Anda di halaman 1dari 8

Metode Tsukamoto untuk Menetukan Nilai Bakat IPA Siswa

A Zaky Firdausi , Tegar Wijayanto, Haqian Rizky, Dhanada Vidia, M. Nasrul, Rendra Bomantara Sistem Informasi, Universitas Airlangga ABSTRAK Pada siswa memilih progam studi adalah hal yang sangat penting, karena salah memilih program studi banyak mempunyai dampak yang signifikan terhadap kehidupan anak di masa mendatang. Untuk itu perlu adanya sistem yang mapu membantu menentukan siswa berbakat atau tidak pada suatu bidang ilmu tertentu. Beberapa faktor bisa dijadikan parameter untuk melihat bakat siswa. Dengan menngunakan metode logika fuzzy dalam analisa bakat, maka diharapkan sistem dapat membantu menganalisa bakat siswa. Hal yang mendasari penggunaan logika fuzzy pada sistem pengambilan keputusan diantaranya konsep logika fuzzy mudah dimengerti, konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.

S S S T T T ST ST ST 1 1 1 0 0 0 75070 90 82090 120 900140140

R S T ST 1 0 70 90 120 140

Aplikasi Fuzzy Inference System (FIS)

I.

Pendahuluan
Latar Belakang

anak, tapi desakan orang tua. Belajar karena terpaksa, akan sulit dicerna otak karena sudah ada blocking emosi. Problem akademis yang bisa terjadi jika salah mengambil pilihan, seperti prestasi yang tidak optimum, banyak mengulang mata kuliah yang berdampak bertambahnya waktu dan biaya, kesulitan memahami materi, kesulitan memecahkan persoalan, ketidakmampuan untuk mandiri dalam

1.

Salah memilih program studi punya dampak yang signifikan terhadap kehidupan anak di masa mendatang. Problem psikologis mempelajari sesuatu yang tidak sesuai minat, bakat dan kemampuan, merupakan pekerjaan yang sangat tidak menyenangkan, apalagi kalau itu bukan kemauan /pilihan

belajar, dan buntutnya adalah rendahnya nilai prestasi. Selain itu, salah memilih program studi bisa mempengaruhi motivasi belajar dan tingkat kehadiran. (Susilowati, 2008). Banyak hubungan penelitian antara yang minat memaparkan siswa dengan

Hal yang mendasari penggunaan logika fuzzy pada sistem pengambilan konsep keputusan yang diantaranya konsep logika fuzzy mudah dimengerti, matematis mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti, memiliki toleransi terhadap data data yang tidak tepat, dapat memodelkan fungsi fungsi nonlinear yang sangat kompleks, dapat membangun dan mengaplikasikan pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan, serta logika fuzzy didasarkan pada bahasa alami.
2.

kesuksesannya di bangku sekolah. Secara umum, hasil studi itu menunjukkan bahwa kekompakan bakat dengan minat yang bisa dilihat dari hasil tes psikologi, bisa membuat sang anak mencapai keberhasilan. Sebaliknya, jika seseorang memiliki minat namun tidak berbakat, kemungkinan besar ia akan mendapatkan nilai prestasi yang minim. (Wirawan, 2009). Logika fuzzy adalah sebuah metode yang dapat digunakan sistem pendukung keputusan. Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit", "sedang", dan "sangat". Selain itu kelebihan dari teori logika fuzzy bahasa (linguistic reasoning). adalah Sehingga kemampuan dalam proses penalaran secara dalam perancangannya tidak dikendalikan (Zadeh, 1965). memerlukan

Tujuan sistem siswa yang menilai mampu bakat mambantu studi IPA.

1. Membuat

mereka pada penjurusan di program

2. Menganalisa hasil nilai bakat untuk

melihat besarnya nilai bakat IPA pada seorang siswa.


3. Batasan Masalah. 1. Sistem hanya dibatasi pada program

studi IPA
2. Sistem

persamaan matematik dari objek yang akan

hanya

menganalisa

input

sistem yang mempengaruhi bakat IPA.

