1

VOID BREAKER: PENGAMBILAN KEPUTUSAN PADA

DATA UNTUK MENGUKUR INDIKATOR KUALITAS
BELAJAR PADA MAHASISWA MENGGUNAKAN METODE
INCOMPLETE N-SOFT SETS

Muhammad Ali Rizqan1), Muhammad Aryo Pangestu2), Praditya Eka Saputra3), Rikha Syahda
Salsabilla4) , Angger Mido Dwi Andika5) ,Saman Abdurrahman6)*

Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lambung Mangkurat

*Penulis korespondensi: Saman Abdurrahman@ulm.ac.id

ABSTRAK
Pengukuran efektivitas metode belajar merupakan aspek penting dalam
pendidikan modern untuk memastikan pengalaman pembelajaran yang optimal
bagi siswa. Dalam penelitian ini, kami mengusulkan pendekatan baru
menggunakan teori himpunan soft yaitu incomplete N-soft sets untuk
pengambilan keputusan dalam mengukur indikator metode belajar yang efektif.
Data yang diperoleh dari survei daring di antara mahasiswa diidentifikasi dan
diolah menggunakan teknik pengambilan keputusan incomplete N-soft sets.
Metode pengambilan keputusan ini memungkinkan penilaian yang lebih holistik
dan toleran terhadap ketidakpastian dalam data, yang seringkali melekat dalam
konteks pendidikan. Hasil analisis menunjukkan bahwa pendekatan ini dapat
memberikan wawasan yang lebih baik tentang variabilitas dalam preferensi dan
hasil pembelajaran mahasiswa, serta membantu dalam mengidentifikasi indikator
metode belajar yang paling efektif dalam konteks tertentu.
Penemuan ini memiliki implikasi penting dalam pengembangan kebijakan
pendidikan dan praktik pengajaran, dengan memberikan landasan empiris untuk
peningkatan desain pembelajaran yang lebih disesuaikan dan efektif. Kesimpulan
dari penelitian ini menegaskan pentingnya menggunakan pendekatan yang
inovatif dan adaptif dalam pengukuran efektivitas metode belajar untuk memenuhi
kebutuhan beragam mahasiswa di era pendidikan digital.
 2

Kata-kata kunci : incomplete N-soft sets, pengambilan keputusan, metode belajar,

efektivitas pembelajaran, pendidikan modern

ABSTRACT
The measurement of learning method effectiveness constitutes a crucial aspect in
contemporary education aimed at ensuring optimal learning experiences for
students. In this investigation, we propose a novel approach employing the theory
of soft sets, specifically incomplete N-soft sets, for decision-making in assessing
indicators of effective learning methodologies. Data garnered from online surveys
among students were identified and processed utilizing decision-making
techniques based on incomplete N-soft sets.

This decision-making methodology facilitates a comprehensive evaluation and

accommodates uncertainty inherent in educational data. Analysis outcomes
suggest that this approach offers superior insights into the variability of student
preferences and learning outcomes, while aiding in the identification of the most
effective learning method indicators within specific contexts.
These findings carry significant implications for the formulation of educational
policies and pedagogical practices, furnishing empirical grounds for the
enhancement of tailored and efficacious learning designs. The conclusion of this
research underscores the significance of employing innovative and adaptive
approaches in gauging the effectiveness of learning methods to cater to the diverse
needs of students in the digital education era.

Keywords: incomplete N-soft sets, decision-making, learning methods, learning

effectiveness, modern education

Pendahuluan
Pemisahan data menggunakan indikator kejelasan tipe data terbagi menjadi dua
yaitu data pasti dan data tidak pasti. Data pasti adalah data yang dapat dinuktikan
kebenarannya. Contohnya, data pribadi penduduk seperti nama, usia, latar
 3

belakang pendidikan, dan alamat. Sedangkan, data yang tidak pasti merupakan
data yang kebenarannya masih belum teruji. Contohnya, perempuan kurus, lelaki
atletis, sementara penilaian kurus dan atletis relatif untuk setiap individu. Contoh
lain dalam pengambilan keputusan bisnis antara lain partner terpercaya, rekan
kerja penuh tanggung jawab, konsumen potensial. Meskipun data dapat bersifat
tidak tentu dalam hal nilai namun teknik dan model penyelesaian masalahnya
harus tetap runtut dan dapat dipertanggungjawabkan secara ilmiah. Diantaranya,
probabilitas, interval matematika, fuzzy sets, rough sets, vague sets, dan soft sets
serta perluasan dan kombinasi dari berbagai cabang ilmu lainnya.

