Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815

Yogyakarta, 18-19 Maret 2016

IMPLEMENTASI SISTEM PENDUKUNG KEPUTUSAN

MENGGUNAKAN LOGIKA FUZZY UNTUK PENERIMAAN BEASISWA
DI POLITEKNIK PIKSI GANESHA BANDUNG
Johni S Pasaribu1
1
Manajemen Informatika, Politeknik Piksi Ganesha Bandung
Jl Jend Gatot Subroto no 301, Bandung 40296
Telp. (022) 87340030
E-mail: johni_0106@yahoo.com1)

ABSTRAK
Pemberian beasiswa di Politeknik Piksi Ganesha Bandung dilakukan untuk meningkatkan prestasi akademik
mahasiswa selama menempuh studi. Mahasiswa mengajukan beasiswa dengan menyerahkan beberapa berkas
persyaratan ke bagian kemahasiswaan. Setelah berkas diterima maka bagian kemahasiswaan akan memeriksa
kelengkapannya. Bila telah memenuhi persyaratan maka berkas tersebut akan diberikan kepada program studi
untuk disetujui. Pemeriksaan berkas yang dilakukan oleh bagian kemahasiswaan biasanya membutuhkan waktu
yang cukup lama dan sering menimbulkan permasalahan dalam menentukan mahasiswa yang berhak
mendapatkan beasiswa. Ini disebabkan karena tingkat prestasi mahasiswa yang mengajukan beasiswa tidak
jauh berbeda. Untuk menentukan mahasiswa yang berhak maka dibutuhkan sebuah sistem pendukung
keputusan. Disini penulis menggunakan metode logika fuzzy karena metode ini mampu menyeleksi alternatif
terbaik dari sejumlah alternatif yang ada, dimana alternatif yang dimaksudkan yaitu yang berhak menerima
beasiswa berdasarkan kriteria-kriteria yang ditentukan. Penelitian dilakukan dengan menentukan variabel dari
setiap kriteria, kemudian menghitung nilai keanggotaan variabel tersebut. Berdasarkan hasil pengujian, sistem
yang dibangun dapat membantu bagian kemahasiswaan dalam melakukan penyeleksian beasiswa dan dapat
mempercepat proses penyeleksian.

Kata Kunci : Sistem Pendukung Keputusan, Logika Fuzzy, Kriteria, Beasiswa, Variabel.

1. PENDAHULUAN membawa fotocopy KTM, fotocopy pernyataan

Politeknik Piksi Ganesha Bandung merupakan
salah satu politeknik berada di bawah naungan YPG
(Yayasan Piksi Ganesha) yang bertujuan untuk
menghasilkan tenaga profesional dalam bidang
Information, Communication and Management
(ICM). Dalam mencapai tujuan tersebut, pihak
Politeknik membekali mahasiswa dengan keahlian
sesuai dengan program studi yang diambil dan
memfasilitasi pengembangan kemampuan
mahasiswa tersebut. Salah satu program yang
disediakan Politeknik Piksi Ganesha Bandung dalam
pengembangan kemampuan mahasiswa adalah
dengan memberikan beasiswa bagi setiap mahasiswa
yang berprestasi. Beasiswa yang diberikan memiliki
kriteria tertentu yang disesuaikan dengan tingkat
kelayakan prestasi. Dalam penentuan beasiswa yang
menjadi kriteria adalah IPK, kegiatan akademik
misalnya menjadi seorang asisten, kegiatan non
akademik atau ekstrakurikuler dan prestasi kejuaraan
yang pernah diraih.
Bagian kemahasiswaan memberikan daftar
mahasiswa yang berhak menerima beasiswa kepada
bagian keuangan, bagian keuangan memeriksa daftar
mahasiswa yang berhak menerima beasiswa, jika
mahasiswa tersebut mempunyai penunggakan biaya
semester, maka beasiswa yang diterima akan
dipotong sebesar tunggakannya. Mahasiswa yang
dinyatakan berhak mendapatkan beasiswa dapat
mengambilnya langsung ke bagian keuangan dengan
80
mengikuti ekstrakurikuler, fotocopy bukti kuitansi
pembayaran kuliah.
Sistem pendukung keputusan (Decision Support
System) mulai dikembangkan pada tahun 1960-an,
tetapi istilah sistem pendukung keputusan itu sendiri
baru muncul pada tahun 1971, yang diciptakan oleh
G.Anthony Gorry dan Michael S.Scoot Morton.
Pada dasarnya konsep sistem pendukung keputusan
hanyalah sebatas pada kegiatan membantu para
manajer melakukan penelitian serta menggantikan
posisi serta peran manajer. Sistem pendukung
keputusan merupakan sistem informasi interaktif
yang menyediakan informasi, pemodelan dan yang
pemanipulasi data. Sistem ini digunakan untuk
membantu mengambil keputusan dalam situasi yang
semi terstruktur dan tak terstruktur, dimana tak
seorang pun tahu secara pasti bagaimana keputusan
seharusnya dibuat, seperti yang ditulis oleh Kusrini
(Kusrini, 2007:15). Sistem Pendukung Keputusan
(SPK) merupakan sistem informasi komputer yang
menghasilkan berbagai alternatif keputusan untuk
membantu pemimpin dalam menangani berbagai
permasalahan semi terstruktur ataupun tidak
terstruktur dengan menggunakan data dan model.
DSS (Decision support system) merupakan sistem
informasi interaktif yang menyediakan informasi,
pemodelan, dan pemanipulasian data.
Proses penentuan pemberian beasiswa untuk
mahasiswa di Politeknik Piksi Ganesha Bandung
 Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016

