garis lurus.
output hasil penarikan kesimpulan (inference)
berbentuk IF-THEN harus direpresentasikan dengan suatu himpunan samar dng fungsi keanggotaan yg monoton. Sebagai hasilnya,
Tsukamoto , tiap konsekuen pada aturan yg
Pada metode penarikan kesimpulan samar
2.3 Fuzzy Tsukamoto
3. (Performance) Kriteria : Setelah melalui tahap level 1 dan 2, anggota Paduan Suara mampu menyanyikan lagu/materi dengan penghayatan dan dikeluarkan melalui ekspresi.
2. (Teknik Vokal) Kriteria : Anggota Paduan Suara mampu menyanyikan lagu/materi sesuai dengan interprestasi lagu yang diinginkan oleh komponis maupun aranger lagu tersebut untuk menghasilkan suatu aubade yang diinginkan.
notasi yang tertulis pada partitur.
Kriteria : Anggota Paduan Suara mampu menyanyikan lagu/materi sesuai dengan
(Fidelity)
1.
2.2 Klasifikasi Paduan Suara Klasifikasi Paduan Suara terdiri dari 3 (tiga) level, yaitu:
penelitian ini digunakan untuk mendapatkan nilai kriteria baru yaitu kriteria kesiapan. Nilai kriteria kesiapan didapatkan dari persentase jumlah latihan yang dianjurkan dibandingkan dengan banyaknya kehadiran. Untuk mendapatkan jumlah latihan yang dianjurkan menggunakan nilai Fidelity, Teknik Vokal, dan Performance.
pre-processing . Pre-processing pada
Fuzzy Tsukamoto digunakan sebagai
melakukan perangkingan dengan cara mencari penjumlahan terbobot dari rating pada setiap alternatif pada semua atribut, yang kemudian hasil dari perhitungan tersebut diurutkan dari dari nilai tertinggi ke nilai terendah. Kasus ini sesuai dengan penentuan anggota paduan suara yang metode dasarnya adalah memberikan peringkat penyanyi dengan kriteria terbaik atau hasil terbaik dari semua kriteria yang ada.
Weighting (SAW) dimana metode ini
Perhitungan Pemilihan penyanyi menggunakan metode Simple Additive
simple additive weighting (SAW).
Pada penelitian dalam memanfaatan metode Simple Additive Weighting (SAW) untuk menentukan penyanyi yang layak masuk anggota paduan suara dengan metode
rekomendasi latihan yang nantinya digunakan untuk menentukan nilai kesiapan.
Fuzzy Tsukamoto untuk menentukan
menentukan peringkat penyanyi dan metode
Simple Additive Weighting (SAW) dalam
2. LANDASAN KEPUSTAKAAN
2.1 Kajian Pustaka
Tabel 1 Interval Kekuatan
2.4 Simple Additive Weighting
Dalam SAW, suatu kriteria bisa dikategorikan sebagai kriteria benefit atau kriteria cost. Suatu kriteria dapat dikatakan benefit jika nilai dari kriteria itu semakin besar akan menimbulkan hasil yang semakin baik, sedangkan kriteria yang dianggap sebagai kriteria cost adalah jika nilai kriteria tersebut 3.
PERANCANGAN DAN PEMBAHASAN
semakin besar maka akan menimbulkan hasil Perancangan sistem Pada penelitian ini yang semakin buruk (Kusumadewi, Harjoko, terdapat dua jenis perancangan, yang pertama dan Wardoyo. 2006). adalah perancangan untuk tahap pre-procesing
Untuk melakukan perhitungan SAW menggunakan metode fuzzy Tsukamoto dan dilakukan normalisasi nilai terlbih dahulu. proses utama yang menggunakan SAW. Rumus normalisasi bisa dilihat pada rumus 2-5
3.1 Bahasa Variabel dan 2-6.
Himpunan Bahasa Variabel pada sistem
(5) Jika j adalah atribut
= pendukung keputusan ini terdiri dari:
( )
C1 = artikulasi benefit
( ) (6) Jika j adalah atribut cost C2 = intonasi
= C3 = ambitus
Selanjutnya untuk mencari nilai preferensi tiap C4 = dinamika alternatif (Vi) adalah dengan menggunakan rumus (2-7)
C5 = pitch control C6 = penghayatan
(2-7) = ∑
=1
Nilai V yang lebih besar, mengindikasikan C7 = Intensitas Latihan bahwa alternatif Ai lebih terpilih dibandingkan
Tabel 2. Tabel Bobot Keputusan
dengan alternative pembanding lainnya(Kusumadewi, Harjoko, dan Wardoyo.
