3, Juni 2019
ISSN 2407-389X (Media Cetak)
Hal: 306-313
1. PENDAHULUAN
Saat ini, masalah kegagalan studi mahasiswa dan faktor-faktor penyebabnya menjadi topik yang menarik untuk
diteliti. Perguruan tinggi perlu mendeteksi perilaku mahasiswa yang memiliki status “tidak diinginkan” tersebut
sehingga dapat diketahui faktor-faktor penyebab kegagalannya. Beberapa penyebab kegagalan mahasiswa
diantaranya rendahnya kemampuan akademik, faktor pembiayaan, domisili saat menempuh studi dan faktor
lainnya. STMIK Budidarma Medan adalah sebuah institusi yang bergerak di bidang teknologi informasi dan
komputer yang bersifat keseimbangan, keselarasan yang aktif dan dominan dalam berjuang dan membangun
kepercayaan serta harapan masyarakat untuk meraih cita-cita yang tinggi dalam meraih kejayaan untuk
kesejahteraan masyarakat dan bangsa. Tingginya persentasi mahasiswa yang memiliki status non aktif
menyebabkan tingginya persentasi mahasiswa lulus tidak tepat waktu. Hal tersebut menjadi sangat penting bagi
manajemen STMIK Budidarma mengingat persentasi mahasiswa lulus tepat waktu adalah salah satu elemen
penilaian akreditasi yang ditetapkan oleh Badan Akreditasi Nasional. Manajemen
memerlukan tindakan untuk mengetahui faktor-faktor penyebab mahasiswa memiliki status non aktif. Oleh karena
itu, perlu dilakukan kajian atau prediksi mahasiswa non-aktif sehingga dapat dijadikan informasi yang bermanfaat
untuk memperkirakan tingkat mahasiswa non-aktif pada tahun-tahun yang akan datang dan mengurangi tingkat
non-aktif mahasiswa. Prediksi non-aktif dapat dilakukan dengan serangkaian proses salah satunnya dengan
menerpkan fuzzy inference system (fis) dengan metode mamdani. Fuzzy Inference System metode MAMDANI
merupakan salah satu pendekatan yang akan digunakan untuk pemecahan masalah tersebut. Proses perhitungan
menggunakan Fuzzy Inference System (FIS) metode MAMDANI yang terdiri dari Fuzzification, Inference,
aplikasi fungsi implikasi dan defuzzification maka penentuan besaran persentase mahasiswa non-aktif akan
memberikan hasil yang lebih akurat .
2. LANDASAN TEORI
2.1 Logika Fuzzy
Logika Fuzzy pertama kali diperkenalkan oleh Bart Kosko. Logika fuzzy memiliki kemampuan untuk
menterjemahkan pengetahuan dari para pakar dengan menggunakan aturan-aturan yang dibangun secara linguistic
[1/2]. Logika fuzzy menghasilkan suatu sistem yang memiliki kelebihan yaitu dapat meningkatkan kemampuan
sistem cerdas untuk belajar dan beradaptasi pada lingkungan dengan variasi data yang kurang lengkap dan tepat.
Selain itu, dengan Logika Fuzzy kita dapat melakukan peramalan terhadap data-data yang tidak masuk dalam data
hasil penelitian. Logika fuzzy mempunyai nilai yang kontinue. Samar dinyatakan dalam derajat dari suatu
keanggotaan dan derajat dari kebenaran. Oleh sebab itu suatu dapat dikatakan sebagian benar dan sebagian salah
pada waktu yang sama. Dalam fuzzy dikenal derajat keanggotaan memiliki rentang nilai 0 (nol) hingga 1 (satu).
Berbeda dengan himpunan tegas memiliki nilai 1 atau 0 (ya atau tidak). Logika fuzzy digunakan untuk
menterjemahkan suatu besaran yang diekspresikan menggunakan bahasa (linguistic), misalkan besaran kecepatan
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. Tidak seperti logika klasik
(scrisp)/tegas, suatu nilai hanya mempunyai 2 kemungkinan yaitu merupakan suatu anggota himpunan atau tidak.
Derajat keanggotaan 0 (nol) artinya nilai bukan merupakan anggota himpunan dan 1 (satu) berarti nilai tersebut
adalah anggota himpunan. Kelebihan dari teori logika fuzzy adalah kemampuan dalam proses penalaran secara
bahasa (linguistic reasoning). Sehingga dalam perancangannya tidak memerlukan persamaan matematik dari
objek yang akan dikendalikan.
Defenisi himpunan fuzzy (fuzzy set) adalah sekumpulan objek x dengan masing-masing objek memiliki nilai
keanggotaan (membership function) “µ” atau disebut juga dengan nilai kebenaran. Himpunan fuzzy dari
sekumpulan objek, Zi, t= {Z1,t,Z2,t,Zm,t} maka himpunan yang dinyatakan dengan Z adalah himpunan sepasang
anggota. Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis
dengan µA (x), memiliki dua kemungkinan [1/2] 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.
