laporan makalah sispak ganjil 2013

LAPORAN TUGAS AKHIR Implementasi Sistem Pakar Penentuan Jurusan IPA IPS Menggunakan

Metode Tsukamoto

Konsentrasi : Komputasi Cerdas dan Visual

Diajukan untuk memenuhi persyaratan tugas akhir Mata Kuliah Sistem Pakar

KELAS B KELOMPOK 2

DisusunOleh :

Magdalena Trie P. 105060807111045 HennyAprilya 105060807111115 Maharani Putri S. N. 105060807111005 Clara Jerina 105060800111058

DosenPengampu: Arief Andy Subroto, ST., M.Kom

PROGRAM STUDI TEKNIK INFORMATIKA

PROGRAM TEKNOLOGI INFORMASI DAN ILMU KOMPUTER UNIVERSITAS BRAWIJAYA

MALANG 2013

ii

KATA PENGANTAR

Puji dan syukur dipanjatkan kehadirat Tuhan Yang Maha Esa yang telah melimpahkan berkat

dan karunia-Nya sehingga penulis dapat menyelesaikan laporan hasil diskusi dengan judul

Implementas Sistem Pakar Penentu Jurusan IPA IPS Menggunakan Metode Tsukamoto.

Melalui pengantar ini penulis ingin mengucapkan banyak terima kasih karena dalam

penyusunan laporan hasil diskusi ini penulis telah mendapat bantuan dan dorongan baik moril

maupun materil dari berbagai pihak. Untuk itu pada kesempatan ini penulis ingin

mengucapkan terima kasih kepada :

1. Bapak Arief Andy S. selaku dosen matakuliah Sistem Pendukung Keputusan

2. Semua rekan yang telah membantu dalam analisa dan pembuatan laporan ini

Serta semua pihak yang tidak disebutkan yang telah membantu penulis dalam

penyelesaian laporan hasil diskusi ini. Penulis sangat menyadari bahwa laporan hasil diskusi

ini masih banyak kekurangan, oleh karena itu penulis mengharapkan masukan dari semua

pihak.

Malang,25 November 2013

Penulis

iii

DAFTAR ISI

Halaman Cover i

Kata Pengantar .... ii

Daftar isi ......................................................................................................... iii

Daftar Gambar ................................................................................................ vi

Daftar Tabel ................................................................................. vii

DaftarPersamaan ............................................................................................. viii

BAB 1 PENDAHULUAN

1.1 LatarBelakang ....................................................................................... 1

1.2 RumusanMasalah .................................................................................. 2

1.3 Tujuan .................................................................................................. 2

1.4 Manfaat................................................................................................. 2

BAB II Tinjauan Pustaka

2.1 Tinjauan Pustaka 3

2.2 Penjurusan SMA ............ 7

2.3. Sistem Pakar ........................................................................................ 8

2.4. Definisi Logika Samar ......................................................................... 10

2.3. Himpunan Fuzyy .................................................................................. 12

2.4. Fungsi Keanggotaan ............................................................................. 12

2.5. Sistem Fuzzy ........................................................................................ 18

2.6. Fuzzy Set ............................................................................................. 19

2.7. FIS ....................................................................................................... 19

2.7.1 Metode Tsukamoto ..................................................................... 21

2.7.2 Metode Mamdani ........................................................................ 22

2.7.3 Metode Sugeno ........................................................................... 24

iv

BAB III METODOLOGI PENELITIAN

3.1 Studi Pustaka................................................................................... 26

3.2 Analisis Data Sistem ....................................................................... 26

3.3 Analisis Kebutuhan ......................................................................... 28

3.4 Peracangan Umum .......................................................................... 29

3.5 Implementasi ................................................................................... 30

3.6 Pengujian ........................................................................................ 31

3.7 Kesimpulandan Saran ...................................................................... 31

BAB IV ANALISIS DAN PERANCANGAN SISTEM

4.1 Analisa Kebutuhan Sistem ............................................................. 33

4.1.1. Identifikasi Aktor ................................................................ 33

4.1.2. Daftar Kebutuhan Sistem ..................................................... 33

4.1.3. Diagram Use Case ............................................................... 34

4.1.4. Skenario Use Case ............................................................... 35

4.1.4.1. Skenario Use Case Login......................................... 36

4.1.4.2. Skenario Use Case Logout ....................................... 36

4.1.4.3. Skenario Use Case Mengolah Data User .................. 37

4.1.4.4. Skenario Use Case Mengolah Data Siswa ................ 38

4.1.4.5. Skenario Use Case Mengolah Data Hasil Pengolahan

Pakar ................................................................................... 39

4.1.4.6. Skenario Use Case Melakukan Test ......................... 40

4.1.5. Subsistem Antarmuka .......................................................... 62

4.1.5.1. Halaman Login ........................................................ 63

4.1.5.2. Halaman Home (Admin) ......................................... 64

4.1.5.3. Halaman Add Data User .......................................... 64

4.1.5.4. Halaman Lihat dan Delete Data User ....................... 65

v

DAFTAR PUSTAKA .................................................................................... 42

vi

DAFTAR GAMBAR

Gambar 2.1 SistemPakar ...................................................................................... 7

Gambar 2.2 Sistem Pakar dari Sudut Pandag Lingkungan .................................... 8

Gambar 2.3 Pemetaan Input Output ...................................................................... 10

Gambar 2.4 Representasi Linier Naik ................................................................... 12

Gambar 2.5 Representasi Linier Turun ................................................................. 13

Gambar 2.6 RepresentasiKurvaSegitiga ............................................................... 13

Gambar 2.7 RepresentasiKurvaTrapesium ............................................................ 14

Gambar 2.8 RepresentasiKurvaPertumbuhan ........................................................ 15

Gambar 2.9 RepresentasiKurvaPenyusutan .......................................................... 16

Gambar 2.10 RepresentasiKurva Phi .................................................................... 16

Gambar 2.11 SistemInferensi Fuzzy ..................................................................... 19

Gambar 2.12 Proses SistemInferensi Fuzzy .......................................................... 19

Gambar 2.13 FIS Metode Tsukamoto ................................................................... 21

Gambar 2.14 FIS MetodeMamdani ...................................................................... 22

Gambar 2.15 FIS Metode Takagi-Sugeno ............................................................. 23

Gambar 3.1 Diagram AlirMetodologiPenelitian ................................................... 24

Gambar 3.2 Diagram Blok Sistem Pakar Pemilihan Jurusan ................................. 26

Gambar 4.1 Pohon Perancangan ........................................................................... 29

Gambar 4.2 Diagram Use Case............................................................................. 32

Gambar 4.3 Sitemap Halaman Admin .................................................................. 38

Gambar 4.4 Sitemap Halaman User ...................................................................... 39

Gambar 4.5 Perancangan Antarmuka Halaman Login .......................................... 39

Gambar 4.6 Perancangan Antarmuka Halaman Home .......................................... 40

Gambar 4.7 Perancangan Antarmuka Halaman Insert dan Edit Data User............. 40

Gambar 4.8 Perancangan Antarmuka Halaman Lihat dan Edit, Delete Data User . 41

vii

DAFTAR TABEL

Tabel 2.1 Perbandingan Objek dan Metode .......................................................... 4

Tabel 2.2 Perbandingan Data Input....................................................................... 4

Tabel 4.1 Identifikasi Aktor.................................................................................. 30

Tabel 4.2 Daftar Kebutuhan Sistem ...................................................................... 30

Tabel 4.3 Skenario Use Case Login dan Melihat Hasil Rekomendasi ................... 33

Tabel 4.4 Skenario Use Case Logout .................................................................... 33

Tabel 4.5 Skenario Use Case Mengolah Data User ............................................... 34

Tabel 4.6 Skenario Use Case Mengolah Data Siswa ............................................. 35

Tabel 4.7 Skenario Use Case Mengolah Data Hasil Pengolahan Pakar ................. 36

Tabel 4.8 Skenario Use Case Melakukan Test ...................................................... 37

viii

DAFTAR PERSAMAAN

Persamaan 2.1Representasi Linier Naik ................................................................ 7

Persamaan 2.2Representasi Linier Turun .............................................................. 8

Persamaan 2.3RepresentasiKurvaSegitiga ............................................................ 9

Persamaan 2.4RepresentasiKurvaTrapesium ........................................................ 10

Persamaan2.6 RepresentasiKurvaPertumbuhan .................................................... 11

Persamaan 2.7 RepresentasiKurvaPertumbuhan ................................................... 12

Persamaan 2.8 RepresentasiKurva Phi .................................................................. 13

1

BAB I

PENDAHULUAN

1.1 Latar belakang

Pelaksanaan penjurusan bagi setiap siswa SMA dimulai pada semester satu

kelas XI. Penjurusan di tingkat SMA tidak selalu menjamin bahwa seorang siswa

akan memilih bidang studi yang sama di Universitas. Faktor yang menjadi penentu

pemilihan bidang studi masih didominasi oleh: referensi orangtua, tren terkini dan

faktor teman. [1]

Tes bakat dan minat siswa sebelum memilih bidang studi penting dilakukan

jika siswa tidak mengetahui potensi yang dimilikinya dan akan diarahkan kemana

kelak masa depannya. Implementasi teknologi informasi yang sesuai yaitu sistem

pakar dengan data bakat dan minat serta nilai akademik.[1]

Penentuan jurusan siswa SMA berpengaruh terhadap kegiatan akademik

siswa. Oleh karena itu, penjurusan yang tepat dan sesuai dengan bakat serta minat

siswa sangat diperlukan. Dengan adanya penjurusan, diharapkan setiap siswa dapat

lebih fokus pada bakat yang dimiliki. Namun faktor utama yang menentukan

penjurusan adalah nilai akademik siswa, minat siswa, kapasitas kelas IPA dan nilai tes

IQ.[12]

Nilai tes IQ adalah salah satu alat ukur kecerdasan seseorang. Kecerdasan

ialah istilah umum yang digunakan untuk menjelaskan sifat pikiran yang mencakup

sejumlah kemampuan, seperti kemampuan menalar, merencanakan, memecahkan

masalah, berpikir abstrak, memahami gagasan, menggunakan bahasa, dan belajar.

Kecerdasan erat kaitannya dengan kemampuan kognitif yang dimiliki oleh

individu.[12]

Fuzzy inference system (FIS) adalah suatu kerangka komputasi yang

didasarkan pada teori himpunan fuzzy, aturan fuzzy dan penalaran fuzzy

(Kusumadewi dan Hartati, 2006). Secara garis besar, input crisp dimasukkan ke FIS.

Input ini kemudian dikirim ke basis pengetahuan yang berisi n aturan fuzzy dalam

bentuk if-then. Fire strength atau derajat kebenaran akan dicari pada setiap aturan.

