Laporan Makalah SISPAK Ganjil 2013

LAPORAN TUGAS AKHIR
Implementasi Sistem Pakar Penentuan Jurusan IPA IPS Menggunakan

Metode Tsukamoto

Konsentrasi : Komputasi Cerdas dan Visual

Diajukan untuk memenuhi persyaratan tugas akhir Mata Kuliah Sistem Pakar

KELAS B
KELOMPOK 2

DisusunOleh :
Magdalena Trie P. 105060807111045
HennyAprilya 105060807111115
Maharani Putri S. N. 105060807111005
Clara Jerina 105060800111058

DosenPengampu:
Arief Andy Subroto, ST., M.Kom

PROGRAM STUDI TEKNIK INFORMATIKA
PROGRAM TEKNOLOGI INFORMASI DAN ILMU KOMPUTER
UNIVERSITAS BRAWIJAYA
MALANG
2013

ii

KATA PENGANTAR
Puji dan syukur dipanjatkan kehadirat Tuhan Yang Maha Esa yang telah melimpahkan berkat
dan karunia-Nya sehingga penulis dapat menyelesaikan laporan hasil diskusi dengan judul
Implementas Sistem Pakar Penentu Jurusan IPA IPS Menggunakan Metode Tsukamoto.
Melalui pengantar ini penulis ingin mengucapkan banyak terima kasih karena dalam
penyusunan laporan hasil diskusi ini penulis telah mendapat bantuan dan dorongan baik moril
maupun materil dari berbagai pihak. Untuk itu pada kesempatan ini penulis ingin
mengucapkan terima kasih kepada :
1. Bapak Arief Andy S. selaku dosen matakuliah Sistem Pendukung Keputusan
2. Semua rekan yang telah membantu dalam analisa dan pembuatan laporan ini
Serta semua pihak yang tidak disebutkan yang telah membantu penulis dalam
penyelesaian laporan hasil diskusi ini. Penulis sangat menyadari bahwa laporan hasil diskusi
ini masih banyak kekurangan, oleh karena itu penulis mengharapkan masukan dari semua
pihak.

Malang,25 November 2013

Penulis

iii

DAFTAR ISI

Halaman Cover i
Kata Pengantar .... ii
Daftar isi ......................................................................................................... iii
Daftar Gambar ................................................................................................ vi
Daftar Tabel ................................................................................. vii
DaftarPersamaan ............................................................................................. viii
BAB 1 PENDAHULUAN
1.1 LatarBelakang ....................................................................................... 1
1.2 RumusanMasalah .................................................................................. 2
1.3 Tujuan .................................................................................................. 2
1.4 Manfaat................................................................................................. 2
BAB II Tinjauan Pustaka
2.1 Tinjauan Pustaka 3
2.2 Penjurusan SMA ............ 7
2.3. Sistem Pakar ........................................................................................ 8
2.4. Definisi Logika Samar ......................................................................... 10
2.3. Himpunan Fuzyy .................................................................................. 12
2.4. Fungsi Keanggotaan ............................................................................. 12
2.5. Sistem Fuzzy ........................................................................................ 18
2.6. Fuzzy Set ............................................................................................. 19
2.7. FIS ....................................................................................................... 19
2.7.1 Metode Tsukamoto ..................................................................... 21
2.7.2 Metode Mamdani ........................................................................ 22
2.7.3 Metode Sugeno ........................................................................... 24

iv

BAB III METODOLOGI PENELITIAN
3.1 Studi Pustaka................................................................................... 26
3.2 Analisis Data Sistem ....................................................................... 26
3.3 Analisis Kebutuhan ......................................................................... 28
3.4 Peracangan Umum .......................................................................... 29
3.5 Implementasi ................................................................................... 30
3.6 Pengujian ........................................................................................ 31
3.7 Kesimpulandan Saran ...................................................................... 31
BAB IV ANALISIS DAN PERANCANGAN SISTEM
4.1 Analisa Kebutuhan Sistem ............................................................. 33
4.1.1. Identifikasi Aktor ................................................................ 33
4.1.2. Daftar Kebutuhan Sistem ..................................................... 33
4.1.3. Diagram Use Case ............................................................... 34
4.1.4. Skenario Use Case ............................................................... 35
4.1.4.1. Skenario Use Case Login......................................... 36
4.1.4.2. Skenario Use Case Logout ....................................... 36
4.1.4.3. Skenario Use Case Mengolah Data User .................. 37
4.1.4.4. Skenario Use Case Mengolah Data Siswa ................ 38
4.1.4.5. Skenario Use Case Mengolah Data Hasil Pengolahan
Pakar ................................................................................... 39
4.1.4.6. Skenario Use Case Melakukan Test ......................... 40
4.1.5. Subsistem Antarmuka .......................................................... 62
4.1.5.1. Halaman Login ........................................................ 63
4.1.5.2. Halaman Home (Admin) ......................................... 64
4.1.5.3. Halaman Add Data User .......................................... 64
4.1.5.4. Halaman Lihat dan Delete Data User ....................... 65

v

DAFTAR PUSTAKA .................................................................................... 42

vi

DAFTAR GAMBAR
Gambar 2.1 SistemPakar ...................................................................................... 7
Gambar 2.2 Sistem Pakar dari Sudut Pandag Lingkungan .................................... 8
Gambar 2.3 Pemetaan Input Output ...................................................................... 10
Gambar 2.4 Representasi Linier Naik ................................................................... 12
Gambar 2.5 Representasi Linier Turun ................................................................. 13
Gambar 2.6 RepresentasiKurvaSegitiga ............................................................... 13
Gambar 2.7 RepresentasiKurvaTrapesium ............................................................ 14
Gambar 2.8 RepresentasiKurvaPertumbuhan ........................................................ 15
Gambar 2.9 RepresentasiKurvaPenyusutan .......................................................... 16
Gambar 2.10 RepresentasiKurva Phi .................................................................... 16
Gambar 2.11 SistemInferensi Fuzzy ..................................................................... 19
Gambar 2.12 Proses SistemInferensi Fuzzy .......................................................... 19
Gambar 2.13 FIS Metode Tsukamoto ................................................................... 21
Gambar 2.14 FIS MetodeMamdani ...................................................................... 22
Gambar 2.15 FIS Metode Takagi-Sugeno ............................................................. 23
Gambar 3.1 Diagram AlirMetodologiPenelitian ................................................... 24
Gambar 3.2 Diagram Blok Sistem Pakar Pemilihan Jurusan ................................. 26
Gambar 4.1 Pohon Perancangan ........................................................................... 29
Gambar 4.2 Diagram Use Case............................................................................. 32
Gambar 4.3 Sitemap Halaman Admin .................................................................. 38
Gambar 4.4 Sitemap Halaman User ...................................................................... 39
Gambar 4.5 Perancangan Antarmuka Halaman Login .......................................... 39
Gambar 4.6 Perancangan Antarmuka Halaman Home .......................................... 40
Gambar 4.7 Perancangan Antarmuka Halaman Insert dan Edit Data User............. 40
Gambar 4.8 Perancangan Antarmuka Halaman Lihat dan Edit, Delete Data User . 41

vii

DAFTAR TABEL
Tabel 2.1 Perbandingan Objek dan Metode .......................................................... 4
Tabel 2.2 Perbandingan Data Input....................................................................... 4
Tabel 4.1 Identifikasi Aktor.................................................................................. 30
Tabel 4.2 Daftar Kebutuhan Sistem ...................................................................... 30
Tabel 4.3 Skenario Use Case Login dan Melihat Hasil Rekomendasi ................... 33
Tabel 4.4 Skenario Use Case Logout .................................................................... 33
Tabel 4.5 Skenario Use Case Mengolah Data User ............................................... 34
Tabel 4.6 Skenario Use Case Mengolah Data Siswa ............................................. 35
Tabel 4.7 Skenario Use Case Mengolah Data Hasil Pengolahan Pakar ................. 36
Tabel 4.8 Skenario Use Case Melakukan Test ...................................................... 37

viii

DAFTAR PERSAMAAN
Persamaan 2.1Representasi Linier Naik ................................................................ 7
Persamaan 2.2Representasi Linier Turun .............................................................. 8
Persamaan 2.3RepresentasiKurvaSegitiga ............................................................ 9
Persamaan 2.4RepresentasiKurvaTrapesium ........................................................ 10
Persamaan2.6 RepresentasiKurvaPertumbuhan .................................................... 11
Persamaan 2.7 RepresentasiKurvaPertumbuhan ................................................... 12
Persamaan 2.8 RepresentasiKurva Phi .................................................................. 13

1

BAB I
PENDAHULUAN

1.1 Latar belakang
Pelaksanaan penjurusan bagi setiap siswa SMA dimulai pada semester satu
kelas XI. Penjurusan di tingkat SMA tidak selalu menjamin bahwa seorang siswa
akan memilih bidang studi yang sama di Universitas. Faktor yang menjadi penentu
pemilihan bidang studi masih didominasi oleh: referensi orangtua, tren terkini dan
faktor teman. [1]
Tes bakat dan minat siswa sebelum memilih bidang studi penting dilakukan
jika siswa tidak mengetahui potensi yang dimilikinya dan akan diarahkan kemana
kelak masa depannya. Implementasi teknologi informasi yang sesuai yaitu sistem
pakar dengan data bakat dan minat serta nilai akademik.[1]
Penentuan jurusan siswa SMA berpengaruh terhadap kegiatan akademik
siswa. Oleh karena itu, penjurusan yang tepat dan sesuai dengan bakat serta minat
siswa sangat diperlukan. Dengan adanya penjurusan, diharapkan setiap siswa dapat
lebih fokus pada bakat yang dimiliki. Namun faktor utama yang menentukan
penjurusan adalah nilai akademik siswa, minat siswa, kapasitas kelas IPA dan nilai tes
IQ.[12]
Nilai tes IQ adalah salah satu alat ukur kecerdasan seseorang. Kecerdasan
ialah istilah umum yang digunakan untuk menjelaskan sifat pikiran yang mencakup
sejumlah kemampuan, seperti kemampuan menalar, merencanakan, memecahkan
masalah, berpikir abstrak, memahami gagasan, menggunakan bahasa, dan belajar.
Kecerdasan erat kaitannya dengan kemampuan kognitif yang dimiliki oleh
individu.[12]
Fuzzy inference system (FIS) adalah suatu kerangka komputasi yang
didasarkan pada teori himpunan fuzzy, aturan fuzzy dan penalaran fuzzy
(Kusumadewi dan Hartati, 2006). Secara garis besar, input crisp dimasukkan ke FIS.
Input ini kemudian dikirim ke basis pengetahuan yang berisi n aturan fuzzy dalam
bentuk if-then. Fire strength atau derajat kebenaran akan dicari pada setiap aturan.
J ika jumlah aturan lebih dari satu maka dilakukan inferensi dari semua aturan. Untuk
mendapatkan nilai crisp sebagai output sistem dilakukan defuzzifikasi dari hasil
inferensi. Fuzzy inference system (FIS) dapat dilakukan dengan tiga metode, yaitu
dengan metode Mamdani, metode Sugeno dan metode Tsukamoto (Kusumadewi dan
2

Purnomo, 2004). Metode yang dipilih untuk menyelesaikan bidang studi adalah
metode Tsukamoto.[12]
1.2. Rumusan masalah
Berdasarkan latar belakang yang telah diuraikan di atas maka didapat rumusan
masalah yang meliputi :
a. Bagaimana rancangan dari sistem pakar pemilihan bidang studi dengan
menggunakan fuzzy interference system metode Tsukamoto?
b. Bagaimana akuisisi pengetahuan dari sistem pakar pemilihan bidang studi
dengan menggunakan fuzzy interference system metode Tsukamoto ?
c. Bagaimana implementasi dari sistem pakar pemilihan bidang studi dengan
menggunakan fuzzy interference system metode Tsukamoto ?
d. Bagaimana pengujian dari sistem pakar pemilihan bidang studi dengan
menggunakan fuzzy interference system metode Tsukamoto ?
1.3. Tujuan
Tujuan perancangan sistem pakar ini adalah merancang dan membangun
sistem pakar untuk pemilihan bidang studi bagi calon mahasiswa dengan
menggunakan fuzzy interference system metode Tsukamoto.

1.4. Manfaat
Diharapkan dengan adanya perancangan sistem pakar ini dapat bermanfaat
bagi :
a. Bagi Instansi Pendidikan Diharapkan sistem pakar ini dapat memudahkan para
pendidik dan pakar psikologi untuk mengarahkan calon mahasiswa pada pemilihan
bidang studi yang sesuai.
b. Bagi Ilmu Pengetahuan Diharapkan perancangan aplikasi ini dapat menambah
referensi terhadap penelitian baru dengan bidang studi terkait.
c. Bagi Masyarakat Diharapkan sistem pakar ini dapat menjadi sarana informasi
untuk membantu calon mahasiswa dalam memilih bidang studi yang tepat.
d. Bagi Penulis Diharapkan dengan adanya tugas akhir ini dapat menjadi
pembelajaran dan dapat menambah pengalaman di bidang studi keilmuan yang
terkait.

3

BAB II
TINJAUAN PUSTAKA
2.1 Kajian Pustaka
Penjurusan di tingkat SMA tidak selalu menjamin siswa memilih bidang studi
yang sama di Perguruan Tinggi. Banyak hal yang menjadi faktor penentu siswa dalam
menentukan pilihan bidang studi di Perguruan Tinggi. Hingga saat ini, faktor penentu
yang masih mendominasi diantaranya: referensi orang tua, tren terkini dan faktor
teman. Masih banyak siswa yang dibuat bingung karena siswa masih belum
mengetahui minat bakat serta potensi yang dimilikinya sehingga lebih cendurung
mengikuti saran dari orang lain [1].
Masalah tersebut menjadikan peneliti untuk merancang sebuah sistem pakar
yang berguna untuk membantu siswa untuk memilih program studi di Perguruan Tinggi
berdasarkan tes bakat dan minat bakat siswa. Dalam implementasi penulis pada
penelitian dengan judul Sistem Pakar Pemilihan Bidang Studi Bagi Calon Mahasiswa
Dengan Metode Technique For Order Preference By Similarity To Ideal Solution
(TOPSIS) (Studi Kasus SMA NEGERI 8 Malang) dengan kriteria perhitungan yang
digunakan antara lain: nilai akademik, hasil test bakat dan hasil tes minat. Hasil akhir
dari sistem yaitu sebuah table rekomendasi bidang studi dengan tujuh alternative data
sesuai dengan kriteria yang disebutkan sebelumnya. Besar kesesuaian antara hasil
sistem dengan keinginan siswa sebesar 65.91% [1].
Metode Tsukamoto juga digunakan pada penelitian kedua yaitu sebuah sistem
pakar dengan judul Studi Inferensi Fuzzy Tsukamoto Untuk Penentuan Faktor
Pembebanan Trafo PLN. Metode Tsukamoto digunakan sebagai alat bantu teknisi PT.
PLN dalam melakukan pemeliharaan preventif pada trafo PLN sehingga dapat
dilakukan pemeliharaan sesuai dengan gejala awal gangguan [2].
Sistem yang akan dibangun penulis nantinya merupakan sistem pakar yang
memanfaatkan metode Tsukamoto dalam membantu pemelihan penjurusan siswa SMA
sesuai dengan nilai yang telah dilakukan sehingga dapat dilakukan perhitungan kriteria
seperti pada penelitian pertama. Penelitian dilakukan dengan metode Tsukamoto
dengan perhitungan seperti pada penelitian kedua.
4

