View of Fitur Rekomendasi Matakuliah Pilihan dengan Menggunakan Algoritma Fuzzy Analytical pada Aplikasi KRS Berbasis Mobile
INSIGHT
Volume 1 No. 1 | April 2018 : 21-27
Fitur Rekomendasi Matakuliah Pilihan
dengan Menggunakan Algoritma Fuzzy
Analytical pada Aplikasi KRS Berbasis Mobile
1
2
3 Muhammad Ridwan , Mohamad Irfan , Ichsan Taufik
Jurusan Teknik Informatika, Fakultas Sains dan Teknologi UIN Sunan Gunung Djati Bandung
Abstract- In semester 7, students of Department of Information Engineering UIN Bandung will be presented some selected
courses at the time of filling the study plan. Students of Informatics Engineering should choose at least 3 of the many courses
presented electives. The lack of understanding of the elective courses presented makes it difficult for students to choose elective
courses based on their interests and talents. The problem raises the idea of creating an application that can recommend a
course of choice based on students' interests and talents using the Fuzzy Analytical Hierarchy Process (FAHP) method. This
method can be used in assisting decision making. The steps to be done are to determine criteria and alternatives, to provide
pairwise comparison (TFN) value between criteria, to calculate degree of possibility criterion, to give pairwise comparison
(TFN) matrix value between criteria and sub criteria, to calculate fuzzy synthetic extend all sub criteria on criteria , calculate
the degree of possibility of all sub criteria on all criteria, calculate the composite weight of all subcriteria, and assign values to
all alternatives. Once applied to the system, it can be concluded that FAHP can work well in determining selected course
recommendations based on student interests and talents.Keywords- Fuzzy Analytical Hierarchy Process, Decission Support System, Course Recommendations.
Abstrak- Pada semester 7, mahasiswa Jurusan Teknik Informatika UIN Bandung akan disajikan beberapa matakuliah pilihan
pada saat pengambilan KRS. Mahasiswa Teknik Informatika setidaknya harus memilih 3 dari sekian banyak matakuliah
pilihan yang disajikan. Kurangnya pemahaman akan matakuliah pilihan yang disajikan membuat mahasiswa kesulitan dalam
memilih matakuliah pilihan berdasarkan minat dan bakat yang mereka miliki. Permasalahan tersebut memunculkan gagasan
untuk membuat suatu aplikasi yang dapat merekomendasikan matakuliah pilihan berdasarkan minat dan bakat mahasiswa
dengan metode Fuzzy Analytical Hierarchy Process (FAHP). Metode ini dapat digunakan dalam membantu pengambilan
keputusan. Adapun tahapan yang harus dilakukan adalah menentukan kriteria dan alternatif, memberikan nilai pairwise
comparison (TFN) antar kriteria, menghitung degree of possibility kriteria, memberikan nilai matriks pairwise comparison
(TFN) antar kriteria dan sub kriteria, menghitung fuzzy synthetic extend semua sub kriteria pada kriteria, menghitung degree
of possibility semua sub kriteria pada semua kriteria, menghitung composite weight semua subkriteria, dan memberikan nilai
pada semua alternatif. Setelah diterapkan pada sistem, dapat disimpulkan bahwa FAHP dapat bekerja dengan baik dalam
menentukan rekomendasi matakuliah pilihan berdasarkan minat dan bakat mahasiswa.Kata kunci- Fuzzy Analytical Hierarchy Process, Sistem Pendukung Keputusan, Rekomendasi Matakuliah Pilihan
I. PENDAHULUAN aplikasi yang dapat membantu pekerjaan yang dilakukan I.I Latar Belakang Masalah menjadi lebih mudah dan efisien [1].
