Penyetaraan Matakuliah Mahasiswa Transfer Menggunakan Metode Profile Matching dan Logika Fuzzy

Transkripsi

1 Elliana Gautama Penyetaraan Mahasiswa Transfer... ISSN Penyetaraan Mahasiswa Transfer Menggunakan Metode Profile Matching dan Logika Fuzzy Elliana Gautama Sistem Informasi, Institut Keuangan Perbankan dan Informatika Asia Perbanas Jalan Perbanas, Karet Kuningan, Setiabudi, Jakarta Abstract: Courses equalization process that cover course names and their related marks conversion must be put into place for all new students joining a particular study programme through the student transfer scheme. In particular, this practice is mandatory for new student with a Diploma degree who joins the Information Technology Faculty of Perbanas Institute to next pursue their Bachelor. The course equalization process is performed by the administrator of the study programme, after all required documents i.e. the legalized Diploma certificate and academic transcript have been provided. It has been experienced that the completion of this procedure is taking a lot of amount of work and time as thorough analysis and careful consideration have to be made. Therefore, this study develops and proposes an algorithm that is capable to automate the course equalization process by integrating the profile matching technique and the Fuzzy logic system. Keywords: fuzzy logic, profile matching, student transfer, value equivalency courses Abstrak: Proses penyetaraan diperlukan jika suatu perguruan tinggi menerima mahasiswa pindahan dari perguruan tinggi lain. Mahasiswa pindahan harus menyertakan transkrip nilai yang sudah dilegalisir dari perguruan tinggi asal untuk disetarakan dengan kurikulum yang berlaku di perguruan tinggi tujuan. Pada FTI Perbanas Institute proses penyetaraan dilakukan oleh prodi yang bersangkutan. Proses penyetaraan ini sangat memerlukan waktu yang cukup lama karena banyak pertimbangan yang harus dilakukan oleh prodi. Pada penelitian ini penulis akan membuat algoritma untuk membantu proses penyetaraan tersebut dengan menggunakan perpaduan metode profile matching dan Logika Fuzzy, sehingga proses penyetaraan dapat dilakukan dengan lebih mudah dan cepat. Kata Kunci: logika fuzzy, mahasiswa transfer, penyetaraan matakuliah, profile matching I. PENDAHULUAN Proses penyetaraan diperlukan jika suatu perguruan tinggi menerima mahasiswa pindahan dari perguruan tinggi lain. Mahasiswa pindahan harus menyertakan transkrip nilai yang sudah dilegalisir dari perguruan tinggi asal untuk disetarakan dengan kurikulum yang berlaku di perguruan tinggi tujuan. Pada FTI Perbanas Institute proses penyetaraan dilakukan oleh prodi yang bersangkutan. Nilai matakuliah yang didapat dari perguruan tinggi asal disetarakan dengan matakuliah sesuai kurikulum pada prodi yang bersangkutan. Proses penyetaraan ini yang kadangkadang sangat menyita waktu program studi karena masih dilakukan satu persatu per matakuliah dan belum adanya standar minimal dalam melakukan proses penyetaraan. Kelas S Lanjutan program studi Sistem Informasi FTI Perbanas Institute pada saat ini mempunyai kurang lebih 8 mahasiswa aktif, dengan penambahan mahasiswa baru setiap semester sebanyak kurang lebih 2 mahasiswa. Untuk dapat mengikuti perkuliahan pada Kelas Lanjutan ini seorang calon mahasiswa harus sudah lulus program D3. Pada program studi Sistem Informasi calon mahasiswa tersebut harus menyerahkan transkrip nilai dari perguruan tinggi asalnya. Berdasarkan transkrip nilai dari perguruan tinggi asal inilah prodi SI akan melakukan penyetaraan sebanyak kurang lebih 8 sks, sehingga seorang mahasiswa baru pada kelas lanjutan dianggap sudah menempuh 8 sks, sedangkan untuk persyaratan lulus S adalah minimal sudah lulus 4 sks. Proses penyetaraan ini sangat memerlukan waktu yang cukup lama karena banyak pertimbangan 63

