Jurnal Riset Komputer (JURIKOM), Vol. 6 No.

3, Juni 2019
ISSN 2407-389X (Media Cetak)
Hal: 306-313

Analisis Penerapan Fuzzy Inference System (FIS) Dengan Metode

Mamdani Pada Sistem Prediksi Mahasiswa Non-Aktif
(Studi Kasus: STMIK Budi Darma)
Nurul Nining Apriani
Program Studi Teknik Informatika, STMIK Budi Darma, Medan, Indonesia
Jalan Sisingamangaraja No. 338 Medan, Indonesia
Abstrak
STMIK BUDI DARMA merupakan perguruan tinggi dikota medan yang sedang berkembang. Banyaknya mahasiswa yang
kuliah membuat kesulitan dalam menangani pengolahan data keaktifan mahasiswa. Munculnya masalah- sering pelaksanaanya
muncul masalah-masalah salah satunya adalah banyaknya mahasiswa yang non-aktif. Tingginya tingkat keberhasilan
mahasiswa dan rendahnya tingkat kegagalan dapat mencerminkan kualitas perguruan tinggi. Penelitian secara statistik telah
banyak dilakukan untuk hal tersebut. Pada penulisan skripsi ini dikembangkan suatu system yang akan memprediksi
mahasiswa non aktif menggunakan Object Oriented analysis system dan Fuzzy Inference System (Fis) dengan menggunakan
variable input. Prediksi dilakukan dengan dengan cara memasukkan parameter-parameter sehingga diperoleh kesimpulan
seberapa besar tingkat mahasiswa non aktif
Kata Kunci: Mahasiswa Non Aktif, Prediksi, Fuzzy Inference System (FIS).
Abstract
STMIK BUDI DARMA is a college in the developing city. The number of college students makes it difficult to handle student
activity data processing. The emergence of problems - often implementation problems arise, one of which is the number of
non-active students. The high level of success of students and the low level of failure can reflect the quality of higher education.
Research has been done statistically for this. At the writing of this thesis a system was developed that would predict non-active
students using Object Oriented analysis systems and Fuzzy Inference Systems (Fis) using input variables. Prediction is done
by entering parameters so that conclusions can be drawn on how much the level of non-active students is
Keywords: Non-Active Students, Prediction, Fuzzy Inference System (FIS).

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

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 306

 Jurnal Riset Komputer (JURIKOM), Vol. 6 No. 3, Juni 2019
ISSN 2407-389X (Media Cetak)
Hal: 306-313

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 3A.
b. Nilai keanggotaan 3 pada himpunan A, µA
(3) = 1, karena 3A.
c. Nilai keanggotaan 4 pada himpunan A, µA
(4) = 0, karena 4A.
d. Nilai keanggotaan 2 pada himpunan B, µB
(2) = 0, karena 2B.
e. Nilai keanggotaan 3 pada himpunan B, µB
(3) = 1, karena 3B.
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 :

Rule 1 : if x is A1 and y is B1 then f1 = p1x + q1y + r1

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 307

 Jurnal Riset Komputer (JURIKOM), Vol. 6 No. 3, Juni 2019
ISSN 2407-389X (Media Cetak)
Hal: 306-313

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.

3. ANALISA DAN PEMBAHASAN

Penggunaan logika fuzzy dalam penentuan hasil akan memberikan toleransi terhadap nilai yang diperoleh.
Sehingga dengan adanya perubahan yang kecil tidak akan memberikan perubahan yang signifikan, hanya akan
mempengaruhi derajat keanggotaannya saja. Hal ini menunjukkan bahwa dengan adanya perubahan sedikit pada
nilai tidak mengakibatkan perbedaan kategori, hanya akan mempengaruhi derajat keanggotaannya saja dalam
logika fuzzy, variabel input yang digunakan adalah berupa interval, sehingga input yang berupa bilangan tegas
harus diubah ke dalam bilangan fuzzy. Analisa sistem yang berjalan dalam logika fuzzy belum diterapkan
sepenuhnya atau masih menggunakan sistem manual dan sangat sederhana dalam pengolahan data memprdiksi
mahasiswa non aktif yaitu berupa melihat dan menyimpan catatan atau data. Sehingga butuh waktu yang cukup
lama untuk mengetahui informasi mahasiswa non aktif. Faktor yang paling diutamakan dalam memprediksi
mahasiswa non aktif adalah kemudahan dan kecepatan, selain itu faktor keamanan juga merupakan hal yang
penting. Banyak cara untuk membantu menyelesaikan masalah keamanan dalam sistem yang dirancang. Memiliki
data Mahasiswa yang tersimpan pada tabel DT_MAHASISWA dengan field npm, IPK, semester, Jurusan
Sekolah, Status. Dalam proses prediksi mahasiswa nonaktif dalam kasus ini, mahasiswa yang akan dijadikan
sampel terdiri dari 5 orang terlihat seperti pada table berikut :
Tabel 1. Data Mahasiswa Non Aktif
NPM IPK SEMESETER JURUSAN STATUS
0711030 2.4 2 IPA Belum Bekerja
0611042 2.75 4 IPS Bekerja
0811032 2. 50 6 SMK TKJ Belum Bekerja
09110365 2.31 3 SMK Otomotif Belum Bekerja
11330303081 3.00 4 IPA Bekerja
Konstruksi FIS untuk variabel output Murni untuk mahasiswa 1 adalah sebagai berikut :
Konstruksi FIS untuk variabel output Murni untuk mahasiswa 1 adalah sebagai berikut :
1. Menentukan Derajat Keanggotaan Masing-masing variabel.

