Pemilihan Tim Bulutangkis Menggunakan Metode Fuzzy Tsukamoto dan AHP-SAW

  Vol. 2, No. 6, Juni 2018, hlm. 2423-2431 http://j-ptiik.ub.ac.id

  

Pemilihan Tim Bulutangkis Menggunakan Metode Fuzzy Tsukamoto dan

₁ AHP-SAW _{2 3} Randi Pratama Nugraha , Rekyan Regasari Mardi Putri , Lailil Muflikhah

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: randipratama218@gmail.com, rekyan.rmp@ub.ac.id, lailil@ub.ac.id

  

Abstrak

  Unit Aktivitas Bulutangkis Universitas Brawijaya adalah unit yang menampung mahasiswa yang memiliki minat dan bakat olahraga bulutangkis. Selain itu unit ini memiliki tugas dalam menyeleksi atlit bulutangkis yang masuk melalui jalur beasiswa. Para atlit yang lolos dalam seleksi nantinya akan dijadikan kandidat beserta para atlit di unit dalam sebuah tim untuk membela Universitas Brawijaya. Dalam memilih kandidat dibutuhkan berbagai macam kriteria untuk menyeleksinya, yaitu kekuatan pukulan, stabilitas fisik, kelincahan gerakan, kecepatan, offense, defense, dan kesiapan. Penyeleksian akan dilakukan dengan menggunakan metode Fuzzy tsukamoto dan AHP-SAW. Metode Fuzzy Tsukamoto digunakan untuk menghitung jumlah latihan yang harus diikuti seorang pemain, kemudian jumlah latihan ini akan digunakan untuk mendapatkan nilai kesiapan pemain. Sedangkan metode AHP- SAW digunakan untuk menentukan bobot tiap kategori pertandingan dan meperingkat pemain. Pemain yang memiliki peringkat paling tinggi akan dipilih menjadi kandidat pemain dalam tim. Setelah dilakukan implementasi dan pengujian, didapatkan hasil korelasi kategori tunggal putra sebesar 0.839753, tunggal putri sebesar 0.75736, ganda putra sebesar 0.99079, ganda putri sebesar 0.98921, tiriple putra sebesar 0.99886, dan triple putri sebesar 0.989426. Dari hasil tersebut dapat disimpulkan bahwa hasil keputusan program dan pelatih sudah sejalan dan memiliki nilai korelasi posistif serta sangat kuat.

  Kata Kunci : Bulutangkis ,Fuzzy Tsukamoto, Analytical Hierarchy Process, Simple Additive Weighting, AHP-SAW.

  

Abstract

Badminton Activity Unit Universitas Brawijaya is a unit that accommodates students who have interest

and talent of badminton sport. It also has to hold selection for badminton athletes who enter through

the scholarship path. Those athletes who pass the selection will be the candidates with the athletes in

the unit into a team as the representatives of Universitas Brawijaya in certain competition. In selecting

process, the candidates need to pass variety of criteria of qualificationt, they are the power of punch,

physical stability, movement agility, speed, offense, defense, and readiness. Selection will be conducted

using Fuzzy tsukamoto and AHP-SAW method. The Fuzzy Tsukamoto method is used to calculate the

number of exercises a player should follow, then the number of these exercises will be used to get the

player's readiness score. While the AHP-SAW method is used to determine the weight of each category

of matches and the player's rank. The player who has the highest ranking will be selected to be the

player candidate in the team. After implementation and testing, the result of single men category

correlation is 0.839753, single women is 0.75736, men's double is 0.99079, female double is 0.98921,

male tiriple is 0.99886, and triple women is 0.989426. From these results it can be concluded that the

results of program and coach decisions are in line and have a positive correlation value and very strong.

  

Keywords: Badminton, Fuzzy Tsukamoto, Analytical Hierarchy Process, Simple Additive Weighting,

AHP-SAW.

  mahasiswa yang bergerak di bidang 1. keolahragaan yaitu bulu tangkis. Berbagai

   PENDAHULUAN

  prestasi telah diraih dalam event-event besar Unit Aktivitas Bulu Tangkis Universitas antar universitas se-pulau jawa bahkan se-

  Brawijaya adalah salah satu unit kegiatan

  Fakultas Ilmu Komputer Universitas Brawijaya

2423

  Indonesia, hal ini dikarenakan ukm ini selalu menghasilkan atlit-atlit berbakat setiap tahunnya, hal ini tidak luput dari peran berbagai divisi yang terlibat didalamnya seperti divisi komisi teknis yang berperan mengatur jalannya latihan dan divisi kaderisasi atlit yaitu divisi yang berperan dalam penyeleksian atau kaderisasi calon atlit baru.

