ANALISIS PENGEMBANGAN MODEL TINGKAT
KEBERHASILAN DOSEN MENGAJAR
DENGAN MENGGUNAKAN FUZZY
DATABASE TAHANI
TESIS
Oleh
SUNDARI RETNO ANDANI 097038010/TIF
PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA MEDAN
ANALISIS PENGEMBANGAN MODEL TINGKAT
KEBERHASILAN DOSEN MENGAJAR
DENGAN MENGGUNAKAN FUZZY
DATABASE TAHANI
TESIS
Diajukan sebagai salah satu syarat untuk memperoleh gelar
Magister Komputer dalam Program Studi Magister
Teknik Informatika pada Program Pascasarjana
Fakultas MIPA Universitas Sumatera Utara
Oleh
SUNDARI RETNO ANDANI 097038010/TIF
PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA MEDAN
PENGESAHAN TESIS
Judul Tesis : ANALISIS PENGEMBANGAN MODEL
TINGKAT KEBERHASILAN DOSEN MENGAJAR DENGAN
MENGGUNAKAN FUZZY DATABASE TAHANI
Nama Mahasiswa : SUNDARI RETNO ANDANI
Nomor Induk Mahasiswa : 09 70 38 010
Program Studi : Magister Teknik Informatika
Fakultas : Matematika dan Ilmu Pengetahuan Alam
Universitas Sumatera Utara
Menyetujui Komisi Pembimbing
Ade Candra, S.T, M.Kom
Anggota Ketua
Prof. Dr. Muhammad Zarlis
Ketua Program Studi, Dekan,
Prof. Dr. Muhammad Zarlis Dr. Sutarman, M.Sc NIP : 195707011986011003 NIP : 196310261991031001
PERNYATAAN ORISINALITAS
ANALISIS PENGEMBANGAN MODEL TINGKAT
KEBERHASILAN DOSEN MENGAJAR
DENGAN MENGGUNAKAN FUZZY
DATABASE TAHANI
TESIS
Dengan ini saya nyatakan bahwa saya mengakui semua karya tesis/disertasi ini adalah hasil kerja saya sendiri kecuali kutipan dan ringkasan yang tiap satunya telah dijelaskan sumbernya dengan benar.
Medan, 8 Juli 2011
PERNYATAAN PERSETUJUAN PUBLIKASI
KARYA ILMIAH UNTUK KEPENTINGAN
AKADEMIS
Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan di bawah ini:
Nama : Sundari Retno Andani
NIM : 097038010
Program Studi : Magister Teknik Informatika Jenis Karya Ilmiah : Tesis
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty free Right) atas Tesis saya yang berjudul:
Analisis Pengembangan Model Tingkat Keberhasilan Dosen Mengajar Dengan Menggunakan Fuzzy Database Tahani.
Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non-Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk dat_base, merawat dan mempublikasikan Tesis/Disertai saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan atau sebagai pemilik hak cipta.
Demikian pernyataan ini dibuat dengan sebenarnya.
Medan, 8 Juli 2011
Telah diuji pada Tanggal : 15 Juli 2011
PANITIA PENGUJI TESIS
Ketua : Prof. Dr. Muhammad Zarlis Anggota : 1. Prof. Dr. Herman Mawengkang
RIWAYAT HIDUP
DATA PRIBADI
Nama Lengkap Berikut Gelar : Sundari Retno Andani, S.T
Tempat dan Tanggal Lahir : Pematangsiantar, 29 September 1985
Alamat Rumah : Jl. Batalion No. 1 Pematangsiantar 21139
Telepon/Faks/HP : +6262221912 / +6287868780902
e-mail :
Instansi Tempat Bekerja : AMIK Tunas Bangsa Pematangsiantar
Alamat Kantor : Jl. Jend. Sudirman No. 2A Pematangsiantar
Telepon/Faks/HP : +6262222431
DATA PENDIDIKAN
SD : Taman Siswa Pematangsiantar Tamat : 1997
SMP : SMP Negeri 2 Pematangsiantar Tamat : 2000
SMA : SMA Negeri 2 Pematangsiantar Tamat : 2003
KATA PENGANTAR
Assalamu’alaikum Wr. Wb.
Pertama-tama penulis panjatkan syukur Alhamdulillah kepada Allah SWT, berkat rahmat dan kemurahanNya penulis dapat menyelesaikan tesis ini dengan judul analisis pengembangan model tingkat keberhasilan dosen mengajar dengan menggunakan fuzzydatabase tahani.
Laporan tesis ini disusun dan diajukan untuk memenuhi persyaratan dalam memperoleh gelar magister pada Program Pascasarjana FMIPA Universitas Sumatera Utara.
Dalam penyelesaian tesis beserta penyusunan laporannya dapat berjalan dengan lancar, tidak lepas dari dukungan berbagai pihak. Oleh karena itu, penulis mengucapkan banyak terima kasih kepada:
1. Allah SWT yang senantiasa memberikan kemudahan dan kekuatan kepada penulis dalam memahami dan mengamalkan ilmu-ilmu yang didapatkan selama ini.
2. Bapak Prof. Dr. dr. Syahril Pasaribu, DTM&H, M.Sc (CTM), Sp. A(K) selaku Rektor Universitas Sumatera Utara, atas kesempatan yang diberikan kepada penulis untuk mengikuti dan menyelesaikan pendidikan Program Magister.
3. Bapak Dr.Sutarman, M.Sc selaku Dekan Fakultas MIPA Universitas Sumatera Utara, atas kesempatan yang diberikan kepada penulis untuk mengikuti dan menyelesaikan pendidikan Program Magister pada Program Pascasarjana FMIPA Universitas Sumatera Utara.
4. Bapak Prof. Dr. Muhammad Zarlis selaku Ketua Program Studi Magister Teknik Informatika dan selaku dosen pembimbing utama yang dengan penuh perhatian telah memberikan saran, kritik, dorongan, bimbingan dan motivasi kepada penulis.
5. Bapak Muhammad Andri Budiman, S.T, M. Comp. Sc, M.EM selaku Sekretaris Program Studi Magister Teknik Informatika.
6. Bapak Ade Chandra, S.T, M.Kom selaku pembimbing anggota yang dengan penuh kesabaran menuntun dan membimbing penulis hingga selesainya penelitian ini.
7. Seluruh dosen serta civitas akademika pada Program Studi Magister Teknik Informatika Program Pascasarjana Fakultas MIPA Universitas Sumatera Utara, yang telah memberikan bekal ilmu dan pengetahuan selama penulis mengikuti kuliah di Universitas Sumatera Utara.
8. Kepada teman-teman seperjuangan angkatan I pada Program Studi Magister Teknik Informatika Program Pascasarjana Fakultas MIPA Universitas Sumatera Utara yang selalu memberikan dukungan, saran, motivasi dan kritik kepada penulis.
materil, budi baik ini tidak dapat dibalas hanya diserahkan kepada Allah SWT, Tuhan Yang maha Esa.
10.Semua pihak yang tidak dapat disebutkan satu-persatu, yang telah berperan serta dalam penelitian tesis ini dan dalam pembuatan laporan tesis ini.
Penulis menyadari bahwa penulisan laporan tesis ini masih jauh dari kesempurnaan baik dari segi materi yang dibahas maupun dari penulisannya. Untuk itu saran dan kritik yang bersifat membangun sangat penulis harapkan.
Akhir kata penulis berharap semoga tesis beserta laporannya ini membawa manfaat dan faedah bagi pembaca dan pihak-pihak yang berkepentingan, serta buat penulis sendiri sebagai dharma bakti penulis kepada almamater.
Wassalamualaikum.Wr.Wb.
ANALISIS PENGEMBANGAN MODEL TINGKAT
KEBERHASILAN DOSEN MENGAJAR
DENGAN MENGGUNAKAN FUZZY
DATABASE TAHANI
ABSTRAK
Pada penelitian ini, dibangun sebuah sistem fuzzy database yang bertujuan untuk melakukan manipulasi data-data keberhasilan dosen mengajar yang bersifat ambigu. Model fuzzy database tahani digunakan untuk keperluan tersebut. Variabel yang digunakan adalah nilai mahasiswa dan nilai kuesioner. Nilai mahasiswa dan nilai kuesioner diberikan secara linguistik, yaitu buruk sekali, buruk, cukup, baik dan baik sekali. Bentuk linguistik direpresentasikan dengan menggunakan himpunan fuzzy
dengan kurva bahu dan kurva segitiga. Dari himpunan fuzzy variabel nilai mahasiswa dan nilai kuesioner, ditentukan fungsi keanggotaan dari kedua variabel. Dari kedua variabel, dihasilkan dua puluh lima aturan (rule) yang merupakan output dari sistem
fuzzy database ini. Dengan adanya sistem fuzzy database ini, dapat dihasilkan informasi keberhasilan dosen mengajar yang lebih akurat dibandingkan dengan menggunakan model database biasa.