II. Fuzzy Inference System (FIS) Metode Tsukamoto


1.

laju kendaraan yang diekspresikan dengan pelan, agak cepat, cepat, dan sangat cepat. Dan logika fuzzy menunjukan sejauh mana suatu nilai itu benar dan sejauh mana suatu nilai itu salah.

Logika fuzzy

Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Suatu nilai dapat bernilai besar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotaan yang memiliki rentang nilai 0 (nol) hingga 1(satu). Berbeda dengan himpunan tegas yang memiliki nilai 1 atau 0 (ya atau tidak).

Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output, mempunyai nilai kontinyu. Fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama (Kusumadewi, 2004).

Logika Fuzzy merupakan seuatu logika yang memiliki nilai kekaburan atau kesamaran (fuzzyness) antara benar atau salah. Dalam teori logika fuzzy suatu nilai bias bernilai benar atau salah secara bersama. Namun berapa besar keberadaan dan Logika kesalahan suatu tergantung pada yang dimilikinya. derajat fuzzy memiliki bobot keanggotaan

Logika

Fuzzy

memungkinkan

nilai

keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk pasti linguistik, konsep tidak seperti "sedikit", "lumayan" dan

keanggotaan dalam rentang 0 hingga 1.

"sangat" (Zadeh, 1965).

Berbeda dengan logika digital atau logika klasik yang hanya memiliki dua nilai 1 atau 0. Logika fuzzy digunakan untuk suatu besaran yang bahasa menggunakan menterjemahkan diekspresikan

Kelebihan dari teori logika fuzzy adalah kemampuan secara dalam proses penalaran reasoning). bahasa (linguistic

Sehingga dalam perancangannya tidak

(linguistic), misalkan besaran kecepatan

memerlukan persamaan matematik dari objek yang akan dikendalikan.

Pada sistem ini digunakan tiga parameter input untuk menentukan prosentase bakat IPA seorang siswa, parameter tersebut adalah : Numerical, Intelligence, dan Mechanical.

2.

Inferensi adalah telah melakukan ditentukan fuzzy output. penalaran sehingga Secara

Pertama-tama user akan memasukkan ketiga nilai inputan kedalam sistem, kemudian akan dilakukan tahap fuzzyfikasi untuk menentukan variabel linguistik, lalu ketiga variabel linguistik tersebut dilakukan Fuzzy Inference System (FIS), bakat IPA seorang siswa. Tahap ke 1 : Fuzzyfikasi. Berikut adalah fungsi keanggotaan variabel inputan : dan kemudian defuzzyfikasi untuk mengetahui prosentase

Inferesi yang

menggunakan fuzzy input dan fuzzy rules menghasilkan

sintaks, suatu fuzzy rule (aturan fuzzy) dituliskan sebagai:

IF antecendent THEN consequent.

Terdapat tiga model aturan fuzzy yang digunakan secara luas dalam berbagai aplikasi, tetapi pada program ini kami menerapkan model Tsukamoto yaitu setiap konsekuen pada aturan yang berbentuk IFTHEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan tiap aturan yang monoton. secara Sebagai tegas hasilnya output hasil inferensi dari tiapdiberikan berdasarkan -predikat. Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot. III. Model

Numerical (N) : Sangat Tinggi Tinggi Sedang Rendah 140 120 90 70

Intelligence (I) :

Sangat Tinggi Tinggi Sedang

140 120 90

R1 : IF nilai Numerical sangat tinggi AND nilai Intelligence AND nilai Mechanical sangat tinggi sangat tinggi,