  Mendapatkan atlit yang memiliki skill dan pengalaman yang baik tentu akan sangat mudah, dikarenakan banyak atlit berprestasi yang masuk melalui jalur prestasi. Namun untuk mendapatkan atlit dengan kategori yang berbeda-beda tentu akan menjadi suatu permasalahan yang sulit. Untuk mengatasi permasalahan tersebut dapat dilakukan dengan cara mendapatkan atlit dari UKM universitas ataupun fakultas. Dalam mendapatakan atlit dari UKM biasanya menggunakan cara mempertandingkan atlit satu dengan yang lainnya. Cara tersebut dianggap kurang optimal dan boros waktu. Dikatakan kurang optimal dikarenakan tidak memperhatikan berbagai aspek kriteria yang ada, dan dikatakan boros waktu dikarenakan jumlah atlit yang sangat banyak dan kapasitas lapangan yang hanya sedikit tentu akan membutuhkan waktu yang sangat lama. Selain itu masalah kehadiran pelatih yang tidak bisa hadir setiap saat dan kesibukan atlit sebagai mahasiswa tentu akan menjadikan sistem tersebut tidak dapat menjangkau potensi semua atlit.

  Pada penelitian sebelumnya yang dilakukan oleh Made Astradanta, I Made Agus Wirawan , I Ketut Resika Arthana dalam “Pengembangan Sistem Penunjang Keputusan Pemilihan Tempat Kuliner Dengan Menggunakan Metode AHP Dan SAW

  Studi Kasus : Kecamatan Buleleng” memiliki tingkat akurasi sebanyak 82%, dan konsistensi rasio yang didapatkan dibawah 0.1 yaitu sebesar 0,00757. Hasil ini menyimpulkan bahwa pemberian bobot per kriteria oleh pakar dikatakan konsisten. Selain penelitian tentang penerapan metode AHP-SAW, ada juga penelitian dalam mengukur perbandingan tingkat akurasi metode AHP dengan SAW dengan judul “Analisis Keakuratan Metode AHP dan Metode SAW Terhadap Sistem Pendukung Keputusan Penerimaan Beasiswa”, dalam kesimpulan nya menjelaskan bahwa metode

  AHP dan SAW memiliki tingkat akurasi yang tinggi, dan apabila kedua metode tersebut digabungkan maka akan menghasilkan hasil yang lebih signifikan. Hasil kesimpulan penelitian inilah yang membuat peneliti ingin membuktikan dan mencoba menerapkan kombinasi metode AHP dengan metode SAW. Untuk penelitian lain nya yang khusus membahas tentang penggunaan metode

  fuzzy tsukamoto adalah penelitian yang

  dilakukan oleh Tito Pinandita & Ahmad yang berjudul “Prediksi Tingkat Kompetensi Profesional Pendidik Menggunakan Sistem Inferensi Fuzzy Metode Tsukamoto (Predictionof the Level of Professional

  Teachers Competence Using Fuzzy Inference SystemTsukamoto Method

  )”. Pada penelitian ini bertujuan memprediksi tingkat kompetensi professional pendidik, lalu pada kesimpulan nya bahwa fuzzy tsukamoto sudah mampu dalam melakukan prediksi tingkat kompetensi professional pendidik. Dari pemaparan tersebut peneliti tertarik untuk melakukan penelitian yang berjudul

  “Pemilihan Tim Bulutangkis Menggunakan Metode Fuzzy Tsukamoto dan AHP-SAW ”dengan menggunakan metode Fuzzy Tsukamoto sebagai pre proses untuk

  menentukan salah satu kriteria yaitu kesiapan latihan .

  2. KAJIAN PUSTAKA Bulu Tangkis Bulu tangkis adalah olahraga yang menggunakan alat olahraga raket, bulu tangkis biasa dimainkan dua orang dalam pertandingan tunggal atau dimainkan dua pasangan dalam pertandingan ganda dan tiga dalam triple. Olahraga bulu tangkis mirip dengan olahraga tenis yaitu bertujuan memukul shuttlecock hingga melewati jaring agar jatuh di area permainan lawan dan mencegah atlit lawan melakukan hal yang sama.

  Fuzzy Inference System Tsukamoto

  Logika fuzzy adalah salah satu komponen pembentuk soft computing. Logika fuzzy pertama kali dikenalkan oleh Prof. Lot A. Zadeh pd tahun 1965. Pada himpunan x fuzzy terdapat nilai yang disebut nilai tegas (crisp), item x memiliki dua kemungkinan yaitu 1 atau 0, (Kusumadewi S, Purnomo H, 2010).

  1. Satu (1), yang berarti item tersebut berada pada dalam suatu himpunan, atau

  Analitycal Hierarchy Prosess

  Dimana n adalah banyaknya elemen.