Jika jumlah aturan lebih dari satu maka dilakukan inferensi dari semua aturan. Untuk

mendapatkan nilai crisp sebagai output sistem dilakukan defuzzifikasi dari hasil

inferensi. Fuzzy inference system (FIS) dapat dilakukan dengan tiga metode, yaitu

dengan metode Mamdani, metode Sugeno dan metode Tsukamoto (Kusumadewi dan

2

Purnomo, 2004). Metode yang dipilih untuk menyelesaikan bidang studi adalah

metode Tsukamoto.[12]

1.2. Rumusan masalah Berdasarkan latar belakang yang telah diuraikan di atas maka didapat rumusan

masalah yang meliputi :

a. Bagaimana rancangan dari sistem pakar pemilihan bidang studi dengan

menggunakan fuzzy interference system metode Tsukamoto?

b. Bagaimana akuisisi pengetahuan dari sistem pakar pemilihan bidang studi

dengan menggunakan fuzzy interference system metode Tsukamoto ?

c. Bagaimana implementasi dari sistem pakar pemilihan bidang studi dengan

menggunakan fuzzy interference system metode Tsukamoto ?

d. Bagaimana pengujian dari sistem pakar pemilihan bidang studi dengan

menggunakan fuzzy interference system metode Tsukamoto ?

1.3. Tujuan Tujuan perancangan sistem pakar ini adalah merancang dan membangun

sistem pakar untuk pemilihan bidang studi bagi calon mahasiswa dengan

menggunakan fuzzy interference system metode Tsukamoto.

1.4. Manfaat Diharapkan dengan adanya perancangan sistem pakar ini dapat bermanfaat

bagi :

a. Bagi Instansi Pendidikan Diharapkan sistem pakar ini dapat memudahkan para

pendidik dan pakar psikologi untuk mengarahkan calon mahasiswa pada pemilihan

bidang studi yang sesuai.

b. Bagi Ilmu Pengetahuan Diharapkan perancangan aplikasi ini dapat menambah

referensi terhadap penelitian baru dengan bidang studi terkait.

c. Bagi Masyarakat Diharapkan sistem pakar ini dapat menjadi sarana informasi

untuk membantu calon mahasiswa dalam memilih bidang studi yang tepat.

d. Bagi Penulis Diharapkan dengan adanya tugas akhir ini dapat menjadi

pembelajaran dan dapat menambah pengalaman di bidang studi keilmuan yang

terkait.

3

BAB II

TINJAUAN PUSTAKA

2.1 Kajian Pustaka Penjurusan di tingkat SMA tidak selalu menjamin siswa memilih bidang studi

yang sama di Perguruan Tinggi. Banyak hal yang menjadi faktor penentu siswa dalam

menentukan pilihan bidang studi di Perguruan Tinggi. Hingga saat ini, faktor penentu

yang masih mendominasi diantaranya: referensi orang tua, tren terkini dan faktor

teman. Masih banyak siswa yang dibuat bingung karena siswa masih belum

mengetahui minat bakat serta potensi yang dimilikinya sehingga lebih cendurung

mengikuti saran dari orang lain [1].

Masalah tersebut menjadikan peneliti untuk merancang sebuah sistem pakar

yang berguna untuk membantu siswa untuk memilih program studi di Perguruan Tinggi

berdasarkan tes bakat dan minat bakat siswa. Dalam implementasi penulis pada

penelitian dengan judul Sistem Pakar Pemilihan Bidang Studi Bagi Calon Mahasiswa

Dengan Metode Technique For Order Preference By Similarity To Ideal Solution

(TOPSIS) (Studi Kasus SMA NEGERI 8 Malang) dengan kriteria perhitungan yang

digunakan antara lain: nilai akademik, hasil test bakat dan hasil tes minat. Hasil akhir

dari sistem yaitu sebuah table rekomendasi bidang studi dengan tujuh alternative data

sesuai dengan kriteria yang disebutkan sebelumnya. Besar kesesuaian antara hasil

sistem dengan keinginan siswa sebesar 65.91% [1].

Metode Tsukamoto juga digunakan pada penelitian kedua yaitu sebuah sistem

pakar dengan judul Studi Inferensi Fuzzy Tsukamoto Untuk Penentuan Faktor

Pembebanan Trafo PLN. Metode Tsukamoto digunakan sebagai alat bantu teknisi PT.

PLN dalam melakukan pemeliharaan preventif pada trafo PLN sehingga dapat

dilakukan pemeliharaan sesuai dengan gejala awal gangguan [2].

Sistem yang akan dibangun penulis nantinya merupakan sistem pakar yang

memanfaatkan metode Tsukamoto dalam membantu pemelihan penjurusan siswa SMA

sesuai dengan nilai yang telah dilakukan sehingga dapat dilakukan perhitungan kriteria

seperti pada penelitian pertama. Penelitian dilakukan dengan metode Tsukamoto

dengan perhitungan seperti pada penelitian kedua.

4

Pada tabel 2.1 dibawah ini akan dijelaskan mengenai perbandingan objek dan

metode yang digunakan.

Tabel 2.1 Perbandingan Objek dan Metode Penelitian Objek yang digunakan Metode yang digunakan

Sebelumnya

Pemilihan Bidang Studi Calon Mahasiswa

TOPSIS (Technique For Order Preference By Similiarity To Ideal Solution)

Pembebanan Trafo PLN Tsukamoto

Usulan Pemilihan Penjurusan SMA Tsukamoto

Sumber: [1, 2]

Selanjutnya pada tabel 2.2 dibawah ini akan diuraikan mengenai perbandingan

data input untuk masing-masing objek.

Tabel 2.1 Perbandingan Data Input Pemilihan Bidang

Studi Calon Mahasiswa

Pembebanan Trafo PLN

Pemilihan Penjurusan SMA

Input

Rata-rata nilai akademik kelas X, terdiri atas: Bahasa, Logika, Sains, Praktek, Sosial.

Penalaran Verbal

Kemampuan Angka

Penalaran Abstrak

Kecepatan dan Ketelitian Klerikal (KKK)

Penalaran Mekanikal

Pemakaian Bahasa Mengeja

Penggunaan Tata Bahasa

Hasil tes minat yang terdiri dari : Bahasa, Seni,

Pembebanan trafo

Ketidakseimbangan beban

Faktor daya Tegangan

Nilai IPA Nilai IPS IQ Minat Kapasitas

5

Fisik, Eksperimen, Organisasi, Bisnis dan sosial.

Proses

User memasukan data fuzzy yang terdiri dari tegangan tiap fasa trafo, arus tiap fasa trafo dan kator daya

Sistem akan melakukan proses fuzzifikasi utnuk mengubah data masukan menjadi data fuzzy berdasarkan himpunan fuzzy yang terlah ditetapkan

Dilanjutkan dengan proses inferensi fuzzy menggunakan metode fuzzy Tsukamoto.

Sistem akan memberikan rekomendasi sesuai dengan proses fuzzy yang telah dilakukan. Keluaran berupa informasi variable tegangan dan solusi keputusan pemeliharan trafo PLN.

User memasukan data fuzzy yang terdiri dari Nilai IPA, Nilai IPS, IQ, Minat, Kapasitas

Sistem akan melakukan proses fuzzifikasi utnuk mengubah data masukan menjadi data fuzzy berdasarkan himpunan fuzzy yang terlah ditetapkan

Dilanjutkan dengan proses inferensi fuzzy menggunakan metode fuzzy Tsukamoto.

Sistem akan memberikan rekomendasi sesuai dengan proses fuzzy yang telah dilakukan. Keluaran berupa rekomendasi jurusan SMA.

Output

Hasil rekomendasi bidang studi :

Kedokteran MIPA SASTRA Teknik Ilmu

administrasi

Nilai pembebanan trafo dan ketidakseimbangan beban beserta solusi pemeliharaan trafo PLN.

Rekomendasi jurusan SMA, yakni :

IPA IPS

6

FISIP Ekonomi

Sumber: [1, 2]

2.2 Penjurusan SMA Ketentuan kurikulum, pemilihan jurusan adalah ketentuan yang ditetapkan

oleh pemerintah melalui kurikulum yang berlaku untuk sekolah dengan disesuaikan

kemampuan sekolah masing-masing. Ada tiga program studi di SMA yang selama ini

dikenal, yaitu Program Ilmu Pengetahuan Alam (IPA), Program Ilmu Pengetahuan

Sosial (IPS) serta Program Bahasa.

Pertimbangan khusus untuk melakukan penjurusan :

1. Program Ilmu Pengetahuan Alam (IPA)

Nilai mata pelajaran yang menjadi ciri program IPA, yakni; fisika,

kimia, biologi, matematika, harus sesuai dengan Standar Ketuntasan

Minimal (SKM). Kemudian hasil tes psikologi: IQ minimal 100,

kemampuan numerical, skolastik, relasi ruang minimal 65.

2. Pogram Ilmu Pengetahuan Sosial (IPS)

Nilai mata pelajaran yang menjadi ciri program IPA, yakni; ekonomi,

sosiologi, geografi, sejarah harus sesuai dengan Standar Ketuntasan

Minimal (SKM) serta juga dibutuhkan bakat numerical, verbal serta

penalaran yang tinggi.

3. Program Bahasa

Juga harus di dukung dengan mata pelajaran yang menjadi cirri dari

program ini seperti; bahasa Indonesia, Bahasa Inggris, serta penambahan

bahasa asing lain seperti Jerman atau Bahasa jepang yang kesemuannya

harus minimal sesuai dengan KKM. Terkait masalah hasil tes psikologi

pada jurusan ini hendaknya ditunjang dengan kemampuan verbal serta

penalaran yang tinggi [3].

2.3 Sistem Pakar Sistem Pakar adalah sistem yang digunakan untuk mengadopsi

pengetahuan manusia ke komputer agar dapat menyelesaikan masalah seperti

yang biasa dilakukan oleh para ahli namun tetap tidak digunakan untuk

mengganti kedudukan seorang pakar. Aturan-aturan diberikan agar komputer

7

dapat memberlakukan informasi-informasi yang tersimpan dan program

nantinya dapat memberikan solusi-solusi pengambilan keputusan mengenai

permasalahan tertentu. Menurut Efraim Turban, Sistem Pakar harus

mengandung keahlian, ahli, pengalihan keahlian, inferensi, aturan serta

kemampuan menjelaskan.

Facts

Expertise

Gambar 2.1. Sistem Pakar Sumber : [4]

Bentuk-bentuk pengetahuan [4] :

1. Faktor-faktor pada lingkup permasalahan tertentu

2. Teori-teori lingkup masalah tertentu

3. Prosedur-prosedur berkenaan dengan lingkup masalah tertentu

4. Strategi-strategi global untuk menyelesaikan masalah

5. Meta-knowledge

Karakteristik umum yang membedakan Sistem Pakar dengan perangkat lunak

biasa adalah [5] :

1. Terdapat banyak kemungkinan jawaban

2. Meskipun sistem pakar sering menggunakan informasi berupa data

kabur, dengan menggunakan sistem pakar diharapkan dapat mengurangi

tingkat kesalahan dan dapat memberikan keputusan yang tergolong baik

3. Sistem pakar bersifat heuristic untuk memperoleh suatu solusi

User

Knowledge

Base

8

4. Sistem pakar dapat memberikan kemudahan-kemudahan jawaban kepada

user.