Teori soft set diperkenalkan pertama kali oleh Molodtsov (1999). Selanjutnya
teori soft set terus berkembang dan mengalami berbagai perluasan pada berbagai
bidang diantaranya struktur aljabar (Mohamed, Ahmad, & Shamsuddin, 2014),
masalah pengambilan keputusan (Kong, Zhang, Wang, Wu, Qi, & Wang, 2014;
Hakim, Saari, & Herawan, 2014a- 2014b; Akram & Shahzadi, 2016; Alcantud
2016a; Atagun, Kamacı, & Oktay, 2016; Ma, Liu, & Zhan, 2016; Alcantud &
Santos-Garc´ıa, 2017; Fatimah, Rosadi, & Hakim, 2018), rules mining (Feng,
Cho, Pedrycz, Fujita, & Herawan, 2016), fuzzy soft sets dan perluasannya (Peng &
Yang, 2015a; Alcantud, 2016a-2016c), rough sets (Zhan & Zhu, 2015; Zhan, Liu,
& Zhu, 2016; Zhan, Liu, & Herawan, 2017), neutrosophic soft sets (Deli,
Eraslan, & Cagman, 2016), forecasting (Xu, Xiao, Dang, Yang, & Yang, 2014),
social choice (Fatimah, Rosadi, Hakim, & Alcantud, 2017b), dual probabilistic
soft sets (Fatimah, Rosadi, Hakim, & Alcantud, 2017a), N-Soft Sets (Fatimah,
Rosadi, Hakim, & Alcantud, 2018) dan lain-lain.

Metode belajar merupakan aspek penting dalam pengembangan pemahaman dan

keterampilan dalam berbagai bidang ilmu. Dalam konteks penelitian ini, kami
tertarik untuk mengeksplorasi berbagai teknik pembelajaran yang digunakan
dalam pendidikan matematika di tingkat Perguruan Tinggi. Kami berfokus
meneliti pada faktor pendukung dan penghambat dalam pembelajaran. Selain itu,
kami juga akan mengevaluasi efektivitas metode belajar, seperti penggunaan
perangkat lunak pembelajaran interaktif, simulasi, dan bantuan teman. Dengan
 4

memahami berbagai pendekatan pembelajaran ini, kami bertujuan untuk

memberikan wawasan yang lebih baik tentang bagaimana meningkatkan
pengalaman pembelajaran mahasiswa dan meningkatkan pencapaian akademik.
Semua target tersebut terukur dengan tenggat waktu yang telah disepakati
bersama. Oleh karena itu, sangat wajar terjadi jika ditemui data tidak lengkap
karena berbagai penyebab. Contoh data tidak lengkap dapat dilihat pada contoh-
contoh kasus di dalam tulisan ini. Lebih detailnya, tulisan ini akan membahas
penilaian N-soft set yang merupakan pemeringkatan N-nilai pada teori soft set
khususnya untuk data yang tidak lengkap.

Metode

Data didapatkan melalui survei dari angkatan 2020 sampai 2023, sampel yang
diambil sebanyak 5 orang, tempat survei dilaksanakan di Universitas Lambung
Mangkurat dengan responden mahasiswa Program studi matematika. Survei
menggunakan bantuan G-form dan dilakukan selama 1 minggu. Pertanyaan
berisikan jawaban ya atau tidak, menggunakan metode Agregasi N soft set yang
tidak lengkap dengan soft set yang lengkap didapatkan kesimpulan bahwa
mahasiswa yang paling sedikit kendalanya adalah pada mahasiswa angkatan 2020.
Artinya mahasiswa dengan kualitas terbaik ada di angkatan 2020.

