IMPLEMENTASI LOGIKA FUZZY UNTUK PENENTUAN PEMINATAN DENGAN MENGGUNAKAN METODE SUGENO PADA SMA N 1 PEMALI

Transkripsi

1 IMPLEMENTASI LOGIKA FUZZY UNTUK PENENTUAN PEMINATAN DENGAN MENGGUNAKAN METODE SUGENO PADA SMA N 1 PEMALI Aryansah Teknik Informatika STMIK ATMA LUHUR PANGKALPINANG Jl. Jend. Sudirman, Selindung Lama, Pangkalpinang, Kepulauan Babel aryaaryansah@ymail.com Abstract Penentuan peminatan pada siswa SMA selalu menjadi masalah sering terjadi kesalahan dalammenentukan peminatan. Dimana data yang diolah sangat banyak dengan waktu yang sedikit. Dengan ini penulis memberikan solusi berupa Implementasi logika fuzzy ini adalah sebuah sistem yang di buat untuk menentukan peminatan pada SMA di kelas X. Sistem ini dibuatkan fuzzy inferensi sistem (FIS) dengan Metode Sugeno (Height metthod) dan memiliki kombinasi rule sebanyak 288. Tahapan FIS diantaranya adalah menghitung nilai variabel-variabel, konversikan variabel tersebut ke bentuk derajat keanggotaan pada himpunan fuzzy, gunakan fungsi Min untuk mengetahui nilai α-predikat, dan gunakan fungsi Max untuk menetapkan α-predikat terbesar rule maka didapatlah peminatan. Sistem ini juga dilengkapi dengan mencetak laporan hasil peminatan dengan adanya ini maka lebih efektif dan efesien dalam hal pengerjaanya. Selain itu sangat mudah dipahami dan dimengerti serta memiliki tampilan yang disesuaikan. Sistem yang dibuat menggunakan bahasa pemograman visual basic.net dan Microsoft Acces 2007 sebagai database. Kata Kunci : fuzzy inferensi system, metode sugeno (Height metthod), peminatan 1. Pendahuluan 1.1 Latar Belakang Saat ini zaman serba canggih, komputer telah menjadi sebuah kebutuhan bagi manusia. Tidak seperti dahulu kala ketika komputer masih merupakan barang mewah dan harganya pun susah terjangkau; hanya kalangan ekonomi yang tinggi saja yang bisa memilikinya. Saat ini, komputer sudah menjadi kebutuhan pokok manusia dalam segala bidang (pendidikan, perkantoran, militer, pertanian, BUMN, swasta, dan lain-lain). Hal itu dikarenakan komputer bisa melakukan segalanya dengan cepat, tepat, efesien dan efektif, mulai dari suatu persoalan yang paling mudah hingga persoalan yang sangat sulit dipecahkan oleh manusia. Salah satu penerapan komputer di kehidupan sehari-hari adalah penerapan logika fuzzy dalam suatu aplikasi. Dengan aplikasi ini, diharapkan komputer dapat membantu manusia dalam pengolahan data dengan menggunakan metode tertentu. Logika fuzzy dapat digunakan dalam berbagai bidang, seperti sistem kontrol frekuensi putaran kipas angin, sistem penunjang keputusan produksi barang, atau basis data untuk rekomendasi penerimaan beasiswa. (Sutojo dkk., 2011). SMAN1 Pemali sudah termasuk salah satu sekolah dalam penerapan Kurikulum Hal yang menarik perhatian penulis pada Kurikulum 2013 ini adalah peminatan siswa. Peminatan dapat dipilih oleh siswa baru sesuai dengan bakat yang dimiliki oleh setiap siswa/i itu sendiri. Tentu saja terdapat syarat-syarat dan ketentuan yang harus dimiliki oleh siswa/i agar kelompok peminatan sesuai dengan minat dan keinginannya. Akan tetapi, SMAN 1 Pemali ini, sudah menggunakan cara terkomputerisasi, namun dalam hal pengolahan data belum terotomatisisasi dalam hal 1

