JUTIS Jurnal Teknik Informatika Universitas Islam Syekh Yusuf ISSN

Transkripsi

1 SISTEM PENDUKUNG KEPUTUSAN (SPK) PENILAIAN MASUK PADA FAKULTAS TEKNIK MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) : STUDI KASUS FAKULTAS TEKNIK UNIVESITAS ISLAM SYEKH-YUSUF TANGERANG Syahriani Syam 1, Nazori 2 1 Teknik Informatika, Universitas Islam Syekh Yusuf Tangerang 1 Jalan Maulana Yusuf Babakan Tangerang 2 Jl. Ciledug Raya, Pertukangan Utara, Jakarta Selatan, 12260, Indonesia 1 : makz_riani@yahoo.com, 2 : nazori.agani@gmail.com ABSTRAK Setiap tahun, setiap siswa SMU yang berencana melanjutkan jenjang pendidikannya ke perguruan tinggi harus memutuskan pilihan, ke bidang atau jurusan apa akan melanjutkan pendidikannya kelak. Dan ini adalah sesuatu yang cukup sulit untuk diputuskan oleh kebanyakan siswa SMU, terutama yang tidak banyak memiliki referensi dan mencari informasi terkait dengan pendidikan tinggi. Cara lain yang pada umumnya dipakai untuk memilih jurusan yang sesuai adalah dengan melihat kecenderungan nilai di tiap mata pelajaran selama SMU. Siswa cenderung akan memilih mata pelajaran yang dirasa disukai dan cenderung menghasilkan nilai yang rapor yang tinggi Terutama yang ingin masuk perguruan tinggi yang harus memiliki kemampuan ekstra dari segi kecerdasan bidang eksak misal nya Fakultas Teknik. Karena Tidak semua lulusan dari SMA/SMK yang bisa masuk pada Fakultas Teknik hanya yang berasal dari lulusan bidang IPA atau dari jurusan yang sama dengan yang ingin di ambil pada Faultas Teknik. Oleh Karena itu, sangat perlu Universitas Islam Syekh Yusuf Tangerang (UNIS) membuat system yang mengimplementasikan metode ANFIS untuk menentukan Jurusan yang cocok untuk masuk pada Fakultas Teknik Kata Kunci : Sistem pendukung Keputusan, Jurusan, Mahasiswa, Fakultas Teknik, ANFIS, UNIS ABSTRACT Each year, every high school student who plans to continue his education to college should decide the choice, what majors to the field or to continue their education in the future. And this is something that is quite difficult to be decided by the majority of high school students, especially those who do not have a lot of references and search for information related to higher education. Another way which is generally used to select appropriate majors tendency is to look at the value of each subject during high school. Students tend to choose subjects that are considered "preferred" and tends to produce a report card of high value especially who want to go to college should have extra capability in terms of his intelligence field ecxact eg Faculty of Engineering. Because not all graduates from high school / vocational school that could get in on the Faculty of Engineering only from the field of science or a graduate of the same department who want to take on Faultas Engineering. Hence, it is necessary Universitas Islam Sheikh Yusuf Tangerang (UNIS) create a system that implements the ANFIS method for determining the appropriate Department to enter the Faculty of Engineering Keywords: Decision Support Systems, Department, Student, Faculty of Engineering, ANFIS, UNIS 1

2 1. PENDAHULUAN Setiap tahun, setiap siswa SMU yang berencana melanjutkan jenjang pendidikannya ke perguruan tinggi harus memutuskan pilihan, ke bidang atau jurusan apa akan melanjutkan pendidikannya kelak. Dan ini adalah sesuatu yang cukup sulit untuk diputuskan oleh kebanyakan siswa SMU, terutama yang tidak banyak memiliki referensi dan mencari informasi terkait dengan pendidikan tinggi. Cara lain yang pada umumnya dipakai untuk memilih jurusan yang sesuai adalah dengan melihat kecenderungan nilai di tiap mata pelajaran selama SMU. Siswa cenderung akan memilih mata pelajaran yang dirasa disukai dan cenderung menghasilkan nilai yang rapor yang tinggi. Dua solusi yang ditawarkan ini, biasanya dilakukan secara terpisah. Masing-masing cara dirasa memiliki kelemahan,beberapa orang tua siswa sering bertanyatanya, seberapa relevan hasil tes psikologi tersebut? Terutama saat siswa mengalami kondisi