no kriteria bobot 2006). c1 artikulasi
8 Koefisien Korelasi Pearson Product-Momen c2 intonasi 7 c3 ambitus
7 Koefisien korelasi pearson merupakan c4 dinamika
8
nilai yang menunjukan keeratan hubungan linier
c5 pitch control
7
antara dua variable. Rumus yang digunakan
c6 penghayatan
7
adalah
c7 Intensitas Latihan
9 Sum
53
(7)
3.2 Perhitungan Fuzzy Tsukamoto
Perhitungan metode Fuzzy Tsukamoto digunakan untuk penentuan intensitas latihan Dimana n adalah banyak pasangan rank. pada setiap kriteria yang dibutuhkan oleh
Menurut Jonathan Sarwono, nilai interval sistem. kekuatan hubungan dibagi menjadi enam tingkat, tingkatan interval kekuatan hubungan antara variable bisa dilihat pada tabel 1
Tabel 3. Pengelompokan Kriteria
1 0,75 kriteria sub kriteria nilai rata-rata
Mahir Pemula Menengah 0,5 ambitus
5
5 Fidelity 0,25
Dinamika
5 Artikulasi
6
6 Teknik vokal
2
4
8
12 Pitch Control
6 Intensitas Latihan Penghayatan
5 Gambar 5. Fungsi Keanggotaan Level performance
5 Presentase Kehadiran
5 Untuk menetukan nilai dari setiap keanggotaan
dilakukan perhitungan menggunakan rumus Nilai dari masing sub kriteria akan di sebagai berikut : rata-rata menjadi nilai kelompok kriteria baru
1. [x1]= 1, x1 ≤ 4 FidelityBuruk
yang kemudian akan dicari nilai keanggotaan
(7-x1)/(7-
nya pada fungsi keanggotaan. Berikut adalah
4), 4 < x1 < 7
fungsi keanggotaan fidelity, teknik vocal, dan
………………….(4- 1)
performance.
0, x ≥ 7 2. [x1]= FidelityBaik 1, x1 ≥ 7
1 (x1-4)/(7-
0,75 4), 4 < x1 < 7 ………………….(4- buruk baik
0,5 2) 0, x ≤ 4
0,25 3. [x2]= 1, x2 ≤ 4
T.VokalBuruk (7-
1
4
7
10 x2)/(7-4), 4 < x2 <
Fidelity 7 …………………(4-
Gambar 2. Fungsi Keanggotaan Fidelity 3) 0, x2 ≥ 7
4. T.VokalBaik [x2]= 1, x2 ≥ 7
1 (x2-4)/(7-
0,75 4), 4 < x2 < 7 buruk baik
…………………..(4 0,5
- 4)
0,25 0, y ≤ 4 5.
1, x3 ≤ 4 PerformanceBuruk [x3]= (7-
1
4
7
10 x3)/(7-4), 4 < x3 <
Teknik Vokal
7 Gambar 3. Fungsi Keanggotaan T.Vokal ………………….(4- 5) 0, x3 ≥ 7
1 6.
PerformanceBaik [x3]= 1, x3 ≥ 7 0,75
(x3-4)/(7- buruk baik
4), 4 < z < 7 0,5
……………………( 0,25
4-6) 0, z ≤ 4
Setelah mendapatakan nilai pada setiap
1
4
7
10 Performance
kriteria baru dilakukan perhitungan untuk
Gambar 4. Fungsi Keanggotaan Performance
mendapatkan nilai keanggotaan sesuai dengan rule yang didapatkan dari hasil wawancara.
