Penerapan Algoritma Fuzzy Multi-Attribute Decision Making pada

Penjadwalan Ujian Skripsi

(Studi Kasus : Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana Salatiga)
Yessica Nataliani1, Martin Setyawan2, Aghata Dhiwi Ashita3
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Jl. Diponegoro 52-60, Salatiga 50711, Indonesia
1
yessica_24@yahoo.com, 2dreams_studio_s3@yahoo.com, 3dhiwi@ymail.com

Abstrak
Penjadwalan ujian skripsi merupakan kegiatan rutin yang dilakukan oleh koordinator KPTA. Penjadwalan ini
meliputi dua kegiatan yaitu melakukan pemilihan dosen penguji dan kemudian melakukan penjadwalan ujian.
Kedua kegiatan biasanya memakan waktu yang cukup lama, apalagi jika terdapat banyak skripsi yang harus
dijadwalkan, sementara jadwal dosen cukup padat. Oleh karena itu, alangkah baiknya jika terdapat sistem yang
dapat mengatur jadwal ujian skripsi dengan melihat kesesuaian topik skripsi yang diujikan dengan bidang
penguasaan dosen penguji serta jadwal dosen yang menjadi penguji maupun pembimbing dalam suatu ujian
skripsi. Algoritma Fuzzy Multi-Attribute Decision Making akan digunakan sebagai metode dalam pemilihan
dosen penguji yang sesuai dengan topik dari skripsi yang akan diuji. Fuzzy MADM akan menghitung kecocokan
dari atribut pada alternatif-alternatif yang ada dengan atribut pada skripsi yang akan diuji untuk memperoleh
alternatif dosen penguji yang terbaik. Setelah ditemukan alternatif-alternatif terbaik, maka akan dilakukan
penjadwalan dengan terlebih dahulu menjadwalkan ujian skripsi yang memiliki nilai prioritas tinggi.
Penjadwalan dilakukan pada sesi yang sesuai dengan nilai optimasi terbaik.
Kata kunci : Fuzzy Muti-Attribute Decsion Making, pemilihan penguji, penjadwalan

1.

Pendahuluan

Penjadwalan ujian skripsi merupakan sebuah

kegiatan rutin yang harus dilakukan oleh koordinator
KPTA (Kerja Praktek dan Tugas Akhir) di setiap
bulan dalam satu periode wisuda. Ujian skripsi di
Fakultas Teknologi Informasi Universitas Kristen
Satya Wacana (FTI-UKSW) dilakukan sesuai dengan
pengajuan ujian skripsi yang dilakukan oleh mahasiswa. Ujian skripsi dapat dilakukan secara paralel,
dalam waktu bersamaan di tempat yang berbeda.
Selain melihat faktor waktu dan tempat, penentuan
jadwal ujian skripsi juga memperhatikan kesesuaian
dosen penguji dengan topik skripsi yang diujikan
dalam ujian tersebut serta harus memperhatikan
jumlah kuota dosen dalam menjadi pembimbing
maupun penguji dalam ujian skripsi selama periode
wisuda tersebut.
Banyaknya faktor yang mempengaruhi penjadwalan, menjadikan pengaturannya memerlukan
waktu yang lebih. Proses penjadwalan ujian skripsi
di FTI-UKSW selama ini masih dilakukan dengan
cara manual. Oleh karena itu diperlukan sebuah
sistem yang mampu membantu koordinator KPTA
dalam menentukan dosen penguji serta menyusun

jadwal, sehingga kegiatan penjadwalan ujian skripsi

tidak memakan waktu yang terlalu lama.
2.

Kajian Pustaka

Sistem penjadwalan ujian skripsi telah pernah

dibuat di universitas lain, dengan kasus yang hampir
sama, seperti di Universitas Kristen Petra. Dalam
pembuatan aplikasi tersebut, digunakan metode
fuzzy relation dan algoritma genetika. Metode Fuzzy
Relation dipakai untuk membantu menentukan
dosen penguji yang cocok untuk suatu topik skripsi
yang diajukan dalam ujian skripsi, sedangkan
algoritma genetika dipakai untuk optimasi dalam
penyusunan jadwal.
Hubungan suatu skripsi dengan keahlian dosen
bisa dikaitkan dengan metode fuzzy relation. Setiap
dosen memiliki keahlian yang dimiliki terhadap
suatu topik tertentu. Data mengenai keahlian dosen
terhadap suatu topik diinputkan dengan nilai kisaran
antara nol sampai satu, nilai nol berarti dosen
tersebut tidak menguasai topik tersebut, nilai 0.8
berarti dosen cukup menguasai topik tersebut,
sedangkan nilai satu berarti dosen menguasai topik
tersebut. Begitu juga dengan skripsi, skripsi diberi

nilai sesuai dengan keterkaitannya terhadap topik.