fisik yang kurang sehat atau mental yang lelah. Akhirnya, orang tua harus melakukan pengamatan pada nilai akademisnya. Kombinasi antkedua cara ini dirasa adalah solusi terbaik, pada saat siswa atau orang tua siswa hendak menentukan jurusan pendidikan lanjutan yang akan ditempuh oleh siswa yang bersangkutan. Terutama yang ingin masuk perguruan tinggi yang harus memiliki kemampuan ekstra dari segi kecerdasan bidang eksakta misal nya Fakultas Teknik. Karena Tidak semua lulusan dari SMA/SMK yang bisa masuk pada Fakultas Teknik hanya yang berasal dari lulusan bidang IPA atau dari jurusan yang sama dengan yang ingin di ambil pada Faultas Teknik. Oleh Karena itu, sangat perlu Universitas Islam Syekh Yusuf Tangerang (UNIS) membuat system yang mengimplementasikan metode ANFIS untuk masuk di Fakultas Teknik 1.1. Identifikasi Maslah Calon Mahasiswa Baru untuk masuk Fakultas Teknik UNIS Tangerang selama ini hanya di lakukan pada tes PMB (Penerimaan Mahasiswa Baru ) pada tingkat Universitas. Cara tersebut dinilai belum bisa memenuhi standart untuk masuk pada Fakultas Teknik yang mempunyai jurusan jurusan yang memerlukan kelebihan dalam bidang excact dan kemampuan sesuai jurusan yang di pilih. Sehingga Mahasiswa yang di terima tersebut mempunyai kualitas dan bisa mengikuti Mata kuliah yang sesuai dengan minat dan bakat calon Mahasiswa Tersebutdi Fakultas Teknik Pembatasan Masalah Dalam penelitian ini untuk menetukan Jurusan Calon mahasiswa baru untuk bisa masuk pada Fakultas Teknik UNIS Tangerang dengan menggunakan metode ANFIS Dan penyelesaian nya menggunakan MATLAB Penelitian ini di lakukan pada Fakultas Teknik Universitas Islam Syekh Yusuf Tangerang dengan periode waktu analisis angkatan Kriteria penilaian 2 dapat di lihat dari Jurusan saat SMA, Jurusan Peminatan, Kemampuan akademik dan hasil Tes masuk UNIS Tangerang yang akan di jadikan variable dalam proses nya Rumusan Masalah Masalah yang akan dibahas dan di analisa adalah Bagaimana membuat model Penilaian Masuk Fakultas teknik dengan pendekatan metode ANFIS? 2. LANDASAN TEORI 2.1. Sistem Pendukung Keputusan [Little,1970] mendefinisikan Sistem Pendukung Keputusan sebagai sekumpulan prosedur berbasis model untuk data pemrosesan dan penilaian guna membantu para manajer mengambil keputusan. Dia menyatakan bahwa untuk sukses, sistem tersebut haruslah sederhana, cepat, mudah dikontrol, adaptiflengkap dengan isu-isu penting, dan mudah berkomunikasi. [EFRAIM,2005] Dari definisi tersebut, dapat diindikasikan empat karakterisitik utama dari Sistem Pendukung Keputusan, yaitu : 1. Sistem Pendukung Keputusan menggabungkan data dan model menjadi satu bagian. 2. Sistem Pendukung Keputusan dirancang untuk membantu para manajer pengambil keputusan) dalam proses pengambil keputusan dari masalah yang bersifat semi struktural (tidak terstruktur). 3. Sistem Pendukung Keputusan lebih cenderung dipandang sebagai penunjang penilaian manajer dan sama sekali bukan untuk menggantikannya. 4. Teknik Sistem Pendukung Keputusan dikembangkan untuk meningkatkan efektivitas [MARIMIN & NURUL 2010] dari pengambil keputusan. Aplikasi dari Sistem Pendukung Keputusan baru dapat dikatakan berhasil atau bermanfaat jika terdapat kondisi sebagai berikut : a. Eksistensi dari basis data yang sangat besar sehingga sulit mendayagunakannya. b. Kepentingan adanya transformasi dan komputasi pada proses pencapaian keputusan. c. Adanya keterbatasan waktu, baik dalam penentuan hasil maupun dalam prosesnya. d. Kepentingan akan penilaian atas pertimbangan akal sehat untuk menentukan dan mengetahui pokok permasalahan, serta pengembangan alternatif dan pemilihan [MARIMIN & NURUL 2010] solusi Adaptive Neuro Fuzzy Inferance System (ANFIS) Adaptive Neuro-Fuzzy Inference System (ANFIS) adalah penggabungan mekanisme fuzzy inference system yang digambarkan dalam arsitektur jaringan syaraf. Sistem inferensi fuzzy yang digunakan adalah sistem inferensi fuzzy model Tagaki-Sugeno-Kang (TSK) orde satu dengan pertimbangan kesederhanaan dan kemudahan komputasi.