2 Kalbiscentia,Volume 3 No. 2, Agustus 26 yang harus dilakukan oleh prodi. Pada penelitian ini penulis akan membuat algoritma untuk membantu proses penyetaraan tersebut dengan menggunakan metode profile matching dan Logika Fuzzy. Dalam melakukan proses penyetaraan ada beberapa kriteria yang harus dipenuhi yaitu diantaranya adalah Kesamaan perguruan tinggi asal dan Nilai. Salah satu metode klasifikasi yang digunakan untuk melakukan proses penyetaraan adalah Profile Matching. Proses perhitungan pada metode Profile Matching, diawali dengan pendefinisian nilai minimum untuk setiap variabel-variabel penilaian. Selisih setiap nilai data testing terhadap nilai minimum masing-masing variabel, merupakan gap yang kemudian diberi bobot. Bobot setiap variabel akan dihitung rata-rata berdasarkan kelompok variabel Core Factor (CF) dan Secondary Factor (SF). Komposisi CF ditambah SF adalah %, tergantung dari kepentingan pengguna metode ini. Tahap terakhir dari metode ini, adalah proses akumulasi nilai CF dan SF berdasarkan nilai-nilai variabel data testing. [] Pembobotan pada metode Profile Matching, merupakan nilai pasti yang tegas pada nilai tertentu karena nilai-nilai yang ada merupakan anggota himpunan tegas (crisp set). Di dalam himpunan tegas, keanggotaan suatu unsur di dalam himpunan dinyatakan secara tegas, apakah objek tersebut anggota himpunan atau bukan dengan menggunakan fungsi karakteristik. Sedangkan di dalam teori himpunan Fuzzy, keanggotaan suatu elemen di dalam himpunan dinyatakan dengan derajat keanggotaan (membership values) yang nilainya terletak diantara [,]. [2][3] Pada penelitian ini, menggunakan pendekatan Logika Fuzzy dalam proses pembobotan variabelvariabel proses penyetaraan matakuliah untuk mendapatkan hasil proses penyetaraan yang dikelompokan dengan predikat Sesuai dan Tidak Sesuai. Sehingga Program Studi dapat menerapkan kebijakan dalam melakukan proses penyetaraan. Predikat pengelompokan ini, berdasarkan pada Logika Fuzzy yang mampu menjembatani bahasa mesin yang presisi, dengan bahasa manusia yang menekankan pada makna atau arti (significance) berdasarkan bahasa alami. [2] II. METODE PENELITIAN A. Profile Matching Langkah-langkah metode profile matching adalah. [5]: () Menentukan variabel data-data yang dibutuhkan; (2) Menentukan aspek-aspek yang digunakan untuk penilaian; (3) Pemetaan Gap profil. Gap = Profil Minimal Profil data tes; (4) Setelah diperoleh nilai Gap selanjutnya diberikan bobot untuk masing-masing nilai Gap; dan (5) Perhitungan dan pengelompokan Core Factor dan Secondary Factor. Setelah menentukan bobot nilai gap, kemudian dikelompokan menjadi 2 kelompok yaitu: (a) Core Factor (Faktor Utama), yaitu merupakan kriteria (kompetensi) yang paling penting atau menonjol atau paling dibutuhkan oleh suatu penilaian yang diharapkan dapat memperoleh hasil yang optimal. NFC NC