KataKunci : Fuzzy Database, Fuzzy Query, Tahani, Basisdata Fuzzy,
Himpunan Fuzzy.
ANALYSIS OF MODEL IMPROVEMENT FOR
THE ACCOMPLISHMENT OF A LECTURER
USING FUZZY DATABASE TAHANI
ABSTRACT
In this research, fuzzy database is constructed in order to manipulate ambiguous data of a lecturer’s classroom accomplishment and for this purpose, fuzzy database model is used. The variables used are the score of the student and the score of the questionnaires. Both the scores linguistically granted are very poor, poor, sufficient, good and very good (excellent). The linguistics model is represented by using set of fuzzy with shoulder curve and triangle curve. The membership function of the two variables is determined from the set of fuzzy variables student scores and questionnaire scores. And from the two variables, twenty five rules as an output of this fuzzy database system is obtained. With the availability of this fuzzy database, a more accurate information about the lecturer’s classroom accomplishment is detected, rather than using a regular database model.
DAFTAR ISI
2.1.1. Alasan Digunakannya Logika Fuzzy 9
2.1.2. Himpunan Fuzzy 10
2.1.3. Fungsi Keanggotaan 14
2.1.4. Operator Dasar Zadeh Untuk Operasi
3.4 Pelaksanaan Penelitian 33
3.4.1. Pengumpulan Data 33
3.4.2. Analisa Data 33
3.5 Instrumen Penelitian 34
3.5.1. Borland Delphi 6.0 34
3.5.2. SQL Server 2000 34
3.5.3. Microsoft Visio 2003 35
3.6 Perancangan Algoritma Analisis Tingkat
Keberhasilan Dosen Mengajar 35
BAB IV HASIL DAN PEMBAHASAN 44
4.1 Pendahuluan 44
4.2 Analisis Tingkat Keberhasilan Dosen Mengajar
Dengan Model Database Standar 44
4.3 Analisis Pengembangan Model Tingkat
Keberhasilan Dosen Mengajar Dengan
Menggunakan Fuzzy Database Tahani 45
4.3.1 Himpunan Fuzzy 46
4.3.2 Fungsi Keanggotaan 48
4.3.3 Aturan (Rule) 51
4.3.4 Perancangan Database Fuzzy Tahani 51 4.3.5 Implementasi Database Fuzzy Tahani
Dengan Membangun Aplikasi 54
BAB V KESIMPULAN DAN SARAN 57
5.1. Kesimpulan 57
5.2 Saran 58
DAFTAR KEPUSTAKAAN 59
DAFTAR TABEL
Nomor Judul Halaman
Tabel
2.1 Data Karyawan berdasarkan umur 23
4.1 Tabel nilaiKeberhasilan 45
4.2 Aturan dari variabel kemampuan dosen dan
nilai siswa 51
4.3 Tabel kepDosen 52
DAFTAR GAMBAR
Nomor Judul Halaman
Gambar
2.1 Himpunan Fuzzy untuk Variabel Umur 11 2.2 Himpunan Fuzzy pada Variabel Temperatur 13
2.3 Representasi linear naik 15
2.4 Representasi linear turun 15
2.5 Representasi kurva segitiga 16
2.6 Himpunan fuzzy dengan kurva-S : Pertumbuhan 17 2.7 Himpunan fuzzy dengan kurva-S : Penyusutan 17
2.8 Representasi kurva trapesium 18
2.9 Pengolahan data menjadi informasi 20
3.1 Algoritma Analisa Tingkat Keberhasilan Dosen
Mengajar 43
4.1 Himpunan Fuzzy pada Variabel Kemampuan
Dosen 46
4.2 Himpunan Fuzzy pada Variabel Nilai Mahasiswa 47 4.3 Halaman untuk menentukan fire strength
dari nilai kelulusan mahasiswa 54
4.4 Halaman untuk menentukan fire strength dari nilai
kuesioner dosen 55
4.5 Halaman untuk menentukan Fire strength
ANALISIS PENGEMBANGAN MODEL TINGKAT
KEBERHASILAN DOSEN MENGAJAR
DENGAN MENGGUNAKAN FUZZY
DATABASE TAHANI
ABSTRAK
Pada penelitian ini, dibangun sebuah sistem fuzzy database yang bertujuan untuk melakukan manipulasi data-data keberhasilan dosen mengajar yang bersifat ambigu. Model fuzzy database tahani digunakan untuk keperluan tersebut. Variabel yang digunakan adalah nilai mahasiswa dan nilai kuesioner. Nilai mahasiswa dan nilai kuesioner diberikan secara linguistik, yaitu buruk sekali, buruk, cukup, baik dan baik sekali. Bentuk linguistik direpresentasikan dengan menggunakan himpunan fuzzy
dengan kurva bahu dan kurva segitiga. Dari himpunan fuzzy variabel nilai mahasiswa dan nilai kuesioner, ditentukan fungsi keanggotaan dari kedua variabel. Dari kedua variabel, dihasilkan dua puluh lima aturan (rule) yang merupakan output dari sistem
fuzzy database ini. Dengan adanya sistem fuzzy database ini, dapat dihasilkan informasi keberhasilan dosen mengajar yang lebih akurat dibandingkan dengan menggunakan model database biasa.
KataKunci : Fuzzy Database, Fuzzy Query, Tahani, Basisdata Fuzzy,
Himpunan Fuzzy.
ANALYSIS OF MODEL IMPROVEMENT FOR
THE ACCOMPLISHMENT OF A LECTURER
USING FUZZY DATABASE TAHANI
ABSTRACT
In this research, fuzzy database is constructed in order to manipulate ambiguous data of a lecturer’s classroom accomplishment and for this purpose, fuzzy database model is used. The variables used are the score of the student and the score of the questionnaires. Both the scores linguistically granted are very poor, poor, sufficient, good and very good (excellent). The linguistics model is represented by using set of fuzzy with shoulder curve and triangle curve. The membership function of the two variables is determined from the set of fuzzy variables student scores and questionnaire scores. And from the two variables, twenty five rules as an output of this fuzzy database system is obtained. With the availability of this fuzzy database, a more accurate information about the lecturer’s classroom accomplishment is detected, rather than using a regular database model.
BAB I
PENDAHULUAN
1.1 Latar Belakang
Logika fuzzy merupakan salah satu komponen pembentuk soft computing. Logika
fuzzy pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun 1965. Dasar logika fuzzy adalah teori himpunan fuzzy. Pada teori himpunan fuzzy, peranan derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan sangatlah
penting. Nilai keanggotaan atau derajat keanggotaan atau membership function
menjadi ciri utama dari penalaran dengan logika fuzzy tersebut (Kusumadewi, 2010). Logika fuzzy merupakan konsep dasar dari sistem fuzzy yang dapat digunakan untuk melakukan perhitungan terhadap suatu variabel input berdasarkan nilai
kesamarannya. Dalam teori himpunan samar, samar dinyatakan dalam derajat
keanggotaan dan derajat dari kebenaran, sehingga sesuatu dapat dikatakan sebagian
benar dan sebagian salah dalam waktu yang bersamaan (Kusumadewi, 2004).
Database adalah kumpulan data, umumnya mendeskripsikan aktivitas satu
organisasi yang berhubungan atau lebih (Ramakrishnan & Gehrke, 2004). Sistem
database merupakan lingkup yang lebih luas daripada database. Sistem database
memuat sekumpulan database dalam suatu sistem yang mungkin tidak ada hubungan
satu sama lain, tetapi secara keseluruhan mempunyai hubungan sebagai sebuah
sistem dengan didukung oleh komponen lainnya (Sutanta, 2004).
Dalam logika fuzzy ada beberapa model database, salah satunya adalah fuzzy
database model tahani. Fuzzy database model tahani masih tetap menggunakan relasi standar, hanya saja model ini menggunakan teori himpunan fuzzy untuk mendapatkan informasi pada query-nya. Sebagai contoh model tahani dapat diterapkan terhadap analisis keberhasilan dosen mengajar, dimana database yang digunakan meliputi data
nilai mahasiswa dan data nilai kuesioner yang terdiri dari tiga komponen penilaian,
yaittu motivasi, perencanaan perkuliahan dan pelaksanaan perkuliahan.
Menurut keputusan menteri pendidikan yang tertuang dalam Kepmendiknas
merupakan kegiatan dan kemajuan belajar mahasiswa yang dilakukan berdasarkan
penilaian secara berkala yang dapat berbentuk ujian, pelaksanaan tugas, dan
pengamatan oleh dosen. Ujian dapat diselenggarakan melalui ujian tengah semester,
ujian akhir semester, ujian akhir program studi, ujian skripsi, ujian tesis, dan ujian
disertasi. Penilaian hasil belajar dinyatakan dengan huruf A, B, C, D, dan E yang
masing masing bernilai 4, 3, 2, 1, dan 0.