Pada tabel 2.1 dibawah ini akan dijelaskan mengenai perbandingan objek dan
metode yang digunakan.
Tabel 2.1 Perbandingan Objek dan Metode
Penelitian Objek yang digunakan Metode yang digunakan
Sebelumnya
Pemilihan Bidang Studi
Calon Mahasiswa
TOPSIS (Technique For
Order Preference By
Similiarity To Ideal
Solution)
Pembebanan Trafo PLN Tsukamoto
Usulan Pemilihan Penjurusan SMA Tsukamoto
Sumber: [1, 2]
Selanjutnya pada tabel 2.2 dibawah ini akan diuraikan mengenai perbandingan
data input untuk masing-masing objek.
Tabel 2.1 Perbandingan Data Input
Pemilihan Bidang
Studi Calon
Mahasiswa
Pembebanan Trafo
PLN
Pemilihan Penjurusan
SMA
Input
Rata-rata nilai
akademik kelas
X, terdiri atas:
Bahasa, Logika,
Sains, Praktek,
Sosial.
Penalaran
Verbal
Kemampuan
Angka
Penalaran
Abstrak
Kecepatan dan
Ketelitian
Klerikal (KKK)
Penalaran
Mekanikal
Pemakaian
Bahasa Mengeja
Penggunaan
Tata Bahasa
Hasil tes minat
yang terdiri dari
: Bahasa, Seni,
Pembebanan
trafo
Ketidakseimbang
an beban
Faktor daya
Tegangan
Nilai IPA
Nilai IPS
IQ
Minat
Kapasitas
5

Fisik,
Eksperimen,
Organisasi,
Bisnis dan
sosial.
Proses
User memasukan
data fuzzy yang
terdiri dari
tegangan tiap fasa
trafo, arus tiap
fasa trafo dan
kator daya
Sistem akan
melakukan proses
fuzzifikasi utnuk
mengubah data
masukan menjadi
data fuzzy
berdasarkan
himpunan fuzzy
yang terlah
ditetapkan
Dilanjutkan
dengan proses
inferensi fuzzy
menggunakan
metode fuzzy
Tsukamoto.
Sistem akan
memberikan
rekomendasi
sesuai dengan
proses fuzzy yang
telah dilakukan.
Keluaran berupa
informasi
variable tegangan
dan solusi
keputusan
pemeliharan trafo
PLN.
User memasukan
data fuzzy yang
terdiri dari Nilai
IPA, Nilai IPS, IQ,
Minat, Kapasitas
Sistem akan
melakukan proses
fuzzifikasi utnuk
mengubah data
masukan menjadi
data fuzzy
berdasarkan
himpunan fuzzy
yang terlah
ditetapkan
Dilanjutkan
dengan proses
inferensi fuzzy
menggunakan
metode fuzzy
Tsukamoto.
Sistem akan
memberikan
rekomendasi
sesuai dengan
proses fuzzy yang
telah dilakukan.
Keluaran berupa
rekomendasi
jurusan SMA.
Output
Hasil rekomendasi
bidang studi :
Kedokteran
MIPA
SASTRA
Teknik
Ilmu
administrasi
Nilai pembebanan
trafo dan
ketidakseimbangan
beban beserta solusi
pemeliharaan trafo
PLN.
Rekomendasi jurusan
SMA, yakni :
IPA
IPS
6

FISIP
Ekonomi
Sumber: [1, 2]
2.2 Penjurusan SMA
Ketentuan kurikulum, pemilihan jurusan adalah ketentuan yang ditetapkan
oleh pemerintah melalui kurikulum yang berlaku untuk sekolah dengan disesuaikan
kemampuan sekolah masing-masing. Ada tiga program studi di SMA yang selama ini
dikenal, yaitu Program Ilmu Pengetahuan Alam (IPA), Program Ilmu Pengetahuan
Sosial (IPS) serta Program Bahasa.
Pertimbangan khusus untuk melakukan penjurusan :
1. Program Ilmu Pengetahuan Alam (IPA)
Nilai mata pelajaran yang menjadi ciri program IPA, yakni; fisika,
kimia, biologi, matematika, harus sesuai dengan Standar Ketuntasan
Minimal (SKM). Kemudian hasil tes psikologi: IQ minimal 100,
kemampuan numerical, skolastik, relasi ruang minimal 65.

2. Pogram Ilmu Pengetahuan Sosial (IPS)
Nilai mata pelajaran yang menjadi ciri program IPA, yakni; ekonomi,
sosiologi, geografi, sejarah harus sesuai dengan Standar Ketuntasan
Minimal (SKM) serta juga dibutuhkan bakat numerical, verbal serta
penalaran yang tinggi.
3. Program Bahasa
Juga harus di dukung dengan mata pelajaran yang menjadi cirri dari
program ini seperti; bahasa Indonesia, Bahasa Inggris, serta penambahan
bahasa asing lain seperti Jerman atau Bahasa jepang yang kesemuannya
harus minimal sesuai dengan KKM. Terkait masalah hasil tes psikologi
pada jurusan ini hendaknya ditunjang dengan kemampuan verbal serta
penalaran yang tinggi [3].
2.3 Sistem Pakar
Sistem Pakar adalah sistem yang digunakan untuk mengadopsi
pengetahuan manusia ke komputer agar dapat menyelesaikan masalah seperti
yang biasa dilakukan oleh para ahli namun tetap tidak digunakan untuk
mengganti kedudukan seorang pakar. Aturan-aturan diberikan agar komputer
7

dapat memberlakukan informasi-informasi yang tersimpan dan program
nantinya dapat memberikan solusi-solusi pengambilan keputusan mengenai
permasalahan tertentu. Menurut Efraim Turban, Sistem Pakar harus
mengandung keahlian, ahli, pengalihan keahlian, inferensi, aturan serta
kemampuan menjelaskan.

Facts

Expertise

Gambar 2.1. Sistem Pakar
Sumber : [4]

Bentuk-bentuk pengetahuan [4] :
1. Faktor-faktor pada lingkup permasalahan tertentu
2. Teori-teori lingkup masalah tertentu
3. Prosedur-prosedur berkenaan dengan lingkup masalah tertentu
4. Strategi-strategi global untuk menyelesaikan masalah
5. Meta-knowledge

Karakteristik umum yang membedakan Sistem Pakar dengan perangkat lunak
biasa adalah [5] :
1. Terdapat banyak kemungkinan jawaban
2. Meskipun sistem pakar sering menggunakan informasi berupa data
kabur, dengan menggunakan sistem pakar diharapkan dapat mengurangi
tingkat kesalahan dan dapat memberikan keputusan yang tergolong baik
3. Sistem pakar bersifat heuristic untuk memperoleh suatu solusi
User

Knowledge
Base
8

4. Sistem pakar dapat memberikan kemudahan-kemudahan jawaban kepada
user.

Gambar 2.2. Sistem Pakar dari Sudut Pandang Lingkungan dalam Sistem
Sumber : [2]

Gambar di atas menjelaskan bahwa sistem pakar dapat dilihat
dari sudut pandang lingkungan dalam sistem. Lingkungan konsultasi
diperuntukkan bagi pengguna non pakar untuk berkonsultasi dengan sistem
dengan tujuan untuk mendapatkan nasehat pakar. Lingkungan pengembangan
ditujukan bagi yang membangun dan mengembangkan sistem pakar termasuk
membangun komponen dan memasukkan pengetahuan hasil akuisisi
pengetahuan ke dalam basis pengetahuan [2].
Blackboard adalah memori yang digunakan untuk menyimpan kondisi
yang dialami oleh pengguna dan hipotesa serta keputusan sementara. Proses
update pada basis pengetahuan dibutuhkan untuk menyempurnakan mesin
inferensi, sehingga solusi yang dihasilkan lebih baik daripada sebelumnya [2].
Mesin Inferensi
Antar Muka
Fasilitas
Penjelasan
Pemakai
Rekomendasi
Blackboard, Solusi
Basis Pengetahuan:
Fakta dan Aturan
Perbaikan
Pengetahuan
Knowledge
Engineer
Pakar
Lingkungan Konsultasi Linkungan Pengembangan
Akusisi Pengetahuan
9

Mesin Inferensi merupakan prosesor dalam sistem pakar yang
berfungsi untuk mencocokan fakta dengan pengetahuan yang terdapat pada
basis pengetahuan untuk menghasilkan solusi dari suatu masalah. Sedangkan
cara penyusunan basis pengetahuan dalam sistem agar dapat memecahkan
masalah serupa dengan seorang ahli/pakar disebut dengan penyajian
pengetahuan [2].
Metode Forward Chaining
Metode ini melakukan pemrosesan dimulai dari
sekumpulan data, kemudian dilakukan proses inferensi
sesuai dengan aturan yang telah diterapkan, sehingga
diketemukan kesimpulan yang optimal. Kelebihannya
adalah data baru dapat dimasukkan ke dalam table
database inference dan kemungkinan untuk melakukan
perubahan aturan inferensi. Biasanya metodi ini
digunakan untuk masalah pengendalian dan peramalan
[11].
Metode Backward Chaining
Metode ini dimulai dari hipoteses dan kemudian
mencari bukti yang mendukung harapan dan
memerlukan perumusan serta pengujian hipotesis
sementara. Metode inferensi dengan backward chaining
akan mencari aturan yang memiliki konsekuen yang
mengarah kepada tujuan yang diskenariokan. Biasanya
metodi ini digunakan untuk masalah diagnosis [11].
2.4 Definisi Logika Samar (Fuzzy Logic)
Fuzzy dapat diartikan sebagai hal yang bersifat kabur atau samar-samar.
Sehingga dalam suatu saat bisa saja suatu nilai dapat bernilai benar dan salah
secara bersamaan. Sehingga logika fuzzy merupakan sebuah logika yang
memiliki nilai yang tidak pasti karena bersifat kabur atau samar. Dalam logika
fuzzy dikenal istilah derajat keanggotaan yang bernilai 0 sampai dengan 1. Nilai
tersebut yang nantinya akan memberikan keberadaan dan kesalahan suatu nilai
yang bergantung pada keangotaan yang dimiliki. Logika fuzzy digunakan untuk
10

mempresentasikan masalah yang mengandung ketidakpastian dalam sebuah
bahasa yang dipahami oleh komputer [6].
Pengertan lain menjelaskan bahwa logika fuzzy adalah cara yang
digunakan dengan baik untuk memetakan suatu ruang input ke dalam ruang
output. Fuzzy dinyatakan dalam sebuah derajat keanggotaan dan derajat
kebenaran. Sehingga sesuatu dapat dinyatakan dalam kondisi benar dan salah
pada waktu yang bersamaan (Kusumadewi,2004), berikut merupakan contoh
pemetaan yang dapat dilihat pada gambar 2.1 dibawah ini [6].

Gambar 2.3 pemetaan input output
Sumber: [6]
Alasan penggunaan logika fuzzy yaitu
Logika fuzzy sangat fleksibel dan mudah untuk dipahami.
Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
Logika fuzzy dapat bekerja sama dengan teknik-teknik kendali secara
konvensional serta mampu memodelkan fungsi-fungsi non linier yang
sangat kompleks.
Logika fuzzy dapat mengaplikasikan pengalaman-pengalaman para pakar
tanpa harus melalui proses pelatihan [6].

Persediaa
n Barang
Produksi
Barang

Pemataan Input Output pada masalah produksi
Diberikan data persediaan barang, barapa jumlah
barangyang harus diproduksi
RuangInput
(Semua total persediaan
barang yang mungkin)
RuangOutput
(Semua total produksi
barang yang mungkin)
11

2.5 Himpunan Fuzzy
Himpunan fuzzy merupakan pengelompokan suatu hal berdasarkan variable
bahasa (lingustik variable), yang dinyatakan sebagai fungsi keanggotaan pada semesta
U. Keanggotaan suatu nilai pada sebuah himpunan dinyatakan dalam derajat
keanggotaan, yang memiliki nilai antara 0.0 sampa 1.0.
Himpunan fuzzy didasarkan untuk memperluas jangkauan fungsi karakteristik
sedemikian hingga fungsi tersebut dapat mencangkup bilangan real. Nilai keanggotaan
menunjukkan bahwa suatu item tidak hanya bernilai benar atau salah, di mana nilai 0
menunjukkan bahwa item bernilai salah dan nilai 1 menunjukkan bahwa item tersebut
bernilai benar, serta masih terdapat nilai-nilai yang terletak antara benar dan salah [4].
Atribut himpunan fuzzy:
Lingustik
Linguistik yaitu penamaan suatu grup yang mewakili suatu keadaan tertentu
dengan menggunakan bahasa alami dan biasanya ditulis menggunakan huruf
besar. Contoh: MUDA, TUA.
Numeris
Numeris yaitu suatu nilai yang menunjukkan ukuran dari suatu variable.
Contoh: 10, 25, 30, dsb.

Suatu jimpunan fuzzy A dalam semesta pembicaraan X dinyatakan dengan fungsi
keanggotaan A yang mempunyai nilai dalam interval. Proses untuk mendapat derajat
keanggotaan dalam himpunan fuzzy disebut fuzzifikasi [7].
2.6 Fungsi Keanggotaan
Fungsi keanggotaan adalah suatu kurva yang menunjukkan pemetaan input data
ke dalam nilai anggotanya (derajat keanggotaan). Fungsi keanggotaan memiliki interval
antara 0 sampai 1. Pendekatan fungsi adalah salah satu cara yang dapat digunakan
untuk mendapatkan nilai keangotaan.
Ada beberapa fungsi yang bisa digunakan, yakni:
12

Representasi Linear
Di dalam representasi linier, pemetaan input ke derajat keanggotaan digambarkan
sebagai suatu garis lurus. Representasi linier adalah bentuk yang paling sederhana
dan menjadi pilihan yang baik. Ada 2 keadaan himpunan fuzzy linier, yaitu:
o Representasi Liniear Naik
Kenaikan himpunan dimulai pada nilai domain yang memiliki derajat
keanggotaan nol bergerak e kanan menuju ke nilai domain yang memiliki
derajat keanggotaan lebih tinggi [8].
Fungsi Keanggotaan:

Gambar2.4 Representasi Linier Naik
Sumber: [perancangan]

p[x] =_
0; x o
x o
b o
; o x b
1; x b
.(2 1)
o Representasi Linear Turun
Garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi
pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki
derajat keanggotaan yang lebih rendah [8].
Fungsi Keanggotaan:
a b
domain
0
1
Derajat
Keanggotaan
13

Gambar 2.5 Representasi Linier Turun
p[x] =_
1; x o
b x
b o
; o x b
0; x b
.(2 2)
Representasi Kurva Segitiga
Kurva segitiga merupakan gabungan antara 2 garis liniear [8]. Fungsi
keanggotaan:

Gambar 2.6 Representasi Kurva Segitiga
p[x] =
0; x o atau x c
x o
b o
; o x b
b x
c b
; b x c
.(2 3)
Representasi Kurva Trapesium
Memiliki dasar layaknya kurva segitiga, namun terfapat beberapa titik yang
memiliki nilai keanggotaan 1 [8]. Fungsi keanggotaan:
1
0
a Domain
b
Derajat
Keanggotaan
a b c
1
0
Derajat
Keanggotaan
domain
14

Gambar 2.7 Representasi Kurva Trapesium
p[x] =
0; x o atau x c
x o
b o
; o x b
1; b x c
b x
c b
; b x c
.(2 4)
Representasi Kurva Bentuk Bahu
Daerah yang terletak di tengah-tengah suatu variable yang direpresentasikan
dalam bentuk segitiga, namun terkadang pada salah satu sisi dari variable tersebut
tidak mengalami perubahaan. Bahu kiri bergerak dari benar ke salah dan bahu
kanan bergerak dari salah ke benar [8].
Representasi Kurva S
Kurva pertumbuhan dan penyusutan merupakan kurva S (kurva sigmoid) yang
berhubungan dengan kenaikan dan penurunan permukaan secara tak linear. Kurva
S didefinisikan dengan menggunakan 3 parameter yakni nilai keanggotaan nol,
nilai keanggotaan lengkap dan crossover yaitu titik yang memiliki domain 50%
benar. Terdapat dua keadaan himpunan fuzzy tak linier, yakni:
o Kurva Pertumbuhan
Kurva pertumbuhaan akan bergerak dari sisi paling kiri dengan nilai
keanggotaan nol ke sisi paling kanan dengan nilai keanggotaan satu. Fungsi
keanggotaan akan tertumpu pada 50% nilai keanggotaannya yakni titik
infleksi [8]. Fungsi keanggotaan:

1
c d
0
a b
domain
Derajat
Keaangotaan
15

Gambar 2.8 Representasi Kurva Pertumbuhan
S(x; o,b,c) =
0; x o
2[
x o
c o
2
; o x b
12[
c x
c o
2
; b x c
1; x c
..(25)
o Kurva Penyusutan
Kurva penyusutan akan bergerak dari sisi paling kanan dengan nilai
keanggotaan satu ke sisi paling kiri dengan nilai keanggotaan nol [8].
Fungsi keanggotaan:

Gambar 2.9 Representasi Kurva Penyusutan

1
0,5
0
a b c
Derajat
keanggotaan
domain
1
0.5
0
a b c
Derajat
keanggotaan
domain
16

S(x; o,b,c) =
1; x o
1 2[
x o
c o
2
; o x b
2[
c x
c o
2
; b x c
0; x c
..(2 6)
Representasi kurva Phi
Kurva ini berbentuk seperti lonceng dan derajat keanggotaan 1 terletak pada pusat
domain [8]. Fungsi keanggotaan:

Gambar 2.10 Representasi Kurva Phi
n(x;b,c) =_
S _x; c b,c _
b
2
],c] ; x c
1S _x;c,c +_
b
2
],c +b] ; x >c
.(2
7)
2.7 Sistem Fuzzy
Sistem fuzzy pertama kali ditemukan oleh Prof. Lotfi Zadeh di Universtas
California. (Kusumadewi: 2006) Sistem ini diciptakan karena logika Boolean tidak
memiliki ketelitian yang tinggi, yakni hanya memiliki logika 0 dan 1. Logika fuzzy
adalah salah satu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu
ruang output.