Seiring dengan perkembangan teknologi informasi Pada semester 7, mahasiswa Jurusan Teknik serta komunikasi di masa sekarang ini, perangkat mobile Informatika UIN Bandung akan disajikan beberapa yang merupakan salah satu media komunikasi menjadi matakuliah pilihan pada saat pengambilan KRS. bagian dari kebutuhan masyarakat bahkan perangkat Mahasiswa Teknik Informatika setidaknya harus memilih mobile menjadi suatu benda yang wajib dimiliki karena 3 dari sekian banyak matakuliah pilihan yang disajikan. peredarannya yang sangat luas dan mudah dipakai [1][2]. Hasil survey membuktikan bahwa 32% dari 25 responden yang belum mengambil matakuliah pilihan belum
Kemajuan teknologi perangkat mobile yang pesat mengetahui adanya matakuliah pilihan dan 72% memungkinkan pemanfaatan yang lebih dari kemampuan diantaranya belum mengetahui matakuliah apa yang akan perangkat [3][4][5][6]. Hal ini memicu keinginan dan diambil pada semester 7 nanti. Kurangnya pemahaman antusias dari segala kalangan untuk mengembangkan akan matakuliah pilihan yang disajikan membuat perangkat lunak khusus untuk mereka yang menginginkan mahasiswa kesulitan dalam memilih matakuliah pilihan mobilitas tinggi, tanpa dibatasi waktu dan tempat. berdasarkan minat dan bakat yang mereka miliki, hal ini Banyaknya kalangan yang melakukan pengembangan dibuktikan dengan survey yang menunjukkan bahwa, memberi nilai positif karena banyak terciptanya aplikasi- hanya 52% dari 25 responden yang akan memilih
2. Untuk mengetahui kinerja dari algoritma fuzzy AHP yang diterapkan pada sistem rekomendasi matakuliah pilihan.
ISSN 2620-5467 (Online)
FAHP sesuai dengan singkatannya merupakan penggabungan dari metode Fuzzy logika matematika dan metode AHP sendiri. Perbedaan dengan AHP adalah implementasi pemberian bobot perbandingan berpasangan didalam matriks perbandingan yang diwakili oleh tiga variabel (a,b,c) atau (l,m,u) yang disebut triangular fuzzy number (TFN). Hal ini berarti bobot yang ditemukan bukan satu melainkan tiga karena setiap triangular fuzzy yang disimbolkan dengan l,m,u masing
Metode Fuzzy dan Metode AHP. Metode ini adalah suatu metode analisis yang dikembangkan dari metode AHP. Pada dasarnya AHP bisa menyelesaikan masalah kuilitatif dan kuantitatif, namun FAHP lebih baik dalam menyelesaikan masalah yang masih belum jelas atau samar-samar [17]. Fuzzy AHP sendiri sesuai dengan nama dan singkatannya adalah merupakan metode analitik yang dikembangkan dan struktur perhitungannya dari metode AHP [17].
Sistem Pendukung Keputusan atau Decision Support System (DSS) didefinisikan oleh Michael S. Scott Morton sebagai sistem berbasis komputer interaktif, yang membantu para pengambil keputusan untuk menggunakan data dan berbagai model untuk memecahkan masalah- masalah tidak terstruktur [8][9]. Little mendefinisikan sistem pendukung keputusan sebagai sekumpulan proses berbasis model untuk data pemrosesan dan penilaian guna membantu para manajer mengambil keputusan [8].
Menurut Simon [8], tahapan proses pengambilan keputusan dibagi ke dalam tiga fase utama : inteligensi, desain, dan kriteria.
Model AHP (Analytical Hierarchy Process) adalah sebuah hierarki fungsional dengan input utamanya persepsi manusia. AHP memiliki banyak keunggulan dalam menjelaskan proses pengambilan keputusan. Salah satunya adalah dapat menggambarkan secara grafis sehingga mudah dipahami oleh semua pihak yang terlibat dalam pengambilan keputusan [10][11]. Sedangkan metode fuzzy memiliki kemampuan dalam proses penalaran secara bahasa sehingga dalam perancangannya tidak memerlukan persamaan matematika yang rumit sehingga mudah dimengerti, memiliki toleransi terhadap data-data yang tidak tepat, mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks, dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan, dapat bekerjasama dengan teknik-teknik kendali secara konvensional dan didasarkan pada bahasa alami [12][13]
- – [15]. Dari metode AHP dan fuzzy, dikembangkanlah suatu metode yang bernama fuzzy AHP. Walaupun AHP biasa digunakan dalam menangani kriteria kualitatif dan kuantitatif namun fuzzy AHP dianggap lebih baik dalam mendeskripsikan keputusan yang samar-samar daripada AHP [16].