THEN nilai Bakat IPA sangat tinggi R2 : IF nilai Numerical sangat tinggi AND nilai Intelligence
-

sangat tinggi

Mechanical (M) : Sangat Tinggi Sedang Rendah 140 90 70

AND nilai Mechanical tinggi, THEN nilai Bakat IPA sangat tinggi R3 :IF nilai Numerical sangat tinggi AND nilai Intelligence sangat tinggi AND nilai Mechanical IPA tinggi .... R36 : IF nilai Numerical rendah AND nilai Intelligence sedang AND nilai Mechanical IPA sedang Tahap ke 3 : Defuzzyfikasi Defuzzifikasi adalah mengubah fuzzy output menjadi crisp value berdasarkan fungsi keanggotaan yang telah ditentukan. Dalam sistem ini yang menggunakan metode inferensi tsukamoto maka akan menggunakan persamaan sebagai berikut : sedang, THEN nilai Bakat sedang, THEN nilai Bakat

Bakat IPA (B) : Sangat Tinggi Tinggi Sedang 900 820 750

Tahap ke 2 : Inferensi. Ada 36 aturan yang ada pada sistem ini, yaitu :

IV. SIMULASI

Dalam simulasi ini kami memberikan data sebagai berikut : Numeric = 130 Intelligence = 130 Mechanical = 100

R1 : IF N = ST, AND I = ST, AND M = ST, THEN B = ST

R2 : IF N = ST, AND I = ST, AND M = T, THEN B = ST

#Mencari nilai untuk fungsi keanggotan Numeric

R3 : IF N = ST, AND I = T, AND M = ST, THEN B = ST

R4 : IF N = ST, AND I = T, AND M = T, THEN B = T #Mencari nilai untuk fungsi keanggotan Intelligence R5 : IF N = T, AND I = ST, AND M = ST, THEN B = ST

R6 : IF N = T, AND I = ST, AND M = T, #Mencari nilai untuk fungsi keanggotan Mechanical THEN B = T

R7 : IF N = T, AND I = T, AND M = ST, THEN B = T

# Memasukkan kedalam rule yang sesuai Rule :

R8 : IF N = T, AND I = T, AND M = T, THEN B = T

Dengan adanya program Penerapan logika fuzzy metode tsukamoto dalam mendeteksi bakat #Menghitung Prosentase IPA siswa diharapkan dapat membantu dalam proses penentuan apakah seorang siswa berpotensi masuk ke dalam jurusan IPA atau tidak, dengan begini siswa tersebut nantinya tidak salah mengambil 0 = 0% jurusan atau hanya sekedar ikut-ikutan dengan temannya.

0,54 = 54 %

0.45 = 45%

PUSTAKA V. Kesimpulan
Dalam pendidikan, menentukan jurusan harus dilakukan dengan hati-hati dan cermat Hal ini menyangkut mengambil mempengaruhi proses pembelajaran maka pendidikan siswa akan dan
2. 1.

tersebut kedepannya, karena jika salah jurusan proses

Ari, Pujiati Suhermin, Mulya, Astuti Alfira, 1998, Sistem Pengambilan Keputusan Pemilihan Jurusan di Perguruan Tinggi, Program Magister Bidang Keahlian Evaluasi dan Perencanaan Pendidikan Jurusan Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember. Fatih, Defi Rahmah, 2010, Decission Suport System untuk merekomendasikanpemilihan jurusan yang tepat bagi siswa SMU, Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember.
Kusmawati, D.P.E.N dan Sukardi, D.K, 2005, Analisis Tes Bakat, GhaliaIndonesia, Bogor

penyerapan ilmu oleh siswa dan dapat mengakibatkan siswa tidak dapat beradaptasi dengan lingkungan pembelajaran sehingga proses pembelajaran tidak dapat berjalan dengan lancar terlebih lagi siswa memiliki kemungkinan besar untuk tidak berprestasi.

3.

4.

Kusumadewi, Sri, 2003, Artificial Intelligence (Teknik dan Aplikasinya), Graha Ilmu, Yogyakarta.

5.

Zadeh, L. A.,1965, Fuzzy Sets, Information and Control , vol. 8, no. 3, pp. 338-353.