1
0.5
0
a c b
domain
Derajat
keanggotaan
17

Hal yang perlu diketahui dalam sistem fuzzy, yaitu:
Variabel Fuzzy
Variabel fuzzy merupakan variable yang hendak diterapkan dalam sistem fuzzy.
Contoh: umur, temperature, dsb.
Himpunan Fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisii tertentu di
dalam variable fuzzy. Himpunan fuzzy memiliki 2 atribut, yaitu:
Lingustik
Linguistik yaitu penamaan suatu grup yang mewakili suatu keadaan tertentu
dengan menggunakan bahasa alami dan biasanya ditulis menggunakan
huruf besar. Contoh: MUDA, TUA.
Numeris
Numeris yaitu suatu nilai yang menunjukkan ukuran dari suatu variable.
Contoh: 10, 25, 30, dsb.
Semesta Pembicaraan
Semesta pembicaraan merupakan keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam variable fuzzy.
Domain
Domain himpunan fuzzy merupakan kesuluruhan nilai yang diizinkan dalam
semesta pembicaraan yang boleh dioperasikan dalam himpunan fuzzy.
2.8 Fuzzy Set
Fuzzy set merupakan dasar dari fuzzy logic dan fuzzy system. Suatu fuzzy set A di
dalam Universe (semesta) U didefinisikan sebagai suatu fungsi keanggotaan A(x),
yang memetakan setiap objek di U menjadi suatu nilai real dalam interval [0,1]. Nilai-
nilai A(x) menyatakan derajat keanggotaan x di dalam A [9]. Perhitungan fuzzy set
menggunakan max-min inference serta menggunakan rumus segitiga maupun trapesium
untuk menentukan derajat keanggotaannya.
18

2.9 Fuzzy Inference System (FIS)

Fuzzy merupakan suatu kerangka kerja perhitungan yang berdasar konsep
teori himpunan fuzzy.Aturan fuzzy meliputi fungsi if-then, dan pemikiran fuzzy.
Inferensi fuzzy dapat mengambil input fuzzy ataupun crisp (himpunan tegas), tetapi
outputnya hampir selama menghasilkan himpunan fuzzy. Metode fuzzy merupakan
suatu metode di fuzzikan untuk mendapatkan nilai crisp(himpunan tegas).Struktur
dasar dari sistem inferensi fuzzy ini meliputi[7] :
A. Dasar aturan yang mana berisi sebuah pemilihan aturan fuzzy.
B. Database yang nantinya di gunakan untuk mendefinisikan fungsi
keanggotaan dalam sebuah aturan fuzzy.
C. Mekanisme pemikiran yang mengerjakan prosedur inferensi terhadap
aturan dan kenyataan yang dapat diketahui untuk menurunkan output atau
kesimpulan masuk akal.
Penjelasan dalam sistem inferensi fuzzy dapat di gambarkan sebagai berikut :

Gambar 2.11. Sistem inferensi fuzzy
Sumber [7]

is 1 Y is B1
W1
Rule 1
Rule 2
is 2
W2
Y is B2
is r Y is Br
Wr
Rule r

Crisp for
Fuzzy
Agoregator
Fuzzy
Fuzzy
Fuzzy
Defuzrisp
y
Fuzzy
Crisp
19

Proses proses dalam Sistem Inferensi fuzzy meliputi

Gambar 2.12 Proses sistem inferensi fuzzy
Sumber: [7]
Gambar 2.12 diatas merupakan proses sistem inferensi fuzzy yang
penjelasannya adalah sebagai berikut :
1. Fuzzyfikasi merupakan nilai crisp (numeric) dalam suatu himpunan
fuzzydan menentukan derajat keanggotaan dalam suatu himpunan fuzzy.
Fuzzyfikasi ini dilakukan didasarkan pada teori himpunan fuzzy , sehingga
apabila data yang belum bebentuk fuzzy harus di ubah dalam bentuk
fuzzy.
2. J ika bagian antesenden dihubungkan oleh konektor and, or, not maka
derajat kebenarannya dihitung dengan operasi fuzzy yang bersesuaian.
3. Implikasi merupakan proses mendapatkan pengeluaran dari IF-THEN rule.
Fugsi dari implikasi itu sendiri adalah min.
4. Agregasi merupakan suatu metode yang menggunakan max atau or pada
semua keluaran IF-THEN rule. Dan jika lebih dari satu kaidah yang
dievaluasi, keluaran semua IF-THEN rule dikombinasikan menjadi sebuah
fuzzy set tunggal.
5. Defuzzyfikasi merupakan proses memetakan besaran dari himpunan fuzzy
ke dalam bentuk nilai crisp. Defuuzyfikasi ini diterapkan karena sistem
diatur dengan besaran rill, bukan besaran fuzzy. Pada defuzzifikasi
INPUT
OPERASI FUZZY
LOGIC
IMPLIKASI
AGREGASI
DEFUZZYFIKASI
20

strategib yang dipakai dalam pakar adalah menetukan bentuk kompromi
yang terbaik. Dalam fuzzy inference system dikenal tiga metode yang dapat
digunakan untuk pengambilan keputusan, yaitu :
3.7.1. metode Tsukamoto
pada metode ini, konsekuen dari setiap aturan bebentuk IF-
THEN yang direpresentasikan dengan menggunakan himpunan-
himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai
hasilnya, output hasil penarikan kesimpulan (inference) dari tiap-tiap
aturan diberikan secara tegas (crisp) berdasarkan-predikat (fire
strength). Hasil akhir diperoleh dengan menggunakan rata-rata
berbobot (weight average) [10].

Gambar 2.13 fuzzy inference system metode Tsukamoto
Sumber: [10]

Z

Z1
C2

C1

A1
X

A2
X
X
B1
B2

y

y
y
Min or product
Z
2

z =
w
1
z
1
+w
2
z
2
w
1
+w
2

21

3.7.2. metode Mamdani
metode ini merupakan sebuah metode yang sering dikenal dengan nama
metode Max-Min [10]. Untuk mendapatkan output maka diperlukan 4 tahapan
yaitu
Pembentukan himpunan fuzzy (fuzzyfication)
Variabel input dan output dibagi menjadi satu atau lebih himpunan fuzzy
[10]
Penerapan fungsi implikasi
Fungsi implikasi yang digunakan adalah MIN [10]
Komposisi (penggabungan) aturan
Inferensi diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 macam
metode yang dapat digunakan untuk melakukan inferensi, yaitu metode
MAX, metode ADDITIVE, dan metode probabilistik OR [10].
Penegasan (defuzzyfication)
Input disini adalah suatu himpunan fuzzy yang diperoleh dari komposisi
aturan-aturan fuzzy, outputnya adalah nilai tegas (crisp) yang dihasilkan
dari satu bilangan pada domain himounan fuzzy tersbut. Metode
defuzzifikasi yang digunakan yaitu metode Centroid (Center of Mass),
metode Bisektor, metode Mean of Maximum (MOM), metode Largest of
Maximum (LOM), dan metode Smallest of Maximum (SOM) [10].
22

Gambar 2.14 fuzzy inference system metode Mamdani
Sumber: [8]
3.7.3. metode Sugeno
metode ini hampir sama dengan metode mamdani, hanya output sistem bukan
berupa himpunan fuzzy melainkan sebuah konstanta (orde nol) atau persamaan
linier (orde satu) [10].
Model Sugeno Orde Nol
IF (x1 is A1) (x2 is A2) (xn is An) THEN z=k
Model Sugeno Orde Satu
IF (x1 is A1) (x2 is A2) (xn is An) THEN z=p1 * x1 + +p2 *
x2 +q
ZCOA
C

Z
Z

C2
C2

C1

A1
X

A2
X
X
B1
B2

y

y
y
Max
Min
23

Gambar 2.15 fuzzy inference system metode Takagi-Sugeno
Sumber: [8]

A1
X

A2
X
X
C
B1
B2

y

y
y
Weigthed
average
Min or product

z =
w
1
z
1
+w
2
z
2
w
1
+w
2

W1
W
1

z
1
=p
1
x +q
1
y +r
1

z
2
=p
2
x +q
2
y +r
2

24

BAB III
METODELOGI PENELITIAN

Bab ini membahas metode yang digunakan dalam penelitian yang terdiri dari studi
pustaka, metode pengambilan data, metode perancangan, metode implementasi, metode
pengujian dan analisis serta pengambilan kesimpulan dan saran. Berikut gambar 3.1. adalah
diagram alir metodelogi penelitian yang dilakukan :

Gambar 3.1 Diagram Metodologi Penelitian
Sumber: [Perancangan]
3.1 Studi Pustaka
Metode ini digunakan untuk mendapatkan dasar teori sebagai suber acuan untuk
penulisan skripsi dan pengembangan aplikasi. Teori dan pustaka yang berkaitan dengan
tugas akhir ini meliputi :
25

Penjurusan SMA
Sistem Pakar
Fuzzy Logic
Fungsi Keanggotaan
Sistem Fuzzy
Fuzzy Set
Fuzzy Inference System
Metode Tsukamoto

Studi literatur menjelaskan dasar teori yang digunakan sebagai penunjang dan
pendukung penulisan skripsi, Sumber atau referensi yang digunakan antar lain buku,
jurnal, laporan penelitian, bantuan dan mesin perncari (search engine) internet.
3.2 Analisis Data Sistem
Aplikasi sistem pakar fuzzy logic berikut ini merupakan diagnose penyakit
dengan menggunakn mesin inferensia fuzzy berdasarkan metode tsukamoto. Proses
diagnosis ini didasarkan dengan nilai - nila pada siswa SMA kelas X. Masukan atau
inputan dari sistem berikut ini adalah :
1. Biodata Siswa yang terdiri dari
Nama, nomer induk.
2. Nilai semua Mata pelajaran yang terdiri dari
Agama, matematika, kima, fisika, biologi, sejarah, ekonomi, akutansi.
3.3 Penerapan Metode Tsukamoto
Model yang dipakai dalam implementasi sistem pakar diaognosis penyakit
adalah model logika fuzzy dengan metode Tsukamoto. Gambar 3.2 di bawah
ini merupakan gambaran langkah-langkah yang digunakan dalam metode Tsukamoto.

26

Gambar 3.2. Flowchart Fuzzy metode Tsukamoto
Sumber : [perancangan]

Adapun penjelasan dari flowchart pada gambar 3.2 di atas adalah sebagaim berikut :
1. Input himpunan fuzzy
Dalam perancangan sistem pakar ini menggunakan inputan dari
hasil nilai . Hasil pemeriksaan tersebut merupakan variabel-variabel yang
digunakan dalam menentukan penjurusan IPA/IPS. Variabel-variabel
tersebut niali biologi, fisika, kimia, matematika, sejarah, geografi, ekonomi
dan hasil psikotest.
2. Menentukan derajat keanggotaan himpunan fuzzy
Setiap variabel sistem dalam himpunan fuzzy ditentukan derajat
keanggotaannya (). Dimana derajat keanggotaan tersebut menjadi nilai
dalam himpunan fuzzy.
3. Menghitung predikat aturan ()
Variabel-variabel yang telah dimasukkan dalam himpunan fuzzy,
dibentuk aturan-aturan yang diperoleh dengan mengkombinasikan setiap
variabel dengan variabel yang satu dengan atribut lingusitiknya masing-
Mulai
Input nilai
himpunan Fuzzy
Menentukan derajat
keanggotaan
Menghitung predikat aturan
Defuzzifikasi
Output hasil
keputusan
Selesa
27

masing. Aturan-aturan yang telah diperoleh akan dihitung nilai predikat
aturannya dengan proses implikasi.
Dalam metode Tsukamoto proses implikasi dilakukan dengan
operasi Min. Predikat aturan tersebut diperoleh dengan mengambil nilai
minimum dari derajat keanggotaan variabel yang satu dengan variabel
yang lain, yang telah dikombinasikan dalam aturan yang telah ditentukan
sebelumnya.
4. Defuzifikasi
Pada tahap defuzifikasi ini dilakukan penghitungan rata-rata
dengan menggunakan persamaan berikut ini :
Z =
(
1
z
1
,
2
z
2
,
n
z
n
)
(
1
,
2
,
n
)
(3-1)

5. Hasil keputusan
Pada bagian ini merupakan hasil keputusan dari rangkaian proses
dalam penegakan penentuan penjurusan IPA/IPS.
3.4 Analisis kebutuhan
Kegiatan analisis kebutuhan perangkat lunak meliputi analisis spesifikasi
perangkat lunak.Metode analisis menggunakan bahasa pemodelan UML (Unified
Modeling Language). Use Case Diagram digunakan untuk mendeskripsikan
kebutuhan-kebutuhan dan fungsionalitas sistem dari perspektif user. Analisis
kebutuhan dilakukan dengan mengidentifikasi semua kebutuhan (requirements) sistem
yang kemudian akan dimodelkan dalam diagramuse case. Kebutuhan fungsional yang
nantinya akan disediakan oleh aplikasi ini antara lain adalah :
1. Aplikasi pada komputer ini harus menyediakan fasilitas untuk login sehingga
hanya admin yang terdaftar yang dapat menggunakan layanan sistem.
2. Penentuan jurusan IPA dan IPS.
Sumber data yang digunakan berasal dari nilai akademik dari calon siwa IPA
atau IPS pada saat SMA kelas X. Penentuan ini mendapatkan pengarahan dari pakar
psikologi sehingga dapat disesuaikan antara pertanyaan dengan rekomendasi bidang
studi yang diberikan.

