Analisis Penerapan Model Inferensi Fuzzy Tsukamoto Dalam Penilaian Pencapaian Kompetensi Program Studi
1
BAB I
PENDAHULUAN
1.1
Latar Belakang
Logika fuzzy dicetuskan oleh (Zadeh, 1965) seorang guru besar University of
California . Dalam karya ilmiah tersebut, Zadeh membuat terobosan baru yang
memperluas konsep himpunan tegas (Crisp Sets), dalam arti bahwa himpunan tegas
merupakan kejadian khusus dari himpunan fuzzy (fuzzy sets). Himpunan fuzzy
menggunakan persekitaran untuk menampilkan masalah yang komplek dalam model
yang sederhana. Dalam perkembangannya, penggunaan teori himpunan fuzzy terbagi
menjadi tiga periode yaitu fase belajar (1965-1977) yang ditandai dengan
perkembangan dan perkiraan penggunaannya. Kemudian fase transisi (1978-1988)
yang ditandai dengan perkembangan teori dan banyak sukses dalam praktek
penggunaan. Yang terakhir fase ledakan fuzzy (Fuzzy Boom) (1989-sekarang) yang
ditandai dengan peningkatan sukses dalam penggunaan di bidang industri, bisnis, dan
penggunaan perangkat lunak (Soft Computing) (Klirr dkk, 1997). Pada prinsipnya
himpunan fuzzy adalah perluasan himpunan crisp, yaitu himpunan yang membagi
sekelompok individu kedalam dua kategori, yaitu anggota dan bukan anggota. Pada
himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang
sering ditulis dengan μ A [x], memiliki β kemungkinan, yaitu : • Satu (1) yang berarti
bahwa suatu item menjadi anggota dalam suatu himpunan. • Nol (0) yang berarti bahwa
suatu item tidak menjadi anggota dalam suatu himpunan. Pada himpunan crisp, nilai
keanggotaan ada 2 kemungkinan, yaitu 0 atau 1. Sedangkan pada himpunan fuzzy nilai
keanggotaan terletak pada rentang 0 sampai 1. Semesta pembicaraan adalah
keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy.
Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik
(bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa
2
bilangan positif maupun negatif. Domain himpunan fuzzy adalah keseluruhan nilai yang
diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan
fuzzy (A.Tal, 1965). Fungsi keanggotaan (membership function ) adalah suatu kurva
yang menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaan yang
memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk
mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada
beberapa fungsi yang ada pada logika fuzzy,
Fuzzy logic dimulai dengan konsep himpunan fuzzy. Sebuah himpunan fuzzy
menggambarkan hubungan antara kuantitas x tertentu dan fungsi keanggotaan (μ), yang
berkisar antara 0 dan 1, fuzzy menyediakan cara yang mudah untuk sampai pada
kesimpulan yang pasti berdasarkan informasi masukan yang samar-samar, ambigu,
tidak tepat, berisik, atau hilang. (Nasr, 2012)
Pemodelan fuzzy inferensi Tsukamoto memberikan kinerja yang lebih baik dan
lebih konsisten dan lebih matematis dalam penanganan ketidakpastian dikarenakan
input proses variabel linguistik memberikan hasil output yang lebih baik dengan hasil
output yang menggunakan model matematika klasik lainnya. Dalam hal ini Tsukamoto
juga baik dalam mencari solusi yang outputnya belum tentu optimal. Kamble (2013)
Ada beberapa perbedaan dalam proses mesin inferensi dalam evaluasi aturan dan
proses defuzzyfikasi pada metode fuzzy Tsukamoto dan metode fuzzy Mamdani
diantaranya yaitu bahwa pada Metode Fuzzy Tsukamoto, saat proses evaluasi aturan
dalam mesin inferensi, menggunakan fungsi implikasi MIN untuk mendapatkan nilai αpredikat tiap-tiap rule (α1, αβ, αγ....αn). Masing-masing nilai α_predikat digunakan
untuk menghitung hasil inferensi secara tegas (crisp) masingmasing rule (z1, z2,
z3,....zn). Proses defuzzyfikasi pada metode Tsukamoto menggunakan metode rata-rata
(Average). Sedangkan pada Metode Fuzzy Mamdani, saat melakukan evaluasi aturan
dalam mesin inferensi menggunakan fungsi MIN dan komposisi antar-rule
menggunakan fungsi MAX untuk menghasilkan himpunan fuzzy baru. Proses
defuzzyfikasi pada metode Mamdani menggunakan metode Centroid.
