PENERAPAN LOGIKA FUZZY UNTUK MENENTUKAN MAHASISWA BERPRESTASI DI STMIK CIKARANG MENGGUNAKAN JAVA NETBEANS DAN MYSQL Ema Dili Giyanti 1), Ali Mulyanto 2) 1) Program Studi Teknik Informatika, STMIK Cikarang E-mail: emadiligiyanti@gmail.com 2) Program Studi Manajemen Informatika, STMIK Cikarang E-mail: ali.stmikcikarang@gmail.com ABSTRAK Penentuan mahasiswa berprestasi di STMIK Cikarang melibatkan beberapa variabel, yaitu IPK, taat azas/aturan akademik, dan aktif kegiatan. Akan tetapi, proses penentuannya masih menggunakan metode manual sehingga menyebabkan hasil yang diperoleh tidak sesuai dengan yang diharapkan. Penulis mengusulkan suatu metode perhitungan logika fuzzy dengan menggunakan metode Tsukamoto dan metode Mamdani. Penelitian ini bertujuan untuk memberikan solusi dengan cara menggabungkan metode Tsukamoto dan metode Mamdani untuk mendapatkan nilai rata-rata dari kedua metode tersebut agar hasil yang didapat lebih akurat. Variabel ditinjau dari empat variabel, yaitu IPK, taat azas/aturan akademik, aktif kegiatan, dan hasil prediksi dengan menggunakan 5 data sampel mahasiswa STMIK Cikarang. Penentuan mahasiswa berprestasi ditentukan dengan cara memilih mahasiswa yang memiliki nilai rata-rata paling tinggi. Hasil dari penelitian ini dapat disimpulkan bahwa dengan membandingkan nilai perhitungan metode manual pada sistem berjalan dengan yang diusulkan menunjukkan bahwa sistem yang diusulkan lebih baik dari sistem yang sedang berjalan di STMIK Cikarang. Kata kunci: Mahasiswa berprestasi, Logika fuzzy, Metode Tsukamoto, Metode Mamdani 1. Pendahuluan Mahasiswa berprestasi adalah mahasiswa yang berprestasi dalam bidang akademik maupun non akademik. Mahasiswa berprestasi tidak hanya menekuni ilmu dalam bidangnya saja di program studi yang mereka pilih namun juga beraktivitas dalam mengembangkan kemampuan soft skillsnya. Dengan harapan agar mahasiswa menjadi lulusan yang mandiri, penuh inisiatif, bekerja secara cermat, penuh tanggung jawab dan tangguh ketika menghadapi dunia kerja dan wirausaha. Penyeleksian dan penetapan mahasiswa berprestasi di STMIK Cikarang ditentukan berdasarkan 3 kriteria yaitu nilai IPK, taat azas atau aturan akademik, dan aktif kegiatan. Akan tetapi, dalam proses penyeleksiannya masih menggunakan metode manual yaitu kriteria pertama yang harus terpenuhi terlebih dahulu adalah nilai IPK harus lebih dari 3.00. Jika terdapat nilai IPK yang sama maka lanjut ke kriteria yang kedua, yaitu taat azas atau aturan akademik. Jika hasilnya masih sama juga lanjut ke kriteria yang ketiga, yaitu aktif kegiatan. Namun cara tersebut masih kurang efektif dan efisien, diperlukan sebuah metode untuk menentukan mahasiswa berprestasi terbaik di STMIK Cikarang. Salah satu cara yang bisa digunakan dalam menentukan mahasiswa berprestasi adalah penerapan logika fuzzy, karena terdapat beberapa data yang bisa digunakan dalam melakukan perhitungan guna mendapatkan mahasiswa berprestasi