Nama : Syahidah Muthi’ah

NIM : 1806602
Kelas : Elektronika Industri 2018

Rangkuman Jurnal “Evaluation of Student Performance in Laboratory Applications

Using Fuzzy Logic”
Sistem pendidikan biasanya menggunakan metode evaluasi kinerja konvensional. Dalam
sistem ini, prestasi siswa tergantung pada hasil ujian dan dievaluasi hasilnya hanya berupa
keberhasilan atau kegagalan. Sebagai alternatif metode evaluasi dari yang konvensional dapat
dilengkapi dengan teknologi kecerdasan buatan seperti menggunakan logika fuzzy sebagai
pengambil keputusannya.
Evaluasi hasil menunjukkan variasi antara metode konvensional dan logika fuzzy. Meskipun
evaluasi kinerja menggunakan logika fuzzy itu rumit dan membutuhkan perangkat lunak
tambahan, ini memberikan beberapa keuntungan evaluasi. Evaluasi logika fuzzy lebih fleksibel
dan memberikan banyak pilihan evaluasi, sedangkan metode konvensional menganut
perhitungan matematika yang konstan. Pada tahap aplikasi, guru yang bertanggung jawab atas
aplikasi laboratorium dapat mengedit rentang fungsi dan aturan keanggotaan, mengizinkan
evaluasi kinerja yang tidak homogen tetapi fleksibel dan obyektif.
Performance Evaluation dengan Logika Fuzzy

Pada gambar di atas terdapat dua input yang merupakan Exam 1 dan Exam 2. Outputnya
merupakan hasil dari performance value yang ditentukan oleh fuzzy logic.
1. Fuzzifikasi input dan output
Berikut adalah fungsi keanggotaan yang menyatakan kelengkapan anggota dari variable
input Exam1 dan Exam2
Variabel Linguistik Simbol Interval
Very Low VL (0, 0, 25)
Low L (0, 25, 50)
Average A (25, 50, 75)
High H (50, 75, 100)
Very High VH (75, 100, 100)

Dalam bentuk persamaan fungsinya sebagai berikut:

25 − 𝑥
𝜇𝑉𝐿 (𝑥) = { 25 , 0 ≤ 𝑥 ≤ 25
0 , 𝑥 ≥ 25
𝑥
, 0 ≤ 𝑥 ≤ 25
25
𝜇𝐿 (𝑥) = 50 − 𝑥
, 25 ≤ 𝑥 ≤ 50
25
{ 0 , 𝑥 ≥ 50
𝑥 − 25
, 25 ≤ 𝑥 ≤ 50
25
𝜇𝐴 (𝑥) = 75 − 𝑥
, 50 ≤ 𝑥 ≤ 75
25
{0 , 𝑥 ≤ 25 𝑜𝑟 𝑥 ≥ 75
𝑥 − 50
, 50 ≤ 𝑥 ≤ 75
25
𝜇𝐻 (𝑥) = 100 − 𝑥
, 75 ≤ 𝑥 ≤ 100
25
{ 0, 𝑥 ≤ 50
0 , 𝑥 ≤ 75
𝜇𝑉𝐻 (𝑥) = {𝑥 − 75
, 75 ≤ 𝑥 ≤ 100
25

Berikut adalah fungsi keanggotaan yang menyatakan kelengkapan anggota dari variable
output
Variabel Linguistik Simbol Interval
Very Unsuccesful VU (0, 0, 0.25)
Unsuccesful U (0, 0.25, 0.5)
Average A (0.25, 0.5, 0.75)
Succesful S (0.5, 0.75, 1)
Very Succesful VS (0.75, 1, 1)

Dalam bentuk persamaan fungsinya sebagai berikut:

0,25 − 𝑥
, 0 ≤ 𝑥 ≤ 0,25
𝜇𝑉𝑈 (𝑥) = { 0,25
0 , 𝑥 ≥ 0,25
 𝑥
, 0 ≤ 𝑥 ≤ 0,25
0,25
𝜇𝑈 (𝑥) = 0,5 − 𝑥
, 0,25 ≤ 𝑥 ≤ 0,5
0,25
{ 0 , 𝑥 ≥ 0,5
𝑥 − 0,25
, 0,25 ≤ 𝑥 ≤ 0,5
0,25
𝜇𝐴 (𝑥) = 0,75 − 𝑥
, 0,5 ≤ 𝑥 ≤ 0,75
0,25
{0 , 𝑥 ≤ 0,25 𝑜𝑟 𝑥 ≥ 0,75
𝑥 − 0,5
, 0,5 ≤ 𝑥 ≤ 0,75
0,25
𝜇𝑆 (𝑥) = 1 − 𝑥
, 0,75 ≤ 𝑥 ≤ 1
0,25
{ 0, 𝑥 ≤ 0,5
0 , 𝑥 ≤ 0,75
𝜇𝑉𝑆 (𝑥) = { 𝑥 − 0,75
, 0,75 ≤ 𝑥 ≤ 1
0,25

