adalah mereka yang memanfaatkan masukan visual maupun auditoris dan perlu ketekunan untuk membedakan seorang pembelajar dari yang lain, hal ini merupakan suatu faktor penting untuk instruksi di ruang kelas.
Jadi gaya pembelajaran individu sangat berbeda antara individu yang satu dengan individu yang lain. Hal ini sesuai kebiasaan, latarbelakang budaya serta sikap mereka dan kaitannya dengan pelatihan-pelatihan yang biasa mereka lakukan termasuk bagaimana individu tersebut mampu melatih otak kanan, kiri dan tengah demi keseimbangan dalam proses berpikir dan bertindak.
Untuk menentukan profil pembelajar dapat juga dilihat dari aspek kognitif. Aspek kognitif berkaitan dengan kemampuan intelektual siswa, yang bila mengacu pada taxonomi Bloom, bisa diklasifikasi menjadi enam tingkatan yaitu knowledge, (kemampuan mengingat), comprehension
(kemampuan memahami), application (kemampuan penerapan), analysis (kemampuan menganalisa),
synthesis (kemampuan menggabungkan) dan evaluation (kemampuan mengevaluasi).
Aspek afektif berkaitan dengan sikap siswa, misalnya sikap terhadap belajar, rasa percaya diri, tanggung jawab dan sejenisnya. Sedangkan aspek psikomotor berkaitan dengan ketrampilan motorik siswa, baik motorik halus, seperti kemampuan berbicara, menulis, menggambar, menggunting, maupun motorik kasar, seperti kemampuan olah raga, kemampuan menggunakan alat, kemampuan memainkan alat musik, dan sejenisnya.
3. Fuzzy
Himpunan pada fuzzy logic menggunakan tiga parameter untuk membentuk keanggotaan dalam himpunannya. Parameter-parameter yang digunakan untuk membentuk himpunan fuzzy logic (Sofwan, 2005) adalah:
a. Variabel linguistic
Variabel yang digunakan pada logika fuzzy untuk menggantikan variabel kuantitatif yang digunakan pada logika crisp. Variabel linguistik mempunyai nilai yang dinyatakan dengan kata- kata, misalnya untuk variabel linguistik „Tingkat Kesukaran‟ akan mempunyai nilai berupa nilai linguistik seperti: Mudah (L), Sedang (M), Susah (H).
b. Derajat keanggotaan
Derajat keanggotaan, yaitu nilai-nilai yang terdapat pada variabel linguistik yang dipetakan ke interval [0,1]. Nilai pemetaan inilah yang disebut sebagai nilai keanggotaan atau derajat keanggotaan.
c. Fungsi keanggotaan.
Hubungan-hubungan pemetaan pada nilai linguistik dan nilai keanggotaan (dari 0 sampai 1) yang digambarkan kedalam grafik fungsi sehingga didapatkan suatu fungsi. Fungsi inilah yang disebut sebagai fungsi keanggotaan dalam himpunan fuzzy.
3.1 Struktur Dasar Sistem Fuzzy
Didalam struktur dasar sistem pengendalian pada fuzzy logic control, terdapat empat komponen atau bagian utama yang sangat penting (Sofwan, 2005). Gambar 2.2 menunjukkan struktur dasar dari pengendali fuzzy logic control, yang terdiri dari Fuzzifikasi, Knowledge Base, Inferensi dan Defuzzifikasi.
Gambar 1. Struktur dasar fuzzy
A. Knowledge Base
Knowledge base mempunyai fungsi penting dalam pengendalian dengan logika fuzzy karena semua proses: fuzzifikasi, inferensi dan defuzzifikasi bekerja berdasarkan pengetahuan yang ada pada knowledge base. Knowledge base dibagi dua, yaitu data base dan rule base. Data Base berisi definisi-definisi penting mengenai parameter fuzzy seperti himpunan fuzzy dengan fungsi keanggotaannya yang telah didefinisikan untuk setiap variabel linguistik yang ada. Pembentukkan data base meliputi pendefinisian ruang semesta, penentuan banyaknya nilai linguistik yang digunakan untuk setiap variabel linguistik, dan membentuk fungsi keanggotaan. Basis rule berisi aturan kendali fuzzy yang dijalankan untuk mencapai tujuan pengendalian. Tiap rule kendali berupa implikasi dan pernyataan kondisional IF – THEN.
