Abstrak - Penjadwalan dalam suatu perguruan tinggi harus dilakukan dengan baik
sehingga tidak menimbulkan tumpang tindih antar mata kuliah yang satu dengan yang lainnya
atau pun unsur yang lain. Adapun penjadwalan harus memenuhi semua kondisi yang ada
meliputi mata kuliah, ruang kuliah, jam kuliah beserta dosen pengampu. Oleh karena itu
diperlukan metode yang akurat untuk mengatur sistem penjadwalan tersebut. Pada penelitian
penjadwalan waktu kuliah dengan menggunakan logika fuzzy, ada beberapa metode yang
digunakan akan tetapi penggunaan sistem inferensi fuzzy yang akan dipilih. Pendekatan yang
digunakan dalam menyelesaikan permasalahan ini, pencarian teori melalui studi pustaka dari
penelitian yang terdahulu tentang penjadwalan waktu kuliah, teori tentang logika fuzzy dan
sistem inferensi fuzzy. State of the art disusun dari penelitian dengan tema yang sama dengan
permasalahan penjadwalan waktu kuliah. Tujuan dari penelitian ini menganalisa penggunaan
sistem inferensi logika fuzzy untuk mengatasi kesulitan dalam mengatur penjadwalan waktu
kuliah. Dengan menggunakan dua kali proses pengujian yaitu pada data jadwal semester gasal
tahun akademik 2023/2024 dan data jadwal semester genap tahun akademik 2023/2024. Hal ini
terbukti dari peningkatan rata-rata nilai akurasi sebesar 90.12% metode mamdani dan nilai
akurasi sebesar 70.63% metode sugeno dengan rata-rata selisih nilai akurasi sebesar 19.50%.
Kata kunci: Logika fuzzy, Inferensi Logika, Metode K-Means, Metode Sugeno
1
PENDAHULUAN Algoritma evolusi fuzzy adalah sebuah
Penjadwalan waktu kuliah dalam suatu teknik komputasi hasil perpaduan antara
perguruan tinggi perlu mendapatkan algoritma genetika dengan sistem fuzzy.
perhatian karena ini merupakan pekerjaan Dalam algoritma evolusi fuzzy, tahapan
yang sulit. Unsur-unsur dalam penjadwalan proses sebuah masalah dapat diselesaikan
tersebut meliputi: seperti tahapan yang ada dalam algoritma
1. Jadwal mata kuliah tidak boleh ada yang genetika. Namun untuk penentuan parameter-
sama, dengan kata lain tidak boleh ada parameter genetika seperti halnya nilai
jadwal yang sama dari angkatan probabilitas rekombinasi (crossover) dan
sebelum dan sesudahnya sehingga nilai probabilitas mutasi dihasilkan melalui
mahasiswa dapat mengambil mata sistem fuzzy. Algoritma evolusi fuzzy
kuliah pada angkatan sebelum atau diharapkan menghasilkan hasil yang lebih
sesudahnya. optimal.(muzid, 2007)
2. Jadwal jam dosen pengampu, agar tidak Data-data penelitian ini diambil dari
bentrok dengan jam mengajar pada mata data perkuliahan yang ada di Akademi
kuliah lainnya dan kelas yang lain. Teknologi Semarang, yaitu semester gasal
3. Jadwal penggunaan kelas, karena dan semester genap tahun akademi
semakin banyak mahasiswa kendala 2012/2013. Maka data yang akan diolah
penggunaan kelas yang bersamaan sesuai dengan kondisi yang ada pada
dengan kelas mata kuliah lain. Akademi Teknologi Semarang.
Disamping unsur-unsur tersebut dalam Penjadwalan waktu kuliah ini tidak
penyusunan penjadwalan waktu kuliah boleh adanya bentrok waktu antara kelas,
dibutuhkan metode optimasi yang dapat dosen dan prkuliahan mahasiswa. Terutama
diterapkan untuk menyusun penjadwalan ini. untuk menghindari frekuensi kelas dan jarak
Pemasalahan yang timbul seringkali mata kuliah yang pendek. Ada batasan
mengandung ketidakpastian, oleh karena itu jumlah sks untuk tiap dosen pengampu dalam
logika fuzzy merupakan salah satu metode beban kerjanya. Adanya jumlah ruang kuliah
untuk melakukan analisa sitem yang yang digunakan sebanyak 6 ruang, jumlah
mengandung ketidakpastian. Metode dosen sebanyak 28 orang dimana dosen bisa
Mamdani dan metode Sugeno digunakan memilih jam mengajarnya sendiri. Adanya
dalam penelitian ini untuk memperoleh mata kuliah dengan ruang khusus
tingkat akurasi yang paling akurat. (Praktikum) dimana kuliah teori dan kuliah
Konsep logika fuzzy mudah praktek diruang yang berbeda.