  CI= (λ maks-n)/n (3).

  5. Selanjutnya adalah menghitung CI atau konsistensi indeks. Rumus untuk mencari nilai CI adalah

  Hasil dari penjumlahan ini dinamakan λ maks.

  4. Menjumlahkan hasil bagi pada langkah sebelumnya dengan banyaknya elemen.

  3. Hasil penjumlahan baris dibagi dengan prioritas relative elemen yang bersangkutan.

  2. Jumlahkan setiap baris.

  Kalikan juga setiap nilai pada kolom kedua dengan prioritas relative elemen kedua dan seterusnya.

  1. Kalikan setiap nilai pada kolom pertama dengan prioritas relatif elemen pertama.

  3. Menjumlahkan nilai dari setiap baris dan membaginya dengan jumlah elemen untuk mendaptkan nilai rata-rata atau yang bisa disebut nilai eigen. Nilai eigen tersebut nanti akan digunakan sebagai bobot tiap kriteria. Untuk mengentahui tingkat konsistensi dari nilai perbandingan atau bobot yang dihasilkan dilakukan langkah sebagai berikut :

  2. Membagi setiap nilai pada kolom dengan total nilai pada kolom yang bersangkutan untuk mendapatkan nilai normalisasi matrik.

  1. Menjumlahkan nilai-nilai dari setiap kolom matrik.

  adalah metode pengambilan keputusan yang dikembangkan oleh Thomas L., Saaty.. Dalam membuat keputusan, metode AHP menggunakan perbandingan antara satu kriteria denga kriteria lainnya dengan membentuk sebuah matrik perbandingan. Setelah mendapatkan nilai matrik perbandingan maka akan dilakukan langkah- langkah sebagai berikut :

  Gambar 3. Proses Inferensi Fuzzy Tsukamoto Analytical Hierarchy Process

  2. Nol (0), yang berarti item tersebut tidak termasuk kedalam suatu himpunan.

  THEN . Blok Proses inferensi fuzzy bisa dilihat pada gambar 3.

  Inferensi adalah proses menggabungkan banyak aturan berdasarkan data yang tersedia atau yang didapatkan. Komponen yang melakukan inferensi disebut mesin inferensi. Menurut Sri Kusumadewi & Sri Hartati (2006) inferensi fuzzy merupakan kerangka komputasi yang didasari teori himpunan fuzzy, aturan fuzzy berbentuk IF-

  ; ≤ ≤ 1 ; ≥ (2 )

  − −

  µ(x) = { 0 ; ≤

  2. Gambar 2. Representasi Linear Turun Rumus yang didapatkan dari representasi linear turun bisa dilihat pada persamaan 2

  Representasi Linear Turun, gambar dari representasi linear naik bisa dilihat pada gambar

  ; ≤ ≤ 1 ; ≥ (1 )

  − −

  { 0 ; ≤

  Rumus yang didapatkan dari representasi linear naik ini bisa dilihat pada persamaan 1. µ(x) =

  Gambar 1. Repersentasi Linear Naik

  Representasi Linear Naik, gambar representasi linear naik bisa dilihat pada gambar 1.

  Dalam menentukan nilai dari fungsi keanggotaan digunakan beberapa funsgi diantaranya adalah :

  6. Langkah terakhir adalah menghitung nilai CR atau rasio konsistensi. Rumus untuk kekuatan hubungan dibagi menjadi enam mencari nilai CR adalah tingkat, tingkatan interval kekuatan hubungan CR= CI/RI (4). antara variable bisa dilihat pada tabel 1. Nilai RI ditentukan banyaknya elemen

  Tabel 1. Interval Kekuatan yang digunakan.

  Simple Additive Weighting

  Dalam SAW, suatu kriteria bisa dikategorikan sebagai kriteria benefit atau kriteria cost. Suatu kriteria dapat dikatakan 3.

   PERANCANGAN & PEMBAHASAN

  benefit jika nilai dari kriteria itu semakin besar akan menimbulkan hasil yang semakin baik, Pada penelitian ini terdapat dua jenis sedangkan kriteria yang dianggap sebagai perancangan, yang pertama adalah perancangan kriteria cost adalah jika nilai kriteria tersebut untuk tahap pre-procesing menggunakan semakin besar maka akan menimbulkan hasil metode fuzzy Tsukamoto dan proses utama yang yang semakin buruk (Kusumadewi, Harjoko, menggunakan metode AHP-SAW. Langkah- dan Wardoyo. 2006). langkah dalam menerapkan metode bisa dilihat

