Fuzzy Conditional Probability dalam Sistem Pakar untuk Menentukan Jurusan SMK

(1)

(2)

UNTUK MENENTUKAN JURUSAN SMK

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Teknologi Informasi

DESFI RAHMADANI 081402053

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

(3)

Judul : FUZZY CONDITIONAL PROBABILITYDALAM SISTEM PAKAR UNTUK MENENTUKAN JURUSAN SMK

Kategori : SKRIPSI

Nama : DESFI RAHMADANI

Nomor Induk Mahasiswa : 081402053

Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI

Departemen : TEKNOLOGI INFORMASI

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI

INFORMASI (FASILKOMTI) UNIVERSITAS SUMATERA UTARA

Diluluskan di Medan, Juli 2014 Komisi Pembimbing :

Pembimbing 1 Pembimbing 2

Syahril Efendi, S.Si.M.IT Dra. Elly Rosmaini, M.Si. NIP 1967110 199602 1 001 NIP 19600520 1985503 2 002

Diketahui/Disetujui oleh

Program Studi S1 Teknologi Informasi Ketua,

(4)

FUZZY CONDITIONAL PROBABILITYDALAM SISTEM PAKAR UNTUK MENENTUKAN JURUSAN SMK

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing;masing disebutkan sumbernya.

Medan, Juli 2014

(5)

Puji dan syukur penulis sampaikan kehadirat Allah SWT yang telah memberikan rahmat dan hidayah;Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara.

Ucapan terima kasih penulis sampaikan kepada Bapak Syaril Efendi, S.Si.M.IT selaku pembimbing satu dan Ibu Dra. Elly Rosmaini, M.Si selaku pembimbing dua yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis. Ucapan terima kasih juga ditujukan kepada Ibu Dr. Erna Budhiarti Nababan, MIT dan Ibu Dra. Mardiningsih, M.Si yang telah bersedia menjadi dosen pembanding. Ucapan terima kasih juga ditujukan kepada Ketua dan Sekretaris Program Studi Teknologi Informasi, Prof. Dr. Opim Salim Sitompul, M.Sc. dan Drs. Sawaluddin, M.IT, Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen serta pegawai di Program Studi S1 Teknologi Informasi. Terima kasih kepada Bapak Dedi Ardiansyah, S.Pd selaku Guru BK SMP Swasta Satria Nusantara yang telah banyak meluangkan waktu dan pikirannya. Serta terima kasih banyak kepada Bapak Kepala Sekolah SMP Swasta Satria Nusantara yang telah memberikan ijin kepada penulis agar dapat melakukan penelitiannya.

(6)

Banyak lulusan SMP yang melanjutkan belajarnya di SMK akan pindah jurusan atau bahkandrop out. Hal ini disebabkan kurang matangnya mereka memilih jurusan yang dituju. Mereka kurang mencari informasi mengenai jurusan yang sesuai dengan kemampuan, minat, bakat dan kepribadian. Oleh karena itu dibutuhkan suatu sistem pakar yang membantu peserta didik dalam menentukan jurusan yang tepat sesuai minat dan kemampuan. Sistem pakar ini menggunakan fuzzy conditional probability yang dikombinasikan dengan forward chaining untuk mencari kemungkinan jurusan yang cocok. Setelah user memasukkan data mengenai kemampuan, kesukaan dan kepribadiannya, maka sistem akan mencari jurusan yang sesuai menggunakanforward

chaining. Tahapan pada sistem pakar ini yaitu ubah masukan dari usermenjadi nilai

fuzzy lalu dicari nilai kesesuaian antara masukan dari user dengan data yang ada di

dalam knowledge&based. Setelah nilai kesesuaian didapatkan, maka akan dicari nilai

probability jurusan. Setelah itu maka akan dilakukan pengurutan hasil yang diterima

secara descending. Secara umum, sistem pakar ini dapat menentukan jurusan SMK yang tepat dan sistem ini berjalan sesuai dengan yang diharapkan.

Keyword: Sistem Pakar,Forward Chaining, Fuzzy Conditional Probability, Jurusan,

(7)

Many junior high school graduates who continue their study in the vocational school will move or even drop out. This is due to lack of maturation of their intended majors. They lack seek information on courses relevant to the abilities, interests, talents and personality. Therefore, it needs an expert system that helps theym in determining the appropriate major based on their abilities, interests, talents and personality. This expert system uses fuzzy conditional probability combined with forward chaining to find appropriate majors. Once users enter data regarding the abilities, interests, talents and personality, then the system will search for the appropriate major using forward chaining. First stage in this expert system is to change the input from the user into the fuzzy then sought correspondence between input from the user with the data in the knowledge;based. Once the suitability values obtained, it will look for the value of probability majors. After that it will be received by sorting the results in descending order. In general, the expert system is able to determine the appropriate vocational majors and the system is running as expected.

(8)

Halaman

Daftar Isi vii

Daftar Tabel ix

Daftar Gambar xi

Bab 1 Pendahuluan 1

1.1 Latar Belakang 1

1.2 Rumusan Masalah 2

1.3 Batasan Masalah 3

1.4 Tujuan Penelitian 3

1.5 Manfaat Penelitian 4

1.6 Metode Penelitian 4

1.7 Sistematika Penulisan 5

Bab 2 Landasan Teori 7

2.1 Kecerdasan Buatan 7

2.2 Sistem Pakar 8

2.2.1 Komponen Sistem Pakar 8

2.2.2 Perunutan 10

2.3 Fuzzy Sets 10

2.3.1 HimpunanFuzzy 11

2.3.2 Fungsi Keanggotaan 11

2.4 Probability 15

2.5 Conditional Probability 16

2.6 Hubungan antaraProbabilitydanFuzzy 17

2.7 Nilai Kesesuian 18

2.8 Fuzzy Conditional Probability 21

2.9 Bimbingan Konseling 22

2.10 Sekolah Kejuruan Menengah 23

2.11 Penelitian Terdahulu MenggunakanFuzzy Conditional Probability 24 2.12 Penelitian Terdahulu Mengenai Masalah Penentuan Jurusan 25

Bab 3 Analisis dan Perancangan Sistem 29

3.1 Identifikasi Masalah 29

3.2 Perancangan Sistem 29

3.2.1 Basis Pengetahuan 30

(9)

3.2.3 Ubah JawabanUserMenjadi NilaiFuzzy 32

3.2.4 Perhitungan Nilai Kesesuaian 34

3.2.5 PerhitunganFuzzy Conditional Probability 34

3.2.4 Pengurutan hasik secaradescending 34

3.3 Perancangan Sistem 29

3.3.1 Perancangan Basis Data 36

3.3.1.1 Perancangan DFD 38

3.3.1.2 Perancangan ERD 41

3.2.1.3 Kamus Data 42

3.3.2 Perancangan Menu Sistem 46

3.3.3 Perancangan Antarmuka 46

3.3.3.1 Rancangan Halaman Utama 46

3.3.4.2 Rancangan Halaman Menu Penentuan Jurusan 47 3.3.4.3 Rancangan Halaman Penentuan Jurusan Tahap 2 48 3.3.4.4 Rancangan Halaman Penentuan Jurusan Tahap 3 49 3.3.4.5 Rancangan Halaman Penentuan Jurusan Tahap 4 50 3.3.4.6 Rancangan Halaman Penentuan Jurusan Tahap 5 51 3.3.4.7 Rancangan Halaman Profil Administrator 52 3.3.4.8 Rancangan Halaman MenuInputData 53 3.3.4.9 Rancangan Halaman MenuInputData Aturan;aturan 54 3.3.4.10 Rancangan Halaman MenuInputData Aturan;aturan 54 3.3.4.11 Rancangan Halaman MenuInputData Aturan;aturan 55 3.3.4.12 Rancangan Halaman MenuInputData Aturan;aturan 56 3.2.4.13 Rancangan Halaman MenuUpdateData 56 3.2.4.14 Rancangan Halaman MenuUpdateData 57 3.2.4.15 Rancangan Halaman MenuUpdateData 58

Bab 4 Implementasi dan Pengujian Sistem 59

4.1 Implementasi Sistem 59

4.1.1 Spesifikasi Perangkat Keras dan Lunak yang Digunakan 59 4.1.2 Implementasi perancangan antar Muka 59

4.2 Pengujian Sistem 65

4.2.1 Rencana Pengujian Sistem 65

4.2.2 Kasus dan Hasil Pengejujian Sistem 66

4.2.3 Pengejujian Data pada Sistem 71

Bab 5 Kesimpulan dan Saran 75

5.1 Kesimpulan 75

5.2 Saran 75

Daftar Pustaka 76

(10)

Hal.

! !!!!!!!!!!!!!!!!

! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!

! !!!!!!!!!!!!!!!

! !!!!!!!!!!!!!!!!

!" !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

!# !!!!!!!!!!!!!!!!!!!!!!!!!!!!!

! !!!!!!!!!!!!!!!

! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

! $ %!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! "

! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! #

! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! #

! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! #

! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! #

! " !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

! # !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

! & !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

! & !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! &

! " !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! &

! # !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! &

! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! &

! & !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! &

! & !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

(11)

! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

! ! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!ERROR! BOOKMARK NOT DEFINED.

! ! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!ERROR! BOOKMARK NOT DEFINED.

! ! $ % !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!ERROR! BOOKMARK NOT DEFINED.

(12)

! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

! !

! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! "

!# !!!!ERROR! BOOKMARK NOT DEFINED.

! !!!!!!!!!!!!!!ERROR!

BOOKMARK NOT DEFINED.

!& !!!!!!!!!!!!!!ERROR!

! !!!!!!!!!!!!ERROR!