biasanya dilakukan berdasarkan persetujuan dari Tahap pengumpulan data dapat diperoleh
prodi yang kemudian akan diseleksi oleh bagian secara langsung dari objek penelitian. Cara-
kemahasiswaan berdasarkan kriteria-kriteria yang cara yang mendukung untuk mendapatkan
telah ditentukan. Permasalahan yang sering muncul data primer adalah sebagai berikut:
dalam pemberian beasiswa ini adalah sulitnya a. Studi Literatur
menentukan mahasiswa yang benar-benar berhak Studi ini dilakukan dengan cara
menerima beasiswa karena keterbatasan kuota yang mempelajari, meneliti dan menelaah
disediakan dan banyaknya jumlah mahasiswa yang berbagai literatur dari perpustakaan
mengajukan beasiswa. Saat ini dalam penentuan yang bersumber dari buku-buku,
keputusan digunakan perhitungan dengan modul-modul, jurnal-jurnal ilmiah,
menggunakan MS. Excel. Dengan cara ini hasil yang situs-situs di internet, dan bacaan-
didapatkan kurang memuaskan karena dalam bacaan yang ada kaitannya dengan
penentuannya masih digunakan logika benar atau topik penelitian.
salah (1 atau 0) dari logika boolean, dimana adanya b. Studi Lapangan
perubahan kecil saja pada suatu nilai mengakibatkan Studi ini dilakukan dengan cara
perbedaan kategori yang signifikan dan dalam mengunjungi tempat yang akan diteliti
pekerjaan membutuhkan waktu yang relatif lama. dimana pengumpulan data dilakukan
Penentuan bobot dari suatu kriteria dalam penerapan secara langsung yang meliputi :
sistem pendukung keputusan ini menggunakan 1. Wawancara
logika fuzzy. Hal ini disebabkan memiliki Yaitu pengumpulan data dengan
keunggulan dari segi proses pengambilan keputusan cara mengadakan tanya jawab
yang diekspresikan dalam fungsi kontinu dari 0 kepada salah satu staf di bagian
sampai 1. Selain itu pada sistem lama tidak adanya kemahasiswaan dan bagian
integrasi dengan bagian keuangan sehingga keuangan di Politeknik Piksi
menyulitkan bagian keuangan untuk menentukan Ganesha Bandung.
besarnya saldo yang harus diberikan kepada 2. Observasi
mahasiswa penerima beasiswa. Pengumpulan data dengan cara
Melihat dari berbagai permasalahan yang telah melakukan pengamatan secara
dipaparkan di atas, maka Politeknik Piksi Ganesha langsung di Politeknik Piksi
Bandung membangun suatu sistem keputusan (SPK) Ganesha Bandung.
penerimaan beasiswa dengan metode yang sesuai 2. Tahap pengembangan perangkat lunak
dan dapat diaplikasikan di Politeknik Piksi Ganesha Tahap pengembangan perangkat lunak
Bandung. Berdasarkan uraian latar belakang dalam pembuatan aplikasi ini menggunakan
masalah yang telah dikemukakan, ditemukan classsic life style atau yang lebih dikenal dengan
masalah yaitu bagaimana membangun Aplikasi istilah waterfall. Tahapan pengembangan sistem
sistem pendukung keputusan untuk penerimaan adalah sebagai berikut: System engineering,
beasiswa menggunakan logika Fuzzy di Politeknik System Analysis (Analisis), System Design
Piksi Ganesha Bandung. (Perancangan), System Coding (Pengkodean),
Tujuan yang akan dicapai dari penelitian ini System Testing (Pengujian), dan System
adalah: Maintenance (Pemeliharaan). Untuk lebih
a. Menghasilkan daftar mahasiswa yang jelasnya susunan metode waterfall dapat dilihat
layak untuk mendapatkan beasiswa. pada gambar 1:
b. Mempercepat proses pemeriksaan berkas-
berkas mahasiswa yang mengajukan
beasiswa.
c. Mempermudah bagian keuangan untuk
mengetahui jumlah beasiswa yang harus
dicairkan.
Metodologi penelitian merupakan suatu proses
yang digunakan untuk memecahkan suatu masalah
yang logis, dimana memerlukan data-data untuk
mendukung terlaksananya suatu penelitian. Metode
penelitian yang digunakan adalah metode deskriptif.
Metode deskriptif merupakan metode yang
menggambarkan fakta-fakta dan informasi dalam
situasi atau kejadian secara sistematis, faktual dan
Gambar 1. Metodologi Waterfall
akurat. Metode penelitian ini memiliki dua tahapan,
yaitu tahap pengumpulan data dan tahap