3 Nah ini salah satu contoh ilustrasi mekanisme inferensi fuzzy TSK order satu dengan dua masukan x dan y (Gambar 1). Basis aturan dengan dua aturan fuzzy ifthen seperti dibawah ini : Rule 1 : if x is A1 and y is B1 then f1 = p1x + q1y + r1 premis consequent Rule 2 : if x is A2 and y is B2 then f2 = p2x + q2y + r2 premis consequent Input : x dan y. Consequent-nya adalah f Pada penelitian ini untuk menentukan siswa teladan dilihat dari 7 kriteria yaitu : a. Sikap b. Kedisiplinan c. Kerapihan d. Terlibat Narkoba dan Barang terlarang e. Nilai Rata-rata Raport f. Nilai Praktek Kerja Lapangan g. Organisasi Dalam kriteria-kriteria ini dijadikan variable fuzzy untuk menentukan siswa teladan dan himpunan fuzzy dapat berupa BAIK, CUKUP, BURUK, TERLIBAT, TIDAK TERLIBAT, AKTIF, PASIF, dan TIDAK ANDIL HIPOTESIS Hipotesis penelitian yang diajukan adalah: Diduga bahwa penerapan metode Algoritma ANFIS(Adaptive Neuro-Fuzzy Interface System) yang dibangun dengan pendekatan logika fuzzy efektif dalam model menetukan pemilihan Jurusan pada Fakultas Teknik UNIS Tangerang. f = w 1f 1 + w 2 f 2 w 1 + w 2 = w 1f 1 + w 2f 2 Gambar 2.1 Sistem inferensi fuzzy TSK dua masukan dengan dua aturan 2.3. Tinjauan Studi Berikut adalah beberapa penelitian terdahulu yang terkait dengan topik penerapan logika ANFIS (Adaptive Neuro-Interface System), meliputi: 1. Pada penelitian lain oleh [Bahar, 2011] membahas Penentuan Jurusan Sekolah Menengah Atas Algoritma Fuzzy. Pada penelitian ini dengan cara pemilihan jurusan yaitu : IPA, IPS dan Bahasa Indonesia. 2. Pada penelitian lain oleh [Sumanto, 2010] membahas Penerapan fuzzy C-Means (FCM) dalam pemilihan Peminatan Tugas Akhir Mahasiswa. Pada penelitian ini dengan cara memasukkan nilai-nilai mata kuliah yang diperoleh dan juga disesuaikan dengan syarat untuk outline TA yang mengharuskan mahasiswa untuk lulus dari beberapa matakuliah tertentu. [Maman, 2006] 3. Dalam penelitian yang dilakukan oleh membahas Sistem Pendukung Keputusan : Model Penentuan Siswa Teladan SMK YP-Karya 1 Tangerang dengan Pendekatan logika Fuzzy. 3. METODOLOGI PENELITIAN Penelitian ini menggunakan metode Kuantitatif. Untuk mendapatkan data yang lebih mendalam dan lengkap, object yang akan di teliti dengan melakukan mengambil databas pada Fakultas Teknik Universitas Islam Syekh- Yusuf Tangerang. 1. Penelitian Pendahuluan Penelitian ini dilakukan untuk memperoleh kriteria-kriteria dalam penelitian, kriteria untuk Mengetahui kelayakan calon mahasiswa baru untuk masuk pada Fakultas Teknik kemudian di buat Data input berupa Jurusan Saat SMA, Nilai 2. Data Nilai Setelah memperoleh kriteria-kriteria dari penelitian Pendahuluan selanjutnya akan di buat Data nilai Rata-rata 3. Mengelola Hasil Data Nilai Data yang di peroleh dari Data Nilai Rata-rata akan diolah mengguanakan pendekatan logika ANFIS dengan software Matlab Sampling / Metode Pemilihan Sample Populasi pada penelitian ini adalah pada Calon Mahasiswa Fakultas Teknik Universitas Islam Syekh- Yusuf angkatan Jumlah Mahasiswa Baru 2013 sebanyak 194. Penarikan sampel pada penelitian ini secara acak, kemudian ukuran sample (Sample Size) minimal di tentukan berdasarkan Rumus Slovin : Dimana, n = Ukuran sample N = Ukuran populasi n = N N. d

4 d = Tingkat kesalahan penarikan sample yang diinginkan Tingkat kesalahan penarikan sample yang diinginkan dalam penelitian ini ditentukan sebesar 10%, maka banyaknya ukuran sample adalah sebesar : N n = N. d n = 194. (0.1) = (dibulatkan menjadi 66) Dengan demikian ukuran sample minimal dalam penelitian ini adalah 66 Calon mahasiswa 3.2. Model pengumpulan Data Data yang digunakan dalam penelitian ini berupa data sekunder yaitu : Berupa data yang diperoleh secara tidak langsung, misalnya dari dokumentasi, literatur, buku, jurnal, dan informasi lainnya yang ada hubungannya dengan masalah yang diteliti. Jenis data yang digunakan dalam penelitian ini adalah data sekunder berupa data siswa dan nilai yang diperoleh penulis secara langsung database Fakultas Teknik Universitas Islam Syekh- Yusuf angkatan Teknik Analisis, Perancangan dan pengujian Teknik Analisis Teknik Analisis data menggunakan Data Kuantitatif berupa kaidah-kaidah matematika terhadap angka atau numerik. Analisa dilakukan melalui data nilai rata-rata hasil tes Masuk dan nilai beberapa Mata Pelajaran di SMA menggunakan pengujuran algoritma ANFIS Sugeno