Fuzzy Tsukamoto merupakan salah satu metode yang sangat fleksibel dan
memiliki toleransi pada data yang ada. Fuzzy Tsukamoto memiliki kelebihan yaitu
lebih intuitif, diterima oleh banyak pihak, lebih cocok untuk masukan yang
diterima dari manusia bukan mesin (Thamrin, Fanoeel, 2012). Berdasarkan
permasalahan tersebut maka perlu dikembangkan perangkat lunak untuk menilai
3
tingkat pelayanan pada program studi. Hal-hal yang berkaitan dengan data penilaian
akreditasi untuk program studi dan merupakan hal yang samar (fuzzy) karena banyak
kemungkinan pada suatu masalah yang terjadi. Berdasarkan hal tersebut, maka
dalam membangun sistem digunakan logika fuzzy yang mampu menangani
ketidakjelasan dan ketidakpastian dari berbagai variabel penilaian yang digunakan .
Logika fuzzy yang digunakan adalah sistem inferensi fuzzy Tsukamoto karena metode
ini menggunakan aplikasi nilai monoton, Output hasil inferensi dari tiap-tiap aturan
diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength).
Beberapa penelitian yang telah dilakukan dengan menggunakan berbagai
metode softcomputing diantaranya penelitian Mahdiraji dan Mohamed (2006)
meneliti system pakar fuzzy untuk klasifikasi ganguan tegangan arus pendek.
Neshat dan Yaghobi (2009) mencoba mendisain dan membandingkan system pakar
fuzzy untuk mendiagnosa hepatitis B berdasarkan intensitas dengan fuzzy adaptive
neural network. Djam dan Kimbi (2011) merancang sistem pakar fuzzy dalam
manajemen penyakit malaria. Sri Hariani (2013) menganalisa peningkatan kualitas
layanan pendidikan menggunakan integrasi metode fuzzy servqual dan qfd.
1.2
Rumusan Masalah
Dari latar belakang yang telah diuraikan sebelumnya maka rumusan masalah dari
penelitian ini adalah melakukan analisa terhadap kelebihan pada model inferensi fuzzy
Tsukamoto untuk menilai pencapaian kompetensi program studi.
1.3
Tujuan Penelitian
Adapun tujuan yang ingin dicapai dalam penelitian ini adalah untuk membangun dan
menganalisa sistem berbasis logika fuzzy yang digunakan untuk menentukan tingkat
pencapaian kompetensi sebuah program studi.
1.4
Manfaat Penelitian
Manfaat yang diharapkan dari hasil penelitian ini adalah sebagai berikut:
1.4.1
Bagi Institusi
Bagi Institusi penyelenggara pendidikan dapat mengetahui tingkat pencapaian
kompetensi
yang
berkaitan
dengan
pelayanan
pendidikan
sehingga
dapat
4
mengidentifikasi elemen yang perlu dibenahi dan dipertahankan agar semakin
meningkatkan kualitas layanan.
1.4.2
Bagi Pihak Lain
Khusus bagi akademisi, diharapkan penelitian ini dapat dijadikan referensi dalam
melakukan penelitian lebih lanjut.
1.5
Batasan Masalah
Untuk menghindari kemungkinan terlalu meluasnya pembahasan, maka dalam
penelitian ini akan diberi batasan masalah sebagai berikut:
1.
Penerapan Fuzzy Tsukamoto pada sistem yang dibangun untuk menilai tingkat
pencapaian kompetensi terhadap pelayanan sebuah program.
2.
Data yang digunakan untuk pengujian sistem ini berupa hasil penilaian
terhadap 4 komponen utama yaitu Dosen, Pegawai, Sarana & Prasarana,
Kurikulum yang juga merupakan komponen dalam penilaian akreditasi baik
program studi maupun institusi.
3.
