KATA PENGANTAR

Alhamdulillah, puji syukur kehadirat Allah SWT yang telah melimpahkan

rahmat, nikmat, dan karunia-Nya sehingga penulis dapat menyelesaikan makalah
yang berjudul “Penentuan Nominal Beasiswa yang Diterima Mahasiswa dengan
Metode Fuzzy Tsukamoto.
Makalah ini sebagai salah satu syarat kelengkapan penilaian dari mata
kuliah Logika Fuzzy di Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Tanjungpura. Bertujuan untuk mengimplementasikan metode Fuzzy
Tsukamoto dalam penentuan nominal beasiswa.
Penulis berharap makalah ini dapat bermanfaat bagi kita semua. Apabila
ada kesalahan atau kekurangan dalam penulisan makalah ini, kritik dan saran yang
sifatnya membangun sangat diharapkan untuk kesempurnaan makalah ini.

Pontianak, November 2015

Penulis

i
 DAFTAR ISI

KATA PENGANTAR........................................................................................................i
DAFTAR ISI.....................................................................................................................ii
BAB I PENDAHULUAN..................................................................................................1
1.1. Latar Belakang...................................................................................................1
1.2. Rumusan Masalah..............................................................................................2
1.3. Tujuan................................................................................................................2
BAB II LANDASAN TEORI............................................................................................3
2.1. Himpunan Fuzzy................................................................................................3
2.2. Fungsi Keanggotaan...........................................................................................6
2.3. Fungsi Implikasi.................................................................................................8
2.4. Sistem Inferensi Fuzzy.......................................................................................9
2.4.1. Metode Tsukamoto.....................................................................................9
BAB III PEMBAHASAN................................................................................................11
3.1 Perhitungan Manual.........................................................................................11
3.2. Aturan-aturan Inferensi Fuzzy..........................................................................11
3.3. Perhitungan Fuzzy Tsukamoto.........................................................................12
3.4. Implementasi Program......................................................................................18
E. Perhitungan Proses Defuzzyfikasi................................................................................24
BAB IV KESIMPULAN..................................................................................................25

ii
 BAB I

PENDAHULUAN

1.1. Latar Belakang

Pada dasarnya sebuah keputusan dipandang sebagai suatu bentuk proses

dalam usaha untuk mencari solusi dari suatu permasalahan atau problem. Istilah
proses menyiratkan adanya suatu rangkaian atau tahap-tahap yang teratur menuju
suatu tujuan yang telah ditetapkan, yaitu penyelesaian dari suatu persoalan. Beda
halnya dengan istilah pengambilan keputusan yang cenderung lebih berkesan
kepada suatu kegiatan pemilihan alternatif dari serangkaian alternatif yang
merupakan cara pemecahan masalah. Tolak ukur kuantitatif mengenai manfaat
dan biaya bertujuan mempermudah perbandingan antara kefektifan beraneka
alternatif cara penggarapan dalam suatu situasi keputusan.Tujuan pengungkapan
pengukuran secara kuantitatif sering menimbulkan penafsiran yang berbeda-beda
dan penafsiran ini sering sangat jauh atau bahkan bertentangan dengan maksud
atau tujuan semula pembuat keputusan. Pengambil keputusan melukiskan suatu
proses yang digunakan untuk memilih suatu arah tindakan sebagai pemecahan
bagi suatu persoalan.

Biaya pendidikan sekarang ini semakin mahal, apalagi dengan adanya

Uang Kuliah Tunggal (UKT) bagi mahasiswa di Universitas Negeri membuat
yang memiliki penghasilan ekonomi menengah kebawah semakin terpacu mencari
beasiswa. Beasiwa bisa dikatakan sebagai pembiayaan yang tidak bersumber dari
pendanaan sendiri atau orang tua, akan tetapi diberikan oleh pemerintah,
perusahaan swasta, kedutaan, universitas,serta lembaga pendidik dan sebagainya
yang berupa bantuan keuangan yang diberikan kepada perorangan yang bertujuan
untuk digunakan demi keberlangsungan pendidikan yang ditempuh. Nominal
beasiswa yang didapatkan beragam sesuai dengan aturan (rules).