IC Keterangan: NFC : Nilai rata-rata core factor NC : Jumlah total nilai core factor IC : Jumlah item core factor (b) Secondary Factor (faktor pendukung), yaitu merupakan item-item selain yang ada pada core factor. Atau dengan kata lain merupakan faktor pendukung yang kurang dibutuhkan oleh suatu penilaian. NFS NS IS Keterangan: NFS : Nilai rata-rata secondary factor NS : Jumlah total nilai secondary factor IS : Jumlah item secondary factor 6. Perhitungan Nilai Total. Nilai Total diperoleh dari prosentase core factor dan secondary factor yang diperkirakan berpengaruh terhadap hasil tiap-tiap profil. N = (x) % NCF + (x) % NSF Keterangan: N : Nilai Total dari kriteria NFS : Nilai rata-rata secondary factor NFC : Nilai rata-rata core factor (x) % : Nilai persen yang diinputkan 7. Perhitungan penentuan ranking. Hasil Akhir dari proses profile matching adalah ranking. Penentuan ranking mengacu pada hasil perhitungan tertentu. Ranking = (x) % NMA + (x) % NSA Keterangan : NMA : Nilai total kriteria Aspek Utama NSA : Nilai total kriteria Aspek Pendukung (x) % : Nilai persen yang diinputkan B. Fuzzy Logic. Himpunan Crisp Dan Himpunan Fuzzy Himpunan Crisp didefinisikan oleh item-item yang ada pada himpunan itu. Jika a anggota dari A, 64

3 Elliana Gautama Penyetaraan Mahasiswa Transfer... maka nilai yang berhubungan dengan a adalah. Namun, jika a bukan anggota dari A, maka nilai yang berhubungan dengan a adalah. Notasi A = {x P(x)} menunjukkan bahwa A berisi item x dengan P(x) benar. Jika X A merupakan fungsi karakteristik A dan properti P, maka dapat dikatakan bahwa P(x) benar, jika dan hanya jika XA(x) =. Himpunan fuzzy didasarkan pada gagasan untuk memperluas jangkauan fungsi karakteristik sedemikian sehingga fungsi tersebut akan mencakup bilangan real pada interval [,]. Nilai keanggotaannnya menunjukkan bahwa suatu item dalam semesta pembicaraan tidak hanya berada pada atau, namun juga nilai yang terletak diantaranya. Dengan kata lain, nilai kebenaran suatu item tidak hanya bernilai benar atau salah. Nilai menunjukkan salah, nilai menunjukkan benar dan masih ada nilainilai yang terletak antara benar dan salah. Beberapa hal yang perlu diketahui dalam memahami sistem fuzzy [4]:(a) Variabel Fuzzy. Merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy, contoh: umur, temperature, permintaan dan sebagainya; (b). Himpunan Fuzzy. Merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy; (c) contoh: Variabel umur dibagi menjadi 3 himpunan fuzzy : muda, parobaya, tua dan Variabel temperature ibagi menjadi 5 himpunan fuzzy: dingin, sejuk, normal, hangat dan panas; (d) Semesta Pembicaraan. Keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy, contoh: semesta pembicaraan untuk variabel temperature: [ 4]; (e) Domain. Keseluruhan nilai yang diinginkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy; dan (f) Nilai Ambang Alfa-Cut. Merupakan nilai ambang batas domain yang didasarkan pada nilai keanggotaan untuk tiaptiap domain, dimana α- cut memiliki 2 kondisi: α -cut lemah dapat dinyatakan sebagai: μ (x) α dan α - cut kuat dapat dinyatakan sebagai : μ (x) > α [2] 2. Fungsi Keanggotaan Fungsi Keanggotaan. Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaaan titik-titik input data ke dalam nilai keanggotaannya (sering disebut dengan derajat keanggotaan) yang memiliki interval antara sampai. Fungsi keanggotaan dapat dibuat kedalam beberapa bentuk kurva diantanya: (a) Representasi Linier Pada representasi linier, permukaan digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas. Ada 2 kemungkinan keadaan himpunan fuzzy yang linier. Pertama, kenaikan himpunan dimulai pada nlai dominan yang memiliki derajat keanggotaan nol [] bergerak kekanan menuju ke nilai domain yang memiliki derajat keanggotaan lebiih tinggi seperti yang tergambar pada Gambar. [2] Derajat Keanggota an a b Gambar. Representasi linear naik Fungsi keanggotaan: ; x a x í x a / b a ; a x b ; x ³ b î Kedua, merupakan kebalikan yang pertama. Garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah pada Gambar 2. [2] Derajat Keanggotaan (x) a Domain Gambar 2. Representasi linear turun Fungsi keanggotaan: x (b x) / (b a); a x b í î ; x ³ b b. Representasi Kurva Segitiga. Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linier seperti terlihat pada Gambar 3. [2] Derajat Keanggotaan (x) b a b c Gambar 3. Kurva segitiga 65

4 Kalbiscentia,Volume 3 No. 2, Agustus 26 Fungsi Keanggotaan : x ; x a atau x ³ c í (x a) / (b a); a x b (b x) / (c b); b x c î 3. Sistem Interferensi Fuzzy Metode Penalaran Monoton Metode penalaran monoton digunakan sebagai dasar untuk teknik implikasi fuzzy. Meskipun penalaran dengan menggunakan teknik ini sudah jarang sekali digunakan, namun terkadang masih digunakan untuk penskalaan fuzzy. Jika 2 daerah direlasikan dengan implikasi sederhana sebagai berikut: IF x is A THEN y is B Transfer fungsi: y = f ( (x, A), B ) Maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari derajat keanggotaan yang berhubungan dengan antesendennya. [2] 4. Metodologi Desain Sistem Fuzzy Untuk melakukan perancangan suatu sistem fuzzy perlu dilakukan beberapa tahapan berikut ini: (a) Mendefinisikan karakteristik model secara fungsional dan operasional. Pada bagian ini perlu diperhatikan karakteristik apa saja yang dimiliki oleh sistem yang ada, kemudian dirumuskan karakteristik operasi-operasi yang akan digunakan pada model fuzzy.[2]; (b) Melakukan dekomposisi variabel model menjadi himpunan fuzzy. Dari variabel-variabel yang telah dirumuskan, dibentuk himpunan-himpunan fuzzy yang berkaitan tanpa mengesampingkan domainnya. [3]; (c) Membuat aturan fuzzy. Aturan pada fuzzy menunjukkan bagaimana suatu sistem beroperasi. Cara penulisan aturan secara umum adalah : If (X is A )..... (X a is A n ) Then Y is B dengan (. ) adalah operator (OR atau AND), X adalah scalar dan A adalah variabel linguistik.[2]. Hal yang perlu diperhatikan dalam membuat aturan adalah: Kelompokkan semua aturan yang memiliki solusi pada variabel yang sama; Urutkan aturan sehingga mudah dibaca; Gunakan identitas untuk memperlihatkan struktur aturan; Gunakan penamaan yang umum untuk mengidentifikasi variabel-variabel pada kelas yang berbeda; Gunakan komentar untuk mendeskripsikan tujuan dari suatu atau sekelompok aturan; Berikan spasi antar aturan; dan Tulis variabel dengan huruf-huruf besar-kecil, himpunan fuzzy dengan huruf besar dan elemen-elemen bahasa lainnya dengan huruf kecil. [2]; dan (d) Menentukan metode defuzzy untuk tiap-tiap variabel solusi. Pada tahap defuzzy akan dipilih suatu nilai dari suatu variabel solusi yang merupakan konsekuen dari daerah fuzzy. Metode yang paling sering digunakan adalah metode centroid, metode ini memiliki konsistensi yang tinggi, memiliki tinggi dan lebar total daerah fuzzy yang sensitif.