2 penentuan peminatan siswa, sehingga masih banyak terdapat perbedaan pendapat antara pihak sekolah dan siswa yang bersangkutan. Dikarenakan terdapat sangat banyak data yang diolah, sehingga menjadi tidak efisien jika harus dilakukan berulang-ulang dalam pengolahan data untuk mendapat suatu kesimpulan. Selain itu, karena kurikulum ini adalah kurikulum yang tergolong baru, maka sekolah ini masih belum siap untuk menerapkanya. Oleh karena itu, dalam penelitian kali ini, penulis akan mengusulkan solusi aplikasi peminatan siswa berbasis komputer dengan menggunakan logika fuzzy menggunakan metode Sugeno sehingga panitia penerimaan siswa baru hanya cukup mengentri data-data yang dibutuhkan dan komputer akan mengelolah data yang dientrikan dan komputer akan mengelolahnya hingga dicapai suatu kesimpulan peminatan siswa yang di harapkan dan sesuai dengan minat. 1.2 Rumusan Masalah Dari latar belakang tersebut, yang telah di paparkan, dapat dirumuskan suatu permaslahan,yaitu pengimplementasian logika fuzzy peminatan siswa SMAN 1 Pemali dengan yang menggunakan metode Sugeno, agar peminatan sesuai minat dan harapan siswa bersangkutan. 1.3 Batasan Masalah Dalam penelitian ini, penulis merasakan perlunya membatasi permasalahan. Adapun batasan-batasan masalahannya adalah sebagai berikut. a. Metode Logika fuzzy peminatan yang di gunakan adalah metode Sugeno (Height metthod) b. Data yang digunakan adalah nilai hasil SKHUN raport SMP, dan Rekomendasi Guru BK SMP. c. Kelompok peminatan dalam aplikasi ini mencakup Matematika dan Ilmu Alam (MIA), dan Ilmu-Ilmu Sosial (IIS). 1.4 Metode Penelitian a. Wawancra b. Studi Pustaka c. Tahap rakayasa sistem dengan menggunakan model waterfall. 1) Plening 2) Analisa 3) Desain 4) Implementasi 1.5 Tujuan Penulisan Tujuan yang hendak penulis capai dalam penulisan skripsi ini adalah membuat aplikasi untuk menerapkan logika fuzzy dalam pemecahan masalah peminatan siswa SMAN 1 Pemali 2. Landasan Teori 2.1 Pengertian Kurikulum Undang-Undang Nomor 20 Tahun 2003 tentang Sistem Pendidikan Nasional menyebutkan bahwa kurikulum adalah seperangkat rencana dan pengaturan mengenai tujuan, isi, dan bahan pelajaran serta cara yang digunakan sebagai pedoman penyelenggaraan kegiatan pembelajaran untuk mencapai tujuan pendidikan tertentu. Berdasarkan pengertian tersebut, ada dua dimensi kurikulum: a. Rencana dan pengaturan mengenai tujuan, isi dan bahan pelajaran; dan b. Cara yang digunakan untuk kegiatan pembelajaran. Kurikulum 2013 yang diberlakukan mulai tahun ajaran 2013/2014 memenuhi kedua dimensi tersebut (Nuh, 2013) 2.2 Kelompok Peminatan Kurikulum Sekolah Menengah Atas (SMA) dirancang untuk memberikan kesempatan kepada peserta didik belajar berdasarkan minat. Struktur kurikulum memperkenankan peserta didik 2