Dalam beberapa penelitian yang telah dilakukan oleh peneliti terdahulu, yang
dituliskan dalam karya ilmiah dan jurnal yang berhubungan dengan penelitian
penulis adalah : Anggraeni, R., Indarto, W. and Kusumadewi, S. (2004) dalam
jurnalnya yang berjudul sistem pencarian kriteria kelulusan menggunakan metode
fuzzy tahani, bahwa l
Sundani, D. (2008) dalam jurnalnya yang berjudul perangkat lunak SPSS
sebagai alat untuk analisa hubungan kinerja dosen dengan keberhasilan belajar,
bahwa untuk organisasi pendidikan, sumber daya manusia terkait dengan tenaga
edukatif (dosen) dan tenaga non edukatif. Salah satu tujuan organisasi pendidikan
adalah tercapainya keberhasilan belajar mengajar. Keberhasilan belajar secara tidak
langsung dipengaruhi oleh kinerja dosen. Penelitian tersebut dilakukan untuk melihat
hubungan faktor-faktor dalam kinerja dosen terhadap keberhasilan mengajar dan
besarnya hubungan tersebut. Indikator keberhasilan belajar diukur dari nilai
mahasiswa.
ulusan sebagai output akhir dari sebuah perguruan tinggi,
biasanya diberi predikat kelulusan. Dasar pemberian predikat kelulusan adalah
indeks prestasi kumulatif (IPK). Selain IPK (standar 4 dengan syarat lulus IPK
minimal 2.00), masih ada beberapa variabel dari lulusan yang digunakan sebagai
dasar pencarian kriteria kelulusan mahasiswa, yaitu lama studi (tahun), umur (tahun),
lama penyelesaian tugas akhir (bulan), nilai tugas akhir, nilai kerja praktek, nilai
BTAQ dan skor TOEFL. Variabel-variabel ini bersifat ambigu, sehingga
digunakanlah fuzzy database model tahani.
Akhmad Fauzi Hasibuan (2010) dalam skripsinya yang berjudul penggunaan
fuzzy database dalam rekomendasi pembelian perumahan berbasis sistem pendukung
dapat memenuhi kebutuhan para konsumen pembeli perumahan, yang mana
konsumen selaku pembeli perumahan umumnya selalu memiliki pertimbangan dan
faktor-faktor sebelum mengambil suatu keputusan, sebagai contoh harga, luas tanah,
fasilitas-fasilitas atau fitur-fitur yang ada di perumahan tersebut dan faktor-faktor
lainnya. Kesamaran dari pertimbangan faktor-faktor konsumen pembeli perumahan
tersebut dapat dituangkan ke dalam konsep logika fuzzy. Fuzzy database dapat digunakan untuk menyampaikan informasi dari data yang bersifat ambigu. Fuzzy
database yang digunakan adalah fuzzy database model tahani.
Dewi Novia Nursa (2010) dalam skripsinya yang berjudul implementasi
pangkalan data fuzzy model tahani pada perekomendasian pembelian mobil, bahwa pada pembelian sebuah mobil, seringkali konsumen hanya memberikan kriteria atau
spesifikasi yang bersifat tidak jelas dan tidak pasti untuk produk yang akan dipilih.
Pembeli mensyaratkan kriteria mobil seperti harga yang murah, ukuran mobil yang
sedang, kapasitas yang besar dan lainnya. Ukuran merah, sedang dan besar
merupakan data-data yang bersifat kualitatif karena diungkapkan dalam bentuk
kalimat serta uraian yang tidak terukur dengan angka pasti. Dalam hal ini, ketiganya
disebut sebagai input fuzzy. Oleh karena hal tersebut, maka digunakan fuzzy model tahani pada perekomendasian pembelian mobil.
Kusumadewi, S. (2004) dalam jurnalnya yang berjudul fuzzy quantification theory I untuk analisis hubungan antara penilaian kinerja dosen oleh mahasiswa, kehadiran dosen, dan nilai kelulusan mahasiswa, bahwa bahwa fuzzzy quantification theory I adalah suatu metode untuk menentukan hubungan antar variabel kualitatif yang diberikan dengan nilai antara 0 sampai 1, dengan variabel-variabel numeris
dalam fuzzy group yang diberikan pada sampel. Pada penelitian tersebut, fuzzy quantification theory akan digunakan untuk menentukan seberapa besar faktor-faktor kualitatif penilaian mahasiswa terhadap kinerja dosen jurusan Teknik Informatika
Universitas Islam Indonesia, mempengaruhi hubungan antara kehadiran dosen dan
nilai akhir mahasiswa. Hasil penelitian menunjukkan bahwa faktor kemampuan
dosen mendorong mahasiswa untuk berperan aktif, memiliki pengaruh yang paling
kehadiran dosen mengajar dengan nilai kelulusan mahasiswa ≥ ‘B’. Pengaruh ini
akan sangat kuat apabila kehadiran dosen mengajar lebih dari sepuluh kali.
Kusumadewi, S. (2007) dalam makalahnya yang berjudul basisdata fuzzy
untuk pemilihan bahan pangan berdasarkan kandungan nutrien, menjelaskan bahwa
tujuan penelitian ini untuk melakukan manipulasi data-data bahan pangan yang
bersifat ambigu terkait dengan kandungan nutrisinya dalam nutrien tertentu.
Besarnya nilai kandungan nutrisi diberikan secara linguistik. Bentuk linguistik
direpresentasikan dengan menggunakan himpunan fuzzy linier turunm linier naik dan segitiga. Proses pencarian didasarkan pada konsep basisdata fuzzy model tahani, dengan menggunakan pendekatan query fuzzy.
Mardia (2010) dalam skripsinya yang berjudul sistem pendukung keputusan
menggunakan basisdata fuzzy model tahani untuk membantu pemilihan telepon
seluler mengimplementasikan konsep logika fuzzy model tahani ke dalam database, dengan fungsi keanggotaan yang ditunjukkan melalui kurva yang menggambarkan
pemetaan titik-titik input data ke dalam nilai keanggotaannya (derajat keanggotaan)
yang memiliki ihterval antara 0 sampai 1.
Eliyani, Pujianto, U. and Rosyadi, D. (2009) menjelaskan dalam makalahnya
yang berjudul Decision Support system untuk Pembelian Mobil Menggunakan Fuzzy Database Model Tahani, bahwa dengan menggunakan database standar, seseorang dapat menangani data-data yang besifat pasti, deterministik dan presisi. Namun
seringkali dibutuhkan adanya penanganan pada data-data yang bersifat samar pada
sistem database. Maka untuk mengatasi masalah tersebut dapat digunakan konsep
konsep logika fuzzy. Penelitian ini mengimplementasikan konsep logika fuzzy model tahani ke dalam database atau biasa disebut fuzzy database model tahani. Artinya sistem database yang menerapkan konsep fuzzy model tahani sehingga dapat menangani data-data yang bernilai fuzzy.
Hafsah, Kaswidjanti, W. and Cili, T. R. (2010) menjelaskan dalam
makalahnya yang berjudul aplikasi berbasis web pemilihan obyek pariwisata di
Yogyakarta menggunakan metode tahani, bahwa setiap obyek wisata memiliki
kelebihan dan kekurangan yang menjadi dasar pertimbangan oleh setiap wisatawan
dengan dana, jarak, waktu berkunjung yang diinginkan. Pada aplikasi ini
menggunakan tiga variabel fuzzy, yaitu variabel dana, variabel jarak dan variabel waktu berkunjung. Dengan adanya sistem ini diharapkan dapat mempermudah para
calon wisatawan dalam memilih obyek wisata menarik, strategis, nyaman atau aman
untuk dikunjungi oleh calon wisatawan.
Sistem yang lama pada Akademi Manajemen Informatika dan Komputer
(AMIK) Tunas Bangsa Pematangsiantar dalam menentukan tingkat keberhasilan
dosen mengajar masih menggunakan sistem database yang digunakan selama ini.
Sistem database ini hanya mampu menangani data yang bersifat pasti (crisp). Demikian pula pada proses query, data yang diberikan hanya mampu menangani kondisi yang bersifat pasti, padahal dalam kondisi yang nyata, sering dihadapkan
pada kondisi dimana data mengandung nilai yang samar, ketidakpastian atau ambigu,
sehingga penggunaan database biasa menjadi sulit untuk dilakukan. Variabel yang
digunakan pada sistem yang lama adalah nilai mahasiswa. Sehingga tingkat
keberhasilan dosen mengajar yang dihasilkan bisa menjadi kurang tepat.