[2] 5. Metode Tsukamoto Pada Metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-Then harus Tahapan Pengembangan Fuzzy Logic [5]: Penentuan Nilai Minimum Setiap Variabel Perhitungan Gap Data Tes Penentuan Bobot Penyetaraan Bobot Nilai Gap Data Tes Pengelompokan dan Perhitungan Core Factor (CF) dan Secondary Factor (SF) Pendekatan Fuzzy Logic dalam Perhitungan Nilai Gap Fuzzifikasi Pembentukan Rule Mesin Inferensi Defuzzifikasi Gambar 4. Tahapan pengembangan fuzzy logic 66

5 Elliana Gautama Penyetaraan Mahasiswa Transfer... direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot. [4] Z* ( z) ( 2z2) 2 III. HASIL DAN PEMBAHASAN Proses penyetaraan nilai dilakukan jika seorang mahasiswa lulusan D3 dari perguruan tinggi lain ingin melanjutkan ke Program S Lanjutan di Fakultas Teknologi Informasi Perbanas Institute. Untuk dapat melanjutkan di Kelas Lanjutan FTI Perbanas, lulusan D3 harus menyertakan transkrip nilai yang sudah dilegalisir dari perguruan tinggi asal. Proses penyetaraan dilakukan oleh prodi yang bersangkutan di FTI Perbanas. Nilai matakuliah yang didapat dari perguruan tinggi asal disetarakan dengan matakuliah sesuai kurikulum pada prodi yang bersangkutan. Misalnya untuk matakuliah Agama dan Etika dari Institut Teknologi Del dengan nilai A dan jumlah sks 2, disetarakan dengan matakuliah Pendidikan Agama di prodi Sistem Informasi FTI Perbanas Institute dengan jumlah sks 2 dan nilai yang sama yaitu A. Proses penyetaraan dilakukan sesuai dengan nama matakuliah yang sama atau mendekati sama, atau jika tidak ada matakuliah yang sama maka akan diambil dari matakuliah yang jumlah sks nya sesuai dan matakuliah yang satu bidang ilmu eksakta dengan eksakta dan yang non eksakta dengan non eksakta. Jika tidak ada jumlah sks yang sama dalam kelompok ilmu yang sama maka akan diambil jumlah sks yang mendekati dengan nilai terbaik. Variabel-variabel yang digunakan dalam penyetaraan nilai, diantaranya adalah kesamaan nama matakuliah dan Nilai. Pada penelitian ini akan dibahas dua metode yang digunakan, yaitu profile matching beserta perpaduannya dengan menggunakan Logika Fuzzy. A. Tahap Pertama: Penentuan Nilai Minimum Setiap Variabel Langkah pertama pada metode profile matching, adalah penentuan nilai minimum untuk setiap variabel-variabel yang digunakan dalam melakukan penilaian. Adapun nilai minimum yang digunakan untuk variabel kesamaan nama matakuliah adalah 5 dan Nilai adalah 6. Sedangkan interval nilai yang digunakan antara dengan. B. Tahap Kedua: Perhitungan Gap data tes Langkah kedua, adalah perhitungan Gap antara nilai data tes dengan nilai minimum variabel. Data Tes yang akan digunakan dalam perhitungan ini, untuk matakuliah yang akan disetarakan adalah Pendidikan Agama, sedangkan matakuliah perguruan tinggi asal ada dua sampel yaitu Agama dan Etika dan Pancasila dan Kewarganegaraan, matakuliah asal dibandingkan dengan matakuliah tujuan, jika sama persis maka nilai Kesamaan adalah, jika tidak sama akan dibandingkan lagi dengan kata kunci, jika ada yang sama dengan kata kunci maka akan diberi nilai 6, jika tidak ada yang sama satupun maka akan diberi nilai. Tabel. Data testing No. Data Kesamaan Nilai Gap antara data tes dengan nilai minimum untuk setiap