  Untuk melakukan perhitungan SAW pada gambar 4. _mulai dilakukan normalisasi nilai terlbih dahulu. Rumus normalisasi bisa dilihat pada rumus 5 dan _{K1,k2,k3,k4,k5,k6,a n7.}

  6. _{x1 = (k1+k2)/2 x2 =(k3+k4)/2}

   (5) Jika j adalah atribut

  = ^{x3 =(k5+k6)/2}

  ( )

  benefit _{keanggotaan Menghitung nilai x1}

  ( ) (6) Jika j adalah atribut cost

  = _{keanggotan x2 defuzzyfikasi Menghitung nilai} Selanjutnya untuk mencari nilai preferensi tiap _{keanggotan x3 latihan yang Menghitung nilai Jumlah} alternatif (Vi) adalah dengan menggunakan _dianjurkan rumus 7. _{Menerapkan fungsi}

  (7) = ∑ ^{impilkasi dari}

  =1 _{setiap rule}

  Nilai V yang lebih besar, mengindikasikan _{kesiapan(krietria Menghitung nilai} bahwa alternatif Ai lebih terpilih dibandingkan _ke-7) dengan alternatif pembanding lainnya(Kusumadewi, Harjoko, dan Wardoyo. _{Nilai Kriteria ke-7} 2006). _end

  Gambar 4 Diagram Alir Fuzzy Tsukamoto Koefisien Korelasi Pearson Product-Momen

  k1 sampai dengan k6 adalah nilai kriteria 1 sampai 6, x1 adalah nilai kekuatan, x2 adalah Koefisien korelasi pearson merupakan nilai kelincahan, dan x3 adalah nilai taktik. nilai yang menunjukan keeratan hubungan linier

  Untuk menghitung nilai keanggotaan diperlukan antara dua variable. Rumus yang digunakan bisa fungsi keanggotaan kekuatan, kelincahan, dan dilihat pada rumus 8. taktik. Fungsi keangotaan bisa dilihat pada gambar 5, 6, 7, dan 8.

  (8) Dimana n adalah banyak pasangan rank.

  Menurut Jonathan Sarwono, nilai interval kecepatan

  6

  1 offense

  5 0,75 kurang baik defense

  5 0,5 kehadiran

  6 0,25

  1

  4

  7

10 Maka dapat didaptkan perhitungan berikut

  kekuatan _{1. [x1]=} KekuatanKurang 1, x1 ≤ 4

  Gambar 5 Fungsi Keanggotaan Kekuatan _{4 < x1 < (7-x1)/(7-4), 7} ………………….(4-1) 0, x ≥ 7

  1 _{2. [x1]=} 1, x1 ≥ 7 KekuatanBaik

  0,75 _{4 < x1 < (x1-4)/(7-4), 7} kurang baik

  0,5 ………………….(4-2)

  0,25 _{3. [x2]=} 0, x ≤ 4 KelincahanKurang 1, x2 ≤ 4 _{(7- x2)/(7-4),}

  1

  4

  7

  10 _{4 < x2 < 7} kelincahan

  ………………….(4-3) 0, x2 ≥ 7 Gambar 6 Fungsi Keanggotaan Kelincahan _{4. [x2]= 1, x2 ≥ 7}

  KelincahanBaik _{4 < x2 < (x2-4)/(7-4), 7}

  1 ………………….(4-4) 0, y ≤ 4

  0,75 _{5. [x3]=} 1, x3 ≤ 4 TaktikKurang kurang baik

  0,5 _{4 < x3 < (7- x3)/(7-4), 7} 0,25 ………………….(4-5) 0, x3 ≥ 7

  1

  4

  7

  10 _{6. [x3]=} TaktikBaik 1, x3 ≥ 7 taktik _{4 < z < (x3-4)/(7-4), 7} Gambar 7 Fungsi Keanggotan Taktik

  ………………….(4-6) 0, z ≤ 4

  1 Dan untuk mendapatkan nilai z dilakukuan 0,75

  dengan perhitungan sebagai berikut

  profesional pemula menengah 0,5

  1. Z himpunan Pemula 0,25

  α-predikat = 8 – z / 4

  2. Z himpunan Menengah

  1

  2

  5

  7

  9

  12

  13 α-predikat = 2 – z / 4 level

  3. Z himpunan Profesional Gambar 8 Fungsi Keanggotaan Kesiapan

  α-predikat = 5 + z / 2 Dengan menggunakan persamaan 1 dan 2

  setelah semua hasil didapatkan maka bisa

  akan dicari nilai µ dari setiap nilai. Misalkan

  dimasukan kedalam aturan yang diberikan nilai yang didapatkan seperti tabel 2. pelatih. Aturan yang diberikan bisa dilihat pada