! !!!!!!!!!!!!ERROR! BOOKMARK NOT

DEFINED.

! !!!ERROR! BOOKMARK NOT

DEFINED.

! !ERROR! BOOKMARK

NOT DEFINED.

! " ERROR!

! # ERROR!

! ERROR!

(13)

! & ERROR! BOOKMARK NOT

DEFINED.

!

!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!ERROR! BOOKMARK NOT DEFINED.

! !!!ERROR! BOOKMARK

NOT DEFINED.

! !!!!!!!!ERROR! BOOKMARK NOT DEFINED.

! !!!!!!!!ERROR! BOOKMARK NOT

DEFINED.

!

! !!!!!!!!!ERROR!

! !!!!!!!!!!!!!!!!!!!!!!ERROR!

!" !!!!!!!!!!!!!!!!!!!!!ERROR!

!# !!!!!!!!!!!!!ERROR! BOOKMARK NOT DEFINED.

! !!!!!!!!!ERROR! BOOKMARK NOT

DEFINED.

!& !!!!!!!ERROR!

!

! !!!ERROR! BOOKMARK NOT

DEFINED.

! !!!!!!ERROR!

! !!!!!!!!!!!!ERROR!

(14)

Banyak lulusan SMP yang melanjutkan belajarnya di SMK akan pindah jurusan atau bahkandrop out. Hal ini disebabkan kurang matangnya mereka memilih jurusan yang dituju. Mereka kurang mencari informasi mengenai jurusan yang sesuai dengan kemampuan, minat, bakat dan kepribadian. Oleh karena itu dibutuhkan suatu sistem pakar yang membantu peserta didik dalam menentukan jurusan yang tepat sesuai minat dan kemampuan. Sistem pakar ini menggunakan fuzzy conditional probability yang dikombinasikan dengan forward chaining untuk mencari kemungkinan jurusan yang cocok. Setelah user memasukkan data mengenai kemampuan, kesukaan dan kepribadiannya, maka sistem akan mencari jurusan yang sesuai menggunakanforward

secara descending. Secara umum, sistem pakar ini dapat menentukan jurusan SMK yang tepat dan sistem ini berjalan sesuai dengan yang diharapkan.

Keyword: Sistem Pakar,Forward Chaining, Fuzzy Conditional Probability, Jurusan,

(15)

Many junior high school graduates who continue their study in the vocational school will move or even drop out. This is due to lack of maturation of their intended majors. They lack seek information on courses relevant to the abilities, interests, talents and personality. Therefore, it needs an expert system that helps theym in determining the appropriate major based on their abilities, interests, talents and personality. This expert system uses fuzzy conditional probability combined with forward chaining to find appropriate majors. Once users enter data regarding the abilities, interests, talents and personality, then the system will search for the appropriate major using forward chaining. First stage in this expert system is to change the input from the user into the fuzzy then sought correspondence between input from the user with the data in the knowledge;based. Once the suitability values obtained, it will look for the value of probability majors. After that it will be received by sorting the results in descending order. In general, the expert system is able to determine the appropriate vocational majors and the system is running as expected.

(16)

Sistem Pakar adalah salah satu cabang kecerdasan buatan yang menggunakan pengetahuan;pengetahuan khusus yang dimiliki oleh seorang ahli untuk menyelesaikan suatu masalah tertentu. Kajian pokok dalam sistem pakar adalah bagaimana mentransfer sebagian pengetahuan yang dimiliki oleh seorang pakar ke dalam komputer dan bagaimana mengambil keputusan atau membuat kesimpulan berdasarkan pengetahuan itu. Dengan menyimpan informasi dan digabungkan dengan himpunan aturan penalaran yang memadai memungkinkan komputer memberikan kesimpulan atau mengambil keputusan seperti seorang pakar (Hartati et al, 2008).

Sebelum tahun 2010, pendidikan SMK (Sekolah Menengah Kejuruan) merupakan pilihan nomor dua setelah SMA (Sekolah Menengah Atas), karena peserta didik lulusan SMP (Sekolah Menengah Pertama) lebih memilih SMA. Seiring dengan perhatian Pemerintah untuk mengubah persepsi SMK, SMK sekarang telah mulai jadi pilihan lulusan SMP sebagai tempat melanjutkan belajar. Penulis memberikan kuisioner terhadap 30 peserta didik dari SMP Swasta Satria Nusantara mengenai pilihan yang akan diambil setelah lulus dari SMP. Dari kuisioner tersebut, sebanyak 60% memilih SMK dan 40% yang memilih SMA. Alasan paling umum peserta didik memilih SMK karena setelah lulus SMK, peserta didik dapat langsung kerja. Alasan lainnya adalah karena di SMK, peserta didik lebih dapat mengasah kemampuan, bakat dan keterampilan.

(17)

dibutuhkan suatu sistem pakar yang membantu peserta didik dalam menentukan jurusan yang tepat sesuai minat dan kemampuan. Berikut ini adalah penelitian mengenai penentuan jurusan antara lain Sistem Pendukung Keputusan menggunakan Metode Simple Additive Weighting (SAW) untuk menentukan Jurusan pada SMK Bakti Purwekerto (Hermanto, 2012), Perancangan Sistem Pakar Penentuan Jurusan dengan Mengunakan Pendekatan Bayesian Network (Mucthar et al, 2011), Sistem Pendukung Keputusan Pemilihan Jurusan SMK Menggunakan Neuro Fuzzy (Dwi et al, 2010), dan Penentuann Jurusan di SMAN 8 Surakarta dengan Fuzzy Inference System (FIS) Mamdani (Glesung, 2010)

Pada penelitian ini penulis akan membangun sistem pakar untuk menentukan jurusan SMK. Sistem pakar ini menggunakan fuzzy conditional probability yang dikombinasikan dengan forward chaining untuk mencari kemungkinan jurusan yang cocok. Setelah user memasukkan data mengenai kemampuan, minat dan kepribadiannya, maka sistem akan mencari jurusan yang sesuai menggunakanforward

secara descending. Terdapat beberapa penelitian menggunakan fuzzy conditional

probability dalam berbagai kasus sistem pakar seperti analisa Penyakit Dalam

manusia (Willyanto et al, 2008), diagnosis Penyakit THT (Sinaga. 2010), diagnosis Penyakit Mulut (Simanjuntak. 2011) dan lain;lain.

! /0/1'- '1'+'2

(18)

! '('1'- '1'+'2

Guna mencegah meluasnya cakupan permasalahan yang akan dibahas dalam studi ini dan untuk membuat studi ini lebih terarah, maka dilakukan pembatasan masalah sebagai berikut:

1. Sistem pakar ini berbasisweb.

2. Jurusan yang digunakan yaitu jurusan yang terdapat di SMK Negeri 1 Kota Binjai. Jumlah jurusan tersebut sebanyak 5 Data SMK Negeri 1 Kota Binjai Tahun 2014.

3. Variabel yang digunakan adalah kemampuan, minat, bakat dan kepribadian.

4. Variabel kemampuan terdiri dari kemampuan umum, penalaran dan keterampilan. Kemampuan umum terdiri kemampuan spasial, kemampuan teknis dan kemampuaan analitis. Penalaran terdiri atas penalaran verbal, penalaran numerik dan penalaran persepsi. Keterampilan terdiri dari keterampilan ketajaman.

5. Variabel Minat dan Bakat terdiri dari bidang literatur, kreatif, sosial, eksekutif, penelitian, praktikal dan administrative.

6. Variabel kepribadian terdiri dari beberapa 4 tipe yaitu tipe 1 adalah Sensitif dan Faktual, Tipe 2 adalah Lincah dan Tenang, Tipe 3 adalah Agresif dan Pasif, Tipe 4 adalah Mandiri dan Bekerja Sama.

! /3/'-

(19)

! '-5''(

*-*+4(4'-Manfaat yang dapat diperoleh dari penelitian ini adalah:

1. Mengetahui penggunaan fuzzy conditional probability dalam sistem pakar untuk menentukan jurusan SMK.

2. Menambah pemahaman penulis tentang penggunaanfuzzy conditional probability dalam sistem pakar untuk menentukan jurusan SMK

3. Sebagai referensi untuk penelitian lain yang membahas fuzzy conditional

probability, sistem pakar dan menentukan jurusan SMK.

!" *(676+6.4

*-*+4(4'-Metodologi penelitian yang digunakan pada penelitian ini adalah:

a. Studi Literatur

Pada tahap ini dilakukan studi kepustakaan yaitu proses mengumpulkan bahan refernsi mengenai sistem pakar menggunakan forward chaining dan fuzzy

conditional probabilitydari berbagai buku, jurnal, artikel, dan beberapa referensi

lainnya.

b. Analisis

Pada tahap ini dilakukan analisis terhadap studi literature untuk mengetahui dan mendapatkan pemahaman mengenai fuzzy conditional probability untuk menentukan jurusan SMK.

c. Perancangan

(20)

d. Implementasi

Pada tahap implementasi sistem ini akan dilakukan pengkodean program menggunakan PHP, javascript, dan MySQL.

e. Pengujian

Pada tahap ini dilakukan pengujian aplikasi menentukan jurusan smk yang telah dibuat guna memastikan aplikasi telah berjalan sesuai dengan apa yang diharapkan.

f. Dokumentasi dan Penyusunan Laporan

Pada tahap ini dilakukan dokumentasi hasil analisis dan implementasi fuzzy

conditional probabilityuntuk menentukan jurusan SMK.

!# 41(*0'(4,'

*-/+41'-Sistematika penulisan dari skripsi ini terdiri dari lima bagian utama sebagai berikut:

'8

*-7'2/+/'-Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.