variabel adalah sebagai berikut : Tabel 2. Gap C. Tahap Ketiga : Penentuan Bobot Nilai Matakuli ah Agama dan Etika 6 2 Pancasila dan Kewarganegaraan No. Data Kesamaan Agama dan Etika 2 Pancasila dan Kewarganegar aan Nilai Langkah ketiga, adalah penentuan bobot berdasarkan nilai Gap yang diperoleh hasil pengurangan dari terhadap data tes Tabel 3. Daftar bobot No. Gap Bobot Keterangan 3 Tidak ada selisih 2 3,5 Kelebihan dari nilai minimal 3-2,5 Kekurangan dari nilai minimal Kelebihan 2 poin dari Kekurangan 2 poin dari 6 3 4,5 Kelebihan 3 poin dari 7-3,5 Kekurangan 3 poin dari Kelebihan 4 poin dari 9-4 Kekurangan 4 poin dari 67

6 Kalbiscentia,Volume 3 No. 2, Agustus 26 yang digunakan. Nilai bobot yang digunakan dapat dilihat pada Tabel 3. D. Tahap Keempat : Penyetaraan bobot nilai Gap data tes Pada langkah keempat ini, nilai Gap pada Tabel 2 dikonversi ke nilai bobot yang tertera pada Tabel 3. Tabel 4. Bobot Gap E.Tahap Kelima: Pengelompokan dan perhitungan Core Factor (CF) dan Secondary Factor (SF) Pada langkah kelima, variabel-variabel yang digunakan dikelompokan menjadi dua kategori yaitu Core Factor (CF) dan Secondary Factor (SF). Dalam pengelompokan variabel-variabel ini, tidak ada aturan khusus yang harus diterapkan. Pengelompokan ini dilakukan dengan pertimbangan dari aspek pentingnya variabel terhadap kasus yang ada. Pada kasus ini, variabel yang masuk dalam katagori CF adalah Kesamaan. Sedangkan kategori SF adalah Nilai. Sehingga dapat dihitung nilai rata-rata masingmasing kategori berdasarkan nilai variabelnya. Dalam menentukan nilai akhir, kontribusi nilai CF dan SF dibedakan komposisinya. Nilai CF 68 No. Data Kesamaan Agama dan Etika 2 Pancasila dan Kewarganegar aan Nilai 3,5 5 5 NFC NC(kesamaan_nama_matakuliah) 3.5 IC 3.5 NFS N o. Data Agama dan Etika 2 Pancasi la dan Kewar ganega raan NS(nilai _ matakuliah) 5 IC 5 Tabel 5. Hasil nilai akhir Kesam aan Matak Nilai Mata kulia h CF SF Nilai Akhir uliah dianggap sebagai variabel-variabel penting, sehingga komposisi CF adalah 6% terhadap nilai akhir dan nilai SF adalah 4%. Nilai Akhir = (6% * NCF) + (4% * NSF) = (.6 * 3.5) + (.4 * 5) = = 4. Pada daftar bobot di Tabel 3 terdapat bobot dengan nilai selisih (nol) dengan nilai bobot 3. Pada kasus klasifikasi, nilai ini dijadikan sebagai nilai pemisah antara kategori sesuai dan tidak sesuai. Jika menghasilkan nilai akhir dengan lebih besar sama dengan 3, maka matakuliah tersebut dianggap sesuai dan diambil Tabel 5. untuk Hasil disetarakan Nilai Akhir ke matakuliah TIDAKSAMA x tujuan. Sedangkan, jika nilai akhir kurang dari 3, N Kesam Nilai CF SF Nilai TIDAKSAMA x maka dikategorikan tidak sesuai dan harus dicari o Data aan Mata Akhir ke matakuliah yang lain. Pada contoh di atas untuk. kulia matakuliah Agama dan Etika mempunyai hasil akhir Matak h 4. sedangkan Pancasila dan Kewarganegaraan uliah hasil akhir nya adalah 2.6 sehingga untuk penyetaraan SAMA x Agama í ke matakuliah Pendidikan Agama yang sesuai dan SAMA adalah matakuliah Agama dan Etika dengan hasil x í î x Etika akhir 4.. î 2 Pancasi F. Pendekatan la dan Fuzzy Logic dalam Perhitungan Nilai Kewar Gap ganega Berdasarkan bobot nilai Gap pada Tabel 3, dapat raan didefinisikan himpunan fuzzy. Lebih lengkapnya dapat dilihat pada Tabel 6. [y] [y] KURA KURA Tabel 6. Himpunan Fuzzy Tabel 6. Himpunan Fuzzy N Fungsi Variabel