1
 Model yang digunakan dalam penelitian ini adalah Fuzzy Tsukamoto.
Metode Fuzzy Tsukamoto ini dilakukan yang pertama kali adalah menentukan
fungsi keanggotaanya, kemudian menentukan rule dan nantinya kategori akan
diklasterisasi ke masing-masing kelompok sesuai dengan rule yang diterapkan.

Nominal beasiswa yang didapatkan harus disesuaikan dengan kriteria yang

sudah ditetapkan. Kriteria tersebut adalah nilai indeks prestasi akademik,
penghasilan orang tua dan jumlah tanggungan orang tua. Karena pendapatan
orangtua tunjangan orangtua, dan indeks prestasi mahasiswa beragam, maka perlu
dibangun sebuah sistem agar membantu dalam penentuan nominal beasiswa yang
akanditerimaoleh mahasiswa tersebut.

Diharapkan dengan penelitian ini, penentuan nominal beasiswa

menggunakan metode fuzzy Tsukamoto dapat menghasilkan output yang sesuai
dengan keadaan atau kriteria yang ada sehingga beasiswa yang diberikan kepada
mahasiswa sesuaidengankriteria.

1.2. Rumusan Masalah

Berdasarkan latar belakang diatas maka rumusan permasalahan dalam makalah ini
adalah bagaimana cara melakukan penentuan nominal beasiswa mahasiswa
menggunakan Fuzzy Tsukamoto.

1.3. Tujuan

Tujuan yang ingin dicapai dalam makalah ini yaitu :

1. Untuk mengimplementasikan metode Fuzzy Tsukamoto dalam penentuan

nominal beasiswa.
2. Membuat program untuk menentukan kategori nominal beasiswa dengan
Metode Fuzzy Tsukamoto.

2
 BAB II

LANDASAN TEORI

2.1. Himpunan Fuzzy

Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam

suatu himpunan A, yang sering ditulis dengan μ A [ x ] , memiliki 2 kemungkinan,

yaitu :

a) Satu (1), yang berarti bahwa suatu item menjadi anggota dalam
suatu himpunan, atau
b) Nol (0), yang berarti bahwa suatu item tidak menjadi anggota
dalam suatu himpunan.

Himpunan fuzzy memiliki 2 atribut , yaitu :

a) Linguistik, yaitu penamaan suatu grup yang mewakili suatu

keadaan atau kondisi tertentu dengan menggunakan bahasa alami,
seperti : MUDA, PAROBAYA, TUA.
b) Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari
suatu variabel, seperti : 40,25,50, dsb.

Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy,
yaitu :

a) Variabel fuzzy
Variabel fuzzy merupakan variabel yang hendak dibahas dalam
suatu sistem fuzzy. Contoh : umur, temperatur, permintaan, dsb.
b) Himpunan fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu
kondisi atau keadaan tertentu dalam suatu variabel fuzzy.

1
 Contoh :
 Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu :
MUDA, PAROBAYA, dan TUA.

Gambar 2.1.Himpunan fuzzy untuk variabel umur.

 Variabel temperatur, terbagi menjadi 5 himpunan fuzzy ,
yaitu : DINGIN, SEJUK, NORMAL, HANGAT, dan
PANAS.