pengumpulan perangkat lunak.
1. Tahap pengumpulan data
81
 Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016)
Yogyakarta, 18-19 Maret 2016
2. PEMBAHASAN
2.1 Landasan Teori
2.1.1 Logika Fuzzy
Sistem Fuzzy pertama kali ditemukan oleh
Prof. Lotfi A. Zaedah pada pertengahan tahun 1960
di Universitas California, Berkeley. Sistem ini
diciptakan karena logika Boolean tidak mempunyai
ketelitian yang tinggi, hanya mempunyai logika 0
dan 1 saja. Sehingga untuk membuat sistem yang
mempunyai ketelitian yang tinggi maka tidak dapat
menggunakan logika Boolean.
Penerapan teori logika fuzzy ini dianggap
mampu menciptakan sebuah revolusi dalam
teknologi. Sebagai contoh, mulai tahun 90-an para
manufaktur industri yang bergerak di bidang
Distributed Control System (DCSs), Programmable
Logic Controller (PLCs) dan Microcontroller Unit
(MCUs) telah menyatukan sistem logika fuzzy pada
barang produksi mereka dan memiliki prospek
ekonomi yang baik. Pada saat bersamaan,
pertumbuhan luar biasa terjadi pada industri
perangkat lunak yang menawarkan kemudahan
penggunaan logika fuzzy dan penerapannya pada
aspek kehidupan sehari-hari.
Logika fuzzy adalah suatu metode yang
mengadopsi penilaian yang dilakukan manusia
terhadap suatu kebenaran, dimana diekspresikan
dalam fungsi kontinu dari 0 sampai 1. Berbeda
dengan logika klasik yang menyatakan segala hal
dalam istilah binary (0 atau 1, ya atau tidak).
2.1.2 Cara Kerja Logika Fuzzy
Cara kerja logika fuzzy dapat dilihat dari gambar
berikut:
Gambar 2. Cara kerja logika Fuzzy
1. Fuzzifikasi
Merupakan suatu proses untuk mengubah suatu
masukan dari bentuk tegas (crisp) menjadi
peubah fuzzy (variable linguistic) yang biasanya
disajikan dalam bentuk himpunan-himpunan
fuzzy dengan fungsi keanggotaannya masing-
masing yang disimpan dalam basis pengetahuan
fuzzy.
2. Basis Pengetahuan Fuzzy
Kumpulan aturan-aturan (rules base) dalam
bentuk pernyataan IF...THEN...
3. Mesin Inferensi
82
ISSN: 2089-9815
Merupakan proses pengambilan keputusan
(inference) berdasarkan aturan-aturan yang
ditetapkan pada basis aturan (rules base) untuk
menghubungkan antara peubah-peubah fuzzy
masukan dan peubah fuzzy keluaran.
4. Defuzzifikasi
Merupakan proses pengubahan besaran fuzzy
yang disajikan dalam bentuk himpunan-
himpunan fuzzy keluaran dengan fungsi
keanggotaannya untuk mendapatkan kembali
bentuk tegasnya. Hal ini diperlukan karena plant
hanya mengenal nilai tegas sebagai besaran
sebenarnya untuk regulasi prosesnya. Proses ini
berfungsi untuk menentukan suatu nilai crisp
output.
Cara kerja Fuzzy Logic, meliputi :
1. Fuzzifikasi
2. Pembentukan Basis Pengetahuan Fuzzy
(IF...THEN...)
3. Mesin Inferensi (Fungsi Implikasi Max-Min atau
Dot-Product)
4. Defuzzifikasi
a. Metode Rata-Rata (Average)
b. Metode Titik Tengah (Center Of Area)
Secara keseluruhan istilah yang digunakan dalam
sistem fuzzy adalah sebagai berikut :
a. Degree of Membership
Fungsi dari derajat keanggotaan adalah
untuk memberikan bobot pada suatu input
yang kita berikan, sehingga input tadi dapat
dinyatakan dengan nilai. Batas dari derajat
keanggotaan adalah dari 0 sampai 1.
b. Scope (Domain)
Merupakan suatu batas dari kumpulan input
tertentu. Misalnya suhu dingin adaah 10-50
derajat, sangat cepat adalah dari 200-500
rpm.
c. Label (Himpunan)
Adalah kata-kata untuk memberikan suatu
keterangan pada domain. Contohnya: panas,
dingin, cepat, sangat cepat.
d. Membership Function (Fungsi Keanggotaan)
Suatu bentuk bangun yang
merepresentasikan suatu batas dari domain.
e. Crisp Input
Nilai input analog yang kita berikan untuk
mencari derajat keanggotaan.
f. Universe of discourse (Semesta
Pembicaraan)
Batas input yang telah kita berikan dalam
merancang suatu fuzzy sistem. Batas ini
berbeda dengan batas scope/domain.
Universe of discourse adalah batas semua
input yang akan diberikan sedangkan
 Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016