  Tabel 2. Tabel Nilai tabel 3. kriteria sub kriteria nilai rata-rata Tabel 3. Tabel aturan kekuatan kelincahan taktik level

  Kekuatan pukulan

  5 kurang kurang kurang pemula stabilitas fisik

  5 kurang kurang baik pemula Kelincahan gerakan

  6 kurang baik kurang pemula kurang baik baik menengah _mulai baik kurang kurang pemula baik kurang baik menengah _{nBp, nAl CR} baik baik kurang menengah baik baik baik profesional _{Buat matrik}

  Karena aturan berupa konjungsi maka nilai α _{perbandingan berpasangan CR<0.1} adalah nilai minimal. Untuk mencari nilai akhir dilakukan dengan membagi nilai jumlah

  α x z _{t y} dengan jumlah α. Detail perhitungan bisa dilihat _{Normalisasi Bobot} pada tabel 4. _{Perbandingan Normalisasi Nilai nAl}

  Tabel 4. Defuzzyfikasi _{Menghitung nilai} kekuatan kelincahan taktik level z

  

α-predikat α-predikat ´ z

_{Eigen/bobot AHP Mengalikan hasil} 0.666667 0.33333333 0.666667 pemula 0.3333333 10 3.3333333 _{Normalisasi dengan bobot AHP} 0.666667 0.33333333 0.333333 pemula 0.3333333

  10 3.3333333 _{Mencari nilai A Max} 0.666667 0.66666667 0.666667 pemula 0.6666667 11 7.3333333 0.666667 0.66666667 0.333333 menengah 0.3333333

  3

  1 _{Mencari nilai total sintesa Me rangking pemain} 0.333333 0.33333333 0.666667 pemula 0.3333333 10 3.3333333 0.333333 0.33333333 0.333333 menengah 0.3333333

  3

  1 _{Menghitung end} 0.333333 0.66666667 0.666667 menengah 0.3333333

  3

  1 _lamda 0.333333 0.66666667 0.333333 profesional 0.3333333 4 1.3333333 _{Menghitung CI}

  Hasil nya adalah 21.66666667/ 3 = 7.222222 dibulatkan menjadi 7. Jadi jumlah latihan yang _{Menghitung CR} dianjurkan adalah minimal 7 kali dalam sebulan (16 kali pertemuan). Kemudian nilai kesiapan

  Gambar 9. Diagram Alir AHP-SAW

  akan dinilai dari persentase kehadiran dengan minimal kehadiran. Jika atlit A memiliki Dimana nbp adalah nilai bobot perbandingan, minimal latihan 7 kali dalam sebulan dan hanya dan nAl adalah nilai alternative. Misalkan nilai mengikuti 6 kali latihan maka persentase nya 6/7 matrik perbandingan diberikan seperti tabel 5. x 100% = 85% . kemudian persentase tersebut

  Tabel 5 Nilai Matrik Perbandingan

  akan dikonversi menjadi nilai kesiapan dengan rentang nilai 0 ^{K1 K2 K 3 K 4 K 5 K 6 K 7}

• – 10 . sehingga dapat dihitung 0.85 x 10 = 8.5 . _K1
_{1 3 5 2 3 4 3} Selanjutnya untuk menerapkan metode AHP- _{K2 0.33333333 1 4 1 0.3333 1 5} SAW dilakukan dengan langkah-langkah yang _{K3 0.2 0.25 1 0.333333 0.3333 2 2} bisa dilihat pada gambar 9. _{K6 K5 0.33333333 K4 0.25 0.5 1 3 1 0.5 3 3 0.5 3 1 0.3333 0.25 1 4 1 2 3 3 8 Jumlah}

  K7 0.33333333 _{2.95 9.45} ^{0.2 0.5 0.333333 0.125 0.333333} _{17 8.166667 5.375 14.33333 25} ¹ Maka untuk mencari nilai normalisasi bisa

  dilakukan dengan membagi tiap nilai dengan jumlah tiap kolom nya. hasil nilai normalisasi bisa dilihat pada tabel 6. Tabel 6. Normalisasi AHP _{K1 K2 K3 K4 K5 K6 K7 K1 0.339 0.31746 0.2941 0.2449 0.56 0.27907 0.12} K2 0.113 0.10582 0.2353 0.1224 ^{0.06 0.06977 0.2} _{K3 0.0678 0.02646 0.0588 0.0408 0.06 0.13953 0.08 K4 0.1695 0.10582 0.1765 0.1224 0.06 0.13953 0.12} K5 0.113 0.31746 0.1765 0.3673 ^{0.19 0.27907 0.32} _{K6 0.0847 0.10582 0.0294 0.0612 0.05 0.06977 0.12 K7 0.113 0.02116 0.0294 0.0408 0.02 0.02326 0.04} Untuk mendapatakan nilai eigen atau bobot yang

  akan digunakan dilakukan dengan cara menjumlahkan nilai kekanan dan membaginya dengan jumlah kriteria. Sehingga didapkan nilai yang bisa dilihat pada tabel 7.