28

3.5 Perancangan Umum
Perancangan arsitektur sistem adalah tahap dimana penulis mulai merancang
suatu sistem yang mampu memenuhi semua kebutuhan fungsional aplikasi dalam tugas
akhir ini. Teori teori dari pustaka dan data sample digabungkan dengan ilmu yang
didapat diimplementasikan untuk merancang serta mengembangkan sistem pakar
pemilihan jurusan pada tingkat SMA. Perancangan sistem dilakukan setelah semua
kebutuhan sistem terpenuhi yang didapatkan melalui tahap analisis kebutuhan.
Perancangan aplikasi berdasarkan Object Oriented Analysis dan Object Oriented
Desaign yaitu menggunakan pemodelan UML (Unified Modeling Language). Sistem
pakar memilih bidang studi ini dibentuk dengan blok diagram seperti gambar dibawah
ini :
Gambar 3.3 Diagram Blok sistem pakar pemilihan penjurusan
Sumber : Perancangan

Lingkungan Konsultasi Lingkungan Pengembangan
Calon
Antarmuka
Pengguna
Fakta tentang
kejadian khusus
yaitu penjurusan
IPA & IPS
Penjurusan yang
direkomendasikan
Mesin Inferensi
Menarik Kesimpulan
Blackboard (tempat kerja)
Agenda
Solusi
Deskripsi Masalah
BASIS PENGETAHUAN
Fakta : tes akademik dan bakat
Aturan : Menggunakan metode
tsukamoto yang memadukan dari tes
bakat dan akademik
Knowladge Enginner
Pengetahuan Pakar
Psikolog(keminatan)
Perbaikan
Pengetahuan
Pengetahuan
Terdokumenta
Akuisisi
pengetahuan tentang
minat dan
penjurusan
Fasilitas penjelas
tentang alasan
rekomendasi
penjurusan
IPA&IPS
29

Keterangna Gambar :

Proses yang dapat dijelaskan dari diagram alir diatas yakni, pertama calon siswa
akan mendapatkan soal maupun pertanyaan untuk mengetahui minatnya, serta calaon siswa
akan mengikuti test akademik. Selanjutnya jawaban serta nilai akdemik tersebut akan
menentukan rekomendasi bidang studi yang diberikan.
Proses interaksi user dengan sistem dilakukan melalui antarmuka pengguna. Pada
antarmuka juga dilengkapi dengan fasilitas penjelas yang memberikan penjelasan bagaimana
hasil kesimopulan diperoleh sehingga dapat meyakinkan pengguna. Kesimpulan diberikan
berupa rekomendasi penjurusan IPA maupun IPS yang sesuai dengan minat calon siswa
tersebut dan disesuaikan dengan nilai akademin calon siswa tersebut.
Disini pakar mengambil peranan sangat aktif dalam pembuatan basis pengetahuan.
Tempat kerja disediakan bagi pakar untuk membantu memberikan solusi bagi permasalahan
sistem dijalankan dan menyediakan fasilitas khusus yang belum diprediksi. Knowladge
engineer bertanggung jawan membuat kesan yang tepat, sevara positif mengkomunikasikan
tentang proyek, memahami tipe pakar, mempersiapkan sesi, dan seterusnya.
3.6 Implementasi
Implementasi aplikasi dilakukan dengan mengacu kepada perancangan aplikasi.
Implementasi perangkat lunak dilakukan dengan menggunakan bahasa pemrograman
berorientasi objek yaitu menggunakan bahasa pemrograman Java dengan software
netbeans 6.7.1. Pada pembuatan database sistem pakar, digunakan Database Management
System (DBMS) MySQL dengan software XAMPP 1.7.7.

: Langsung
: Tidak Langsung
: Pemisan antara lingkungan dan pengembangan
: Komunikasi dua arah
30

3.7 Pengujian
Melakukan pengujian berdasarkan implementasi yang telah dibuat melalui
perhitungan akurasi efektifitas penggunaan sistem pakar bila dibandingkan dengan sistem
manual. Parameter yang digunakan meliputi: hasil tes bakat dan minat serta nilai akademik
dari calon mahasiswa.
3.8 Kesimpulan dan saran
Pengambilan kesimpulan dilakukan setelah dilakukan proses pengujian sistem pakar
sehingga dapat diketahui efektifitas kinerja sistem pakar. Tahap terakhir yaitu penulisan saran
yang dapat membantu dalam pengembangan sistem pakar selanjutnya.

31

BAB IV
ANALISA DAN PERANCANGAN SISTEM
1. Metode
Bab ini membahas mengenai analisis kebutuhan dan perancangan Sistem Pakar Untuk
Menentukan Jurusan di SMA. Tahap perancangan yang diperlukan terbagi menjadi dua
tahapan, yaitu perancangan kebutuhan perangkat lunak dan perancangan sistem pakar. Tahap
analisis kebutuhan perangkat lunak meliputi identifikasi aktor, daftar kebutuhan sistem dan
use case diagram serta skenario use case. Sedangkan tahap analisis perancangan sistem
keputusan meliputi perncangan subsistem basis pengetahuan, subsistem manjemen data,
subsistem manajemen model dan susbsistem antarmuka. Untuk lebih jelasnya dapat dilihat
dalam pohon perncangan seperti yang terlihat pada Gambar 4.1.

Gambar 4.1 Pohon Perancangan
Analisa dan
Perancangan
Analisa
Kebutuhan
Perangkat Lunak
Perancangan
sisten pakar
Identifikasi
Aktor
Daftar
Kebutuhan
Sistem
Use Case
Diagram
Skenario Use
Case
Akuisisi
pengetahuan
Basis
Penegetahuan
Mesin
inferensi
Fasilitas
pengguna
Subsistem
Antarmuka
32

4.1. Analisa Kebutuhan Perangkat Lunak
Tahapan analisa kebutuhan sistem memiliki tujuan untuk memodelkan
informasi yang akan digunakan dalam tahapan perancangan. Analisa kebutuhan
sistem yang diperlukan meliputi identifikasi aktor, daftar kebutuhan sistem dan use
case diagram. Berikut ini merupakan penjelasan dari masing-masing tahapannya:
4.1.1. Identifikasi Aktor
Tahapan ini bertujuan untuk mengidentifikasi aktor-aktor yang nantinya akan
berinteraksi dengan sistem. Pada kolom aktor disebutkan aktor-aktor yang berperan
dalam sistem dan pada kolom lainnya akan menunjukkan deskripsi dari masing-
masing aktor. Tabel 4.1 memperlihatkan aktor-aktor yang berperan dalam sistem yang
dilengkapi dengan penjelasannya yang merupakan hasil dari proses identifikasi aktor.
Tabel 4.1 Identifikasi Aktor
Aktor Deskripsi Aktor
User User merupakan aktor pengguna yang ingin mendapatkan
rekomendasi siswa. User bisa merupakan guru atau karyawan.
Admin Admin merupakan aktor pengguna yang bertugas untuk memantau
sistem, seperti mengolah data user, mengolah data yang diperlukan
untuk sistem pakar.
Sumber: Perancangan
4.1.2. Daftar Kebutuhan Sistem
Tahapan ini bertujuan untuk menjelaskan kebutuhan sistem yang harus
dipenuhi saat aktor melakukan sebuah aksi. Daftar kebutuhan ini terdiri dari sebuah
kolom yang merupakan hal-hal yang harus disediakan oleh sistem, sedangkan pada
kolom yang lain menunjukkan nama use case yang menampilkan fungsionalitas
masing-masing kebutuhan tersebut. Tabel 4.2 memperlihatkan daftar kebutuhan
fungsionalitas pada sistem.
Tabel 4.2 Daftar kebutuhan Sistem
Kebutuhan Aktor Nama Use Case
Sistem harus menyediakan
antarmuka untuk melakukan Login
Admin, User Login
antarmuka untuk melakukan
Logout
Admin, User Logout
Sistem harus menyediakan menu
untuk mengolah data user
Admin Mengolah data user
Sistem harus menyediakan proses
untuk insert data user
Admin Insert data user
33

untuk edit data user
Admin Edit data user
untuk delete data user
Admin Delete data user
untuk mengolah data siswa
Admin Mengolah data siswa
untuk insert data siswa
User Insert data siswa
untuk edit data siswa
User Edit data siswa
untuk delete data siswa
User Delete data siswa
untuk mengolah data hasil pakar
Admin Mengolah data hasil
rekomendasi
untuk delete data hasil pakar
Admin Delete data hasil
rekomendasi
antarmuka untuk menampilkan
hasil olah pakar dari proses
perhitungan yang telah dilakukan
oleh sistem.
Admin, User Melihat hasil
perhitungan sistem
pakar
antarmuka untuk melakukan tes
User Melakukan tes
antarmuka untuk menampilkan
hasil rekomendasi dari proses
perhitungan yang telah dilakukan
oleh sistem.
User Melihat hasil
perhitungan sistem
pakar
Sumber: Perancangan
4.1.3. Diagram Use Case
Diagram use case merupakan salah satu diagram yang digunakan
untuk menggambarkan kebutuhan-kebutuhan dan fungsionalitas dari sistem
serta digunakan untuk menunjukan aksi-aksi yang dilakukan oleh aktor dari
sistem. Gambar 4.2 merupakan diagram use case sistem pendukung keputusan
yang menunjukkan spesifikasi fungsionalitas yang disediakan oleh sistem dari
segi aktor Admin dan User.
34

Gambar 4.2 Diagram Use Case
Akun untuk admin sebelumnya telah dibuat dan dinputkan dalam database
sistem pada tabel admin yang berisi username dan password. Admin dapat mengolah
data user dan mengolah data hasil sistem pakar yang berarti dapat melakukan insert,
edit, delete. Sementara itu, user dapat memasukan data siswa, dapat melakukan tes
dan melihat hasil perhitungan sistem pakar
4.1.4. Skenario Use Case
Use case yang telah digambarkan dalam diagram use case akan lebih
dijelaskan secara terperinci dalam skenario use case. Penggunaan skenario use case
ini bertujuan untuk mendapatkan deskripsi secara global mengenai use case, kondisi
awal dan akhir yang harus dipenuhi oleh use case setelah fungsionalitas telah
dijalankan. Dalam skenario ini akan diulas bagaimana tanggapan sistem terhadap aksi
yang dilakukan oleh aktor.

35

4.1.4.1. Skenario Use Case Login
Pada skenario ini akan dijelaskan lebih mendetail mengenai proses login yang
dilakukan oleh aktor admin ataupun user. Dalam skenario ini juga dijelaskan
bagaimana tanggapan sistem ketika kedua aktor tersebut melihat hasil rekomendasi.
Tabel 4.3 menjelaskan bagaimana jalannya skenario use case login dan melihat hasil
rekomendasi.
Tabel 4.3 Skenario Use Case login dan Melihat Hasil Pakar
Identifikasi
Nama Login
Deskripsi Use case ini menjelaskan proses login
ke dalam sistem
Aktor Admin, User
Pra-kondisi Sistem telah menampilkan halaman
login
Skenario Melihat Hasil Rekomendasi
Aksi Aktor Reaksi Sistem
1. Aktor memasukkan username
dan password
2. Sistem memproses login
3. Sistem menampilkan halaman
utama actor
Kondisi Akhir Sistem menampilkan halaman
utama actor
Sumber: Perancangan
4.1.4.2. Skenario Use Case Logout
Pada skenario ini akan dijelaskan lebih mendetail mengenai proses logout
yang dilakukan oleh aktor admin ataupun user. Tabel 4.4 menjelaskan bagaimana
jalannya skenario use case logout.
Tabel 4.4 Skenario Use Case Logout
Identifikasi
Nama Login
Deskripsi Use case ini menjelaskan proses
logout ke dalam sistem
Aktor Admin, User
utama
Skenario Melihat Hasil Rekomendasi
1. Aktor menekan tombol logout 2. Sistem memproses logout
Kondisi Akhir Sistem berhasil ditutup
Sumber: Perancangan
36

4.1.4.3. Skenario Use Case Mengolah Data User
Pada skenario ini akan dijelaskan lebih mendetail mengenai kebutuhan
fungsionalitas yang harus disediakan oleh sistem yang ditujukan untuk memenuhi
kebutuhan admin. Dalam skenario ini dijelaskan bagaimana skenario use case dalam
mengolah data user. Tabel 4.5 merupakan skenario use case mengolah data user.
Tabel 4.5 Skenario Use case Mengolah Data User
Identifikasi
Nama Mengolah Data User
melihat, menambah, mengubah dan
menghapus data user
Aktor Admin
admin
Skenario Insert Data User
1. Aktor memilih untuk masuk ke
halaman data user
data user
3. Aktor memilih menu Tambah
User
untuk menu tambah user
5. Aktor mengisi data user 6. Sistem memasukkan data yang
telah diisikan oleh actor ke
dalam basis data
7. Sistem menampilkan pesan
Data Berhasil di Simpan
8. Aktor menutup pesan 9. Sistem kembali menampilkan
halaman data user
Skenario Edit Data User
halaman data user
data user
3. Aktor memilih data yang akan
di edit
4. Sistem akan menampilkan menu
edit dan delete pada data
yang dipilih
5. Aktor memilih menu edit 6. Sistem akan menampilkan
halaman edit data
7. Aktor melakukan perubahan
data user
8. Sistem memasukkan data yang
telah dirubah oleh actor ke
dalam basis data
Data Berhasil di Ubah
halaman data user
Skenario Delete Data User
halaman data user
datauser
3. Aktor memilih data yang akan 4. Sistem akan menampilkan menu
37

di delete edit dan delete pada data
yang dipilih
5. Aktor memilih menu delete 6. Sistem akan menampilkan
menghapus data user dari basis
data
Data Berhasil di Hapus
halaman data user
data user
Sumber: Perancangan
4.1.4.4. Skenario Use Case Mengolah Data Siswa
mengolah data siswa. Tabel 4.6 merupakan skenario use case mengolah data siswa.
Tabel 4.6 Skenario Use Case Mengolah data Siswa
Identifikasi
Nama Mengolah Data Siswa
melihat, menambah, mengubah dan
menghapus data siswa
Aktor User
User
Skenario Memasukkan Data Siswa
halaman data siswa
data siswa
3. Aktor memilih menu Tambah
Data Siswa
untuk menu tambah data siswa
5. Aktor mengisi data siswa 6. Sistem memasukkan data yang
telah diisikan oleh actor ke
dalam basis data
Data Berhasil di Simpan
halaman data siswa
Skenario Edit Data Siswa
halaman data siswa
data siswa
di edit
yang dipilih
38

5. Aktor memilih menu edit 6. Sistem akan menampilkan
halaman edit data
7. Aktor melakukan perubahan
data siswa
8. Sistem memasukkan data yang
telah dirubah oleh actor ke
dalam basis data
Data Berhasil di Ubah
halaman data siswa
Skenario Delete Data User
halaman data siswa
data siswa
di delete
yang dipilih
5. Aktor memilih menu delete 6. Sistem akan menampilkan
menghapus data user dari basis
data
halaman data siswa
data siswa
Sumber: Perancangan
4.1.4.5. Skenario Use Case Mengolah Data Hasil Pengolahan Pakar
mengolah data hasil rekomendasi. Tabel 4.7 merupakan skenario use case mengolah data
hasil rekomendasi.
Tabel 4.7 Skenario Use Case Mengolah Data Hasil Pengolahan Pakar
Identifikasi
Nama Mengolah Hasil Rekomendasi
melihat dan menghapus data hasil
rekomendasi
Aktor Admin,User
admin/user
Skenario Melihat Hasil Pakar
halaman data olah pakar
hasil pakar
39

3. Aktor memilih bagian/posisi
dari hasil rekomendasi yang
akan dilihat
4. Sistem menampilkan data hasil
rekomendasi sesuai dengan
bagian/posisi yang dipilih
Identifikasi
Nama Mengolah Hasil Rekomendasi
melihat dan menghapus data hasil
rekomendasi
Aktor Admin
admin
Skenario Delete Hasil Pakar
halaman data hasil pakar
hasil pakar
di delete
delete pada data yang dipilih
5. Aktor memilih menu delete 6. Sistem akan menghapus data
dari database
halaman data hasil pakar
hasil rekomendasi
Sumber: Perancangan
4.1.4.6. Skenario Use Case Melakukan Test
kebutuhan user. Dalam skenario ini dijelaskan bagaimana skenario use case dalam
melakukan test untuk mendapatkan hasil rekomendasi melalui sistem. Tabel 4.8
merupakan skenario use case melakukan test.
Tabel 4.1 Skenario Use Case Melakukan Test
Identifikasi
Nama Melakukan Test
melakukan test rekomendasi siswa
Aktor User
utama user
Proses Skenario
1. Aktor memasukkan data yang
diminta oleh menu
utama user
40

3. Aktor menekan tombol
Tampilkan untuk mengolah
data yang telah dimasukkan
oleh user
4. Sistem melakukan perhitungan
dengan menggunakan metode
Tsukamoto
5. Sistem menampilkan data siswa
(No, Nama Siswa, Ranking,
Jurusan) yang telah diurutkan
berdasarkan skor yang didapat
Kondisi Akhir Sistem menampilkan hasil
rekomendasi untuk user
Sumber: Perancangan