- –masing memiliki nilai, sesuai dengan fungsi keanggotaan sehingga yang meliputi tiga bobot berurutan. Dalam penelitian ini penulis menggunakan fuzzy, karena terdapat sub kriteria yang harus di ukur dengan fuzzy atau dengan kata lain sub kriteria yang ada tidak bisa diukur secara langsung, sehingga membutuhkan fuzzy [17].
Berdasarkan gambaran di atas, diperlukan adanya sistem yang dapat merekomendasikan matakuliah pilihan berdasarkan minat dan bakat mahasiswa. Oleh karena itu, peneliti tertarik untuk melakukan penelitian dengan judul “Implementasi Algoritma ¬Fuzzy Analytical Hierarchy Process Untuk Fitur Rekomendasi Matakuliah Pilihan Pada Aplikasi KRS berbasis Mobile”.
I.IV Kajian Literatur Penelitian ini menggunakan Fuzzy AHP untuk proses perhitungan perangkingan, FAHP yaitu gabungan antara
INSIGHT
2. Bagaimana kinerja algoritma fuzzy AHP pada fitur rekomendasi matakuliah pilihan? .III Tujuan Penelitian
Penelitian ini dilakukan untuk mengembangkan sistem yang bertujuan untuk menyelesaikan hal-hal sebagai berikut.
1. Untuk menerapkan algoritma fuzzy AHP pada sistem rekomendasi matakuliah pilihan.
I.II Rumusan Masalah
Berdasarkan dari latar belakang diatas maka dapat dirumuskan masalah sebagai berikut.
22 matakuliah pilihan berdasarkan minat dan bakat, sisanya lebih memilih dengan alasan jam pelajaran, ataupun dosen [7].
Implementasi Algoritma Fuzzy Analytical Hierarchy Process Untuk Fitur Rekomendasi Matakuliah Pilihan Pada Aplikasi KRS Berbasis Mobile
Gambar 1 Fungsi Keanggotaan Segitiga
1. Bagaimana cara menerapkan algoritma fuzzy AHP untuk fitur rekomendasi matakuliah pilihan?
INSIGHT
| Volume 1 No. 1 | April 2018 : 21-27 Bilangan Triangular Fuzzy Number (TFN) adalah himpunan fuzzy, yang digunakan untuk pengukuran yang berhubungan dengan penilaian subjektif manusia yang memakai bahasa linguistik.Inti dari fuzzy AHP terletak pada perbandingan berpasangan yang digambarkan dengan skala rasio serta perhitungan nilai sintesis yang berhubungan dengan skala fuzzy. Bilangan TFN disimbolkan dengan M [17].
TFN disimbolkan dengan M = (l,m,u) dimana l ≤ m ≤ u adalah low atau nilai terendah, m adalah medium atau nilau tengah dan u adalah up atau nilai teratas atau nilai paling tinggi. Pendekatan TFN dalam metode AHP adalah pendekatan yang digunakan untuk meminimalisasikan sesuatu dengan sifat ketidakpastian pada metode AHP. Cara pendekatan yang biasanya dilakukan adalah cukup sederhana dengan cara mengfuzzifikasikan skala AHP menjadi skala FAHP. Skala penilaian yang digunakan dalam membandingkan antar kriteria dan sub Kriteria adalah dengan variable linguistic. Contoh variabel lingustik seperti (sama penting, sedikit penting, lebih penting, sangat lebih penting, mutlak lebih penting) variabel lingusitik yang dapat dilihat pada tabel 1 [17].