Pada penelitian tesis ini dianalisis tingkat keberhasilan dosen mengajar
dengan menggunakan fuzzy database tahani. Selain nilai mahasiswa, variabel lain yang digunakan pada penelitian ini adalah variabel nilai kuesioner. Penilaian
kuesioner terdiri dari tiga komponen, yaitu motivasi dosen, persiapan perkuliahan
dan pelaksanaan perkuliahan. Kuesioner tersebut diisi oleh mahasiswa yang diampu
oleh dosen yang bersangkutan. Dengan menggunakan fuzzy database model tahani, data yang bersifat ambigu atau samar dapat diperoleh informasi dari query-nya. Dengan digunakannya fuzzy database tahani dalam menganalisa tingkat keberhasilan dosen mengajar, diharapkan akan memberikan informasi tingkat keberhasilan dosen
mengajar yang lebih tepat. Dengan mengetahui tingkat keberhasilan dosen mengajar,
maka seorang dosen dapat meningkatkan kualitas mengajar sehingga dapat
meningkatkan kemampuan dan kualitas mahasiswa yang berdampak meningkatnya
nilai akademik mahasiswa.
Berdasarkan latar belakang di atas, maka penulis melakukan analisis
pengembangan model tingkat keberhasilan dosen mengajar dengan menggunakan
Pematangsiantar. Penelitian ini diharapkan dapat memberikan kontribusi bagi ilmu
pengetahuan, khususnya bidang ilmu komputer, yaitu pengembangan model fuzzy
database tahani dari model yang sudah ada sebelumnya dalam menentukan tingkat
keberhasilan dosen mengajar dan memperkaya literature dan referensi tentang fuzzy
database tahani, serta memberikan kontribusi bagi AMIK Tunas Bangsa
Pematangsiantar dalam meningkatkan kualitas dosen, sehingga nantinya berdampak
bagi kualitas mahasiswa.
1.2. Perumusan masalah
Adapun rumusan masalah dari penelitian ini adalah bagaimana membuat model
analisis tingkat keberhasilan dosen mengajar dengan fuzzy database tahani sehingga informasi tingkat keberhasilan dosen mengajar yang dihasilkan menjadi lebih tepat.
1.3. Batasan Masalah
Rumusan masalah diatas, dibatasi dengan beberapa hal sebagai berikut :
(1) Model fuzzy database yang digunakan adalah fuzzy database tahani.
(2) Data yang digunakan untuk melakukan analisis tingkat keberhasilan dosen
mengajar adalah data nilai akademik mahasiswa AMIK Tunas Bangsa
program studi Manajemen Informatika dan kuesioner dosen yang terdiri dari
tiga penilaian, yaitu motivasi dosen, persiapan perkuliahan dan pelaksanaan
perkuliahan.
(3) Untuk membangun aplikasi perhitungan tingkat keberhasilan mengajar
dosen, penulis menggunakan aplikasi Borland Delphi 7.0 dan DBMS SQL
Server 2000.
1.4. Tujuan Penelitian
Tujuan yang ingin dicapai pada penelitian tesis ini yaitu :
(1) Melakukan analisis tingkat keberhasilan dosen mengajar dengan
menggunakan fuzzy database tahani.
1.5. Manfaat Penelitian
Manfaat dari penelitian ini adalah sebagai berikut:
(1) Membantu mendapatkan informasi tentang tingkat keberhasilan dosen
mengajar. Dimana informasi ini sangat diperlukan oleh AMIK Tunas Bangsa
untuk mengevaluasi kinerja dosen setiap semester.
(2) Hasil penelitian ini di harapkan dapat memberikan informasi dan masukan
kepada AMIK Tunas Bangsa sebagai dasar untuk meningkatkan kualitas
dosen, sehingga nantinya berdampak bagi kualitas mahasiswa.
(3) Memperkaya literature dan referensi tentang fuzzy database tahani.
(4) Memberikan konstribusi bagi ilmu pengetahuan khususnya pada bidang ilmu
komputer yaitu pengembangan model fuzzy database tahani dari model yang sudah ada sebelumnya dalam menentukan tingkat keberhasilan dosen
mengajar, serta memberikan kontribusi bagi AMIK Tunas Bangsa
Pematangsiantar dalam meningkatkan kualitas dosen, sehingga nantinya
berdampak bagi kualitas mahasiswa..
1.6.Hipotesis
Hipotesis pertama adalah model yang digunakan diambil dari data nilai mahasiswa
dan masih menggunakan sistem database biasa.
Hipotesis 1: Nilai mahasiswa kurang tepat untuk dijadikan tolak ukur dari keberhasilan dosen mengajar di Akademi Manajemen Informatika
Komputer ( AMIK ) Tunas Bangsa Pematangsiantar.
Hipotesis kedua adalah model yang digunakan diambil dari data nilai
mahasiswa dan nilai kuesioner dan diolah dengan fuzzy database tahani.
Hipotesis 2: Nilai kuesioner berisi penilaian mahasiswa terhadap dosen. Nilai kuesioner ini sangat berhubungan erat dengan peningkatan
pemahaman mahasiswa yang memacu meningkatnya nilai mahasiswa.
Sehingga dapat disimpulkan, bahwa data nilai mahasiswa dan data
kuesioner dapat dijadikan tolak ukur untuk menentukan tingkat
BAB II
TINJAUAN PUSTAKA
2.1. Logika Fuzzy
Logika fuzzy merupakan salah satu komponen pembentuk soft computing. Logika
fuzzy pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun 1965. Dasar logika fuzzy adalah teori himpunan fuzzy. Pada teori himpunan fuzzy, peranan derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan sangatlah
penting. Nilai keanggotaan atau derajat keanggotaan atau membership function
menjadi ciri utama dari penalaran dengan logika fuzzy tersebut (Kusumadewi, 2010). Logika fuzzy dapat dianggap sebagai kotak hitam yang menghubungkan antara ruang input menuju ruang output (Gelley, 2000, dari Kusumadewi, 2010). Kotak hitam tersebut berisi cara atau metode yang dapat digunakan untuk mengolah
data input menjadi output dalam bentuk informasi yang baik.
2.1.1. Alasan Digunakannya Logika Fuzzy
Ada beberapa alasan digunakannya logika fuzzy :
(1) Konsep logika fuzzy mudah dimengerti. Karena logika fuzzy
menggunakan dasar teori himpunan, maka konsep matematis yang
mendasari penalaran fuzzy tersebut cukup mudah untuk dimengerti.
(2) Logika fuzzy sangat fleksibel, artinya mampu beradaptasi dengan perubahan-perubahan, dan ketidakpastian yang menyertai permasalahan.
(3) Logika fuzzy memiliki toleransi terhadap data yang tidak tepat. Jika diberikan sekelompok data yang cukup homogen, dan kemudian ada
beberapa data yang “eksklusif”, maka logika fuzzy memiliki kemampuan untuk menangani data eksklusif tersebut.
(4) Logika fuzzy mampu memodelkan fungsi-fungsi nonlinier yang sangat kompleks.
pelatihan. Dalam hal ini, sering dikenal dengan nama fuzzy expert system
menjadi bagian terpenting.
(6) Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. Hal ini umumnya terjadi pada aplikasi di bidang teknik
mesin maupun teknik elektro.
(7) Logika fuzzy didasarkan pada bahasa alami. Logika fuzzy menggunakan bahasa sehari-hari sehingga mudah dimengerti.
2.1.2. Himpunan Fuzzy
Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µA
a. Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu
himpunan, atau
(X), memiliki dua kemungkinan, yaitu :
b. Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu
himpunan.
Contoh :
Misalkan variabel umur dibagi menjadi 3 kategori, yaitu :
MUDA umur < 35 tahun
PAROBAYA 35 ≤ umur ≤ 55 tahun
TUA umur > 55 tahun)
Dari kategori di atas dapat dijelaskan bahwa :
(1) Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA
(µMUDA
(2) Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA
(µ
(34)=1)
MUDA
(3) Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK
MUDA (µ (35)=0)
MUDA
(4) Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA
(µ
(35 – 1 hari)=0)
PAROBAYA
(5) Apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAK PAROBAYA
(µ
(35)=1)
(6) Apabila seseorang berusia 55 tahun, maka ia dikatakan PAROBAYA
(µPAROBAYA
(7) Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK
PAROBAYA (µ (55)=1)
PAROBAYA
Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk menyatakan
umur sangat tidak adil, adanya perubahan kecil saja pada suatu nilai mengakibatkan
perbedaan kategori yang cukup signifikan. (35 – 1 hari)=0)
Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Seseorang dapat masuk dalam 2 himpunan yang berbeda, MUDA dan PAROBAYA,
PAROBAYA dan TUA, dan sebagainya. Seberapa besar eksistensinya dalam
himpunan tersebut dapat dilihat pada nilai keanggotaannya. Gambar 2.1
menunjukkan himpunan fuzzy untuk variabel umur.
Gambar 2.1 Himpunan Fuzzy untuk Variabel Umur
Pada gambar 2.1, dapat dilihat bahwa :
a. Seseorang yang berumur 40 tahun, termasuk dalam himpunan MUDA dengan
µMUDA(40)=0,25; namun dia juga termasuk dalam himpunan PAROBAYA
dengan µPAROBAYA
b. Seseorang yang berumur 50 tahun, termasuk dalam himpunan MUDA dengan
µ
(40)=0,5.