dimengerti, sangat fleksible, memiliki Dengan menggunakan logika fuzzy
toleransi terhadap data-data yang tidak tepat, diharapkan dapat mengatasi masalah
mampu memodelkan data-data nonlinier penjadwalan waktu kuliah sehingga jadwal
yang sangat kompleks, dapat membangun yang disusun tidak ada yang bentrok
dan mengaplikasikan pengalaman- sehingga tidak perlu adanya revisi jadwal
pengalaman para pakar secara langsung waktu kuliah. Logika fuzzy mempunyai
tanpa harus melalui proses pelatihan, dapat beberapa inferensi logika yaitu metode
bekerjasama dengan teknik kendali secara Mamdani dan metode Sugeno yang mampu
konvensional pada bahasa alami. (Pratiwi, untuk memetakan suatu input kedalam suatu
2005) output tanpa mengabaikan faktor-faktor yang
ada.
2
\
61
untuk mencapai solusi yang bervariasi dan Sebelum munculnya teori logika fuzzy
sulit untuk diterapkan. Satu jadwal kursus (fuzzy logic), dikenal sebuah logika tegas
akademis idealnya harus menjadi satu (crisp logic) yang memiliki nilai benar atau
pasangan (biasanya dengan hari dalam salah secara tegas. Sebaliknya logika fuzzy
seminggu dan periode waktu pada yang lain), merupakan sebuah logika yang memiliki
seperti format biasa dan pengecekan fasilitas nilai kekaburan atau kesamaran (fuzzyness)
secara visual untuk menyusun penjadwalan”. antara benar dan salah. Dalam teori logika
(Combs, 2005) fuzzy sebuah nilai bisa bernilai benar atau
salah secara bersamaan namun berapa besar
LOGIKA FUZZY kebenaran dan kesalahan suatu nilai
Logika Fuzzy tergantung kepada bobot keanggotaan yang
Konsep tentang logika fuzzy dimilikinya.
diperkenalkan oleh Prof. Lotfi Astor Zadeh Perbedaan antara kedua jenis logika
pada 1962. Logika fuzzy adalah metodologi tersebut adalah : logika tegas memiliki nilai
sistem kontrol pemecahan masalah, yang tidak = 0.0 dan ya = 1.0, sedangkan logika
cocok untuk diimplementasikan pada sistem, fuzzy memiliki nilai antara 0.0 hingga 1.0 .
mulai dari sistem yang sederhana, sistem Dalam kondisi yang nyata, beberapa
kecil, embedded system, jaringan PC, multi- aspek dalam dunia nyata selalu atau biasanya
channel atau workstation berbasis akuisisi berada diluar model matematis dan bersifat
data dan sistem kontrol. (Sutojo, 2011) inexact. Konsep ketidakpastian inilah yang
Ada beberapa alasan mengapa orang menjadi konsep dasar munculnya konsep
menggunakan logika fuzzy,antara lain (1) logika fuzzy.
Konsep logika fuzzy mudah dimengerti. Pada prinsipnya himpunan fuzzy
Konsep matematis yang mendasaripenalaran adalah perluasan himpunan crisp, yaitu
fuzzy sangat sederhana dan mudah himpunan yang membagi sekelompok
dimengerti. (2) Logika fuzzy sangat fleksible individu kedalam dua kategori, yaitu anggota
(3) Logika fuzzy memiliki toleransi terhadap dan bukan anggota.
data-data yang tidak tepat. (4) Logika fuzzy Pada himpunan tegas (crisp), nilai
mampu memodelkan fungsi-fungsi nonlinier keanggotaan suatu item x dalam suatu
yang sangat kompleks. (5) Logika fuzzy himpunan A, yang sering ditulis dengan μ A
dapat membangun dan mengaplikasikan [x], memiliki 2 kemungkinan, yaitu :
pengalaman-pengalaman para pakar secara Pada himpunan crisp, nilai
langsung tanpa harus melalui proses keanggotaan ada 2 kemungkinan, yaitu 0
pelatihan. (6) Logika fuzzy dapat atau 1. Sedangkan pada himpunan fuzzy nilai
bekerjasama dengan teknik-teknik kendal keanggotaan terletak pada rentang 0 sampai
secara konvensional. (7) Logika fuzzy 1. Semesta pembicaraan adalah keseluruhan
didasarkan pada bahasa alami. (Kusumadewi nilai yang diperbolehkan untuk dioperasikan
S. , 2003) dalam suatu variabel fuzzy. Semesta
Pada teori himpunan fuzzy, peranan pembicaraan merupakan himpunan bilangan
derajat keanggotaan sebagai penentu real yang senantiasa naik (bertambah) secara
keberadaan elemen dalam suatu himpunan monoton dari kiri ke kanan. Nilai semesta
sangatlah penting. Nilai keanggotaan atau pembicaraan dapat berupa bilangan positif
derajat keanggotaan atau membership maupun negatif. Domain himpunan fuzzy
function menjadi ciri utama dari penalaran adalah keseluruhan nilai yang diijinkan