dengan lebih efektif dan efisien. Dalam perhitungan logika fuzzy, sistem inferensi fuzzy terdapat 3 metode yaitu metode Tsukamoto, metode Mamdani, dan metode Sugeno. Ketiga metode tersebut memiliki algoritma yang hampir sama dengan melakukan fuzzyfikasi dan aturan yang digunakan dalam bentuk IF THEN. Tetapi walaupun terdapat langkah penyelesaian yang hampir sama, terdapat perbedaan dalam proses mesin inferensi dalam evaluasi aturan-aturan dan proses defuzzyfikasi pada ketiga metode tersebut. Metode yang akan digunakan untuk menentukan mahasiswa berprestasi adalah metode Tsukamoto serta metode Mamdani dengan proses Defuzzyfikasi yaitu Centroid. Variabel fuzzy yang digunakan meliputi variabel input yaitu nilai IPK > 3.00, taat azas/aturan akademik, dan aktif kegiatan. Serta variabel output yaitu hasil prediksi. 2. Landasan Teori 2.1 Logika Fuzzy Logika fuzzy adalah suatu cara untuk memetakan permasalahan dari input menuju output yang diharapkan. (Sri Kusumadewi dan Hari Purnomo, 2013:1). Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu [6]: 1. Variabel fuzzy Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh: umur, temperatur, permintaan, dan sebagainya. 2. Himpunan fuzzy Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Contoh: a. Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu: MUDA, PAROBAYA, TUA. Copyright@2017 STMIK Cikarang 1
b. Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS. 3. Semesta Pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Contoh: a. Semesta pembicaraan untuk variabel umur: [0 + ] b. Semesta pembicaraan untuk variabel temperatur: [ 0 40] 4. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diizinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Contoh: a. MUDA = [0 45] b. PAROBAYA = [35 55] c. TUA = [45 + ] 2.2 Fungsi Keanggotaan Fungsi Keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara yang digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan, antara lain: 1. Representasi Linear Pada representasi linear, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Ada 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol (0) bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi. 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. Gambar 2.2 Representasi Linear Turun Fungsi keanggotaan : (b x)/(b a); a x b μ(x) = { 0; x b (2.2) 2. Representasi Kurva Segitiga Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linear). Gambar 2.3 Representasi Kurva Segitiga Fungsi keanggotaan : 0; x a atau x c μ(x) = { (x a)/(b a); a x b (c x)/(c b); b x c (2.3) 3. Representasi Kurva Trapesium Kurva Trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1. Gambar 2.1 Representasi Linear Naik Fungsi Keanggotaan : μ(x) = { 0; x a 1; b a ; x a a x b x b (2.1) Gambar 2.4 Representasi Kurva Trapesium Fungsi Keanggotaan : Copyright@2017 STMIK Cikarang 2