Gambar 2.2. Sistem Pakar dari Sudut Pandang Lingkungan dalam Sistem

Sumber : [2]

Gambar di atas menjelaskan bahwa sistem pakar dapat dilihat

dari sudut pandang lingkungan dalam sistem. Lingkungan konsultasi

diperuntukkan bagi pengguna non pakar untuk berkonsultasi dengan sistem

dengan tujuan untuk mendapatkan nasehat pakar. Lingkungan pengembangan

ditujukan bagi yang membangun dan mengembangkan sistem pakar termasuk

membangun komponen dan memasukkan pengetahuan hasil akuisisi

pengetahuan ke dalam basis pengetahuan [2].

Blackboard adalah memori yang digunakan untuk menyimpan kondisi

yang dialami oleh pengguna dan hipotesa serta keputusan sementara. Proses

update pada basis pengetahuan dibutuhkan untuk menyempurnakan mesin

inferensi, sehingga solusi yang dihasilkan lebih baik daripada sebelumnya [2].

Mesin Inferensi

Antar Muka Fasilitas

Penjelasan

Pemakai

Rekomendasi

Blackboard, Solusi

Basis Pengetahuan:

Fakta dan Aturan

Perbaikan

Pengetahuan

Knowledge

Engineer

Pakar

Lingkungan Konsultasi Linkungan Pengembangan

Akusisi Pengetahuan

9

Mesin Inferensi merupakan prosesor dalam sistem pakar yang

berfungsi untuk mencocokan fakta dengan pengetahuan yang terdapat pada

basis pengetahuan untuk menghasilkan solusi dari suatu masalah. Sedangkan

cara penyusunan basis pengetahuan dalam sistem agar dapat memecahkan

masalah serupa dengan seorang ahli/pakar disebut dengan penyajian

pengetahuan [2].

Metode Forward Chaining

Metode ini melakukan pemrosesan dimulai dari

sekumpulan data, kemudian dilakukan proses inferensi

sesuai dengan aturan yang telah diterapkan, sehingga

diketemukan kesimpulan yang optimal. Kelebihannya

adalah data baru dapat dimasukkan ke dalam table

database inference dan kemungkinan untuk melakukan

perubahan aturan inferensi. Biasanya metodi ini

digunakan untuk masalah pengendalian dan peramalan

[11].

Metode Backward Chaining

Metode ini dimulai dari hipoteses dan kemudian

mencari bukti yang mendukung harapan dan

memerlukan perumusan serta pengujian hipotesis

sementara. Metode inferensi dengan backward chaining

akan mencari aturan yang memiliki konsekuen yang

mengarah kepada tujuan yang diskenariokan. Biasanya

metodi ini digunakan untuk masalah diagnosis [11].

2.4 Definisi Logika Samar (Fuzzy Logic)

Fuzzy dapat diartikan sebagai hal yang bersifat kabur atau samar-samar.

Sehingga dalam suatu saat bisa saja suatu nilai dapat bernilai benar dan salah

secara bersamaan. Sehingga logika fuzzy merupakan sebuah logika yang

memiliki nilai yang tidak pasti karena bersifat kabur atau samar. Dalam logika

fuzzy dikenal istilah derajat keanggotaan yang bernilai 0 sampai dengan 1. Nilai

tersebut yang nantinya akan memberikan keberadaan dan kesalahan suatu nilai

yang bergantung pada keangotaan yang dimiliki. Logika fuzzy digunakan untuk

10

mempresentasikan masalah yang mengandung ketidakpastian dalam sebuah

bahasa yang dipahami oleh komputer [6].

Pengertan lain menjelaskan bahwa logika fuzzy adalah cara yang

digunakan dengan baik untuk memetakan suatu ruang input ke dalam ruang

output. Fuzzy dinyatakan dalam sebuah derajat keanggotaan dan derajat

kebenaran. Sehingga sesuatu dapat dinyatakan dalam kondisi benar dan salah

pada waktu yang bersamaan (Kusumadewi,2004), berikut merupakan contoh

pemetaan yang dapat dilihat pada gambar 2.1 dibawah ini [6].

Gambar 2.3 pemetaan input output Sumber: [6]

Alasan penggunaan logika fuzzy yaitu

Logika fuzzy sangat fleksibel dan mudah untuk dipahami.

Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.

Logika fuzzy dapat bekerja sama dengan teknik-teknik kendali secara

konvensional serta mampu memodelkan fungsi-fungsi non linier yang

sangat kompleks.

Logika fuzzy dapat mengaplikasikan pengalaman-pengalaman para pakar

tanpa harus melalui proses pelatihan [6].

Persediaan Barang Produksi

Barang

Pemataan Input Output pada masalah produksi Diberikan data persediaan barang, barapa jumlah barangyang harus diproduksi

Ruang Input (Semua total persediaan barang yang mungkin)

RuangOutput (Semua total produksi barang yang mungkin)

11

2.5 Himpunan Fuzzy

Himpunan fuzzy merupakan pengelompokan suatu hal berdasarkan variable

bahasa (lingustik variable), yang dinyatakan sebagai fungsi keanggotaan pada semesta

U. Keanggotaan suatu nilai pada sebuah himpunan dinyatakan dalam derajat

keanggotaan, yang memiliki nilai antara 0.0 sampa 1.0.

Himpunan fuzzy didasarkan untuk memperluas jangkauan fungsi karakteristik

sedemikian hingga fungsi tersebut dapat mencangkup bilangan real. Nilai keanggotaan

menunjukkan bahwa suatu item tidak hanya bernilai benar atau salah, di mana nilai 0

menunjukkan bahwa item bernilai salah dan nilai 1 menunjukkan bahwa item tersebut

bernilai benar, serta masih terdapat nilai-nilai yang terletak antara benar dan salah [4].

Atribut himpunan fuzzy:

Lingustik

Linguistik yaitu penamaan suatu grup yang mewakili suatu keadaan tertentu

dengan menggunakan bahasa alami dan biasanya ditulis menggunakan huruf

besar. Contoh: MUDA, TUA.

Numeris

Numeris yaitu suatu nilai yang menunjukkan ukuran dari suatu variable.

Contoh: 10, 25, 30, dsb.

Suatu jimpunan fuzzy A dalam semesta pembicaraan X dinyatakan dengan fungsi

keanggotaan A yang mempunyai nilai dalam interval. Proses untuk mendapat derajat

keanggotaan dalam himpunan fuzzy disebut fuzzifikasi [7].

2.6 Fungsi Keanggotaan

Fungsi keanggotaan adalah suatu kurva yang menunjukkan pemetaan input data

ke dalam nilai anggotanya (derajat keanggotaan). Fungsi keanggotaan memiliki interval

antara 0 sampai 1. Pendekatan fungsi adalah salah satu cara yang dapat digunakan

untuk mendapatkan nilai keangotaan.

Ada beberapa fungsi yang bisa digunakan, yakni:

12

Representasi Linear

Di dalam representasi linier, pemetaan input ke derajat keanggotaan digambarkan

sebagai suatu garis lurus. Representasi linier adalah bentuk yang paling sederhana

dan menjadi pilihan yang baik. Ada 2 keadaan himpunan fuzzy linier, yaitu:

o Representasi Liniear Naik Kenaikan himpunan dimulai pada nilai domain yang memiliki derajat

keanggotaan nol bergerak e kanan menuju ke nilai domain yang memiliki

derajat keanggotaan lebih tinggi [8].

Fungsi Keanggotaan:

Gambar2.4 Representasi Linier Naik Sumber: [perancangan]

[] = 0;

; 1; . (2 1) o Representasi Linear Turun

Garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi

pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki

derajat keanggotaan yang lebih rendah [8].

Fungsi Keanggotaan:

a b domain 0

1

Derajat Keanggotaan

13

Gambar 2.5 Representasi Linier Turun Sumber: [perancangan]

[] = 1;

; 0; . (2 2) Representasi Kurva Segitiga

Kurva segitiga merupakan gabungan antara 2 garis liniear [8]. Fungsi keanggotaan:

Gambar 2.6 Representasi Kurva Segitiga Sumber: [perancangan]

[] =

0; atau

;

; . (2 3)

Representasi Kurva Trapesium

Memiliki dasar layaknya kurva segitiga, namun terfapat beberapa titik yang

memiliki nilai keanggotaan 1 [8]. Fungsi keanggotaan:

1

0 a Domain b

Derajat Keanggotaan

a b c

1

0

Derajat Keanggotaan

domain

14

Gambar 2.7 Representasi Kurva Trapesium Sumber: [perancangan]

[] =

0; atau

; 1;

; . (2 4)

Representasi Kurva Bentuk Bahu

Daerah yang terletak di tengah-tengah suatu variable yang direpresentasikan

dalam bentuk segitiga, namun terkadang pada salah satu sisi dari variable tersebut

tidak mengalami perubahaan. Bahu kiri bergerak dari benar ke salah dan bahu

kanan bergerak dari salah ke benar [8].

Representasi Kurva S

Kurva pertumbuhan dan penyusutan merupakan kurva S (kurva sigmoid) yang

berhubungan dengan kenaikan dan penurunan permukaan secara tak linear. Kurva

S didefinisikan dengan menggunakan 3 parameter yakni nilai keanggotaan nol,

nilai keanggotaan lengkap dan crossover yaitu titik yang memiliki domain 50%

benar. Terdapat dua keadaan himpunan fuzzy tak linier, yakni:

o Kurva Pertumbuhan Kurva pertumbuhaan akan bergerak dari sisi paling kiri dengan nilai

keanggotaan nol ke sisi paling kanan dengan nilai keanggotaan satu. Fungsi

keanggotaan akan tertumpu pada 50% nilai keanggotaannya yakni titik

infleksi [8]. Fungsi keanggotaan:

1

c d 0

a b

domain

Derajat Keaangotaan

15

Gambar 2.8 Representasi Kurva Pertumbuhan Sumber: [perancangan]

(; ,, ) =

0; 2

; 1 2

; 1;

. . (2 5) o Kurva Penyusutan

Kurva penyusutan akan bergerak dari sisi paling kanan dengan nilai

keanggotaan satu ke sisi paling kiri dengan nilai keanggotaan nol [8].