Tabel 1 Skala Chang untuk Perbandingan Skala Kriteria
Skala Variabel Skala Fuzzy Kebalikan AHP Linguistik (TFN) Skala Fuzzy
1 Sama Penting (1,1,1) (1,1,1)
2 Pertengahan (1/2,1,3/2) (2/3,1,2)
3 Sedikit Penting (1,3/2,2) (1/2,2/3,1)
4 Pertengahan (3/2,2,5/2) (2/5,1/2,2/3)
5 Lebih Penting (2,5/2,3) (1/3,2/5,1/2) Gambar 2 Flowchart Perhitungan Fuzzy AHP
6 Pertengahan (5/2,3,7/2) (2/7,1/3,2/5)
7 Sangat Lebih (3,7/2,4) (1/4,2/7,1/3) Penting
II. METODE PENELITIAN
8 Pertengahan (7/2,4,9/2) (2/9,1/4,2/7) Metode penelitian yang digunakan untuk pengumpulan
9 Mutlak Lebih (4,9/2,9/2) (2/9,2/9,1/4) data yaitu dengan melakukan observasi dan studi literatur.
Penting Untuk metode pengembangan perangkat lunak menggunakan metode pengembangan prototype.
Secara umum alur proses penerapan metode FAHP untuk Adapun model pengembangan perangkat lunak yang rekomendasi matakuliah pilihan dapat digambarkan akan yang akan digunakan yaitu Prototype. Gambar 3 kedalam bentuk flowchart pada gambar 2 [18]. merupakan alur dari model prototype [19][20].
Gambar 3 Prototype Model
23
INSIGHT
Kriteria (K) Jumlah Priority Vector K1 1.616 0.538 K2 0.891 0.297 K3 0.491 0.163
Kriteria (K) K1 K2 K3 Jumlah K1 0.545 0.571
0.5 1.616
K2 0.272 0.285 0.333 0.891 K3 0.181 0.142 0.166 0.491 Jumlah
1
1
1
3
3. Menghitung priority vector dengan membagi jumlah baris dengan total dari jumlah baris.
Tabel 4 Priority Vector
Jumlah
ISSN 2620-5467 (Online)
3
1
4. Mengalikan vector kriteria dengan priority vetor dengan cara baris dikalikan dengan kolom.
Tabel 5 Perkalian Vector Kriteria dengan Priority Vector
Kriteria (K) K1 K2 K3 Priority Vector Hasil Kali K1 0.545 0.571
0.5 0.538 1.624
K2 0.272 0.285 0.333 0.297 0.894 K3 0.181 0.142 0.166 0.163 0.492 5. Membagi hasil perkalian vektor dengan priority vector.
Tabel 6 Pembagian Hasil Kali Vector dengan Priority Vector
Kriteria (K) Priority Vector Hasil Kali Hasil Kali / Priority Vector
Menghitung λ yaitu rata-rata dari hasil kali / priority vector. λ = 3.011
Tabel 3 Normalisasi Bobot Kriteria
2. Normalisai bobot kriteria dengan membagi bobot setiap perbandingan kriteria dengan jumlah kolom kriteria.
6 Keterangan: K1 = Rata-Rata Nilai Prasyarat, K2 = Quisioner, K3 = Kapasitas Kelas.
6. Evaluasi Sistem Pelanggan mengevaluasi apakah sistem yang sudah jadi sudah sesuai dengan yang diharapkan. Jika ya, langkah 7 dilakukan; jika tidak, ulangi langkah 4 dan 5.
Implementasi Algoritma Fuzzy Analytical Hierarchy Process Untuk Fitur Rekomendasi Matakuliah Pilihan Pada Aplikasi KRS Berbasis Mobile
24 Prototype bisa berfungsi sebagai sistem yang pertama, memang benar bahwa baik pelanggan maupun pengembang menyukai paradigma prototype. Metode pengembangan perangkat lunak atau aplikasi melalui pendekatan berorientasi objek dengan metode Prototype merupakan salah satu metode pengembangan perangkat lunak yang banyak digunakan. Dengan metode Prototype ini pengembang dan pelanggan dapat saling berinteraksi selama proses pembuatan sistem [19]. Tahapan-tahapan dalam Prototype adalah sebagai berikut:
1. Pengumpulan kebutuhan Pelanggan dan pengembang bersama-sama mendefinisikan format seluruh perangkat lunak, mengidentifikasikan semua kebutuhan, dan garis besar sistem yang akan dibuat.