μ 0; x a atau x d (x a)/(b a); a x b (x) = { (2.4) 1; b x c (d x)/(d c); c x d 2.3 Metode Tsukamoto Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF THEN harus 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 akhir diperoleh dengan menggunakan rata rata terbobot [6]. Dalam inferensinya, metode Tsukamoto menggunakan tahapan [11]: 1. Fuzzyfikasi, yaitu pembentukan himpunan fuzzy dengan menentukan fungsi keanggotaan. 2. Pembentukan basis pengetahuan Fuzzy (Rule dalam bentuk IF...THEN). 3. Mesin Inferensi Menggunakan fungsi implikasi MIN untuk mendapatkan nilai α-predikat tiap-tiap rule. 4. Defuzzyfikasi, yaitu mengubah besaran fuzzy dari sistem inferensi ke besaran tegas. Proses defuzzyfikasi menggunakan metode rata-rata terbobot (Average) dengan rumus berikut: Z = n i=1 αizi (2.5) n i=1 αi 2.4 Metode Mamdani Metode Mamdani sering dikenal sebagai Metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output, diperlukan 4 tahapan [6]: 1. Pembentukan himpunan fuzzy Pada metode mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy. 2. Aplikasi Fungsi Implikasi Pada metode mamdani, fungsi implikasi yang digunakan adalah fungsi Min. 3. Komposisi aturan Metode yang digunakan dalam melakukan inferensi sistem fuzzy yaitu Metode Max. Pada metode ini, penarikan solusi himpunan fuzzy dilakukan dengan mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy dan mengaplikasikan ke output dengan operator OR. Secara umum dapat dituliskan : µsf[xi] = max(µsf[xi], µkf[xi]) (2.6) dengan: µsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i; µkf[xi] = nilai keanggotaan konsekuen fuzzy aturan kei; 4. Penegasan (defuzzy) Input dalam proses defuzzy adalah suatu himpunan yang diperoleh dari komposisi aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy. Metode defuzzy yang bisa dipakai pada komposisi aturan mamdani adalah Metode Centroid. Pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat (z*) daerah fuzzy. Secara umum dirumuskan: Z* = (2.7) μ(z).z dz z z μ(z)dz n Z* = j=1 zjμ(zj) (2.8) n j=1 μ(zj) untuk variabel kontinu, atau untuk variabel diskret. 3. Rancangan Sistem Dan Aplikasi Berikut ini adalah gambaran umum usecase diagram sistem usulan: uc Use Case Sistem Usulan Wakil Ketua I Sistem Usulan Penentuan Mahasiswa Permintaan data nilai IPK Mahasiswa Permintaan data taat azas/aturan akademik Permintaan data aktif kegiatan Menentukan mahasiswa berprestasi menggunakan sistem logika fuzzy Laporan hasil penentuan mahasiswa berprestasi Mengambil keputusan Gambar 3.1 Gambaran Umum Use Case Diagram Sistem Usulan BAAK Prodi Wakil Ketua III Ketua STMIK Cikarang Berikut ini adalah usecase diagram sistem logika fuzzy: Copyright@2017 STMIK Cikarang 3