Sehingga bisa ditemukan grafik yang dapat dibuat dengan software Matlab:

• Input : Exam 1
• Input : Exam 2

• Output : Result
2. Menentukan rules dan metode yang digunakan
Rules menentukan input dan output dari fungsi keanggotaan yang akan digunakan pada
inference process. Rules ini bersifat linguistic dan menggunakan formula “if-then”.

Rules:
1. If Exam1 is VL and Exam2 is VL then Result is VU
2. If Exam1 is VL and Exam2 is L then Result is VU
3. If Exam1 is VL and Exam2 is A then Result is U
4. If Exam1 is VL and Exam2 is H then Result is U
5. If Exam1 is VL and Exam2 is VH then Result is A
6. If Exam1 is L and Exam2 is VL then Result is VU
7. If Exam1 is L and Exam2 is L then Result is U
8. If Exam1 is L and Exam2 is A then Result is U
9. If Exam1 is L and Exam2 is H then Result is A
10. If Exam1 is L and Exam2 is VH then Result is A
11. If Exam1 is A and Exam2 is VL then Result is U
12. If Exam1 is A and Exam2 is L then Result is U
13. If Exam1 is A and Exam2 is A then Result is A
14. If Exam1 is A and Exam2 is H then Result is S
15. If Exam1 is A and Exam2 is VH then Result is S
16. If Exam1 is H and Exam2 is VL then Result is U
17. If Exam1 is H and Exam2 is L then Result is A
18. If Exam1 is H and Exam2 is A then Result is S
19. If Exam1 is H and Exam2 is H then Result is S
20. If Exam1 is H and Exam2 is VH then Result is VS
21. If Exam1 is VH and Exam2 is VL then Result is A
22. If Exam1 is VH and Exam2 is L then Result is S
23. If Exam1 is VH and Exam2 is A then Result is S
24. If Exam1 is VH and Exam2 is H then Result is VS
25. If Exam1 is VH and Exam2 is VH then Result is VS
Matlab

Perhitungan
𝜇𝑐 (𝑥) = max [min[ 𝜇𝐴 (𝑖𝑛𝑝𝑢𝑡(𝑖)). 𝜇𝐵 (𝑖𝑛𝑝𝑢𝑡(𝑗))]]

• Input Exam1=40
50 − 𝑥 50 − 40
𝜇𝐿 (40) = = = 0,4
25 25
𝑥 − 25 40 − 25
𝜇𝐴 (40) = = = 0,6
25 25

• Input Exam2=65
75 − 𝑥 75 − 65
𝜇𝐴 (65) = = = 0,4
25 25
𝑥 − 50 65 − 50
𝜇𝐻 (65) = = = 0,6
25 25

• Rules yang berlaku

8. If Exam1 is L and Exam2 is A then Result is U
𝜇𝑐 (𝑥) = min[ 0,4 . 0,4] = 0,4
9. If Exam1 is L and Exam2 is H then Result is A
𝜇𝑐 (𝑥) = min[ 0,4 . 0,6] = 0,4
13. If Exam1 is A and Exam2 is A then Result is A
𝜇𝑐 (𝑥) = min[ 0,6 . 0,4] = 0,4
 14. If Exam1 is A and Exam2 is H then Result is S
𝜇𝑐 (𝑥) = min[ 0,6 . 0,6] = 0,6

0,6 3 4

1 2
0,4

1) Titik 1 3) Titik 3
𝑧 𝑧 − 0,5
µ𝑈 (𝑧) = µ𝑆 (𝑧) =
0,25 0,25
𝑧 𝑧 − 0,5
0,4 = 0,6 =
0,25 0,25
z = 0,1 z = 0,65
2) Titik 2 4) Titik 4
𝑧 − 0,5 𝑧 − 0,75
µ𝑆 (𝑧) = µ𝑆 (𝑧) =
0,25 0,25
𝑧 − 0,5 𝑧 − 0,75
0,4 = 0,6 =
0,25 0,25
z = 0,6 𝑧 = 0,9