TUA(50)=0,25; namun dia juga termasuk dalam himpunan PAROBAYA
dengan µPAROBAYA(50)=0,5.
Terkadang kemiripan antara keanggotaan fuzzy dengan probabilitas menimbulkan kerancuan. Keduanya memiliki nilai pada interval [0,1], namun
interpretasi nilainya sangat berbeda antara kedua kasus tersebut. Keanggotaan fuzzy
memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan probabilitas
mengindikasikan proporsi terhadap keseringan suatu hasil bernilai benar dalam
jangka panjang. Misalnya, jika nilai keanggotaan bernilai suatu himpunan fuzzy
USIA adalah 0,9; maka tidak perlu dipermasalahkan berapa seringnya nilai itu
diulang secara individual untuk mengharapkan suatu hasil yang hampir pasti muda.
Di lain pihak, nilai probabilitas 0,9 usia berarti 10% dari himpunan tersebut
diharapkan tidak muda (Kusumadewi, 2010).
Himpunan fuzzy memiliki 2 atribut, yaitu:
(1) Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA,
PAROBAYA, TUA
(2) Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu
variable seperti: 40, 25, 50, dsb.
Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu: a. Variable Fuzzy
Variable fuzzy merupakan variable yang hendak dibahas dalam suatu sistem
fuzzy. Contoh: umur, temperature, permintaan, dsb. b. Himpunan Fuzzy
Contoh:
Variable umur, terbagi menjadi 5 himpunan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.
Gambar 2.2 Himpunan Fuzzy pada Variabel Temperatur
c. Semesta Pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu variable fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif
maupun negative. Adakalanya nilai semesta pembicaraan ini tidak dibatasi
batas atasnya.
Contoh:
a. Semesta pembicaraan untuk variable umur: [0+~]
b. Semesta pembicaraan untuk variable temperature: [0 40]
d. Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan
NORMAL SEJUK
DINGIN HANGAT PANAS
1 A
0 A µ(X)
real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan.
Nilai domain dapat berupa bilangan positif dan bilangan negative.
Contoh domain himpunan fuzzy: 1. MUDA = [0, 45]
2. PAROBAYA = [35, 55]
3. TUA = [45, OO
4. DINGIN = [0, 20] ]
5. SEJUK = [15, 25]
6. NORMAL = [20, 30]
7. HANGAT = [25, 35]
8. PANAS = [30, ~]
2.1.3. Fungsi Keanggotaan
Fungsi keanggotaan adalah suatu kurva yang menunjukkan pemetaan titik-titik input
data kedalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan)
yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan
untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada
beberapa fungsi yang bias digunakan.
a. Representasi Linear
Pada representasi linear, pemetaan input ke derajat keanggotaannya
digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan
menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang
Ada 2 keadaan himpunan Fuzzy yang linear. Pertama, kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol(0)
bergerak ke kanan menuju ke nilai domain yang memiliki derajat
keanggotaan lebih tinggi (Kusumadewi, 2010).
Gambar 2.3. Representasi linear naik
Kedua, merupakan kebalikan dari yang pertama. Garis lurus dimulai dari nilai
domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian
bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih
rendah.
Gambar 2.4. Representasi linear turun 1
0
a domain b
Derajat keanggotaan
µ[x]
Derajat keanggotaan
µ[x]
1
0
b. Representasi kurva segitiga
Kurva segitiga pad dasarnya merupakan gabungan antara 2 garis (linear).
Gambar 2.5. Representasi kurva segitiga
c. Representasi kurva bentuk bahu
Daerah yang terletak di tengah-tengah suatu variabel yang
direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan
naik dan turun (misalkan dingin bergerak ke sejuk bergerak ke hangat dan
bergerak ke panas). Tetapi terkadang salah satu sisi dari variabel tersebut
tidak mengalami perubahan. Sebagai contoh, apabila telah mencapai
kondisi panas, kenaikan temperatur akan tetap berada pada kondisi panas.
Himpunan fuzzy ‘bahu’, bukan segitiga, digunakan untuk mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikian juga bahu kanan bergerak dari salah ke benar. Gambar 2.2
menunjukkan variabel temperatur dengan daerah bahunya. Derajat
Keanggotaa n µ[x]
domain 1
0
d. Representasi kurva-S
Kurva pertumbuhan dan penyusutan merupakan kurva-S atau sigmoid
yang berhubungan dengan kenaikan dan penurunan permukaan secara tak
linear. Kurva-S untuk pertumbuhan akan bergerak dari sisi paling kiri
(nilai keanggotaan = 0) ke sisi paling kanan (nilai keanggotaan = 1).
Fungsi keanggotaan akan tertumpu pada 50% nilai keanggotaannya sering
disebut dengan titik infleksi (cox dalam Kusumadewi,1994).
Gambar 2.6. Himpunan fuzzy dengan kurva-S : Pertumbuhan
Kurva-S untuk penyusutan akan bergerak dari sisi paling kanan (nilai
keanggotaan = 1) ke sisi paling kiri (nilai keanggotaan = 0)
Gambar 2.7. Himpunan fuzzy dengan kurva-S : Penyusutan 1
0
Rn
R1 Derajat
keanggotaan µ(x)
domain 1
0
Rn
R1
Derajat keanggotaan
µ(x)
e. Representasi kurva bentuk lonceng
Untuk merepresentasikan bilangan fuzzy, biasanya digunakan kurva berbentuk lonceng. Kurva berbentuk lonceng ini terbagi atas 3 kelas, yaitu
himpunan fuzzy PI, beta dan Gauss. Perbedaan ketiga kurva itu terletak pada gradiennya.
(i) Kurva PI
Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak
pada pusat dengan domain (γ), dan lebar kurva (β).
(ii) Kurva BETA
Seperti halnya kurva PI, kurva BETA juga berbentuk lonceng namun
lebih rapat. Kurva ini juga didefenisikan dengan 2 parameter, yaitu
nilai pada domain yang menunjukkan pusat kurva (γ) dan setengah lebar kurva (β).
(iii)Kurva GAUSS
Jika kurva PI dan kurva BETA menggunakan 2 parameter, yaitu (γ) dan (β), kurva GAUSS juga menggunakan (γ) untuk menunjukkan nilai domain pada pusat kurva, dan (k) yang menunjukkan lebar kurva.
f. Representasi kurva trapesium
Kurva segitiga pada dasarnya seperti bentuk segitiga, hanya saja ada titik
yang memiliki nilai keanggotaan 1.
asi
2.1.4. Operator Dasar Zadeh Untuk Operasi himpunan Fuzzy
Seperti halnya himpunan konvensional, ada beberapa operasi yang didefenisikan
secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama fire strength. Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu (Cox dalam
Kusumadewi, 1994) :
(1) Operator AND
Operator ini berhubungan dengan operasi interseksi pada himpunan. Fire strength sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan-himpunan
yang bersangkutan.
µA∩B= min(µA(x), µB
(2) Operator OR
(y))
Opertor ini berhubungan dengan operasi union pada himpunan. Fire strength
sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai
keanggotaan terbesar antarelemen pada himpunan-himpunan yang
bersangkutan.
µAUB= max(µA(x), µB
(3) Operator NOT
(y))
Operator ini berhubungan dengan operasi komplemen pada himpunan. Fire strength sebagai hasil operasi dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan
dari 1.
µA’=1- µA (x)
2.2. Database
Database adalah kumpulan dari data yang saling berhubungan satu dengan yang
lainnya, tersimpan di perangkat keras komputer dan digunakan perangkat lunak
dengan yang lainnya dan membuatnya tersedia untuk beberapa aplikasi dalam suatu
organisasi (Kusumadewi, 2010).
Gambar 2.9. Pengolahan data menjadi informasi
Database terdiri dari kumpulan tabel-tabel yang saling berhubungan atau
terkait. Sedangkan tabel merupakan kumpulan dari field-field yang saling berkaitan. Misalkan kita memiliki data karyawan yang tersimpan pada table DT_KARYAWAN
dengan field NIP, nama, tgl_lahir, th_masuk, dan gaji per bulan.
Dengan menggunakan database standar, dapat dicari data-data karyawan
dengan spesifikasi tertentu dengan menggunakan query. Misal kita ingin
mendapatkan informasi tentang nama-nama karyawan yang usianya kurang dari 35
tahun, maka kita bisa ciptakan suatu query:
SELECT NAMA FROM KARYAWAN WHERE(UMUR<35)
Sehingga muncul nama-nama Lia, Kiki, dan Yoga. Apabila informasi yang
diinginkan tentang nama-nama karyawan yang gajinya lebih dari satu juta rupiah,
maka bisa diciptakan suatu query:
SELECT NAMA FROM KARYAWAN WHERE (GAJI>1000000)
Sehingga muncul nama-nama Iwan, Sari, Andi, Amir, dan Rian.