dengan bantuan software Matlab 7.1. Menurut (Irfan, 37:2011). Jika data model dan data validasi diatas 65 % maka dapat dinyatakan akurat Teknnik Perancangan Teknik perancangan yang digunakan dalam penelitian ini menggunakan model pendekatan MATLAB. Dimana, Matlab telah terintegrasi dengan fuzzy logic toolbox yang didalamnya terdapat ANFIS editor GUI terdiri dari 4 area yang berbeda. GUI tersebut menunjukkan fungsi kerja sebagai berikut : a. Tahap memasukkan data ada 3 bagian yaitu mengunggah (Load data), memplot (ploting) dan membersihkan data (clear data) b. Mengenerate atau mengunggah permulaan structure FIS (tahap membangkitkan FIS) c. Melatih data FIS (tahap pembelajaran FIS) d. Memvalidasi data FIS yang sudah di latih (tahap validasi FIS) Pembagian Data Training, Data Testing dan Data New Matrik data training berisi 3 parameter input dan 1 target. Matrik data tersebut terdiri dari 66 data. Data Pelatihan (training) tersebut disimpan dalam bentuk.dat. Dalam penelitian ini nama file disimpan dengan nama train_jur.dat. matrik data Pengujian terdiri dari 3 parameter input dalam hal ini berisi 4 baris data dan disimpan dengan nama train_jur.dat. dengan 4 pebagiannya berdasarkan sumber pengolahan data 28 data di gunakan untuk data training, 28 data di gunakan untuk data testing, 10 data di gunaakan untuk data new Penentuan Jumlah Fungsi keanggotaan Fungsi keanggotaaan dalam penelitian ini adalah variable dari data input nilai calon mahasiswa baru yang akan masuk di fakultas teknik. Terdiri dari 3 Variabel yaitu pengukuran asal sekolah, pengukuran Nilai UN, dan pengukuran Nilai Matapelajaran (sesuai jurusan yang diinginkan). Ketiga Variable tersebut masingmasing memiliki 3 parameter penilaian yaitu Kurang, Cukup, Baik. Dari Penjelasan data input tersebut jumlah fungsi keanggotaan dalam penentuan nilai Kinerja guru di tentukan menjadi Penentuan Tipe Fungsi Keanggotaan Untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Pada penelitian kali ini akan di uji coba beberapa tipe fungsi keanggotaan yaitu fungsi keanggotaan segitiga (trimf), dan Trapesium (trapfm). Di mana dari masing-masing fungsi keanggotaan tersebut akan di bandingkan tingkat ke akurasiannya. A. Trimf B. Trapmf Gambar 3.1. Tipe Fungsi Keanggotaan Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis lurus (Linear). Kurva trapesium pada dasarnya seperti bentuk segitiga hanya saja ada beberapa titik yang memiliki nilai keanggotaan Penentuan Metode Optimasi, Error Tolerance dan Epochs Metode optimasi terdiri dari dua pilihan yaitu metode hybrid dan backpropagation. Metode hybrid yaitu penggabungan antara Least square estimator dan backpropagation. Salah satu kelebihan dari metode hybrid yaitu waktu konvergen yang relatif lebih singkat disbanding jika hanya menggunakan metode backpropagation. Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola jaringan yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan. Error tolerance akibat yang timbul pada saat program menemui kesalahan. Epochs adalah moment waktu yang digunkan sebagai titik acuan.

5 Dalam penelitian ini metode yang digunakan metode hybrid dan metode backpropagation. Error tolerance yang digunkan adalah 0, sedangkan epochsnya dibatasi pada iterasi 200 Tahapan yang dilakukan dalam penerapan Matlab untuk pemrosesan ANFIS ini adalah : a. Mengunggah (loading), memplot (ploting) dan membersihkan data (tahap memasukkan data). Untuk mengunggah data pembelajaran, ANFIS harus diaktifkan terlebih dahulu. Untuk menggunakan toolbox tersebut ketikkan >>anfisedit pada commad window yang ada di Matlab maka akan tampil gambar seperti Gambar 3.2 Gambar 3.2. ANFIS Editor GUI dalam MATLAB A. Garafik Output : akan menampilkan hasil pembelajaran (target dan hasil learning) B. Load Data : data yang diambil untuk proses pembelajaran berupa file (berekstensi.dat) dan workspace dari (command window). File berekstensi.dat dapat dibuat dengan notepad atau teks editor lainnya dengan menyimpan dalam format eksitensi.dat, misalnya train.dat, test.dat dan lain-lain a. Generate FIS : akan membentuk FIS yang akan dilatih, dengan jenis-jenis fungsi keanggotaanyang menyertainya. b. Train FIS : menentukan toleransi kesalahan dan jumlah epochs serta metode pembelajaran yang digunakan C. Structure : akan menapilkan gambar ANFIS dengan neuron-neuron pembentuknya D. Test FIS : untuk memilih yang akan di eksekusi apakah itu untuk training data, testing data dan cheking data 3.4. Langkah Langkah Penelitian Gambar 3.3.langkah Penelitian Dari gambar di atas, dapat diketahui langkahlangkah yang dilakukan pada penelitian ini. Hal itu akan diuraikan sebagai berikut. 