Hasil dan Pembahasan

Berdasarkan hasil uji yang telah dilakukan pada Mahasiswa angkatan 2020-2023
Universitas Lambung Mangkurat, dengan himpunan semesta U =ai dimana i
menyatakan mahasiswa angkatan 2020, 2021, 2022, dan 2023. A={x j } dimana
j=1,2,3,4,5 dengan

x 1=Manajemen waktu yang susah .

x 2=Susahnya mencari sumber informasi .
x 3=Materi yang sulit dipahami.
x 4 =Motivasi belajar .
 5

x 5=Teman.
Survei dilakukan dua kali (F,A) dan (G,A) dengan menyebarkan kuisioner ke
mahasiswa angkatan 2020 sampai 2023 dengan hasil 5 suara untuk setiap
angkatan. Survei bertujuan untuk mengetaui angkatan mana yang memiliki paling
sedikit kendala. Jika ya dinyatakan 1 , tidak dinyatakan 0 dan * jika ada
pertanyaan yang tidak dijawab, menggunakan teori N-soft set, hasil yang didapat
adalah sebagai berikut
Tabel 1. Tabel untuk (F,A) dan (G,A) yang datanya tidak lengkap

(F,A) x1 x2 x3 x4 x5
2020 4 * 3 4 4
2021 5 5 0 * 4
2022 5 3 5 5 *
2023 5 1 2 4 1

(G,A) x1 x2 x3 x4 x5
2020 4 * 3 4 4
2021 4 2 3 3 4
2022 3 3 0 0 2
2023 4 4 1 1 4

Selanjutnya Setiap elemen ditambah 1 kecuali untuk 0, dan * menjadi 1.

Berdasarkan “the conjunction connective in Kleene’s 3-valued logic” didapatkan
hasil sebagai berikut
Tabel 2 Tabel untuk (F,A,5) dan (G,A,5)

(F , A , 5 ¿ x1 x2 x3 x4 x5
2020 5 1 4 5 5
2021 6 6 0 1 5
2022 6 4 6 6 1
2023 6 2 3 5 2
 6

(G,A,5) x1 x2 x3 x4 x5
2020 5 1 4 5 5
2021 5 3 4 4 5
2022 4 4 0 0 3
2023 5 5 2 2 5

Pada tabel 2 gabung kedua nilai dengan mengiris tiap elemen yang bersesuaian,
hasilnya dapat dilihat pada tabel 3
Tabel 3 Tabel (F,A,5)

( F A,A,5 x1 x2 x3 x4 x5
)

2020 5 1 4 5 5

2021 5 3 0 1 5

2022 4 4 0 0 1

2023 5 2 2 2 2

Berdasarkan data pada tabel 3, choice values maksimum ditunjukkan oleh

angkatan tahun 2020. Oleh karena itu keputusan yang diambil adalah berdasarkan
pada angkatan 2020 dengan kualitas terbaik dan sedikit kendala.
Kesimpulan
Pengambilan keputusan merupakan masalah yang selalu dan pasti ditemui oleh
setiap individu. Penilaian terhadap karakteristik objek tidak terbatas dan tidak
dapat dibatasi hanya pada dua pilihan biner yaitu iya dan tidak, hitam atau putih.
Faktanya, penilaian dalam kehidupan sehari-hari terjadi lebih kompleks. Evaluasi
yang melibatkan berhingga peringkat tergantung kebutuhan, yang umum dikenal
dengan N-array. Permasalahan pengambilan keputusan pasti didasari oleh data.
Data dapat berupa simulasi atau fakta lapangan. Data yang terhimpun dapat
lengkap atau ada bagian yang hilang.
Hasil yang didapat dari penelitian kami adalah kualitas mahasiswa terbaik ada
pada mahasiswa angkatan 2020 dengan nilai poin 20 disusul angkatan 2021
 7

sebanyak 14 poin , angkatan 2023 sebanyak 13 poin dan 2022 sebanyak 9 poin.

Ucapan Terima Kasih

Terima kasih kepada mahasiwa program studi matematika FMIPA Universitas
Lambung Mangkurat Angkatan 2020-2023 yang telah membantu kami dalam
mengisi kuisioner survey metode belajar.

Kontribusi Penulis
Penulis 1 melakukan perhitungan dan merancang penelitian , penulis dua
mengumpulkan dan mengolah data , penulis ketiga dan keempat turun kelapangan
untuk melakukan survei, penulis kelima mencari dan memperbaiki penulisan,
penulis kelima memberi saran, kritik dan arahan.