Tabel 4. Aturan Fidelity Teknik Vokal Performance Level BURUK BURUK BURUK Pemula BURUK BURUK BAIK Pemula BURUK BAIK BURUK Pemula Sehingga didapatkan nilai rekomendasi latihan
BURUK BAIK BAIK Menengah 3/1 = 3 hari. BAIK BURUK BURUK Pemula BAIK BURUK BAIK Menengah
3.3 Perhitungan SAW
Langkah pertama dalam metode SAW adalah
BAIK BAIK BURUK Menengah
menormalisasi nilai yang didapatkan penyanyi
BAIK BAIK BAIK Mahir
dari tiap kriteria dengan cara membagi pada Setelah itu dicari nilai alpha predikat dengan tiap nilai kriteria dengan nilai tertinggi pada cara mencari nilai paling minimal dari ketiga kriteria tersebut. kriteria. Misalkan nilai fidelity 8, teknik vocal
Tabel 7. Normalisasi Nilai
8.5, dan performance 5.5 maka didapatkan hasil c1 c4 c7 sebagai berikut : NAMA c2 c3 c5 c6 Hasil Z1 Fidelit Teknik Performanc 0.091 0.0147 0.1321 0.1208 0.117 Tabel 5. α-predikat 0.015 0.044 0.0165 0.1057 0.103 Z2 0.06 0.153 0.0845163 0.03 0.017 0.0604373 y Vokal e predikat 0.5 Pemula 0.5 Pemula Level α- Z5 Z4 Z3 0.151 0.0587 0.0825 0.1509 0.117 0.015 0.0294 0.0495 0.1509 0.117 0.091 0.0734 0.0495 0.1509 0.044 0.07 0.136 0.0966158 0.01 0.153 0.10119796 0.12 0.051 0.0726864 1
1 1 0.5 Pemula 0.5 0.5 Pemula Menenga Menenga h Z7 Z8 Z6 0.091 0.1027 0.066 0.1358 0.029 0.075 0.1027 0.0165 0.0302 0.073 0.03 0.0587 0.0495 0.1057 0.044 0.09 0.09 0.12 0.136 0.0660078 0.17 0.0397424 0.17 0.0724468 1 1
1 1 1 0.5 Mahir 0.5 0.5 Menenga h h 0.5 0.5 Z10 Z9 0.121 0.1321 0.0825 0.0906 0.044 0.151 0.1321 0.0495 0.0302 0.132 0.12 0.068 0.093501 0.11 0.136 0.0687332 0.101198 1 Setelah di normalisasi selanjutnya adalah mendapatkan nilai akhir dengan cara
Setelah mendapatkan nilai alpha bisa dicari nilai
mengalikan Tabel nilai yang telah
z dengan perhitungan sebagai berikut :
Z1 = 8+(4 x 0) =
8 ternormalisasi dengan bobot kemudian
8 Z2 = 8+(4 x 0) = menjumlahkan semua nilai kriteria untuk
Z3 = 8+(4 x 0) = 8 tiap-tiap penyanyi. Z4 = 2 +( 4 x 0) = 2 Z5 = 8+ (4 x 0) = 8
Tabel 8. Tabel Perangkingan Z6 = 2 + (4 x 0) = 2 Z7 = 2+ (4 x 0.5) = 3 Alternatif Nilai Ranking Z8 = 4 = 3
- – ( 2 x 0.5)
1 Z1 0.669
Setelah itu mengalikan setiap α-predikat dengan
2 Z2 0.658
Z nya, dan langkah terakhir untuk menentukan
3 output crisp nya dengan cara membagi jumlah
Z3 0.625
seluruh
α-predikat z dengan jumlah seluruh α-
4 Z4 0.607 predikat.
5 Z5 0.604 Tabel 6. Deffuzyfikasi
6 Tekn Z6 0.598
7 α- α- Fideli ik Performa ty Voka nce Level z predik predik at at z Z7 0.596
8 l 0.5 Pemula 8 Z8 0.503
9 0.5 Pemula 8 Z9 0.502 1 0.5 Pemula 8
10 1 1 0.5 Pemula 0.5 Meneng ah 8 2 Z10 0.413
4.