1) Identifikasi Masalah Penelitian dimulai dengan proses identifikasi masalah yang akan diteliti, yaitu: Sebagai alternatif lain dalam sistem dalam penentuan Masuk Di fakultas Teknik 2) Tujuan Penelitian Selanjutnya, tujuan penelitian harus dirumuskan terlebih dahulu. Tujuan penelitian ini adalah untuk memperoleh model algoritma berbasis Adaptive Neuro-Fuzzy Inference System (ANFIS), yaitu: Adaptive Neuro-Fuzzy Inference System (ANFIS) untuk Masuk di fakultas Teknik UNIS Tangerang 3) Studi Dokumentasi Studi ini dilakukan untuk memperoleh data yang diserahkan oleh Calon Mahasiswa baru kepada bagian Pendaftaran yang akan di Olah berupa dokumen-dokumen yang diperlukan 4) Studi Literatur Studi ini dilakukan untuk mencari teori yang berasal dari pustaka dan penelitian-penelitian sebelumnya yang memiliki topik yang sama dengan penelitian ini. 5

6 5) Pemahaman Data Sekunder Data yang diperoleh dari objek penelitian dipahami terlebih dahulu variabel dan isinya untuk memudahkan langkah selanjutnya. 6) Penerapan ANFIS Terhadap data sekunder yang diperoleh diterapkan metode ANFIS. Hal itu dimulai dengan persiapan data, data trainning, pemilihan algoritma berbasis Adaptive Neuro-Fuzzy Inference System (ANFIS), yaitu:. hybrid trapesium mf dan algoritma backpropagation dengan mf gaussian. 7) Evaluasi dan Pengujian Terhadap rule algoritma yang diperoleh dari langkah di atas diterapkan data testing. Selanjutnya, dievaluasi dan diuji dengan hybrid trim mf dan algoritma backpropagation mf Trapesium. Hasilnya dibandingkan dan dicari algoritma yang menghasilkan akurasi lebih tinggi. Rule dari algoritma terpilih adalah rule terpilih. 8) Pembuatan Graphical User Interface (GUI) Berdasarkan rule yang diperoleh dari algoritma terpilih dibuatkan Graphical User Interface (GUI) dengan perangkat lunak Matlab. 9) Uji Coba Graphical User Interface (GUI) yang telah dibuat diuji coba dengan data baru. 10) Uji Sistem Dengan SQA Setelah GUI di buat dan diuji coba dengan data baru maka sistem nya diuji dengan SQA (Software Quality Assurance) 4. HASIL DAN PEMBAHASAN 4.1. Training dan Testing Model akan dibangun dengan 2 Algoritma, yaitu a. Algoritma hybrid (Backpropagation + Least Square estimation) b. Algoritma Backpropagation 2. Berdasarkan pada FIS yang telah dibangun (gambar 4.19), maka dilakukan proses pembelajaran dengan epoch = 400, menggunakan Algoritma hybrid 3. Nilai kesalahan Kwadrat Rata-rata RMSE= Gambar 4.2. Testing Gambar 4.2. menunjukkan terjadinya proses validasi model dengan pengujian Testing Data untuk simulasi Algoritma Hybrid dengan fungsi trimf 1. Pada proses pembelajaran yang telah dilakukan dalam 400 epoch, menghasilkan sebuah model FIS dengan RMSE = Setelah diuji validasi dengan Testing Data, maka menghasilkan RMSE = Simulasi Algoritma Hybrid dengan fungsi trapmf Simulasi Algoritma Hybrid dengan fungsi trimf 4.3. Afiseditor Gambar 4.3 menunjukkan parameter input-output yang digunakan dalam membangun FIS untuk simulasi Algoritma Hybrid dengan fungsi trapmf. Gambar 4.1. Training Error 1. Jumlah MF (Membership Function) adalah : [3 3 3], keseluruhan akan menghasilkan 27 rule. Gambar 4.1. menunjukkan terjadinya proses 2. Jenis fungsi yang digunkan untuk Membership pembelajaran untuk simulasi Algoritma hybrid dengan Function adalah trapmf. fungsi trimf 3. Fungsi MF output yang digunakan adalah tipe 1. Data pembelajaran (Training Data) yang constant digunakan di load dari file, demikian juga dengan data pengujian (testing data). 6