`
Gambar 2.2.Himpunan fuzzy pada variabel temperatur.
c) Semesta pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan
untuk dioperasikan dalam suatu variabel fuzzy. Semesta
pembicaraan merupakan himpunan bilangan real yang senantiasa
naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta
pembicaraan dapat berupa bilangan posiif maupun negatif.
Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas
atasnya.
Contoh :
 Semesta pembicaraan untuk variabel umur : [ 0+∞ ¿
 Semesta pembicaraan untuk variabel temperatur :[ 0 40 ]

2
 d) Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan
dalam semesta pembicaraan dan boleh dioperasikan dalam suatu
himpunan fuzzy. Seperti halnya semesta pembicaraan, domain
merupakan himpunan bilangan real yang senantiasa naik
(bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat
berupa bilangan positif maupun negatif.
Contoh :
 MUDA ¿ [ 0 45 ]
 PAROBAYA ¿ [ 35 55 ]
 TUA ¿ [ 45+ ∞¿
 DINGIN ¿ [ 0 20 ]
 SEJUK ¿ [ 15 25 ]
 NORMAL ¿ [ 20 30 ]
 HANGAT ¿ [ 25 35 ]
 PANAS ¿ [ 30 40 ]
2.2. Fungsi Keanggotaan

Fungsi keanggotaan (membership function) adalah suatu kurva yang

menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotannya (sering
juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai
1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan
adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa
digunakan.

a. 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.

3
 Ada 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan
himpunan dimulai pada nilai domain yang memiliki derajat

keanggotaan nol [ 0] bergerak ke kanan menuju ke nilai domain

yang memiliki derajat keanggotaan lebih tinggi (Gambar 2.3).

Gambar 2.3.Representasi Linear Naik.

Fungsi Keanggotaan :

0; x≤a

{
μ [ x ]= x−a ; a ≤ x ≤b
b−a
1; x≥b

b. Representasi Kurva Segitiga

Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis
(linear) seperti terlihat pada Gambar 2.4.

Gambar 2.4.Kurva Segitiga.

Fungsi Keanggotaan :

4
 0 ; x ≤ a atau x ≥ c

{ x−a
μ [ x ]= b−a ; a ≤ x ≤ b
b−x
c−b

c. Representasi Kurva Trapesium

;b≤ x≤ c

Kurva segitiga pada dasarnya seperti bentuk segitiga, hanya saja ada
beberapa titik yang memiliki nilai keanggotaan 1 .

Gambar 2.5.Kurva Trapesium.

Fungsi Keanggotaan :

0 ; x ≤ a atau x ≥ d

2.3. Fungsi Implikasi

{ x−a
μ [ x ]= b−a
d−x
d−c
; a ≤ x ≤b
1;b≤x ≤ c
; x≥d

Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan

berhubungan dengan suatu relasi fuzzy. bentuk umum dari aturan yang
digunakan dalam fungsi implikasi adalah :
IFxisATHENyisB
Dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy.
Proposisi yang mengikuti IF disebut sebagai anteseden, sedangkan proposisi
yang mengikuti THEN disebut sebagai konsekuen. Proposisi ini dapat
diperluas dengan menggunakan operator fuzzy, seperti :
IF ( x1 is A 1 ) • ( x2 is A 2 ) • ( x 3 is A 3 ) •… • ( x N is A N ) THENyisB

5
 Dengan • adalah operator (misal : OR atau AND).
Secara umum, ada 2 fungsi implikasi yang dapat digunakan, yaitu :
a. Min (minimum). Fungsi ini akan memotong output himpunan fuzzy.
Gambar 1.6 menunjukkan salah satu contoh penggunaan fungsi min.

Gambar 2.6.Fungsi implikasi : MIN.

b. Dot (product). Fungsi ini akan menskala output himpunan fuzzy.
Gambar 2.7. menunjukkan salah satu contoh penggunaan fungsi dot.

Gambar 2.7.Fungsi implikasi : DOT

2.4. Sistem Inferensi Fuzzy

2.4.1. Metode Tsukamoto

Metode fuzzy Tsukamoto merupakan salah satu metode dari

fuzzyinference system, sistem pengambil keputusan. Dalam metode

fuzzy Tsukamoto menggunakan aturan atau rules berbentuk

“sebab-akibat” atau “if-then”. Cara perhitungan dari metode fuzzy

Tsukamoto, pertama adalah aturan yang dibentuk mewakili

himpunan fuzzy, kemudian dihitung derajat keanggotaan sesuai

6
 dengan aturan yang telah dibuat. Setelah mendapatkan nilai derajat

keanggotaan, dicari nilai alpha predikat () dengan cara mencari

nilai minimal dari nilai derajat keanggotaan. Langkah terakhir,

mencari nilai output yang merupakan nilai crisp (Z) yang disebut

proses defuzzyfikasi, dimana dinyatakan dalam persamaan

dibawah ini :