dengan logika fuzzy tersebut. (Kusumadewi dalam semesta pembicaraan dan boleh
S. P., 2010) dioperasikan dalam suatu himpunan fuzzy.
62
\
64
\
65
Dengan pendekatan fuzzy maka pemodelan bisa disederhanakan dengan hanya
berdasarkan pada beberapa IF THEN rule yang mudah dipahami. IF THEN rules yang
dimaksud adalah:
if pelayanan is mengecewakan or makanan is hambar then bonus is sedikit
if pelayanan is bagus then bonus is sedang
if pelayanan is memuaskan or makanan is enak then bonus is banyak
Metode fuzzy secara teori dapat dibandingkan seperti pada tabel berikut:
66
\
67
1 𝑢≤5
𝜇𝑘𝑢𝑟𝑎𝑛𝑔 [𝑢] = { 6) Tabel 4.
(14 − 𝑢)/9 5 ≤ 𝑢 ≤ 14 Nilai linguistik pembagian jadwal
Nilai linguistik Interval
𝜇𝑠𝑒𝑑𝑎𝑛𝑔 [𝑢] Dalam jam kerja ≤1–≤7
0 𝑢 ≤ 12𝑎𝑡𝑎𝑢 𝑢 ≤ 16 Luar jam kerja ≥ 5 – ≥ 20
= {(𝑢 − 12)/9 12 ≤ 𝑢 ≤ 14
(16 − 𝑢)/9 14 ≤ 𝑢 ≤ 16
( )
𝜇𝑙𝑒𝑏𝑖 ℎ [𝑢] = { 𝑢 − 14 /6 14 ≤ 𝑢 ≤ 20
8)
1 𝑢 ≥ 20
Tabel 5.
𝜇𝑟𝑒𝑛𝑑𝑎 ℎ [𝑣] = { 1 𝑣≤2
9) Derajat keanggotaan jumlah sks
(5 − 𝑣)/3 2≤𝑢≤5
𝜇𝑠𝑒𝑑𝑎𝑛𝑔 [𝑣] = {
(10 − 𝑣)/3 7 ≤ 𝑢 ≤ 10
( )
𝜇𝑡𝑖𝑛𝑔𝑔𝑖 [𝑣] = { 𝑣 −18 /4 8 ≤ 𝑣 ≤ 12
𝑣 ≤ 12
11)
68
\
69
2 Tahap kedua proses fuzzifikasi yaitu
Tabel 6. menentukan derajat keanggotaan dari
Derajat keanggotaan beban wajib mengajar variabel masukan.
3 Tahap ke 3 adalah operasi logika fuzzy
dimana perlu dilakukan jika bag ian
antecedent lebih dari satu pernyataan
melakukan operasi-operasi logika fuzzy.
Hasilnya adalah derajat kebenaran
antecedent yang berupa bilangan tunggal.
Operator fuzzy untuk melakukan operasi
and dan or bisa dibuat sendiri.
4 Tahap yang ke 4 adalah implikasi yaitu
menerapkan metode implikasi untuk
menentukan bentuk akhir fuzzy set
keluaran. Consequent atau keluaran dari
aturan fuzzy ditentukan dengan
mengisikan kumpulan fuzzy keluaran ke
variabel keluaran. Fungsi implikasi yang
digunakan adalah Min.
5 Tahap yang ke 5 agregasi yaitu proses
mengkombinasikan keluaran semua
aturan if-then menjadi sebuah kumpulan
fuzzy tunggal menggunakan fungsi Max.
6 Tahap yang ke 6 defuzzifikasi yaitu
mengisikan bilangan tunggal ke variabel
keluaran dengan metode centroid atau
center of area.
HASIL DAN PEMBAHASAN
Sistem Inferensi Mamdani
Mempunyai beberapa tahap dalam Sistem Inferensi Sugeno
prosesnya: Dalam banyak hal, metode Sugeno
1 Tahap awal adalah menentukan variabel mirip dengan metode Mamdani. Perbedaan
masukan. terletak pada jenis fungsi keanggotaan yang
dipakai dalam bagian consequent. Tahapan
dari proses ini adalah:
1 Tahap awal dengan menentukan variabel
masukan.
2 Tahap selanjutnya proses fuzzifikasi:
menentukan derajat keanggotaan dari
variabel masukan.