Apabila kita ingin mendapatkan informasi tentang nama-nama karywan yang masa
kerjanya kurang dari atau sama dengan 5 tahun tetapi gajinya sudah lebih dari 1 juta
rupiah, maka kita bisa ciptakan suatu query:
SELECT NAMA
FROM KARYWAN
WHERE(MASA_KERJA<=5) AND (GAJI >=1000000)
Sehingga muncul nama-nama Andi dan Rian.
Prinsip dari model relasional pertama kali dikenalkan oleh Dr. E.F. Cood
pada bulan juni 1970 pada papernya yang berjudul “A Relational Model of Data for Large Shared Data Banks”. Pada papernya tersebut Dr. E.F. Codd mengusulkan
model relasional untuk sistem database (Fauzi, 2010).
Database relasional menggunakan relasi atau tabel dua dimensi untuk
menyimpan informasi. Sebagai contoh, misal akan disimpan informasi tentang
pegawai dalam suatu perusahaan, maka pada database relasional dibuat beberapa
tabel untuk meyimpan kumpulan informasi tentang pegawai, misalnya tabel pegawai,
tabel departemen dan tabel gaji (Fauzi, 2010).
2.3. Fuzzy Database
Dalam sebuah database biasa, hanya menyimpan data crisp untukndapat memberikan suatu informasi. Namun, karena ketidaktepatan, ketidakjelasan, ketidakpastian,
ketidaklengkapan atau ambiguitas suatu data dalam penyajian informasi, maka fuzzy
database dapat digunakan untuk memodelkan ke dalam suatu database.
Database yang umumnya kita gunakan, memiliki data yang lengkap dalam
setiap tabelnya. Demikian pula, apabila hendak dibuat suatu query, maka query
itupun harus menggunakan data yang ada pada tabel dan kata-kata kunci yang
berlaku di SQL. Apabila ada data yang kurang lengkap, mengandung ketidakpastian
dan ambigu, maka penggunaan database biasa menjadi sulit untuk dilakukan. Oleh
karena itulah, logika fuzzy dimanfaatkan logika fuzzy untuk mengantisipasi pemanipulasian data dalam database yang mengandung ketidakpastian, baik dari sisi
data maupun query-nya (Kusumadewi, 2010).
Database relasional telah terbukti sebagai model yang paling handal dan
dipakai pada bermacam aplikasi sistem informasi dengan sukses. Tetapi
bagaimanapun juga, sistem database relasional yang diperkenalkan oleh codd (1970)
tidak dapat menangani data yang ambigu. Data yang ditangani harus merupakan data
samar dan melibatkan banyak variabel yang tidak pasti sebagai acuan dalam proses
pengambilan keputusan.
Untuk pengambilan keputusan berdasarkan data yang ambigu, teknologi atau
aplikasi database harus diarahkan tidak hanya mampu menyimpan data mentah saja.
Tetapi lebih kepada kemampuan penanganan informasi ambigu yang integral,
dimana dimungkinkan interprestasi data ambigu menjadi bagian dari proses
pengambilan keputusan. Sebagai contoh, suatu seleksi penerimaan beasiswa
mensyaratkan bahwa yang diterima adalah pelajar yang umurnya masih “MUDA”
dan memiliki indeks prestasi yang “BAIK”. Maka untuk interprestasi pernyataan
tersebut dalam aplikasi sistem database yang ada sekarang ini tidak dapat dilakukan,
hal ini karena adanya kerancuan dalam mendefenisikan data yang kategori “MUDA”
dan klasifikasi IPK “BAIK”.
Kelemahan dari sistem database ini dapat diatasi dengan melakukan
fuzzifikasi database, yaitu dengan mengimplementasikan logika fuzzy ke dalam sistem database.
Basisdata fuzzy model tahani masih tetap menggunakan relasi standar, hanya saja model ini menggunakan teori himpunan fuzzy untuk mendapatkan informasi pada query-nya (Kusumadewi, 2010). Tahani mendeskripsikan suatu metode pemrosesan query Fuzzy dengan didasarkan atas manipulasi bahasa yang dikenal dengan nama SQL. Dengan menggunakan database standar, dapat dicari data dengan
spesifikasi tertentu dengan menggunakan query.
Selama ini, sudah ada beberapa penelitian tentang fuzzy database. Salah satu diantaranya adalah model Tahani. Fuzzy database model Tahani masih tetap menggunakan relasi standart, hanya saja model ini mennggunakan teori himpunan
fuzzy untuk mendapatkan informasi pada query-nya. Misalkan dikategorikan usia karyawan diatas kedalam himpunan: MUDA, PAROBAYA, dan TUA.
Tetapi pada kenyataannya seseorang terkadang membutuhkan informasi dari
data-data yang bersifat ambiguous. Apabila hal ini terjadi, maka bisa digunakan fuzzy
menggunakan relasi standar, hanya saja model ini menggunakan teori himpunan
fuzzy untuk mendapatkan informasi pada query-nya.
Tabel 2.1. Data Karyawan berdasarkan umur
NIP Nama Umur (th)
Derajat Keanggotaan
MUDA PAROBAYA TUA
01 Lia 30 1 0 0
02 Iwan 48 0 0,4 0,8
03 Sari 36 0,4 0,1 0
04 Andi 37 0,3 0,2 0
05 Budi 42 0 0,7 0,2
06 Amir 39 0,1 0,4 0
07 Rian 37 0,3 0,2 0
08 Kiki 32 0,8 0 0
09 Alda 35 0,5 0 0
10 Yoga 25 1 0 0
2.4. Riset-Riset Terkait
Terdapat beberapa riset yang telah dilakukan oleh banyak peneliti berkaitan dengan
seperti yang akan dijelaskan di bawah ini :
Prasetiyowati, M. I., Seta B. A. (2007) dalam makalahnya yang berjudul
implementasi fuzzy database untuk memberikan rekomendasi jalur peminatan mahasiswa, menjelaskan pemilihan jalur peminatan mahasiswa pada sebuah
membicarakan penentuan jalur pada dosen pembimbing akademik sebelum mengisi
Kartu Rencana Studi (KRS). Dari sistem yang telah diuraikan di atas, maka dibuatlah
sebuah sistem informasi dengan model DBMS dan query yang berbasis fuzzy, karena model DBMS konvensional, non fuzzy, kurang dapat memenuhi kebutuhan sistem informasi seperti ini. DBMS dan query fuzzy model tahani dapat dengan tepat
memetakan suatu input (fuzzy query) ke output sebagai informasi hasil query.
Dewi Novia Nursa (2010) dalam skripsinya yang berjudul implementasi
pangkalan data fuzzy model tahani pada perekomendasian pembelian mobil, bahwa pada pembelian sebuah mobil, seringkali konsumen hanya memberikan kriteria atau
spesifikasi yang bersifat tidak jelas dan tidak pasti untuk produk yang akan dipilih.
Pembeli mensyaratkan kriteria mobil seperti harga yang murah, ukuran mobil yang
sedang, kapasitas yang besar dan lainnya. Ukuran merah, sedang dan besar
merupakan data-data yang bersifat kualitatif karena diungkapkan dalam bentuk
kalimat serta uraian yang tidak terukur dengan angka pasti. Dalam hal ini, ketiganya
disebut sebagai input fuzzy. Oleh karena hal tersebut, maka digunakan fuzzy model tahani pada perekomendasian pembelian mobil.
Kusumadewi, S. (2007) dalam makalahnya yang berjudul sistem fuzzy untuk
klasifikasi indikator kesehatan daerah, menjelaskan bahwa pada penelitian tersebut,
dibangun sebuah sistem fuzzy yang tujuannya lebih banyak difokuskan pada proses pencarian daerah-daerah berdasarkan nilai indikator kesehatan tertentu. Indikator
kesehatan yang digunakan adalah angka kelahiran kasar (CBR), angka kematian
kasar (CDR), angka kematian bayi (IMR), angka kematian neonatal (NMR), angka
kematian perinatal (PMR), angka kematian balita (FMR), dan angka kematian ibu
(MMR). Nilai indikator kesehatan diberikan secara linguistik, seperti rendah, sedang
dan tinggi. Setiap bentuk linguistik direpresentasikan dengan menggunakan
himpunan fuzzy trapesium, dengan parameter-parameter awal ditetapkan berdasarkan data awal yang telah diperoleh. Proses pencarian didasarkan pada konsep fuzzy
database model tahani.