Fungsi keanggotaan:

Gambar 2.9 Representasi Kurva Penyusutan

Sumber: [perancangan]

1

0,5

0 a b c

Derajat

keanggotaan

domain

1

0.5

0 a b c

Derajat keanggotaan

domain

16

(; ,, ) =

1; 1 2

; 2

; 0;

. . (2 6) Representasi kurva Phi

Kurva ini berbentuk seperti lonceng dan derajat keanggotaan 1 terletak pada pusat

domain [8]. Fungsi keanggotaan:

Gambar 2.10 Representasi Kurva Phi Sumber: [perancangan]

(;, ) = ; , 2 , ; 1 ; , + 2 , + ; > . (2 7)

2.7 Sistem Fuzzy

Sistem fuzzy pertama kali ditemukan oleh Prof. Lotfi Zadeh di Universtas

California. (Kusumadewi: 2006) Sistem ini diciptakan karena logika Boolean tidak

memiliki ketelitian yang tinggi, yakni hanya memiliki logika 0 dan 1. Logika fuzzy

adalah salah satu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu

ruang output.

1

0.5

0

a c b

domain

Derajat keanggotaan

17

Hal yang perlu diketahui dalam sistem fuzzy, yaitu:

Variabel Fuzzy

Variabel fuzzy merupakan variable yang hendak diterapkan dalam sistem fuzzy.

Contoh: umur, temperature, dsb.

Himpunan Fuzzy

Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisii tertentu di

dalam variable fuzzy. Himpunan fuzzy memiliki 2 atribut, yaitu:

Lingustik

Linguistik yaitu penamaan suatu grup yang mewakili suatu keadaan tertentu

dengan menggunakan bahasa alami dan biasanya ditulis menggunakan

huruf besar. Contoh: MUDA, TUA.

Numeris

Numeris yaitu suatu nilai yang menunjukkan ukuran dari suatu variable.

Contoh: 10, 25, 30, dsb.

Semesta Pembicaraan

Semesta pembicaraan merupakan keseluruhan nilai yang diperbolehkan untuk

dioperasikan dalam variable fuzzy.

Domain

Domain himpunan fuzzy merupakan kesuluruhan nilai yang diizinkan dalam

semesta pembicaraan yang boleh dioperasikan dalam himpunan fuzzy.

2.8 Fuzzy Set Fuzzy set merupakan dasar dari fuzzy logic dan fuzzy system. Suatu fuzzy set A di

dalam Universe (semesta) U didefinisikan sebagai suatu fungsi keanggotaan A(x),

yang memetakan setiap objek di U menjadi suatu nilai real dalam interval [0,1]. Nilai-

nilai A(x) menyatakan derajat keanggotaan x di dalam A [9]. Perhitungan fuzzy set

menggunakan max-min inference serta menggunakan rumus segitiga maupun trapesium

untuk menentukan derajat keanggotaannya.

18

2.9 Fuzzy Inference System (FIS)

Fuzzy merupakan suatu kerangka kerja perhitungan yang berdasar konsep

teori himpunan fuzzy.Aturan fuzzy meliputi fungsi if-then, dan pemikiran fuzzy.

Inferensi fuzzy dapat mengambil input fuzzy ataupun crisp (himpunan tegas), tetapi

outputnya hampir selama menghasilkan himpunan fuzzy. Metode fuzzy merupakan

suatu metode di fuzzikan untuk mendapatkan nilai crisp(himpunan tegas).Struktur

dasar dari sistem inferensi fuzzy ini meliputi[7] :

A. Dasar aturan yang mana berisi sebuah pemilihan aturan fuzzy.

B. Database yang nantinya di gunakan untuk mendefinisikan fungsi

keanggotaan dalam sebuah aturan fuzzy.

C. Mekanisme pemikiran yang mengerjakan prosedur inferensi terhadap

aturan dan kenyataan yang dapat diketahui untuk menurunkan output atau

kesimpulan masuk akal.

Penjelasan dalam sistem inferensi fuzzy dapat di gambarkan sebagai berikut :

Gambar 2.11. Sistem inferensi fuzzy Sumber [7]

is 1 Y is B1

W1

Rule 1

Rule 2

is 2 W2

Y is B2

is r Y is Br

Wr

Rule r

Crisp for Fuzzy

Agoregator

Fuzzy

Fuzzy

Fuzzy

Defuzrisp y

Fuzzy Crisp

19

Proses proses dalam Sistem Inferensi fuzzy meliputi

Gambar 2.12 Proses sistem inferensi fuzzy

Sumber: [7]

Gambar 2.12 diatas merupakan proses sistem inferensi fuzzy yang

penjelasannya adalah sebagai berikut :

1. Fuzzyfikasi merupakan nilai crisp (numeric) dalam suatu himpunan

fuzzydan menentukan derajat keanggotaan dalam suatu himpunan fuzzy.

Fuzzyfikasi ini dilakukan didasarkan pada teori himpunan fuzzy , sehingga

apabila data yang belum bebentuk fuzzy harus di ubah dalam bentuk

fuzzy.

2. Jika bagian antesenden dihubungkan oleh konektor and, or, not maka

derajat kebenarannya dihitung dengan operasi fuzzy yang bersesuaian.

3. Implikasi merupakan proses mendapatkan pengeluaran dari IF-THEN rule.

Fugsi dari implikasi itu sendiri adalah min.

4. Agregasi merupakan suatu metode yang menggunakan max atau or pada

semua keluaran IF-THEN rule. Dan jika lebih dari satu kaidah yang

dievaluasi, keluaran semua IF-THEN rule dikombinasikan menjadi sebuah

fuzzy set tunggal.

5. Defuzzyfikasi merupakan proses memetakan besaran dari himpunan fuzzy

ke dalam bentuk nilai crisp. Defuuzyfikasi ini diterapkan karena sistem

diatur dengan besaran rill, bukan besaran fuzzy. Pada defuzzifikasi

INPUT

OPERASI FUZZY LOGIC

IMPLIKASI

AGREGASI

DEFUZZYFIKASI

20

strategib yang dipakai dalam pakar adalah menetukan bentuk kompromi

yang terbaik. Dalam fuzzy inference system dikenal tiga metode yang dapat

digunakan untuk pengambilan keputusan, yaitu :

3.7.1. metode Tsukamoto

pada metode ini, konsekuen dari setiap aturan bebentuk IF-

THEN yang direpresentasikan dengan menggunakan himpunan-

himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai

hasilnya, output hasil penarikan kesimpulan (inference) dari tiap-tiap

aturan diberikan secara tegas (crisp) berdasarkan-predikat (fire

strength). Hasil akhir diperoleh dengan menggunakan rata-rata

berbobot (weight average) [10].

Gambar 2.13 fuzzy inference system metode Tsukamoto

Sumber: [10]

Z

Z1

C2

C1

A1

X

A2

X

X

B1

B2

y

y

y

Min or product

Z2

= + +

21

3.7.2. metode Mamdani

metode ini merupakan sebuah metode yang sering dikenal dengan nama

metode Max-Min [10]. Untuk mendapatkan output maka diperlukan 4 tahapan

yaitu

Pembentukan himpunan fuzzy (fuzzyfication)

Variabel input dan output dibagi menjadi satu atau lebih himpunan fuzzy

[10]

Penerapan fungsi implikasi

Fungsi implikasi yang digunakan adalah MIN [10]

Komposisi (penggabungan) aturan

Inferensi diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 macam

metode yang dapat digunakan untuk melakukan inferensi, yaitu metode

MAX, metode ADDITIVE, dan metode probabilistik OR [10].

Penegasan (defuzzyfication)

Input disini adalah suatu himpunan fuzzy yang diperoleh dari komposisi

aturan-aturan fuzzy, outputnya adalah nilai tegas (crisp) yang dihasilkan

dari satu bilangan pada domain himounan fuzzy tersbut. Metode

defuzzifikasi yang digunakan yaitu metode Centroid (Center of Mass),

metode Bisektor, metode Mean of Maximum (MOM), metode Largest of

Maximum (LOM), dan metode Smallest of Maximum (SOM) [10].

22

Gambar 2.14 fuzzy inference system metode Mamdani

Sumber: [8]

3.7.3. metode Sugeno

metode ini hampir sama dengan metode mamdani, hanya output sistem bukan

berupa himpunan fuzzy melainkan sebuah konstanta (orde nol) atau persamaan

linier (orde satu) [10].

Model Sugeno Orde Nol

IF (x1 is A1) (x2 is A2) (xn is An) THEN z=k

Model Sugeno Orde Satu

IF (x1 is A1) (x2 is A2) (xn is An) THEN z= p1 * x1 + + p2 *

x2 + q

Z COA

C

Z

Z

C2

C2

C1 A1

X

A2

X

X

B1

B2

y

y

y

Max

Min

23

Gambar 2.15 fuzzy inference system metode Takagi-Sugeno

Sumber: [8]

A1

X

A2

X

XC

B1

B2

y

y

y

Weigthed average

Min or product

= + +

W1

W1

1 = 1 + 1 + 1

= + +

24

BAB III

METODELOGI PENELITIAN

Bab ini membahas metode yang digunakan dalam penelitian yang terdiri dari studi

pustaka, metode pengambilan data, metode perancangan, metode implementasi, metode

pengujian dan analisis serta pengambilan kesimpulan dan saran. Berikut gambar 3.1. adalah

diagram alir metodelogi penelitian yang dilakukan :

Gambar 3.1 Diagram Metodologi Penelitian

Sumber: [Perancangan]

3.1 Studi Pustaka Metode ini digunakan untuk mendapatkan dasar teori sebagai suber acuan untuk

penulisan skripsi dan pengembangan aplikasi. Teori dan pustaka yang berkaitan dengan

tugas akhir ini meliputi :

25

Penjurusan SMA

Sistem Pakar

Fuzzy Logic

Fungsi Keanggotaan

Sistem Fuzzy

Fuzzy Set

Fuzzy Inference System

Metode Tsukamoto

Studi literatur menjelaskan dasar teori yang digunakan sebagai penunjang dan

pendukung penulisan skripsi, Sumber atau referensi yang digunakan antar lain buku,

jurnal, laporan penelitian, bantuan dan mesin perncari (search engine) internet.

3.2 Analisis Data Sistem Aplikasi sistem pakar fuzzy logic berikut ini merupakan diagnose penyakit

dengan menggunakn mesin inferensia fuzzy berdasarkan metode tsukamoto. Proses

diagnosis ini didasarkan dengan nilai - nila pada siswa SMA kelas X. Masukan atau

inputan dari sistem berikut ini adalah :

1. Biodata Siswa yang terdiri dari

Nama, nomer induk.

2. Nilai semua Mata pelajaran yang terdiri dari

Agama, matematika, kima, fisika, biologi, sejarah, ekonomi, akutansi.