4.2 Perancangan Sistem Pakar
Tahapan analisa dan perancangan sistem pendukung keputusan disini
merupakan tahapan yang betujuan untuk mengubah model informasi yang telah dibuat
pada tahapan analisa kebutuhan sistem. Perancangan yang dilakukan adalah
perancangan untuk seluruh subsistem yang terdapat dalam arsitektur sistem pendukung
keputusan untuk merekomendasikan kamera digital. Perancangan tersebut meliputi
perancangan untuk susbsistem manajemen data, susbsistem basis pengetahuan,
subsistem manajemen model dan subsistem antarmuka. Pemodelan yang digunakan
yaitu diagram konteks sistem, ERD, Physical diagram, dan DFD.
Subsistem yang terdapat dalam sistem antara lain:
a) Akuisisi Pengetahuan
b) Basis Pengetahuan
menjelaskan kriteria-kriteria yang akan digunakan sebagai bahan yang digunakan
untuk perhitungan
c) Mesin Inferensi
d) Fasilitas Pengguna.
e) Perancangan interface
Akuisisi Pengetahuan
Akuisisi pengetahuan dimulai dari wawancara dengan pakar. Pakar yang membantu
dalam proses pembuatan sistem penjurusan IPA/IPS. Wawancara ini berkaitan dengan
penyusunan nilai dan psikotest, perancangan aturan produksi dan mesin inferensi.
Proses akuisisi pengetahuan pada aplikasi sistem pakar penjurusan IPA/IPS
ditunjukkan pada gambar 4.3 berikut.
41

Mulai
Wawancara Pakar
Penyusunan Test yang digunakan
Melakukan survey ke SMA
Data nilai akademik dan psikotest
Test penjurusan sesuai?
Data psikotest
dan akademik
Wawancara pakar tentang representasi pengetahuan
Mengolah data nilai akademik dan psikotest sesuai
dengan representasi pengetahuan
Aturan produksi pada data psikotest dan nilai
akademik
Aturan produksi
pada data psikotest
dan nilai akademik
a
42

Gambar 4.3 Diagram Alir Proses Akuisisi Pengetahuan
Sumber: Perancangan
Basis Pengetahuan
4.2.2.1 Himpunan Bahasa Variable
Himpunan Bahasa pada Variabel
Biologi =Buruk, Cukup, Bagus
Fisika =Buruk, Cukup, Bagus
Kimia =Buruk, Cukup, Bagus
Matematika =Buruk, Cukup, Bagus
Geografi =Buruk, Cukup, Bagus
Sejarah =Buruk, Cukup, Bagus
Ekonomi =Buruk, Cukup, Bagus
Psikotest =Below average, Average, Genius

Wawancara pakar tentang mesin inferensi
Mengolah data nilai akademik dan psikotest sesuai
dengan mesin inferensi
Perancangan mesin inferensi yang digunakan pada
implementasi
a
Wawancara pakar tentang kasus khusus yang
diprediksi muncul
Penyediaan fasilitas pakar untuk menangani khasus
khusus
Selesai
43

4.2.2.2 Semesta Pembicaraan

Tabel 4.9 Semesta pembicaraan
Inputan Buruk Cukup Bagus
Biologi x <=50 50 <=x <=70 x=>70
Fisika x <=45 45<=x <=65 x=>65
Kimia x <=50 50<=x <=70 x=>70
Matematika x <=48 48 <=x <=68 x=>68
Geografi x <=50 50 <=x <=70 x=>70
Sejarah x <=50 50<=x <=70 x=>70
Ekonomi x <=55 55 <=x <=75 x=>75
Below
Average Average Genius
Psikotest 40<=x <=84 85 <=x<=144 145 <=x <=175
Sumber: Perancangan

4.2.2.3 Fungsi derajat keanggotaan variabel Biologi.
Fungsi derajat keanggotaan linier turun digunakan untuk merepresentasikan
himpunan fuzzy rendah dan fungsi derajat keanggotaan linier naik untuk himpunan
fuzzy tinggi. Fungsi derajat keanggotaan segitiga digunakan untuk
merepresentasikan himpunan fuzzy normal. Fungsi derajat keanggotaan dari
variabel biologi didefinisikan persamaan (4-1), (4-2) dan (4-3).
p
buuk
[x] =_
1; x 0
50-u
50
; 0<x <50
0 ; x 50

p
cukup
[x] =
0; x 30
x-30
20
; 30 o 50
1; 50 o 70
90-x
20
; 70 x 90
0 ; o 90

p
buk
[x] =_
0; x 70
x-70
30
; 70 x 00
1 ; x 100

. (4-2)
. (4-1)
. (4-3)
44

4.2.2.4 Fungsi derajat keanggotaan variabel Fisika.
Fungsi keanggotaan linier turun digunakan untuk merepresentasikan
himpunan fuzzy rendah dan fungsi keanggotaan linier naik untuk himpunan fuzzy
tinggi. Fungsi keanggotaan segitiga digunakan untuk merepresentasikan himpunan
fuzzy normal. Fungsi derajat keanggotaan dari variabel fisika didefinisikan persamaan
(4-3), (4-3) dan (4-5).
p
buuk
[x] =_
1; x 0
45-x
45
; 0 x 45
0 ; x 45

p
cukup
[x] =
0; x 25
x-25
20
; 25 x 45
1; 45 x 65
85-x
20
; 65 x 85
0 ; x 85

p
buk
[x] =_
0; x 65
x-65
35
; 65 x 100
1 ; x 100

4.2.2.5 Fungsi derajat keanggotaan variabel Kimia
fuzzy normal. Fungsi derajat keanggotaan dari variabel kimia didefinisikan persamaan
(4-7), (4-8) dan (4-9).
p
buuk
[x] =_
1; x 0
50-x
50
; 0 x 50
0 ; x 50

p
cukup
[x] =
0; x 30
x-30
20
; 30 x 50
1; 50 x 70
90-x
20
; 70 x 90
0 ; x 85

. (4-5)
. (4-8)
. (4-4)
. (4-6)
. (4-7)
45

p
buk
[x] =_
0; x 70
x-70
30
; 70 x 100
1 ; x 100

4.2.2.6 Fungsi derajat keanggotaan variabel Matematika.
fuzzy normal. Fungsi derajat keanggotaan dari variabel matematika didefinisikan
persamaan (4-10) , (4-11) dan (4-12).
p
buuk
[x] =_
1; x 0
48-x
48
; 0 x 48
0 ; x 48

p
cukup
[x] =
0; x 28
x-28
20
; 28 x 48
1; 48 x 68
88-x
20
; 68 x 88
0 ; x 88

p
buk
[x] =_
0; x 88
x-68
32
; 88 x 100
1 ; x 100

4.2.2.7 Fungsi derajat keanggotaan variabel Geografi
fuzzy normal. Fungsi derajat keanggotaan dari variabel geografi didefinisikan
persamaan (4-13) , (4-14) dan (4-15).
p
buuk
[x] =_
1; x 0
50-x
50
; 0 x 50
0 ; x 50

. (4-11)
. (4-9)
. (4-10)
... (4-12)
. (4-13)
46

p
cukup
[x] =
0; x 30
x-30
20
; 30 x 50
1; 50 x 70
90-x
20
; 70 x 90
0 ; x 90

p
buk
[x] =_
0; x 70
x-70
30
; 70 x 100
1 ; x 100

4.2.2.8 Fungsi derajat keanggotaan variabel Sejarah.
fuzzy normal. Fungsi derajat keanggotaan dari variabel sejarah didefinisikan
persamaan (4-16) , (4-17) dan (4-18).
p
buuk
[x] =_
1; x 0
50-x
50
; 0 x 50
0 ; x 50

p
cukup
[x] =
0; x 30
x-30
20
; 30 x 50
1; 50 x 70
90-x
20
; 70 x 90
0 ; x 90

p
buk
[x] =_
0; x 70
x-70
30
; 70 x 100
1 ; x 100

4.2.2.9 Fungsi derajat keanggotaan variabel Ekonomi.
fuzzy normal. Fungsi derajat keanggotaan dari variabel ekonomi didefinisikan
persamaan (4-19) , (4-20) dan (4-21).

. (4-14)
. (4-16)
. (4-15)
. (4-17)
. (4-18)
47

p
buuk
[x] =_
1; x 0
55-x
55
; 0 x 55
0 ; x 55

p
cukup
[x] =
0; x 35
x-35
20
; 35 x 55
1; 55 x 75
95-x
20
; 75 x 95
0 ; x 95

p
buk
[x] =_
0; x 75
x-75
25
; 75 x 100
1 ; x 100

4.2.2.10 Fungsi derajat keanggotaan variabel IQ.
fuzzy normal. Fungsi derajat keanggotaan dari variabel IQ didefinisikan persamaan
(4-22) , (4-23) dan (4-24).
p
bcIow ucugc
[x] =
0; x 30
x-30
10
; 30 x 40
1; 40 x 84
94-x
10
; 84 x 94
0 ; x 94

p
ucugc
[x] =
0; x 75
x-75
10
; 75 x 85
1; 85 x 144
154-x
20
; 144 x 154
0 ; x 154

. (4-19)
. (4-22)
. (4-20)
. (4-21)
. (4-23)
48

p
buk
[x] =
0; x 135
x-135
30
; 135 x 145
1; 145 x 175
185-x
10
; 175 x 185
0 ; x 185

4.2.2.11 Fungsi derajat keanggotaan output variabel IPA
fuzzy normal. Fungsi derajat keanggotaan dari variabel IPA didefinisikan persamaan
(4-25).
p
IPA
[z] =_
0; x 40
z-40
30
; 4 0 z 70
1 ; x 70

4.2.2.12 Fungsi derajat keanggotaan output variabel IPA
fuzzy normal. Fungsi derajat keanggotaan dari variabel IPS didefinisikan persamaan
(4-26).
p
IPA
[z] =_
1; x 40
70-z
30
; 4 0 z 70
0 ; x 70

4.2.2.13 Rule
Tabel 4.10 Semesta pembicaraan
No
rule
Then If
Biologi Fisika Kimia Matematika Geografi Sejarah Ekonomi Psikotest
1 Cukup - - Bagus - - Buruk - IPA
2 Fisika - - Cukup - - - Average IPA
3 - - Bagus - Buruk - - Average IPA
4 Cukup - - - - Cukup - Bagus IPA
5 - Cukup - - - Buruk Cukup - IPA
6 - - Bagus - - - Cukup Average IPA
7 Bagus - - - - Buruk - Bagus IPA
. (4-25)
. (4-26)
. (4-24)
49

Sumber: Perancangan

8 - - - Bagus - - Cukup Average IPA
9 - - Cukup - - Buruk - Bagus IPA
10 - Bagus - Bagus - Cukup - Average IPA
11 Bagus - Cukup - - Cukup - - IPA
12 - - Bagus - - Cukup Buruk - IPA
13 - Cukup - - Buruk Buruk - - IPA
14 - - - Bagus - - Cukup Genius IPA
15 - Cukup Cukup - - Buruk - - IPA
16 - - - Bagus - Buruk - Average IPA
17 Buruk - - - Bagus - - Average IPS
18 - Cukup - - Bagus - Bagus - IPS
19 - - Cukup - - Cukup Bagus - IPS
20 - - - Cukup - - Cukup Average IPS
21 - Buruk - - - - Cukup Average IPS
22 - Buruk - - Cukup Cukup - - IPS
23 - - - Cukup Bagus Cukup - - IPS
24 - - - Buruk Bagus - Bagus - IPS
25 Cukup - - - - Cukup Bagus - IPS
26 Cukup - - Bagus - - Cukup - IPS
27 - - Buruk Cukup - Bagus - - IPS
28 - - Buruk - Cukup Bagus - - IPS
29 Buruk - - - - Bagus Cukup - IPS
30 - Cukup - - Cukup Cukup - - IPS
31 - - - Cukup Bagus Bagus - - IPS
32 - - Cukup - - Cukup - Genius IPS
50

Mesin Inferensi
Dalam mesin inferensi ini akan dimodelkan bagaimana sistem akan
memproses data dengan menggunakan metode ini, yang mana proses tersebut dimulai
dengan inputan dari user, kemudian data yang berasal dari inputan user tersebut
dihitung sesuang dengan perumusan tsukamoto.

Gambar 4.4. Flowchart Fuzzy metode Tsukamoto
Sumber : [perancangan]

Dari diagram alir diatas maka dapat dibuat pseudocode untuk menerapkan cara kerja
dari metode tsukamoto. Algoritma tersebut dapat dilihat pada gambar dibawah ini
Nama al gor i t ma: Fuzzy Met ode Tsukamot o
Dekl ar asi :
- Bi o, adal ah i nt eger , var i abl e unt uk menampung ni l ai mat a
pel aj ar an Bi o.
- uBur ukBi o, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an X bur uk.
- uCukupBi o, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an X cukup.
- uBai kBi o, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an X bai k.
- hi mpBur ukBi o, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an X bur uk.
- hi mpCukupBi o, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an X bur uk.
- hi mpBai kBi o, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an X bai k. Bi o, adal ah
Mulai
Input nilai
himpunan Fuzzy
Menentukan derajat
keanggotaan
Menghitung predikat aturan
Defuzzifikasi
Output hasil
keputusan
Selesa
51

i nt eger , var i abl e unt uk menampung ni l ai mat a pel aj ar an
Bi ol ogi .
- uBur ukBi o, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an bi ol ogi bur uk.
- uCukupBi o, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an bi ol ogi cukup.
- uBai kBi o, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an bi ol ogi bai k.
- hi mpBur ukBi o, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an bi ol ogi bur uk.
- hi mpCukupBi o, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an bi ol ogi bur uk.
- hi mpBai kBi o, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an bi ol ogi bai k.
-
- Fi s, adal ah i nt eger , var i abl e unt uk menampung ni l ai mat a
pel aj ar an Fi si ka.
- uBur ukFi s, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an f i si ka bur uk.
- uCukupFi s, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an f i si ka cukup.
- uBai kFi s, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an f i si ka bai k.
- hi mpBur ukFi s, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an f i si ka bur uk.
- hi mpCukupFi s, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an f i si ka bur uk.
- hi mpBai kFi s, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an f i si ka bai k.
-
- Ki m, adal ah i nt eger , var i abl e unt uk menampung ni l ai mat a
pel aj ar an ki mi a.
- uBur ukKi m, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an ki mi a bur uk.
- uCukupKi m, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an ki mi a cukup.
- uBai kKi m, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an ki mi a bai k.
- hi mpBur ukKi m, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an ki mi a bur uk.
- hi mpCukupKi m, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an ki mi a bur uk.
- hi mpBai kKi m, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an ki mi a bai k.
-
- Mat , adal ah i nt eger , var i abl e unt uk menampung ni l ai mat a
pel aj ar an mat emat i ka.
- uBur ukMat , adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an mat emat i ka bur uk.
- uCukupMat , adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an mat emat i ka cukup.
- uBai kMat , adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an mat emat i ka bai k.
- hi mpBur ukMat , adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an mat emat i ka bur uk.
52

- hi mpCukupMat , adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an mat emat i ka bur uk.
- hi mpBai kMat , adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an mat emat i ka bai k.
-
- Geo, adal ah i nt eger , var i abl e unt uk menampung ni l ai mat a
pel aj ar an geogr af i .
- uBur ukGeo, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an geogr af i bur uk.
- uCukupGeo, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an geogr af i cukup.
- uBai kGeo, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an geogr af i bai k.
- hi mpBur ukGeo, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an geogr af i bur uk.
- hi mpCukupGeo, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an geogr af i bur uk.
- hi mpBai kGeo, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an geogr af i bai k.
-
- Sj r , adal ah i nt eger , var i abl e unt uk menampung ni l ai mat a
pel aj ar an sej ar ah.
- uBur ukSj r , adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an sej ar ah bur uk.
- uCukupSj r , adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an sej ar ah cukup.
- uBai kSj r , adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an sej ar ah bai k.
- hi mpBur ukSj r , adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an sej ar ah bur uk.
- hi mpCukupSj r , adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an sej ar ah bur uk.
- hi mpBai kSj r , adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an sej ar ah bai k.
-
- Eko, adal ah i nt eger , var i abl e unt uk menampung ni l ai mat a
pel aj ar an ekonomi .
- uBur ukEko, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an ekonomi bur uk.
- uCukupEko, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an ekonomi cukup.
- uBai kEko, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a mat a pel aj ar an ekonomi bai k.
- hi mpBur ukEko, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an ekonomi bur uk.
- hi mpCukupEko, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an ekonomi bur uk.
- hi mpBai kEko, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a mat a pel aj ar an ekonomi bai k.
-
- Psi ko, adal ah i nt eger , var i abl e unt uk menampung ni l ai
psi kot es.
- uBur ukPsi ko, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a ni l ai psi kot es bur uk.
- uCukupPsi ko, adal ah i nt eger , var i abl e unt uk menampung ni l ai
53

der aj at anggot a ni l ai psi kot es cukup.
- uBai kPsi ko, adal ah i nt eger , var i abl e unt uk menampung ni l ai
der aj at anggot a ni l ai psi kot es bai k.
- hi mpBur ukPsi ko, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a ni l ai psi kot es bur uk.
- hi mpCukupPsi ko, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a ni l ai psi kot es bur uk.
- hi mpBai kPsi ko, adal ah st r i ng, var i abl e unt uk menampung
hi mpunan bahasa anggot a ni l ai psi kot es bai k.
-
- si mpanU, adal ah deci mal , l i st unt uk menyi mpan ni l ai der aj at
keanggot aan mat a pel aj ar an yang sesuai dengan r ul e.
- ni l ai Umi n, adal ah deci mal , l i st unt uk menyi mpan ni l ai
der aj at keanggot aan mi ni mal yang sesuai dengan r ul e.
- ni l ai Z adal ah deci mal , l i st unt uk menyi mpan ni l ai Z dar i
ni l aj at keanggot aan mat a pel aj ar an der yang sesuai dengan
r ul e.
- ni l ai UZ adal ah deci mal , l i st unt uk menyi mpan hasi l per kal i an
u dan Z.
- mi ni mal , adal ah deci mal , var i abel unt uk menyi mpan ni l ai
der aj at keanggot aan mi ni mal yang sesuai dengan r ul e.
- hi t ungZ, adal ah deci mal , var i abel unt uk menyi mpan ni l ai Z
dar i der aj at keanggot aan yang sesuai dengan r ul e.
- hi t ungUZ; adal ah deci mal , var i abel unt uk menyi mpan unt uk
menyi mpan hasi l per kal i an u dan Z.
- r ul e, adal ah st r i ng, l i st unt uk menyi mpan r ul e yang sesuai
dengan ni l ai mat apel aj ar an i nput an.
- si mpanr ul e, adal ah st r i ng, var i abel unt uk menyi mpan r ul e
yang sesuai dengan ni l ai mat apel aj ar an i nput an.
- i d, adal ah st r i ng, l i st unt uk menyi mpan no i nduk.
- j ur usan adal ah st r i ng, l i st unt uk menyi mpan r ul e yang sesuai
dengan ni l ai mat apel aj ar an i nput an.