Misalnya, jika diketahui :
S = {1, 2, 3, 4, 5, 6} adalah semesta pembicaraan.
A = {1, 2, 3}
B = {3, 4, 5}
Bisa dikatakan bahwa :
a. Nilai keanggotaan 2 pada himpunan A, µA
(2) = 1, karena 3A.
b. Nilai keanggotaan 3 pada himpunan A, µA
(3) = 1, karena 3A.
c. Nilai keanggotaan 4 pada himpunan A, µA
(4) = 0, karena 4A.
d. Nilai keanggotaan 2 pada himpunan B, µB
(2) = 0, karena 2B.
e. Nilai keanggotaan 3 pada himpunan B, µB
(3) = 1, karena 3B.
2.2 Fuzzy Inference System (FIS)
Fuzzy Inference System (FIS) merupakan sistem penarikan kesimpulan dari sekumpulan kaidah fuzzy, dapat
berupa input nilai eksak maupun rules dalam kaidah fuzzy. Proses fuzzy inference dapat dibagi dalam lima bagian
yaitu [2/3] :
1. Fuzzyfikasi Input : FIS mengambil masukan-masukan dan menentukan derajat keanggotaannya dalam semua
fuzzy set.
2. Operasi logika fuzzy : Hasil akhir dari operasi ini adalah derajat kebenaran antecedent yang berupa bilangan
tunggal.
3. Implikasi : Merupakan proses mendapatkan consequent atau keluaran
sebuah IF THEN rule berdasarkan derajat kebenaran antacedent. Proses ini menggunakan mengambil nilai
MIN/terkecil dari dua bilangan : Hasil operasi fuzzy logic OR dan fuzzy set banyak.
4. Agregasi : yaitu proses mengkombinasikan keluaran semua IF-THEN rule menjadi sebuah fuzzy set tunggal.
Pada dasarnya agregasi adalah operasi fuzzy logic OR dengan masukannya adalah semua fuzzy set.
5. Defuzzyfikasi : Keluaran dari defuzzyfikasi adalah sebuah bilangan tunggal, cara mendapatkannya ada
beberapa versi, yaitu centroid, bisector, middle of maximum, largest of maximum dan smallest of maximum.
2.3 Adaptive Neuro-Fuzzy Inference System
Adaptive Neuro-Fuzzy Inference System (ANFIS) adalah penggabungan mekanisme fuzzy inference sistem yang
digambarkan dalam arsitektur jaringan syaraf. Sistem inferensi fuzzy yang digunakan adalah sistem inferensi fuzzy
model Tagaki-Sugeno- Kang (TSK) orde satu dengan pertimbangan kesederhanaan dan kemudahan komputasi.
Contoh ilustrasi mekanisme inferensi fuzzy TSK orde satu dengan dua masukan x dan y. Basis aturan dengan dua
aturan fuzzy if-then seperti dibawah ini :
premis consequent
Rule 2 : if x is A2 and y is B2 then f2 = p2x + q2y + r2
premis consequent
Input : x dan y.
Consequent-nya adalah f.
1; x≤2;
µrendah(x) = (2.5-x)/0.5 2≤x≤2.5
0; x≥2.5
0; x≤2 atau x≥2.7
µcukup(x) = (x-2)/0.5 2≤x≤2.5
(2.7-x); 2.5≤x≤2.7
0; x≤2.5 atau x≥3
(3-x); 2.7≤x≤3
1; x≥3
µIPKrendah(x) =(2.5-2.4)/0.5=2
µIPKcukup(x)= (2.4-2)/20.5=0.8
(6-y)/2; z≥6;
0; z≤4;
(8-z)/2; 𝑧 ≤6;
0; z≤6;
1; 𝑧 ≤8;
µsesuai(z) =( 8-7)=0.5
µsangatsesuai(z) = (7-6)/2=0.5
Fungsi Keanggotaan Pekerjaan :
1; r≤4;
0; r≥8;
0; r≤4;
1; r≤6;
µtidakberkerja(r) = 1
2. Infrensi Cliping
If IPK = rendah [0.2] And Semester=Awal[1] And Jurusan =tidak sesuai [0.5] and pekerjaan = tidak
bekerja[1] Then Tinggi[0.2]
If IPK = rendah [0.2] And Semester=Awal[1] And Jurusan =tidak sesuai [0.5] and pekerjaan = tidak
bekerja[1] Then Non aktif Tinggi[0.2]
If IPK = rendah [0.8] And Semester=Awal[1] And Jurusan =tidak sesuai [0.5] and pekerjaan = tidak
bekerja[1] Then Non Aktif Cukup Tinggi[0.5]
Fungsi Keanggotaan :
0; y≤1 atau y≥6;
(6-y)/2; 4≤ 𝑌 ≤3;
0; y≤4;
(6-y)/2; 𝑌 ≤6;
µawal(y) = 1
3. Defuzzikasi
Metode Centroid :
Z adalah nilai crip µz adalah derajat keanggotaan. Suatu misal kita menggunakan 10 titik secara acak :
1,2,3 4,5,6,7,8,9,10
Hasil = (1+2+3+4)*0+(5+6+7)*0.5+(8+9+10)*0.2
4*0+3*0.5+3*0.2
= 6.86
Prediksi Non aktif =Cukup Tinggi
Tabel 2. Hasil Prediksi Mahasiswa Drop Out
Npm IPK Semeseter Jurusan Status Prediksi Dropout
0711030 2.4 2 IPA Belum Bekerja Cukup Tinggi
0611042 2.75 4 IPS Bekerja Rendah
0811032 2. 50 6 SMK TKJ Belum Bekerja Tinggi
09110365 2.31 3 SMK Otomotif Belum Bekerja Tinggi
11330303081 3.00 4 IPA Bekerja Rendah
4. IMLEMENTASI
Berikut adalah hasil implementasi dari program analisis penerapan Fuzzy Inference System metode MAMDANI
pada system prediksi mahasiswa non aktif menggunakan aplikasi Matlab.