scope/domain adalah suatu batas yang keanggotaan representasi Linear dapat

menentukan bahwa input tersebut didefinisikan (Kusumadewi dan Purnomo,
dinyatakan panas, dingin, cepat. 2004:56):

2.1.3 Himpunan Fuzzy (1)

Pada himpunan tegas (crisp), nilai keanggotaan
suatu item x dalam suatu himpunan A, yang sering
ditulis dengan µA[x], memiliki 2 kemungkinan,
yaitu:
1. Satu (1), yang berarti bahwa suatu item
menjadi anggota dalam suatu himpunan, atau
2. Nol (0), yang berarti bahwa suatu item tidak
menjadi anggota dalam suatu himpunan.
Jika pada himpunan crisp, nilai keanggotaan
hanya ada 2 kemungkinan, yaitu 0 dan 1, pada
himpunan fuzzy nilai keanggotaan terletak pada
rentang 0 sampai 1. Apabila x memiliki nilai Gambar 3. Grafik keanggotaan linier naik
keanggotaan fuzzy µA[x]=0 berarti x tidak menjadi
anggota himpunan A, demikian pula apabila x Kedua, merupakan kebalikan dari yang pertama.
memiliki nilai keanggotaan fuzzy µA[x]=1 berarti x Garis lurus dimulai dari nilai domain dengan
menjadi anggota penuh pada himpunan A. derajat keanggotaan tertinggi pada sisi kiri,
Terkadang kemiripan antara keanggotaan fuzzy kemudian bergerak menurun ke nilai domain
dengan probabilitas menimbulkan kerancuan. yang memiliki derajat keanggotaan lebih rendah.
Keduanya memiliki nilai pada interval [0,1], namun Fungsi keanggotaan:
interpretasi nilainya sangat berbeda antara kedua
kasus tersebut. Keanggotaan fuzzy memberikan (2)
suatu ukuran terhadap pendapat atau keputusan
sedangkan probabilitas mengindikasikan proporsi
terhadap keseringan suatu hasil bernilai benar dalam
jangka panjang. Himpunan fuzzy memiliki 2 atribut,
yaitu:
1. Linguistik, yaitu penamaan suatu grup yang
mewakili suatu keadaan atau kondisi tertentu
dengan menggunakan bahasa alami, seperti :
Dingin, Sejuk, Hangat, Panas.
2. Numeris, yaitu suatu nilai (angka) yang
menunjukkan ukuran dari suatu variabel, seperti Gambar 4. Grafik keanggotaan linier turun
40, 25, 50 dsb.

2.1.4 Fungsi Keanggotaan 2. Representasi Kurva Segitiga

Fungsi keanggotaan (membership function) Kurva segitiga pada dasarnya merupakan
adalah suatu kurva yang menunjukkan pemetaan gabungan antara 2 garis (linear). Fungsi
titik-titik input data ke dalam nilai keanggotaannya keanggotaan: Representasi kurva segitiga dapat
didefinisikan sebagai berikut (Kusumadewi dan
(sering juga disebut derajat keanggotaan) yang
Purnomo, 2004:57):
memiliki interval antara 0 sampai 1. Salah satu cara
yang dapat digunakan untuk mendapatkan nilai
keanggotaan adalah dengan melalui pendekatan
(3)
fungsi. Ada beberapa fungsi yang bisa digunakan,
yaitu :
1. Representasi Linear
Pada representasi linear, pemetaan input ke
derajat keanggotaannya digambarkan sebagai
suatu garis lurus. Bentuk ini paling sederhana
dan menjadi pilihan yang baik untuk mendekati
suatu konsep yang kurang jelas. Ada 2 keadaan
himpunan fuzzy yang liner. Pertama, kenaikan
himpunan dimulai pada nilai domain yang
memiliki derajat keanggotaan nol [0] bergerak ke
kanan menuju ke nilai domain yang memiliki
derajat keanggotaan lebih tinggi. Fungsi Gambar 5. Grafik keanggotaan kurva segitiga