7 Gambar 4.4 Training Error Gambar 4.4 menunjukkan terjadinya proses pembelajaran untuk simulasi Algorithma Hybrid dengan fungsi trapmf 1. Data Pembelajaran (Training Data) yang digunakan di load dari file, demikian juga dengan data pengujian (Testing data). 2. Berdasarkan pada FIS yang telah dibangun (Gambar 4.21), maka dilakukan proses pembelajaran dengan epoch = 400, menggunakan Algoritma Hybrid 3. Nilai kesalahan kwadrat rata-rata RMSE = Anfiseditor Gambar 4.5 menunjukkan parameter input-output yang digunakan dalam membangun FIS untuk simulasi Algoritma Backpropagation dengan fungsi trimf. 1. Jumlah MF (Membership Fuction ) adalah [ ], keseluruhan akan menghasilkan 27 rule. 2. Jenis fungsi yang digunakan untuk membership Function adalah : fungsi trimf. 3. Fungsi MF output yang digunakan adalah tipe constant Gambar 4.5 Testing Gambar 4.5 menunjukkan terjadinya proses validasi model dengan pengujian Testing-Data untuk simulasi Algoritma Hybrid dengan fungsi trapmf. 1. Pada proses pembelajaran yang telah dilakukan dalam 400 epoch, menghasilkan sebuah model FIS dengan RMSE = Setelah diuji validasi dengan Testing Data, maka menghasilkan RMSE = Simulasi Algoritma Backpropagation dengan fungsi Trimf Gambar 4.6 Training Error Gambar 4.6 menunjukkan terjadinya proses pembelajaran untuk simulasi Algoritma Backpropagation dengan fungsi trimf. 1. Data pembelajaran (Training Data) yang digunakan di load dari file, demikian juga dengan datapengujian (Testing data) 2. Berdasarkan pada FIS yang telah dibangun (gambar 4.24), maka dilakukan proses pembelajaran dengan epoch = 400, menggunakan Algoritma Propagation 3. Nilai kesalahan Kwadrat Rata-rata RMSE = 27,7714 7

8 Gambar 4.7Testing Keterangan Gambar 4.7 menunjukkan terjadinya proses validasimodel dengan pengujian Testing Data untuk simulasi Algoritma Backpropagation dengan fungsi trimf. 1. Pada proses pembelajaran yang telah dilakukan dalam 400 epoch menghasilkan sebuah model FIS dengan RMSE = 27, Setelah diuji dengan testing data, maka menghasikan RMSE = 23,2169 Gambar 4.9 Training Error Gambar 4.9 menunjukkan terjadinya proses pembelajaran untuk simulasi Algoritma Backpropagation dengan fungsi trapmf 1. Data pembelajaran (Training data ) yang digunakan di load dari file, demikian juga dengan data pengujian (testing data). 2. Berdasarkan pada FIS dengan epoch = 400 menggunakan Algoritma Backpropagation 3. Nilai kesalahan kwadran rata-rata RMSE = 27, Simulasi Algoritma Backpropagation dengan fungsi Trapmf Gambar 4.8. Anfiseditor Keterangan Gambar 4.8 menunjukkan parameter inputoutput yang digunakan dalam membangun FIS untuk simulasi Algoritma Backpropagation dengan fungsi Trapmf 1. Jumlah MF( Membership Function ) adalah : [3 3 3], keseluruhan akan menghasilkan 27 rule 2. Jenis fungsi yang di gunakan untuk Membership Function adalah fungsi trapmf. 3. Fungsi MF output yang digunakan adalah tipe constant Gambar 4.10 Testing Gambar 4.10 menunjukkan terjadinya proses validasi model dengan pengujian Testing data untuk simulasi Algoritma Backpropagation dengan fungsi trapmf 1. Pada proses pembelajaran yang telah dilakukan dalam 400 epoch, menghasilkan sebuah model FIS dengan RMSE = 27, Setelah diuji validasi dengan testing Data,maka menghasilkan RMSE = 27, Hasil Pengolahan Data Berdasrakan simulasi ANFIS yang telah dilakukan, maka didapatkan hasil simulasi dengan kategori berdasarkan algoritma yang digunakan, yaitu Hybrid Algorithm dan Backpropagation Algorithm, selain itu juga berdasarkan kategori parameter dari tipe MF (Member Fuction) yang digunakan pada setiap tahap simulasi. 8

9 Tabel 4.1 Perbandingan RMSE proses Pembelajaran RMSE (Root Mean Square Fungsi error) Keanggotaa Hybrid Backpropagatio n Algorithm n Algorithm trimf trapmf Tabel 4.1 menunjukkan nilai RMSE untuk kedua Algoritma, Hybrid dan Backpropagation pada proses pembelajaran. Tabel 4.2 Perbandingan RMSE proses Validasi Fungsi Keanggotaa n RMSE (Root Mean Square error) Hybrid Backpropagatio Algorithm n Algorithm trimf trapmf Tabel 4.2 menunjukkan nilai RMSE untuk kedua Algoritma, Hybrid dan Backpropagation pada proses Validasi 4.3. Interpretasi Model Model Proses Pembelajaran (Training) Berdasarkan perbandingan Root Mean Square Error (RMSE) proses Pembelajaran pada table 4.1, algoritma pembelajaran yang paling optimal untuk kasus ini adalah Hybrid Algorithm, Tipe MF Trimf, Epoch 400, parameter input [3 3 3], terdiri dari 27 rule, dapat di gambarkan seperti berikut : Gambar 4.11 Model Pembelajaran Terendah Gambar 4.12 Rule pembelajaran RMSE Terendah Gambar 4.12 menunjukkan banyak nya rule yang tercipta sevara otomatis pada saat terjadi nya proses simulasi pembelajaran. Input 1 adalah Asal Sekolah dinyatakan dengan range nilai (1-19), input2 adalah NilaiUN dinyatakan dengan range nilai (1-9), input3 adalah NilaiJur dinyatakan dengan range nilai (1-9) sedangkan outputnya adalah nilai kelulusan masuk Fakultas Teknik dinyatakan range (25-35). Gambar 4.13 Rule Viewer Proses