Misal, skripsi yang berjudul Penjadwalan Mata
Kuliah menggunakan Algoritma Genetika memiliki
relasi terhadap topik Sistem Cerdas dengan tingkat
keterkaitan satu, maka untuk mencari dosen yang
cocok sebagai dosen penguji dari skripsi tersebut,
akan dicari dosen yang memiliki nilai relasi terhadap
topik Sistem Cerdas dengan nilai keahlian terbaik di
antara dosen-dosen lainnya. Fuzzy relation mencari
keterkaitan antara dosen yang ada dengan skripsi
yang akan diuji, menggunakan topik sebagai penghubungnya. Fuzzy relation mengaitkan hubungan
antara dua hal yang bersifat relatif kemudian membuat kesimpulan dari hubungan dua hal tersebut.
Setelah hubungan antar skripsi yang akan diuji
dengan dosen-dosen sebagai calon penguji dipetakan
dalam sebuah tabel relasi, ujian skripsi dijadwalkan
menggunakan algoritma genetika. Gen awal dibentuk
dengan meletakkan skripsi dan dosen di dalam
sebuah sesi berdasarkan nilai prioritas, mulai dari
dosen penguji dan pembimbing bisa hadir semua
dalam sesi tersebut, sampai ke semua penguji dan
pembimbing tidak bisa hadir dalam sesi tersebut.
Setelah itu dilakukan seleksi dengan menghitung
nilai fitness berdasarkan dua prioritas, yaitu nilai
kehadiran dosen di dalam sesi tersebut dan nilai
keterkaitan dosen terhadap topik skripsi. Jika fitness
yang didapat belum sesuai dengan tujuan yang ingin
dicapai, maka proses regenerasi dilakukan. Proses
regenerasi bisa dilakukan dengan memilih secara
acak satu di antara tiga cara seleksi, yaitu mutasi,
crossover, dan reproduksi [3].
3.

Fuzzy Multi-Attribute Decision Making (FMADM)

FMADM adalah penggabungan antara logika

fuzzy dan multi-attibute decision making. Fuzzy
dalam multi-attribute decision making digunakan
untuk mengolah atribut suatu alternatif yang tidak
dapat disajikan dengan lengkap, mengandung ketidakpastian atau ketidakkonsistenan. Secara umum
FMADM memiliki suatu tujuan tertentu, yang dapat
diklasifikasikan dalam dua tipe, (Simoes-Marques
dalam [1]) yaitu menyeleksi alternatif dengan atribut
dengan ciri-ciri terbaik dan mengklasifikasikan
alternatif berdasarkan peran tertentu.
Untuk menyelesaikan masalah MADM,
dibutuhkan dua tahap yaitu membuat rating pada
setiap alternatif berdasarkan agregrasi derajat kecocokan pada semua kriteria, kemudian merangking
semua alternatif untuk mendapatkan alternatif terbaik.
Ada dua cara yang dapat digunakan dalam proses
perankingan, yaitu membuat defuzzy dan/atau
melalui relasi preferensi fuzzy. Metode defuzzy
dimulai dengan membuat bentuk crisp dari bilangan
fuzzy, kemudian dilakukan proses perankingan
berdasarkan atas bilangan crisp tersebut. Model ini
memang mudah diimplementasikan, namun sangat
dimungkinkan untuk kehilangan beberapa informasi
terutama yang menyangkut ketidakpastian. Pengguna-