Z=
∑ αi zi
∑ zi

Dimana =alpha predikat (nilai minimal dari nilai derajat

keanggotaan ), Zi=nilai crisp yang didapat dari rumus derajat

keanggotaan himpunan fuzzy yang merupakan nilai output dan

Z=defuzzyfikasi rata-rata terpusat (Center Average Defuzzyfier)

Gambar 2.8.Inferensi dengan menggunakan Metode Tsukamoto.

7
 BAB III

PEMBAHASAN

3.1 Perhitungan Manual

Pada bab ini akan dilakukan perhitungan manual yang dilakukan

oleh sistem serta rules (aturan) yang berlaku pada perhitungan fuzzy
Tsukamoto.

3.2. Aturan-aturan Inferensi Fuzzy

Dalam makalah ini terdapat 3 variabel input yang terdiri dari

penghasilan orang tua per bulan, tanggungan orang tua per bulan, serta
IPK dari mahasiswa itu sendiri sedangkan untuk variabel output yaitu
variabel beasiswa. Pada variabel penghasilan orang tua dan tanggungan
orang tua per bulan memiliki 3 nilai linguistik yaitu Rendah, Sedang, dan
Tinggi serta pada variabel IPK memiliki 2 nilai linguistik yaitu Rendah
dan Tinggi. Sedangkan pada variabel output yaitu variabel jumlah
beasiswa yang diterima terdiri dari 3 nilai linguistik yaitu beasiswa
Sedikit, beasiswa Sedang, dan beasiswa Banyak. Berdasarkan unit
penalaran yang terdapat pada inferensi fuzzy, maka akan terbentuk aturan-
aturan yang terdapat pada tabel 3.1.
Tabel 3.1. Aturan-aturan yang terbentuk pada inferensi fuzzy

Penghasilan Tanggungan
No IPK Kesimpulan
Orangtua/bulan Orangtua/bulan
1 Rendah Rendah Rendah BeasiswaSedikit
2 Rendah Rendah Tinggi BeasiswaBanyak
3 Rendah Sedang Rendah BeasiswaSedikit
4 Rendah Sedang Tinggi BeasiswaBanyak
5 Rendah Tinggi Rendah BeasiswaSedikit
6 Rendah Tinggi Tinggi BeasiswaBanyak
7 Sedang Rendah Rendah BeasiswaSedikit
8 Sedang Rendah Tinggi BeasiswaSedang
9 Sedang Sedang Rendah BeasiswaSedikit

8
10 Sedang Sedang Tinggi BeasiswaSedang
11 Sedang Tinggi Rendah BeasiswaSedikit
12 Sedang Tinggi Tinggi BeasiswaBanyak
13 Tinggi Rendah Rendah BeasiswaSedikit
14 Tinggi Rendah Tinggi BeasiswaSedang
15 Tinggi Sedang Rendah BeasiswaSedikit
16 Tinggi Sedang Tinggi BeasiswaSedang
17 Tinggi Tinggi Rendah BeasiswaSedikit
18 Tinggi Tinggi Tinggi BeasiswaBanyak

3.3. Perhitungan Fuzzy Tsukamoto

Contoh kasus perhitungan beasiswa menggunakan metode Fuzzy
Tsukamoto apabila akan melakukan penentuan beasiswa terhadap seorang
mahasiswa di salah satu Universitas dengan data input:

a. Penghasilan orangtua/bulan : Rp. 3.000.000,00

b. Tanggungan orangtua/bulan : Rp. 2.000.000,00
c. IPK Mahasiswa : 3,2

Langkah 1:

Menentukan variabel yang terkait dalam proses yang akan

ditentukan dan fungsi fuzzifikasi yang sesuai.

