SISTEM PENDUKUNG KEPUTUSAN PENENTUAN DOSEN PEMBIMBING DENGAN METODE LOGIKA FUZZY

Transkripsi

1 SISTEM PENDUKUNG KEPUTUSAN PENENTUAN DOSEN PEMBIMBING DENGAN METODE LOGIKA FUZZY Ainul Yaqin 1), Ema Utami 2), Emha Taufiq Luthfi 3) 1,2,3 Magister Teknik informatika STMIK AMIKOM Yogyakarta 1,2,3 Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta ainul.yaqin121190@gmail.com, 2 ema.u@amikom.ac.id, 3 emhataufiqluthfi@amikom.ac.id Abstrak Banyaknya dosen pembimbing di STMIK AMIKOM Yogyakarta dengan bidang komptensi dosen yang berbeda-beda serta judul skripsi mahasiswa yang bervariasi dan semakin komplek, sehingga menyebakan bagian jurusan di STMIK AMIKOM Yogyakarta mengalami kesulitan dalam menentukan dosen pembimbing yang tepat. Hal ini bertujuan untuk menciptakan bimbingan yang optimal dan hasil tugas akhir atau skripsi yang optimal. Pemilihan dosen pembimbing di STMIK AMIKOM Yogyakarta terdapat beberapa faktor yang menjadi penilaian. Penilaian ini berdasarkan bidang kompetensi dosen, ipk mahasiswa, beban bimbingan dosen, nilai skripsi mahasiswa yang telah maju sidang skripsi dan durasi mahasiswa dalam menyelesaikan skripsi serta kondisi khusus sebagai aspek pertimbangan (case khusus). Demi efisiensi dan efektifitas kerja maka pengambilan keputusan yang tepat sangat diperlukan berdasarkan kriteria-kriteria yang ada dan bobot masing-masing kriteria. Penerapan Sistem Pendukung keputusan penunjukkan dosen pembimbing di STMIK AMIKOM Yogyakarta mampu memberikan saran dan solusi dalam penunjukkan dosen pembimbing yang optimal. Tingkat keakuratan sistem pendukung keputusan di dalam penelitian ini adalah 87% dan persentase ketidak sesuaian 13%. Diharapkan sistem ini dapat memberikan saran kepada ketua jurusan dan staffnya dalam penunjukkan dosen pembimbing. Kata Kunci: Sistem Pendukung Keputusan, Penunjukkan dosen pembimbing 1. Pendahuluan Sekolah Tinggi Manajemen Informatika dan Komputer AMIKOM Yogyakarta (selanjutnya disebut STMIK AMIKOM Yogyakarta) merupakan salah satu perguruan tinggi swasta yang berkedudukan di Provinsi DIY Kabupaten Sleman di bawah naungan Yayasan AMIKOM Yogyakarta. Visi dan misi, perkembangan program studi S1 Teknik Informatika STMIK AMIKOM Yogyakarta juga dipengaruhi oleh kualitas mahasiswa lulusan program studi S1 Teknik Informatika STMIK AMIKOM Yogyakarta. sebagaimana salah satu misi program program studi S1 Teknik Informatika STMIK AMIKOM Yogyakarta unggul dalam bidang penelitian yakni Melaksanakan penelitian dalam rangka pengembangan ilmu pengetahuan secara berkelanjutan. Dalam mencetak lulusan terbaik tentunya dipengaruhi oleh pemilihan dosen pembimbing bagi mahasiswa yang menempuh skripsi sebagai penelitian syarat kelulusan dan juga menjadi salah satu bentuk pengabdian masyarakat. Permasalahan muncul pada pihak jurusan dalam menentukan dosen pembimbing karena yang dinilai adalah subjektifitas masingmasing dosen. Sehingga penilaian yang diberikan masih tidak pasti (bersifat fuzzy = kabur atau tidak jelas). Adanya ketidaktepatan dalam membuat keputusan pemilihan dosen pembimbing berdampak pada hasil keputusan yang diberikan kurang tepat. Dengan menerapkan Sistem pendukung keputusan ini membantu melakukan pemilihan dosen pembimbing dengan sistem perhitungan matematis, melakukan perubahan kriteria,dan memberi nilai bobot. Hal ini berguna untuk memudahkan pengambil keputusan yang terkait dengan masalah penentuan dosen pembimbing, sehingga akan di dapatkan dosen pembimbing yang paling sesuai dengan skripsi yang diajukan mahasiswa. Berdasarkan dari latar belakang masalah maka dapat dirumuskan masalah mengenai arsitektur sistem serta bagaimana alur kerja dari sistem pendukung keputusan untuk penentuan dosen pembimbing dengan menggunakan metode logika fuzzy (fuzzy Logic). Dalam pembuatan sistem ini, terdapat beberapa pembatasan penelitian mulai dari Penelitian ini menggunakan metode pelacakan fuzzy logic metode mamdani serta menggunakan metode pendekatan berbasis aturan(rulebase reasoning). Sistem pendukung keputusan ini bersifat prototype yang tidak terintegrasi dengan sistem sistem informasi di STMIK AMIKOM Yogyakarta dan dibangun dengan menggunakan Bahasa PHP dan Database MySql. Penelitian ini menggunakan metode penelitian action research dan ditujukan untuk mengetahui 146