an relasi preferensi fuzzy lebih menjamin ketidakpastian yang melekat pada bilangan fuzzy hingga
proses perankingan.
Metode MADM klasik memiliki beberapa
kelemahan, yaitu tidak cukup efisien untuk menyelesaikan masalah-masalah pengambilan keputusan
yang melibatkan data-data yang tidak tepat dan tidak
pasti, biasanya diasumsikan bahwa keputusan akhir
terhadap alternatif-alternatif diekspresikan dengan
bilangan real, sehingga tahap perankingan menjadi
kurang mewakili beberapa permasalahan tertentu
dan penyelesaian masalah hanya terpusat pada tahap
agregasi FMADM dapat mengatasi hal tersebut.
Penyelesaian permasalahan FMADM bisa
dilakukan dengan dua cara, yaitu dengan metode
MADM klasik dan dengan metode pengembangan.
Metode MADM klasik yang dapat digunakan untuk
menyekesaikan permasalahan FMADM adalah
metode SAW, WP, atau TOPSIS untuk melakukan
perankingan, setelah terlebih dahulu dilakukan
konversi data fuzzy ke data crisp. Apabila data fuzzy
diberikan dalam bentuk linguistik, maka data
tersebut harus dikonversi terlebih dahulu ke bentuk
bilangan fuzzy, baru kemudian dikonversi lagi ke
bilangan crisp.
Metode pengembangan untuk menyelesaikan
masalah FMADM dikembangkan oleh Joo pada
tahun 2004 dalam tiga langkah penting penyelesaian,
yaitu: representasi masalah, evaluasi himpunan fuzzy
dan menyeleksi alternatif yang optimal.
1. Merepresentasikan masalah. Terdapat tiga
aktivitas yang harus dilakukan, yaitu mengidentifikasi tujuan dan kumpulan alternatif
keputusan. Tujuan keputusan dapat direpresentasikan menggunakan bahasa alami atau nilai
numeris sesuai karakteristik dari masalah. Jika
ada n alternatif keputusan dari suatu masalah,
maka alternatif-alternatif tersebut dapat ditulis
sebagai A = {Ai | i= 1, 2, ..., n}. Selanjutnya
diakukan, identifikasi kumpulan kriteria. Jika
ada k kriteria, maka dapat dituliskan C ={Ct | t = 1,
2, ..., k}. Setelah itu, dibangun struktur hirarki
dari masalah berdasarkan pertimbangan tertentu.
2. Mengevaluasi himpunan fuzzy. Terdapat tiga
aktivitas yang dilakukan, yaitu (1) Memilih
himpunan rating untuk bobot-bobot kriteria dan
derajat kecocokan setiap alternatif dengan
kriterianya. Secara umum, himpunan-himpunan
rating terdiri atas tiga elemen, yaitu: variabel
linguistik (x) yang merepresentasikan bobot
kriteria dan derajat kecocokan setiap alternatif
dengan kriterianya; T(x) yang merepresentasikan rating dari variabel linguistik dan fungsi
keanggotaan yang berhubungan dengan setiap
elemen dari T(x). Misal, rating untuk bobot pada
Variabel Penting untuk suatu kriteria didefinisikan sebagai: T(penting) = {SANGAT RENDAH,
RENDAH, CUKUP, TINGGI, SANGAT TINGGI}.
Sesudah himpunan rating ditentukan, maka
harus ditentukan fungsi keanggotaan untuk se-

tiap rating, yang biasanya menggunakan fungsi

segitiga. Misal, Wt adalah bobot untuk kriteria
Ct dan Sit adalah rating fuzzy utuk derajat
kecocokan fuzzy dari alternatif Ai yang
merepresentasikan derajat kecocokan alternatif
keputusan yang diperoleh dari hasil agregasi Sit
dan Wt; (2) Mengevaluasi bobot-bobot kriteria
dan derajat kecocokan setiap alternatif dengan
kriterianya. Ada beberapa metode yang dapat
digunakan untuk melakukan agregrasi terhadap
hasil keputusan para pengambil keputusan, yaitu
mean, median, max, min, dan operator campuran. Dari beberapa metode tersebut, metode
mean yang paling banyak digunakan. Operator
dan adalah operator yang digunakan untuk
penjumlahan dan perkalian fuzzy. Dengan
menggunakan operator mean, Fi dirumuskan:
1
Fi = [(S i1 W1 ) (S i 2 W2 ) K (S ik Wk )] (1)
k
(3) Mensubtitusikan Sit dan Wt dengan bilangan
fuzzy segitiga, yaitu Sit = (oit,pit,qit); dan Wt =
(at,bt,ct); maka Ft dapat didekati sebagai:
Fi (Yi,Qi,Zi)
(2)
dengan :
1 k
(3)
Yi = (oit ai )
k t =1
1 k
Qi = ( pit bi )
k t =1
1 k
Z i = (qit ci )
k t =1

3.

(4)
(5)

i = 1, 2, ..., n.
Menyeleksi alternatif yang optimal. Pada
langkah ini terdapat dua aktivitas yang dilakukan.
Pertama, memprioritaskan alternatif keputusan
berdasarkan hasil agregrasi. Prioritas dari hasil
agregrasi dibutuhkan dalam rangka proses
perankingan alternatif keputusan. Karena hasil
agregrasi ini direpresentasikan dengan menggunakan bilangan fuzzy segitiga maka dibutuhkan
metode perankingan untuk bilangan fuzzy segitiga. Salah satu metode yang dapat digunakan
adalah metode nilai total integral. Misalkan F
adalah bilangan fuzzy segitiga, F=(a,b,c), maka
nilai total integral dapat dirumuskan sebagai:
1
(6)
I ( F ) = (c + b + (1 )a )
T

Nilai adalah indeks keoptimisan yang

merepresentasikan derajat keoptimisan bagi
pengambil keputusan. Apabila nilai semakin
besar mengindikasikan bahwa derajat keoptimisannya semakin besar, kemudian memilih alternatif
keputusan dengan prioritas tertinggi sebagai
alternatif yang optimal. Apabila ada dua
bilangan fuzzy Fi dan Fj. Semakin besar nilai Fj
berarti kecocokan terbesar dari alternatif
keputusan adalah Fj dan nilai inilah yang akan
menjadi tujuannya [1].

4.