2. Membangun Prototype Membangun Prototype dengan membuat perancangan sementara yang berfokus pada penyajian kepada pelanggan (misalnya dengan membuat input dan format output).
3. Evaluasi Prototype Evaluasi ini dilakukan oleh pelanggan apakah
Prototype yang sudah dibangun sudah sesuai dengan keinginan pelanggan.
Jika sudah sesuai maka langkah 4 akan diambil. Jika tidak prototype direvisi dengan mengulangi langkah 1, 2, dan 3.
4. Mengkodekan Sistem Dalam tahap ini Prototype yang sudah di sepakati diterjemahkan ke dalam bahasa pemrograman yang sesuai.
5. Menguji Sistem Setelah sistem sudah menjadi suatu perangkat lunak yang siap pakai, harus uji terlebih dahulu sebelum digunakan. Pengujian ini dilakukan dengan Black Box pengujian arsitektur dan lain-lain.
7. Menggunakan Sistem Perangkat lunak yang telah diuji dan diterima pelanggan siap untuk digunakan.
3.5
Pengolahan data akan dilakukan dengan perangkat lunak yang dibuat dengan mengimplementasikan metode fuzzy AHP. Dalam pengolahan data ini, secara umum prosedur perhitungan terdiri dari:
1. Pembobotan kriteria dilakukan untuk mengukur tingkat kepentingan dari suatu kriteria. Pembobotan kriteria ini dapat dilihat pada tabel 2.
Tabel 2 Pembobotan Kriteria
Kriteria (K) K1 K2 K3 K1
1
2
3 K2 1/2
1
2 K3 1/3 1/2
1 Jumlah 1.833
III. HASIL DAN PEMBAHASAN
K1 0.538 1.624 3.014 K2 0.297 0.894 3.008 K3 0.163 0.492 3.004 6.
INSIGHT
| Volume 1 No. 1 | April 2018 : 21-27 Tabel 10 Sintesis Fuzzy 7. Menghitung nilai CI, dimana CI = (λ – n ) / (n - 1) = 0.00529
Si l m u
8. Menentukan nilai RI berdasarkan ukuran martiks. Nilai
S1 2.5 x 0.077 = 3.5 x 0.109 = 4.5 x 0.146 = RI dari matriks berukuran 3 yaitu 0.58.
0.192 0.381 0.657
S2 2.17 x 0.192 = 3 x 0.109 = 4.5 x 0.077 =
Tabel 7 Index Random 0.167 0.327 0.657
Ukuran Nilai RI S3 2.17 x 0.192 = 2.67 x 0.109 = 4 x 0.077 = Matriks
0.167 0.291 0.584
1.2
0.00
3
0.58
13. Jika telah didapat nilai Si, maka dapat didefinisikan
4
0.90 sebagai nilai vector (V) sebagai berikut.
5
1.12 a.
VSK1 ≥ (VSK2, VSK3)
6
1.24
7
1.32 VSK1 ≥ VSK2 = 0.895
8
1.41 VSK1 ≥ VKS3 = 0.812
9
1.45 b.
VSK2 ≥ (VSK1, VSK3)
10
1.49 VSK2 ≥ VSK1 = 1
11
1.51 VSK2 ≥ VKS3 = 0.920
12
1.48 c.
VSK3 ≥ (VSK1, VSK2)
13
1.56 VSK3 ≥ VSK1 = 1
14
1.57 VSK3 ≥ VKS2 = 1
15
1.59
14. Mendefinisikan nilai ordinat
9. Menghitung CR untuk menguji rasio konsentrasi. Jika a.
d’(VSK1) = min(1, 0.895, 0.812) = 0.812 CR > 0.1, maka rasio konsentrasi dari perhitungan b. d’(VSK2) = min(1, 1, 0.920) = 0.920 tersebut dapat diterima untuk selanjutnya dimasukkan c. d’(VSK3) = min(1, 1, 1) = 1 ke dalam rumus fuzzy AHP.
15. Berdasarkan nilai ordinat diatas maka diperoleh W’ = CR = CI / RI = 0.009127
(0.812, 0.920, 1) 10. Perbandingan maktriks berpasangan kriteria FAHP.