Deskr i psi :
I nput :
- Memasukkan ni l ai mat a pel aj ar an dan psi kot es.
Pr oses:
1. Menghi t ung der aj at keanggot aan masi ng- masi ng mat a pel aj ar an
sesuai ni l ai .
2. Menent ukan hi mpunan bahasa yang di mi l i ki set i ap mat a
pel aj ar an ber dasar kan ni l ai der aj at keanggot aan.
3. Menent ukan r ul e yang sesuai dengan der aj at keadaan.
4. Menghi t ung ni l ai der aj at keanggot aan t er endah
5. Menghi t ung ni l ai Z
6. Menghi t ung t ot al ni l ai der aj at keanggot aan t er endah
7. Menghi t ung t ot al ni l ai Z.
8. Menghi t ung t ot al ni l ai der aj at keanggot aan t er endah di kal i Z
9. Menghi t ung ni l ai per ki r aan j ur usan.
10. Menent ukan j ur usan.

Gambar 1.5 Perancangan Algoritma Tsukamoto
Sumber: Perancangan
54

Proses inferensi dilakukan dengan menggunakan metode Tsukamoto. Berikut
ini adalah contoh kasus pemilihan jurusan IPA/IPS yang diselesaikan dengan metode
Tsukamoto. Misalkan user atau pengguna aplikasi menggunakan alternatif keputusan
untuk data internal dengan memasukkan kriteria seperti tabel 4.11 berikut.
Tabel 4.11 Kriteria Nilai User
Mata Pelajaran Nilai
Biologi 67
Fisika 41
Kimia 78
Matematika 90
Geografi 70
Sejarah 73
Ekonomi 40
Psikotes 130
Sumber: Perancangan
1. Posisi input pada himpunan bahasa
Posisi pada Himpunan Bahasa
Biologi cukup
Fisika buruk cukup
Kimia bagus
Matematika bagus
Geografi cukup bagus
Sejarah bagus
Ekonomi buruk cukup
Psikotes average
Sumber: Perancangan
2. Menghitung Nilai Derajat Keanggotaan
Langkah pertama adalah mencari derajat keanggotaan masing-
masing variabel.

55

a. Biologi
Dari persamaan (4.1), jika nilai Biologi =67 maka derajat keanggotaan fuzzy
pada setiap himpunan adalah
i) himpunan fuzzy buruk
p
buuk
(67) =0
ii) himpunan fuzzy cukup
p
cukup
(67) =1
ii) himpunan fuzzy tinggi
p
tngg
(67) =0

b. Fisika
Dari persamaan (4.2), jika nilai Fisika =41 maka derajat keanggotaan fuzzy
p
buuk
(41) =
45 41
45
=0.88888889
p
cukup
(41) =
41-25
20
=0.8
p
tngg
(41) =0
c. Fisika
Dari persamaan (4.3), jika nilai Kimia =78 maka derajat keanggotaan fuzzy
.... (4-1)
.... (4-2)
.... (4-3)
.... (4-4)
.... (4-5)
.... (4-6)
56

p
buuk
(78) =0
p
cukup
(78) =
9078
20
=0.6
p
tngg
(78) =
78 70
30
=0.266666667
d. Matematika
Dari persamaan (4.4), jika nilai Matematika =90 maka derajat keanggotaan
fuzzy pada setiap himpunan adalah
p
buuk
(90) =0
p
cukup
(90) =0
p
tngg
(90) =
9068
32
=0.6875
e. Geografi
Dari persamaan (4.5), jika nilai Geografi =70 maka derajat keanggotaan
p
buuk
(70) =0
p
cukup
(70) =1
.... (4-7)
.... (4-8)
.... (4-9)
.... (4-10)
.... (4-11)
.... (4-12)
.... (4-13)
.... (4-14)
57

p
tngg
(70) =0
f. Sejarah
Dari persamaan (4.6), jika nilai Sejarah =73 maka derajat keanggotaan fuzzy
p
buuk
(73) =0

p
cukup
(73) =
9073
20
=0.85
p
tngg
(73) =
73 70
30
=0.1
g. Ekonomi
Dari persamaan (4.7), jika nilai Ekonomi =40 maka derajat keanggotaan
p
buuk
(40) =
55-40
55
=0.272727273
p
cukup
(40) =
40-35
20
=0.25
p
tngg
(40) =0
h. Psikotes
.... (4-15)
.... (4-16)
.... (4-17)
.... (4-18)
.... (4-19)
.... (4-20)
.... (4-21)
58

Dari persamaan (4.8), jika nilai IQ =130 maka derajat keanggotaan fuzzy
i) himpunan fuzzy below average
p
bcIow ucugc
(130) =0
ii) himpunan fuzzy average
p
ucugc
(130) =1
ii) himpunan fuzzy genius
p
gcnus
(130) =0
3. Penentuan Rule yang digunakan
No
rule
Then If
Biologi Fisika Kimia Matematika Geografi Sejarah Ekonomi Psikotest
1 Cukup - - Bagus - - Buruk - IPA
2 Fisika - - Cukup - - - Average IPA
3 - - Bagus - Buruk - - Average IPA
4 Cukup - - - - Cukup - Bagus IPA
5 - Cukup - - - Buruk Cukup - IPA
6 - - Bagus - - - Cukup Average IPA
7 Bagus - - - - Buruk - Bagus IPA
8 - - - Bagus - - Cukup Average IPA
9 - - Cukup - - Buruk - Bagus IPA
10 - Bagus - Bagus - Cukup - Average IPA
11 Bagus - Cukup - - Cukup - - IPA
12 - - Bagus - - Cukup Buruk - IPA
13 - Cukup - - Buruk Buruk - - IPA
14 - - - Bagus - - Cukup Genius IPA
15 - Cukup Cukup - - Buruk - - IPA
16 - - - Bagus - Buruk - Average IPA
17 Buruk - - - Bagus - - Average IPS
18 - Cukup - - Bagus - Bagus - IPS
19 - - Cukup - - Cukup Bagus - IPS
20 - - - Cukup - - Cukup Average IPS
21 - Buruk - - - - Cukup Average IPS
22 - Buruk - - Cukup Cukup - - IPS
.... (4-22)
.... (4-23)
.... (4-24)
59

Sumber: Perancangan
4. Menentukan Nilai Minimal dari derajat Keanggotaan.
JIKA Biologi Cukup, Matematika Bagus, Dan Ekonomi Buruk, MAKA
masuk penjurusan IPA
Variabel Nilai
Biologi Cukup 1
Matematika Bagus 0.6875
Ekonomi Buruk 0.272727273
1 0.272727273
Sumber: Perancangan
JIKA Kimia Bagus, Ekonomi Average, Psikotest Cukup MAKA masuk
Penjurusan IPA
Variabel Nilai
Kimia Bagus 0.266666667
Ekonomi Cukup 0.25
PsikotestAverage 1
6 0.25
Sumber: Perancangan
JIKA Matematika Bagus, Ekonomi Cukup, Psikotes Average MAKA
masuk penjurusan IPA
Variabel Nilai
Ekonomi Cukup 0.25
Psikotes Average 1
8 0.25
23 - - - Cukup Bagus Cukup - - IPS
24 - - - Buruk Bagus - Bagus - IPS
25 Cukup - - - - Cukup Bagus - IPS
26 Cukup - - Bagus - - Cukup - IPS
27 - - Buruk Cukup - Bagus - - IPS
28 - - Buruk - Cukup Bagus - - IPS
29 Buruk - - - - Bagus Cukup - IPS
30 - Cukup - - Cukup Cukup - - IPS
31 - - - Cukup Bagus Bagus - - IPS
32 - - Cukup - - Cukup - Genius IPS
60

Sumber: Perancangan
JIKA Fisika Buruk, Ekonomi Cukup, Psikotes Average MAKA masuk
penjurusan IPS
Variabel Nilai
Fisika Buruk 0.088888889
Ekonomi Cukup 0.25
Psikotes Average 1
21 0.088888889
Sumber: Perancangan
JIKA Biologi Cukup, Matematika Bagus, Ekonomi Cukup MAKA
masuk penjurusan IPS

Variabel Nilai
Biologi Cukup 1
Ekonomi Cukup 0.25
26 0.25
Sumber: Perancangan
5. Menghitung Nilai Z sesuai dengan rule

Z1 =70 - (0,272727273*30)
Z6 =70 - (0,25*30)
Z8 =70 - ( 0,25*30)
Z21 =40 - (0,088888889*30)
Z26 =40 - (0,25*30)
Variabel Nilai
Z1 61.81818182
Z6 62.5
Z8 62.5
Z21 37.33333333
Z26 32.5
Sumber: Perancangan

..... (4-25)
..... (4-25)
..... (4-25)
..... (4-26)
..... (4-26)
61

6. Menentukan Nilai Penjurusan
No Rule Nilai Nilai Z Nilai *Z
1 0.272727273 61.81818182 16.85950413
6 0.25 62.5 15.625
8 0.25 62.5 15.625
21 0.088888889 37.33333333 3.318518519
26 0.25 32.5 8.125
Total 1.111616162 256.6515152 51.42802265
Sumber: Perancangan
Total = (0,272727273 ; 0,25 ; 0,25 ; 0,088888889 ; 0,25)
Total z = (61,8181818 ; 62,5 ; 62,5 ; 37,3333333 ; 32,5)
Total *z = (16,8595041 ; 15,625 ; 15,625 ; 3,31851852 ; 8,125)
Perkiraan Penjurusan =
(16,8595041 ; 15,625 ; 15,625 ; 3,31851852 ; 8,125)
(0,272727273 ; 0,25 ; 0,25 ; 0,088888889 ; 0,25)
=46.26419121
Dari hasil perhitungan diatas masuk ke kelas IPS
Subsistem Antarmuka
Perancangan subsistem ini bertujuan agar user dapat berkomunikasi dan memberikan
perintah pada sistem. Perancangan antarmuka dalam sistem ini akan dijelaskan melalui alur
sitemap dan desain antarmuka tiap halaman. Perancangan ini dibuat untuk mewakili keadaan
yang sebenarnya ketika aplikasi ini dibuat. Berikut ini sitemap yang ditujukan untuk masing-
masing aktor, sitemap untuk admin dapat dilihat pada Gambar 4.6 dan sitemap untuk user
dapat dilihat pada Gambar 4.7.

Gambar 4.6 Sitemap Halaman Admin
Sumber: Perancangan

Login Halaman Data User
Data Siswa
Hasil Pakar
Keluar
62

Gambar 4.7. Sitemap Halaman User
Sumber: Perancangan
4.1.5.1. Halaman Login
Pada halaman login, admin ataupun user dapat memulai untuk menjalankan sistem
dengan menginputkan username dan password. Perancangan tampilan untuk halaman login
ditunjukkan pada Gambar 4.8

Gambar 4.8. Perancangan Antarmuka Halaman Login
Sumber: Perancangan
4.1.5.2. Halaman Home (Admin)
Setelah berhasil melakukan login, admin akan masuk ke halaman home yang
merupakan halaman utama dari aplikasi ini. Pada halaman ini terdapat beberapa tab menu.
Perancangan tampilan untuk halaman login ditunjukkan pada Gambar 4.9

Login Halaman Data Siswa
Test
Hasil Pakar
Keluar
SISTEM PAKAR PENJURUSAN SMA
LOGIN
Username
Password
BANTUAN MASUK KELUAR
63

Gambar 4. 9 Perancangan Antarmuka Halaman Home (Admin)
Sumber: Perancangan
4.1.5.3. Halaman Add Data User
Halaman ini merupakan halaman yang ditampilkan pada saat admin telah memilih
menu Data User dan menekan tombol Add atau Edit pada halaman Lihat dan Delete Data
User. Dalam halaman ini admin dapat melakukan insert data dan edit data user. Perancangan
tampilan dari halaman Insert dan Edit Data User ditunjukkan pada Gambar 4.10.

Gambar 4.10. Perancangan Antarmuka Halaman Insert dan Edit Data User
Sumber: Perancangan

DATA USER
Nama
Usernam
Passwor
SIMPA HELP KELUA About


Data User Data Siswa Logout Hasil Pakar
Bantuan About Us
64

4.1.5.4. Halaman Lihat dan Delete Data User
Halaman ini merupakan halaman yang ditampilkan pada saat admin telah memilih
menu Data User dan menekan tombol Show atau Delete pada halaman Insert dan Edit Data
User. Dalam halaman ini admin dapat melihat data user dan melakukan delete data user.
Perancangan tampilan dari halaman Lihat dan Delete Data User ditunjukkan pada Gambar
4.11.

Gambar 4.11. Perancangan Antarmuka Halaman Lihat dan Edit, Delete Data User
Sumber: Perancangan


DATA USER
KELUAR

UBAH

HAPUS

HELP

About Us

ADD

65

BAB V
IMPLEMENTASI

Bab ini menjelaskan tentang implementasi dari hasil perancangan Sistem Pakar
Pemilihan Jurusan Bagi Siswa SMA Dengan Metode Fuzzy-Tsukamoto. Pada pembahasan
implementasi terdiri dari sub-bab: spesifikasi perangkat lunak dan perangkat keras, batasan
sistem, implementasi algoritma dan implementasi antarmuka.
Pada sub-bab spesifikasi perangkat lunak dan perangkat keras, membahas spesifikasi
dari perangkat lunak yang digunakan untuk membuat aplikasi sistem pakar dan perangkat
keras yang mendukung dalam pembuatan aplikasi sistem pakar. Sub-bab batasan sistem
menjelaskan batasan dari sistem dalam menyediakan fasilitas bagi user. Sub-bab
implementasi algoritma menjelaskan hasil implementasi dari perancangan algoritma pada
metode Fuzzy Tsukamoto. Sub-bab implementasi antarmuka menunjukkan implementasi dari
aplikasi sistem pakar pemilihan bidang studi.

