proposal fix spk fuzzy logic
TRANSCRIPT
BAB I
PENDAHULUAN
1. PENDAHULUAN
1.1. LATAR BELAKANG
Seiring dengan kemajuan teknologi yang semakin
cepat menyebabkan segala aspek kehidupan manusia selalu
dikaitkan dengan informasi. Perkembangan teknologi
informasi yang cepat tersebut banyak menguntungkan
dalam segala bidang baik dalam akademik maupun non-
akademik. Pemanfaatan teknologi tersebut digunakan agar
dapat menghasilkan informasi yang akurat atau tepat
serta dapat dihasilkan dalam waktu yang cepat.
Pemanfaatan teknologi tersebut dimanfaatkan dalam
bidang akademik yaitu pada proses pendidikan khususnya
untuk Sekolah Menengah Atas (SMA).
SMA GIKI 2 Surabaya merupakan sekolah yang
letaknya sangat strategis ditengah kota tepatnya di Jl.
Raya Gubeng 45 Surabaya dan juga merupakan sekolah yang
sudah mempunyai status TERAKREDITASI "A" (AMAT BAIK).
Diasuh oleh para guru yang berpengalaman, disiplin dan
dedikasi yang tinggi, sehingga dapat memberikan bekal
untuk memperkuat kesuksesan atau pengembangan potensi
diri baik dari segi intelektual, mental, akal dan sikap
peduli yang dikembangkan oleh SMA GIKI 2 Surabaya.
Melihat berkembangnya sekolah tersebut, teknologi yang
dapat mendukung keputusan pun harus berkembang
didalamya. Salah satunya informasi yang mendukung dalam
pengambilan keputusan proses penentuan jurusan bagi
siswa.
Proses penjurusan pada SMA GIKI 2 Surabaya
dilakukan pada saat akhir semester kelas X, karena
penjurusan dimulai pada saat kelas XI. Informasi yang
dibutuhkan dalam pengambilan keputusan penjurusan
adalah :
a. Minat siswa atau siswi ingin masuk jurusan IPA atau IPS
b. Disaring dari nilai akademik selama masih pada kelas X.
c. Disaring dari hasil psikotes yang dilakukan sekolah
untuk menguji psikologi siswa siswi SMA GIKI 2
Surabaya.
d. Surat rekomendasi dari pihak wali kelas.
Dari beberapa informasi diatas dapat diambil sebuah
keputusan untuk menentukan jurusan apa yang cocok atau
layak bagi kemampuan siswa. Terkadang minat tak sesuai
dengan akademik siswa sehingga sering terjadi miss
dalam pemilihan jurusan.
Banyak cara yang dilakukan untuk menentukan
penjurusan yang cocok untuk siswa sesuai dengan
informasi yang telah ditentukan,salah satunya adalah
dengan menggunakan logika fuzzy. Dengan menggunakan
metode tersebut diharapkan dapat membantu sekolah dalam
menentukan penjurusan untuk siswa. Dengan logika fuzzy,
akan dihasilkan suatu model dari suatu system yang
mampu memperkirakan jurusan apa yang cocok untuk siswa.
1.2. RUMUSAN MASALAH
Dari penjelasan latar belakang diatas, maka dapat
dirumuskan permasalahan yang ada adalah sebagai
berikut:
a. Bagaimana membuat sistem informasi dalam penentuan
jurusan pada SMA Giki Surabaya yang telah
terkomputerisasi?
b. Bagaimana membuat logika fuzzy dalam penentuan
jurusan pada SMA Giki 2 Suirabaya?
2.2. BATASAN MASALAH
Dari permasalahan di atas, kami sengaja membuat
batasan masalah untuk sistem yang akan kami buat
nantinya. Adapun batasan masalah tersebut meliputi:
a. Penjurusan hanya dilakukan untuk dua jurusan yaitu
IPA dan IPS.
b. …
c. …
3.2. TUJUAN
Tujuan yang diharapkan dalam pembuatan sistem
penjurusan pada SMA adalah sebagai berikut:
a. Sistem penentuan jurusan SMA dapat membantu menentukan
jurusan tiap siswa dengan cepat.
b. Sistem penentuan jurusan SMA menggunakan logika fuzzy
dapat menentukan jurusan tiap siswa dengan benar yang
sesuai berdasarkan aturan yang ada serta sesuai dengan
kemampuan tiap siswanya.