3.3 Penerapan Metode Tsukamoto Model yang dipakai dalam implementasi sistem pakar diaognosis penyakit

adalah model logika fuzzy dengan metode Tsukamoto. Gambar 3.2 di bawah

ini merupakan gambaran langkah-langkah yang digunakan dalam metode Tsukamoto.

26

Gambar 3.2. Flowchart Fuzzy metode Tsukamoto Sumber : [perancangan]

Adapun penjelasan dari flowchart pada gambar 3.2 di atas adalah sebagaim berikut :

1. Input himpunan fuzzy

Dalam perancangan sistem pakar ini menggunakan inputan dari

hasil nilai . Hasil pemeriksaan tersebut merupakan variabel-variabel yang

digunakan dalam menentukan penjurusan IPA/IPS. Variabel-variabel

tersebut niali biologi, fisika, kimia, matematika, sejarah, geografi, ekonomi

dan hasil psikotest.

2. Menentukan derajat keanggotaan himpunan fuzzy

Setiap variabel sistem dalam himpunan fuzzy ditentukan derajat

keanggotaannya (). Dimana derajat keanggotaan tersebut menjadi nilai

dalam himpunan fuzzy.

3. Menghitung predikat aturan ()

Variabel-variabel yang telah dimasukkan dalam himpunan fuzzy,

dibentuk aturan-aturan yang diperoleh dengan mengkombinasikan setiap

variabel dengan variabel yang satu dengan atribut lingusitiknya masing-

Mulai

Input nilai himpunan Fuzzy

Menentukan derajat keanggotaan

Menghitung predikat aturan

Defuzzifikasi

Output hasil keputusan

Selesa

27

masing. Aturan-aturan yang telah diperoleh akan dihitung nilai predikat

aturannya dengan proses implikasi.

Dalam metode Tsukamoto proses implikasi dilakukan dengan

operasi Min. Predikat aturan tersebut diperoleh dengan mengambil nilai

minimum dari derajat keanggotaan variabel yang satu dengan variabel

yang lain, yang telah dikombinasikan dalam aturan yang telah ditentukan

sebelumnya.

4. Defuzifikasi

Pada tahap defuzifikasi ini dilakukan penghitungan rata-rata

dengan menggunakan persamaan berikut ini :

= ,, (,, ) (3-1)

5. Hasil keputusan

Pada bagian ini merupakan hasil keputusan dari rangkaian proses

dalam penegakan penentuan penjurusan IPA/IPS.

3.4 Analisis kebutuhan Kegiatan analisis kebutuhan perangkat lunak meliputi analisis spesifikasi

perangkat lunak.Metode analisis menggunakan bahasa pemodelan UML (Unified

Modeling Language). Use Case Diagram digunakan untuk mendeskripsikan

kebutuhan-kebutuhan dan fungsionalitas sistem dari perspektif user. Analisis

kebutuhan dilakukan dengan mengidentifikasi semua kebutuhan (requirements) sistem

yang kemudian akan dimodelkan dalam diagram use case. Kebutuhan fungsional yang

nantinya akan disediakan oleh aplikasi ini antara lain adalah :

1. Aplikasi pada komputer ini harus menyediakan fasilitas untuk login sehingga

hanya admin yang terdaftar yang dapat menggunakan layanan sistem.

2. Penentuan jurusan IPA dan IPS.

Sumber data yang digunakan berasal dari nilai akademik dari calon siwa IPA

atau IPS pada saat SMA kelas X. Penentuan ini mendapatkan pengarahan dari pakar

psikologi sehingga dapat disesuaikan antara pertanyaan dengan rekomendasi bidang

studi yang diberikan.

28

3.5 Perancangan Umum Perancangan arsitektur sistem adalah tahap dimana penulis mulai merancang

suatu sistem yang mampu memenuhi semua kebutuhan fungsional aplikasi dalam tugas

akhir ini. Teori teori dari pustaka dan data sample digabungkan dengan ilmu yang

didapat diimplementasikan untuk merancang serta mengembangkan sistem pakar

pemilihan jurusan pada tingkat SMA. Perancangan sistem dilakukan setelah semua

kebutuhan sistem terpenuhi yang didapatkan melalui tahap analisis kebutuhan.

Perancangan aplikasi berdasarkan Object Oriented Analysis dan Object Oriented

Desaign yaitu menggunakan pemodelan UML (Unified Modeling Language). Sistem

pakar memilih bidang studi ini dibentuk dengan blok diagram seperti gambar dibawah

ini :

Gambar 3.3 Diagram Blok sistem pakar pemilihan penjurusan

Sumber : Perancangan

Lingkungan Konsultasi Lingkungan Pengembangan

Calon

Antarmuka Pengguna

Fakta tentang kejadian khusus yaitu penjurusan

IPA & IPS

Penjurusan yang direkomendasikan Mesin Inferensi

Menarik Kesimpulan

Blackboard (tempat kerja) Agenda Solusi

Deskripsi Masalah

BASIS PENGETAHUAN Fakta : tes akademik dan bakat Aturan : Menggunakan metode

tsukamoto yang memadukan dari tes bakat dan akademik

Knowladge Enginner

Pengetahuan Pakar Psikolog(keminatan)

Perbaikan Pengetahuan

Pengetahuan Terdokumenta

Akuisisi pengetahuan tentang

minat dan penjurusan

Fasilitas penjelas tentang alasan rekomendasi penjurusan IPA&IPS

29

Keterangna Gambar :

Proses yang dapat dijelaskan dari diagram alir diatas yakni, pertama calon siswa

akan mendapatkan soal maupun pertanyaan untuk mengetahui minatnya, serta calaon siswa

akan mengikuti test akademik. Selanjutnya jawaban serta nilai akdemik tersebut akan

menentukan rekomendasi bidang studi yang diberikan.

Proses interaksi user dengan sistem dilakukan melalui antarmuka pengguna. Pada

antarmuka juga dilengkapi dengan fasilitas penjelas yang memberikan penjelasan bagaimana

hasil kesimopulan diperoleh sehingga dapat meyakinkan pengguna. Kesimpulan diberikan

berupa rekomendasi penjurusan IPA maupun IPS yang sesuai dengan minat calon siswa

tersebut dan disesuaikan dengan nilai akademin calon siswa tersebut.

Disini pakar mengambil peranan sangat aktif dalam pembuatan basis pengetahuan.

Tempat kerja disediakan bagi pakar untuk membantu memberikan solusi bagi permasalahan

sistem dijalankan dan menyediakan fasilitas khusus yang belum diprediksi. Knowladge

engineer bertanggung jawan membuat kesan yang tepat, sevara positif mengkomunikasikan

tentang proyek, memahami tipe pakar, mempersiapkan sesi, dan seterusnya.

3.6 Implementasi Implementasi aplikasi dilakukan dengan mengacu kepada perancangan aplikasi.

Implementasi perangkat lunak dilakukan dengan menggunakan bahasa pemrograman

berorientasi objek yaitu menggunakan bahasa pemrograman Java dengan software

netbeans 6.7.1. Pada pembuatan database sistem pakar, digunakan Database Management

System (DBMS) MySQL dengan software XAMPP 1.7.7.

: Langsung

: Tidak Langsung

: Pemisan antara lingkungan dan pengembangan

: Komunikasi dua arah

30

3.7 Pengujian Melakukan pengujian berdasarkan implementasi yang telah dibuat melalui

perhitungan akurasi efektifitas penggunaan sistem pakar bila dibandingkan dengan sistem

manual. Parameter yang digunakan meliputi: hasil tes bakat dan minat serta nilai akademik

dari calon mahasiswa.

3.8 Kesimpulan dan saran Pengambilan kesimpulan dilakukan setelah dilakukan proses pengujian sistem pakar

sehingga dapat diketahui efektifitas kinerja sistem pakar. Tahap terakhir yaitu penulisan saran

yang dapat membantu dalam pengembangan sistem pakar selanjutnya.

31

BAB IV

ANALISA DAN PERANCANGAN SISTEM

1. Metode

Bab ini membahas mengenai analisis kebutuhan dan perancangan Sistem Pakar Untuk

Menentukan Jurusan di SMA. Tahap perancangan yang diperlukan terbagi menjadi dua

tahapan, yaitu perancangan kebutuhan perangkat lunak dan perancangan sistem pakar. Tahap

analisis kebutuhan perangkat lunak meliputi identifikasi aktor, daftar kebutuhan sistem dan

use case diagram serta skenario use case. Sedangkan tahap analisis perancangan sistem

keputusan meliputi perncangan subsistem basis pengetahuan, subsistem manjemen data,

subsistem manajemen model dan susbsistem antarmuka. Untuk lebih jelasnya dapat dilihat

dalam pohon perncangan seperti yang terlihat pada Gambar 4.1.

Gambar 4.1 Pohon Perancangan


Analisa dan Perancangan

Analisa Kebutuhan

Perangkat Lunak

Perancangan sisten pakar

Identifikasi Aktor

Daftar Kebutuhan

Sistem

Use Case Diagram

Skenario Use Case

Akuisisi pengetahuan

Basis Penegetahuan

Mesin inferensi

Fasilitas pengguna

Subsistem Antarmuka

32

4.1. Analisa Kebutuhan Perangkat Lunak

Tahapan analisa kebutuhan sistem memiliki tujuan untuk memodelkan

informasi yang akan digunakan dalam tahapan perancangan. Analisa kebutuhan

sistem yang diperlukan meliputi identifikasi aktor, daftar kebutuhan sistem dan use

case diagram. Berikut ini merupakan penjelasan dari masing-masing tahapannya:

4.1.1. Identifikasi Aktor Tahapan ini bertujuan untuk mengidentifikasi aktor-aktor yang nantinya akan

berinteraksi dengan sistem. Pada kolom aktor disebutkan aktor-aktor yang berperan

dalam sistem dan pada kolom lainnya akan menunjukkan deskripsi dari masing-

masing aktor. Tabel 4.1 memperlihatkan aktor-aktor yang berperan dalam sistem yang

dilengkapi dengan penjelasannya yang merupakan hasil dari proses identifikasi aktor.

Tabel 4.1 Identifikasi Aktor Aktor Deskripsi Aktor

User User merupakan aktor pengguna yang ingin mendapatkan rekomendasi siswa. User bisa merupakan guru atau karyawan.

Admin Admin merupakan aktor pengguna yang bertugas untuk memantau sistem, seperti mengolah data user, mengolah data yang diperlukan untuk sistem pakar.

Sumber: Perancangan

4.1.2. Daftar Kebutuhan Sistem Tahapan ini bertujuan untuk menjelaskan kebutuhan sistem yang harus

dipenuhi saat aktor melakukan sebuah aksi. Daftar kebutuhan ini terdiri dari sebuah

kolom yang merupakan hal-hal yang harus disediakan oleh sistem, sedangkan pada

kolom yang lain menunjukkan nama use case yang menampilkan fungsionalitas

masing-masing kebutuhan tersebut. Tabel 4.2 memperlihatkan daftar kebutuhan

fungsionalitas pada sistem.