16. Normalisasi bobot vektor fuzzy diperoleh dengan cara Pada tahap ini pembobotan kriteria pada Tabel 3.7, tiap elemen bobot vektor dibagi jumlah bobot vector itu diubah ke dalam bentuk perbandingan matrik sendiri. Dimana jumlah bobot yang telah dinormalisasi berpasangan kriteria Fuzzy AHP yang dapat dilihat akan bernilai 1. Normalisasi nilai bobot vector fuzzy pada berikut ini. kriteria sama dengan nilai bobot prioritas global (yang menjadi tujuan) yang dapat dilihat pada tabel 11.
Tabel 8 Perbandingan Matriks Berpasangan
K1 K2 K3
Tabel 11 Bobot Vektor
l m u l m u l m u K1
1
1 1 1/2 1 3/2 1 3/2
2 W Jumlah W
W’ Jumlah W’ K2 2/3
1
2
1
1 1 1/2 1 3/2
K1 0.812 0.395 K3 1/2 2/3
1 2/3
1
2
1
1
1 K2 0.920 2.73 0.376
1 K3 1 0.227
11. Menjumlahkan setiap baris dan kolom matriks kriteria berpasangan, dapat dilihat pada tabel berikut.
17. Berikut merupakan tiga sampel nilai alternatif dari mahasiswa dengan NIM 1137050100, 1137050162, Tabel 9 Penjumlahan Matriks Kriteria Berpasangan dan 1137050164.
l m u K1
2.5
3.5
4.5 Tabel 12 Nilai Alternatif Mahasiswa
K2
2.17
3
4.5 K3
2.17
2.67
4 NIM Matakuliah K1 K2 K3
Jumlah
6.84
9.17
13 Data mining (A1)
3
2
2 Invers 0.146 0.109 0.077
E-Commerce (A2)
2
3.5
2 Wireless / Mobile
2
3
2
12. Setelah invers dari jumlah kolom diperoleh,
Computing (A3)
selanjutnya mencari nilai sintesis fuzzy masing-masing
1137050158 Mobile Programming
3
4
2 kriteria dengan cara berikut.
(A4) Sistem Cerdas (A5)
4
3
2 SI Enterprise (A6)
3
2.5
1 SI Geografis (A7)
3
3.5
1
1137050162 Data mining (A1)
4
3.5
2
25
INSIGHT
0.22
5
0.79
1
1.13
0.22
7
2.14
9
7 A
7
0.79
1
0.75
3
7
4
1.50
2 A
5
3.54
4
0.45
7
3
1.99
1.58
1
1 A
4
113705016
9
6 A
2.58
1.58
1
1.50
7
0.45
4
3.31
8
3 A
6
1.58
3
1.13
0.45
4
2.94
4 A
4
5 A
0.45
2
0.94
7
1.18
3
2
2
2.77
4
0.45
1.13
7
1.18
3
3
1.58
9
1
1.13
0.22
7
2.37
6
6 A
5
0.79
1
1.13
0.45
4
2.14
7 A
6
IV. PENUTUP
2. Perlu adanya maintenance sistem secara berkala untuk menghindari adanya bug dikemudian hari.
1. Perlu adanya penambahan kriteria maupun kuesioner untuk memperbesar akurasi dari rekomendasi matakuliah pilihan.
IV.II Saran Agar kerja dari aplikasi rekomendasi matakuliah pilihan ini berjalan lebih optimal, penulis memberikan beberapa saran, yaitu:
2. Algoritma fuzzy AHP yang telah diterapkan pada fitur rekomendasi matakuliah pilihan memiliki tingkat akurasi sebesar 100%. Hal ini disebabkan karena source code dari algoritma fuzzy AHP yang diterapkan telah sama persis dengan proses algoritma fuzzy AHP yang sebenarnya.
1. Algoritma fuzzy AHP yang diterapkan untuk merekomendasikan matakuliah pilihan berdasarkan kriteria berupa nilai serta kuesioner berjalan dengan baik dan akurat.