'8 9 '-7'1'- *6)4

Bab ini berisi teori;teori yang digunakan untuk memahami permasalahan yang dibahas pada penelitian ini. Pada bab ini dijelaskan tentang penerapan fuzzy conditional

probabilityuntuk menentukan jurusan SMK.

'8 9 -'+4141 7'-

(21)

'8 9 0;+*0*-('14 7'-

*-./34'-Bab ini berisi pembahasan tentang implementasi dari analisis dan perancangan yang disusun pada Bab 3 dan pengujian apakah hasil yang didapatkan sesuai dengan yang diharapkan.

'8 9 *140;/+'- '-

(22)

berhubungan dengan penerapan fuzzy conditional probability dalam sistem pakar untuk menentukan jurusan SMK.

! *:*)7'1'-

/'('-Kecerdasan buatan adalah salah satu bidang ilmu komputer yang mendayagunakan komputer sehingga dapat berperilaku cerdas seperti manusia. Ilmu komputer tersebut mengembangkan perangkat lunak dan perangkat keras untuk menirukan tindakan manusia. Aktifitas manusia yang ditirukan seperti penalaran, penglihatan, pembelajaran, pemecahan masalah, pemahaman bahasa dan sebagainya (Hartati et al. 2008).

Bidang;bidang yang dipelajari oleh teknologi kecerdasan buatan adalah Robotika (Robotics), Penglihatan Komputer (Computer Vision), Pengolahan Bahasa Alami (Natural Language Processing), Pengenalan Pola (Pattern Recognition), Sistem Saraf Buatan (Artificial Neural Network), Pengenalan Suara (Speech

Recognition) dan Sistem Pakar (Expert System). Kecerdasan buatan menyelesaikan

(23)

! 41(*0 ',')

Sistem Pakar adalah salah satu cabang kecerdasan buatan yang menggunakan pengetahuan;pengetahuan khusus yang dimiliki oleh seorang ahli untuk menyelesaikan suatu masalah tertentu. Kajian pokok dalam sistem pakar adalah bagaimana mentransfer sebagian pengetahuan yang dimiliki oleh seorang pakar ke dalam komputer dan bagaimana mengambil keputusan atau membuat kesimpulan berdasarkan pengetahuan itu. Dengan menyimpan informasi dan digabungkan dengan himpunan aturan penalaran yang memadai memungkinkan komputer memberikan kesimpulan atau mengambil keputusan seperti seorang pakar (Hartati et al, 2008).

Pengetahuan sistem pakar dibentuk dari kaidah atau pengalaman tentang prilaku elemen dari domain bidang pengetahuan tertentu. Pengetahuan pada sistem pakar diperoleh dari orang yang mempunyai pengetahuan pada suatu bidang (pakar bidang tertentu), buku;buku, jurnal ilmiah, majalah maupun dokumentasi yang tercetak lainnya. Sumber pengetahuan tersebut biasa dikenal dengan sumber keahlian (Hartati et al, 2008).

2.2.1 Komponen sistem pakar

Komponen;komponen yang harus dimiliki oleh sistem pakar adalah sebagai berikut (Hartati et al, 2008):

1. Antar Muka Pengguna (User Interface)

Sistem pakar menggantikan seorang pakar dalam suatu situasi tertentu, maka sistem harus menyediakan pendukung yang diperlukan oleh pemakai yang tidak memahami masalah teknis. Sistem pakar juga menyediakan komunikasi antara sistem dan pemakainya yang disebut antar muka. Antar Muka yang efektif dan ramah pengguna (user&friendly) penting sekali terutama bagi pemakai yang tidak ahli dalam bidang yang diterapkan pada sistem pakar.

2. Basis Pengetahuan (Knowledge Base)

(24)

sebelumnya. Basis pengetahuan bersifat dinamis, bisa berkembang dari waktu ke waktu. Perkembangan ini disebabkan karena pengetahuan selalu bertambah.

3. Mekanisme Inferensi (Inference Machine)

Mesin inferensi merupakan otak dari sistem pakar berupa perangkat lunak yang melakukan tugas inferensi penalaran sistem pakar, biasanya dikatakan mesin pemikir (Thinking Machine). Pada prinsipnya mesin inferensi inilah yang akan mencari solusi dari suatu permasalahan. Konsep yang biasanya digunakan untuk mesin inferensi adalah runut balik (backward chaining) yaitu proses penalaran yang berawal dari tujuan yang kita inginkan, menelusuri fakta;fakta yang mendukung untuk mencapainya tujuan. Selain itu dapat juga menggunakan runut maju (forward chaining) yaitu proses penalaran yang bermula dari kondisi yang diketahui menuju tujuan yang diinginkan.

4. Memori Kerja (Working Memory)

Memori kerja merupakan bagian dari sistem pakar yang menyimpan fakta;fakta yang diperoleh saat dilakukan proses konsultasi. Fakta;fakta inilah yang nantinya akan diolah oleh mesin inferensi berdasarkan pengetahuan yang disimpan dalam basis pengetahuan untuk menentukan suatu keputusan pemecahan masalah. Kesimpulannya bisa berupa hasil diagnosa, tindakan dan akibat. Pada Gambar 2.1 dapat dilihat hubungan antara struktur sistem pakar.

(25)

2.2.2 Perunutan

Dalam melakukan inferensi diperlukan adanya proses pengujian kaidah;kaidah dalam urutan tertentu untuk mencari yang sesuai dengan kondisi awal atau kondisi yang berjalan yang sudah dimasukkan pada basis data. Perunutan adalah proses pencocokan fakta, pernyatan atau kondisi berjalan yang tersimpan pada basis pengetahuan maupun pada memori kerja dengan kondisi yang dinyatakan pada premis atau bagian kondisi pada kaidah. Beberapa jenis perunutan adalah sebagai berikut (Hartati et al, 2008):

1. Runut Maju (Forward Chaining)

Runut maju merupakan proses perunutan yang dimulai dengan menampilkan kumpulan data atau fakta yang menyakinkan menuju konklusi akhir. Cara kerjanya adalah inference engine memilih rule dimana data atau fakta cocok dengan informasi yang ada pada bagianworking memory.

2. Runut Balik (Backward Chaining)

Runut balik merupakan proses perunutan yang arahnya kebalikan dari runut maju. Cara kerjanya inference engine memulai darigoalyang telah ditentukan kemudian berjalan mundur untuk membuktikan kebenaran goal tersebut berdasarkan rule apa saja yang dapat membentukgoaltersebut.

!

(26)

2.3.1 Himpunan fuzzy

Pada himpunancrisp, nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µA(x), memiliki dua kemungkinan yaitu (Kusumadewi et al, 2010):

a. Satu (1) yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan.

b. Nol (0) yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.

Himpunanfuzzymemiliki 2 atribut yaitu (Kusumadewi et al, 2010):

a. Linguistik yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami seperti: MUDA, PAROBAYA, dan TUA.

b. Numeris yaitu suatu nilai (angka) yang menunjukan ukuran dari suatu variabel seperti: 40, 25, 50, dst.

2.3.2 Fungsi keanggotaan

Fungsi Keanggotaan (Membership Function) dalam himpunan fuzzy adalah suatu kurva yang menunjukkan pemetaan elemen;elemen input data ke dalam nilai keanggotaannya (sering juga disebut derajat keanggotaan) yang memiliki interval 0 sampai 1 (Kusumadewi et al, 2010). Beberapa jenis fungsi yang biasa digunakan untuk mendapatkan nilai keanggotaan yaitu (Kusumadewi et al, 2010):

1. Representasi Linier

(27)

'08') ! *;)*1*-('14 4-4*) '4, $ /1/0'7*=4 *( '+< %

Fungsi keanggotaan untuk representasi linier naik :

µ[x]=

0; ≤

( )

( ); ≤ ≤

1; ≥

(2.1)

Linier turun merupakan kebalikan dari linier naik. Linier turun dimulai dari domain yang memilki derajat keanggotaan paling tinggi lalu bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan yang lebih rendah. Bentuk grafiknya dapat dilihat pada Gambar 2.3.

'08') ! *;)*1*-('14 4-4*) /)/- $ /1/0'7*=4 *( '+< %

Fungsi keanggotaan untuk representasi linier turun :

µ[x]= ; ≤ ≤

0; ≥ (2.2)

2. Representasi Kurva Segitiga

(28)

'08') ! *;)*1*-('14 /)>' *.4(4.' $ /1/0'7*=4 *( '+< %

Fungsi keanggotaan untuk representasi kurva segitiga :

µ[x]=

0; ≤

( )

( ); ≤ ≤

( )

( ); ≤ ≤

0; ≥

(2.3)

3. Representasi Kurva Trapesium

Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1. Bentuk grafiknya dapat dilihat pada Gambar 2.5.

'08') ! *;)*1*-('14 /)>' )';*14/0 $ /1/0'7*=4 *( '+< %

(29)

µ[x]=

0; ≤

( )

( ); ≤ ≤

1; ≤ ≤

( )

( ); ≤ ≤

0; ≥

(2.4)

4. Representasi Kurva Bentuk Bahu

Contoh representasi kurva bentuk bahu pada pembagian suhu temperatur. Bentuk grafiknya dapat dilihat pada Gambar 2.6.