1. Implementasi Fuzzy Inference System editor
Implementasi Fuzzy Inference System editor merupakan tampilan awal perhitungan dan simulasi prediksi
mahasiswa non-aktif dengan menggunakan Fuzzy Inference System metode MAMDANI. Adapun tampilan
Fuzzy Inference System editor adalah sebagai berikut :
Untuk melakukan proses perhitungan dan simulasi prediksi mahasiswa non-aktif dengan menggunakan
Fuzzy Inference System metode MAMDANI. Klik edit-add variable-input untuk menentukan banyaknya
input yang kita inginkan. Dan klik edit-add variable-output untuk menentukan output yang kita inginkan
sepertitampilan dibawah ini :
Klik Dropout 2 kali. kemudian masukan himpunan fungsi keanggotaan berdasarkan data di atas. untuk kurva
segitiga gunakan trap mf dengan semesta pembicaraan (range) 0-10. Untuk menambahkan garis kurva di
membership function editor. klik edit-MFs. Sehingga diperoleh tampilan sebagai berikut :
Setelah selesai memasukan variabel input dan output, tahap selanjutnya adalah membuat aturan-aturan
berdasarkan basis pengetahuan. Klik edit-Rules dan tulis aturan berdasarkan input dan output yang kita buat.
Maka diperoleh tanpilan sebagai berikut :
Setelah aturan dibuat. kemudian kita klik pada Rule-editor yaitu view-Rules maka muncul tampilan dibawah
ini, yang digunakan untuk melakukan perhitungan dan simulasi sesuai dengan rule yang telah diberikan.
5. KESIMPULAN
Analisis penerapan fuzzy inference system (FIS) dengan metode mamdani pada sistem prediksi mahasiswa non
aktif yang telah diselesaikan ini dapat diambil beberapa kesimpulan diantaranya adalah :
1. Dengan sistem yang dirancang pada aplikasi prediksi mahasiswa non aktif dapat mempermudah user untuk
mengetahui penyebab mahasiswa non aktif dan mencari solusinya .
2. Pengguna harus mengetahui kriteria-kriteria dari himpunan fuzzy dalam menggunakan aplikasi ini. Karena
dengan memahami kriteria-kriteria tersebut pengguna dapat memberikan penekanan pada variabel fuzzy
tertentu.
3. Hasil prediksi mahasiswa non akatif menampilkan data mahasiswa yang berpotensi non aktif.
REFERENCES
[1] Achmad, Komarudin dkk..Investigasi Motivasi dan Strategi Manajemen Laba pada Perusahaan Publik Indonesia. Simposium Nasional
Akuntansi X.Vol.8, No.1, 1 Maret 2007
[2] Kusumadewi, S., & Purnomo, H,. Aplikasi Logika Fuzzy (edisi 2). 2010 Yogyakarta : Graha Ilmu.
[3] Agus Naba. Belajar Cepat Fuzzy Logic Menggunakan Matlab. 2009. Yogyakarta : ANDI
[4] Sugiarti, Y, Analisis & Perancangan UML ( Unified Modeling Language) Generated VB.6. Yogyakarta : Graha Ilmu. 2013
[5] Jogiyanto H.M, Analisis dan Desain, Yogyakarta: Andi .2005.
[6] Muhammad Sadeli, Pemrograman Database dengan Visual Basic .NET 2008 untuk Orang Awam, MAXIKOM, Palembang, 2009
[7] Nugroho, B. Membuat Sistem Informasi Penjualan Berbasis Web dengan PHP dan MySQL. Yogyakarta: Gava Media. 2008.