3 melakukan pilihan dalam bentuk pilihan Kelompok Peminatan dan pilihan mata pelajaran antar Kelompok Peminatan. Kelompok Peminatan yang dapat dipilih peserta didik terdiri atas kelompok Matematika dan Ilmu Alam (MIA) dan Ilmu-Ilmu Sosial (IIS). Sejak mendaftar ke SMA, saat kelas X, peserta didik sudah harus memilih kelompok peminatan yang akan dimasuki. Pemilihan kelompok peminatan didasarkan atas nilai rapor SMP/MTs, nilai ujian nasional SMP/MTs, rekomendasi guru bimbingan dan konseling di SMP, hasil tes penempatan (placement test) ketika mendaftar di SMA, dan tes bakat minat oleh psikolog. Pada semester kedua di kelas X, seorang peserta didik masih mungkin mengubah Kelompok Peminatan berdasarkan hasil pembelajaran di semester pertama dan rekomendasi guru bimbingan dan konseling (Nuh, 2013). 2.3 Kecerdasan Buatan Kecerdasan buatan berasal dari bahasa Inggris Artificial Intelligence atau disingkat AI. Secara harfiah, intelligence adalah kata sifat yang berarti cerdas, sedangkan artificial berarti buatan. Kecerdasan buatan yang dimaksud merujuk pada mesin yang mampu berpikir, menimbang tindakan yang akan diambil, dan mampu mengambil keputusan seperti yang dilakukan oleh manusia (Sutojo dkk., 2011). Kecerdasan buatan merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia. Pada awal diciptakannya, komputer hanya difungsikan sebagai alat hitung saja. Akan tetapi, seiring dengan perkembangan zaman, peran komputer semakin mendominasi kehidupan umat manusia. Komputer tidak lagi hanya digunakan sebagai alat hitung, melainkan komputer juga diharapkan untuk mengerjakan segala sesuatu yang bisa dikerjakan oleh manusia (Sri K., 2003). 2.4 Soft computing adalah koleksi dari beberapa metodologi yang bertujuan untuk mengeksploitasi adanya toleransi terhadap ketidaktepatan, ketidakpastian, dan kebenaran parsial untuk dapat diselesaikan dengan mudah, robustness, dan biaya penyelesaiannya murah. Definisi ini pertama kali diungkapkan oleh Prof. Lotfi A. Zadeh pada tahun Soft computing merupakan inovasi baru dalam membangun sistem cerdas. Sistem cerdas ini merupakan sistem yang memiliki keahlian seperti manusia pada domain tertentu, mampu beradaptasi dan belajar agar dapat bekerja lebih baik jika terjadi perubahan lingkungan. Terdapat empat unsur pokok dalam soft computing, yaitu Sistem Fuzzy (mengakomodasi ketidaktepatan), Jaringan Syaraf (menggunakan pembelajaran), Probabilistic Reasoning (mengakomodasi ketidakpastian), dan Evolutionary Computing (optimasi). Keempat unsur tersebut bukan merupakan pesaing antara satu dengan lainnya, namun diantaranya bisa saling melengkapi. Bahkan, pada kenyataannya, biasanya unsur-unsur tersebut akan digunakan secara sinergis ketimbang dikerjakan secara sendiri-sendiri sehingga Zadeh juga mendefinisikan bahwa soft computing itu merupakan hubungan antara logika fuzzy, neurocomputing, probabilistic reasoning, dan algoritma genetik. 2.5 Logika fuzzy adalah suatu proses pengambilan keputusan berbasis aturan yang bertujuan untuk memecahkan masalah, dimana sistem tersebut sulit untuk dimodelkan atau terdapat ambiguitas dan ketidakjelasan yang berlimpah. Logika fuzzy ditentukan oleh persamaan logika, bukan dari persamaan diferensial kompleks dan berasal dari pemikiran yang mengidentifikasi serta mengambil 3

4 keuntungan dari grayness antara dua nilai ekstrem (Fahmizal, 2011). Bila dibandingkan dengan logika konvensional, kelebihan logika fuzzy adalah kemampuannya dalam proses penalaran secara bahasa sehingga dalam perancangannya tidak memerlukan persamaan matematika yang rumit. Beberapa alasan yang dapat diutarakan mengenai sebab kita menggunakan logika fuzzy antara lain adalah mudah dimengerti, memiliki toleransi terhadap data-data yang tidak tepat, mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks, dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan, dapat bekerja sama dengan teknik-teknik kendali secara konvensional, dan didasarkan pada bahasa alami (Sutojo dkk., 2011) Dasar-Dasar Logika Fuzzy Untuk memahami logika fuzzy, perlu diperhatikan dahulu tentang konsep himpunan fuzzy. Himpunanfuzzy memiliki dua atribut: a. Linguistik, yaitu nama suatu kelompok yang mewakili suatu keadaan tertentu dengan meggunakan bahasa alami, misalnya DINGIN, SEJUK, dan PANAS mewakili variabel temperatur. b. Numeris, yaitu suatu nilai yang menunjukkan ukuran dari suatu variabel, misalnya 10, 35, 40, dan sebagainya. Di samping itu, ada beberapa hal yang harus dipahami dalam memahami logika fuzzy: a. Variabel fuzzy, yaitu variabel yang akan dibahas dalam suatu sistem fuzzy. b. Himpunan fuzzy, yaitu suatu kelompok yang mewakili suatu keadaan tertentu dalam suatu variabel fuzzy. c. Semesta pembicaraan, yaitu seluruh nilai yang diizinkan untuk dioperasikan dalam suatu variabel fuzzy. d. Domain himpunan fuzzy, yaitu seluruh nilai yang diizinkan dalam semesta pembicaraan dan boleh dioperasikan dalam himpunan fuzzy (Sutojo dkk., 2011) Fungsi Keanggotaan Fungsi keanggotaan adalah grafik yang mewakili besar dari derajat keanggotaan masing-masing variabel input yang berada dalam interval antara 0 dan 1. Derajat keanggotaan sebuah variabel x dilambangkan dengan simbol μ(x). Rule-rule menggunakan nilai keanggotaan sebagai faktor bobot untuk menentukan pengaruhnya pada saat melakukan inferensi untuk menarik kesimpulan. Terdapat beberapa fungsi keanggotaan yang sering digunakan. Jenis-jenis fungsi keanggotaan tersebut adalah sebagai berikut (Sutojo dkk., 2011). 2.6 Grafik Keanggotaan Kurva Linear Pada grafik keanggotaan linear, sebuah variabel input dipetakan ke derajat keanggotaannya dengan digambarkan sebagai suatu garis lurus. Ada dua macam grafik keanggotaan linear: a. Grafik keanggotaan kurva linear naik, yaitu kenaikan himpunan fuzzy dimulai pada nilai domain yang memiliki derajat keanggotaan nol bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi. Fungsi keanggotaannya adalah μ(x) 0 ; x a x a (2.1) = { ; a x b b a 1; x b 4