Tabel 4.2 Daftar kebutuhan Sistem Kebutuhan Aktor Nama Use Case

Sistem harus menyediakan antarmuka untuk melakukan Login

Admin, User Login

Sistem harus menyediakan antarmuka untuk melakukan Logout

Admin, User Logout

Sistem harus menyediakan menu untuk mengolah data user

Admin Mengolah data user

Sistem harus menyediakan proses untuk insert data user

Admin Insert data user

33

Sistem harus menyediakan proses untuk edit data user

Admin Edit data user

Sistem harus menyediakan proses untuk delete data user

Admin Delete data user

Sistem harus menyediakan menu untuk mengolah data siswa

Admin Mengolah data siswa

Sistem harus menyediakan proses untuk insert data siswa

User Insert data siswa

Sistem harus menyediakan proses untuk edit data siswa

User Edit data siswa

Sistem harus menyediakan proses untuk delete data siswa

User Delete data siswa

Sistem harus menyediakan menu untuk mengolah data hasil pakar

Admin Mengolah data hasil rekomendasi

Sistem harus menyediakan proses untuk delete data hasil pakar

Admin Delete data hasil rekomendasi

Sistem harus menyediakan antarmuka untuk menampilkan hasil olah pakar dari proses perhitungan yang telah dilakukan oleh sistem.

Admin, User Melihat hasil perhitungan sistem pakar

Sistem harus menyediakan antarmuka untuk melakukan tes

User Melakukan tes

Sistem harus menyediakan antarmuka untuk menampilkan hasil rekomendasi dari proses perhitungan yang telah dilakukan oleh sistem.

User Melihat hasil perhitungan sistem pakar

Sumber: Perancangan

4.1.3. Diagram Use Case Diagram use case merupakan salah satu diagram yang digunakan

untuk menggambarkan kebutuhan-kebutuhan dan fungsionalitas dari sistem

serta digunakan untuk menunjukan aksi-aksi yang dilakukan oleh aktor dari

sistem. Gambar 4.2 merupakan diagram use case sistem pendukung keputusan

yang menunjukkan spesifikasi fungsionalitas yang disediakan oleh sistem dari

segi aktor Admin dan User.

34

Gambar 4.2 Diagram Use Case


Akun untuk admin sebelumnya telah dibuat dan dinputkan dalam database

sistem pada tabel admin yang berisi username dan password. Admin dapat mengolah

data user dan mengolah data hasil sistem pakar yang berarti dapat melakukan insert,

edit, delete. Sementara itu, user dapat memasukan data siswa, dapat melakukan tes

dan melihat hasil perhitungan sistem pakar

4.1.4. Skenario Use Case Use case yang telah digambarkan dalam diagram use case akan lebih

dijelaskan secara terperinci dalam skenario use case. Penggunaan skenario use case

ini bertujuan untuk mendapatkan deskripsi secara global mengenai use case, kondisi

awal dan akhir yang harus dipenuhi oleh use case setelah fungsionalitas telah

dijalankan. Dalam skenario ini akan diulas bagaimana tanggapan sistem terhadap aksi

yang dilakukan oleh aktor.

35

4.1.4.1. Skenario Use Case Login Pada skenario ini akan dijelaskan lebih mendetail mengenai proses login yang

dilakukan oleh aktor admin ataupun user. Dalam skenario ini juga dijelaskan

bagaimana tanggapan sistem ketika kedua aktor tersebut melihat hasil rekomendasi.

Tabel 4.3 menjelaskan bagaimana jalannya skenario use case login dan melihat hasil

rekomendasi.

Tabel 4.3 Skenario Use Case login dan Melihat Hasil Pakar Identifikasi

Nama Login Deskripsi Use case ini menjelaskan proses login

ke dalam sistem Aktor Admin, User Pra-kondisi Sistem telah menampilkan halaman

login Skenario Melihat Hasil Rekomendasi

Aksi Aktor Reaksi Sistem 1. Aktor memasukkan username

dan password 2. Sistem memproses login

3. Sistem menampilkan halaman utama actor

Kondisi Akhir Sistem menampilkan halaman utama actor

Sumber: Perancangan

4.1.4.2. Skenario Use Case Logout Pada skenario ini akan dijelaskan lebih mendetail mengenai proses logout

yang dilakukan oleh aktor admin ataupun user. Tabel 4.4 menjelaskan bagaimana

jalannya skenario use case logout.

Tabel 4.4 Skenario Use Case Logout Identifikasi

Nama Login Deskripsi Use case ini menjelaskan proses

logout ke dalam sistem Aktor Admin, User Pra-kondisi Sistem telah menampilkan halaman

utama Skenario Melihat Hasil Rekomendasi

Aksi Aktor Reaksi Sistem 1. Aktor menekan tombol logout 2. Sistem memproses logout

Kondisi Akhir Sistem berhasil ditutup Sumber: Perancangan

36

4.1.4.3. Skenario Use Case Mengolah Data User Pada skenario ini akan dijelaskan lebih mendetail mengenai kebutuhan

fungsionalitas yang harus disediakan oleh sistem yang ditujukan untuk memenuhi

kebutuhan admin. Dalam skenario ini dijelaskan bagaimana skenario use case dalam

mengolah data user. Tabel 4.5 merupakan skenario use case mengolah data user.

Tabel 4.5 Skenario Use case Mengolah Data User Identifikasi

Nama Mengolah Data User Deskripsi Use case ini menjelaskan proses

melihat, menambah, mengubah dan menghapus data user

Aktor Admin Pra-kondisi Sistem telah menampilkan halaman

admin Skenario Insert Data User

Aksi Aktor Reaksi Sistem 1. Aktor memilih untuk masuk ke

halaman data user 2. Sistem menampilkan halaman

data user 3. Aktor memilih menu Tambah

User 4. Sistem menampilkan halaman

untuk menu tambah user 5. Aktor mengisi data user 6. Sistem memasukkan data yang

telah diisikan oleh actor ke dalam basis data

7. Sistem menampilkan pesan Data Berhasil di Simpan

8. Aktor menutup pesan 9. Sistem kembali menampilkan halaman data user

Skenario Edit Data User 1. Aktor memilih untuk masuk ke


data user 3. Aktor memilih data yang akan

di edit 4. Sistem akan menampilkan menu

edit dan delete pada data yang dipilih

5. Aktor memilih menu edit 6. Sistem akan menampilkan halaman edit data

7. Aktor melakukan perubahan data user

8. Sistem memasukkan data yang telah dirubah oleh actor ke dalam basis data

9. Sistem menampilkan pesan Data Berhasil di Ubah


Skenario Delete Data User 1. Aktor memilih untuk masuk ke


data user 3. Aktor memilih data yang akan 4. Sistem akan menampilkan menu

37

di delete edit dan delete pada data yang dipilih

5. Aktor memilih menu delete 6. Sistem akan menampilkan menghapus data user dari basis data

7. Sistem menampilkan pesan Data Berhasil di Hapus


Kondisi Akhir Sistem menampilkan halaman data user

Sumber: Perancangan

4.1.4.4. Skenario Use Case Mengolah Data Siswa Pada skenario ini akan dijelaskan lebih mendetail mengenai kebutuhan



mengolah data siswa. Tabel 4.6 merupakan skenario use case mengolah data siswa.

Tabel 4.6 Skenario Use Case Mengolah data Siswa Identifikasi

Nama Mengolah Data Siswa Deskripsi Use case ini menjelaskan proses

melihat, menambah, mengubah dan menghapus data siswa

Aktor User Pra-kondisi Sistem telah menampilkan halaman

User Skenario Memasukkan Data Siswa


halaman data siswa 2. Sistem menampilkan halaman

data siswa 3. Aktor memilih menu Tambah

Data Siswa 4. Sistem menampilkan halaman

untuk menu tambah data siswa 5. Aktor mengisi data siswa 6. Sistem memasukkan data yang

telah diisikan oleh actor ke dalam basis data

7. Sistem menampilkan pesan Data Berhasil di Simpan

8. Aktor menutup pesan 9. Sistem kembali menampilkan halaman data siswa

Skenario Edit Data Siswa 1. Aktor memilih untuk masuk ke


data siswa 3. Aktor memilih data yang akan

di edit 4. Sistem akan menampilkan menu


38

5. Aktor memilih menu edit 6. Sistem akan menampilkan halaman edit data

7. Aktor melakukan perubahan data siswa

8. Sistem memasukkan data yang telah dirubah oleh actor ke dalam basis data

9. Sistem menampilkan pesan Data Berhasil di Ubah


Skenario Delete Data User 1. Aktor memilih untuk masuk ke


data siswa 3. Aktor memilih data yang akan

di delete 4. Sistem akan menampilkan menu


5. Aktor memilih menu delete 6. Sistem akan menampilkan menghapus data user dari basis data



Kondisi Akhir Sistem menampilkan halaman data siswa

Sumber: Perancangan

4.1.4.5. Skenario Use Case Mengolah Data Hasil Pengolahan Pakar Pada skenario ini akan dijelaskan lebih mendetail mengenai kebutuhan



mengolah data hasil rekomendasi. Tabel 4.7 merupakan skenario use case mengolah data

hasil rekomendasi.

Tabel 4.7 Skenario Use Case Mengolah Data Hasil Pengolahan Pakar Identifikasi

Nama Mengolah Hasil Rekomendasi Deskripsi Use case ini menjelaskan proses

melihat dan menghapus data hasil rekomendasi

Aktor Admin,User Pra-kondisi Sistem telah menampilkan halaman

admin/user Skenario Melihat Hasil Pakar


halaman data olah pakar 2. Sistem menampilkan halaman

hasil pakar

39

3. Aktor memilih bagian/posisi dari hasil rekomendasi yang akan dilihat

4. Sistem menampilkan data hasil rekomendasi sesuai dengan bagian/posisi yang dipilih

Identifikasi Nama Mengolah Hasil Rekomendasi

Deskripsi Use case ini menjelaskan proses melihat dan menghapus data hasil rekomendasi

Aktor Admin Pra-kondisi Sistem telah menampilkan halaman

admin Skenario Delete Hasil Pakar

1. Aktor memilih untuk masuk ke halaman data hasil pakar

2. Sistem menampilkan halaman hasil pakar

3. Aktor memilih data yang akan di delete

4. Sistem akan menampilkan menu delete pada data yang dipilih

5. Aktor memilih menu delete 6. Sistem akan menghapus data dari database


8. Aktor menutup pesan 9. Sistem kembali menampilkan halaman data hasil pakar

Kondisi Akhir Sistem menampilkan halaman hasil rekomendasi

Sumber: Perancangan

4.1.4.6. Skenario Use Case Melakukan Test

Pada skenario ini akan dijelaskan lebih mendetail mengenai kebutuhan


kebutuhan user. Dalam skenario ini dijelaskan bagaimana skenario use case dalam

melakukan test untuk mendapatkan hasil rekomendasi melalui sistem. Tabel 4.8

merupakan skenario use case melakukan test.