'08') !" *;)*1*-('14 /)>' *-(/, '2/ $ /1/0'7*=4 *( '+< %

Fungsi keanggotaan untuk representasi kurva bentuk bahu pada pembagian suhu temperatur :

Dingin :

µ[x]=

1; ≤

( )

( ); ≤ ≤

0; ≥

(2.5)

Sejuk :

µ[x]=

0; ≤

( )

( ); ≤ ≤

( )

( ); ≤ ≤

0; ≥

(30)

Normal :

Probability atau disebut dengan probabilitas didefinisikan sebagai kesempatan suatu

peristiwa (event) akan terjadi. Peristiwa adalah satu atau lebih kemungkinan hasil dari suatu tindakan. Probabilitas suatu peristiwa dinyatakan dengan bilangan pecahan (½, ¾) atau dengan bilangan decimal (0.25, 0.50, 0.75) yang besarnya dari 0 sampai 1. Besarnya probabilitas suatu peristiwa adalah 0, artinya peristiwa tersebut tidak akan pernah terjadi. Sedangkan besarnya probabilitas suatu peristiwa adalah 1, artinya peristiwa tersebut selalu akan terjadi. (Algfahri, 2006)

Suatu kegiatan yang akan menghasilkan suatu peristiwa di dalam teori probabilitas disebut dengan percobaan (Experiment). Ketika dilakukan dua kali percobaan, peristiwa yang akan terjadi pada percobaan pertama dapat berpengaruh atau tidak dapat berpengaruh terhadap hasil peristiwa kedua. Apabila suatu peristiwa dapat mempengaruhi peristiwa lainnya maka peristiwa tersebut dapat dikatakan

(31)

mempengaruhi peristiwa lainnya, maka dua peristiwa tersebut dikatakan independen (tidak tergantung).

Ada tiga bentuk probabilitas suatu peristiwa (Algfahri, 2006) yaitu:

1. Probabilitas Marjinal (Marginal Probability) adalah probabilitas sederhana dari terjadinya suatu peristiwa.

2. Probabilitas Gabungan (Joint Probability) adalah probabilias dari dua atau lebih peristiwa yang terjadi secara bersamaan.

3. Probabilitas Bersyarat (Conditional Probability) adalah probabilitas peristiwa kedua tejadi apabila peristiwa yang pertama terjadi. Pada suatu percobaan akan menghasilkan 2 kemungkinan peristiwa akan terjadi, yaitu peristiwa A dan peristiwa B.

!

Conditional probability untuk peristiwa independen yaitu probabilitas terjadinya

peristiwa A dengan syarat peristiwa A terjadi terlebih dahulu adalah sama dengan probabilitas akan terjadinya peristiwa B.

P(B\A) = P(B) (2.10)

Pada peristiwa yang independen antara peristiwa satu tidak akan mempengaruhi peristiwa yang lain. Atau dengan kata lain, probabilitas suatu peristiwa tidak terpengaruhi oleh peristiwa yang terjadi sebelumnya atau peristiwa yang terjadi sesudahnya.

Conditional probability untuk peristiwa independen yaitu probabilitas

terjadinya peristiwa B dengan syarat peristiwa A terjadi terlebih dahulu.

P(B\A) = ( )

(32)

Conditional probability dua fuzzy sets dapat didefinisikan sebagai fuzzy conditional

probability(Intan et al, 2005).

!" /8/-.'- -(')'

7'-Ada 4 kemungkinan situasi dalam hubungan antara subjek dan objek yaitu (Intan et al, 2005):

1. Jika subjek mempunyai pengetahuan yang cukup dan objek mempunyai definisi yang jelas maka akan menjadicertainty.

2. Jika subjek mempunyai pengetahuan yang cukup dan objek mempunyai definisi yang belum jelas maka akan menjadi fuzzy. Umumnya fuzzy disebut juga dengan uncertainty yang deterministik, dapat terjadi di dalam situasi ketika sesuatu secara subjektif dapat mengambarkan sebuah objek. Walaupun terkadang objek tidak mempunyai definisi yang pasti atau jelas. Contohnya seorang pria mengatakan seorang wanita itu cantik. Tentunya definisi wanita cantik itu tidak jelas, tidak pasti dan subjektif. Tetapi pria tersebut yakin bahwa wanita yang ia katakan sebagai wanita cantik.

3. Jika subjek tidak mempunyai pengetahuan yang cukup dan objek mempunyai definisi yang jelas maka akan menjadi randomness. Randomness umumnya disebut dengan uncertainty yang non;deterministik karena subjek tidak dapat mengambarkan objek walaupun objek mempunyai definisi yang jelas.

Probability muncul untuk mengukur kejadian. Contohnya dalam pelemparan

sebuah dadu. Walaupun ada 6possibilityyang pasti terhadap hasil, tetapi tidak ada kepastian terhadap hasil yang keluar. Contoh lainya adalah sesorang tidak dapat menjamin jawaban yang pasti di dalam masalah multiple choice yang mempunyai 4 kemungkinan jawaban tetapi hanya mempunyai satu jawaban yang benar.

(33)

Dalam situasi ini, probability dan fuzzy digabungkan. Contohnya, bagaimana maramalkan dari kejadian yang didefinisikan secara tidak jelas. Contohnya “Besok akan menjadi hari yang hangat.” Pembicaraan mengenai esok hari berarti membicarakan mengenai masa depan yang subjeknya tidak dapat ditetapkan apa yang akan terjadi pada masa depan. Situasi ini sebaiknya diatasi denganprobability. Tetapi kata “hangat” juga merupakan kejadian yang tidak jelas definisinya yang disebut fuzzy events. Oleh karena itu disebut dengan

probability fuzzy events.

Pada keempat situasi di atas, tampak bahwa probability dan fuzzy berjalan pada area yang berbeda pada teoriuncertaintydan teoriprobabilitytidak cukup untuk mengatasi kejadian yang tidak didefinisi secara jelas.Probability dan fuzzy dianggap sebagai alat pelengkap untuk mengatasi masalah ini.

!# 4+'4

*1*1/'4'-Bila kita mempunyai 2 buah fuzzy sets yang berbeda terhadap Universal set U, kemudian kita ingin mencari korelasi atau hubungan antara kedua fuzzy set tersebut, maka kita perlu membandingkan terlebih dahulu tiap elemen dari masing;masingfuzzy sets. Definisi untuk membandingkan nilai membership degree antara kedua fuzzy set tersebut adalah :

R : [0,1] X [0,1] →[0,1] (2.12)

Misalkan U adalah suatu knowledge&based jawaban suatu sets dari jurusan yang dinyatakan sebagai sebuahfuzzy setsterhadap jawabanAdan B adalah jawaban yang dimasukkan user yang dinyatakan sebagai suatu fuzzy sets terhadap A. dimana A={a1,a2,a3,…,an} sedangkan U={!"# $

(}. Untuk mencari nilai kesesuaian antara fuzzy sets U

denganXmaka dicari seberapa besar selisih antaraµUj(ai)yang merupakan nilaifuzzy

sets jawabanai menurut knowledge&baseddenganµX(ai)yang merupakan nilai fuzzy

(34)

persamaan untuk mencari nilai kesesuaianfuzzy setsadalah sebagai berikut (Willyanto et al, 2008):

R(X(ai),Uj(ai)) = Max

*0, 1 −

, |./( () .01( ()|

.01( ()

2

dengan syaratµUj(ai) ≠ 0(2.13)

R(X(ai), Uj(ai)) = 0dengan syaratµUj(ai) = 0 (2.14)

R(X(ai),Uj(ai)) = !"3

( ₄)+ 1

6!"3( 4)+ 17+ 8 |!)( 4)− !"3( 4)|dengan syaratµUj(ai) ≠ 0 (2.15)

R(X(ai), Uj(ai)) = 0dengan syaratµUj(ai) = 0 (2.16)

Keterangan dari persamaan (2.13), (2.14), (2.15), dan (2.16): A = Universalsetsdari jawaban padaknowledge&based.

X =Fuzzy setsjawaban milikuser.

U =Fuzzy sets knowledge&basedjawaban terhadap A dari suatu jurusan.

ai = Nilai jawaban ke;idarisets A.

i = 1,2,3, … , n dimana n = banyaknya jawaban yang dimasukkanuser. j = 1, 2, 3, … , n dimana n = banyaknya jawaban padaknowledge&based. C = Konstanta yang bernilai diantara 0 < C ≤ 1.

Uj(ai) = Nilai keanggotaan atribut ke;ipadafuzzy sets Udari jurusan ke;jpada

knowledge based.

µX(ai) = Nilai keanggotaan atribut ke;ipadafuzzy sets Ayang dimasukkan olehuser.

Max

*0, 1 −

, |./( () .01( ()|

.01( ()

2

= Hasil fungsi yang bernilai antara 0 sampai 1.

Dalam pembuatan sistem ini terdapat 3 pendekatan yaitu nilai fuzzy yang diukur berdasarkan nilai UN, mata pelajaran yang disukai dan kuisioner kepribadian. Jadi persamaan nilai kesesuaian mempunyai 3 parameter berdasarkan persamaan (2.15) menjadi:

1. Persamaan Nilai Kesesuaian untuk menghitung nilai UN : R(X(ai),Uj(ai)) =

!"_{394: 4}( ₄)+ 1

6!"394: 4( 4) + 17+ 8 | !)94: 4( 4)− !"394: 4( 4)|dengan syarat

(35)

2. Persamaan Kesesuaian untuk menghitung mata pelajaran yang disukai : R(X(ai),Uj(ai)) =

!"349;( 4)+ 1

6!"349;( 4) + 17+ 8 | !)49;( 4)− !"349;( 4)|dengan syarat

µUj(ai) ≠ 0 (2.17)

3. Persamaan Nilai Kesesuaian untuk menghitung skor kuisioner kepribadian : R(X(ai),Uj(ai)) =

!"3< =( 4)+ 1

6!"3< =( 4) + 17+ 8 | !)< =( 4)− !"3< =( 4)|dengan syarat

µUj(ai) ≠ 0 (2.18)

Keterangan dari persamaan (2.16), (2.17) dan (2.18) :

Rnilai(X(ai), Uj(ai)) = Nilai kesesuaian antara nilai UNaiyang dimasukkan pengguna

dengan nilai UNaipadaknowledge&basedjurusan ke;j.