5 Gambar 2.1 Grafik Keanggotaan Kurva Linear Naik b. Grafik keanggotaan kurva linear turun, yaitu himpunan fuzzy dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah. Fungsi keanggotaannya adalah μ(x) b x = { ; a x b b a 0; x b Gambar 2.2 Grafik Keanggotaan Kurva Linear Turun (2.2) c. Grafik keanggotaan kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan sama dengan satu. Fungsi keanggotaannya adalah μ(x) 0; x a atau x d x a ; a x b b a = 1; b x c d x { ; c x d d c (2.4 ) Gambar 2.4 Grafik Keanggotaan Kurva Trapesium 2.6 Metode Inferensi Logika Fuzzy Menurut T. Sutojo dkk. (2011), metode inferensi logika fuzzy dikelompokkan menjadi dua kelompok: a. Metode langsung, terdiri atas 1) Metode Tsukamoto; 2) Metode Mamdani; dan 3) Metode Sugeno. b. Metode tidak langsung. Dalam penelitian kali ini, penulis menggunakan metode Sugeno. Tahap-tahap inferensi dengan menggunakan metode ini adalah sebagai berikut. 1) Fuzzifikasi. 2) Pembentukan basis pengetahuan fuzzy (rule dalam bentuk IF-THEN). 3) Mesin inferensi Tahap ini menggunakan fungsi implikasi Min untuk mendapatkan nilai α-predikat tiap-tiap rule (α 1, α 2, α 3,, α n). Kemudian masing-masing nilai α-predikat ini digunakan untuk menghitung keluaran hasil inferensi secara tegas (crisp) masingmasing rule (z 1, z 2, z 3,, z n). c. Defuzzifikasi Menurut Lahmudin I. Panigoro (2012), terdapat berbagai cara untuk melakukan proses defuzzifikasi dengan metode ini, antara lain height method dan weight average. Jika dipilih cara height method, maka defuzzifikasi diakukan dengan cara memilih nilai predikat terbesar dari seluruh rule 5

6 yang disediakan. Sementara itu, jika menggunakan weight average, maka terlebih dahulu nilai outputnya (α) ditentukan, setelah itu gunakan rumus berikut untuk menentukan nilai tegasnya. rule, dan Terakhir, gunakan fungsi Max untuk menetapkan α-predikat terbesar dari tiap-tiap rule. 4.2 Tampilan Sisten z = α iz i α i (2.14) 3. Metode Penelitian 3.1 Teknik Pengumpulan Data a. Wawancara. b. Studi pustaka c. Tahap Rekayasa Sistem dengan menggunakan metode Waterfall dalam tahapan (PADI). Gambar 4.1 Tampilan Menu Awal 3.2 Use Case Diagram 4.3 Hasil Uji Coba Sistem Entri data siswa Entri Kelompok Peminatan siswa «extends» Ubah Kelompok Peminatan Siswa User Cetak Laporan Peminatan Gambar 3.1 Use Case Diagram Gambar 6.1 Hasil Uji Coba Sistem 4. Hasil dan Pembahasan 4.1 Untuk memperoleh kelompok peminatan, pertama-tama tentukan terlebih dahulu nilainilai dari variabel peminatan (NMIA dan NIIS). Sedangkan untuk nilai (RMIA, RIIS, SMTK, SIPA, dan SIPS) nilai ini adalah nilai tunggal, artinya tanpa harus mencari ratarata nilai tersebut, Setelah itu, konversikan tiap-tiap variabel tersebut ke dalam bentuk derajat keanggotaan, gunakan fungsi Min untuk mengetahui nilai α-predikat tiap-tiap Gambar 6.2 Hasil Uji Coba Sistem 6