IV.I Kesimpulan Kesimpulan yang dapat diperoleh dari hasil analisis aplikasi rekomendasi matakuliah pilihan dengan algoritma fuzzy AHP adalah sebagai berikut.
9 Dari tabel 13 dapat disimpulkan bahwa 3 matakuliah yang paling direkomendasikan untuk mahasiswa dengan NIM 1137050158 yaitu sistem cerdas, mobile programming, serta SI geografis, 3 matakuliah pilihan yang paling direkomendasikan untuk mahasiswa dengan NIM 1137050162 yaitu data mining, mobile programming, serta sistem informasi enterprise, dan 3 matakuliah pilihan yang paling direkomendasikan untuk mahasiswa dengan nim 1137050164 yaitu data mining, wireless/mobile computing serta E-Commerce
7
2.14
7
0.22
1.13
1
0.79
0.79
5 A
1.50
1.58
7
0.45
4
3.54
5 NIM
Rangkin g K1 K2 K3 Tota l W
0.39
5
0.37
6
0.22
7
3 A
2
3
4
1.18
2.58
4
0.45
2
0.94
7
4
1.31
4 A
6
3.35
4
0.45
8
3
4
ISSN 2620-5467 (Online)
0.39
4
3.5
2 Sistem Cerdas (A5)
4
4
2 SI Enterprise (A6)
2
3
1 SI Geografis (A7)
2
3
1 Dari proses perhitungan Fuzzy AHP, untuk kriteria diperoleh bobot yang akan dikalikan dengan hasil penilaian setiap alternatif untuk mendapatkan rangking dari setiap alternatif. Tabel 13 berikut ini merupakan tabel kesimpulan bobot global alternatif.
Tabel 13 Rangking Matakuliah Pilihan Mahasiswa
NIM Rangkin g K1 K2 K3 Tota l W
5
2 Mobile Programming
3
2 A
8
3.16
4
0.45
1.13
1.58
0.37
5
1 A
8
7 113705015
0.22
6
(A4)
3
1.18
2
Implementasi Algoritma Fuzzy Analytical Hierarchy Process Untuk Fitur Rekomendasi Matakuliah Pilihan Pada Aplikasi KRS Berbasis Mobile
26 NIM Matakuliah K1 K2 K3
E-Commerce (A2)
3
3
2 Wireless / Mobile
Computing (A3)
3
2.5
2 Mobile Programming
(A4)
4
4
2 Sistem Cerdas (A5)
3
2
4
Computing (A3)
2 Wireless / Mobile
2.5
3
2 E-Commerce (A2)
4
1137050164 Data mining (A1)
2 SI Enterprise (A6)
1
2
2
1 SI Geografis (A7)
3
4
4
7
2 A
2
6 A
3
0.79
1
1.13
0.45
4
2.37
6
7 A
6
1.18
7
0.94
0.22
2.39
3
6
3.35
4
0.45
8
1.31
1.58
7
1
1 A
2
113705016
6
2.35
5
4
1.50
3
7
0.45
4
3.14
9
3 A
7
1.18
7
1.31
8
0.22
7
2.73
4 A
0.45
5
3
0.75
7
1.18
1
5 A
2.56
2
4
0.45
8
1.31
1
0.79
3. Perlu adanya peningkatan dari segi keamanan untuk menjaga data agar tetap aman
INSIGHT
| Volume 1 No. 1 | April 2018 : 21-27 prioritization of maintenance key performance
V. REVERENSI indicators: Application to an oil refinery plant,” in 2017
2nd International Conference on System Reliability and
[1] F. Purnomo et al.
, “Analisis Dan Perancangan Sistem
Safety (ICSRS) , 2017, pp. 337 –342.
Mobile Krs Berbasis J2Me Menggunakan Jaringan Gprs,” vol. 2010, no. Snati, pp. 19–23, 2010.
[16] J. J. Buckley, “Fuzzy hierarchical analysis,” Fuzzy Sets
[2] F. S. Irwansyah, Y. M. Yusuf, I. Farida, and M. A.
Syst. , vol. 17, no. 3, pp. 233 –247, 1985.
Ramdhani, “Augmented Reality (AR) Technology on [17] R. Berikang et al.