• Fungsi keanggotaan daerah z

𝑧
, 0 ≤ 𝑥 ≤ 0,1
0,1
0,4 , 0,1 ≤ 𝑥 ≤ 0,6
𝑧 − 0,6
µ(𝑧) = , 0,6 ≤ 𝑥 ≤ 0,65
0,05
0,5 , 0,65 ≤ 𝑥 ≤ 0,9
1−𝑧
, 0,9 ≤ 𝑥 ≤ 1
{ 0,1

3. Defuzzifikasi output
Setelah menyelesaikan proses pemilihan keputusan fuzzy, angka fuzzy yang ditetapkan
harus dikonversi menjadi crisp value. Salah satu metode defuzzifikasi yang digunakan pada
jurnal ini adalah Metode Centroid.
Matlab

Dapat dilihat dari simulasi menggunakan Matlab didapatkan dengan input Exam1=40 dan
input Exam2=65 menghasilkan output result performance value sebesar 0,53.

Perhitungan
∫ 𝜇𝐶 (𝑧) × 𝑧 × 𝑑𝑧
𝑧∗ =
∫ 𝜇𝐶 (𝑧) × 𝑑𝑧
• Moment:
0,1
𝑧
𝑀1 = ∫ 𝑧 𝑑𝑧 = 0,00333
0 0,1
0,6
𝑀2 = ∫ 0,4 𝑧 𝑑𝑧 = 0,07
0,1
0,65
𝑧 − 0,6
𝑀3 = ∫ 𝑧 𝑑𝑧 = 0,015833
0,6 0,05
0,9
𝑀4 = ∫ 0,5 𝑧 𝑑𝑧 = 0,096875
0,65
1
1−𝑧
𝑀5 = ∫ 𝑧 𝑑𝑧 = 0,04667
0,9 0,1
• Luas Daerah
𝐴1 = (0,5)(0,4) = 0,2
1
𝐴2 = (0,25 + 0,5)(0,6) = 0,225
2

• Kemudian
0,00333 + 0,07 + 0,015833 + 0,096875 + 0,04667
𝑧∗ =
0,2 + 0,225
0,232708333
𝑧∗ =
0,425
∗
𝑧 = 0,54

Perhitungan manual dan simulasi Matlab yang telah dilakukan dapat disimpulkan bahwa
hasil yang didapat memiliki selisih yang tidak terlalu jauh, yakni hanya berbeda 0,01. Pada
perhitungan manual hasilnya sebanyak 0,54 sementara saat simulasi Matlab didapatkan
hasil sebanyak 0,53 orang. Kemungkjnan terjadi selisih karena ketepatan pada perhitungan
manual yang dipengaruhi oleh faktor seperti metode pendekatan yang digunakan saat
menentukan moment dan luas daerah, Karena perbedaan selisih tidak terlalu jauh, maka
metode perhitungan fuzzy logic untuk menghitung evaluasi performa siswa dapat
diaplikasikan.

Berikut hasil tabel performance value dari jurnal yang dicoba simulasinya pada Matlab:
No Simulasi Matlab

4
8

12
Kedua input memiliki fungsi keanggotaan yang sama. Oleh karena itu, mengganti Exam 1
dengan Exam 2 tidak akan mengubah nilai kinerja yang dihitung (mis. (45 & 65) dan (65 &
45)). Jika simetri atau rentang nilai dari fungsi keanggotaan tidak sama, salah satu input
memiliki pengaruh yang lebih besar pada nilai output performance. Misalnya, mari kita ubah
fungsi keanggotaan dan rentang nilai Exam2, dengan tetap mempertahankan kriteria Exam1.
Dengan pengaturan ini, rentang nilai fungsi keanggotaan rata-rata menyusut; nilai tertinggi
fungsi keanggotaan L dipindahkan ke 20; nilai tertinggi dari fungsi keanggotaan H dipindahkan
ke 80; dan rentang nilai fungsi keanggotaan VL dan VH masing-masing dipindahkan ke 40 dan
60.