83
 Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016)
Yogyakarta, 18-19 Maret 2016
3. Representasi Kurva Trapesium
Kurva segitiga pada dasarnya seperti bentuk
segitiga, hanya saja ada beberapa titik yang
memiliki nilai keanggotaan 1. Fungsi
keanggotaan: Representasi kurva trapesium dapat
didefinisikan sebagai berikut (Kusumadewi dan
Purnomo, 2004:57):
Gambar 6. Grafik keanggotaan trapesium
(4)
4. Representasi Kurva Bentuk Bahu
Daerah yang terletak di tengah-tengah suatu
variabel yang direpresentasikan dalam bentuk
segitiga, pada sisi kanan dan kirinya akan naik
dan turun. Himpunan fuzzy ‘bahu’, bukan
segitiga, digunakan untuk mengakhiri variabel
suatu daerah fuzzy. Bahu kiri bergerak dari salah
ke benar. Fungsi keanggotaan: Representasi
kurva bentuk bahu dapat didefinisikan sebagai
berikut:
Gambar 7. Grafik keanggotaan bentuk bahu
(5)
5. Representasi Kurva-S
Kurva PERTUMBUHAN dan PENYUSUTAN
merupakan kurva –S atau sigmoid yang
berhubungan dengan kenaikan dan penurunan
permukaan secara tak linear.
6. Representasi Kurva Bentuk Lonceng (Bell
Curve)
84
ISSN: 2089-9815
Untuk merepresentasikan bilangan fuzzy,
biasanya digunakan kurva berbentuk lonceng.
7. Koordinat Keanggotaan
Himpunan fuzzy berisi urutan pasangan berurutan
yang berisi nilai domain dan kebenaran nilai
keanggotaanya dalam bentuk :
Skalar (i) / Derajat (i)
‘Skalar’ adalah suatu nilai yang digambar dari
domain himpunan fuzzy, sedangkan ‘Derajat’
merupakan derajat keanggotaan himpunan
fuzzynya.
2.1.5 Fungsi Implikasi
Tiap-tiap aturan (proposisi) pada basis
pengetahuan fuzzy akan berhubungan dengan suatu
relasi fuzzy. Bentuk umum dari aturan yang
digunakan dalam fungsi implikasi adalah :
IF x is A THEN y is B
dengan x adalah skalar, A dan B adalah himpunan
fuzzy. Proposisi yang mengikuti IF disebut sebagai
antiseden sedangkan proposisi yang mengikuti
THEN disebut sebagai konsekuen. Secara umum ada
2 implikasi yang dapat digunakan, yaitu :
1. Min (minimum). Fungsi ini akan memotong
output himpunan fuzzy.
2. Dot (product). Fungsi ini akan menskala output
himpunan.
2.1.6 Fuzzy inference system - Metode Mamdani
Metode Mamdani sering dikenal sebagai
metode max-min. Penelitian ini menggunakan
metode Mamdani. Metode ini diperkenalkan oleh
Ebrahim Mamdani pada tahun 1975. Untuk
mendapatkan output, diperlukan 4 tahapan :
1. Pembentukan himpunan fuzzy
Pada metode Mamdani, baik variabel input
maupun variabel output dibagi menjadi satu atau
lebih himpunan fuzzy.
2. Aplikasi fungsi implikasi
Pada metode Mamdani, fungsi implikasi yang
digunakan adalah Min.
3. Komposisi Aturan
Tidak seperti penalaran monoton, apabila sistem
terdiri dari beberapa aturan, maka inferensi
diperoleh dari kumpulan korelasi antar aturan.
Ada 3 metode yang digunakan dalam melakukan
inferensi sistem fuzzy, yaitu max, additive dan
probabilistic OR (prob or).
a. Metode Max (Maximum)
Pada metode ini, solusi himpunan fuzzy
diperoleh dengan cara mengambil nilai
maksimum aturan, kemudian
menggunakannya untuk memodifikasi
daerah fuzzy, dan mengaplikasikannya ke
output
b. Metode Additive (Sum)
Pada metode ini, solusi himpunan fuzzy
diperoleh dengan cara melakukan bounded-
sum terhadap semua output daerah fuzzy.
c. Metode Probabilitas OR (prob or)
 Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016