Perancangan Aplikasi

Dalam penjadwalan ujian skripsi, koordinator

KPTA memasukkan data dosen, data skripsi, data
waktu ujian, data ruang ujian, dan data tanggal ujian
akan dilaksanakan. Tabel 1 sampai Tabel 5 merupakan rincian dari data-data tersebut.
Tabel 1 Data Dosen
Nama Data
Deskripsi
Nama Dosen
Nama dosen lengkap dengan gelar
akademis yang dimiliki
Kode Dosen
Kode dosen yang menunjukkan
bahwa dosen tersebut merupakan
dosen dalam FTI-UKSW
Pendidikan
Pendidikan terakhir dosen yang
Terakhir
terdiri dari tiga pilihan : S1, S2, S3
Bidang Minat
Bidang yang diminati oleh dosen
Tabel 2 Data Skripsi
Deskripsi
Judul dari Skripsi
Bahasan utama dalam skripsi
NIM dari mahasiswa yang
mengajukan skripsi
Nama
Nama dari mahasiswa yang
mengajukan skripsi
Pembimbing 1 Nama dosen pembimbing 1 skripsi
Pembimbing 2 Nama dosen pembimbing 2 skripsi
Nama Data
Judul
Topik
NIM

Tabel 3 Data Waktu Ujian

Nama Data
Deskripsi
Waktu Mulai
Waktu ujian dimulai
Waktu Selesai Waktu ujian selesai
Interval
Range satu sesi ujian.

Nama Data
Nama Ruang

Tabel 4 Data Ruang

Deskripsi
Nama ruang yang akan digunakan

Tabel 5 Data Tanggal

Nama Data
Deskripsi
Tanggal Mulai Tanggal mulai ujian skripsi
Tanggal Selesai Tanggal selesai ujian skripsi
Keluaran yang diharapkan oleh koordinator
KPTA merupakan sebuah jadwal ujian skripsi
dengan data-data seperti terlihat pada Tabel 6.
Tabel 6 Data Jadwal Ujian
Nama Data
Deskripsi
NIM Peserta
NIM peserta yang mengajukan
ujian skripsi
Pembimbing
Nama dari pembimbing 1 dan
pembimbing 2 skripsi yang akan
diuji
Penguji
Nama tiga dosen yang akan
menguji skripsi
Tanggal
Tanggal ujian skripsi dilaksanakan
Sesi
Waktu ujian skripsi dilaksanakan
Tempat
Tempat ujian skripsi dilaksanakan

Syarat menjadi dosen penguji skripsi adalah

dosen dalam, bukan merupakan dosen pembimbing
skripsi, memiliki keahlian sesuai topik skripsi yang
akan diuji. Kuota dosen - partisipasi dosen menjadi
pembimbing atau penguji dalam ujian skripsi - juga
ikut diperhitungkan dalam pemilihan dosen penguji.
Terdapat dua kuota yaitu kuota periode wisuda, yang
merupakan total partisipasi seorang dosen dalam
periode wisuda dan kuota per hari dalam penjadwalan, yang merupakan total partisipasi dosen tersebut
dalam satu hari jadwal ujian. Seorang dosen yang
memiliki kuota periode wisuda lebih kecil yang akan
diutamakan untuk menguji, sedangkan yang memiliki
kuota maksimal baru boleh menguji pada penjadwalan berikutnya, jika kuotanya sudah bukan kuota
maksimal lagi. Batasan dosen berpartisipasi dalam
sehari adalah tiga kali.
Ujian skripsi bisa dilakukan secara paralel
maupun tidak. Ujian skripsi bisa dilaksanakan antara
hari Senin sampai Jumat, namun jika diperlukan bisa
juga dilaksanakan pada hari Sabtu. Waktu pelaksanaan ujian skripsi mulai pukul 08.00 sampai pukul
16.00, dengan interval waktu adalah 90 menit.
FMADM dipilih dalam pembuatan aplikasi ini
sebagai metode untuk memilih dosen yang sesuai
dengan skripsi yang akan diuji, sedangkan dari
algoritma genetika akan diambil konsep mengenai
individu dengan fitness terbaiklah yang bisa bertahan
hidup, sebagai dasar untuk optimasi. Penggunaan
FMADM dilakukan karena data-data yang akan
diolah, yaitu data-data atribut dalam pemilihan
dosen penguji memiliki bentuk sebagai bilangan
fuzzy, karena mengandung ketidakpastian, misalnya
penguasaan seorang dosen terhadap bidang minat
adalah relatif, tidak tepat pasti, sangat menguasai
atau menguasai.
Dengan FMADM akan dihubungkan antara
skripsi dengan dosen melalui beberapa atribut atau
kriteria. Teknik penyelesaian FMADM yang akan
diterapkan adalah pengembangan FMADM, seperti
yang telah dibahas pada kajian pustaka. Metode
pengembangan tersebut terdiri dari tiga langkah,
yaitu representasi masalah, evaluasi himpunan fuzzy
dari alternatif-alternatif keputusan, dan menyeleksi
alternatif yang optimal.
Pertama, dilakukan representasi masalah dengan
menyusun struktur hirarkri masalah. Untuk bisa
membuat sebuah hirarkri masalah, perlu disusun
atribut-atribut yang akan digunakan dalam menentukan dosen penguji. Atribut utama yang akan dijadikan penghubung antara dosen dan skripsi adalah
bidang minat dosen atau topik skripsi (untuk pembahasan selanjutnya akan digunakan satu istilah,
yaitu bidang minat). Bidang minat merupa-kan suatu
bidang keahlian, seperti Natural Language Processing,
Riset Operasi, Kecerdasan Buatan, dan sebagainya.
Seorang dosen pasti memiliki setidaknya satu bidang
minat dan sebuah skripsi juga pasti memiliki
minimal satu bidang minat. Bidang minat yang ada
akan disusun dengan sebuah struktur hirarkri pohon.