  9

  8

  8

  3

  8

  8

  2

  7 a10

  4

  4

  2

  Tabel 9. Normalisasi SAW nama nilai K1 K2 K3 K4 K5 K6 K7 a1 0.125 0.33333

  7

  8

  5 a9

  9

  5

  7

  4

  5

  4

  normalisasi dilakukan dengan membagi tiap nilai dengan jumlah nilai pada kolomnya. Hasil normalisasi SAW bisa dilihat pada tabel 9.

  0.5 0.89 0.83333 0.222

  8

  1

  Tabel 10. Nilai Preferensi _{nama nilai K1 K2 K3 K4 K5 K6 K7 nilai akhir a1 0.03844 0.04325 0.03396 0.11 0.20945 0.016 0.01455 0.46983} a2 0.07688 0.02884 0.05943 ^{0.09 0.05585 0.016 0.01455 0.33729} _{a3 0.11532 0.08651 0.05094 0.11 0.08378 0.033 0.01792 0.50108 a4 0.1922 0.10093 0.06792 0.04 0.13963 0.045 0.02078 0.6093 a5 0.26908 0.11535 0.04245 0.13 0.22341 0.057 0.02909 0.86485} a6 0.15376 0.12976 0.03396 ^{0.1 0.25134 0.041 0.04156 0.75098} _{a7 0.26908 0.05767 0.05094 0.01 0.19549 0.066 0.01247 0.66558 a8 0.15376 0.07209 0.03396 0.1 0.13963 0.074 0.02078 0.59368 a9 0.30752 0.10093 0.01698 0.13 0.11171 0.033 0.02909 0.72705} a10 0.07688 0.11535 0.06792 ^{0.04 0.22341 0.066 0.01662 0.60855}

  Hasil keseluruhan bisa dilihat pada tabel 10.

  Nilai V a1 = (nilai k1*bobot k1) + (nilai k1*bobot k2)+(nilai k3*bobot k3)+(nilai k4*bobot k4)+(nilai k5*bobot k5) + (nilai k6*bobot k6)+(nilai k7*bobot k7) =(0.125*0.453335)+( 0.333333*0.199563)+(0.5*0.115246)+ (0.888889*0.194152)+(0.833333*0.401339 )+(0.222222222*0.118531)+(0.35*0.05821 5) = 0.469829

  cara mengalikan nilai normalisasi dengan nilai eigen tiap kriterianya dan menjumlahkan keseluruhan hasilnya untuk tiap-tiap kandidat. Berikut adalah contoh perhitungannya:

  0.4 Untuk mencari nilai preferensi dilakukan dengan

  1 0.33 0.88889 0.889

  0.7 a10 0.25 0.88889

  0.25 1 0.44444 0.444

  0.5 a9 1 0.77778

  0.5 0.78 0.55556

  0.35 a2 0.25 0.22222 0.875 0.67 0.22222 0.222

  0.3 a8 0.5 0.55556

  1 a7 0.875 0.44444 0.75 0.11 0.77778 0.889

  0.78 1 0.556

  0.5

  1

  0.5

  0.7 a6

  0.5 a5 0.875 0.88889 0.625 1 0.88889 0.778

  1 0.33 0.55556 0.611

  0.35 a3 0.375 0.66667 0.75 0.89 0.33333 0.444 0.43125 a4 0.625 0.77778

  3 a8

  7

  Tabel 7. Nilai Eigen K1 0.45334 K2 0.19956 K3 0.11525 K4 0.19415 K5 0.40134 K6 0.11853 K7 0.05822

  2

  8

  6

  6

  3

  3.5 a3

  2

  2

  6

  7

  2

  5

  3.5 a2

  2

  7.5

  8

  4

  3

  1

  K1 K2 K3 K4 K5 K6 K7 a1

  Tabel 8. Nilai Pemain nama nilai

  Nilai eigen yang bisa digunakan adala nilai eigen yang memiliki nilai konsistensi dibawah 0,1. Jika nilai sudah konsisten maka bisa dilakukan perkalian anntara nilai alaterntif dengan nilai eigen kriteria nya. misalkan nilai alternative pemain sebagai berikut:

  3 4 4.3125 a4

  7

  1

  4

  6

  4

  7

  10 a7

  5

  9

  7

  4

  9

  7 a6

  8

  7

  8

  9

  5

  8

  7

  5 a5

  5.5

  5

  3

4 Karena semua nilai adalah benefi maka

  Selanjutnya nilai prerferensi teresebut akan diurutkan dari yang terbesar ke kecil.