Tabel 4.1 Skenario Use Case Melakukan Test Identifikasi

Nama Melakukan Test Deskripsi Use case ini menjelaskan proses

melakukan test rekomendasi siswa Aktor User Pra-kondisi Sistem telah menampilkan halaman

utama user Proses Skenario

Aksi Aktor Reaksi Sistem 1. Aktor memasukkan data yang

diminta oleh menu 2. Sistem menampilkan halaman

utama user

40

3. Aktor menekan tombol Tampilkan untuk mengolah data yang telah dimasukkan oleh user

4. Sistem melakukan perhitungan dengan menggunakan metode Tsukamoto

5. Sistem menampilkan data siswa (No, Nama Siswa, Ranking, Jurusan) yang telah diurutkan berdasarkan skor yang didapat

Kondisi Akhir Sistem menampilkan hasil rekomendasi untuk user

Sumber: Perancangan

4.2 Perancangan Sistem Pakar Tahapan analisa dan perancangan sistem pendukung keputusan disini

merupakan tahapan yang betujuan untuk mengubah model informasi yang telah dibuat

pada tahapan analisa kebutuhan sistem. Perancangan yang dilakukan adalah

perancangan untuk seluruh subsistem yang terdapat dalam arsitektur sistem pendukung

keputusan untuk merekomendasikan kamera digital. Perancangan tersebut meliputi

perancangan untuk susbsistem manajemen data, susbsistem basis pengetahuan,

subsistem manajemen model dan subsistem antarmuka. Pemodelan yang digunakan

yaitu diagram konteks sistem, ERD, Physical diagram, dan DFD.

Subsistem yang terdapat dalam sistem antara lain:

a) Akuisisi Pengetahuan

b) Basis Pengetahuan

menjelaskan kriteria-kriteria yang akan digunakan sebagai bahan yang digunakan

untuk perhitungan

c) Mesin Inferensi

d) Fasilitas Pengguna.

e) Perancangan interface

Akuisisi Pengetahuan Akuisisi pengetahuan dimulai dari wawancara dengan pakar. Pakar yang membantu

dalam proses pembuatan sistem penjurusan IPA/IPS. Wawancara ini berkaitan dengan

penyusunan nilai dan psikotest, perancangan aturan produksi dan mesin inferensi.

Proses akuisisi pengetahuan pada aplikasi sistem pakar penjurusan IPA/IPS

ditunjukkan pada gambar 4.3 berikut.

41

Mulai

Wawancara Pakar

Penyusunan Test yang digunakan

Melakukan survey ke SMA

Data nilai akademik dan psikotest

Test penjurusan sesuai?

Data psikotest dan akademik

Wawancara pakar tentang representasi pengetahuan

Mengolah data nilai akademik dan psikotest sesuai dengan representasi pengetahuan

Aturan produksi pada data psikotest dan nilai akademik

Aturan produksi pada data psikotest dan nilai akademik

a

42

Gambar 4.3 Diagram Alir Proses Akuisisi Pengetahuan

Sumber: Perancangan

Basis Pengetahuan

4.2.2.1 Himpunan Bahasa Variable Himpunan Bahasa pada Variabel

Biologi = Buruk, Cukup, Bagus

Fisika = Buruk, Cukup, Bagus

Kimia = Buruk, Cukup, Bagus

Matematika = Buruk, Cukup, Bagus

Geografi = Buruk, Cukup, Bagus

Sejarah = Buruk, Cukup, Bagus

Ekonomi = Buruk, Cukup, Bagus

Psikotest = Below average, Average, Genius

Wawancara pakar tentang mesin inferensi

Mengolah data nilai akademik dan psikotest sesuai dengan mesin inferensi

Perancangan mesin inferensi yang digunakan pada implementasi

a

Wawancara pakar tentang kasus khusus yang diprediksi muncul

Penyediaan fasilitas pakar untuk menangani khasus khusus

Selesai

43

4.2.2.2 Semesta Pembicaraan

Tabel 4.9 Semesta pembicaraan

Inputan Buruk Cukup Bagus Biologi x

44

4.2.2.4 Fungsi derajat keanggotaan variabel Fisika. Fungsi keanggotaan linier turun digunakan untuk merepresentasikan

himpunan fuzzy rendah dan fungsi keanggotaan linier naik untuk himpunan fuzzy

tinggi. Fungsi keanggotaan segitiga digunakan untuk merepresentasikan himpunan

fuzzy normal. Fungsi derajat keanggotaan dari variabel fisika didefinisikan persamaan

(4-3), (4-3) dan (4-5).

[] = 1; 0 ; 0 450 ; 45

[] =

0; 25

; 25 451; 45 65

; 65 850 ; 85

[] = 0; 65 ; 65 1001 ; 100 4.2.2.5 Fungsi derajat keanggotaan variabel Kimia

Fungsi keanggotaan linier turun digunakan untuk merepresentasikan



fuzzy normal. Fungsi derajat keanggotaan dari variabel kimia didefinisikan persamaan

(4-7), (4-8) dan (4-9).

[] = 1; 0 ; 0 500 ; 50

[] =

0; 30

; 30 501; 50 70

; 70 900 ; 85

. (4-5)

. (4-8)

. (4-4)

. (4-6)

. (4-7)

45

[] = 0; 70 ; 70 1001 ; 100 4.2.2.6 Fungsi derajat keanggotaan variabel Matematika.




fuzzy normal. Fungsi derajat keanggotaan dari variabel matematika didefinisikan

persamaan (4-10) , (4-11) dan (4-12).

[] = 1; 0 ; 0 480 ; 48

[] =

0; 28

; 28 481; 48 68

; 68 880 ; 88

[] = 0; 88 ; 88 1001 ; 100 4.2.2.7 Fungsi derajat keanggotaan variabel Geografi




fuzzy normal. Fungsi derajat keanggotaan dari variabel geografi didefinisikan

persamaan (4-13) , (4-14) dan (4-15).

[] = 1; 0 ; 0 500 ; 50

. (4-11)

. (4-9)

. (4-10)

... (4-12)

. (4-13)

46

[] =

0; 30

; 30 501; 50 70

; 70 900 ; 90

[] = 0; 70 ; 70 1001 ; 100 4.2.2.8 Fungsi derajat keanggotaan variabel Sejarah.




fuzzy normal. Fungsi derajat keanggotaan dari variabel sejarah didefinisikan

persamaan (4-16) , (4-17) dan (4-18).

[] = 1; 0 ; 0 500 ; 50

[] =

0; 30

; 30 501; 50 70

; 70 900 ; 90

[] = 0; 70 ; 70 1001 ; 100 4.2.2.9 Fungsi derajat keanggotaan variabel Ekonomi.




fuzzy normal. Fungsi derajat keanggotaan dari variabel ekonomi didefinisikan

persamaan (4-19) , (4-20) dan (4-21).

. (4-14)

. (4-16)

. (4-15)

. (4-17)

. (4-18)

47

[] = 1; 0 ; 0 550 ; 55

[] =

0; 35

; 35 551; 55 75

; 75 950 ; 95

[] = 0; 75 ; 75 1001 ; 100 4.2.2.10 Fungsi derajat keanggotaan variabel IQ.




fuzzy normal. Fungsi derajat keanggotaan dari variabel IQ didefinisikan persamaan

(4-22) , (4-23) dan (4-24).

[] =

0; 30

; 30 401; 40 84

; 84 940 ; 94

[] =

0; 75

; 75 851; 85 144

; 144 1540 ; 154

. (4-19)

. (4-22)

. (4-20)

. (4-21)

. (4-23)

48

[] =

0; 135

; 135 1451; 145 175

; 175 1850 ; 185

4.2.2.11 Fungsi derajat keanggotaan output variabel IPA Fungsi keanggotaan linier turun digunakan untuk merepresentasikan



fuzzy normal. Fungsi derajat keanggotaan dari variabel IPA didefinisikan persamaan

(4-25).

[] = 0; 40 ; 4 0 701 ; 70 4.2.2.12 Fungsi derajat keanggotaan output variabel IPA




fuzzy normal. Fungsi derajat keanggotaan dari variabel IPS didefinisikan persamaan

(4-26).

[] = 1; 40 ; 4 0 700 ; 70 4.2.2.13 Rule

Tabel 4.10 Semesta pembicaraan

No rule Then If

Biologi Fisika Kimia Matematika Geografi Sejarah Ekonomi Psikotest 1 Cukup - - Bagus - - Buruk - IPA 2 Fisika - - Cukup - - - Average IPA 3 - - Bagus - Buruk - - Average IPA 4 Cukup - - - - Cukup - Bagus IPA 5 - Cukup - - - Buruk Cukup - IPA 6 - - Bagus - - - Cukup Average IPA 7 Bagus - - - - Buruk - Bagus IPA

. (4-25)

. (4-26)

. (4-24)

49

Sumber: Perancangan

8 - - - Bagus - - Cukup Average IPA 9 - - Cukup - - Buruk - Bagus IPA

10 - Bagus - Bagus - Cukup - Average IPA 11 Bagus - Cukup - - Cukup - - IPA 12 - - Bagus - - Cukup Buruk - IPA 13 - Cukup - - Buruk Buruk - - IPA 14 - - - Bagus - - Cukup Genius IPA 15 - Cukup Cukup - - Buruk - - IPA 16 - - - Bagus - Buruk - Average IPA 17 Buruk - - - Bagus - - Average IPS 18 - Cukup - - Bagus - Bagus - IPS 19 - - Cukup - - Cukup Bagus - IPS 20 - - - Cukup - - Cukup Average IPS 21 - Buruk - - - - Cukup Average IPS 22 - Buruk - - Cukup Cukup - - IPS 23 - - - Cukup Bagus Cukup - - IPS 24 - - - Buruk Bagus - Bagus - IPS 25 Cukup - - - - Cukup Bagus - IPS 26 Cukup - - Bagus - - Cukup - IPS 27 - - Buruk Cukup - Bagus - - IPS 28 - - Buruk - Cukup Bagus - - IPS 29 Buruk - - - - Bagus Cukup - IPS 30 - Cukup - - Cukup Cukup - - IPS 31 - - - Cukup Bagus Bagus - - IPS 32 - - Cukup - - Cukup - Genius IPS

50

Mesin Inferensi Dalam mesin inferensi ini akan dimodelkan bagaimana sistem akan

memproses data dengan menggunakan metode ini, yang mana proses tersebut dimulai dengan inputan dari user, kemudian data yang berasal dari inputan user tersebut dihitung sesuang dengan perumusan tsukamoto.