Pada metode ini, solusi himpunan fuzzy derajat keanggotaan. Berikut adalah variabel
diperoleh dengan melakukan product himpunan fuzzy beserta nilai domainnya
terhadap semua output daerah fuzzy.
4. Penegasan (defuzzy) Tabel 2. Variabel Himpunan Fuzzy beserta
Input dari proses defuzzy adalah suatu himpunan Nilai Domain
fuzzy yang diperoleh dari komposisi aturan- Crisp Input Rendah Sedang Tinggi
aturan fuzzy, sedangkan output yang dihasilkan IPK 0 - 2.5 1.5 – 4 3.5 - 5
merupakan suatu bilangan pada domain
himpunan fuzzy tersebut. Sehingga jika diberikan Kurikuler 0 - 2.5 1.5 – 4 3.5 - 5
suatu himpunan fuzzy dalam range tertentu,
maka harus dapat diambil suatu nilai crisp Ekstrakurikuler 0 - 2.5 1.5 – 4 3.5 - 5
tertentu.
Prestasi 0 - 2.5 1.5 - 4 3.5 - 5
2.2 Perancangan Sistem Fuzzy
Perancangan sistem fuzzy untuk penerimaan
beasiswa prestasi yang sesuai dengan mahasiswa di 2. Aplikasi Fungsi Implikasi (Aturan)
Politeknik Piksi Ganesha Bandung. Adapun kriteria- Tiap-tiap aturan (proposisi) pada basis pengetahuan
kriteria yang digunakan saat ini di Politeknik Piksi fuzzy akan berhubungan dengan suatu relasi fuzzy.
Ganesha Bandung yaitu IPK, Ekstrakulikuler, Variabel yang digunakan dalam sistem ini terdiri
Kurikuler, prestasi dan yang menjadi core untuk dari 4 crisp input (IPK, Kurikuler, Ekstrakurikuler
menentukan beasiswa prestasi adalah IPK. dan Prestasi) dan crisp output (penentuan
penerimaan beasiswa). Masing-masing variabel
Tabel 1. Penilaian seleksi beasiswa prestasi terdiri dari 3 himpunan fuzzy yaitu rendah, sedang
IPK KURIKU EKSTRAKURIKULER PRESTA dan tinggi.
SKO
LER SI
R
A B C D
3. Komposisi Aturan
5 4,00 Asisten Presiden /wakil BEM, Nasional Pada sistem ini terdiri dari beberapa aturan seperti
X Dosen ketua UKM yang telah diuraikan di atas, maka inferensi
> diperoleh dari kumpulan dan kolerasi antar aturan-
3,75 aturan tersebut. Metode yang digunakan untuk
4 3,75 Koord. Sek/ Bend BEM, Propinsi
X Asisten Wakil/ Sek/ Bend
komposisi aturan tersebut adalah Metode Max
> UKM, Menteri BEM, (Maximum). Pada metode ini, solusi himpunan fuzzy
3,50 Ketua panitia diperoleh dengan cara mengambil nilai maksimum
3 3,50 Asisten Sek/ Bend panitia, Kabupat aturan, kemudian menggunakannya untuk
X Kadiv.UKM en memodifikasi daerah fuzzy dan mengaplikasikannya
> ke output.
3,25
2 3,25 Anggota Angg BEM, Angg Universit 4. Penegasan (Defuzifikasi)
X Studi Panitia, Pengurus as lain/ Defuzifikasi merupakan proses pengubahan besaran
> Group UKM Politekni fuzzy yang disajikan dalam bentuk himpunan-
3,00 k Piksi himpunan fuzzy menjadi keluaran dengan fungsi
Ganesha
Bandung keanggotaan. Keluaran yang dihasilkan merupakan
1 X= Anggota Anggota UKM suatu bilangan pada domain himpunan fuzzy.
3,00
2.2.2 Fungsi keanggotaan
Langkah-langkah yang digunakan dalam analisis Fungsi keanggotaan (member function)
data penerimaan beasiswa Politeknik Piksi Ganesha adalah suatu kurva yang menunjukkan pemetaan
Bandung dengan menggunakan metode logica fuzzy titik-titik data masukan ke dalam derajat
adalah sebagai berikut: keanggotaan.
Setiap variabel fuzzy yang digunakan
2.2.1 Sistem Inferensi fuzzy menggunakan fungsi keanggotaan bahu dan segitiga
Sistem inferensi fuzzy yang digunakan dalam sebagai pendekatan untuk memperoleh derajat
perancangan sistem untuk mengambil keputusan keanggotaan suatu nilai dalam suatu himpunan fuzzy.
penerimaan beasiswa adalah model Mamdani, yang Masing-masing variabel fuzzy dibagi 3, 4 atau 5
terdiri dari 4 tahapan, yaitu pembentukan himpunan himpunan fuzzy, yaitu rendah, sedang, tinggi; sangat
fuzzy, aplikasi fungsi fuzzy (aturan), komposisi rendah, rendah, sedang, tinggi; sangat rendah,
aturan dan penegasan (defuzzy). rendah, sedang, tinggi, sangat tinggi.
1. Pembentukan Himpunan Fuzzy Berikut adalah contoh fungsi keanggotaan
Dalam sistem fuzzy diperlukan suatu variabel dan yang digunakan untuk setiap variabel fuzzy dengan 3
himpunan untuk kebutuhan input pada proses himpunan fuzzy:
fuzifikasi. Fuzifikasi adalah proses mengubah
masukan eksak menjadi masukan fuzzy berupa
85
 Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016