Rule atas penilaian hanya menggunakan 9 jenis rule dari beberapa rule yang
mungkin terjadi.
BAB I
PENDAHULUAN
1.1
Latar Belakang
Logika fuzzy dicetuskan oleh (Zadeh, 1965) seorang guru besar University of
California . Dalam karya ilmiah tersebut, Zadeh membuat terobosan baru yang
memperluas konsep himpunan tegas (Crisp Sets), dalam arti bahwa himpunan tegas
merupakan kejadian khusus dari himpunan fuzzy (fuzzy sets). Himpunan fuzzy
menggunakan persekitaran untuk menampilkan masalah yang komplek dalam model
yang sederhana. Dalam perkembangannya, penggunaan teori himpunan fuzzy terbagi
menjadi tiga periode yaitu fase belajar (1965-1977) yang ditandai dengan
perkembangan dan perkiraan penggunaannya. Kemudian fase transisi (1978-1988)
yang ditandai dengan perkembangan teori dan banyak sukses dalam praktek
penggunaan. Yang terakhir fase ledakan fuzzy (Fuzzy Boom) (1989-sekarang) yang
ditandai dengan peningkatan sukses dalam penggunaan di bidang industri, bisnis, dan
penggunaan perangkat lunak (Soft Computing) (Klirr dkk, 1997). Pada prinsipnya
himpunan fuzzy adalah perluasan himpunan crisp, yaitu himpunan yang membagi
sekelompok individu kedalam dua kategori, yaitu anggota dan bukan anggota. Pada
himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang
sering ditulis dengan μ A [x], memiliki β kemungkinan, yaitu : • Satu (1) yang berarti
bahwa suatu item menjadi anggota dalam suatu himpunan. • Nol (0) yang berarti bahwa
suatu item tidak menjadi anggota dalam suatu himpunan. Pada himpunan crisp, nilai
keanggotaan ada 2 kemungkinan, yaitu 0 atau 1. Sedangkan pada himpunan fuzzy nilai
keanggotaan terletak pada rentang 0 sampai 1. Semesta pembicaraan adalah
keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy.
Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik
(bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa
2
bilangan positif maupun negatif. Domain himpunan fuzzy adalah keseluruhan nilai yang
diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan
fuzzy (A.Tal, 1965). Fungsi keanggotaan (membership function ) adalah suatu kurva
yang menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaan yang
memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk
mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada
beberapa fungsi yang ada pada logika fuzzy,
Fuzzy logic dimulai dengan konsep himpunan fuzzy. Sebuah himpunan fuzzy
menggambarkan hubungan antara kuantitas x tertentu dan fungsi keanggotaan (μ), yang
berkisar antara 0 dan 1, fuzzy menyediakan cara yang mudah untuk sampai pada
kesimpulan yang pasti berdasarkan informasi masukan yang samar-samar, ambigu,
tidak tepat, berisik, atau hilang. (Nasr, 2012)
Pemodelan fuzzy inferensi Tsukamoto memberikan kinerja yang lebih baik dan
lebih konsisten dan lebih matematis dalam penanganan ketidakpastian dikarenakan
input proses variabel linguistik memberikan hasil output yang lebih baik dengan hasil
output yang menggunakan model matematika klasik lainnya. Dalam hal ini Tsukamoto
juga baik dalam mencari solusi yang outputnya belum tentu optimal. Kamble (2013)
Ada beberapa perbedaan dalam proses mesin inferensi dalam evaluasi aturan dan
proses defuzzyfikasi pada metode fuzzy Tsukamoto dan metode fuzzy Mamdani
diantaranya yaitu bahwa pada Metode Fuzzy Tsukamoto, saat proses evaluasi aturan
dalam mesin inferensi, menggunakan fungsi implikasi MIN untuk mendapatkan nilai αpredikat tiap-tiap rule (α1, αβ, αγ....αn). Masing-masing nilai α_predikat digunakan
untuk menghitung hasil inferensi secara tegas (crisp) masingmasing rule (z1, z2,
z3,....zn). Proses defuzzyfikasi pada metode Tsukamoto menggunakan metode rata-rata
(Average). Sedangkan pada Metode Fuzzy Mamdani, saat melakukan evaluasi aturan
dalam mesin inferensi menggunakan fungsi MIN dan komposisi antar-rule
menggunakan fungsi MAX untuk menghasilkan himpunan fuzzy baru. Proses
defuzzyfikasi pada metode Mamdani menggunakan metode Centroid.