Gambar 4.4. Flowchart Fuzzy metode Tsukamoto Sumber : [perancangan]

Dari diagram alir diatas maka dapat dibuat pseudocode untuk menerapkan cara kerja

dari metode tsukamoto. Algoritma tersebut dapat dilihat pada gambar dibawah ini

Nama algoritma: Fuzzy Metode Tsukamoto Deklarasi:

- Bio, adalah integer, variable untuk menampung nilai mata pelajaran Bio.

- uBurukBio, adalah integer, variable untuk menampung nilai derajat anggota mata pelajaran X buruk.

- uCukupBio, adalah integer, variable untuk menampung nilai derajat anggota mata pelajaran X cukup.

- uBaikBio, adalah integer, variable untuk menampung nilai derajat anggota mata pelajaran X baik.

- himpBurukBio, adalah string, variable untuk menampung himpunan bahasa anggota mata pelajaran X buruk.

- himpCukupBio, adalah string, variable untuk menampung himpunan bahasa anggota mata pelajaran X buruk.

- himpBaikBio, adalah string, variable untuk menampung himpunan bahasa anggota mata pelajaran X baik. Bio, adalah

Mulai

Input nilai himpunan Fuzzy

Menentukan derajat keanggotaan

Menghitung predikat aturan

Defuzzifikasi

Output hasil keputusan

Selesa

51

integer, variable untuk menampung nilai mata pelajaran Biologi.

- uBurukBio, adalah integer, variable untuk menampung nilai derajat anggota mata pelajaran biologi buruk.

- uCukupBio, adalah integer, variable untuk menampung nilai derajat anggota mata pelajaran biologi cukup.

- uBaikBio, adalah integer, variable untuk menampung nilai derajat anggota mata pelajaran biologi baik.

- himpBurukBio, adalah string, variable untuk menampung himpunan bahasa anggota mata pelajaran biologi buruk.

- himpCukupBio, adalah string, variable untuk menampung himpunan bahasa anggota mata pelajaran biologi buruk.

- himpBaikBio, adalah string, variable untuk menampung himpunan bahasa anggota mata pelajaran biologi baik.

- - Fis, adalah integer, variable untuk menampung nilai mata

pelajaran Fisika. - uBurukFis, adalah integer, variable untuk menampung nilai

derajat anggota mata pelajaran fisika buruk. - uCukupFis, adalah integer, variable untuk menampung nilai

derajat anggota mata pelajaran fisika cukup. - uBaikFis, adalah integer, variable untuk menampung nilai

derajat anggota mata pelajaran fisika baik. - himpBurukFis, adalah string, variable untuk menampung

himpunan bahasa anggota mata pelajaran fisika buruk. - himpCukupFis, adalah string, variable untuk menampung

himpunan bahasa anggota mata pelajaran fisika buruk. - himpBaikFis, adalah string, variable untuk menampung

himpunan bahasa anggota mata pelajaran fisika baik. - - Kim, adalah integer, variable untuk menampung nilai mata

pelajaran kimia. - uBurukKim, adalah integer, variable untuk menampung nilai

derajat anggota mata pelajaran kimia buruk. - uCukupKim, adalah integer, variable untuk menampung nilai

derajat anggota mata pelajaran kimia cukup. - uBaikKim, adalah integer, variable untuk menampung nilai

derajat anggota mata pelajaran kimia baik. - himpBurukKim, adalah string, variable untuk menampung

himpunan bahasa anggota mata pelajaran kimia buruk. - himpCukupKim, adalah string, variable untuk menampung

himpunan bahasa anggota mata pelajaran kimia buruk. - himpBaikKim, adalah string, variable untuk menampung

himpunan bahasa anggota mata pelajaran kimia baik. - - Mat, adalah integer, variable untuk menampung nilai mata

pelajaran matematika. - uBurukMat, adalah integer, variable untuk menampung nilai

derajat anggota mata pelajaran matematika buruk. - uCukupMat, adalah integer, variable untuk menampung nilai

derajat anggota mata pelajaran matematika cukup. - uBaikMat, adalah integer, variable untuk menampung nilai

derajat anggota mata pelajaran matematika baik. - himpBurukMat, adalah string, variable untuk menampung

himpunan bahasa anggota mata pelajaran matematika buruk.

52

- himpCukupMat, adalah string, variable untuk menampung himpunan bahasa anggota mata pelajaran matematika buruk.

- himpBaikMat, adalah string, variable untuk menampung himpunan bahasa anggota mata pelajaran matematika baik.

- - Geo, adalah integer, variable untuk menampung nilai mata

pelajaran geografi. - uBurukGeo, adalah integer, variable untuk menampung nilai

derajat anggota mata pelajaran geografi buruk. - uCukupGeo, adalah integer, variable untuk menampung nilai

derajat anggota mata pelajaran geografi cukup. - uBaikGeo, adalah integer, variable untuk menampung nilai

derajat anggota mata pelajaran geografi baik. - himpBurukGeo, adalah string, variable untuk menampung

himpunan bahasa anggota mata pelajaran geografi buruk. - himpCukupGeo, adalah string, variable untuk menampung

himpunan bahasa anggota mata pelajaran geografi buruk. - himpBaikGeo, adalah string, variable untuk menampung

himpunan bahasa anggota mata pelajaran geografi baik. - - Sjr, adalah integer, variable untuk menampung nilai mata

pelajaran sejarah. - uBurukSjr, adalah integer, variable untuk menampung nilai

derajat anggota mata pelajaran sejarah buruk. - uCukupSjr, adalah integer, variable untuk menampung nilai

derajat anggota mata pelajaran sejarah cukup. - uBaikSjr, adalah integer, variable untuk menampung nilai

derajat anggota mata pelajaran sejarah baik. - himpBurukSjr, adalah string, variable untuk menampung

himpunan bahasa anggota mata pelajaran sejarah buruk. - himpCukupSjr, adalah string, variable untuk menampung

himpunan bahasa anggota mata pelajaran sejarah buruk. - himpBaikSjr, adalah string, variable untuk menampung

himpunan bahasa anggota mata pelajaran sejarah baik. - - Eko, adalah integer, variable untuk menampung nilai mata

pelajaran ekonomi. - uBurukEko, adalah integer, variable untuk menampung nilai

derajat anggota mata pelajaran ekonomi buruk. - uCukupEko, adalah integer, variable untuk menampung nilai

derajat anggota mata pelajaran ekonomi cukup. - uBaikEko, adalah integer, variable untuk menampung nilai

derajat anggota mata pelajaran ekonomi baik. - himpBurukEko, adalah string, variable untuk menampung

himpunan bahasa anggota mata pelajaran ekonomi buruk. - himpCukupEko, adalah string, variable untuk menampung

himpunan bahasa anggota mata pelajaran ekonomi buruk. - himpBaikEko, adalah string, variable untuk menampung

himpunan bahasa anggota mata pelajaran ekonomi baik. - - Psiko, adalah integer, variable untuk menampung nilai

psikotes. - uBurukPsiko, adalah integer, variable untuk menampung nilai

derajat anggota nilai psikotes buruk. - uCukupPsiko, adalah integer, variable untuk menampung nilai

53

derajat anggota nilai psikotes cukup. - uBaikPsiko, adalah integer, variable untuk menampung nilai

derajat anggota nilai psikotes baik. - himpBurukPsiko, adalah string, variable untuk menampung

himpunan bahasa anggota nilai psikotes buruk. - himpCukupPsiko, adalah string, variable untuk menampung

himpunan bahasa anggota nilai psikotes buruk. - himpBaikPsiko, adalah string, variable untuk menampung

himpunan bahasa anggota nilai psikotes baik. - - simpanU, adalah decimal, list untuk menyimpan nilai derajat

keanggotaan mata pelajaran yang sesuai dengan rule. - nilaiUmin, adalah decimal, list untuk menyimpan nilai

derajat keanggotaan minimal yang sesuai dengan rule. - nilaiZ adalah decimal, list untuk menyimpan nilai Z dari

nilajat keanggotaan mata pelajaran deryang sesuai dengan rule.

- nilaiUZ adalah decimal, list untuk menyimpan hasil perkalian u dan Z.

- minimal, adalah decimal, variabel untuk menyimpan nilai derajat keanggotaan minimal yang sesuai dengan rule.

- hitungZ, adalah decimal, variabel untuk menyimpan nilai Z dari derajat keanggotaan yang sesuai dengan rule.

- hitungUZ; adalah decimal, variabel untuk menyimpan untuk menyimpan hasil perkalian u dan Z.

- rule, adalah string, list untuk menyimpan rule yang sesuai dengan nilai matapelajaran inputan.

- simpanrule, adalah string, variabel untuk menyimpan rule yang sesuai dengan nilai matapelajaran inputan.

- id, adalah string, list untuk menyimpan no induk. - jurusan adalah string, list untuk menyimpan rule yang sesuai

dengan nilai matapelajaran inputan. Deskripsi:

Input: - Memasukkan nilai mata pelajaran dan psikotes.

Proses: 1. Menghitung derajat keanggotaan masing-masing mata pelajaran

sesuai nilai. 2. Menentukan himpunan bahasa yang dimiliki setiap mata

pelajaran berdasarkan nilai derajat keanggotaan. 3. Menentukan rule yang sesuai dengan derajat keadaan. 4. Menghitung nilai derajat keanggotaan terendah 5. Menghitung nilai Z 6. Menghitung total nilai derajat keanggotaan terendah 7. Menghitung total nilai Z. 8. Menghitung total nilai derajat keanggotaan terendah dikali Z 9. Menghitung nilai perkiraan jurusan. 10. Menentukan jurusan.

Gambar 1.5 Perancangan Algoritma Tsukamoto Sumber: Perancangan

54

Proses inferensi dilakukan dengan menggunakan metode Tsukamoto. Berikut

ini adalah contoh kasus pemilihan jurusan IPA/IPS yang diselesaikan dengan metode

Tsukamoto. Misalkan user atau pengguna aplikasi menggunakan alternatif keputusan

untuk data internal dengan memasukkan kriteria seperti tabel 4.11 berikut.

Tabel 4.11 Kriteria Nilai User Mata Pelajaran Nilai

Biologi 67

Fisika 41

Kimia 78

Matematika 90

Geografi 70

Sejarah 73

Ekonomi 40

Psikotes 130

Sumber: Perancangan

1. Posisi input pada himpunan bahasa

Tabel 4.12 Kriteria Nilai User Posisi pada Himpunan Bahasa

Biologi cukup Fisika buruk cukup Kimia bagus

Matematika bagus Geografi cukup bagus Sejarah bagus

Ekonomi buruk cukup Psikotes average

Sumber: Perancangan

2. Menghitung Nilai Derajat Keanggotaan

Langkah pertam

laporan makalah sispak ganjil 2013

Documents