  Hasil Keputusan Program

4. HASIL DAN KESIMPULAN

  2 ^0.843981 ₆₂₅ ^0.843659 ₇₆₁ ^0.712304 ₉₈₃ ^0.711 ₇₆ ^0.7120 _{33 3 0.843659 761 0.835900 355 0.711761 792 0.698 73 0.7052 15 4 0.835900 355 0.843981 625 0.698729 404 0.712 31 0.7054 85 5 0.812424} 553 ^{0.700395 831 0.660033 655 0.490 55 0.5690 19} _{6 0.762538 863 0.667081 752 0.581465 517 0.445 0.5086 76 7 0.755000 319 0.762538 863 0.570025 481 0.581 47 0.5757 17 8 0.704091 902 0.704091 902 0.495745 407 0.495 75 0.4957 45}

  Sedangkan hasil dari kategori tunggal putri, ganda putra, ganda putri, triple putra, dan triple putri berturut-turut adalah 0.75736, 0.99079, 0.98921, 0.99886, dan 0.989426.

  1. Pada penerapan metode fuzzy

  Kesimpulan yang dihasilkan peneliti adalah sebagai berikut :

   KESIMPULAN

  KET : ATPa = alternatif tunggal putra AGPa = alternatif ganda putra ATRa = alternatif triple putra ATPi = alternatif tunggal putri AGPi = alternatif ganda putri ATRi = alternatif triple putra 5.

  1 ATPa1 ATPa1 _{2 ATPa2 ATPa3 AGPa1 A1GPa AGPa2 AGPa3} AGPa3 AGPa4 _{AGPA4 AGPa2 ATRa1 ATRa1 ATRa2 ATRa2} ATRa3 ATRa3 _{Tunggal putri 1 ATPi1 ATPi1 AGPi1 AGPi1 AGPi2 AGPi2} ATRi1 ATRi1 _{ATRiI2 ATRi2 ATRi3 ATRi3}

  Tabel 12. Pebandingan Hasil Keputusan Tim _{Perbandingan Hasil Keputusan Pemilihan Tim kategori unggulan ke- Program Pelatih}

  Perbedaan keputusan program dengan pelatih bisa dilihat pada tabel 12.

  Gambar 10. Hasil Keputusan Pemilihan Tim

  Hasil keputusan program untuk pemilihan tim bulutangkis bisa dilihat pada gambar 10.

  Tabel 11. Hasil Penentuan Peringkat Tunggal Putra _{pering kat program (x) pelatih(y ) x2 y2 xy 1 0.852108 946 0.852108 946 0.726089 655 0.726 09 0.7260 9}

  =0.839753

  9 ^0.700423 ₇₅₃ ^0.700423 ₇₅₃ ^0.490593 ₄₃₄ ^0.490 ₅₉ ^0.4905 _{93 10 0.700395 831 0.812424 553 0.490554 32 0.660 03 0.5690 19 11 0.692183 302 0.692183 302 0.479117 724 0.479 12 0.4791 18 12 0.689906} 288 ^{0.689906 288 0.475970 687 0.475 97 0.4759 71} _{13 0.687443 83 0.687443 83 0.472579 019 0.472 58 0.4725 79 14 0.678635 216 0.678635 216 0.460545 756 0.460 55 0.4605 46 15 0.667081 752 0.755000 319 0.444998 063 0.570 03 0.5036 47}

  20 ) Tsukamoto untuk menentukan jumlah latihan bisa dilakukan dengan menghitung derajat keanggotan pada setiap nilai kekuatan, kelincahan, dan taktik, kemudian setelah itu hasil tersebut akan dimasukan kedalam fungsi impilkasi dan dilakukan proses defuzzyfikasi setelahnya. Hasil yang dikeluarkan program sudah hampir menyamai keputusan pelatih. Nilai selisih yang dihasilkan dari hasil perbandingan program dan pelatih adalah rata-rata 2 hari, sedangkan nilai selisih yang masih ditoleransi pelatih adalah ≤3 hari.

  Untuk menguji tingkat keakuratan akurasi program, maka dilakukan pengujian korelasi. Nilai korelasi dihitung dengan menggunakan nilai preferensi pemain dengan urutan perangkingan oleh program dan pelatih.