, “Pemilihan Lokasi Pendidikan the Android Operating System in Chemistry Learning,” Stikom Manado Menggunakan Pendekatan Fuzzy IOP Conf. Ser. Mater. Sci. Eng. , vol. 288, no. 1, p. AHP,” pp. 651–658, 2005. 12068, 2018.
[18] M. Fajri et al.
, “Implementasi Metode Fuzzy Analytic [3]
G. E. Pribadi, U. Syaripudin, and W. Uriawan, Hierarchy Process ( F-AHP ) Dalam Penentuan
“Aplikasi Pembelajaran Bahasa Sunda Dengan Peminatan di MAN 2 Kota Serang,” J. Pengemb.
- – Implementasi Algoritma Linear Congruential Generator
Teknol. Inf. dan Ilmu Komput. , vol. 2, no. 5, pp. 2109 Dan Fuzzy Berbasis Android,” J. Online Inform., vol.
2117, 2018. 1, no. 1, pp. 34 –42, 2016.
[19]
B. Sidik, Framework CodeIgniter. Bandung: [4] Sari et al. , “Using Android-Based Educational Game Informatika, 2012. for Learning Colloid Material Using Android-Based
[20] M. A. Ramdhani, Metodologi Penelitian untuk Riset Educational Game for Learning Colloid Material,” J.
Teknologi Informasi . Bandung: UIN Sunan Gunung Phys. Conf. Ser. , vol. 895, no. 1, p. 12012, 2017.
Djati Bandung, 2013. [5] M. Irfan, I. Z. Mutaqin, and R. G. Utomo,
“Implementation of Dynamic Time Warping Algorithm on an Android Based Application to Write and Pronounce Hijaiyah Letters,” IEEE CITSM, 2016. [6]
A. Zarman, M. Irfan, and W. Uriawan, “Implementasi
Algoritma Ant Colony Optimization Pada Aplikasi Pencarian Lokasi Tempat Ibadah Terdekat Di Kota Bandung,” J. Online Inform., vol. 1, no. 1, pp. 6–12, 2016.
[7]
I. Septiana, M. Irfan, and A. R. Atmadja, “Sistem
Pendukung Keputusan Penentu Dosen Penguji Dan Pembimbing Tugas Akhir Menggunakan Fuzzy Multiple Attribute Decision Makingdengan Simple Additive Weighting (Studi Kasus: Jurusan Teknik Informatika Uin Sgd Bandung),” J. Online Inform., vol.
1, no. 1, pp. 43 –50, 2016. [8]
E. Turban and J. Aronson, Decision Support Systems and Intelligent Systems . 1997. [9] K. Suryadi and M. A. Ramdhani, Sistem Pendukung Keputusan . Bandung: Remaja Rosdakarya. [10] Kusrini, Konsep dan Aplikasi Sistem Pendukung Keputusan . Yogyakarta: Andi, 2007. [11] M. Irfan, Jumadi, W. B. Zulfikar, and Erik,
“Implementation of Fuzzy C-Means algorithm and TF- IDF on English journal summary,” 2017 Second Int.
Conf. Informatics Comput. , pp. 1 –5, 2017.
[12] T. Sutojo, E. Mulyanto, and V. Suhartono, . 2011.
Kecerdasaan Buatan
[13] M. A. Adiguna and A. Muhajirin, “Penerapan Logika Fuzzy Pada Penilaian Mutu Dosen Terhadap Tri Dharma Perguruan Tinggi,” JOIN (Jurnal Online
Inform. , vol. 2, no. 1, pp. 16 –19, 2017.
[14] V. Campos-Guzman, M. S. Garcia-Cascales, J. M.
Sanchez- Lozano, and D. Pelta, “Selection of a fuzzy
AHP-TOPSIS electrification system for an isolated rural area in southern México,” in 2017 IEEE
International Conference on Fuzzy Systems (FUZZ-
IEEE) , 2017, pp. 1 –6.
[15]
G. G. Maria and L. F. C. Manuela, “Combined fuzzy
TOPSIS and AHP-based methodology for the
27