Akhmad Fauzi Hasibuan (2010) dalam skripsinya yang berjudul penggunaan
pelaksana di lapangan perlu diiringi oleh perkembangan teknologi komputer untuk
dapat memenuhi kebutuhan para konsumen pembeli perumahan, yang mana
konsumen selaku pembeli perumahan umumnya selalu memiliki pertimbangan dan
faktor-faktor sebelum mengambil suatu keputusan, sebagai contoh harga, luas tanah,
fasilitas-fasilitas atau fitur-fitur yang ada di perumahan tersebut dan faktor-faktor
lainnya. Kesamaran dari pertimbangan faktor-faktor konsumen pembeli perumahan
tersebut dapat dituangkan ke dalam konsep logika fuzzy. Fuzzy database dapat digunakan untuk menyampaikan informasi dari data yang bersifat ambigu. Fuzzy
database yang digunakan adalah fuzzy database model tahani.
Hafsah, Kaswidjanti, W. and Cili, T. R. (2010) menjelaskan dalam
makalahnya yang berjudul aplikasi berbasis web pemilihan obyek pariwisata di
Yogyakarta menggunakan metode tahani, bahwa setiap obyek wisata memiliki
kelebihan dan kekurangan yang menjadi dasar pertimbangan oleh setiap wisatawan
menentukan pilihan obyek pariwisata yang menarik, strategis, nyaman dan sesuai
dengan dana, jarak, waktu berkunjung yang diinginkan. Pada aplikasi ini
menggunakan tiga variabel fuzzy, yaitu variabel dana, variabel jarak dan variabel waktu berkunjung. Dengan adanya sistem ini diharapkan dapat mempermudah para
calon wisatawan dalam memilih obyek wisata menarik, strategis, nyaman atau aman
untuk dikunjungi oleh calon wisatawan.
Anggraeni, R., Indarto, W. and Kusumadewi, S. (2004)
Amalia, L., Fananie, Z.B. and Utama, D.N. (2010) menyampaikan hasil
makalahnya dalam jurnal yang berjudul Model Fuzzy Tahani Untuk Pemodelan Sistem Pendukung Keputusan (SPK) Kasus Rekomendasi Pembelian Handphone. dalam jurnalnya
yang berjudul Sistem Pencarian Kriteria Kelulusan Menggunakan Metode Fuzzy
Tahani, menjelaskan mengenai pengunaan fuzzy database model tahani dalam mencari kriteria kelulusan mahasiswa. Untuk pencarian kriteria ini, variabel yang
menjadi dasar pencarian adalah IPK (standar 4 dengan syarat lulus IPK minimal
2.00), lama studi (tahun), umur (tahun), lama penyelesaian tugas akhir (bulan), nilai
tugas akhir, nilai kerja praktek, nilai BTAQ dan skor TOEFL. Lulusan sebagai output
akhir dari sebuah perguruan tinggi, biasa diberi predikat kelulusan. Dasar dari
Dalam rancang bangun sistem pendukung keputusan berbasis web ini, menggunakan
fuzzy database tahani dalam melakukan perhitungan solusinya, sebab dapat diambil pertimbangan bahwa hampir semua variabel-variabel yang terdapat pada handphone
bersifat relatif. Batasan-batasan nilai suatu kebenaran dalam logika fuzzy dapat saling bersinggungan, mirip penalaran manusia dalam menilai suatu kebenaran.
Eliyani, Pujianto, U. and Rosyadi, D. (2009) menjelaskan dalam makalahnya
yang berjudul Decision Support system untuk Pembelian Mobil Menggunakan Fuzzy Database Model Tahani, bahwa dengan menggunakan database standar, seseorang dapat menangani data-data yang besifat pasti, deterministik dan presisi. Namun
seringkali dibutuhkan adanya penanganan pada data-data yang bersifat samar pada
sistem database. Maka untuk mengatasi masalah tersebut dapat digunakan konsep
konsep logika fuzzy. Penelitian ini mengimplementasikan konsep logika fuzzy model tahani ke dalam database atau biasa disebut fuzzy database model tahani. Artinya sistem database yang menerapkan konsep fuzzy model tahani sehingga dapat menangani data-data yang bernilai fuzzy.
Sundani, D. (2008) menjelaskan dalam jurnalnya yang berjudul Perangkat
Lunak SPSS Sebagai Alat untuk Analisa Hubungan Kinerja Dosen Dengan
Keberhasilan Belajar, bahwa salah satu tujuan organisasi pendidikan adalah
tercapainya keberhasilan belajar mengajar. SPSS dalam hal ini digunakan untuk
memudahkan analisa. Keberhasilan belajar secara tidak langsung dipengaruhi oleh
kinerja seorang dosen. Penelitian ini dilakukan untuk melihat hubungan faktor-faktor
dalam kinerja dosen terhadap keberhasilan belajar dan besarnya hubungan tersebut.
Kusumadewi, S. (2004) dalam jurnalnya yang berjudul fuzzzy quantification theory I untuk analisis hubungan antara penilaian kinerja dosen oleh mahasiswa, kehadiran dosen, dan nilai kelulusan mahasiswa, menjelaskan bahwa fuzzzy quantification theory I adalah suatu metode untuk menentukan hubungan antar variabel kualitatif yang diberikan dengan nilai antara 0 sampai 1, dengan
variabel-variabel numeris dalam fuzzy group yang diberikan pada sampel. Pada penelitian tersebut, fuzzy quantification theory akan digunakan untuk menentukan seberapa besar faktor-faktor kualitatif penilaian mahasiswa terhadap kinerja dosen jurusan
kehadiran dosen dan nilai akhir mahasiswa. Hasil penelitian menunjukkan bahwa
faktor kemampuan dosen mendorong mahasiswa untuk berperan aktif, memiliki
pengaruh yang paling tinggi diantara faktor-faktor yang lainnya, dalam kaitannya
dengan pengaruh antara kehadiran dosen mengajar dengan nilai kelulusan mahasiswa
≥ ‘B’. Pengaruh ini akan sangat kuat apabila kehadiran dosen mengajar lebih dari
sepuluh kali.
Mardia (2010) dalam skripsinya yang berjudul sistem pendukung keputusan
menggunakan basisdata fuzzy model tahani untuk membantu pemilihan telepon
seluler mengimplementasikan konsep logika fuzzy model tahani ke dalam database, dengan fungsi keanggotaan yang ditunjukkan melalui kurva yang menggambarkan
pemetaan titik-titik input data ke dalam nilai keanggotaannya (derajat keanggotaan)
yang memiliki ihterval antara 0 sampai 1.
Hidayat, N. and Yusro, M., M. (2007) menjelaskan dalam makalahnya yang
berjudul desain sistem pakar fuzzy untuk diagnosa kanker prostat, bahwa tidak mungkin dilakukannua diagnosa kanker prostat hanya berdasarkan hasil
ultrasonography (USG) dan pemrosesan image. Sehingga perlu dikembangkan sistem pakar fuzzy berdasarkan aturan yang menggunakan data laborat dan data lainnya, dan disimulasikan dengan dokter ahli kanker prostat. Dengan menggunakan
data tersebut dan bantuan dokter ahli, dikembangkan aturan fuzzy untuk mengetahui pentingnya biopsy dan faktor resiko kanker. Sistem pakar yang dikembangkan akan memberikan rasio kemungkinan pasien mengidap kanker prostat. Hasil pengujian
menunjukkan bahwa sistem pakar ini lebih rapid, efisien dan ekonomis dibandingkan sistem diagnosis tradisional.
Hasiholan, L. and Sudradjat (2008) dalam makalahnya yang berjudul evaluasi
kinerja karyawan menggunakan metode pemrograman linier fuzzy, menjelaskan bahwa pengukuran kinerja karyawan sampai saat ini diukur dengan memperhatikan
faktor-faktor yang bersifat tegas saja, seperti tingkat pendidikan, lama bekerja,
sedangkan faktor-faktor yang sifatnya fuzzy terkadang terabaikan. Dalam jurnal ini akan dibahas suatu metode penilaian kinerja karyawan dengan faktor-faktor fuzzy
Lukas, S., Meiliayana, and Simson, W. (2009) dalam makalahnya yang
berjudul penerapan logika fuzzy dalam pengambilan keputusan untuk jalur peminatan mahasiswa, menjelaskan bahwa pengetahuan untuk pemilihan peminatan belajar
sesungguhnya ada pada ketua jurusan atau pada dosen wali. Akan tetapi pengetahuan
ini tidak diketahui mahasiswa dengan baik. Akibatnya ada kemungkinan mahasiswa
tidak memilih peminatannya dengan baik. Untuk keperluan itu, makalah ini
membahas bagaimana suatu sistem berbasiskan logika fuzzy dapat diimplementasikan untuk membantu mahasiswa dalam mengambil keputusan bidang
peminatannya dengan baik.
Setyawan, S. H. (2009) dalam makalahnya yang berjudul penerapan logika
fuzzy untuk memperbaiki penyusunan ranking wilayah miskin, menjelaskan bahwa untuk menyusun ranking wilayah miskin yang berhak mendapatkan bantuan pada
program tertentu, maka dihitung jumlah terbanyak untuk kategori-kategori di atas.