Pada kasus ini,ada 4 variabel yang akan dimodelkan, yaitu:

1. Penghasilan Orangtua (x), terdiri atas 3 nilai linguistik, yaitu Rendah,

Sedang, dan Tinggi.
Diketahui :
Penghasilan terendah adalah Rp. 2.000.000,00/bulan
Penghasilan tertinggi adalah Rp. 8.000.000,00/bulan
Penghasilan permasalahan adalah Rp. 3.000.000,00/bulan
Maka fungsi keanggotaan dirumuskan sebagai berikut:

9
 1; x ≤2000000

{
μ penghasilanRendah ( x )= 4000000−x
4000000−2000000
; 2000000 ≤ x ≤ 4000000
0 ; x ≥ 4000000

0; x ≤2 000000

{
μ peng h asilanTinggi ( x )= 4 000000−x
4 000000−2 000000
; 2 000000 ≤ x ≤ 4 000000
1 ; 4000000 ≤ x ≤6 000000

Gambar 3.1.Fungsi Keanggotaan Penghasilan Orangtua (jutaan rupiah)

2. Tanggungan Orangtua (x), terdiri atas 3 nilai linguistik, yaitu Rendah,
Sedang, dan Tinggi
Diketahui:
Tanggungan terendah adalah Rp. 2.000.000,00/bulan
Tanggungan tertinggi adalah Rp. 8.000.000,00/bulan
Tanggungan permasalahan adalah Rp. 2.000.000,00/bulan
Maka fungsi keanggotaan dirumuskan sebagai berikut:

1; x ≤2000000

{
μtanggunganRenda h ( x )= 4000000−x
4000000−2000000
; 2000000≤ x ≤ 4000000
0; x ≥ 4000000

10
 x−2000000

{
; 2000000 ≤ x ≤ 4000000
4000000−2000000
μtanggunganSedang ( x )= 1 ; 4000000 ≤ x ≤ 6000000
8000000−x
; 6000000≤ x ≤ 8000000
8000000−6000000

0; x ≤6000000

{
μtanggunganTinggi ( x )= 8000000−x
8000000−6000000
; 6000000≤ x ≤ 8000000
1; x ≥ 8000000

Gambar 3.2. Fungsi Keanggotaan Tunjangan Orangtua (jutaan rupiah)

3. IPK (x), terdiri atas 2 nilai linguistik yaitu Rendah dan Tinggi.
Diketahui:
IPK terendah adalah 2.75
IPK tertinggi adalah 4
IPK permasalahan adalah 3.2
Maka fungsi keanggotaan dirumuskan sebagai berikut:
1; x ≤2.75

{
μ IPKRenda h ( x )= 3−x
3−2.75
; 2.75≤ x ≤ 3
0; x ≥3

11
 1 ; x> 3
μ IPKTinggi ( x )=
{ 3−x
3−2.75
; 2.75≤ x ≤ 3
0 ; x ≤ 2.75

Gambar 3.3.Fungsi Keanggotaan IPK

4. Beasiswa (x), terdiri atas 3 nilai linguistik, yaitu beasiswa Sedikit,
beasiswa Sedang, dan beasiswa Banyak.
Diketahui:
Beasiswa sedikit adalah Rp. 300.000,00
Beasiswa terbanyak adalah Rp. 1.000.000,00
Beasiswa permasalahan ?
Maka fungsi keanggotaan dirumuskan sebagai berikut:

1 ; x ≤ 300000

{
μbeasiswaSedikit ( x ) = 600000−x
600000−300000
; 300000< x ≤ 600000
0 ; x> 600000

1 ; 600000< x ≤ 700000

{ x−300000
μbeasiswaSedang ( x )= 600000−300000 ; 300000< x ≤600000
x−700000
1000000−700000
; 700000< x ≤100000

12
 1 ; x >1000000

{
μbeasiswaBanyak ( x )= x−700000
1000000−700000
; 700000< x ≤1000000
0 ; x ≤ 700000

Gambar 3.4.Fungsi Keanggotaan Uang Beasiswa (ratusan ribu rupiah)

Setelah menentukan variabel yang terkait dengan proses yang

digunakan dalam fungsi fuzzifikasi maka dilakukan perhitungan untuk
menghitung α − predikat, z, dan (α − predikat∗z). Proses perhitungan
α − predikat, z, dan (α − predikat∗z) akan dilakukan pada langkah 2.