Berikut adalah fungsi keanggotaan yang menyatakan kelengkapan anggota dari variable input
Exam2
Variabel Linguistik Simbol Interval
Very Low VL (0, 0, 40)
Low L (0, 20, 50)
Average A (40, 50, 60)
High H (50, 80, 100)
Very High VH (60, 100, 100)

Dalam bentuk persamaan fungsinya sebagai berikut:

40 − 𝑥
𝜇𝑉𝐿 (𝑥) = { 40 , 0 ≤ 𝑥 ≤ 40
0 , 𝑥 ≥ 40
𝑥
, 0 ≤ 𝑥 ≤ 20
20
𝜇𝐿 (𝑥) = 50 − 𝑥
, 20 ≤ 𝑥 ≤ 50
30
{0 , 𝑥 ≥ 50
𝑥 − 40
, 40 ≤ 𝑥 ≤ 50
10
𝜇𝐴 (𝑥) = 60 − 𝑥
, 50 ≤ 𝑥 ≤ 60
10
{0 , 𝑥 ≤ 40 𝑜𝑟 𝑥 ≥ 60
𝑥 − 50
, 50 ≤ 𝑥 ≤ 80
30
𝜇𝐻 (𝑥) = 100 − 𝑥
, 80 ≤ 𝑥 ≤ 100
20
{0 , 𝑥 ≤ 50
0 , 𝑥 ≤ 60
𝜇𝑉𝐻 (𝑥) = {𝑥 − 60
, 60 ≤ 𝑥 ≤ 100
40
Sehingga bisa dibuat grafiknya dengan software Matlab:

Perhitungan
𝜇𝑐 (𝑥) = max [min[ 𝜇𝐴 (𝑖𝑛𝑝𝑢𝑡(𝑖)). 𝜇𝐵 (𝑖𝑛𝑝𝑢𝑡(𝑗))]]

• Input Exam1=45
50 − 𝑥 50 − 45
𝜇𝐿 (45) = = = 0,1667
30 30
𝑥 − 40 45 − 40
𝜇𝐴 (45) = = = 0,5
10 10

• Input Exam2=65
𝑥 − 50 65 − 50
𝜇𝐻 (65) = = = 0,5
30 30
𝑥 − 60 65 − 60
𝜇𝑉𝐻 (65) = = = 0,125
40 40
• Rules yang berlaku
9. If Exam1 is L and Exam2 is H then Result is A
𝜇𝑐 (𝑥) = min[ 0,1667 . 0,5] = 0,1667
10. If Exam1 is L and Exam2 is VH then Result is A
𝜇𝑐 (𝑥) = min[ 0,1667 . 0,125] = 0,125
14. If Exam1 is A and Exam2 is H then Result is S
𝜇𝑐 (𝑥) = min[ 0,5 . 0,5] = 0,5
15. If Exam1 is A and Exam2 is VH then Result is S
𝜇𝑐 (𝑥) = min[ 0,5 . 0,125] = 0,125

3 4

0,1667 1 2
0,125

1) Titik 1 3) Titik 3
𝑧 − 0,25 0,75 − 𝑧
𝜇𝐴 (𝑧) = µ𝐴 (𝑧) =
0,25 0,25
𝑧 − 0,25 0,75 − 𝑧
0,1667 = 0,5 =
0,25 0,25
z = 0,291667 z = 0,625
2) Titik 2 4) Titik 4
𝑧 − 0,5 𝑧 − 0,75
µ𝑆 (𝑧) = µ𝑆 (𝑧) =
0,25 0,25
𝑧 − 0,5 𝑧 − 0,75
0,1667 = 0,5 =
0,25 0,25
z = 0,541667 z = 0,875
• Fungsi keanggotaan daerah z
0 , 𝑥 ≤ 0,25
𝑧 − 0,25
, 0,25 ≤ 𝑥 ≤ 0,291667
0,041667
0,1667 , 0,291667 ≤ 𝑥 ≤ 0,541667
µ(𝑧) = 𝑧 − 0,541667
, 0,541667 ≤ 𝑥 ≤ 0,625
0,0833
0,5 , 0,625 ≤ 𝑥 ≤ 0,875
1−𝑧
, 0,875 ≤ 𝑥 ≤ 1
{ 0,125

Deffuzifikasi Output:

Matlab

Dapat dilihat dari simulasi menggunakan Matlab didapatkan dengan input Exam1=45 dan input
Exam2=65 menghasilkan output result performance value sebesar 0,676.
Perhitungan
∫ 𝜇𝐶 (𝑧) × 𝑧 × 𝑑𝑧
𝑧∗ =
∫ 𝜇𝐶 (𝑧) × 𝑑𝑧
• Moment:
0,291667
𝑧 − 0,25
𝑀1 = ∫ 𝑧 𝑑𝑧 = 0,005787087963
0,25 0,041667
0,541667
𝑀2 = ∫ 0,1667 𝑧 𝑑𝑧 = 0,01736
0,291667
0,625
𝑧 − 0,541667
𝑀3 = ∫ 𝑧 𝑑𝑧 = 0,024894
0,541667 0,0833
0,875
𝑀4 = ∫ 0,5 𝑧 𝑑𝑧 = 0,09375
0,625
1
1−𝑧
𝑀5 = ∫ 𝑧 𝑑𝑧 = 0,057291667
0,875 0,125

• Luas Daerah
𝐴1 = (0,25)(0,1667) = 0,041667
1
𝐴2 = (0,25 + 0,5)(0,5) = 0,1875
2

• Kemudian
0,005787087963 + 0,0173 + 0,024894 + 0,09375 + 0,057291667
𝑧∗ =
0,041667 + 0,1875
0,1990227546
𝑧∗ =
0,293977
𝑧 ∗ = 0,677

Perhitungan manual dan simulasi Matlab yang telah dilakukan dapat disimpulkan bahwa
hasil yang didapat memiliki selisih yang tidak terlalu jauh, yakni hanya berbeda 0,001. Pada
perhitungan manual hasilnya sebanyak 0,677 sementara saat simulasi Matlab didapatkan
hasil sebanyak 0,676 orang. Kemungkjnan terjadi selisih karena ketepatan pada
perhitungan manual yang dipengaruhi oleh faktor seperti metode pendekatan yang
digunakan saat menentukan moment dan luas daerah, Karena perbedaan selisih tidak terlalu
jauh, maka metode perhitungan fuzzy logic untuk menghitung evaluasi performa siswa
dapat diaplikasikan.
 Berikut hasil tabel performance value dari jurnal yang dicoba simulasinya pada Matlab

No Simulasi Matlab

2
8

8
 13

Kesimpulan:

Ketika hasil dievaluasi, perbedaan hasil terlihat antara metode klasik dan metode logika fuzzy
yang diusulkan. Sementara metode klasik menganut aturan matematika konstan, evaluasi
dengan logika fuzzy memiliki fleksibilitas yang tinggi. Pada skenario Fuzzy 1, semua fungsi
keanggotaan sama untuk kedua ujian, sedangkan pada skenario Fuzzy 2, fungsi keanggotaan
Ujian 2 dimodifikasi. Dari Tabel perbandingan terlihat hubungan linier antara metode klasikal
dan metode Fuzzy 1. Jika siswa berhasil dalam metode penilaian klasik, maka siswa juga akan
berhasil dalam skenario Fuzzy 1. Perbandingan metode klasik dengan skenario Fuzzy 2
menunjukkan perbedaan nilai kinerja. Untuk skor di bawah 50, nilai performansi Fuzzy 2 lebih
kecil dari metode klasik. Namun, untuk skor di atas 50, nilai kinerja lebih besar daripada
metode klasik. Misalnya, siswa yang mendapat nilai 34 pada ujian 1 dan 60 pada ujian 2 tidak
berhasil dalam metode klasikal, tetapi berhasil dalam skenario Fuzzy 2.

Perhitungan fuzzy juga berdasarkan pada perhitungan manual selain digunakan software
Matlab, bertujuan untuk memahami bagaimana konsep dari fuzzy logic itu sendiri. Telah
dipaparkan juga hasil antara perhitungan manual dengan rumus dan Matlab bahwa hanya
terjadi sedikit selisih. Dengan fuzzy logic yang dibantu software Matlab terbukti dapat
memudahkan langkah-langkah perhitungan manual yang panjang bisa hanya dengan
memasukkan nilai-nilai yang diinginkan. Demikian metode fuzzy terbukti lebih fleksibel
dalam mengevaluasi performa siswa pada saat ujian. Kesimpulannya, evaluasi kinerja
menggunakan logika fuzzy tidak hanya cocok untuk aplikasi laboratorium, tetapi juga dapat
digunakan untuk evaluasi kinerja pelajaran teori.