uc Use Case Sistem Admin Login Data Mahasiswa Tsukamoto Mamdani Derajat keanggotaan untuk Tinggi: μipktinggi(3.55) = (3.55-3.00) / (3.70-3.00).55 / 0.70.786.79 b. Variabel Taat Azas, memiliki 2 nilai linguistik, yaitu: TAAT, TIDAK TAAT. Logika Fuzzy Laporan Data Mahasiswa Laporan hasil logika fuzzy Gambar 3.2 Use Case Diagram Sistem Logika Fuzzy Gambar 4.2 Fungsi Keanggotaan Variabel Taat Azas 4. Hasil Dan Pembahasan 4.1 Data Test Uji Algoritma Sebagai data test uji algoritma, diambil sampel data mahasiswa seperti terlihat pada tabel 4.1 berikut. Tabel 4.1 Data Sampel Mahasiswa Semester 4 Taat Azas = 4 memiliki nilai linguistik Taat dengan derajat keanggotaan adalah 1. μtaatazastaat(4) = 1 μtaatazastdktaat(4) c. Variabel Aktif Kegiatan, memiliki 2 nilai linguistik, yaitu: AKTIF, TIDAK AKTIF. Tahapan-tahapan dalam metode Tsukamoto dan metode Mamdani dijelaskan secara rinci sebagai berikut. Langkah 1: Tahap awal menentukan Fuzzyfikasi yaitu pembentukan himpunan fuzzy dengan menentukan fungsi keanggotaan. a. Variabel IPK, memilki 2 nilai linguistik, yaitu: TINGGI, RENDAH. Gambar 4.1 Fungsi Keanggotaan Variabel IPK IPK = 3.55 memiliki nilai linguistik Rendah dan Tinggi. Derajat keanggotaan untuk Rendah: μipkrendah(3.55) = (3.70-3.55) / (3.70-3.00).15 / 0.70.2143.21 Gambar 4.3 Fungsi Keanggotaan Aktif Kegiatan Aktif Kegiatan = 2 memiliki nilai linguistik Tidak Aktif dan Aktif. Derajat keanggotaan untuk Tidak Aktif: μaktifkegtdkaktif(2) = (4-2) / (4-1) = 2 / 3.6667.67 Derajat keanggotaan untuk Aktif: μaktifkegaktif(2) = (2-1) / (4-1) = 1 / 3.3333.33 d. Variabel Hasil Prediksi, memiliki 2 nilai linguistik, yaitu: BERPRESTASI, TIDAK BERPRESTASI Copyright@2017 STMIK Cikarang 4
Gambar 4.4 : Fungsi Keanggotaan Variabel Hasil Prediksi Langkah 2 Metode Tsukamoto: Setelah Mengetahui fungsi keanggotaan pada langkah 1 maka selanjutnya menentukan rule dan mencari aplikasi fungsi implikasi dengan menggunakan fungsi MIN. [R1] IF IPK Tinggi And Taat Azas Taat And Aktif Kegiatan Aktif THEN Hasil Prediksi α-predikat₁ = min(μipktinggi(3.55),μtaatazastaat(4),μaktifkegaktif( 2)) = min(0.79,1,0.33).33 Nilai himpunan Hasil Prediksi (z₁) (z₁-1) / (4-1).33 (z₁-1).99 z₁.99 + 1 z₁ = 1.99 z₁ = 2 [R2] IF IPK Tinggi And Taat Azas Taat And Aktif Kegiatan Tidak Aktif THEN Hasil Prediksi α-predikat₂ = min(μipktinggi(3.55),μtaatazastaat(4),μaktifkegtdka ktif(2)) = min(0.79,1,0.67).67 Nilai himpunan Hasil Prediksi (z₂) (z₂-1) / (4-1).67 (z₂-1) = 2.01 z₂ = 2.01 + 1 z₂ = z₂ = 3 [R3] IF IPK Tinggi And Taat Azas Tidak Taat And Aktif Kegiatan Aktif THEN Hasil Prediksi α-predikat₃ = min(μipktinggi(3.55),μtaatazastdktaat(4),μaktifkega ktif(2)) = min(0.79,0,0.33) Nilai himpunan Hasil Prediksi (z₃) (z₃-1) / (4-1) (z₃-1) z₃ = 1 [R4] IF IPK Tinggi And Taat Azas Tidak Taat And Aktif Kegiatan Tidak Aktif THEN Hasil Prediksi Tidak α-predikat₄ = min(μipktinggi(3.55),μtaatazastdktaat(4),μaktifkegt dkaktif(2)) = min(0.79,0,0.67) Nilai himpunan Hasil Prediksi Tidak (z₄) (4-z₄) / (4-1) (4-z₄) z₄ = 4 [R5] IF IPK Rendah And Taat Azas Taat And Aktif Kegiatan Aktif THEN Hasil Prediksi α-predikat₅ = min(μipkrendah(3.55),μtaatazastaat(4),μaktifkegaktif (2)) = min(0.21,1,0.33).21 Nilai himpunan Hasil Prediksi (z₅) (z₅-1) / (4-1).214 (z₅-1).64 z₅.64 + 1 z₅ = 1.64 [R6] IF IPK