7 Gambar 7.1 Hasil Uji Coba Sistem 4.4 Kelebihan dan Kekurangan Program Kelebihan a. Sangat mudah digunakan. b. Menghasilkan suatu kesimpulan yang sangat cepat dan akurat. c. Efektif dan efisien dalam pengolahan data dan pengambilan keputusa peminatan. d. Sistem yang fleksibel dan mudah dipahami Kekurangan a. Terlalu banyak nilai yang harus diinput untuk menentukan kelompok peminatan. b. Menggunakan database yang belum tentu bisa dikoneksikan pada setiap komputer atau laptop. 4.5 Kesimpulan dan Saran Kesimpulan Kesimpulan yang dapat diambil adalah sebagai berikut. a. Logika fuzzy olah data peminatan dengan memanfaatkan logika fuzzy dapat digunakan sebagai pendukung keputusan kelompok peminatan siswa SMAN 1 Pemali. b. Penerapan model Sugeno (height method) dalam penentuan kelompok peminatan dapat memberikan rekomendasi peminatan dengan lebih cepat dan tepat sesuai dengan minat yang dimiliki siswa bersangkutan. c. Data yang diolah hanya satu kali pengentrian dan menghasilkan suatu keputusan dan kesimpulan bagi setiap siswa, peminatan mana yang didapat oleh setiap siswa. d. Dilengkapi hasil laporan ke masing-masing siswa, agar orang tua siswa mengetahui anaknya masuk kepeminatan mana Saran Saran-saran yang dapat penulis berikan untuk penelitian selanjutnya adalah sebagai berikut. a. Menggunakan database yang lebih aman dan cepat untuk menyimpan data siswa. b. Mencoba untuk mengunakan bahasa pemrograman lainnya sehingga sistem dapat dijalankan lintas platform. c. Mencoba untuk menggunakan metode inferensi logika fuzzy lainnya dan membandingkan hasilnya. d. Menambah jumlah variabel input, agar hasil ketelitian peminatan lebih baik dan lebih teliti. e. Mencoba menggunakan metode Tsukamoto dan Mamdani, untuk membandingkan hasilnya. Daftar Pustaka [1] Darmayuda, Ketut Pemrograman Aplikasi Database Dengan Microsoft Visual Basic.NET 2008 Disertai Studi Kasus. Bandung: Informatika. [2] Fahmizal Fuzzy Logic and Fuzzy Logic Sun Tracking Control m/2011/02/25/paper-fuzzy-logic-andfuzzy-logic-sun-tracking-control, diakses tanggal 12 November [3] Kusumadewi, Sri Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu. [4] Merlina, Nita dan Rahmat Hidayat Perancangan Sistem Pakar. Bogor: Ghalia Indonesia. [5] Munir, Rinaldi Matematika Diskrit Revisi Kelima. Bandung: Informatika. [6] Nuh, Mohammad Peraturan Menteri Pendidikan dan Kebudayaan Nomor 69 Tahun 2013 Tentang Kerangka Dasar dan Struktur Kurikulum Sekolah Menengah Atas/Madrasah Aliyah. Jakarta: Kementerian Pendidikan dan Kebudayaan, 7

8 [7] Panigoro, Lahmudin I Logika Fuzzy Untuk Penentuan Jurusan di SMA. Skripsi. Fakultas Teknik, Universitas Negeri Gorontalo. [8] Sutojo, T. dkk Kecerdasan Buatan. Yogyakarta: Penerbit Andi. [9] Wikipedia Microsoft Access ess, diakses tanggal 13 November [10] Perangkatkeras as, diakses tanggal 7 Januari [11] Visual Basic.NET NET, diakses tanggal 13 November [12] Visual Basic.NET testing, diakses tanggal 06 Mei