2 penerapan sistem pendukung keputusan tersebut sehingga dapat menjadi pedoman bagi bagian jurusan program studi S1 Teknik Informatika STMIK AMIKOM Yogyakarta dalam menentukan dosen pembimbing bagi mahasiswa yang mengajukan skripsi. 2. Tinjauan Pustaka Perguruan Tinggi menentukan salah satu standar kelulusan mahasiswa untuk memperoleh gelar S1 adalah dalam bentuk penyusunan tugas akhir atau skripsi. Sebagai bagian dari proses penulisan skripsi, peran dosen sebagai pembimbing skripsi menjadi sangat penting karena merupakan tanggung jawab dosen untuk memastikan bahwa mahasiswa mampu menyusun skripsi dengan baik hingga skripsi siap diujikan dan berkualitas [Rini 2012]. Dalam buku (Kusrini,2007), terdapat definisi sistem pendukung keputusan menurut Alter ialah DSS merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan, dan pemanipulasian data. Sistem itu digunakan untuk membantu pengambilan keputusan dalam situasi yang semiterstruktur dan situasi yang tidak terstruktur, dimana tak seorangpun tahu secara pasti bagaimana keputusan seharusnya dibuat[kusrini]. Sistem pendukung keputusan bisa terdiri dari beberapa subsistem, yaitu [Kusrini] 1. Subsistem manajemen data 2. Subsistem manajemen model 3. Subsistem antarmuka pengguna 4. Subsistem manajemen berbasis-pengetahuan Arsitektur dari sistem pendukung keputusan ditunjukkan dalam gambar 1 [Kusrini]: Data eksternal & internal Manajemen data Basis pengetahuan organisasional Sistem lainnya yang berbasis komputer Manajemen model Subsistem berbasis pengetahuan Antarmuka pengguna Manajer (pengguna) Internet, intranet, ekstranet Model eksternal Gambar 1. Arsitektur Sistem Pendukung Keputusan logika fuzzy berkaitan dengan ketidakpastian. Teknik ini, yang menggunakan teori matematika fuzzy set [zadeh], mensimulasikan proses penalaran manusia normal dengan memungkinkan komputer untuk berperilaku kurang tepat dan logis daripada yang dilakukan komputer konvensional. Pemikiran di balik pendekatan ini adalah pengambilan keputusan tidak sekadar persoalan hitam dan putih atau benar dan salah, namun kerapkali melibatkan area abu-abu, dan hal itu dimungkinkan. Ada beberapa hal yang perlu diketahui dalam memahami suatu sistem fuzzy, yaitu [Kusuma dewi] a. Variabel fuzzy Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh : umur, temperatur, permintaan, dsb. b. Himpunan fuzzy Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Contoh : 1. Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu : MUDA, PAROBAYA, TUA. 2. Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu : DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS. Seperti pada gambar 2 : Gambar 2. Himpunan Fuzzy c. Semesta Pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan umtuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya. Contoh : 1. Semesta pembicaraan untuk variabel umur: [0 ] 2. Semesta pembicaraan untuk variabel temperatur: [0 40] d. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif. Contoh domain himpunan fuzzy : 1. MUDA : [0 45] 2. PAROBAYA : [33 45] 3. TUA : [45 ] 147