Aturan-aturan IF – THEN yang ada dikelompokkan dan disusun kedalam bentuk Fuzzy
Associative Memory (FAM). FAM ini berupa suatu matriks yang menyatakan masukan dan keluaran sesuai dengan aturan IF – THEN pada basis aturan yang ada. Aturan yang telah dibuat harus dapat mengatasi semua kombinasi-kombinasi masukan yang mungkin terjadi. Oleh karena itu, maka pembentukkan basis aturan ini sangat penting (Sofwan, 2005).
B-93
B. InferensiInferensi adalah proses transformasi dari suatu masukan dalam domain fuzzy ke suatu keluaran dalam domain fuzzy. Proses transformasi pada bagian inferensi membutuhkan aturan–aturan fuzzy yang terdapat didalam basis-basis aturan. Blok inferensi mengunakan teknik penalaran untuk menyeleksi basis-basis aturan dari blok knowledge base (Sofwan, 2005). Salah satu teknik penalaran yang banyak digunakan adalah teknik penalaran
MAX – MIN yang berfungsi sebagai logika pengambil keputusan.
C. Defuzzifikasi
Defuzzifikasi adalah langkah terakhir dalam suatu sistem logika fuzzy yang bertujuan mengonversi setiap hasil dari inference engine yang diekspresikan dalam bentuk fuzzy set ke suatu bilangan real. Masukan dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan keluaran yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Secara umum, defuzzifikasi juga merupakan proses pemetaan dari hasil aksi kontrol inferensi fuzzy ke aksi kontrol non fuzzy. Ada beberapa metoda yang dipakai dalam defuzzifikasi:
a. Metode Centroid.
Pada metode ini penetapan nilai crisp dengan cara mengambil titik pusat daerah fuzzy. b. Metode Bisektor.
Pada metode ini , solusi crisp diperoleh dengan cara mengambil nilai pada domain fuzzy yang memiliki nilai keanggotaan seperti dari jumlah total nilai keanggotaan pada daerah fuzzy.
c. Metode Means of Maximum (MOM).
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai rata-rata domain yang memiliki niali keanggotaan maksimum.
d. Metode Largest of Maximum (LOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terbesar dari domain yang memiliki niali keanggotaan maksimum.
e. Metode Smallest of Maksimum (SOM). Solusi crisp diperoleh dengan cara mengambil nilai terkecil dari domain yang memiliki nilai keanggotaan maksimum (Widodo,T.S, 2005).
Dalam proses defuzzifikasi metoda yang umum digunakan adalah metode centroid atau yang biasa dikenal Center or Area (COA) dan Mean of Maximum (MOM).
4. Perancangan Sistem
4.1 Soal Pada Permainan Matematika Pada penelitian kali ini, soal yang menjadi masukan berasal dari permainan matematika yang sudah ada. Berdasarkan tingkat kesulitan dan
taksonomi bloom soal dibedakan menjadi sembilan jenis.
4.2 Perencanaan Sistem
Dalam perencanaan sistem ini, dibuat diagram perencanaan sistem untuk menjelaskan sistem kerja yang akan dilakukan.
Gambar 2. Blok diagram perencanaan sistem Gambar 2 menjelaskan bahwa sistem akan dimulai dari Permainan matematika. Pada permainan ini, ada sembilan soal yang harus dijawab tiap pembelajar. Hasil jawaban beserta waktunya akan disimpan untuk menentukan profil pembelajar. User melakukan beberapa kali pengujian sehingga didapatkan pula hasil profil pembelajar yang telah diolah dengan metode fuzzy.
Gambar 3. Masukan, Proses dan Keluaran
Pengolahan Data
Gambar 3 menunjukkan ada dua masukan yang dapat dijadikan bahan pengolahan untuk kemudian dikeluarkan. Sebelum data diolah dengan menggunakan metode fuzzy, berikut tabel jenis soal yang akan menjadi masukan dari sistem sebagai keluaran. Permainan Matematika Jawaban soal Proses Analisa Jawaban Hasil Akhir Profil Pembelajar Skor Waktu Klasifikasi dengan Metode fuzzy Visual atau Verbal