Daftar Pustaka
Estaji, A.A., Eghdami, H. and Haghdadi, T., 2020. Category of soft Lie
algebra. Soft Computing, 24(5), pp.3067-3076.
Feng, F., Jun, Y.B., Liu, X. and Li, L., 2010. An adjustable approach to
fuzzy soft set based decision making. Journal of Computational and
Applied Mathematics, 234(1), pp.10-20.
Kandemir, M.B. and Yılmaz, D., 2020. A study on compact structural soft
sets and an application method. Complex & Intelligent Systems, 6,
pp.401-409.
Maji, P.K., Biswas, R. and Roy, A.R., 2003. Soft set theory. Computers &
mathematics with applications, 45(4-5), pp.555-562.
Mamat, R., Noor, A.S.M., Herawan, T. and Deris, M.M., 2017. Cluster
Validation Analysis on Attribute Relative of Soft-Set Theory.
In Recent Advances on Soft Computing and Data Mining: The
Second International Conference on Soft Computing and Data
Mining (SCDM-2016), Bandung, Indonesia, August 18-20, 2016
Proceedings Second (pp. 3-10). Springer International Publishing.
Mathew, T.J., Sherly, E. and Alcantud, J.C.R., 2018. An adaptive soft set
based diagnostic risk prediction system. In Intelligent systems
 8

technologies and applications (pp. 149-162). Springer International

Publishing.
Melton, W., Narayanan, S.A. and Strominger, A., 2023. Deforming soft
algebras for gauge theory. Journal of High Energy Physics, 2023(3),
pp.1-14.
Molodtsov, D., 1999. Soft set theory—first results. Computers &
mathematics with applications, 37(4-5), pp.19-31.
Naeem, K. and Memiş, S., 2023. Picture fuzzy soft σ-algebra and picture
fuzzy soft measure and their applications to multi-criteria decision-
making. Granular Computing, 8(2), pp.397-410.
Palencia-Olivar, M., Bonnevay, S., Aussem, A. and Canitia, B., 2021.
Neural embedded Dirichlet processes for topic modeling.
In Modeling Decisions for Artificial Intelligence: 18th International
Conference, MDAI 2021, Umeå, Sweden, September 27–30, 2021,
Proceedings 18 (pp. 299-310). Springer International Publishing.
Qin, H., Ma, X., Herawan, T. and Zain, J.M., 2011. Data filling approach of
soft sets under incomplete information. In Intelligent Information and
Database Systems: Third International Conference, ACIIDS 2011,
Daegu, Korea, April 20-22, 2011, Proceedings, Part II 3 (pp. 302-
311). Springer Berlin Heidelberg.
Yang, Y., Tan, X. and Meng, C., 2013. The multi-fuzzy soft set and its
application in decision making. Applied Mathematical
Modelling, 37(7), pp.4915-4923.
Zahedi Khameneh, A. and Kılıçman, A., 2019. Multi-attribute decision-
making based on soft set theory: A systematic review. Soft
Computing, 23, pp.6899-6920.
 9

LAMPIRAN

Lampiran 1. Biodata Ketua dan Anggota

10
11
12
13
 14

Lampiran 2. Biodata Dosen Pendamping

 15

Lampiran 3. Kontribusi ketua, anggota, dan dosen pendamping

No Nama Posisi Bidang Kontribusi
Penulis Ilmu
1 Muhammad Ali Penulis Matematika Penulis naskah abstrak
Rizqan pertama dan pendahuluan

2 Muhammad Penulis Matematika Penulis naskah abstrak,

Aryo Pangestu Kedua pendahuluan, dan
lampiran
3 Praditya Eka Penulis Matematika Penulis naskah metode
Saputra Ketiga penelitian dan hasil
pembahasan
 16

4 Rikha Syahda Penulis Matematika Penulis naskah metode

Salsabilla Keempat penelitian dan hasil
pembahasan
5 Angger Mido Penulis Matematika Penulis naskah
Dwi Andika Kelima kesimpulan dan lampiran
6 Saman Penulis Matematika Membantu membimbing
Abdurrahman terakhir dan mengarahkan dalam
penulisan artikel ilmiah
ini
 17

Lampiran 4. Surat Pernyataan Ketua Tim Pengusul

 18

Lampiran 5. Pernyataan Sumber Tulisan PKM-AI

 19

Lampiran 6. Formulir Penilaian Artikel Ilmiah