3 e. Proses Infrensi Fuzzy Proses inferensi sistem pakar fuzzy terbagi atas empat proses yaitu: Fuzzyfikasi, Inferensi, Komposisi, dan Defuzzyfikasi.Proses inferensi fuzzy, ditunjukkan pada gambar 3 [Sherly]: Gambar 3. Tahapan Proses dalam Logika Fuzzy Metode MAMDANI sering dikenal sebagai metode Max-Min, yang diperkenalkan oleh ebrahim MAMDANI di tahun Untuk memperoleh output, diperlukan 4 tahapan [Kusumadewi]. a. Pembentukan himpunan fuzzy b. Aplikasi fungsi implikasi c. Komposisi aturan Pada metode MAX solusi himpunan diperoleh dari nilai maximum aturan, kemudian menggunakan untuk memodifikasi daerah fuzzy, dan mengaplikasikannya ke output dengan menggunakan operator OR (union). Secara umum dapat dituliskan : (1) Keterangan: 1. = nilai keanggotaan solusi fuzzy sampai aturan ke-i. 2. = nilai keanggotaan konsekuen fuzzy sampai aturan ke-i. d. Penegasan (defuzzy) Ada beberapa metode defuzzifikasi pada komposisi aturan MAMDANI, antara lain : Metode centroid, metode bisector, metode mean of maximum (MOM), Metode Largest of maximum (LOM). Rumus defuzzifikasi yang digunakan dalam penelitian ini adalah adalah : Keterangan: 1. = nilai keanggotaan min dari aturan ke = nilai maximum himpunan dari fungsi implikasi aturan ke = nilai keanggotaan min dari aturan ke n 4. = nilai maximum himpunan dari fungsi implikasi aturan ke n Pengetahuan direpresentasikan dengan menggunakan aturan berbentuk: IF THEN. Bentuk ini digunakan apabila kita memiliki (2) sejumlah pengetahuan pakar pada suatu permasalahan tertentu, dan si pakar dapat menyelesaikan masalah tersebut secara berurutan [Kusumadewi, 2003]. 3. Metode Penelitian Dalam penelitian, peneliti melakukan identifikasi sistem dengan mempertimbangkan variable-variabel pendukung penerapan hasil keputusan dengan cara melakukan wawancara kepada ketua jurusan sebagai user knowledgement. Hal ini merupakan tahapan yang penting karena model yang dibuat harus akurat dan dapat dipertanggungjawabkan. Kemudian hasil wawancara dengan pakar dijadikan data yang selanjutnya diolah dengan menggunakan model logika fuzzy untuk mendapatkan hasil berupa langkah-langkah strategis yang harus dilakukan pada penerapan hasil keputusan. Alur kerja Penentuan Dosen Pembimbing dapat dilihat pada Gambar 4 Gambar 4. Alur kerja penentuan dosen pembimbing Rule pengetahuan sebanyak 324 adalah rulebased reasoning yang diperoleh dari hasil permutasi sub variabel input yang ditunjukkan pada bagian tabel 1 dibagian lampiran. 4. Hasil dan Pembahasan Dalam penelitian sistem pendukung keputusan penentuan dosen pembimbing mendasarkan pada teknik peluang dan memperhitungkan ketidakmenentuan. Model yang dalam penelitian sistem pendukung keputusan ini menggunakan logika fuzzy metode mamdani. Alur dalam sistem pendukung keputusan penentuan dosen pembimbing menggunakan logika fuzzy adalah sebagai berikut : 1. Penentuan variabel yang menjadi inputan dalam logika fuzzy : a. Bidang keahlian dosen : nilai inputan untuk bidang keahlian dosen diperoleh dari rata-rata nilai pengusaan masing-masing dosen terhadap tematik yang terkait dengan skripsi 148