Rendah And Taat Azas Taat And Aktif Kegiatan Tidak Aktif THEN Hasil Prediksi Tidak α-predikat₆ = min(μipkrendah(3.55),μtaatazastaat(4),μaktifkegtdk Aktif(2)) = min(0.21,1,0.67).21 Nilai himpunan Hasil Prediksi Tidak (z₆) (4-z₆) / (4-1).214 (4-z₆).64 z₆ = 4-0.64 z₆ = 3.36 [R7] IF IPK Rendah And Taat Azas Tidak Taat And Aktif Kegiatan Aktif THEN Hasil Prediksi Tidak α-predikat₇ = min(μipkrendah(3.55),μtaatazastdktaat(4),μaktifkeg Aktif(2)) = min(0.21,0,0.33) Nilai himpunan Hasil Prediksi Tidak (z₇) (4-z₇) / (4-1) (4-z₇) z₇ = 4 [R8] IF IPK Rendah And Taat Azas Tidak Taat And Aktif Kegiatan Tidak Aktif THEN Hasil Prediksi Tidak α-predikat₈ = min(μipkrendah(3.55),μtaatazastdktaat(4),μaktifkeg TdkAktif(2)) = min(0.21,0,0.67) Copyright@2017 STMIK Cikarang 5
Nilai himpunan Hasil Prediksi Tidak (z₈) (4-z₈) / (4-1) (4-z₈) z₈ = 4 Langkah 3 Metode Tsukamoto: Tahap terakhir yaitu mencari nilai rata-rata terbobot (defuzzyfikasi) ditunjukkan pada persamaan 2.5. z = z = z = 0.33 2+0.67 3+0 1+0 4+0.21 1.64+0.21 3.36+0.4+0.4 0.33+0.67+0+0+0.21+0.21+0+0 0.66+2.01+0+0+0.34+0.71+0+0 0.33+0.67+0+0+0.21+0.21+0+0 3.72 z = 1.42 z = 2.62 Untuk metode Mamdani, mengacu pada langkah 1. Himpunan fuzzy pada tiap variabel, penyelesaiannya seperti pada langkah 1. Langkah 2 Metode Mamdani: a. Aplikasi fungsi implikasi Pada metode Mamdani, fungsi implikasi yang digunakan adalah MIN. [R1] IF IPK Tinggi And Taat Azas Taat And Aktif Kegiatan Aktif THEN Hasil Prediksi α-predikat₁ = min(μipktinggi(3.55),μtaatazastaat(4), μaktifkegaktif(2)) = min(0.79,1,0.33).33 [R2] IF IPK Tinggi And Taat Azas Taat And Aktif Kegiatan Tidak Aktif THEN Hasil Prediksi α-predikat₂ = min(μipktinggi(3.55),μtaatazastaat(4),μaktifkeg TdkAktif(2)) = min(0.79,1,0.67).67 [R3] IF IPK Tinggi And Taat Azas Tidak Taat And Aktif Kegiatan Aktif THEN Hasil Prediksi α-predikat₃ = min(μipktinggi(3.55),μtaatazastdktaat(4),μaktif kegaktif(2)) = min(0.79,0,0.33) [R4] IF IPK Tinggi And Taat Azas Tidak Taat And Aktif Kegiatan Tidak Aktif THEN Hasil Prediksi Tidak α-predikat₄ = min(μipktinggi(3.55),μtaatazastdktaat(4),μaktif kegtdkaktif(2)) = min(0.79,0,0.67) [R5] IF IPK Rendah And Taat Azas Taat And Aktif Kegiatan Aktif THEN Hasil Prediksi α-predikat₅ = min(μipkrendah(3.55),μtaatazastaat(4),μaktifke gaktif(2)) = min(0.21,1,0.33).21 [R6] IF IPK Rendah And Taat Azas Taat And Aktif Kegiatan Tidak Aktif THEN Hasil Prediksi Tidak α-predikat₆ = min(μipkrendah(3.55),μtaatazastaat(4),μaktifke gtdkaktif(2)) = min(0.21,1,0.67).21 [R7] IF IPK Rendah And Taat Azas Tidak Taat And Aktif Kegiatan Aktif THEN Hasil Prediksi Tidak α-predikat₇ = min(μipkrendah(3.55),μtaatazastdktaat(4),μakti fkegaktif(2)) = min(0.21,0,0.33) [R8] IF IPK Rendah And Taat Azas Tidak Taat And Aktif Kegiatan Tidak Aktif THEN Hasil Prediksi Tidak α-predikat₈ = min(μipkrendah(3.55),μtaatazastdktaat(4),μakti fkegtdkaktif(2)) = min(0.21,0,0.67) b. Komposisi antar aturan Dari hasil aplikasi fungsi implikasi dari tiap aturan, digunakan metode MAX untuk melakukan komposisi antar semua aturan. Gambar 4.5: Daerah Hasil Komposisi Pada gambar 9 tersebut, daerah hasil di bagi menjadi 3 bagian, yaitu A1, A2, dan A3. MIN => 0, maka a₁ = 1 MAX => (a₂-1) / (4-1).67 a₂-1 = 2.01 a₂ = a₂ = 3 Dengan demikian, fungsi keanggotaan untuk hasil komposisi ini Copyright@2017 STMIK Cikarang 6