Langkah 2: Menghitung α − predikat, z, dan (α − predikat∗z)

4000000−3000000 1
μ pendapatanRenda h [ 3000000 ]= = =0.5
2000000 2
3000000−2000000 1
μ pendapatan Sedang [ 3000000 ] = = =0.5
4000000−2000000 2
μ pendapatanTinggi [ 3000000 ] =0

13
 4000000−2000000
μtanggunganRenda h [ 2000000 ] = =1
2000000
2000000−2000000
μtanggunganSedang [ 2000000 ] = =0
4000000−2000000
μtanggunganTinggi [ 2000000 ] =0

μ IPKRenda h [ 3.2 ] =0
μ IPKTinggi [ 3.2 ] =1

Aturan1.Jika pendapatan orangtua Rendah, tanggungan orangtua Rendah,

dan IPK Rendah maka beasiswa Sedikit.

α − predikat 1=μ penghasila nRendah ∩ μtanggunganRendah ∩ μ IPKRendah=min ( μ penghasilanRendah [ 3000000 ] ∩ μtanggunganRendah

1; x ≤ 300000

{
μbeasiswaSediki t ( x )= 600000−x
600000−300000
; 300000< x ≤ 600000
0 ; x> 600000

0  z 1=600000

Aturan2. Jika pendapatan orangtua Rendah, tanggungan orangtua Rendah,

dan IPK Tinggi maka beasiswa Banyak

α − predikat 2=μ penghasilanRendah ∩ μtanggunganRendah ∩ μIPKTinggi =min ( μ penghasilanRendah [ 3000000 ] ∩ μtanggunganRendah [

1 ; x >1000000

{
μbeasiswaBanyak ( x )= x−700000
1000000−700000
; 700000< x ≤1000000
0 ; x ≤ 700000

x−700000
=0.5  z 2=850000
1000000−700000

Dan seterusnya sampai Aturan18. Hasil perhitungan dapat dilihat

pada tabel 3.7.

14
μPenghasilan μTanggungan μIPK Kategori α z α∗z

15
 60000
0.5 1 0 BeasiswaSedikit 0 0
0
85000
0.5 1 1 BeasiswaBanyak 0.5 425000
0
60000
0.5 0 0 BeasiswaSedikit 0 0
0
70000
0.5 0 1 BeasiswaBanyak 0 0
0
60000
0.5 0 0 BeasiswaSedikit 0 0
0
70000
0.5 0 1 BeasiswaBanyak 0 0
0
60000
0.5 1 0 BeasiswaSedikit 0 0
0
65000
0.5 1 1 BeasiswaSedang 0.5 325000
0
60000
0.5 0 0 BeasiswaSedikit 0 0
0
65000
0.5 0 1 BeasiswaSedang 0 0
0
60000
0.5 0 0 BeasiswaSedikit 0 0
0
70000
0.5 0 1 BeasiswaBanyak 0 0
0
60000
0 1 0 BeasiswaSedikit 0 0
0
65000
0 1 1 BeasiswaSedang 0 0
0
60000
0 0 0 BeasiswaSedikit 0 0
0
65000
0 0 1 BeasiswaSedang 0 0
0
60000
0 0 0 BeasiswaSedikit 0 0
0
70000
0 0 1 BeasiswaBanyak 0 0
0
Setelah didapatkan perhitungan α − predikat, z, dan (
α − predikat∗z) maka dilakukan perhitungan kategori beasiswa dengan
langkah 3.