Tabel 3. Contoh kasus penerimaan beasiswa

No Nama Nim IP Kuri Ekstrak Prestasi

K kuler urikule
r
1 M. 3010 3,3 - Sekreta -
Daman 7164 0 ris
Huri UKM
2 Yolanda 3010 3,8 - Ketua Juara
a b c d e f Pristian 7061 5 UKM olimpic
kompute
r
Gambar 8. Fungsi keanggotaan sekabup
aten
3 Febriya 3010 4 - Anggot -
nti 8466 a
panitia
4 Melati 3010 3,2 Engli - Juara 2
Putri 8040 5 sh lomba
com voly
muni smada
ty cup
Surabay
a
sekabup
aten
5 Mandr 3020 3,6 Engli Ketua Juara 1
a 8002 sh Panitia sepak
Keterangan : Suprub com bola liga
a : Nilai minimal rendah a muni senen
b : Nilai minimal sedang ty gresik
c : Nilai maximum rendah sepakbol
a
d : Nilai minimal tinggi sekabup
e : Nilai maximum sedang aten
f : Nilai maximum tinggi 6 Aspari 3020 3,5 - Anggot -
8306 5 a
Panitia
2.2.3 Contoh Kasus 7 Firman 3020 3,8 - Anggot Mahasis
Anggor 7065 3 a UKM wa
o terbaik
bidang
CNM
PPRO
IT
8 Zahrat 3030 3,9 - - Runner-
un 8064 up
Nadhir indonesi
a writer
competit
ion 2007
Nasional
9 Galuh 3030 3,1 - Ketua -
kurnia 7014 1 Panitia
wan
10 Maryo 3010 3,4 Asist Ketua -
no 7010 1 en UKM
1. Crisp input
NIM = 30107164 Skor
IPK = 3,30 3
Kurikuler = - 0
Ekstrakuriker = Sekretaris UKM 3
Prestasi = - 0
a. Pembentukan Himpunan Fuzzy
Crisp Input Rendah Sedang Tinggi
IPK 0 - 2.5 1.5 – 4 3.5 - 5
Kurikuler 0 - 2.5 1.5 – 4 3.5 - 5
Ekstrakulikuler 0 - 2.5 1.5 – 4 3.5 - 5
Prestasi 0 - 2.5 1.5 – 4 3.6 - 5

86
 Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016

b. Aplikasi Fungsi Implikasi (Aturan) Kurikuler 0 - 2.5 1.5 – 4 3.5 - 5

Ekstrakulikuler 0 - 2.5 1.5 – 4 3.5 - 5
Prestasi 0 - 2.5 1.5 – 4 3.5 - 5

b. Aplikasi Fungsi Implikasi (Aturan)

0 1.5 2.5 3.5 4 5

Gambar 9. Fungsi keanggotaan

0 1.5 2.5 3.5 4 5

Gambar 10. Fungsi keanggotaan

No Crisp Input Rendah Sedang Tinggi

1 IPK 0 0,75 0
2 Kurikuler 0 0 0
3 Ekstrakurikuler 0 0,75 0
4 Prestasi 0 0 0
c. Komposisi Aturan No Crisp Input Rendah Sedang Tinggi
Metode yang digunakan untuk komposisi 1 IPK 0 0 1
aturan tersebut adalah Metode Max 2 Kurikuler 0 0 0
(Maximum). Berdasarkan perhitungan di 3 Ekstrakurikuler 0 0 1
atas dapat terlihat derajat keanggotaan dari 4 Prestasi 0 0,75 0
setiap komponen nilai, dimana derajat
keanggotaan yang diambil yaitu derajat
keanggotaan yang paling besar. c. Komposisi Aturan
d. Penegasan Metode yang digunakan untuk komposisi aturan
No Crisp Input Variabel tersebut adalah Metode Max (Maximum).
1 IPK Sedang
Berdasarkan perhitungan di atas dapat terlihat
derajat keanggotaan dari setiap komponen nilai,
2 Kurikuler Rendah
dimana derajat keanggotaan yang diambil yaitu
3 Ekstrakurikuler Sedang derajat keanggotaan yang paling besar.
4 Prestasi Rendah d. Penegasan
No Crisp Input Variabel
Berdasarkan nilai di atas mahasiswa dengan nim
30107164 tidak layak menerima beasiswa. 1 IPK Tinggi
2 Kurikuler Rendah
2. Crisp input 3 Ekstrakurikuler Tinggi
NIM = 30107061 Skor 4 Prestasi Sedang
IPK = 3,85 5
Kurikuler = - 0 Berdasarkan nilai di atas mahasiswa dengan nim
Ekstrakuriker = Ketua UKM 3 30107061 layak menerima beasiswa.
Prestasi = Juara olimpiade komputer kabupaten 3
2.3 Implementasi Antarmuka
a. Pembentukan Himpunan Fuzzy Implementasi antarmuka dilakukan dengan
Crisp Input Rendah Sedang Tinggi setiap halaman program yang dibuat dan
IPK 0 - 2.5 1.5 – 4 3.5 - 5 pengkodeannya dalam bentuk file program. Berikut

87
 Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016

ini adalah implementasi antarmuka untuk data user,

data mahasiswa, pengelolaan data permohonan,
seleksi penerimaan beasiswa dengan metode fuzzy,
tampilan fuzzy report, data mahasiswa penerima
beasiswa dan hasil beasiswa yang diterima.