μ(z) = { 0; z 1 z 1 3 ; 1 z 0.67; z Langkah 3 Metode Mamdani: Tahap Defuzzyfikasi pada metode Mamdani menggunakan metode Centroid. Untuk itu, pertama-tama hitung momen untuk setiap daerah. M1 M2 = ( z 1 )z dz 1 3 = (0.33z 2 0.33z) dz 1 = 0.11z³ 0.165z² 1 = (0.11()³ - 0.165()²) (0.11(1)³ 0.165(1)²) = (2.99979911 1.4949165) (0.11-0.165) = 1.50488261 (-0.055) = 1.55988261 = 1.56 4 M3 = (0.67)z dz 4 = 0.335z².335(4)²-0.335()² = 5.36 3.0351 = 2.3249 = 2.33 Kemudian hitung luas setiap daerah: A1 => 1x0 ( 1)X 0.67 A2 =>.67335=0.67 2 A3 => (4-) x 0.67.6633 =0.67 Titik pusat dapat diperoleh dari: Z +1.56+2.33 = 3.89 = 2.92 0+0.67+0.6633 1.33 Nilai Rata-rata metode Tsukamoto dan metode Mamdani Output I+Output II Nilai Rata-rata = 2 = 2.62+2.92 2 = 2.77 Mahasiswa paling berprestasi ditentukan oleh jumlah nilai rata-rata paling tinggi dari sampel data mahasiswa yang di input. password tersebut telah tersimpan dalam database. Setelah login berhasil maka akan masuk ke halaman menu utama. Gambar 4.6 Form Login 2. Tampilan Menu Utama Form menu utama merupakan form utama untuk memanggil seluruh form lainnya. Untuk menu yang terdapat pada form ini antara lain menu file, menu perhitungan, menu laporan, dan menu logout. Gambar 4.7 Form Menu Utama di Data Master 3. Tampilan Form Data Mahasiswa Form data mahasiswa ini digunakan untuk menginput data calon mahasiswa berprestasi. Tabel 4.2 Hasil Perhitungan Logika Fuzzy 4.2 Tampilan Antar Muka Sistem 1. Tampilan Menu Login Form Login merupakan gerbang utama untuk dapat masuk ke dalam aplikasi. Untuk dapat mengakses aplikasi ini, pengguna harus memasukkan username dan password terlebih dahulu. Username dan Gambar 4.8 Form Data Mahasiswa 4. Tampilan Form Tsukamoto Form Tsukamoto digunakan untuk mengetahui proses perhitungan metode Tsukamoto. Copyright@2017 STMIK Cikarang 7
Gambar 4.9 Form Tsukamoto 5. Tampilan Form Mamdani Form Mamdani digunakan untuk mengetahui proses perhitungan metode Mamdani. Gambar 4.11 : Form Logika Fuzzy 7. Tampilan Laporan Logika Fuzzy Tampilan ini menunjukkan hasil laporan logika fuzzy dari beberapa data mahasiswa yang di input dan telah diurutkan berdasarkan nilai rata-rata tertinggi sehingga memudahkan untuk mengetahui mahasiswa yang paling berprestasi. Gambar 4.10 Form Mamdani 6. Tampilan Form Logika Fuzzy Form ini digunakan untuk menghitung nilai rata-rata dari output metode Tsukamoto dan output metode Mamdani. Gambar 4.12 Laporan Logika Fuzzy 5. Kesimpulan Dan Saran 5.1 Kesimpulan Dari hasil penelitian yang dilakukan mulai dari awal hingga proses pengujian, dapat