BAB II
DASAR TEORI
2. DASAR TEORI
2.1. SISTEM PENDUKUNG KEPUTUSAN
Istilah SPK mengacu pada suatu sistem yang
memanfaatkan dukungan komputer dalam proses pengambilan
keputusan. Untuk memberikan pengertian yang lebih
mendalam, akan diuraikan beberapa definisi mengenai SPK
yang dikembangkan oleh beberapa ahli, diantaranya oleh
Man dan Watson yang memberikan definisi sebagai
berikut, SPK merupakan suatu sistem yang interaktif,
yang membantu pengambil keputusan melalui penggunaan
data dan model-model keputusan untuk memecahkan masalah
yang sifatnya semi terstruktur maupun yang tidak
terstruktur.
SPK dapat memberikan berbagai manfaat dan
keuntungan. Manfaat yang dapat diambil dari SPK adalah:
a. SPK memperluas kemampuan pengambil keputusan dalam
memproses data/ informasi bagi pemakainya.
b. SPK membantu pengambil keputusan untuk memecahkan
masalah terutama berbagai masalah yang sangat
kompleks dan tidak terstruktur.
c. SPK dapat menghasilkan solusi dengan lebih cepat
serta hasilnya dapat diandalkan.
d. Walaupun suatu SPK, mungkin saja tidak mampu
memecahkan masalah yang dihadapi oleh pengambil
keputusan, namun ia dapat menjadi stimulan bagi
pengambil keputusan dalam memahami persoalannya,
karena mampu menyajikan berbagai alternatif
pemecahan.
Jadi dapat dikatakan bahwa SPK dapat memberikan
manfaat bagi pengambil keputusan dalam meningkatkan
efektifitas dan efisiensi kerja terutama dalam proses
pengambilan keputusan.
2.2. VISUAL BASIC
Basic adalah salah suatu developement tools untuk
membangun aplikasi dalam lingkungan Windows. Dalam
pengembangan aplikasi, Visual Basic menggunakan
pendekatan Visual untuk merancang user interface dalam bentuk
form, sedangkan untuk kodingnya menggunakan dialek
bahasa Basic yang cenderung mudah dipelajari. Visual
Basic telah menjadi tools yang terkenal bagi para pemula
maupun para developer.Visual Basic adalah bahasa pemrograman
berbasis Microsoft Windows yang merupakan Object Oriented
Programming (OOP), yaitu pemrograman berorientasi objek,
Visual Basic menyediakan objek-objek yang sangat kuat,
berguna dan mudah. Dalam lingkungan Windows, User-
interface sangat memegang peranan penting, karena dalam
pemakaian aplikasi yang kita buat, pemakai senantiasa
berinteraksi dengan User-interface tanpa menyadari bahwa
dibelakangnya berjalan instruksi-instruksi program yang
mendukung tampilan dan proses yang dilakukan. Pada
pemrograman Visual, pengembangan aplikasi dimulai dengan
pembentukkan user interface, kemudian mengatur properti
dari objek-objek yang digunakan dalam user interface, dan
baru dilakukan penulisan kode program untuk menangani
kejadian-kejadian (event). Tahap pengembangan aplikasi
demikian dikenal dengan istilah pengembangan aplikasi
dengan pendekatan Bottom Up.
2.3. LOGIKA FUZZY
Fuzzy secara bahasa diartikan sebagai kabur atau
samar-samar. Suatu nilai dapat bernilai besar atau
salah secara bersamaan. Dalam fuzzy dikenal derajat
keanggotaan yang memiliki rentang nilai 0 (nol) hingga
1(satu). Berbeda dengan himpunan tegas yang memiliki
nilai 1 atau 0 (ya atau tidak).
Logika Fuzzy merupakan seuatu logika yang memiliki
nilai kekaburan atau kesamaran (fuzzyness) antara benar
atau salah. Dalam teori logika fuzzy suatu nilai bias
bernilai benar atau salah secara bersama. Namun berapa
besar keberadaan dan kesalahan suatu tergantung pada
bobot keanggotaan yang dimilikinya. Logika fuzzy memiliki
derajat keanggotaan dalam rentang 0 hingga 1. Berbeda
dengan logika digital yang hanya memiliki dua nilai 1
atau 0. Logika fuzzy digunakan untuk menterjemahkan suatu
besaran yang diekspresikan menggunakan bahasa
(linguistic), misalkan besaran kecepatan laju kendaraan
yang diekspresikan dengan pelan, agak cepat, cepat, dan
sangat cepat. Dan logika fuzzy menunjukan sejauh mana
suatu nilai itu benar dan sejauh mana suatu nilai itu
salah. Tidak seperti logika klasik (scrisp)/ tegas, suatu
nilai hanya mempunyai 2 kemungkinan yaitu merupakan
suatu anggota himpunan atau tidak. Derajat keanggotaan
0 (nol) artinya nilai bukan merupakan anggota himpunan
dan 1 (satu) berarti nilai tersebut adalah anggota
himpunan.