3 Tahap yang ke 3 adalah operasi logika
fuzzy dimana perlu dilakukan jika bagian
antecedent lebih dari satu pernyataan
melakukan operasi-operasi logika fuzzy.
Hasil dari tahap proses ini adalah derajat
70
\
71
Tabel 7.
Hasil perbandingan metode bar plot
72
\
Metode Mamdani
Semester Gasal TA 2012-
2013
TIDAK AKURAT
95% AKURAT
Metode Mamdani
Semester Genap TA 2012-2013
14%
TIDAK AKURAT
AKURAT
86%
Gambar 7. Nilai akurasi metode mamdani untuk semester genap TA 2012-2013
73
Nilai standar untuk metode Sugeno nilai z ≥ 7 maka outputnya adalah
adalah nilai yang ditetapkan berdasarkan “Luarjamkerja”. Nilai standar diperoleh dari
fungsi keanggotaan variabel output perhitungan yaitu: (7-7)/6 = 0 dan (7-5)/15 =
pembagian jadwal yaitu jika nilai z < 7 maka 0.133.
outputnya adalah “Dalamjamkerja” dan jika
Tabel 8.
Hasil perbandingan metode k-means menggunakan Box plot
Untuk memperoleh output, diperlukan = “Luarjamkerja” dan JSKS> BKD dan nilai
aturan sebagai berikut: Jika BKD ≥ JSKS/3 z > nilai standarMaka hasil = “Akurat”Jika
dan BKD ≥ JSKS/2Dan (JP + JS + JM) * 3 ≤ tidak hasil = “Tidak Akurat”
BKD dan (JP + JS + JM) * 2 ≤ BKD Dan Penentuan akurasi berdasarkan:
nilai standar ≤ 7Maka output = jika output adalah “Dalamjamkerja” dan
“Dalamjamkerja”Jika tidak output = JSKS ≤ BKD dan nilai z < 7 atau jika output
“Luarjamkerja” adalah “Luarjamkerja” dan JSKS > BKD dan
Untuk memperoleh nilai keakuratan, nilai z ≥ 7 maka hasilnya = “Akurat”jika
diperlukan aturan sebagai berikut: tidak hasilnya = “Tidak Akurat”
Jika output = “Dalamjamkerja” dan JSKS ≤ Maka diperoleh hasil akurasi sebesar
BKD dan nilai z ≤ nilai standar Atau output 64.82%,
74
\
Metode Sugeno
Semester Gasal TA 2012-
2013
35%
TIDAK AKURAT
65%
AKURAT
Metode Sugeno
Semester Genap 2012-2013
24%
TIDAK AKURAT
76%
AKURAT
Perolehan nilai untuk kedua semester yaitu diasumsikan sebagai total akurasi dari teori
mamdani dan teori sugeno, terlihat pada gambar dibawah ini.
TIDAK AKURAT
90% AKURAT
29%
TIDAK AKURAT
71% AKURAT
75
KESIMPULAN nilai akurasi metode Mamdani sebesar
Kesimpulan yang didapatkan dari 90.12%, dan metode Sugeno mempunyai
penelitian penerapan logika fuzzy dalam nilai akurasi sebesar 70.63% dengan selisih
penjadwalan waktu kuliah sebgai berikut: nilai akurasisebesar 19.60%, sehingga nilai
Pada tahapan proses desain sistem perbandingan keduanya dihasilkan bahwa
fuzzy secara umum dari metodeMamdani metode Mamdani mempunyai nilai akurasi
dan metode Sugeno mempunyai aktivitas yang lebih tinggi dibandingkan dengan nilai
yang sama, terdapat perbedaan pada tahapan akurasi yang dimiliki dengan menggunakan
bagian proses yang dilakukan, misalnya pada metode Sugeno.
proses implikasi, agregasi, dan proses Penelitian penerapan logika fuzzy
defuzzifikasinya. Metode Mamdani dapat membantu memecahkan masalah yang
menggunakan proses defuzzifikasi centroid sifatnya fuzzy atau ketidakpastian. Penelitian
dan metode Sugeno menggunakan proses ini dapat dilanjutkan dengan lebih banyak
defuzzifikasi. atribut-atribut agar nilai akurasi yang
Penelitian ini dilakukan dengan dihasilkan lebih mendekati benar juga
menggunakan dua kali proses pengujian diperlukan kumpulan data jadwal dan
yaitu data semester gasal tahun akademik pengujian yang berulang-ulang agar
2012/2013 dan data semester genap tahun diperoleh nilai akurasi yang lebih signifikan.
akademik 2012/2013, yang menghasilkan
76
\
LAMPIRAN
Fungsi keanggotaan variabel jumlah sks
77
3. Tampilan diagram Metode Mamdani
78
\
79
80
\
81