Rsuka(X(ai), Uj(ai)) = Nilai kesesuaian antara intensitas rasa suka terhadap mata

pelajaranaiyang dimasukkan pengguna dengan intensitas rasa

suka terhadap mata pelajaranaipadaknowledge&basedjurusan

ke;j.

Rkep(X(ai), Uj(ai)) = Nilai kesesuaian antara skor kuisioner ai yang didapatkan

pengguna dengan skor kusisioner ai pada knowledge&based

jurusan ke;j.

µXnilai(ai) = Fungsi yang menghasilkan membership degree nilai UN mata

pelajaranaiyang dimasukkan pengguna.

µXnilai(ai) = Fungsi yang menghasilkan membership degree intensitas rasa

suka mata pelajaranaiyang dimasukkan pengguna.

µXkep(ai) = Fungsi yang menghasilkan membership degree skor kuisioner

aiyang dimasukkan pengguna.

µUj nilai(ai) = Fungsi yang menghasilkan membership degree nilai UN ai

yang ada padaknowledge&basedjurusan ke;j.

µUj suka(ai) = Fungsi yang menghasilkan membership degree intensitas rasa

suka matapelaaranai yang ada pada knowledge&basedjurusan

ke;j.

µUj kep(ai) = Fungsi yang menghasilkan membership degree skor kuisioner

(36)

!

Bila terdapat dua kejadian dimana kejadian pertama muncul bila kejadian kedua terjadi, maka dapat dihitung hasil probability kejadian pertama tersebut. Persamaan untuk mencari fuzzy conditional probability adalah sebagai berikut (Willyanto et al, 2008):

P(B, Un) =

>@(A$?(/( ()01)

|0B|C dengan syarat|Un|a ≠ 0 (2.19)

Keterangan persamaan (2.19):

> D()(FEGH E), "#) = Hasil penjumlahan nilai kesesuaian atribut X dengan jurusan

yang ke;j.

i = 1, 2, 3,..., k dimana k adalah banyaknya variabel yang dimasukkan olehuser.

|Un|a = Banyaknya variabel yang ada pada jurusan Un, dimana a

adalah atribut sedangkan Un adalah jurusan ke;n. Jurusan

padaUnadalah jurusan yang tidak bernilai 0.

Persamaan (2.19) digunakan jika parameter yang digunakan hanya satu saja. Pada pembuatan sistem ini parameter yang digunakan adalah 3 maka persamaan mengalami perubahan sebagai berikut.

Persamaanfuzzy conditional probabilitydengan 3 parameter adalah sebagai berikut :

P(B,Un) =

>@(A$,$ ?B(IC(J ( ()01KL,& ?MNOCJ ( ()01KL,P ?OQRJ ( ()01K

|0B|C dengan

syarat|Un|a ≠ 0 (2.20)

DimanaC1,C2danC3adalah sebuah nilai konstanta dengan syaratC1+C2+C3=1

Keterangan persamaan (2.20) :

Rnilai(B(ai), Uj(ai)) = Nilai kesesuaian antara nilai UN mata pelajaran ai yang

dimasukkan pengguna dengan nilai mata pelajaran ai pada

knowledge&basedjurusan ke;j.

Rsuka(B(ai), Uj(ai)) = Nilai kesesuaian antara intensitas rasa suka terhadap mata

(37)

rasa suka terhadap mata pelajaran ai pada knowledge&based

jurusan ke;j.

Rkep(B(ai), Uj(ai)) = Nilai kesesuaian antara skor kuisioner ai yang dimasukkan

pengguna dengan skor kuisioner ai pada knowledge&based

jurusan ke;j.

i = 1, 2, 3,..., k dimana k adalah banyaknya jawaban yang dimasukkan olehuser.

|Un|a = Banyaknya record yang ada pada jurusan ke;n pada

knowledge&based, dimana nilai membership degree record

tersebut tidak bernilai 0. C1, C2danC3 = Konstanta.

!& 4084-.'- 7'- 6-1*+4-.

Kata Bimbingan Konseling terdiri dari kata bimbingan yang merupakan terjemahan dari kata guidance. Bimbingan adalah suatu proses pemberian bantuan atau pertolongan kepada individu dalam hal memahami diri sendiri, menghubungkan pemahaman tentang dirinya sendiri dengan lingkungan, memilih, menentukan dan menyusun rencana sesuai dengan konsep dirinya sendiri dan tuntutan lingkungan. Sedangkan konseling merupakan terjemahan dari kata counseling. Konseling adalah serangkaian kegiatan paling pokok bimbingan dalam usaha membantu klien secara tatap muka dengan tujuan agar klien dapat mengambil tanggung jawab sendiri terhadap berbagai persoalan atau masalah khusus. (Winkel et al, 2006)

2.9.1 Ragam bimbingan konseling

(38)

Terdapat 3 ragam bimbingan yaitu (Winkel et al, 2006): 1. Bimbingan Karier

Bimbingan karier adalah bimbingan dalam mempersiapkan diri menghadapi dunia pekerjaan dalam memilih lapangan pekerjaan atau jabatan/profesi tertentu serta membekali diri supaya siap memangku jabatan tertentu dari lapangan pekerjaan yang telah dimasuki.

2. Bimbingan Akademik

Bimbingan akademik adalah bimbingan dalam hal menemukan cara belajar yang tepat, dalam memilih program studi yang sesuai, dan dalam mengatasi kesukaran yang timbul berkaitan dengan tuntutan;tuntutan belajar di suatu institusi pendidikan.

3. Bimbingan Pribadi;Sosial

Bimbingan pribadi;sosial adalah bimbingan dalam menghadapi keadaan batinnya sendiri dan mengatasi berbagai pergumulan dalam batinnya sendiri, dalam mengatur dirinya sendiri di bidang kerohanian, perawatan jasmani, pengisian waktu luang, serta bimbingan dalam membina hubungan kemanusiaan dengan sesame di berbagai lingkungan.

! *,6+'2 *-*-.'2 *3/)/'- $ %

(39)

! *-*+4(4'- *)7'2/+/

*-../-','-Ada beberapa penelitian sistem pakar yang menggunakan fuzzy conditional

probabilityantara lain seperti Tabel 2.1.

'8*+ ! *-*+4(4'- ?'-.

*-../-','-6 *-/+41 '2/- /7/+ 4;/8+4,'14

'7'

*140;/+'-1. Willyanto et al.

2008 ImplementasiFuzzy

Expert Systemuntuk

Analisa Penyakit Dalam pada Manusia

Seminar pakar ini jika sistem ini menggunakan lebih dari satu pakar.

2. Sinaga,

Maria

2010 Analisis dan

Perancangan Sistem

Pakar Fuzzy Berbasis

Web untuk ini sangat menentukan hasil akhir diagnosis penyakituser

3. Simanjuntak,

Jelita

2011 Sistem Pakar Berbasis

Webuntuk

Metode ini dapat diterapkan dalam masalah Penyakit Mulut.

Perbedaan penelitian ini dengan 3 penelitian terdahulu yang menggunakan

fuzzy conditional probability, mereka menggunakan persamaan untuk mencari nilai

(40)

karena hasil yang dikeluarkan tidak mempunyai rentang antara 0 sampai 1. Tetapi hasil yang diperoleh kurang dari 0.

Contoh diberikan tabelknowledge&basedpada Tabel 2.2.

'8*+ ! 6-(62! " # $

% & ' ( )

u1 0.2 0.6 0 1 0

u2 0.3 0 0.2 0 0.5

Misalkan diberikan B = {S.H

$

},

jika C = 1 maka penyelesaian R(B(a1), U(a4))

sesuai dengan Tabel 2.2 adalah : R(B(a1), U1(a4)) = Max ( 0, 1 ;

|1−0.1|

0.1 ) = Max ( 0, ;8 ) = 0

Pada hasil perhitungan di atas kita mendapatkan hasil 0. Hasil perhitungan tersebut sudah tidak berada pada rentang 0 sampai 1. Oleh karena itu penulis menggunakan persamaan (2.13) untuk mencari nilai kesesuaian. Pada penelitian ini, penulis juga mengubah beberapa nilai pada variabel menjadi derajat keanggotaan. Pada 3 penelitian di atas, mereka menggunakan representasi nilaifuzzy.

! *-*+4(4'- *)7'2/+/ *-.*-'4 '1'+'2 *-*-(/'-

(41)

'8*+ ! *-*+4(4'- *-.*-'4 '1'+'2 *-*-(/'-

/)/1'-2012 Sistem Pendukung Keputusan pada SMK Bakti Purwekerto webini dapat diakses dimana saja.

2. Muchtar et al

2011 Perancangan Sistem Pakar Penentuan pengujian 10 kali 3. Dwi et al. 2010 Sistem Pendukung

Keputusan Pemilihan

2010 Penentuan Jurusan di

SMAN 8 Surakarta

denganFuzzy Inference

System(FIS) Mamdani

Universitas

Sebelas

Maret

Surakarta

FIS 1 lebih

direkomendasikan

penggunaannya dalam

menentukan jurusan

daripada FIS 2.