Fungsi keanggotaan IPK:

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

µbaik(x) = (x-2)/0.2; 2.5≤x≤2.7

(3-x); 2.7≤x≤3

0; x≤2.5 atau x≥3

µsangatbaik(x)= (x-2.7)/0.3; 2.7≤x≤3

1; x≥3

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 308

 Jurnal Riset Komputer (JURIKOM), Vol. 6 No. 3, Juni 2019
ISSN 2407-389X (Media Cetak)
Hal: 306-313

µIPKrendah(x) =(2.5-2.4)/0.5=2

µIPKcukup(x)= (2.4-2)/20.5=0.8

Fungsi Keanggotaan Semester

0; y≤1 atau y≥6;
µawal(y) = 1; 1;≤ 𝑦 ≤4;
(6-y)/2; 4≤ 𝑌 ≤3;
0; y≤4;
µAkhir(y) = (Y-4)/2; 4≤ 𝑦 ≤6;
(6-y)/2; 𝑌 ≤6;
µawal(y) = awal
Fungsi Keanggotaan Jurusan
0; Z≤3;

µtidaksesuai(z) = (x-2)/0.2; 3;≤ 𝑧 ≤6;

(6-y)/2; z≥6;

0; z≤4;

µsesuai(z) = (z-4)/2; 4≤ 𝑧 ≤6;

(8-z)/2; 𝑧 ≤6;

0; z≤6;

µsangatsesuai(z) = (z-6)/2; 6≤ 𝑧 ≤8;

1; 𝑧 ≤8;

µsesuai(z) =( 8-7)=0.5
µsangatsesuai(z) = (7-6)/2=0.5
Fungsi Keanggotaan Pekerjaan :
1; r≤4;

µtidakberkerja(r) = (8-r)/4; 4;≤ 𝑟 ≤8;

0; r≥8;

0; r≤4;

µbekerja(r) = (r-4)/4; 4≤ 𝑟 ≤6;

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]

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 309

 Jurnal Riset Komputer (JURIKOM), Vol. 6 No. 3, Juni 2019
ISSN 2407-389X (Media Cetak)
Hal: 306-313

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;

µawal(y) = 1; 1;≤ 𝑦 ≤4;

(6-y)/2; 4≤ 𝑌 ≤3;

0; y≤4;

µAkhir(y) = (Y-4)/2; 4≤ 𝑦 ≤6;

(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 :

Gambar 1. Fuzzy Inference System Editor

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 310

 Jurnal Riset Komputer (JURIKOM), Vol. 6 No. 3, Juni 2019
ISSN 2407-389X (Media Cetak)
Hal: 306-313

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 :

Gambar 2. Tampilan variable input dan output

Klik IPK 2 kali. kemudian masukan himpunan fungsi keanggotaan berdasarkan data di atas. untuk kurva
segitiga gunakan trap mf dengan semesta pembicaraan (range) 0-4. Untuk menambahkan garis kurva di
membership function editor. klik edit-MFs. Sehingga diperoleh tampilan sebagai berikut :

Gambar 3. Tampilan Variable Jurusan

Klik Pekerjaan 2 kali. kemudian masukan himpunan fungsi keanggotaan berdasarkan data di atas. untuk
kurva segitiga gunakan trap mf dengan semesta pembicaraan (range) 0-14. Untuk menambahkan garis kurva
di membership function editor. klik edit-MFs. Sehingga diperoleh tampilan sebagai berikut :

Gambar 4. Tampilan Variable Pekerjaan

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 311

 Jurnal Riset Komputer (JURIKOM), Vol. 6 No. 3, Juni 2019
ISSN 2407-389X (Media Cetak)
Hal: 306-313

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 :

Gambar 5. Tampilan Variable DropOut

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 :

Gambar 6. Tampilan Rule

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 312

 Jurnal Riset Komputer (JURIKOM), Vol. 6 No. 3, Juni 2019
ISSN 2407-389X (Media Cetak)
Hal: 306-313

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.

Gambar 7. Tampilan View Rule

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.

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 313