Gambar 11. Tampilan data user

Gambar 14. Tampilan seleksi penerima beasiswa

Gambar 12. Tampilan data mahasiswa

Gambar 15. Tampilan fuzzy report

Gambar 16. Tampilan data mahasiswa penerima

beasiswa

Gambar 13. Tampilan pemohon

88
 Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016)
Yogyakarta, 18-19 Maret 2016
Gambar 17. Tampilan hasil beasiswa yang
diterima
2.4 Pengujian Alpha dan Beta
Pengujian perangkat lunak adalah elemen
kritis dari jaminan kualitas perangkat lunak dan
merepresentasikan kajian pokok dari spesifikasi,
perancangan, dan pengkodean. Pengujian yang
digunakan untuk menguji sistem ini adalah metode
pengujian black-box. Pengujian black-box berfokus
pada persyaratan fungsional perangkat lunak.
Berdasarkan hasil pengujian alpha (fungsional)
dengan kasus uji di atas dapat ditarik kesimpulan
sebagai berikut:
1. Jika data yang dimasukkan benar, maka sistem
secara fungsional akan mengeluarkan keluaran
sesuai dengan harapan.
2. Jika data yang dimasukkan salah, maka sistem
akan mengeluarkan pesan kesalahan dan data
keluaran tidak akan sesuai dengan harapan.
Dengan kata lain bahwa pembangunan sistem ini
bebas kesalahan dan secara fungsional
mengeluarkan hasil yang sesuai dengan yang
diharapkan.
Pengujian beta dilakukan dengan tujuan untuk
mengetahui sejauh mana kualitas dari perangkat
lunak yang dibangun, apakah sudah sesuai dengan
harapan atau belum. Untuk itu dalam pengujian beta
dilakukan penelitian dengan cara memberikan
kuesioner pada calon pengguna perangkat lunak
yang dibangun. Adapun metode penelitian yang
digunakan adalah metode kuantitatif.
Kuesioner diberikan kepada beberapa sampel
calon pengguna perangkat lunak yang dibangun.
Kuesioner terdiri dari 3 jenis dengan 5 pertanyaan
dan saran untuk setiap kuesioner. Kuesioner dibuat
menggunakan skala likert dengan skala 1 sampai 7
(1=sangat setuju, 2= setuju, 3=cukup setuju,
4=biasa-biasa saja, 5=kurang setuju, 6=tidak setuju,
1=sangat tidak setuju).
Dari pengujian yang telah dilakukan dapat
disimpulkan bahwa perangkat lunak yang dibangun
memiliki tampilan yang bagus, mudah digunakan,
89
ISSN: 2089-9815
membantu dalam penyeleksian penerimaan
beasiswa. Hasil pengujian ini baru secara persentase
statistik biasa, dan mungkin saja ini kurang akurat.
Untuk itu, apabila ingin mengetahui jawaban dengan
kedalaman akurasi, maka perlu adanya suatu
pengolahan data statistik dengan acuan dari data
hasil kuesioner yang sama.
3. KESIMPULAN
Berdasarkan uraian pembahasan dari penelitian
yang telah dilakukan, maka dapat diperolah
kesimpulan sebagai berikut :
1. Sistem pendukung keputusan yang dibangun
dapat mempermudah pegawai Politeknik Piksi
Ganesha Bandung untuk mempercepat proses
penyeleksian beasiswa prestasi di Politeknik
Piksi Ganesha Bandung.
2. Sistem pendukung keputusan yang dibangun
dapat memberikan informasi yang cepat dan
akurat tentang penerimaan beasiswa.
Berdasarkan kesimpulan di atas, maka saran
yang diharapkan adalah sistem pendukung
keputusan penerimaan beasiswa di Politeknik Piksi
Ganesha Bandung ini bisa dikembangkan seiring
dengan perkembangan spesifikasi kebutuhan
pengguna sistem yang harus dipenuhi dalam
mencapai tahap yang lebih tinggi dan kinerja sistem
yang lebih baik.
PUSTAKA
Fathansyah. 2007. Basis Data. Bandung:
Informatika.
Jogiyanto, HM. 2005. Analisis Dan Desain Sistem
Informasi: Pendekatan Terstruktur Teori dan
Praktek Aplikasi Bisnis. Edisi III, Yogyakarta:
Graha Ilmu.
Kadir, A. 2004. Pemrograman Database dengan
Delphi 7 Menggunakan ADO. Yogyakarta: Andi.
Kosko, Bart. 1992. Neural Network and Fuzzy
Systems (A Dynamic Systems Approach to
Machine Intelligence). New Jersey, USA:
Prenticee-Hall.
Kusrini. 2007. Konsep dan Aplikasi Sistem
Pendukung Keputusan. Yogyakarta: Andi Offset.
Kusumadewi, Sri dan Purnomo, Hari. 2004. Aplikasi
Logika Fuzzy Untuk Mendukung Keputusan.
Yogyakarta: Graha Ilmu.
Kusumadewi, Sri. 2002. Artificial Intelligence
(Teknik dan Aplikasinya) Yogyakarta: Graha
Ilmu.
Suparman. 1991. Mengenal Artificial Intelligence,
Edisi-1. Yogyakarta: Andi Offset.