Terdapat 1 kesalahan

(42)

Pada tahun 2012 Hermanto melakukan penelitian mengenai penentuan jurusan dengan menggunakan metode SAW. Adapun tahap;tahap metode SAW (Hermanto, 2012) antara lain:

1. Tetapkan nilai referensi

2. Tetapkan nilai pembobotan kriteria nilai mata pelajaran per jurusan yang tersedia.

3. Tetapkan bobot preferensi yaitu W = {5,4,5,4,4}. 4. Normalisasi nilai R terhadap matriks X.

5. Proses perankingan matriks ternormalisasi R menggunakan bobot perferensi.

Pada tahun 2011 Syahrial dan Geovan melakukan penelitian mengenai perancangan sistem pakar untuk mnentuan jurusan dengan menggunakan pendekatan

Bayesian Network. Adapun tahap;tahap Bayesian network (Syahrial, Edwien dan

Giovan, Andre, 2011) antara lain : 1. Pengumpulan informasi sistem

2. Perancangan knowledge based untuk sistem 3. Perancangan basis data

4. Perancangan layar

Rule yang dihasilkan sebanyak 10 rule. Tes yang diberikan kepada 10 0rang. Dari pengujian sebanyak 10 kali terjadi 1 kesalahan atau berbeda dengan pendapat pakar.

Pada tahun 2010 Dwi melakukan penelitian mengenai penentuan jurusan dengan menggunakan metode Neuro Fuzzy (integrasi sistem fuzzy dan jaringan syaraf). Adapun tahap;tahap metode NeuroFuzzy(Hermanto, 2010) antara lain :

1. Untuktestingdata

Data yang sudah tersedia lalu akan melakukan fuzzifikasi lalu gunakan JST untuk mendapatkan nilai rekomendasi.

2. Untuktrainingdata

(43)

mendapatkan nilai rekomendasi. Setelah itu dicarilah error menggunakan MSE (Mean Square Error).

Pada tahun 2010 Glesung melakukan penelitian mengenai penentuan jurusan dengan menggunakan metode Neuro Fuzzy (integrasi sistem fuzzy dan jaringan syaraf). Adapun tahap;tahap metode NeuroFuzzy(Hermanto, 2010) antara lain :

1. Tranformasi data 2. Pengurutan nilai

3. Pembentukan himpunanfuzzy(fuzzifikasi) 4. Penentuan rules

5. Metode defussifikasi 6. Analisis data

(44)

dan tahap;tahap yang akan dilakukan dalam perancangan sistem yang akan dibangun.

! 7*-(454,'14 '1'+'2

Banyak lulusan SMP yang melanjutkan belajarnya di SMK akan pindah jurusan atau bahkandrop out. Hal ini disebabkan kurang matangnya mereka memilih jurusan yang dituju. Mereka kurang mencari informasi mengenai jurusan yang sesuai dengan kemampuan, minat, bakat dan kepribadian. Oleh karena itu dibutuhkan suatu sistem pakar yang membantu peserta didik dalam menentukan jurusan yang tepat sesuai kemampuan, minat, bakat dan kepribadian.

! *)'-:'-.'- 41(*0 ',')

(45)

'08')

3.2.1 Basis pengetahuan Basis pengetahuan merup digunakan pada sistem ini. dari variabel yang user m yaitu jurusan. Berikut ini ad

a. Data jurusan

Jurusan yang digunakan Jumlah jurusan tersebu Binjai Tahun 2014.

b. Data kemampuan Data kemampuan di keterampilan. Kemamp

08') ! ,*0' 41(*0 ?'-. ','-

48'-./-merupakan pengetahuan yang diperoleh dari pakar m ini. Pada penelitian ini basis pengetahuan yang dip

mampu, variabel yang disukai, kepribadian sert t ini adalah keterangan mengenai data tersebut :

unakan yaitu jurusan yang terdapat di SMK Negeri 1 ersebut sebanyak 5 jurusan berdasarkan data SMK Ne

n dibagi menjadi 3 yaitu kemampuan umum, pen mampuan umum terdiri kemampuan spasial, kemam

pakar yang akan ng dipakai terdiri n serta satu goal

1 Kota Binjai. Negeri 1 Kota

(46)

dan kemampuaan analitis. Penalaran terdiri atas penalaran verbal, penalaran numerik dan penalaran persepsi. Keterampilan terdiri dari keterampilan ketajaman.

c. Data minat dan bakat

Data minat dan bakat terdiri dari literatur, kreatif, sosial, eksekutif, penelitian, praktikal dan administrative.

d. Data kepribadian

Tipe kepribadian ini terdiri dari beberapa jenis yaitu factual/faktual (F) atau

sensitive/sensitif (S),lively/lincah (L) ataucalm/tenang (C),aggressive/agresif (A)

atau passive/pasif (P), dan independent/mandiri (I) atau

groupmember/berkerjasama (G). Data ini mempunyai rentang skor antara 1

sampai 10.

Data tersebut akan digunakan sebagai basis pengetahuan pada sistem pakar ini. Pakar dari sistem ini adalah seorang Psikolog yaitu Mutia Maulidya, S.Psi. Contoh data tersebut data dilihat pada tabel 3.1, 3.2 3,3 dan 3.4.

'8*+ ! '(' *0'0;/'- ?'-. 4./-','- *-3'74 '141

*-.*('2/'-Jurusan Kemampuan Umum Penalaran Keterampilan

Spasial Teknis Analitis Verbal Numerik Persepsi Ketajaman

Jurusan RPL F A A E F C C

Jurusan AP F F F D B F B

Jurusan AK F F F C B F B

Jurusan PB F F F C B F B

Jurusan PM F F F C C F C

(47)

'8*+ ! '(' 4-'( ?'-. 4./-','- *-3'74 '141

*-.*('2/'-Jurusan Minat

Literatur Kreatif Sosial Eksekutif Peneliti Praktikal Administratif

Jurusan RPL KS K B B C BS C

Jurusan RPL KS B KS K K B KS

Jurusan RPL KS BS K K KS BS KS

Jurusan AP C; K C K KS KS BS

Jurusan AK K K C K KS KS BS

Jurusan PB C; C+ B C+ KS K BS

Jurusan PM K B BS B KS B C

Keterangan : KS (kurang sekali), K (kurang), C; (kurang dari cukup), C (cukup), C+ (lebih dari cukup), B (baik), BS (baik sekali).

'8*+ ! '(' *;)48'74'- ?'-. 4./-','- *-3'74 '141

*-.*('2/'-Jurusan Kepribadian

Faktual Sensitif Lincah Tenang Agresif Pasif Mandiri Bekerjasama

Jurusan RPL 8 2 8 2 1 9 4 6

Jurusan AP 7 3 2 8 3 7 3 7

Jurusan AK 7 3 4 6 2 8 7 3

Jurusan PB 8 2 1 9 7 3 3 7

(48)

3.2.2 Mesin Inferensi

Mesin inferensi adalah bagian dari sistem pakar yang melakukan penalaran dengan menggunakan isi daftar aturan berdasarkan urutan dan pola tertentu. Mesin inferensi yang digunakan adalahforward chaining.

Forward chaining adalah proses perunutan yang dimulai dengan

menampilkan kumpulan data atau fakta yang menyakinkan menuju konklusi akhir.

Forward chaining kadang disebut dengan data&driven karena mesin inferensi

menggunakan informasi untuk memperolehgoal.

Pemakaian forward chaining dalam aplikasi ini adalah menemukan jurusan setelah menerimainputjawabanr. Dalam menjawab pertanyaan,userdiberikan pilihan dimana tiap pilihan merupakan representasi nilai fuzzy. Dalam proses penemuan jurusan, langkah pertama adalah ubah jawaban menjadi nilai fuzzy lalu langkah selanjutnya adalah mencari nilai kesesuaian jawaban diberikan oleh user terhadap jawaban yang ada di dalam knowledge&based. Setelah memperoleh nilai kesesuaian maka langkah selanjutnya adalah menjumlahkan nilai kesesuaian menurut tiap jurusan. Hasil dari penjumlahan nilai kesesuaian digunakan untuk menghitung

probabilitytiap jurusan. Setelah mendapatkan nilaiprobabilitydari tiap jurusan maka

selanjutnya program akan melakukan pengurutan secara descending. Jurusan yang memilikiprobabilitypaling besar ditempatkan pada ranking teratas.

3.2.3 Ubah jawaban user menjadi nilai fuzzy

Data yang diberikan oleh user akan diubah menjadi representasi nilai fuzzy. Data tersebut akan dicari derajat keanggotaan.

a. Pertanyaan mengenai kemampuan

Skor kemampuan tidak diubah ke dalam nilai fuzzy.

b. Pertanyaan mengenai minat dan bakat

(49)

'08') ! 40;/-'- /-(/, ,6) 4-'( 7'- ','(

Contoh jika pengguna mendapatkan skor 21. µskor [21] =(UH US)

(UV US)= H V= 0,2

c. Skor kuisioner kepribadian

Jawaban kuisioner ini akan dibagi menjadi 4 jenis yaitu tipe 1 terdiri dari sensitif (S) dan factual (F). tipe 2 terdiri dari tenang (C) dan lincah (L). tipe 3 terdiri dari pasif (P) dan aktif (A) serta tipe 4 terdiri dari mandiri (I) dan bekerja sama (G). Kuisioner mempunyai jumlah soal yaitu 40 soal. Tiap tipe mempunyai 10 soal. Grafik derajat keanggotaan untuk skor kuisioner dapat dilihat pada Gambar 3.2.

'08') ! )'54, 7*)'3'( ,*'-..6(''- /-(/, 1,6) (*1

,*;)48'74'-Fungsi keanggotaan yang digunakan untuk mencari point tes kepribadian.