4 yang diajukan ditambah dengan rasio lulus mahasiswa yg dibimbing. b. Ipk mahasiswa yang sedang dibimbing : nilai yang diperoleh dari inputan data-data mahasiswa yang sedang mengajukan skripsi. c. Beban bimbingan dosen : nilai inputan yang diperoleh dari jumlah mahasiswa yang sedang dibimbing masing-masing dosen. d. rata-rata durasi waktu mahasiswa menyelesaikan skripsi : nilai inputan untuk rata-rata durasi waktu mahasiswa adalah ratarata dari durasi mahasiswa menyelesaikan skripsi yang pernah di bimbing masing masing dosen. e. Nilai rata-rata skripsi mahasiswa yang dibimbing : nilai inputan untuk nilai rata-rata skripsi diperoleh dari rata-rata nilai skripsi mahasiswa masing-masing dosen yang telah lulus sidang skripsi. 2. Penentuan varibel yang menjadi output dalam logika fuzzy : Indek kesesuain dosen sebagai pembimbing. 3. Penentuan domain semesta masing-masing variabel a. bidang keahlian dosen [0 100] b. Ipk mahasiswa [0 4] c. Beban bimbingan dosen [0 25] d. rata-rata durasi waktu mahasiswa menyelesaikan skripsi [0 6] e. Nilai rata-rata skripsi mahasiswa yang dibimbing [0 4] f. Indek kesesuai dosen [0 100] 4. Penentuan himpunan dan domain masingmasing variabel a. Bidang Keahlian Dosen (BKD) Gambar 7. Kurva Beban Bimbingan Dosen d. durasi waktu mahasiswa menyelesaikan skripsi (durasi) Gambar 8. Kurva Durasi Bimbingan e. Nilai rata-rata skripsi mahasiswa yang dibimbing(nil_skripsi) Gambar 9. Kurva Nilai Skripsi f. Indek Kesesuai Dosen (IKD) Gambar 5. Kurva Bidang Keahlian Dosen. b. Indeks Prestasi Komulatif mahasiswa (IPK) Gambar 10. Kurva Indek kesesuai dosen 5. Menentukan nilai keanggotan (µ himpunan_variabel [nilai]) a. Bidang Keahlian Dosen (BKD) Gambar 6. Kurva IPK Mahasiswa c. Beban Bimbingan Dosen (BBD) 149

5 6. Menentukan aturan kaidah produksi(rule based reasoning) Contoh aturan kaidah produksi dalam sistem pendukung keputusan penentuan dosen pembimbing dilampirkan pada lampiran. 7. Melakukan defuzzyfikasi untuk menentukan peluang menggunakan rumus (2) diatas. Dalam paper ini terdapat percobaan kerja sistem, penulis membuat sistem seperti tampilan dibawah ini. Gambar 11. Form Tambah data skripsi Gambar 12. Form Penunjukkan dosen Gambar 13. hasil rekomendasi penunjukkan Penambahan data skripsi menggunakan form tambah data skripsi yang ditunjukkan pada gambar 11 dan untuk penunjukkan dosen menggunakan form penunjukkan dosen yang ditunjukkan gambar 12 serta hasil rekomendasi seperti gambar 13. Pengujian yang dilakukan dalam penelitian sistem pendukung keputusan penunjukan dosen pembimbing ini menggunakan sekenario pengujian data histori penunjukkan dosen pembimbing dibandingkan dengan penunjukkan berdasarkan sistem pendukung keputusan penunjukkan dosen pembimbing. Skenario 150