Hal ini dilakukan karena bidang minat yang ada bisa

dikaitkan satu dengan yang lain, kemudian bisa
disusun dalam sruktur pohon, mulai dari bidang
minat yang paling umum sampai bidang minat yang
paling khusus. Misalnya, bidang minat jaringan bisa
memiliki beberapa sub bidang minat atau child
seperti keamanan jaringan, pemrograman jaringan,
dan manajemen jaringan, tetapi keamanan jaringan
juga bisa memiliki child seperti steganografi. Susunan pohon bermanfaat dalam pencarian dosen yang
sesuai dengan bidang minat yang diinginkan. Jika
dicari dosen dengan bidang minat steganografi dan
kebetulan semua dosen yang memiliki bidang minat
tersebut bentrok dengan seluruh jadwal yang tersedia,
maka akan dicari dosen yang memiliki parent bidang
minat dari steganografi. Pencarian dosen dilakukan
satu tingkat lebih atas atau parent langsung dari
bidang minat tersebut kecuali jika bidang minat yang
dicari merupakan parent teratas atau root.
Atribut selanjutnya adalah bahasa pemrograman. Karena studi kasus dalam aplikasi ini adalah FTI
UKSW, maka sebagian besar pembuatan skripsi
mahasiswa akan memberikan output berupa sebuah
aplikasi. Dalam pembuatan skripsinya pasti menggunakan suatu bahasa pemrograman. Dengan atribut ini,
akan dikaitkan penguasaan dosen terhadap bahasa
pemrograman dengan penggunaan bahasa pemrograman pada skripsi.
Kadangkala suatu bidang minat bisa tidak dimiliki oleh banyak penguji, sehingga untuk mencari
penguji yang sesuai akan kesulitan. Hal ini diatasi
dengan mengaitkan bidang minat terhadap mata
kuliah konsentrasi yang ada pada FTI UKSW. Jika
tidak ditemukan dosen yang sesuai dengan bidang
minat tersebut maupun pada bidang minat parent,
maka akan dicari dosen yang mengajar matakuliah
yang berhubungan dengan bidang minat tersebut
karena setidaknya dosen tersebut mengerti mengenai
skripsi yang diuji.
Setelah melakukan pencarian dosen penguji
yang sesuai, akan terdapat alternatif dosen penguji
yang terbentuk. Setiap alternatif terdiri dari tiga
dosen penguji. Satu lagi atribut yang digunakan
adalah atribut kesesuaian alternatif dengan jadwal
ujian skripsi. Atribut ini sekaligus akan menguji
nilai fitness dari setiap alternatif yang berpengaruh
dalam proses penjadwalan. Kesesuaian alternatif
dengan jadwal ujian skripsi adalah banyak-nya sesi
yang bisa diikuti oleh alternatif tersebut. Sesi adalah
kombinasi dari tanggal, waktu dan ruang ujian
skripsi, misalnya Selasa, 16 Juni 2009, pukul 10.0011.30 di ruang rapat. Semakin banyak sesi yang bisa
diikuti oleh alternatif dosen penguji tersebut akan
semakin tinggi nilainya. Sedangkan jika alternatif
tersebut selalu bentrok di semua jadwal, maka
alternatif itu akan dihapus dari daftar alternatif. Cara
menghitung alternatif ini adalah dengan membagi
jumlah sesi yang sesuai (js) dengan jumlah seluruh
sesi yang ada (ts). T(kesesuaian jadwal) = js .
ts

Dari representasi masalah, maka dapat disusun

struktur hirarkri masalah seperti yang terlihat pada
Gambar 1. Diasumsikan setiap atribut yang ada
dimiliki oleh skripsi tersebut, sehingga terdapat
empat atribut, sedangkan atribut parent bidang minat
dianggap sama dengan atribut bidang minat.

an untuk atribut bahasa pemrograman bernilai

Tinggi, karena jika bahasa pemrograman digunakan
sebagai bahan untuk diuji, pasti tidak akan digunakan setengah-setengah. Nilai kepentingan kesesuaian
jadwal bernilai Sangat Tinggi karena sangat berpengaruh terhadap terpilihnya alternatif yang baik.
Variabel yang merepresentasikan derajat kecocokan alternatif-alternatif dengan kriteria keputusan
adalah T (Kecocokan) S = {C, B, SB}, dengan C =
Cukup; B = Baik; SB = Sangat Baik; yang masingmasing direpresentasikan dengan bilangan fuzzy
segitiga yaitu C = (0.6, 0.6, 0.8), B = (0.7, 0.8, 0.9),
SB = (0.8, 1, 1). Jika digambarkan dalam bentuk
fuzzy segitiga, maka akan terlihat seperti pada Gambar
3. Nilai kecocokan akan diambil dari nilai dosen
terhadap atribut-atribut yang dimiliki oleh skripsi.