Fuzzy Tsukamoto merupakan salah satu metode yang sangat fleksibel dan
memiliki toleransi pada data yang ada. Fuzzy Tsukamoto memiliki kelebihan yaitu
lebih intuitif, diterima oleh banyak pihak, lebih cocok untuk masukan yang
diterima dari manusia bukan mesin (Thamrin, Fanoeel, 2012). Berdasarkan
permasalahan tersebut maka perlu dikembangkan perangkat lunak untuk menilai
3
tingkat pelayanan pada program studi. Hal-hal yang berkaitan dengan data penilaian
akreditasi untuk program studi dan merupakan hal yang samar (fuzzy) karena banyak
kemungkinan pada suatu masalah yang terjadi. Berdasarkan hal tersebut, maka
dalam membangun sistem digunakan logika fuzzy yang mampu menangani
ketidakjelasan dan ketidakpastian dari berbagai variabel penilaian yang digunakan .
Logika fuzzy yang digunakan adalah sistem inferensi fuzzy Tsukamoto karena metode
ini menggunakan aplikasi nilai monoton, Output hasil inferensi dari tiap-tiap aturan
diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength).
Beberapa penelitian yang telah dilakukan dengan menggunakan berbagai
metode softcomputing diantaranya penelitian Mahdiraji dan Mohamed (2006)
meneliti system pakar fuzzy untuk klasifikasi ganguan tegangan arus pendek.
Neshat dan Yaghobi (2009) mencoba mendisain dan membandingkan system pakar
fuzzy untuk mendiagnosa hepatitis B berdasarkan intensitas dengan fuzzy adaptive
neural network. Djam dan Kimbi (2011) merancang sistem pakar fuzzy dalam
manajemen penyakit malaria. Sri Hariani (2013) menganalisa peningkatan kualitas
layanan pendidikan menggunakan integrasi metode fuzzy servqual dan qfd.
1.2
Rumusan Masalah
Dari latar belakang yang telah diuraikan sebelumnya maka rumusan masalah dari
penelitian ini adalah melakukan analisa terhadap kelebihan pada model inferensi fuzzy
Tsukamoto untuk menilai pencapaian kompetensi program studi.
1.3
Tujuan Penelitian
Adapun tujuan yang ingin dicapai dalam penelitian ini adalah untuk membangun dan
menganalisa sistem berbasis logika fuzzy yang digunakan untuk menentukan tingkat
pencapaian kompetensi sebuah program studi.
1.4
Manfaat Penelitian
Manfaat yang diharapkan dari hasil penelitian ini adalah sebagai berikut:
1.4.1
Bagi Institusi
Bagi Institusi penyelenggara pendidikan dapat mengetahui tingkat pencapaian
kompetensi
yang
berkaitan
dengan
pelayanan
pendidikan
sehingga
dapat
4
mengidentifikasi elemen yang perlu dibenahi dan dipertahankan agar semakin
meningkatkan kualitas layanan.
1.4.2
Bagi Pihak Lain
Khusus bagi akademisi, diharapkan penelitian ini dapat dijadikan referensi dalam
melakukan penelitian lebih lanjut.
1.5
Batasan Masalah
Untuk menghindari kemungkinan terlalu meluasnya pembahasan, maka dalam
penelitian ini akan diberi batasan masalah sebagai berikut:
1.
Penerapan Fuzzy Tsukamoto pada sistem yang dibangun untuk menilai tingkat
pencapaian kompetensi terhadap pelayanan sebuah program.
2.
Data yang digunakan untuk pengujian sistem ini berupa hasil penilaian
terhadap 4 komponen utama yaitu Dosen, Pegawai, Sarana & Prasarana,
Kurikulum yang juga merupakan komponen dalam penilaian akreditasi baik
program studi maupun institusi.
3.
Rule atas penilaian hanya menggunakan 9 jenis rule dari beberapa rule yang
mungkin terjadi.