5.1 Spesifikasi perangkat lunak dan perangkat keras

Pada sub-bab ini membahas perangkat lunak yang digunakan untuk membut aplikasi
sistem pakar dan perangkat keras yang mendukung dalam pembuatan sistem pakar. Perangkat
lunak yang digunakan adalah sebagai berikut :
a. Sistem operasi Windows 7 Ultimate (32 bit)
b. Microsoft Visual Studio 2010 C#
c. DBMS MySQL dengan XAMPP 1.7.4
Perangkat keras yang digunakan adalah laptop Dell Inspiron n4030 dengan spesifikasi, yaitu :
a. CPU Processor Intel Core i3-370M 2.4GHz Processor
b. Memory Storage 320 GB
c. RAM memory 2 GB
5.2 Batasan sistem
66

Pada sub-bab ini membahas batasan sistem dalam memfasilitasi user saat mengakses
sistem pakar. Aplikasi sistem pakar pemilihan bidang studi dibatasi sebagai berikut :
a. Platform pengembangan yang digunakan adalah Microsoft Visual Studio c#2010, dengan
framework .NET.
b. Database akan disimpan dalam My SQL.
c. Metode yang digunakan yaitu Fuzzy-Tsukamoto
d. Input yang diterima terdiri dari :
- nilai mata pelajaran Biologi, Fisika, Kimia, Matematika, Sejarah, geografi, Ekonomi
- nilai PsikoTes
e. Output yang diberikan yaitu rule yang digunakan, nilai hasil proses perhitungan, dan hasil
pakar bidang studi penjurusan. Hasil bidang studi terdiri dari : IPA dan IPS.
g. Sistem hanya digunakan oleh Admin, dan hanya Admin yang dapat melakukan update,
insert maupun delete data.

5.3 Implementasi algoritma
Pada sub-bab ini menjelaskan implementasi algoritma pada mesin inferensi.
Implementasi ini merupakan penerapan dari perancangan algoritma. Berikut Ini metode
Fuzzy- Tsukamoto sesuai dengan Table 4.5 :
Tabel 5.1 Implementasi metode Tsukamoto
pr i vat e voi d Der aj at ( )
{
/ / hi t ung ni l ai bur uk

/ / ni l ai bi ol ogi
i f ( Bi o <=0)
67

{
uBur ukBi o =1;
}
el se i f ( Bi o >=0 && Bi o <=50)
{
uBur ukBi o =( 50 - Bi o) / 50;
}
el se i f ( Bi o >=50)
{
uBur ukBi o =0;
}

/ / ni l ai f i si ka
i f ( Fi s <=0)
{
uBur ukFi s =1;
}
el se i f ( Fi s >=0 && Fi s <=45)
{
uBur ukFi s =( 45 - Fi s) / 45;
}
el se i f ( Fi s >=45)
{
uBur ukFi s =0;
}

/ / ni l ai ki m
i f ( Ki m<=0)
{
uBur ukKi m=1;
68

}
el se i f ( Ki m>=0 && Ki m<=50)
{
uBur ukKi m=( 50 - Ki m) / 50;
}
el se i f ( Ki m>=50)
{
uBur ukKi m=0;
}

/ / ni l ai mat
i f ( Mat <=0)
{
uBur ukMat =1;
}
el se i f ( Mat >=0 && Mat <=48)
{
uBur ukMat =( 48 - Mat ) / 48;
}
el se i f ( Mat >=48)
{
uBur ukMat =0;
}

/ / ni l ai geo
i f ( Geo <=0)
{
uBur ukGeo =1;
}
el se i f ( Geo >=0 && Geo <=50)
69

{
uBur ukGeo =( 50 - Geo) / 50;
}
el se i f ( Geo >=50)
{
uBur ukGeo =0;
}

/ / ni l ai sej ar ah
i f ( Sj r <=0)
{
uBur ukSj r =1;
}
el se i f ( Sj r >=0 && Sj r <=50)
{
uBur ukSj r =( 50 - Sj r ) / 50;
}
el se i f ( Sj r >=50)
{
uBur ukSj r =0;
}

/ / ni l ai ekonomi
i f ( Eko <=0)
{
uBur ukEko =1;
}
el se i f ( Eko >=0 && Eko <=55)
{
uBur ukEko =( 55 - Eko) / 55;
70

}
el se i f ( Eko >=55)
{
uBur ukEko =0;
}

/ / ni l ai psi kot es
i f ( Psi ko <= 30)
{
uBel owPsi ko = 0;
}
el se i f ( Psi ko >= 30 && Psi ko <= 40)
{
uBel owPsi ko = ( Psi ko - 30) / 10;
}
{
uBel owPsi ko = 1;
}
el se i f ( Psi ko >= 84 && Psi ko<=94)
{
uBel owPsi ko = ( 94 - Psi ko) / 10;
}
el se i f ( Psi ko >= 94)
{
uBel owPsi ko = 0;
}

/ / hi t ung ni l ai cukup
71

i f ( Bi o <=30)
{
uCukupBi o =0;
}
el se i f ( Bi o >=30 && Bi o <= 50)
{
uCukupBi o =( Bi o - 30) / 20;
}
el se i f ( Bi o >=50 && Bi o <= 70)
{
uCukupBi o =1;
}
el se i f ( Bi o >=70 && Bi o <= 90)
{
uCukupBi o =( 90 - Bi o) / 20;
}
el se i f ( Bi o >=90)
{
uCukupBi o =0;
}

i f ( Fi s <=25)
{
uCukupFi s =0;
}
el se i f ( Fi s >=25 && Fi s <= 45)
{
72

uCukupFi s =( Fi s - 25) / 20;
}
el se i f ( Fi s >=45 && Fi s <= 65)
{
uCukupFi s =1;
}
el se i f ( Fi s >=65 && Fi s <= 85)
{
uCukupFi s =( 85 - Fi s) / 20;
}
el se i f ( Fi s >=85)
{
uCukupFi s =0;
}

/ / ni l ai ki m
i f ( Ki m<=30)
{
uCukupKi m=0;
}
el se i f ( Ki m>=30 && Ki m<= 50)
{
uCukupKi m=( Ki m- 30) / 20;
}
el se i f ( Ki m>=50 && Ki m<= 70)
{
uCukupKi m=1;
}
el se i f ( Ki m>=70 && Ki m<= 90)
{
73

uCukupKi m=( 90 - Ki m) / 20;
}
{
uCukupKi m=0;
}

/ / ni l ai mat
i f ( Mat <=28)
{
uCukupMat =0;
}
el se i f ( Mat >=28 && Mat <= 48)
{
uCukupMat =( Mat - 28) / 20;
}
el se i f ( Mat >=48 && Mat <= 68)
{
uCukupMat =1;
}
el se i f ( Mat >=68 && Mat <= 88)
{
uCukupMat =( 88 - Mat ) / 20;
}
{
uCukupMat =0;
}

/ / ni l ai geo
74

i f ( Geo <=30)
{
uCukupGeo =0;
}
el se i f ( Geo >=30 && Geo <= 50)
{
uCukupGeo =( Geo - 30) / 20;
}
el se i f ( Geo >=50 && Geo <= 70)
{
uCukupGeo =1;
}
el se i f ( Geo >=70 && Geo <= 90)
{
uCukupGeo =( 90 - Geo) / 20;
}
{
uCukupGeo =0;
}

i f ( Sj r <=30)
{
uCukupSj r =0;
}
el se i f ( Sj r >=30 && Sj r <= 50)
{
uCukupSj r =( Sj r - 30) / 20;
}
75

el se i f ( Sj r >=50 && Sj r <= 70)
{
uCukupSj r =1;
}
el se i f ( Sj r >=70 && Sj r <= 90)
{
uCukupSj r =( 90 - Sj r ) / 20;
}
el se i f ( Sj r >=90)
{
uCukupSj r =0;
}

/ / ni l ai ekonomi
i f ( Eko <=35)
{
uCukupEko =0;
}
el se i f ( Eko >=35 && Eko <= 55)
{
uCukupEko =( Eko - 35) / 20;
}
el se i f ( Eko >=55 && Eko <= 75)
{
uCukupEko =1;
}
el se i f ( Eko >=75 && Eko <= 95)
{
uCukupEko =( 95 - Eko) / 20;
}
76

{
uCukupEko =0;
}

i f ( Psi ko <= 75)
{
uAvr gPsi ko = 0;
}
{
uAvr gPsi ko = ( Psi ko - 75) / 10;
}
{
uAvr gPsi ko = 1;
}
{
uAvr gPsi ko = ( 154 - Psi ko) / 10;
}
{
uAvr gPsi ko = 0;
}

/ / hi t ung ni l ai bai k

77

i f ( Bi o <=70)
{
uBai kBi o =0;
}
el se i f ( Bi o >=70 && Bi o <= 100)
{
uBai kBi o =( Bi o - 70) / 30;
}
el se i f ( Bi o >=100)
{
uBai kBi o =1;
}

i f ( Fi s <=65)
{
uBai kFi s =0;
}
el se i f ( Fi s >=65 && Fi s <= 100)
{
uBai kFi s =( Fi s - 65) / 35;
}
el se i f ( Fi s >=100)
{
uBai kFi s =1;
}

/ / ni l ai ki m
i f ( Ki m<=70)
78

{
uBai kKi m=0;
}
el se i f ( Ki m>=70 && Ki m<= 100)
{
uBai kKi m=( Ki m- 70) / 30;
}
{
uBai kKi m=1;
}

/ / ni l ai mat
i f ( Mat <=88)
{
uBai kMat =0;
}
el se i f ( Mat >=88 && Mat <= 100)
{
uBai kMat =( Mat - 68) / 32;
}
{
uBai kMat =1;
}

/ / ni l ai geo
i f ( Geo <=70)
{
uBai kGeo =0;
79

}
el se i f ( Geo >=70 && Geo <= 100)
{
uBai kGeo =( Geo - 70) / 30;
}
{
uBai kGeo =1;
}

i f ( Sj r <=70)
{
uBai kSj r =0;
}
el se i f ( Sj r >=70 && Sj r <= 100)
{
uBai kSj r =( Sj r - 70) / 30;
}
el se i f ( Sj r >=100)
{
uBai kSj r =1;
}

/ / ni l ai ekonomi
i f ( Eko <=75)
{
uBai kEko =0;
}
el se i f ( Eko >=75 && Eko <= 100)
80

{
uBai kEko =( Eko - 75) / 25;
}
{
uBai kEko =1;
}

i f ( Psi ko <= 135)
{
uGenPsi ko =0;
}
{
uGenPsi ko =( Psi ko - 135) / 10;
}
{
uGenPsi ko =1;
}
{
uGenPsi ko =( 185 - Psi ko) / 10;
}
{
uGenPsi ko =0;
}
}
81

Sumber: Perancangan
Menghitung derajat keanggotaan masing pelajaran sumber perancangan
Tabel 5.2 Implementasi Menghitung Derajat Keanggotaan
pr i vat e voi d Hi mpunan( )
{
i f ( uBur ukBi o ! = 0)
{
hi mpBur ukBi o ="buruk";
}
el se i f ( uBur ukBi o == 0)
{
hi mpBur ukBi o =" - ";
}

i f ( uBur ukFi s ! = 0)
{
hi mpBur ukFi s ="buruk";
}
el se i f ( uBur ukFi s == 0)
{
hi mpBur ukFi s =" - ";
}

i f ( uBur ukKi m! = 0)
{
hi mpBur ukKi m="buruk";
}
el se i f ( uBur ukKi m== 0)
{
82

hi mpBur ukKi m=" - ";
}

i f ( uBur ukMat ! = 0)
{
hi mpBur ukMat ="buruk";
}
el se i f ( uBur ukMat == 0)
{
hi mpBur ukMat =" - ";
}

i f ( uBur ukGeo ! = 0)
{
hi mpBur ukGeo ="buruk";
}
el se i f ( uBur ukGeo == 0)
{
hi mpBur ukGeo =" - ";
}

i f ( uBur ukSj r ! = 0)
{
hi mpBur ukSj r ="buruk";
}
el se i f ( uBur ukSj r == 0)
{
hi mpBur ukSj r =" - ";
}

83

i f ( uBur ukEko ! = 0)
{
hi mpBur ukEko ="buruk";
}
el se i f ( uBur ukEko == 0)
{
hi mpBur ukEko =" - ";
}

i f ( uBel owPsi ko ! =0)
{
hi mpBel owPsi ko = "bel ow aver age";
}

el se i f ( uBel owPsi ko ==0)
{
hi mpBel owPsi ko = " - ";
}

i f ( uCukupBi o ! = 0)
{
hi mpCukupBi o ="cukup";
}
el se i f ( uCukupBi o == 0)
{
hi mpCukupBi o =" - ";
}

i f ( uCukupFi s ! = 0)
84

{
hi mpCukupFi s ="cukup";
}
el se i f ( uCukupFi s == 0)
{
hi mpCukupFi s =" - ";
}

i f ( uCukupKi m! = 0)
{
hi mpCukupKi m="cukup";
}
el se i f ( uCukupKi m== 0)
{
hi mpCukupKi m=" - ";
}

i f ( uCukupMat ! = 0)
{
hi mpCukupMat ="cukup";
}
el se i f ( uCukupMat == 0)
{
hi mpCukupMat =" - ";
}

i f ( uCukupGeo ! = 0)
{
hi mpCukupGeo ="cukup";
}
85

el se i f ( uCukupGeo == 0)
{
hi mpCukupGeo =" - ";
}

i f ( uCukupSj r ! = 0)
{
hi mpCukupSj r ="cukup";
}
el se i f ( uCukupSj r == 0)
{
hi mpCukupSj r =" - ";
}

i f ( uCukupEko ! = 0)
{
hi mpCukupEko ="cukup";
}
el se i f ( uCukupEko == 0)
{
hi mpCukupEko =" - ";
}

i f ( uAvr gPsi ko ! = 0)
{
hi mpAvr gPsi ko ="aver age";
}
el se i f ( uAvr gPsi ko ==0)
{
hi mpAvr gPsi ko =" - ";
86

}

i f ( uBai kBi o ! =0)
{
hi mpBai kBi o = "bai k";
}
el se i f ( uBai kBi o == 0)
{
hi mpBai kBi o = " - ";
}

i f ( uBai kFi s ! =0)
{
hi mpBai kFi s = "bai k";
}
el se i f ( uBai kFi s == 0)
{
hi mpBai kFi s = " - ";
}

i f ( uBai kKi m! =0)
{
hi mpBai kKi m= "bai k";
}
el se i f ( uBai kKi m== 0)
{
hi mpBai kKi m= " - ";
87

}

i f ( uBai kMat ! =0)
{
hi mpBai kMat = "bai k";
}
el se i f ( uBai kMat == 0)
{
hi mpBai kMat = " - ";
}

i f ( uBai kGeo ! =0)
{
hi mpBai kGeo = "bai k";
}
el se i f ( uBai kGeo == 0)
{
hi mpBai kGeo = " - ";
}

i f ( uBai kSj r ! =0)
{
hi mpBai kSj r = "bai k";
}
el se i f ( uBai kSj r == 0)
{
hi mpBai kSj r = " - ";
}

i f ( uBai kEko ! =0)
88

{
hi mpBai kEko = "bai k";
}
el se i f ( uBai kEko == 0)
{
hi mpBai kEko = " - ";
}

i f ( uGenPsi ko ! = 0)
{
hi mpGenPsi ko ="Geni us";
}
el se i f ( uGenPsi ko == 0)
{
hi mpGenPsi ko =" - ";
}

}

Sumber: Perancangan
Tabel 5.3 Implementasi Himpunan Bahasa
pr i vat e voi d Rul e( )
{

/ / - - - - - - - - - - - - - - - - - - - - - r ul e I PA- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
- - - - -
/ / r ul e 1
i f ( hi mpCukupBi o =="cukup" && hi mpBai kMat =="bai k" &&
hi mpBur ukEko == "bur uk")
{
/ / masukan ni l ai deraj at ke dal aml i st
89

si mpanU. Add( uCukupBi o) ;
si mpanU. Add( uBai kMat ) ;
si mpanU. Add( uBur ukEko) ;

/ / mencar i ni l ai mi ni mal dari dal aml i st
mi ni mal = si mpanU. Mi n( ) ;
ni l ai Umi n. Add( mi ni mal ) ; / / masukan kedal aml i st ni l ai mi ni mal