pembelajaran RMSE Terendah Model Proses Validasi (Testing) Berdasarkan perbandingan Root Mean Square Error (RMSE) proses pembelajaran pada Gambar 4.32 Algoritma pembelajaran yang paling optimal untuk kasus ini adalah Hybrid Algorithm, tipe Membership Function (MF) : Trimf, Epoch : 400, parameter Input : [3 3 3], terdiri dari 27 rule. Dapat digambarkan seperti berikut : Gambar 4.11 menunjukkan proses pembelajaran dengan menggunakan training data dengan algoritma Hybrid yang menggunakan Membership Function bertipe : trapmf, epoch proses pembelajaran sebesar 400 epoch. Sehingga menghasilkan error dengan nilai RMSE = Gambar 4.14 Model Validasi RMSE Terendah Gambar 4.14 menunjukkan proses vaalidasi dengan menggunakan testing data. Dengan algoritma Hybrid 9

10 yang menggunakan Membership Function bertipe : trapmf, epoch proses validasi sebesar 400 epoch. Sehingga menghasilkan error dengan nilai RMSE = Gambar 4.15 Rule Validasi dengan RMSE Terendah Gambar 4.15 menunjukkan banyaknya rule yang tercipta secara otomatis pada saat proses simulasi validasi. Input 1 adalah Asal Sekolah dinyatakan dengan range nilai (1-19), input2 adalah NilaiUN dinyatakan dengan range nilai (1-9), input3 adalah NilaiJur dinyatakan dengan range nilai (1-9) sedangkan outputnya adalah nilai kelulusan masuk Fakultas Teknik dinyatakan range (25-35). Gambar 4.34 Rule Viewer RMSE validasi Terendah GUI Gambar 4.35 GUI 4.4. Uji Sistem dengan SQA Pengujian Prototipe Perangkat lunak Untuk memastikan bahwa perangkat lunak yang dibuat memiliki standar minimal kualitas, maka salah satu metoda untuk pengukuran kualitas perangkat lunak secara kuantitatif adalah metoda SQA (Software Quality Assurance). Table 4.3 Software Quality Assurance (SQA) Kuantitatif No Metrik Deskripsi Bobot 1 Auditability Memenuhi standard atau tidak Accuracy Keakuratan komputasi Completeness Kelengkapan Error Toleransi terhadap Tolerance kesalahan Execution Efficiency Kinerja Eksekusi Operability Kemudahan untuk dioperasikan Simplicity Kemudahan untuk dipahami Training Kemudahan pembelajaran fasilitas Help 0.15 Dari 8 komponen tersebut akan dibuat 8 pertanyaan untuk angket yang akan disebarkan kepada 5 orang yang diambil secara acak. Tabel 4.4. Hasil Evaluasi SQA User Skor Metrik Skor # # # # # Rata-Rata Tabel 4.4 merupakan hasil angket yang dilakukan pada 5 orang pengamat yang berperan sebagai user dan di ambil secara acak Nilai rata-rata yang di hasilkan adalah 87,73 sedangkan nilai optimal untuk sebuah perangkat lunak yang memenuhi standart kualitas berdasarkan uji Standart Quality Assurance (SQA) adalah 80 Skor =<SkorAuditability*0.1> + <SkorAccuracy*0.15> +<SkorCompleteness*0.1>+ <SkorErrorTolerance*0.1>+ <SkorExecutionEfficiency*0.1>+ <SkorOperability*0.15>+ <SkorSimplicity*0.15>+ <SkorTraining*0.15> 10

11 4.5. Implikasi Penelitian Aspek Sistem Agar dapat mendukung hasil penelitian, perlu adanya kesiapan sistem yang berjalan dengan baik. Hal ini dilakukan agar sistem dapat memberikan dukungan hasil keputusan untuk pimpinan, yaitu koordinator kampus. Hasil yang diberikan oleh sistem adalah penentuan kinerja dosen. Sistem yang digunakan harus mendukung untuk memberikan hasil yang terbaik. Sarana dan prasarana yang diperlukan terdiri dari hardware dan software infrastruktur yang baik. a. Dari segi hardware, sudah memenuhi standar agar sistem yang akan diterapkan dapat berjalan dengan baik. b. Software yang digunakan perlu ditingkatkan lagi agar sesuai dengan sistem yang akan diterapkan nantinya. Beberapa software perlu diupgrade lagi agar sistem yang akan diterapkan dapat berjalan dengan maksimal. c. Infrastruktur yang ada harus tersedia maksimal untuk mendukung sistem yang akan membantu pengambilan keputusan kepala sekolah. Infrastruktur yang kuat dan realible sangat dibutuhkan agar membuahkan hasil yang maksimal. Maka dari itu, supaya hasil yang diberikan dapat digunakan untuk membantu pengambilan keputusan, sistem yang akan digunakan haruslah kuat dan dapat berjalan dengan baik. Software dan hardware yang ada sekarang perlu ditingkatkan lagi supaya bisa bekerja dan memberikan hasil yang maksimal. Hal ini juga bermanfaat untuk membantu mempermudah masuk Fakultas Teknik Aspek Manajerial Sosialisasi hasil penelitian. Hasil penelitian ini perlu disosialisasikan kepada seluruh dosen, sehingga dosen dapat diberikan reward dan punishment sebagai tindakan