Gambar 1. Struktur Hirarki Kasus

Langkah kedua yaitu mengevaluasi himpunan
fuzzy alternatif-alternatif keputusan. Dalam tahap
evaluasi terdapat dua tipe variabel yang digunakan
untuk membantu perhitungan, yaitu variabel yang
merepresentasikan bobot kepentingan dan variabel
yang merepresentasikan derajat kecocokan alternatifalternatif dengan kriteria keputusan. Variabel yang
merepresentasikan bobot kepentingan adalah
T(kepentingan) W = {C, T, ST} dengan C = Cukup;
T = Tinggi; ST = Sangat Tinggi; yang masingmasing direpresentasikan dengan bilangan fuzzy
segitiga yaitu C = (0.6, 0.6, 0.8), T = (0.7, 0.8, 0.9),
ST = (0.8, 1, 1). Jika digambarkan dalam bentuk
fuzzy segitiga, maka akan terlihat seperti pada Gambar 2.

Gambar 2. Fuzzy Segitiga Bobot Kepentingan

Nilai kepentingan atribut bidang minat disesuaikan dengan nilai-nilai atribut yang terdapat dalam
data skripsi. Nilai di bawah C atau cukup sengaja
diabaikan, karena inputan yang akan dimasukkan
juga minimal memiliki nilai C. Misalnya, saat
memasukkan data skripsi, maka yang dimasukkan
adalah data bidang minat yang cukup terkait, terkait
atau sangat terkait dengan skripsi, untuk bidang
minat yang memiliki keterkaitan rendah dan bahkan
sangat rendah tentu saja tidak perlu diinputkan
dalam data skripsi. Khusus untuk atribut mata
kuliah, parent mata kuliah dan kesesuaian jadwal,
akan ditetapkan oleh program, karena atribut mata
kuliah dan parent bidang minat hanya sebagai opsi
bantuan jika dosen yang memiliki keahlian dalam
bidang minat tersebut tidak ada. Nilai kepentingan
yang ditetapkan untuk parent bidang minat dan mata
kuliah adalah nilai kepentingan Cukup. Nilai kepenting-

Gambar 3. Fuzzy Segitiga Bobot Kecocokan

Setelah membentuk dua variabel tadi, kemudian
dibuat rating untuk setiap atribut skripsi seperti yang
telah digambarkan pada struktur hirarki. Misalnya,
pada data skripsi yang berjudul Penjadwalan Mata
Kuliah menggunakan Algoritma Genetika, didapatkan bahwa skripsi ini memiliki satu bidang minat
yaitu Kecerdasan Buatan dengan nilai keterkaitan
Sangat Tinggi sehingga nilai kepentingannya adalah
Sangat Tingi sebagai C1, satu mata kuliah yang
berhubungan yaitu Kecerdasan Buatan sebagai C2.
Jika skripsi tersebut ternyata juga terkait dengan
suatu bidang minat dengan nilai keterkaitan Tinggi
maka nilai kepentingannya merupakan C3, kemudian
menggunakan suatu bahasa pemrograman sebagai C4
dan atribut kesesuaian jadwal sebagai C5. Jika dalam
perhitungan yang sebenarnya untuk kasus skripsi
tersebut, maka hanya akan dihitung menggunakan
atribut bidang minat kecerdasan buatan dan kesesuaian jadwal saja, atribut mata kuliah hanya akan
dipakai jika dosen yang ditemukan dalam atribut
bidang minat dan atribut parent bidang minat tidak
memenuhi standar minimal atau dibawah tiga orang.
Langkah-langkah algoritmanya akan lebih diperjelas
dalam activity diagram pada pembahasan selanjutnya.
Dengan contoh di atas, maka dapat dibuat rating
kepentingan untuk skripsi tersebut seperti pada Tabel 7.
Tabel 7. Rating Kepentingan untuk Setiap Kriteria
Kriteria
C1 C 2 C 3 C 4 C 5
Rating Kepentingan ST C T T ST
Jika didapatkan empat orang dosen yang sesuai
dengan atribut-atribut tersebut, maka terdapat empat
alternatif kombinasi tiga dosen penguji sebagai A1,
A2, A3 dan A4. Keempat alternatif tersebut didapatkan
dari rumus kombinasi, sehingga didapat empat

kombinasi dosen. Empat alternatif tersebut memiliki

rating kecocokan tiap alternatif terhadap setiap
kriteria seperti pada Tabel 8, dimana d adalah dosen.
Tabel 8. Rating Kecocokan Setiap Alternatif
terhadap Setiap Kriteria