Parameter :
No
.
Paramet
er
Nilai Ukuran Range Nilai
(Variabel)
Domain
1 NIPA Rendah NRIPAmin-NRIPAmax [55,75]
Tinggi NTIPAmin-NTIPAmax [65,100]
2 NIPS Rendah NRIPSmin-NRIPSmax [55,78]
Tinggi NTIPSmin-NTIPSmax [63,100]
3 NMIPA Tidak MRIPAmin-MRIPAmax [0,90]
Minat MTIPAmin-MTIPAmax [10,100]
4 NMIPS Tidak MRIPSmin-MRIPSmax [0,90]
Minat MTIPSmin-MTIPSmax [10,100]
5 NPsikot
es
Tidak
Disarankan
PRmin-PRmax [90,110]
Disarankan PRTmin-PRTmax [108,120
]
Lebih
Disarankan
PDmin-PDmax [118,130
]
a. Fungsi derajat keanggotaan variabel nilai IPA (a)
nIPArendah = { 175−a150 |;55≤a≤60;60≤a≤75
;a≥75
nIPAtinggi = { 0a−65151
| ;a≤65;65≤a≤80;80≤a≥100
b. Fungsi derajat keanggotaan variabel nilai IPS (b)
nIPSrendah = { 175−b150
|;55≤b≤58;58≤b≤73;b≥75
nIPStinggi = { 0b−65151
| ;b≤63;63≤b≤78;78≤b≥100
c. Fungsi derajat keanggotaan variabel minat IPA
( c )
nMIPAtidak = {90−c90c |0≤c≤90c>90
nMIPAminat = { 0c−1090 | c<10
10≤c≤100
d. Fungsi derajat keanggotaan variabel minat IPS (d)
nMIPStidak = {90−d90d |0≤d≤90d>90
nMIPSminat = { 0d−1090 | d<10
10≤d≤100
e. Fungsi derajat keanggotaan variabel Nilai Psikotes
nPRendah = { 1110−e
20 |90≤e≤108108<e<110
e≥110
nPRata ={e−118
21
120−e20
| 108≤e≤110110<e<118118<e<120
e≤108ataue≥120
nPTinggi = { 0e−118
21 | e≤118
118<e<120120≤e≤130
Mata
Pelajaran
Nilai Rata-rata
Matematika 71 72.5Biologi 73Fisika 72Kimia 74Ekonomi 75 68.5Sosiologi 70Geografi 69Sejarah 60
1. NIPA
a. Himpunan fuzzy rendah(75−72.5)
15 = 0.17
b. Himpunan fuzzy tinggi
(72.5−65)15 = 0.50
2. NIPS
a. Himpunan fuzzy rendah
(73−68.5)15 = 0.30
b. Himpunan fuzzy tinggi
(68.5−63)15 = 0.37
3. NPsikotes = 125 , maka derajat keanggotaan fuzzy
pada himpunan fuzzy tinggi adalah 1
4. Nilai minat masuk IPA = 100 maka
derajatkeanggotaan fuzzy pada himpunan fuzzy minat
adalah 1
5. Nilai minat masuk IPS = 0 maka derajat keanggotaan
fuzzy pada himpunan fuzzy minat adalah 1
1. Terdapat lima input pada proses penjurusan SMA, yaitu NIPA,
NIPS, NMIPA, NMIPS, NPsikotes. Kemudian menghasilkan satu
hasil yang terdiri dari dua pilihan yaitu IPA dan IPS.