6 pengujian ditunjukkan dalam diagram berdasarkan gambar 14 berikut: Gambar 14. Skenario Pengujian Pengujian ini dilakukan pada 30 data sampel histori yang dipilih secara random dari 2163 data. Rencana data yang akan diuji ditunjukkan pada tabel 2 di bagian lampiran serta hasil pengujian tingkat kesesuaian penunjukkan dosen dengan manual dengan nilai B dan durasi penyelesaian<=2 semester dan berdasarkan SPK dengan indeks kesesuain penunjukkan dosen dengan SPK>=40 dan perigkat di SPK>=5 ditunjukkan pada tabel 3 dibagian lampiran. Dari hasil pengujian diperoleh hasil kesesuaian penunjukkan dosen secara manual dan berdasarkan hasil penunjukkan Sistem Pendukung keputusan penunjukkan dosen pembimbing. Hasil Kesesuaian ditunjukkan pada diagram pie kesesuaian penunjukkan dosen pembimbing pada gambar 15: Gambar 16. Diagram Kesesuaian Penunjukkan Dosen Pembimbing Untuk Lebih mendetail hasil pengujian kesesuaian dihitung berdasar penunjukkan optimal secara manual dan sistem pendukung keputusan penunjukkan dosen pembimbing. Hasil Penunjukkan optimal ditunjukkan pada diagram yang digambarkan pada gambar 17: 5. Kesimpulan dan Saran Berdasarkan hasil pengujian dari kasus sampel uji yang telah dilakukan didapat kesimpulan bahwa hasil penunjukkan sistem pendukung keputusan menunjukkan angka kesesuaian 87% sesuai dengan penunjukkan manual. Hasil pengujian ini baru secara persentase statistik biasa dari data histori, dan mungkin saja ini kurang akurat. Sistem pendukung keputusan penunjukkan dosen agar lebih optimal, dibutuhkan tambahan kecerdasan dalam pengolahan aturan rule base secara otomatis berdasar histori penunjukkan. Penulis juga menyarankan bahwa peranan ketua jurusan dalam penunjukkan dosen dibutuhkan karena sistem hanya member hasil rekomendasi. Penulis juga memberikan saran untuk penelitian berikutnya, sistem pendukung keputusan ini dapat dikembangkan dengan membuat penelitan tematik terkait skripsi bisa diinputkan secara otomatis atau rule base reasoning yang digunakan secara otomatis terbentuk pola dengan dengan melihat histori penunjukkan dosen bimbingan. Daftar Pustaka [1]. Hariyati Rini Maryuni, Survey Kinerja Dosen Pembimbing Skripsi Dan Kualitas Skripsi Mahasiswa Akuntansi Stie Malangkucecwara, Jurnal Dinamika Akuntansi Vol. 4, No.2 (2012). [2]. Jayanti Sherly, Hartati Sri, 2012, Sistem Pendukung Keputusan Seleksi Anggota Paduan Suara Dewasa Menggunakan Metode Fuzzy MAMDANI, Jurnal IJCCS, Volume 6 no 1 [3]. Kusrini, 2007, Konsep dan Aplikasi Sistem Pendukung Keputusan, Yogyakarta, Penerbit Andi. [4]. Kusumadewi, S., Artificial Intelligence. Graha Ilmu, Edisi Pertama, Yogyakarta, [5]. Kusumadewi, S, Purnomo H., Aplikasi Logika Fuzzy untuk pendukung keputusan. Graha Ilmu, Edisi Kedua, Yogyakarta, 2010 [6]. Lotfi A Zadeh, 1968, Fuzzy Algorithm, Information and Control 12 (2), Gambar 17. Diagram Kesesuaian Penunjukkan Dosen Pembimbing 151

7 Lampiran Tabel 1. Rulebase reasoning no aturan 1 if then 17 2 if then 18 3 if then 18 4 if then 17 5 if then 18 6 if then 18 7 if then 17 8 if then 17 9 if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then

8 no aturan 49 if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then

9 no aturan 100 if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then

10 no aturan 151 if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then

11 no aturan 202 if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then

12 no aturan 253 if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then

13 no aturan 304 if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then if then 17 Keterang dari tabel 1 : Tabel 2. Data Pengujian 1 = BKD rendah 2 = BKD menengah 3 = BKD tinggi 4 = IPK Mahasiswa cukup 5 = IPK Mahasiswa memuaskan 6 = IPK Mahasiswa sangat memuaskan 7 = IPK Mahasiswa dengan Pujian 8 = BBD cukup 9 = BBD sedang 10 = BBD bayak 11 = Durasi cepat 12 = Durasi menengah 13 = Durasi lama 14 = Nilai Skripsi cukup 15 = Nilai Skripsi baik 16 = Nilai Skripsi sangat baik 17 = Indeks Kesesuaian rendah 18 = Indeks Kesesuaian tinggi. = and 158

14 Tabel 3. Hasil Pengujian 159