  20 )(10.43026−

  10.43025658

  20 ) √(10.43025658−

  (14.35187708)(14.35187708)

  r = 10.40919−(

  Tunggal putra

  sebagai berikut :

  perhitungan

  16 ^0.661743 ₀₇₄ ^0.661743 ₀₇₄ ^0.437903 ₈₉₇ ^0.437 ₉ ^0.4379 _{04 17 0.650656 307 0.650656 307 0.423353 629 0.423 35 0.4233 54 18 0.623513 865 0.623513 865 0.388769 539 0.388 77 0.3887 7 19 0.621939} 922 ^{0.621939 922 0.386809 266 0.386 81 0.3868 09} _{20 0.568247 616 0.568247 616 0.322905 353 0.322 91 0.3229 14.35187 05 jumlah 708 14.35187 708 10.43025 658 10.43 03 10.409 19} Dengan menggunakan rumus 7 didapatkan

  10.43026

DAFTAR PUSTAKA

  [online] Tersedia di: <http://dikatama.com/sejarah-bulu- tangkis/> [Diakses 22 Agustus 2016].

  Kusumadewi, Sri., Hartati, S., Harjoko, A., dan Wardoyo, R. (2006). Fuzzy Multi- Attribute Decision Making (FUZZY MADM). Yogyakarta: Penerbit Graha Ilmu.

  Logika Fuzzy untuk Pendukung Keputusan, Graha Ilmu, Yogyakarta.

  Kusuma Dewi dan Purnomo, 2010, Aplikasi

  Panduan Lengkap untuk Belajar Komputasi Statistik Menggunakan SPSS 16 . Yogyakarta: Penerbit Universitas Atma Jaya Yogyakarta.

  < http://dikatama.com/sejarah-bulu- tangkis/> [Diakses 22 Agustus 2016] Sarwono Jonathan., 2009. Statistik Itu Mudah:

  Tangkis/Badminton . [online] Tersedia di:

  Yukez., 2009. Teknik Bermain Bulu

  2. Penerapan metode AHP untuk menentukan bobot dapat dilakukan dengan mengambil nilai preferensi dari setiap kriteria. Sedangkan dalam menentukan nilai konsistensi dapat dilakukan dengan mencari nilai CI, kemudian CI akan dibagi dengan nilai RI untuk mendapatkan nilia CR.

  3. Pada program yang dibuat, konsistensi rasio diharuskan memiliki nilai <0,1, sehingga konsistensi rasio tiap kategori pasti konsisten. Adapun tingkat konsistensi tiap kategori pertandingan adalah 0.07483403 untuk kategori tunggal, 0.089924842 untuk kategori ganda, dan 0.085549392 untuk kategori triple. Nilai konsistensi pada ketiga kategori tidak sepenuhnya konsisten, tetapi ketidakkonsistenan tersebut masih terbilang kecil. Hal tersebut dibuktikan pada pengujian dari perbandingan nilai kepentingan tiap baris pada matrik perbandingan, dimana tingkat kepentingan tiap baris masih belum konsisten jika dilakukan perbandingan tingkat konsisten kriteria pada tiap baris.

  Astradanta, Made., Wirawan, I Made A., Arthana, I Ketut R., 2016. Pengembangan Sistem Penunjang Keputusan Pemilihan Tempat Kuliner Dengan Menggunakan Metode AHP Dan SAW Studi Kasus : Kecamatan Buleleng. S1. Universitas Pendidikan Ganesha.

  Rachmatullah, Robby., Kusworo, Adi., Gunawan S.K., Vincencius., 2016. Sistem Pendukung Keputusan Monitoring Mahasiswa Menggunakan Metode AHP Dan Promethee. S2. Universitas Diponegoro.

  Saifulloh, Asnawi., Noordin., 2015. Analisis Keakuratan Metode Ahp Dan Metode Saw Terhadap Sistem Pendukung Keputusan Penerimaan Beasiswa. S1. STT Dharma iswara Madiun.

  Roosmalita Sari, Nadia., Firdaus M, Wayan, 2105. Fuzzy Inference System Tsukamoto untuk Menentukan Kelayakan Calon Pegawai. S1. Universitas brawijaya.

  Pinandita, Tito. Ahmad., 2012. Prediksi Tingkat Kompetensi Profesional Pendidik Menggunakan Sistem Inferensi Fuzzy Metode Tsukamoto. S1. Universitas Muhammadiyah Purwokerto.

  5. Pada pengujian tingkat korelasi didapatkan nilai terendah yang terdapat pada kategori tunggal putri sebesear 0.75736 dan nilai tertinggi pada kategori triple putra sebesar 0.99886. Berdasarkan nilai tersebut maka tingkat korelasi antara keputusan program dan pelatih termasuk sangat kuat.

  4. Pada penerapan metode SAW dilakukan dengan cara mengalikan hasil normalisasi nilai pada setiap kriteria dengan nilai eigen tiap kriteria yang dihasilkan metode AHP.

  Wiratama, Andhika., 2001. Sejarah Bulutangkis.