Gambar 1 Parameter Jurusan
2. Pada variabel
NIPA disini,
memiliki
fungsi derajat keanggotaan
nIPArendah = { 175−a150
|;55≤a≤60;60≤a≤75;a≥75
Gambar 2 Keterangan Parameter
No Nama
Variabel
Keterangan
1 NIPA Nilai akademik IPA2 NIPS Nilai akademik IPS3 NMIPA Nilai minat IPA4 NMIPS Nilai minat IPS5 NPsikotes Nilai psikotes
nIPAtinggi = { 0a−65151
| ;a≤65;65≤a≤80;80≤a≥100
3. Pada variabel NIPS disini, memiliki fungsi derajat
keanggotaan
nIPSrendah = { 175−b150
|;55≤b≤58;58≤b≤73;b≥75
nIPStinggi = { 0b−65151 | ;b≤63
;63≤b≤78;78≤b≥100
Gambar 3 Fungsi Keanggotaan NIPA
Gambar 4 Fungsi Keanggotaan NIPS
4. Pada variabel NMIPA disini, memiliki fungsi derajat
keanggotaan
nMIPAtidak = {90−c90c |0≤c≤90c>90
nMIPAminat = { 0c−1090 | c<10
10≤c≤100
Gambar 5 Fungsi Keanggotaan NMIPA
5. Pada variabel NMIPS disini, memiliki fungsi derajat
keanggotaan
nMIPStidak = {90−d90d |0≤d≤90d>90
nMIPSminat = { 0d−1090 | d<10
10≤d≤100
Gambar 6 Fungsi Keanggotaan NMIPS
6. Pada variabel NPsikotes disini, memiliki fungsi derajat
keanggotaan
Tidak Disarankan = { 1110−e
20
|90≤e≤108108<e<110e≥110
Disarankan ={e−118
21
120−e20
| 108≤e≤110110<e<118118<e<120
e≤108ataue≥120
BAB III
PEMODELAN
3. PEMODELAN
3.1. TIGA KOMPONEN PENDUKUNG KEPUTUSAN
Tiga komponen pendudukung keputusan di aplikasi kami
yaitu :
Subtsistem manajemen data
Subsistem manajemen data memasukan satu database
yang berisi data yang relevan untuk situasi dan
dikelola oleh perangkat lunak yang disebut system
manajemen database (DBMS/ Data Base Management
System) untuk pengambilan keputusan.
Subsistem manajemen berbasis pengetahuan
(knowledge base)
Subsistem antarmuka pengguna
3.2. ARSITEKTUR SISTEM
3.2.1. FLOWCHART
3.2.2. DIAGRAM CONTEXT
BAB V
KESIMPULAN
5. KESIMPULAN
Berdasarkan hasil pengujian dan analisa pada system,
maka dapat diambil beberapa kesimpulan sebagai berikut :
1. Minat tanpa didukung dengan nilai akademik yang tinggi
tidak banyak pengaruhnya terhadap nilai hasil.
2. Pembuatan rule adalah hal yang paling berpengaruh pada
siistem karena menentukan bobot setiap parameternya.
LAMPIRAN
Lampiran 1 Pembentukan aturan untuk rule yang digunakan
If And Then
Rul
e
Nilai
IPA
Nilai
IPS
Minat
IPA
Minat
IPS
Nilai
Psikotes
Jurus
an1 Rendah Rendah Tidak Minat Tidak
Disarankan
IPS
2 Rendah Rendah Tidak Minat Disarankan IPS3 Rendah Rendah Tidak Minat Lebih
Disarankan
IPS
4 Rendah Rendah Minat Tidak Tidak
Disarankan
IPS
5 Rendah Rendah Minat Tidak Disarankan IPS6 Rendah Rendah Minat Tidak Lebih
Disarankan
IPS
7 Rendah Tinggi Tidak Minat Tidak
Disarankan
IPS
8 Rendah Tinggi Tidak Minat Disarankan IPS9 Rendah Tinggi Tidak Minat Lebih
Disarankan
IPS
10 Rendah Tinggi Minat Tidak Tidak
Disarankan
IPS
11 Rendah Tinggi Minat Tidak Disarankan IPA12 Rendah Tinggi Minat Tidak Lebih
Disarankan
IPA
13 Tinggi Rendah Tidak Minat Tidak IPA
Disarankan14 Tinggi Rendah Tidak Minat Disarankan IPA15 Tinggi Rendah Tidak Minat Lebih
Disarankan
IPA
16 Tinggi Rendah Minat Tidak Tidak
Disarankan
IPA
17 Tinggi Rendah Minat Tidak Disarankan IPA18 Tinggi Rendah Minat Tidak Lebih
Disarankan
IPA
19 Tinggi Tinggi Tidak Minat Tidak
Disarankan
IPS
20 Tinggi Tinggi Tidak Minat Disarankan IPS21 Tinggi Tinggi Tidak Minat Lebih
Disarankan
IPA
22 Tinggi Tinggi Minat Tidak Tidak
Disarankan
IPA
23 Tinggi Tinggi Minat Tidak Disarankan IPA24 Tinggi Tinggi Minat Tidak Lebih
Disarankan
IPA