dari hasil atas kinerjanya masing-masing. Implikasi aspek manajerial dapat ditinjau dari: A. Organisasi Untuk membantu menentukan masuk fakultas Teknik berdasarkan Nilai-nilai yang di butuhkan B. Sumber Daya Manusia(SDM) Berdasarkan pengamatan bahwa SDM yang ada saat ini kualitasnya masih sangat kurang. Oleh karena itu perlu pembinaan (develop people) untuk mengembangkan kemampuan SDM yang ada Aspek Penelitian Lanjutan Penelitian ini dirasakan masih banyak kekurangan. Hal ini karena, adanya beberapa kendala yang dihadapi pada saat penelitian dan pengujian. Maka dari itu, perlu dilakukan penelitian lebih lanjut untuk melengkapi kekurangan yang ada di penelitian ini. Hal yang perlu dikembangkan dalam penelitian lanjutan yang dapat dilakukan berdasarkan penelitian ini yaitu, penambahan kriteria Rencana Implementasi Rencana implementasi yang dilakukan adalah Tabel 4.7 Rencana Implementasi Kegiatan Bahan 1 Bahan 2 Persiapan Awal Pelatihan Seminar Pengujian Aplikasi 1. Persiapan Awal Persiapan Awal yang harus dilakukan adalah dengan menginstal aplikasi nya ke koputer yang akan di jadikan server 2. Memberikan Training/ pelatihan operator Memberikan Training kepada operator di Fakultas Teknik aga dapat mengoprasikan aplikasi tersebut dengan benar. 3. Mengadakan Seminar Mengadakan seminar tentang manfaat aplikasi tersebut bagi Fakultas Teknik UNIS Tangerang 4. Mengadakan Pengujian Aplikasi Setelah data diinput ke aplikasi maka kita akan mendapatkan Informasi tentang Penilaian untuk Masuk Fakultas Teknik secara Komputerisasi Semoga dengan menggunakan Aplikasi tersebut, proses Penilaian Masuk Fakultas Teknik d lingkungan UNIS Tangerang, dapat dilakukan secara efisien dan efektif. Agar dapat menjadi acuan dalam Penilain Masuk UNIS 5. KESIMPULAN Penelitian ini dilakukan untuk mengetahui penilaian untuk masuk fakultas Teknik Universitas Islam Syekh yusuf Tagerang variable yang peneliti gunakan terdiri atas Asal Sekolah, Nilai UN dan Nilai Matapelajaran sesuai Jurusan yang di inginan.model yang digunakan menggunakan program Matlab R2013a dengan Pendekatan Adaptive Neuro Fuzzy Inference System metode Sugeno. Penelitian ini sangat penting dan bermanfaat untuk mempercepat penilain untuk Calon mahasiswa baru yang ingin masuk fakultas Teknik.Berdasarkan hasil penelitian di bab sebelumnya, maka dari hasil analisis data dapat disimpulkan : 1. Penilaian Masuk Fakultas Teknik UNIS Tangerang dapat dibangun dengan Pendekatan logika Adaptive Neuro Fuzzy Inference System (ANFIS) 2. Penilaian masuk Fakultas Teknik UNIS dengan system Pendukung Keputusan dengan pendekatan logika Adaptive Neuro Fuzzy Inference System (ANFIS) lebih objective dari pada Cuma melalui Penilaian Manual dan melalui tes semata 3. Penilaian Masuk fakultas Teknik dengan sistem Pendukung Keputusan dengan pendekatan logika Adaptive Neuro Fuzzy Inference System (ANFIS) lebih efisien 4. Waktu yang diperlukan system untuk menganakisa data kurang dari 1 menit.

12 5. Dari Pengujian dengan menggunakan metode SQA (Software Quality Assurance) skor yang di hasilkan sehingga model penilaian memenuhi Standart Kualitas. DAFTAR PUSTAKA [1] Agus Naba, Belajar Cepat Fuzzy Logic Menggunakan Matlab,Andi Yogyakarta [2]. Bahar, Penentuan Jurusan Sekolah Menengah Atas dengan Algoritma Fuzzy C-Means, Semarang, Universitas Dian Nuswantoro [3] Turban, E., J. E. Aronson, Liang, TP, Decision Support Systems And Intelligent Systems 7th Ed, Pearson Education, Inc. Upper Saddle River, New Jersey,2005. [4] Kusumadewi, Sri, Fuzzy Multi-Attribute Decision Making (Fuzzy MADM),Graha Ilmu,Yogyakarta, 2006 [5] Decision Support Systems And Intelligent System, 1970 [6] Maman, Sistem Pendukung Keputusan: Model Penentuan Siswa Teladan pada SMK YP-KARYA 1 Tangerang dengan Pendekatan Logika Fuzzy, Jakarta, Universitas Budi Luhur [7] Marimin dan Nurul Maghfiroh,2010 Aplikasi Pengambilan Keputusan dalam Manajemen Rantai Pasok, Cetakan 1, IPB Press, Bogor. [8] Marimin, "Pengambilan Keputusan Kriteria Majemuk", Grassindo, Jakarta, [9] Sri Kusumadewi, Analisis Desain Sistem Fuzzy menggunakan Tool Box Matlab, Edisi ke-1 Graha Ilmu Yogyakarta, [10] Sri Kusumadewi dan Haris Purnomo, Aplikasi Logika Fuzzy untuk Pendukung Keputusan,Edisi 2, Graha Ilmu Yogyakarta, [11] SriKusumadewi dan Sri Hartati, Neuro-Fuzzy Integrasi Sistem Fuzzy & Jaringan Syaraf Edisi 2, Graha Ilmu, Yogyakarta,