1 0.5 Meneng ah 2 KESIMPULAN1 1 1 0.5 Meneng ah 0.5 3 1.5 Pada penerapan metode fuzzy Tsukamoto 1 1 0.5 Mahir 0.5 3 1.5 untuk menentukan jumlah latihan bisa 1 3 dilakukan dengan menghitung derajat keanggotan pada setiap nilai fidelity, teknik vocal, dan performance kemudian setelah itu hasil tersebut akan dimasukan kedalam fungsi impilkasi dan dilakukan proses defuzzyfikasi setelahnya. Hasil yang dikeluarkan program sudah hampir menyamai keputusan pelatih.
2 Nilai selisih yang dihasilkan dari hasil perbandingan program dan pelatih adalah rata-rata 1 hari, sedangkan nilai selisih yang masih ditoleransi pelatih adalah ≤1 hari.
[online] Tersedia di: <
Satria Yudha Prayogi.,2016.PENERAPAN METODE SIMPLE ADDITIVE WEIGHTING DALAM PEMILIHAN TABLET PC UNTUK PEMULA., Universitas Islam Sumatera Utara.,Medan.
the singing voice: Recent Progress and Open Question., Current Bioinformatic.
Kob,M., 2011., Analysis and understanding
and the choral director ., Michigan University., USA.
Kudus., Jawa Tengah Dillon, A.H., Female voice classification
Additive Weighting., Universitas Muria
Pratomo Setiaji.,(2012). Sistem Pendukung Keputusan Dengan Metode Simple
Priko Andrian. 2010. Analisis Perbandingan Metode Fuzzy Mamdani dan Metode Fuzzy Tsukamoto Pada Perbedaan Harga Sepeda Motor
Vocal Group. [online] tersedia di: <
Novhyta, Lia., 2016 Paduan Suara dan
Akhsin, Ainun., 2013. PEMBELAJARAN PADUAN SUARA PADA SISWA SD NEGERI 1 SUKODADI LAMONGAN DENGAN METODE MENDENGARKAN, lamongan, Jawa Timur.
Logika Fuzzy untuk Pendukung Keputusan, Graha Ilmu, Yogyakarta.
Kusuma Dewi dan Purnomo, 2010, Program
pk//>
25 Agustus 2016]. Fairuzabadi, Muhammad., 2016. Konsep Sistem Pendukung Keputusan (SPK) .
3 Pada penerapan metode SAW dilakukan dengan cara mengalikan hasil normalisasi nilai pada setiap kriteria dengan bobot tiap kriteria.
pk//> [Diakses
[online] Tersedia di: <
Fairuzabadi, Muhammad., 2016. Konsep Sistem Pendukung Keputusan (SPK) .
Informasi Manjemen 1998 . Jakarta : Prenhallindo.
McLeod, Jr ,Raymond., 2001. Sistem
Analisis Keakuratan Metode Ahp Dan Metode Saw Terhadap Sistem Pendukung Keputusan Penerimaan Beasiswa. S1. STT Dharma iswara Madiun.
https://journal.ugm.ac.id/ijccs/article/vi ew/2141 [Diakses 15 Agustus 2016]. Saifulloh, Asnawi., Noordin., 2015.
keputusan seleksi anggota paduan suara .[online] Tersedia di:
Tangkis dengan Menggunakan Metode Fuzzy Tsukamoto dan AHP-SAW. Jayanti, Sherly., 2012. Sistem pendukung
Universitas brawijaya. Pratama N, Randi., Pemilihan Tim Bulu
Wayan, 2105. Fuzzy Inference System Tsukamoto untuk Menentukan Kelayakan Calon Pegawai. S1.
S1. Universitas Muhammadiyah Purwokerto. Roosmalita Sari, Nadia., Firdaus M,
Pinandita, Tito. Ahmad., 2012. Prediksi Tingkat Kompetensi Profesional Pendidik Menggunakan Sistem Inferensi Fuzzy Metode Tsukamoto.
4 Pada pengujian tingkat korelasi didapatkan nilai terendah yang terdapat pada tahun 2017, 0.978386902 pada tahun 2016, dan 0.942156537 pada tahun 2015. Berdasarkan nilai tersebut maka tingkat korelasi antara keputusan program dan pelatih termasuk sangat kuat dan dikatakan memiliki keputusan yang sejalan.