Contoh untuk tes kepribadian x =6. µskor [6] = (W S)

KS (Kurang Sekali) K (Kurang)

C-(Kurang dari Cukup) C (Cukup)

C+ (Lebih dari Cukup) B (Baik)

BS (Baik Sekali)

(50)

Basis pengetahuan yang tampak pada tabel 3.2, 3.3 dan 3.4 yang diubah menjadi nilaifuzzy.Basis pengetahuan tersebut akan tampak seperti pada tabel 3.6, 3.7 dan 3.8.

'8*+ ! '(' *0'0;/'- ?'-. 4./-','- *-3'74 '141

*-.*('2/'-Jurusan Kemampuan Umum Penalaran Keterampilan

Spasial Teknis Analitis Verbal Numerik Persepsi Ketajaman

Jurusan RPL 0.17 0.85 0.85 0.39 0.17 0.57 0.57

Jurusan AP 0.17 0.17 0.17 0.48 0.65 0.17 0.65

Jurusan AK 0.17 0.17 0.17 0.57 0.65 0.17 0.65

Jurusan PB 0.17 0.17 0.17 0.57 0.65 0.17 0.65

Jurusan PM 0.17 0.17 0.17 0.57 0.57 0.17 0.57

Keterangan : RPL (Rekayasa Perangkat Lunak), AP (Administrasi Perkantoran), AK (Akutansi), PB (Perbankan), PM (Pemasaran).

'8*+ !" '(' 4-'( ?'-. 4./-','- *-3'74 '141

*-.*('2/'-Jurusan Minat dan Bakat

Jurusan RPL 0.09 0.81 0.09 0.23 0.23 0.81 0.09

Jurusan AP 0.23 0.23 0.52 0.23 0.23 0.09 0.95

Jurusan AK 0.23 0.23 0.52 0.23 0.23 0.09 0.95

Jurusan PB 0.23 0.38 0.81 0.52 0.23 0.09 0.95

Jurusan PM 0.23 0.81 0.95 0.81 0.23 0.81 0.52

'8*+ !# '(' ','( ?'-. 4./-','- *-3'74 '141

*-.*('2/'-Jurusan Minat dan Bakat

Jurusan RPL 0.09 0.95 0.23 0.23 0.09 0.95 0.09

Jurusan AP 0.38 0.23 0.52 0.23 0.09 0.95 0.95

Jurusan AK 0.23 0.23 0.52 0.23 0.09 0.09 0.95

Jurusan PB 0.38 0.67 0.81 0.67 0.09 0.23 0.95

Jurusan PM 0.23 0.81 0.95 0.81 0.09 0.81 0.52

Keterangan : KS (kurang sekali), K (kurang), C; (kurang dari cukup), C (cukup), C+ (lebih dari cukup), B (baik), BS (baik sekali).

'8*+ ! '(' *;)48'74'- ?'-. 4./-','- *-3'74 '141

*-.*('2/'-Jurusan Kepribadian

(51)

Jurusan RPL 0.8 0.2 0.8 0.2 0.1 0.9 0.4 0.6

Jurusan AP 0.7 0.3 0.2 0.8 0.3 0.7 0.3 0.7

Jurusan AK 0.7 0.3 0.4 0.6 0.2 0.8 0.7 0.3

Jurusan PB 0.8 0.2 0.1 0.9 0.7 0.3 0.3 0.7

Jurusan PM 0.3 0.7 0.8 0.2 0.9 0.1 0.2 0.8

3.2.4 Perhitungan nilai kesesuaian

Perhitungan nilai kesesuaian adalah mencari selisih antara data pada basis pengetahuan dan input dari user. Untuk mencari nilai kesesuaian dapat dilihat pada persamaan (2.14). Pada penelitian ini menggunakan 3 variabel. Persamaan yang digunakan dapat dilihat pada persamaan (2.15), (2.16), dan (2.17).

3.2.5 Perhitungan fuzzy conditional probability

Setelah perhitungan nilai kesesuaian maka selanjunya mencari nilaifuzzy conditional

probability. Fuzzy conditional probability digunakan untuk mencari probability

jurusan berdasarkan nilai kesesuaian yang telah dicari sebelumnya. Cara mencarifuzzy

conditional probability untuk setiap jurusan adalah dengan cara membandingkan

jumlah nilai kesesuaian setiap jurusan dengan banyaknya variabel yang dimiliki oleh jurusan tersebut di knowledge&based. Jadi persamaan mencari nilai fuzzy conditional

probability dapat dilihat pada persamaan (2.21). Penelitian ini menggunakan 3

variabel. Persamaan yang digunakan dapat dilihat pada persamaan (2.22).

3.2.6 Pengurutan hasil secara descending

Setelah diperoleh hasil perhitungan fuzzy conditional probability, maka nilainya diubah menjadi persen. Setelah itu dibuat laporan hasil jurusan. Hasil laporan jurusan ini dibuat ke dalamvariable linguistic. Variable linguistictersebut antara lain: Tidak disarankan dan disarankan.

(52)

Berikut ini adalah tahapan dalam menentukan jurusan sesuai dengan masukan yang diberikan olehuser.

1. Ubah Jawabanusermenjadi nilaifuzzy. Usermemberikan jawaban :S.HX

$ ,

(53)

R(X(a4),U2(a4))= 0.94

(54)

R(X(b2),U4(b2))= 0.98

(55)

(56)

R(X(c6),U3(c6))= 0.98

(57)

R(X(d4),U5(d4))= 0.90

2. Menghitung fuzzy conditional probability dengan C1=0.4, C2=0.2, C3=0.2 dan

(58)

P(B, U4) =

W.S] X.U = 0.84

P(B, U5) =

W.VV X.U = 0.91

3. Pengurutan Hasil secaraDescending

Untuk jurusan Rekayasa Perarangkat Lunak mendapatkan 0.94 menajdi 94%, jurusan Administrasi Perkantoran mendapatkan 0.90 menjadi 90%, untuk Akutansi mendapatkan 0.97 menjadi 97%, untuk jurusan perbankan mendapatkan 0.84 menjadi 84% dan untuk jurusan pemasaran mendapatkan 0.91 menjadi 91%. Jurusan yang mendapatkan presentasi paling tinggi tingkat kecocokannya adalah jurusan Akutansi sehingga sistem akan mengeluarkan hasil kepada user seperti di bawah ini :

* + ,-. + +

! *)'-:'-.'- 41(*0

Pada subbab ini akan diuraikan tentang tahap;tahap perancangan sistem pakar yang terdiri dari perancangan basis data dan perancangan antar muka.

3.3.1 Perancangan basis data

Dalam perancangan basis data ini terdiri dari perancangan DFD, perancangan ERD dan perancangan kamus data.

3.3.1.1 Perancangan DFD

(59)

'08') ! *>*+

Penjelasan proses diagram konteks pada Sistem Pakar untuk menentukan Jurusan SMK dijelaskan pada tabel 3.9.

'8*+ !& '8*+ *-3*+'1'- *>*+

No. Nama Proses Input Output Keterangan

P0 Sistem Pakar untuk Menentukan Jurusan SMK

Dari Pengguna : ; Data Pengguna ; Jawaban ; Data Variabel Dari Admin : ; Data Admin ; Data Variabel ; Data Jurusan

; Pertanyaan Konsultasi ; NilaiFuzzy

Untuk Pengguna : ; Data Jurusan ;Pertanyaan Konsultasi ; Hasil Kesimpulan Untuk Admin : ; Data Admin ; Data Variabel ; Data Jurusan ; Pertanyaan Konsultasi ; NilaiFuzzy

Proses untuk menentukan jurusan SMK sesuai dengan kemampuan, minat, bakat dan

kepribadian.

(60)

'08') ! 4'.)'0 *>*+

Penjelasan proses DFD Level 1 dijelaskan pada tabel 3.10.

'8*+ ! '8*+ *-3*+'1'- *>*+

No. Nama

Proses

Input Output Keterangan

P1 Mengelola profil

Dari Admin : Password

Untuk Admin : Password

Proses mengubahpassword

P2 Mengelola variabel

Dari Admin : Data Variabel

Untuk Admin : Data Variabel

Mengolah data variabel seperti

insert,editdan hapus data

P3 Mengelola jurusan

Dari Admin : Data Jurusan

Mengolah data jurusan seperti

insert,editdan hapus data

P4 Mengelola sekolah

Dari Admin : Data Sekolah

Untuk Admin : Data Sekolah

Mengolah data sekolah seperti

(61)

'8*+ ! P7 Daftar Diri Dari

Pengg Data Pengg

3.3.1.2 Perancangan ERD Perancangan ERD digunak yang akan dibangun dalam

! '8*+ *-3*+'1'- *>*+ $ '-3/('-%

Input Output Keterang

Dari Admin : Data Jurusan Sekolah

Untuk Admin : Data Jurusan Sekolah

Mengolah data juru sekolah sepertiinse hapus data

Dari Admin : skor fuzzy Dari Pengguna: skor

Untuk Admin : Nilai dan skor Untuk

Pengguna: Hasil

Mengolah data yan berhubungan denga penentuan jurusan

insert,editdan hap

Dari

Mengolah data diri

RD

gunakan untuk dapat menGambarkan hubungan antara dalam sistem ini. Rancangan ERD dapat dilihat pada

'08') !

'-:'-.'-terangan

ta jurusan

insert,editdan

yang dengan rusan seperti an hapus data

diri

(62)

3.3.1.3 Kamus Data

Kamus data dipersiapkan untuk menjelaskan secara detail tiap tabel;tabel yang akan dibangun. Kamus data ini dapat dilihat pada tabel;tabel di bawah ini.