/ / mencar i ni l ai z
hi t ungZ = 70 - ( mi ni mal * 30) ;
ni l ai Z. Add( hi t ungZ) ; / / masukkan kedal aml i st ni l ai z

/ / mencar i ni l ai uz
hi t ungUZ =mi ni mal * hi t ungZ;
ni l ai UZ. Add( hi t ungUZ) ;

si mpanU. Cl ear ( ) ;
r ul e. Add( "RULE 1") ;
}

/ / r ul e 2
i f ( hi mpBai kBi o =="bai k" && hi mpCukupMat =="cukup" &&
hi mpAvr gPsi ko == "average")
{
si mpanU. Add( uBai kBi o) ;
si mpanU. Add( uCukupMat ) ;
si mpanU. Add( uAvr gPsi ko) ;

90


hi t ungZ = 70 - ( mi ni mal * 30) ;


}

/ / r ul e 3
i f ( hi mpBai kKi m=="bai k" && hi mpBur ukGeo =="buruk" &&
hi mpAvr gPsi ko == "average")
{
si mpanU. Add( uBai kKi m) ;
si mpanU. Add( uBur ukGeo) ;
si mpanU. Add( uAvr gPsi ko) ;


hi t ungZ = 70 - ( mi ni mal * 30) ;

91


}

/ / r ul e 4
i f ( hi mpCukupBi o =="cukup" && hi mpCukupSj r == "cukup" &&
hi mpGenPsi ko == "geni us")
{
si mpanU. Add( uCukupBi o) ;
si mpanU. Add( uCukupSj r ) ;
si mpanU. Add( uGenPsi ko) ;


hi t ungZ = 70 - ( mi ni mal * 30) ;


92

}

}
}

Sumber: Perancangan
Menentukan rule yang akan digunakan, mencari nilai derajat keanggotaan terendah, mencari
nilai Z, dan nilai derajat keanggotaan dikali Z sumber perancangan
Tabel 5.4 Implementasi Perhitungan Z
t ot al U = ni l ai Umi n. Sum( ) ;
t ot al Z = ni l ai Z. Sum( ) ;
t ot al UZ =ni l ai UZ. Sum( ) ;

Per ki raan = t ot al UZ / t ot al U;

i f ( Per ki raan <= 60)
{
Penj urusan = "I PS";
}
el se i f ( Per ki raan >= 60)
{
Penj urusan = "I PA";

Sumber: Perancangan
5.3 Implementasi alntarmuka
Pada sub-bab implementasi antarmuka menunjukkan tampilan dari aplikasi sistem
pakar pemilihan jurusan. Berikut ini adalah antarmuka dari aplikasi sistem pakar pemilihan
jurusan

93

a. Antarmuka log in

Gambar 5.1 Antarmuka log in
Pada antar muka login, tombol masuk digunakan untuk memvalidasi login, dan tombol
keluar digunakan untuk keluar dari system.
Username : admin
Password : admin
b. Antarmuka Data Siswa

Gambar 5.2 Antarmuka Data Siswa
94

Pada antar muka data siswa, tombol insert berfungsi untuk memasukkan data ke
dalam database, tombol update untuk mengupdate data, dan tombol delete untuk menghapus
data. Selanjutnya Data akan ditampilkan dalam table/DataGrid.
c. Antarmuka hasil Pakar

Gambar 5.3 Antarmuka Hasil Pakar

Pada antarmuka Hasil Pakar, tombol hitung berfungsi untuk mengolah data berupa
nilai dengan algoritma fuzzy tsukamoto, kemudian menampilkan hasil keluaran berupa rule
yang digunakan, derajat keanggotaan terendah, nilai Z, serta nilai perkiraan dan Jurusan
sebagai hasil akhir

95

BAB VI
PENGUJIAN DAN ANALISIS

Bab ini menjelaskan tentag pengujian dari hasil Implementasi Sistem Pakar
Penjurusan IPA dan IPS dengan Metode Tsukamoto.Proses pengujian ini dilakukan untuk
mengetahui fungsionalitas sistem yang disebut juga uji fungsionalitas. Pada pengujian
fungsionalitas digunakan teknik Blackbox testing, yang mana dalam proses pengujian akan
diuji apakah tindakan tindakan dalam diagram use case telah terealisasikan. Sedangkan
proses analisis bertujuan untuk mendapatkan kesimpulan dari hasil pengujian sistem
pendukung keputusan rekomendasi kamera dengan menggunakan metode tsukamoto yang
telah dilakukan. Untuk lebih jelasnya dapat dilihat dalam pohon implementasi seperti yang
terlihat pada Gambar 6.1.

Gambar6.1 Pohon Implementasi
Sumber: Implementasi
6.1. Pengujian Fungsionalitas
Pengujian Fungsionalitas bertujuan untuk mengetahui apakan sistem yang telah
dibangun telah menyediakan fungsi-fungsi yang dibutuhkan. Item-item yang telah dibuat
dalam daftar kebutuhan dan merupakan hasil analisis kebutuhan akan digunakan sebagai
acuan untuk melakukan pengujian fungsionalitas. Pengujian fungsionalitas menggunakan
pengujian Black box, karena pengujian ini tidak memfokuskan alur jalannya algoritma
program dan lebih ditekankan untuk menemukan kesesuaian antara kinerja sistem dengan
daftar kebutuhan sistem. Berikut ini akan dijelaskan bagaimana proses pengujian
fungsionalitas untuk tiap-tiap kebutuhan sistem.

Pengujian Dan
Analisis
Pengujian
Fungsionalitas
Analisis Pengujian
Fungsionalitas
96

6.1.1. Kasus Uji Masuk
Nama Kasus Uji : Kasus uji masuk
Objek Uji : Kebutuhan fungsionlaitas melakukan masuk.
Tujuan pengujian : Pengujian dilakukan untuk memastikan bahwa sistem dapat
memenuhi kebutuhan fungsional untuk melakukan login ke
dalam sistem sehingga pengguna dapat menggunakan sistem
tersebut.
Proosedur Uji : Mengisi username dan password kemudian menekan menu
masuk pada halaman utama.
Hasil yang di harapkan : User dapat menggunakan dan dapat masuk halaman data
siswa.
6.1.2. Kasus Uji Tes Menggunakan Insert data
Nama Kasus Uji : Kasus Uji tes menggunkan insert data
Objek Uji : Kebutuhan fungsionlaitas melakukan input data inputan
no.induk, biologi, fisika, kimia, matematika, geografi, sejarah
ekonomi, psikotest
memenuhi kebutuhan fungsional untuk melakukan input
inputan no.induk, biologi, fisika, kimia, matematika, geografi,
sejarah ekonomi, psikotest menggunakan sistem tersebut.
Prosedu Uji : Mengisikan data pada form yang telah disediakan dan
menekan menu inser.
Hasil yang di harapkan : Sistem dapat memproses inputan user berupa inputan
ekonomi, psikotest menggunakan sistem tersebut.
6.1.3. Kasus Uji Update data
Nama Kasus Uji : Kasus Uji tes menggunkan update data
97

Objek Uji : Kebutuhan fungsionlaitas melakukan update data no.induk,
biologi, fisika, kimia, matematika, geografi, sejarah ekonomi,
psikotest
memenuhi kebutuhan fungsional untuk melakukan update
inputan no.induk, biologi, fisika, kimia, matematika, geografi,
sejarah ekonomi, psikotest menggunakan sistem tersebut.
Prosedu Uji : menekan menu update dan mengganti data yang akan di
update tersebut.
Hasil yang di harapkan : Sistem dapat memproses update user berupa inputan
ekonomi, psikotest menggunakan sistem tersebut.

6.1.4. Kasus Uji Delete
Nama Kasus Uji : Kasus Uji tes menggunkan delate data
Objek Uji : Kebutuhan fungsionlaitas melakukan delete data semua data
memenuhi kebutuhan fungsional untuk melakukan delete data
sesuai dengan no. induk.
Prosedu Uji : mengisikan no. induk pada form yang telah disediakan dan
menekan menu delete.
Hasil yang di harapkan : Sistem dapat memproses delete data sesuai dengan no.induk.

6.1.5. Kasus About us
Nama Kasus Uji : Kasus Uji tes menggunakan About us
Objek Uji : Kebutuhan fungsionlaitas melakukan dari proses pembuat
program.
98

memenuhi kebutuhan fungsional untuk memberikan hasil
nama pembuat program.
Prosedur Uji : Menekan tombol about us
Hasil yang di harapkan :Sistem dapat menampilkan nama pembuat program.
6.1.6. Kasus Uji menu bar hasil pakar
Nama Kasus Uji : Kasus Uji menu bar hasil pakar
Objek Uji : Kebutuhan fungsionlaitas melakukan proses masuk dalam
halaman hasil pakar
memenuhi kebutuhan fungsional untuk melakukan proses
masuk dalam halaman hasil pakar
Prosedur Uji : Menekan file pada menu hasil pakar
Hasil yang di harapkan : Sistem dapat masuk dalam halaman hasil pakar.
6.1.7. Kasus Uji Hitung
Nama Kasus Uji : Kasus Uji hitung
Objek Uji : Kebutuhan fungsionlaitas melakukan proses penghitungan
penjurusan.
perhitungan penjurusan dan penentuan IPA dan IPS.
Prosedu Uji : Menekan button hitung
Hasil yang di harapkan : Sistem dapat memproses inputan data, sehingga sistem dapat
membrikan penjurusan IPA atau IPS.
6.1.8. Kasus Uji Keluar
Nama Kasus Uji : Kasus uji Keluar
99

Objek Uji : Kebutuhan fungsionlaitas melakukan proses keluar dari sistem
keluar dari sistem
Uji prosedur :Menekan button exit.
Hasil yang di harapkan : user dapat keluar dari sistem.
6.1.9. Kasus Uji Masuk Database
Nama Kasus Uji : Kasus uji Masuk Database
Objek Uji : Kebutuhan fungsionalitas melakukan penyimpanan data dari
proses output.
penyimpanan data
Uji prosedur :Menekan button masukkan kedalam database.
Hasil yang di harapkan : Sistem dapat melakukan penyimpanan pada data sesuai
dengan proses output penjurusan dan no.induknya.

6.2. Hasil Uji Fungsionalitas
Dari kasus uji yang telah dilaksanakan sesuai dengan prosedur pengujian yang telah
disebutkan dalam sub pokok bahasan 6.2 maka didapatkan hasil seperti yang ditunjukkan
dalam tabel 6.1 berikut.
No Kasus Hasil yang didapatkan Status
1 Login User dapat menggunakan
dan dapat masuk halaman
data siswa.
Valid
2 Insert data Sistem dapat memproses
inputan user berupa
inputan no.induk, biologi,
fisika, kimia, matematika,
Valid
100

geografi, sejarah ekonomi,
psikotest menggunakan
sistem tersebut.
3 Update data

Sistem dapat memproses
update user berupa inputan
no.induk, biologi, fisika,
kimia, matematika,
geografi, sejarah ekonomi,
psikotest menggunakan
sistem tersebut
Valid
4 Delete data Sistem dapat memproses
delete data sesuai dengan
no.induk.
Valid
5 About us Sistem dapat memproses
delete data sesuai dengan
no.induk.
Valid
6 Menubar hasil pakar Sistem dapat memproses
inputan data, sehingga
sistem dapat membrikan
penjurusan IPA atau IPS.
Valid
7 Hitung Sistem dapat memproses
inputan data, sehingga
sistem dapat membrikan
penjurusan IPA atau IPS.
Valid
8 Keluar user dapat keluar dari
sistem
Valid
9 Masuk Database Sistem dapat melakukan
penyimpanan pada data
sesuai dengan proses
output penjurusan dan
no.induknya.

Valid

6.3. Analisis Pengujian
Proses analisis terhadap hasil pengujian fungsionalitas dilakukan dengan melihat
kesesuaian antara fungsi hasil kerja sistem dengan daftar kebutuhan sistem. Berdasarkan dari
101

hasil pengujian maka dapat disimpulkan bahwa implementasi dan fungsionalitas sistem telah
sesuai dengan daftar kebutuhan sistem yang dijelaskan dalam tahapan analisis kebutuhan
sistem.

102

BAB VII
PENUTUP
5 Penutup
7.1.Kesimpulan
Berdasarkan hasil dari perancangan sampai dengan pengujian yang dilakukan pada
Sistem Pakar Penentuan Jurusan IPA/IPS dengan Menggunakan Metode Tsukamoto, maka
dapat ditarik kesimpulan bahwa:
1. Sistem pakar untuk penentuan jurusan IPA/IPS mampu untuk memberikan
rekomendasi pemilihin jurusan bagi siswa sesuai dengan kriteria-kriteria yang
telah ditentukan oleh para pakar.
2. Berdasarkan hasil pengujian fungsionalitas, dapat dikatakan telah memenuhi
kebutuhan yang telah dijabarkan sebelumnya melalui tahapan analisis kebutuhan,
yang mana hal tersebut dilakukan dengan cara menganalisis sistem secara
mendalam.
7.2. Saran
Saran yang dapat diberikan untuk pengembangan sistem pendukung keputusan untuk
merekomendasikan kamera digital menggunakan metode WP, antara lain:
1. Untuk pengembangan sistem lebih lanjut maka dapat digunakan metode yang
berbeda atau dengan melakukan kombinasi metode antara metode Tsukamoto dan
metode lainnya, agar dapat mencakup aturan metodenya.
2. Untuk pengembangan sistem lebih lanjut maka dapat digunakan kriteria-kriteria
lainnya dan alternatif sistem pakar sesuai dengan yang disarankan oleh ahli.

103
Daftar Pustaka

[1] Ayu, Gita. Sistem Pakar Pemilihan Bidang Studi Bagi Calon Mahasiswa dengan
Metode Technique For Order Preference By Similarity to Ideal Solution (TOPSIS).
Program Studi Teknik Informatika Universitas Brawijaya Malang.
[2] Thamrin, Fanoeel. 2012. Studi Inferensi Fuzzy Tsukamoto untuk Penentuan Faktor
Pembebanan Trafo PLN. Program Studi Magister Sistem Informasi Universitas
Diponegoro Semarang.
[3] Anonymous. 2009. http:// penjurusandisma.blogspot.com. diakses pada
tanggal 23 November 2013
[4] J , Giarrantano. Pengantar Kecerdasan Buatan, Sistem Pakar.
[5] Anounymous. Sistem Pakar.
[6] Anounymous. Landasan Teori Logika Fuzzy. Universitas Sumatera Utara.
[7] Saelan, Athia. 2009. Logika Fuzzy. Program Studi Teknik Informatika Sekolah
Teknik Elektro dan Informatika Institut Teknologi Bandung.
[8] Aninomous. Sistem Infurensi Fuzzy. http://www.slideshare.net/yaqinov/sistem-
inferensi-fuzzy. Diakses pada tanggal 20 Oktober 2013.
[9] Aninomous. Fuzzy Sistem
http://mhs.stiki.ac.id/06114001/Software/bowo/Fuzzy%20Logic.ppt Diakses pada
tanggal 23 November 2013
[10] aninomous.http://kelompokfz.blogspot.com/2011/06/metode-tsukamoto.html. Di
aksespadatanggal 29 oktober 2013
[11] Fredrik, Jonh. 2012. Metode Inferensi II Forward Chaining dan Backward
Chaining. STMIK Palangkaraya
[12] Glesung, Mohammad. 2010. Penentuan Jurusan Di SMAN 8 Surakarta dengan
Fuzzy Inference System (FIS) Mamdani. Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Sebelas Maret Surakarta

Lampiran 1 : Koneksi pada database
1. Aplikasi dapat dijalankan pada direktori
\sispakpenjurusan\Debug\sispakpenjurusan.exe.
2. Untuk Instalasi database, sql berada di direktori
sispakpenjurusan\Database\penjurusan.sql.
3. File database dapat dijalankan melalui aplikasi client mysql, seperti phpmyadmin.

Laporan Makalah SISPAK Ganjil 2013

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Laporan Makalah SISPAK Ganjil 2013

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN TUGAS AKHIR

Implementasi Sistem Pakar Penentuan Jurusan IPA IPS Menggunakan

Anda mungkin juga menyukai