16
Langkah 3: Menghitung Beasiswa

Pada langkah ini, z* dihitung berdasarkan aturan (rule) yang telah dibuat dan nilai
α − predikat yang didapat.

Jumlah α − predikat=1

Jumlah α − predikat∗z=75 0000

Z=
∑ α −predikat∗z = 75 0000 =75 0000
∑ α − predikat 1

Jadi nilai Z Beasiswa adalah 750000 termasuk dalam kategori “Beasiswa Banyak”.

3.4. Implementasi Program

Dalam makalah ini , permasalahan diimplementasikan dalam

pemograman. Program yang digunakan dalam makalah ini adalah Visual Basic
6.0. Berikut adalah tampilan program :

Gambar 3.5. Tampilan Program Visual Basic

17
 Berikut adalah code pemograman yang digunakan dalam program
ini:

A. Perhitungan Derajat Keanggotaan Penghasilan Orang tua

B.

If Jpenghasilan <= 2000000 And Jpenghasilan > 0 Then

uPRendah = 1

uPSedang = 0

uPTinggi = 0

ElseIf Jpenghasilan >= 2000000 And Jpenghasilan <= 4000000 Then

BAB IV
uPRendah = (4000000 - Jpenghasilan) / 2000000

uPSedang = (Jpenghasilan - 2000000) / 2000000

uPTinggi = 0

ElseIf Jpenghasilan >= 4000000 And Jpenghasilan <= 6000000 Then

uPRendah = 0

uPSedang = 1

uPTinggi = 0

ElseIf Jpenghasilan >= 6000000 And Jpenghasilan <= 8000000 Then

uPRendah = 0

uPSedang = (8000000 - Jpenghasilan) / 2000000

uPTinggi = (Jpenghasilan - 6000000) / 2000000

ElseIf Jpenghasilan > 8000000 Then

B. Perhitungan Derajat Keanggotaan

uPRendah =0 Tanggungan Orang tua

uPSedang = 0

uPTinggi = 1

18
B. Derajat Keanggotaan Tanggungan Orang Tua

If Jtanggungan <= 2000000 And Jtanggungan > 0 Then

uTRendah = 1

uTSedang = 0

uTTinggi = 0

ElseIf Jtanggungan >= 2000000 And Jtanggungan <= 4000000 Then

uTRendah = (4000000 - Jtanggungan) / 2000000

uTSedang = (Jtanggungan - 2000000) / 2000000

uTTinggi = 0

ElseIf Jtanggungan >= 4000000 And Jtanggungan <= 6000000 Then

uTRendah = 0

uTSedang = 1

uTTinggi = 0

ElseIf Jtanggungan >= 6000000 And Jtanggungan <= 8000000 Then

uTRendah = 0

uTSedang = (8000000 - Jtanggungan) / 2000000

uTTinggi = (Jtanggungan - 6000000) / 2000000

C. ElseIf
Perhitungan Derajat
Jtanggungan Keanggotaan
> 8000000 Then IPK

uTRendah = 0
If Jipk <= 2.75 Then
uTSedang = 0
ipkrendah = 1
uTTinggi = 1
ipktinggi = 0

ElseIf Jipk > 2.75 And Jipk <= 3 Then

C. Derajat Keanggotaan IPK
ipkrendah = (3 - Jipk) / 0.25

ipktinggi = (Jipk - 2.75) / 0.25

Else

ipkrendah = 0
19
ipktinggi = 1

End If
20
D. Perhitungan untuk Proses Inferensi

alpha1 = min(uPRendah, uTRendah, ipkrendah)

az1 = 600000 - (alpha1 * 300000)

alpha2 = min(uPRendah, uTRendah, ipktinggi)

az2 = 700000 + (alpha2 * 300000)

alpha3 = min(uPRendah, uTSedang, ipkrendah)

az3 = 600000 - (alpha3 * 300000)

alpha4 = min(uPRendah, uTSedang, ipktinggi)

az4 = 700000 + (alpha4 * 300000)

alpha5 = min(uPRendah, uTTinggi, ipkrendah)

az5 = 600000 - (alpha5 * 300000)