Pada setiap alternatif, tiga orang dosen penguji

memiliki nilai tersendiri terhadap atribut C1, C2, C3,
C4. Sedangkan pada atribut alternatif memiliki satu
nilai, karena atribut kesesuaian dengan jadwal
diperoleh dari kesesuaian jadwal tiga orang penguji
pada alternatif tersebut dan dua pembimbing skripsi
dengan sesi-sesi ujian yang telah dibentuk. Setelah
dicari rata-rata untuk atribut yang masih memiliki
nilai ganda, dengan melihat pada nilai fuzzy segitiga,
maka rating kecocokannya seperti pada Tabel 9.
Tabel 9. Rata-rata Rating Kecocokan Setiap
Alternatif terhadap Setiap Kriteria
Alt.
A1
A2
A3
A4

Rating Kecocokan
C3

C1

C2

0.4 0.4 0.53

0.23 0.26 0.3
0.46 0.53 0.6
0.66 0.73 0.86

0.5 0.6 0.63

0.4 0.4 0.8
0.43 0.46 0.56
0.23 0.26 0.3

0.43 0.46 0.56

0.46 0.53 0.6
0.66 0.73 0.86
0.46 0.53 0.6

C4
0.46 0.53 0.6
0.26 0.33 0.33
0.7 0.8 0.9
0.63 0.66 0.83

derajat keoptimisannya, sehingga alternatif A4 menjadi alternatif terpilih di antara alternatif yang ada.
Setelah setiap alternatif terbaik untuk semua
skripsi telah terpilih, maka disusun prioritas kepentingan dalam penjadwalan. Prioritas dalam penjadwalan
tersebut memiliki dua kriteria sebagai penentu, yaitu
apakah skripsi tersebut membutuhkan ruang khusus
atau tidak, jika skripsi membutuhkan ruang khusus,
maka lebih diprioritaskan daripada skripsi yang lain,
kriteria kedua adalah jumlah sesi yang bisa diisi oleh
skripsi tersebut, semakin banyak sesi yang bisa diisi,
maka semakin kecil nilai prioritasnya. Setelah
disusun dalam susunan prioritas, maka ujian skripsi
akan dijadwalkan sesuai dengan sesi yang bisa diikuti oleh ujian skripsi. Sebelum menempatkan ujian
skripsi pada sebuah sesi, akan dilihat terlebih dahulu
apakah dosen yang berpartisipasi dalam ujian skripsi
juga berpartisipasi dalam sesi sebelum atau sesudah
sesi tersebut. Jika dosen yang berpartisipasi dalam
ujian skripsi juga berpartisipasi dalam sesi sebelum
atau sesudahnya, maka akan dicari alternatif lain,
namun jika tidak ditemukan sesi yang cocok dengan
ketentuan tersebut, maka sesi tersebut akan dipilih.
Hal ini dilakukan untuk menghindari perulangan
yang terlalu banyak [2].

C5
0.8
0.5
0.2
0.6

Dengan mensubtitusikan bilangan fuzzy segitiga

ke setiap variabel linguistik seperti pada Rumus 3,
Rumus 4 dan Rumus 5, diperoleh nilai kecocokan
fuzzy seperti pada Tabel 10.
Tabel 10. Nilai Kecocokan untuk Setiap Alternatif
Alternatif
Indeks Kecocokan Fuzzy
A1
0.378; 0.470; 0.504
A2
0.260; 0.337; 0.386
A3
0.347; 0.370; 0.470;
A4
0.380; 0.487; 0.528;
Langkah terakhir adalah menyeleksi alternatif
optimal dengan menggunakan Rumus 6, dengan
derajat keoptimisan () = 0 (tidak optimis), () = 0,5
(cukup optimis), () = 1 (sangat optimis), maka akan
diperoleh nilai total integral untuk setiap alternatif.
Tabel 11. Nilai Total Integral Setiap Alternatif
Nilai total integral
Alternatif
=0
= 0.5
=1
A1
0.424
0.455
0.487
A2
0.2985
0.3325
0.3615
A3
0.3585
0.4142
0.42
A4
0.4335
0.4705
0.5075
Dengan melihat Tabel 11, didapat bahwa
alternatif A4 merupakan alternatif terbaik berapapun

Gambar 4 Activity Diagram Keseluruhan

Activity diagram pada Gambar 4 merupakan

gambaran keseluruhan aktivitas yang terjadi saat
koordinator KPTA melakukan penjadwalan ujian
skripsi. Aktivitas dimulai setelah koordinator KPTA
selesai melakukan pengaturan terhadap ujian skripsi
yang akan dilaksanakan, yaitu memasukkan data
skripsi, menentukan sesi ujian, memasukkan data
dosen yang tidak bisa ikut dalam ujian skripsi secara
total maupun hanya sebagian dan memasuk-kan data
skripsi dengan ruang khusus, kemudian berakhir saat
ujian skripsi telah dijaldwalkan.
5.