Pada saat ini, proses penyusunan ranking dilakukan dengan metode klasik (crisp). Pada penelitian ini, digunakan metode fuzzy untuk memperbaiki penyusunan ranking wilayah miskin.
Suhendar (2008) dalam makalahnya yang berjudul penyajian informasi
temporal menggunakan metode fuzzy system pada mesin database spasial, menjelaskan pendekatan fuzzy system yang diimplementasikan ke dalam sistem berbasis komputer diharapkan akan mampu membantu menyelesaikan dan mengatasi
permasalahan tersebut dalam cara yang berbeda tetapi mudah dipahami. Hasil
penelitian menunjukkan bahwa model sistem yang dikembangkan menggunakan
pendekatan fuzzy mampu menganalisa dan menyajikan informasi aktual profil pendidikan di kota bekasi. Prototipe sistem yang dikembangkan dapat memudahkan
untuk melakukan pemanipulasian data serta penelusuran informasi, didukung oleh
basis data fuzzy dan informasi spasial, sistem yang dikembangkan dapat dimanfaatkan sebagai alat bantu untuk menyederhanakan proses pengambilan
keputusan berbasis data fuzzy menggunakan metode fuzzy system pada mesin
database spasial berbasis bahasa pemrograman delphi, melalui sistem ini para
pengambil kebijakan difasilitasi sehingga dengan mudah dapat menentukan, merubah
dalam rangka perencanaan dan pengembangan pengelolaan pendidikan dalm bentuk
informasi temporal (per tahun ajaran) dan spasial (peta lokasi masing-masing
sekolah). Melalui sistem ini, informasi akan selalu mengalami perubahan secara
otomatis setiap periode tahun tertentu sesuai dengan entri data, situasi dan kondisi
masing-masing sekolah.
Kusumadewi, S. (2007) dalam makalahnya yang berjudul basisdata fuzzy
untuk pemilihan bahan pangan berdasarkan kandungan nutrien, menjelaskan bahwa
tujuan penelitian ini untuk melakukan manipulasi data-data bahan pangan yang
bersifat ambigu terkait dengan kandungan nutrisinya dalam nutrien tertentu.
Besarnya nilai kandungan nutrisi diberikan secara linguistik. Bentuk linguistik
direpresentasikan dengan menggunakan himpunan fuzzy linier turunm linier naik dan segitiga. Proses pencarian didasarkan pada konsep basisdata fuzzy model tahani, dengan menggunakan pendekatan query fuzzy.
Mishra, J. (2011) dalam jurnalnya yang berjudul fuzzy query processing, menjelaskan bahwa kita sering sekali membutuhkan data yang bersifat samar.
Sebagai contoh, untuk mencari siswa yang usianya sekitar tujuh belas tahun, mencari
tinggi seseorang, mencari karyawan yang memiliki gaji tinggi. Untuk itulah beliau
mengembangkan sebuah algoritma yang dapat diaplikasikan secara umum untuk
berbagai jenis database. Pada jurnal ini, pertama sekali beliau merancang arsitektur
untuk menguji fuzzy query. Pada arsitektur ini, digunakan sebuah algoritma untuk menentukan nilai keanggotaan dari masing tuple dari relasi dasar pada atribut fuzzy
yang mana fuzzy query dibuat. Selanjutnya pembuat keputusan akan mensuplai nilai awal yang berhubungan dengan SQL dari pemberian fuzzy query yang akan diumumkan. SQL akan memperbaiki hasil tuple dari database. Akhirnya beliau menguji algoritma beliau pada kehidupan nyata.
Hossain, M. A., Aburrous, M., Thabatah, F. and Dahal, K. (2008) dalam
jurnalnya yang berjudul Intelligent quality performance assessment for E-Banking security using fuzzy logic, menjelaskan bahwa evaluasi situs E-Banking merupakan
masalah yang kompleks dan dinamis, yang menyertakan banyak faktor, termasuk
jurnal ini, mereka mengusulkan sebuah model penaksiran kinerja yang cerdas untuk
mengevaluasi keamanan website E-Banking. Model yang diusalkan didasarkan pada operator logika fuzzy dan menghasilkan empat tolak ukur dimensi resiko serangan keamanan. Hasil eksperimen mereka menunjukkan adanya resiko serangkan
langsung dari internal yang berdampak sangat besar pada kinerja keamanan E-Banking.
Johanyak, Z. C. (2010) dalam makalahnya yang berjudul survey on three fuzzy inference-based student evaluation methods, menjelaskan bahwa dalam mengevaluasi kinerja akademik siswa ditemukan masalah dalam menilai hasil
evaluasi. Oleh karena itu, diperlukan himpunan fuzzy sebagai dasar metode evaluasi. Pada jurnal ini setelah menentukan himpunan kriteria untuk evaluasi dan
perbandingan, selanjutnya beliau melakukan survei pada tiga fuzzy inference sebagai dasar metode penilaian siswa.
Ghumman, W. A. and Hernandez, S. M. (2010) dalam jurnalnya yang
berjudul formalization for natural language fuzzy queries and crisp multi-criteria queries memberikan sebuah formula untuk memproses bahasa alami fuzzy query dan untuk mengembalikan hasil fuzzy untuk kriteria query yang tegas. Formula mereka sangat umum dapat diistimewakan untuk implementasi platform database yang
beragam, sebagai contoh fuzzy web search, sistem informasi pendukung data fuzzy
dan yang lainnya. Pendekatan mereka hanya membuat penulisan fuzzy query yang lebih sederhana dan lebih mudah dibandingkan penulisan query konvensional tetapi juga pendekatan kepada manusia seperti berpikir hingga menjadi fuzzy alami. Kami juga melengkapi operasi semantik untuk proses fuzzy query yang dapat diikuti untuk berbagai jenis data seperti numerik, text, grafik dan yang lain. Pendekatan mereka
mendukung proses fuzzy query untuk data fuzzy maupun untuk data yang hilang. Oleh karena itu untuk mendapatkan hasil query yang lebih dekat kepada cari berpikir manusia, sangat memungkinkan. Ini merupakan model yang bernilai yang akan
2.5. Kontribusi Riset
Penelitian ini memberikan kontribusi pada pemahaman kita tentang hubungan data
motivasi dosen, perencanaan perkuliahan dan pelaksanaan perkuliahan dengan data
nilai akademik mahasiswa untuk memperoleh tingkat keberhasilan dosen mengajar.
Informasi tingkat keberhasilan dosen mengajar dapat meningkatkan kualitas proses
belajar mengajar, sehingga mampu meningkatkan nilai akademik mahasiswa.Ada hal
lain yang mungkin dianggap penting adalah kemampuan mahasiswa dalam menyerap
ilmu dari dosen. Hal ini sangat membantu untuk meningkatkan nilai tingkat
keberhasilan dosen mengajar.
Penelitian ini memperkenalkan aplikasi yang mampu untuk menentukan
BAB III
METODOLOGI PENELITIAN
3.1. Pendahuluan
Dalam studi pendahuluan, yang menjadi sasaran pokok adalah melihat bagaimana
variabel-variabel yang akan dipelajari. Pada obyek penelitian, variabel-variabel
tersebut dipelajari melalui dokumentasi yang ada, selanjutnya sekaligus dipilih
sampel studi.
Tujuan dari tesis ini adalah untuk melakukan analisis tingkat keberhasilan
dosen mengajar dengan menggunakan fuzzy database tahani untuk meningkatkan
kualitas mengajar dosen yang lebih baik dengan menyediakan sampel nilai
akademik mahasiswa berupa kartu hasil studi mahasiswa yang dapat digunakan
sebagai pedoman analisis dalam pembuatan keputusan. Data nilai akademik
mahasiswa diperoleh dari database pendidikan akademik dan mensurvei dosen yang
mengajar pada mahasiswa yang disurvei pada Akademi Manajemen Informatika
Komputer (AMIK) Tunas Bangsa Pematangsiantar.
Selain sampel nilai akademik mahasiswa, diperlukan juga kuesioner dosen
yang berisi penilaian dosen mengenai motivasi dosen, perencanaan perkuliahan dan
pelaksanaan perkuliahan. Data kuesioner ini diisi oleh mahasiswa yang diajar oleh
dosen yang akan dinilai.
3.2. Lokasi dan Waktu Penelitian
Penelitian dilakukan di Akademi Manajemen Informatika Komputer ( AMIK ) Tunas
Bangsa, Jl. Jendral Sudirman Blok A No. 1,2,3 Pematangsiantar. Lamanya waktu
yang dibutuhkan untuk menyelesaikan penelitian ini yaitu selama 3 bulan yang
dimulai pada awal februari 2011 sampai dengan akhir bulan April 2011.
3.3. Rancangan Penelitian
Rancangan penelitian ini pertama kali dilakukan dengan melakukan pengamatan