Semesta Himpunan o. Pembic Fuzzy N Fungsi Variabel Semesta araan Himpunan o. Input Kesamaan Pembic [..5] Fuzzy [TIDAK araan SAMA, Input Kesamaan [..5] [TIDAK SAMA] 2 Input Nilai [..5] SAMA, [KURANG, SAMA] Gambar 6. Fu CUKUP, 2 Input Nilai [..5] [KURANG, BAIK] Gambar 6. Fun 3 Output Kesesuaian [..5] CUKUP, [KURANG, BAIK] CUKUP, 3 Output Kesesuaian [..5] [KURANG, BAIK] CUKUP, BAIK] KURANG y Tahap ke-: Fuzzifikasi KURANG y í. Kesamaan, terdiri dari atas 2 himpunan [x] fuzzy, TIDAK yaitu SAMA TIDAK SAMA dan SAMA. î [x] TIDAK SAMA SAMA,625 CUKUP y í (y,625,375 CUKUP y í (y (4 î,375 (4 î a= x=3,5 a= x=3,5 BAIK y í y Gambar 5. Gambar Fungsi 5. Keanggotaan Fungsi keanggotaan dari variabel dari Kesamaan variabel kesamaan nama matakuliah BAIK y í Gambar 5. Fungsi Keanggotaan dari variabel Kesamaan î y î

7 Elliana Gautama Penyetaraan Mahasiswa Transfer... SAMA ; x TIDAKSAMA x í 5 x / 4 ; x 5 ; x ³ 5 î ; x TIDAKSAMA x í 5 x / 4 ; x 5 ; x ³ 5 ; î x SAMA x í x / 4 ; x 5 ; x ³ 5 î ; x SAMA Nilai xkeanggotaan í / 4 ; untuk Kesamaan x adalah: ; x ³ 5 î mtidak SAMA(3.5) = (b-x)/(b-a) = (5-3.5)/(5-) =.5/4 =.375 msama(3.5) = (x-a)/(b-a) = (3.5-)/(5-) = 2.5/4 [y] KURANG CUKUP BAIK = Nilai, terdiri dari atas 3 himpunan fuzzy, yaitu KURANG, CUKUP dan BAIK. [y] KURANG CUKUP BAIK Gambar 6. Fungsi Keanggotaan dari variabel Nilai Gambar 6. Fungsi ; keanggotaan dari y variabel nilai matakuliah KURANG y í 3 y / 3 ; y 3 ; y î ; y ³ 3 KURANG y í 3 y / 3 ; y 3 î ; y ³ 3 ; y 2 atau y ³ 4 ; atau CUKUP y í (y 2) / (3 2); 2 y 3 CUKUP (y 2) (3 2); (4 x) / (4 3); 3 y 4 î (4 x) (4 3); BAIK y í ; y 3 y 3 / 5 3 ; 3 y 5 î ; y ³ 5 Nilai Keanggotaan untuk Nilai 5 adalah: mkurang(5) = mcukup(5) = mbaik(5) = Tahap Kedua : Pembentukan Rule Dalam hal ini rule-rule yang dibentuk sesuai dengan kebijakan Program Studi dalam melakukan proses penyetaraan matakuliah. Jika terdapat 2 variabel maka rule yang dibentuk ada 2 2 yaitu sebanyak 4 rule. Adapun rule-rule tersebut adalah sebagai berikut: [R] IF Kesamaan SAMA AND Nilai BAIK THEN Kesesuaian BAIK [R2] IF Kesamaan SAMA AND Nilai KURANG THEN Kesesuaian CUKUP [R3] IF Kesamaan TIDAK SAMA AND Nilai BAIK THEN Kesesuaian CUKUP [R4] IF Kesamaan TIDAK SAMA AND Nilai KURANG THEN Kesesuaian KURANG Tahap Ketiga: Mesin Inferensi Pada metode Tsukamoto, komposisi fungsi inferensi menggunakan MIN yaitu dengan cara mengambil nilai minimum dari variabel input sebagai outputnya. Berdasarkan rule-rule yang sesuai dengan kondisi yang ada, maka diperoleh hasil sebagai berikut: [R] IF Kesamaan SAMA AND Nilai BAIK THEN Kesesuaian BAIK a - Predikat = msama Ç mbaik =min(msama(3.5)ç mbaik(5)) = min(.625; ) =.625 Dengan menggunakan himpunan pada grafik keanggotaan variabel, didapat nilai z (z -a)/(b-a) = (z )/(5-) = (z )/4 =.625 z =.625 * (4) z = = 3.5 [R2] IF Kesamaan SAMA AND Nilai KURANG THEN Kesesuaian CUKUP a - Predikat 2 = msama Ç mkurang =min(msama(3.5)ç mkurang(5)) = min(.625; ) = Dengan menggunakan himpunan pada grafik keanggotaan variabel, didapat nilai z 2 (5-z 2 )/(b-a) = (5 - z 2 )/(5-) = (5 z 2 )/4 = 5 - z 2 = * (4) z 2 = 5 - = 5 69