Hasil Analisa Sistem

Bila diinputkan data skripsi seperti pada Tabel

12 dengan sesi seperti pada Tabel 13, kemudian
ditambahkan data dosen berhalangan sebagian, yaitu
dosen A1 tidak bisa datang pada pukul 07.00 sampai
pukul 09.00. Daftar dosen dengan bidang minat yang
sesuai pada data skripsi terlihat pada Tabel 14.
Dengan menerapkan algoritma FMADM, dihasilkan
jadwal seperti pada Tabel 15.
Tabel 12. Data Skripsi
NIM
001

002

003

004

005

Judul
Analisis dan Perancangan
Routing Jaringan WAN
pada INHERENT di
UKSW
Desain dan Imple-mentasi
Penjadwalan Matakuliah
Berbasis Web dengan
Database Processing
Klasifikasi Sidik Jari
Menggunakan Wavelet
Symlet 6
Replikasi Asinkronisasi
pada Sistem Informasi
Administrasi Kependudukan
(SIAK) Offline Salatiga
Perancangan Aplikasi
Web Enkripsi dan Dekripsi
dengan Algoritma RC4 untuk Pengiriman Data

Pemb

Bidang Minat

Rg.

1. E1
2. I2

Jaringan (ST)

1. D1
2. T1

Web (T)
Basis Data (T)
RO (T)

1. E1
2. Y1

Steganografi
& Kripto (ST)

1. A2
2. A4

SI(ST)
Basis Data
(ST)

1. Y1
2. I2

Web (T)
Steganografi
& Kripto (ST)
Jaringan (T)

Tabel 13. Data Sesi

Tanggal
Waktu
19/Juni/2009
08.00 09.30
19/Juni/2009
08.00 09.30
19/Juni/2009
09.30 11.00
19/Juni/2009
09.30 11.00
19/Juni/2009
11.00 12.30

10
L1
11
M1
12
S1
13
T1
14
W1
15
Y1
Keterangan :
1
2
3
4
5
6

SM
SM

M
CM
CM

= Jaringan
= Web
= Basis Data
= Riset Operasi
= Steganografi & Kripto
= Sistem Informasi

M
M

M
M
M
SM

SM = Sangat Menguasai
M = Menguasai
CM = Cukup Menguasai

Output aplikasi telah sesuai dengan ketentuanketentuan yang harus dipenuhi dalam pemilihan
dosen penguji dan penjadwalan ujian skripsi, seperti
terlihat pada Tabel 15.
Tabel 15. Output Aplikasi (Jadwal Ujian Skripsi)
NIM
Pemb.
Penguji
Sesi
Ruang
D1
K1, M1, 19 Juni 2009
002
X
T1
S1
08.00-09.30
Y1
I1, L1,
19 Juni 2009
005
Y
I2
M1
08.00-09.30
E1
I1, I2,
19 Juni 2009
001
X
I2
W1
09.30-11.00
A2
A1, A3, 19 Juni 2009
Y
004
A4
D1
09.30-11.00
E1
L1, M1, 19 Juni 2009
003
X
Y1
I1
11.00-12.30
6.

Ruang
X
Y
X
Y
X

Tabel 14. Data Dosen sesuai Bidang Minat

No. Dosen
1
2
3
4
5
6
1
A1
M
2
A2
SM
3
A3
CM
4
A4
M
5
D1
M SM
SM
6
E1
SM
SM
7
I1
M
8
I2
SM
9
K1
M

Simpulan
Fuzzy Multi-Attribut Decision Making bisa digunakan dalam pemilihan dosen penguji sesuai dengan
topik skripsi, Dengan menerapkan konsep algoritma
genetika, penjadwalan ujian skripsi dapat dilakukan
dengan baik. Semakin lengkap data yang dimasukkan, seperti data bidang minat skripsi dan data
bidang minat dosen, maka semakin mudah dilakukan
pemilihan dosen penguji dan penjadwalan, serta
semakin banyak pilihan sesi yang dibuat, akan
semakin memudahkan dalam proses penjadwalan
Daftar Pustaka
[1] Kusumadewi, S., Hartati, S., Harjoko, A., &
Wardoyo, R., 2006, Fuzzy Multi-Attribute
Decision Making (FUZZY MADM), Yogyakarta:
Penerbit Graha Ilmu.
[2] Kusumadewi, S., & Purnomo, H., 2005,
Penyelesaian Masalah Optimasi dengan Teknikteknik Heuristik, Yogyakarta:Penerbit Graha Ilmu.
[3] Taliwang, Teddy C., 2005, Optimasi Penjadwalan Sidang Tugas Akhir dengan Menggunakan
Metode Fuzzy Relation dan Genetic Algorithm,
http://dewey.petra.ac.id/jiunkpe_dg_2561.html.
Diakses 5 Maret 2009.