'8*+ ! '8*+

704-6! 4*+7 4;* 7'('

*(*)'-.'-1. Id * Int (20) Id admin

2. Username Varchar (50) Username admin 3. Password Varchar (50) Password admin

'8*+ ! '8*+ '14+

6! 4*+7 4;* 7'('

*(*)'-.'-1. Kode_jurusan ** Varchar (12) Kode jurusan 2. Kode_variabel ** Varchar (12) Kode variabel

3. Nilai Double Penentuan nilai tiap variabel yang diperoleh dari pakar

4. De_ka Double Derajat keanggotaan pada nilai

'8*+ ! '8*+

/)/1'-6 4*+7 4;* 7'('

*(*)'-.'-1. Kode_jurusan * Varchar (15) Kode jurusan 2. Nama_jurusan Varchar (100) Nama jurusan

3. Keterangan Text Keterangan mengenai jurusan

'8*+ ! '8*+ /)/1'- *,6+'2

6 4*+7 4;* 7'('

(63)

'8*+ ! " '8*+

*;)48'74'-6 4*+7 4;* 7'('

*(*)'-.'-1. Kode_kepribadian * Varchar (15) Kode kepribadian 2. Nama_kepribadian Varchar (50) Nama kepribadian

3. Keterangan Text Keterangan mengenai kepribadian

'8*+ ! # '8*+ 6-1/+('14

*0'0;/'-6 4*+7 4;* 7'('

*(*)'-.'-1. Kode_pengguna ** Varchar (15) Kode pengguna 2. Kode_variabel ** Varchar (15) Kode variabel

3. Skor Double Skor pengguna

4. De_ka Double Nilai derajat keanggotaan

'8*+ ! '8*+ 6-1/+('14

*;)48'74'-6 4*+7 4;* 7'('

3. Skor Double Skor kuisioner kepribadian

'8*+ ! & '8*+ 6-1/+('14 04-'(

6! 4*+7 4;* 7'('

3. Skor Double Skor yang didapatkan pengguna

'8*+ ! & '8*+ 6-1/+('14 8','(

6! 4*+7 4;* 7'('

(64)

'8*+ ! '8*+ ')4'8*+

6 4*+7 4;* 7'('

*(*)'-.'-1. Kode_variabel * Varchar (15) Kode variabel 2. Nama_variabel Varchar (50) Nama variabel

3. Keterangan Text Keterangan variabel

'8*+ ! " '8*+ *-../-'

6 4*+7 4;* 7'('

*(*)'-.'-1. Kode_pengguna * Varchar (6) Kode pengguna

2. Nama Varchar (100) Nama pengguna

3. Jenis_kelamin Varchar (10) Jenis kelamin pengguna 4. Alamat Varchar (100) Alamat pengguna

'8*+ ! # '8*+ *)24(/-.'-

*0'0;/'-6! 4*+7 4;* 7'('

*(*)'-.'-1. Kode_pengguna ** Varchar (8) Kode pengguna 2. Kode_variabel ** Varchar (15) Kode variabel 3. Kode_jurusan ** Varchar (15) Kode jurusan 4. Nila_kesesuaian Double Nilai kesesuaian

'8*+ ! '8*+ *)24(/-.'-

*;)48'74'-6! 4*+7 4;* 7'('

*(*)'-.'-1. Kode_pengguna ** Varchar (8) Kode pengguna 2. Kode_skala ** Varchar (15) Kode skala 3. Kode_jurusan ** Varchar (15) Kode jurusan 4. Nilai_kesesuaian Double Nilai kesesuaian

'8*+ ! & '8*+ *)24(/-.'- 4-'(

6! 4*+7 4;* 7'('

(65)

'8*+ ! & '8*+ *)24(/-.'- ','(

6! 4*+7 4;* 7'('

*(*)'-.'-1. Kode_pengguna ** Varchar (8) Kode pengguna 2. Kode_variabel ** Varchar (15) Kode variabel 3. Kode_jurusan ** Varchar (15) Kode jurusan 4. Nila_kesesuaian Double Nilai kesesuaian

'8*+ ! '8*+ *,6+'2

6 4*+7 4;* 7'('

*(*)'-.'-1. Kode_sekolah * Varchar (12) Kode sekolah 2. Nama_sekolah Varchar (50) Nama sekolah 3. Alamat Varchar (100) Alamat sekolah

4. No_telp Varchar (24) Nomor telp sekolah

'8*+ ! '8*+ ,6)

6 4*+7 4;* 7'('

3. Skor Double Skor pengguna

'8*+ ! '8*+ ,6)

6 4*+7 4;* 7'('

3. Skor Double Skor kuisioner kepribadian

'8*+ ! '8*+ ,6)

6! 4*+7 4;* 7'('

(66)

'8*+ ! '8*+ ,6)

6! 4*+7 4;* 7'('

Keterangan : *Primary Key, **Foreign Key

3.3.1.4 Perancangan menu sistem

Perancangan menu sistem dapat dilihat pada gambar 3.6.

'08') !" *)'-:'-.'- 41(*0

3.3.2 Perancangan antarmuka

(67)

3.3.2.1 Rancangan halama Pada halaman Beranda te mengenai jurusan, dan m Rancangan tampilan halam

'08

Keterangan:

a. Menu “Beranda” mem Beranda.

b. Menu “Daftar SMK” SMK.

c. Menu “Jurusan SMK” SMK.

d. Menu “Penentuan Juru Penentuan Jurusan. e. Menu “Bantuan” memu f. Merupakan area login

halaman Administrator memasukkanusename

3.3.2.2 Rancangan halama Halaman Penentuan Jurus dahulu melakukan daftar d halaman penentuan jurusan

aman utama

nda terdapat halaman login pada bagian kanan a dan menu;menu utama untuk berpindah ke halam

aman beranda dapat dilihat pada Gambar 3.7.

'08') !# '-:'-.'- '+'0'- *)'-7'

” memungkinkan pengguna untuk pergi kembali k

” memungkinkan pengguna untuk pergi ke hala

” memungkinkan pengguna untuk pergi ke halam

n Jurusan” memungkinkan pengguna untuk pergi

memungkinkan pengguna untuk pergi ke halaman Ba login dimana pengguna administrator dapat melakuk strator. Untuk masuk ke halaman Administrator, peng

amedanpasswordserta menekan tombol “Login”.

aman penentuan jurusan

rusan berisi mengenai penentuan jurusan deng aftar diri. Penentuan jurusan ini terdiri dari 6 tahap. urusan tahap 1 dapat dilihat seperti Gambar 3.8.

nan atas, search halaman lainnya.

mbali ke halaman

e halaman Daftar

halaman Jurusan

pergi ke halaman

Bantuan. elakukan login ke r, pengguna dapat

”.

(68)

'08') !

'-Keterangan:

a. Tampilan daftar diri pe b. Untuk menyimpan data c. Untuk mengosongkan s

3.3.2.3 Rancangan halama Halaman Penentuan Jurus tentang kemampuanuser. seperti Gambar 3.9.

! '-:'-.'- '+'0'- *-*-(/'- /)/1'- '2';

iri pengguna untuk menggunakan aplikasi sistem pak data, pengguna dapat menekan tombol “Kirim”. gkan semua isitextbox,pengguna dapat menekan tomb

man penentuan jurusan tahap 2

Jurusan tahap 2 adalah berikan jawaban mengenai . Rancangan halaman penentuan jurusan tahap 2

'2';

m pakar.

n tombol “Batal”.

(69)

'08') !& '-:'-.'- '+'0'- *-*-(/'- /)/1'- '2';

Keterangan:

a. Tampilan pertanyaan dan jawaban mengenai kemampuanuser. b. Untuk menyimpan data, pengguna dapat menekan tombol “Kirim”.

c. Untuk mengosongkan semua isitextbox,pengguna dapat menekan tombol “Batal”.

3.3.2.4 Rancangan halaman penentuan jurusan tahap 3

(70)

'08') ! '

Keterangan:

a. Tampilan pertanyaan da b. Untuk menyimpan data c. Untuk mengosongkan s

3.3.2.5 Rancangan halama Halaman Penentuan Jurus tentang kepribadian. Ranc seperti Gambar 3.11.

'-:'-.'- '+'0'- *-*-(/'- /)/1'- '2';

aan dan jawaban mengenai minatuser.

data, pengguna dapat menekan tombol “Kirim”. gkan semua isitextbox,pengguna dapat menekan tomb

aman penentuan jurusan tahap 4

Jurusan tahap 4 adalah berikan jawaban mengenai Rancangan halaman penentuan jurusan tahap 4

'2';

n tombol “Batal”.

(71)

'08') ! '

Keterangan:

a. Tampilan pertanyaa b. Untuk menyimpan d c. Untuk mengosongk

“Batal”.

3.3.2.6 Rancangan halama Halaman Penentuan Jurus Rancangan halaman penent

'-:'-.'- '+'0'- *-*-(/'- /)/1'- '2';

tanyaan dan jawaban mengenai kepribadian.

mpan data, pengguna dapat menekan tombol “Kirim”. osongkan semua isi textbox, pengguna dapat mene

aman penentuan jurusan tahap 5

urusan tahap 5 mengenai laporan hasil penentu penentuan jurusan tahap 5 dapat dilihat seperti Gamba

'2';

irim”.

menekan tombol

(72)

'08') ! '

Keterangan:

a. Tampilan kemungkinan

3.3.2.7 Rancangan halama Halaman profil administ mengakses halaman ini sete dapat dilihat seperti Gamba

'08')

'-:'-.'- '+'0'- *-*-(/'- /)/1'- '2';

gkinan jurusan yang sesuai

aman profil administrator

ministrator ini berisi profil administrator. Pengg ini setelah berhasil login. Rancangan halaman profil a

ambar 3.13.

'08') ! '-:'-.'- )654+ 704-41()'(6)

'2';