8 Kalbiscentia,Volume 3 No. 2, Agustus 26 [R3] IF Kesamaan TIDAK SAMA AND Nilai BAIK THEN Kesesuaian CUKUP a - Predikat 3 = mtidak SAMA Ç mbaik = min(mtidak SAMA(3.5) Ç mbaik(5)) = min(.375; ) =.375 Dengan menggunakan himpunan pada grafik keanggotaan variabel, didapat nilai z 3 (5-z 3 )/(b-a) = (5 z 3 )/(5-) = (5 z 3 )/4 = z 3 =.375 * (4) z 3 = 5.5 = 3.5 [R4] IF Kesamaan TIDAK SAMA AND Nilai KURANG THEN Kesesuaian KURANG a - Predikat 4 = mtidak SAMA Ç mkurang =min(mtidaksama(3.5)ç mkurang(5)) = min(.375; ) = Dengan menggunakan himpunan pada grafik keanggotaan variabel, didapat nilai z 4 (5-z 4 )/(b-a) = (5 z 4 )/(5-) = (5 z 4 )/4 = 5 z 4 = * (4) z 4 = 5 = 5 Tahap Keempat : Defuzzifikasi Defuzzifikasi merupakan proses penyetaraan dari fuzzy output menjadi crisp output. Pada defuzzifikasi digunakan metode rata-rata (average) untuk mendapatkan nilai crisp output. Untuk mendapatkan nilai crisp dengan metode rata-rata (average) harus ditentukan sampel yang digunakan untuk menemukan kategori klasifikasi, didapat hasil sebagai berikut: ( Pred* z) ( Pr ed2* z2) ( Pred3* z3) ( Pr ed4* z4) Z* Pred Pred2 Pred3 Pr ed4 Z* (.625*3.5) (*5) (.375*3.5) (*5) Z* Z* 3.5 Z* = 3.5 Nilai Z* yang diperoleh dari proses fuzzifikasi dapat diketahui himpunannya melalui diagram output proses fuzzy logic yang ada. Setelah proses defuzzifikasi, didapatkan hasil nilai yang dapat dikategorikan ke dalam himpunan output fuzzy logic seperti dalam tabel di bawah ini: [z] Tabel 7. Kategori Hasil Akhir Maka hasil perhitungan dari kedua variabel dengan menggunakan metode fuzzy logic ini, penyetaraan matakuliah Agama dan Etika mendapatkan predikat Sesuai dengan matakuliah Pendidikan Agama. Hasil perhitungan untuk matakuliah Pancasila dan Kewarganegaraan adalah Z * =.83, jika dilihat ke dalam tabel kategori maka matakuliah ini mendapat predikat hasil akhir Tidak Sesuai. IV. SIMPULAN KURANG CUKUP BAIK Gambar 7. Diagram hasil output proses fuzzy logic Berdasarkan hasil analisa perhitungan nilai variabelvariabel yang digunakan dalam proses penyetaraan matakuliah dapat diambil beberapa kesimpulan sebagai berikut: () Hasil akhir yang didapat dari proses klasifikasi adalah matakuliah Agama dan Etika dari perguruan tinggi asal, dapat disetarakan dengan matakuliah Pendidikan Agama dari program studi Sistem Informasi FTI Perbanas Institute; (2) Proses klasifikasi dengan menggunakan metode profile matching, memiliki hasil akhir nilai tegas; dan (3) Hasil klasifikasi dengan menggunakan metode fuzzy logic dapat mengatasi masalah nilai ketidakpastian pada saat melakukan proses penyetaraan oleh program studi. V. DAFTAR RUJUKAN 3.5 No. Z * Kategori Hasil Akhir Z < Kurang Tidak Sesuai 2 Z < 3 Kurang Tidak Sesuai 3 2 Z 4 Cukup Sesuai 4 3 Z < 5 Baik Sesuai 5 Z 5 Baik Sesuai [] Jumadi. Sistem Pendukung Keputusan untuk Menentukan Siswa Penerima Beasiswa, Jurnal Kajian 7

9 Elliana Gautama Penyetaraan Mahasiswa Transfer... Islam Sains dan Teknologi (ISTEK), Volume VI No.- 2 Edisi Juli, Fakultas Sains dan Teknologi, UIN Sunan Gunung Djati, Bandung. 22, 93 [2] S. Kusumadewi. Artificial Intelligence (Teknik dan Aplikasinya). Edisi Pertama. Penerbit Graha Ilmu, Jakarta. 23, 87 [3] T. Sutojo, E. Mulyanto dan V. Suhartono, Kecerdasan Buatan, Ed. I, Penerbit ANDI, Yogyakarta. 2, 32 [4] S. Kusumadewi & H. Purnomo. Aplikasi Logika Fuzzy Untuk Mendukung Keputusan. Graha Ilmu, Yogyakarta. 24, 26 [5] Jumadi et al. Pendekatan Logika Fuzzy untuk Perhitungan Gap pada Metode Profile Matching dalam Menentukan Kelayakan Proposal Penelitian, Prosiding Seminar Nasional Sains dan Teknologi, Bandung. 25, 75 7