disimpulkan bahwa: 1. Susunan perhitungan sistematis dalam menentukan mahasiswa berprestasi menggunakan logika fuzzy metode Tsukamoto dan metode Mamdani dapat dilakukan dengan mengetahui variabel dan nilai lingustik untuk IPK yaitu rendah dan tinggi, taat azas/aturan akademik yaitu taat dan tidak taat, aktif kegiatan yaitu aktif dan tidak aktif, serta hasil prediksi yaitu berprestasi dan tidak berprestasi, lalu diimplementasikan dalam membangun himpunan fuzzy untuk proses fuzzyfikasi serta aturan/rule yang digunakan. Copyright@2017 STMIK Cikarang 8
2. Aplikasi ini dapat membantu mempercepat proses penentuan mahasiswa berprestasi. 3. Hasil penelitian dengan membandingkan metode manual pada sistem yang sedang berjalan dengan yang diusulkan menunjukkan bahwa sistem yang diusulkan lebih baik dari sistem yang sedang berjalan di STMIK Cikarang. Triyanto, Agus, dkk. Studi Perbandingan Metode Fuzzy Tsukamoto dan Fuzzy Mamdani untuk seleksi pegawai teladan pada PT. Graha Pharmindo, ISSN: 2407-1102, Oktober 2014 Widodo, Prabowo Pudjo dan Herlawati. Menggunakan UML, Informatika, Bandung, 2011 5.2 Saran Saran yang dapat direkomendasikan oleh peneliti dalam menyelesaikan penelitian ini 1. Penelitian ini sangat cocok untuk dipelajari bagi pengembang aplikasi yang ingin membuat aplikasi logika fuzzy untuk menentukan mahasiswa berprestasi baik berbasis dekstop, web, maupun mobile. 2. Diharapkan penelitian selanjutnya dapat menerapkan logika fuzzy metode Sugeno. 3. Penelitian ini perlu diimplementasikan oleh STMIK Cikarang agar bisa digunakan. DAFTAR PUSTAKA Andre. Tutorial Belajar MySQL Part 1: Pengertian MySQL dan Kelebihan MySQL, http://www.duniailkom.com/ tutorial-mysql-alasan-menggunakan-mysql/, dipublikasikan tanggal 16 September 2012. Aprizal, Muhammad, dkk. Perbandingan Metode Logika Fuzzy Tsukamoto dan Logika Fuzzy Mamdani Dalam Pemilihan Penerima Beasiswa Pada STMIK Global Informatika MDP, 2015 Dhawiyandi, Sri dan Roni Satria Wahono. Pengantar Unified Modeling Language (UML), Ilmu Komputer.com, 2003 Jubilee Enterprise. Belajar Java, Database, dan Netbeans dari Nol, PT. Elex Media Komputindo, Jakarta, 2016 Jubilee Enterprise. Aplikasi Penggajian deng an Java untuk Pemula, PT. Elex Komputindo, Jakarta, 2014 Kusuma Dewi, Sri dan Heri Purnomo. Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Graha Ilmu, Yogyakarta, 2013 Mande, Arhyy. Landasan Teori UML, http://www.luwuraya.com/2014/06/landasan-teori-uml.html, dipublikasikan tanggal 12 Mei 2016. Pilmapres. Pedoman Pemilihan Mahasiswa (Pilmapres). Program Sarjana, http://www.pilmapres.ristekdikti.go.id/file/pedukung/ 2017/PEDOMAN-PILMAPRES-SARJANA-2017. pdf, dipublikasikan bulan Januari 2017. Putra, Adhitya Wibawa. Netbeans IDE, http://teknojurnal.com/netbeans-ide/, dipublikasikan tanggal 19 Juli 2014. TIM Lintang Wahana Komputer. Membangun Sistem Informasi dengan Java NetBeans dan MySQL, Andi, Yogyakarta, 2015 Copyright@2017 STMIK Cikarang 9