21
alpha5 = min(uPRendah, uTTinggi, ipkrendah)

az5 = 600000 - (alpha5 * 300000)

alpha6 = min(uPRendah, uTTinggi, ipktinggi)

az6 = 700000 + (alpha6 * 300000)

alpha7 = min(uPSedang, uTRendah, ipkrendah)

az7 = 600000 - (alpha7 * 300000)

alpha8 = min(uPSedang, uTRendah, ipktinggi)

az8 = 650000

alpha9 = min(uPSedang, uTSedang, ipkrendah)

az9 = 600000 - (alpha9 * 300000)

alpha10 = min(uPSedang, uTSedang, ipktinggi)

E. Perhitungan untuk Proses Defuzzifikasi
az10 = 650000

alpha11 = min(uPSedang, uTTinggi, ipkrendah)

az11 = 600000 - (alpha11 * 300000)

alpha12 = min(uPSedang, uTTinggi, ipktinggi)

az12 = 700000 + (alpha12 * 300000)

alpha13 = min(uPTinggi, uTRendah, ipkrendah)

az13 = 600000 - (alpha13 * 300000)

alpha14 = min(uPTinggi, uTRendah, ipktinggi)

az14 = 650000

alpha15 = min(uPTinggi, uTSedang, ipkrendah)

az15 = 600000 - (alpha15 * 300000)

alpha16 = min(uPTinggi, uTSedang, ipktinggi)

az16 = 650000

alpha17 = min(uPTinggi, uTTinggi, ipkrendah)

az17 = 600000 - (alpha17 * 300000)

alpha18 = min(uPTinggi, uTTinggi, ipktinggi)

az18 = 700000 + (alpha18 * 300000)

22
E. Perhitungan Proses Defuzzyfikasi

crisp1 = ((alpha1 * az1) + (alpha2 * az2) + (alpha3 * az3) + (alpha4 * az4) +

(alpha5 * az5) + (alpha6 * az6) + (alpha7 * az7) + (alpha8 * az8) + (alpha9 *
az9) + (alpha10 * az10) + (alpha11 * az11) + (alpha12 * az12) + (alpha13 *
az13) + (alpha14 * az14) + (alpha15 * az15) + (alpha16 * az16) + (alpha17 *
az17) + (alpha18 * az18))

crisp2 = alpha1 + alpha2 + alpha3 + alpha4 + alpha5 + alpha6 + alpha7 + alpha8

+ alpha9 + alpha9 + alpha10 + alpha11 + alpha12 + alpha13 + alpha14 + alpha15
+ alpha16 + alpha17 + alpha18

If crisp2 = 0 Then

zfuzzy = 0

zbeasiswa.Text = zfuzzy

Else: zfuzzy = crisp1 / crisp2

23
 BAB IV
KESIMPULAN

Berdasarkan dari hasil analisis dapat disimpulkan bahwa logika

fuzzy menggunakan metode Tsukamoto dapat diimplementasikan dalam
penentuan nominal beasiswa yang diterima layak diterima mahasiswa.
Terdapat tiga variabel inputdiantaranya pengahasilan orang tua
(rupiah/bulan), tanggungan orang tua (rupiah/bulan), dan IPK mahasiswa.
Terdapat 18 rules yang digunakan untuk menentukan -predikat (fire
strength) . Sedangkanvariabel output adalah jumlah nominal beasiswa
berupa bilangan crisp. Dengan menggunakan perhitungan logika fuzzy
metode Tsukamoto maka penentuan nominal beasiswa menjadi optimal
dan akurat, serta dapat digunakan dalam penentuan keputusan. Dalam
membantu perhitungan, model matematika ini dapat dibawa kedalam
pemograman dengan Visual Basic.

24