SISTEM REKOMENDASI PENERIMAAN PESERTA DIDIK BARU
MENGGUNAKAN METODE FUZZY TSK DAN ANALISIS GAP
(Studi Kasus SMA LAB UM Malang)
TUGAS AKHIR SEMESTER
Mata Kuliah Kecerdasan Komputasional
Oleh:
Syahroni Wahyu Iriananda (156060300111006)
PROGRAM STUDI PASCA SARJANA
MINAT SISTEM KOMUNIKASI DAN INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS BRAWIJAYA
2016
SISTEM REKOMENDASI PENERIMAAN PESERTA DIDIK BARU
MENGGUNAKAN METODE FUZZY TSK DAN ANALISIS GAP
(Studi Kasus SMA LAB UM Malang)
TUGAS AKHIR SEMESTER
Mata Kuliah Kecerdasan Komputasional
Oleh:
Syahroni Wahyu Iriananda (156060300111006)
PROGRAM STUDI PASCA SARJANA
MINAT SISTEM KOMUNIKASI DAN INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS BRAWIJAYA
2016
SISTEM REKOMENDASI PENERIMAAN PESERTA DIDIK BARU
MENGGUNAKAN METODE FUZZY TSK DAN ANALISIS GAP
(Studi Kasus SMA LAB UM Malang)
TUGAS AKHIR SEMESTER
Mata Kuliah Kecerdasan Komputasional
Oleh:
Syahroni Wahyu Iriananda (156060300111006)
PROGRAM STUDI PASCA SARJANA
MINAT SISTEM KOMUNIKASI DAN INFORMATIKA
FAKULTAS TEKNIK
1. PENDAHULUAN 1.1. Latar Belakang
Teknologi informasi berkembang sangat pesat, dan sudah tidak dapat dipungkiri bahwa teknologi informasi menjadi suatu kebutuhan sekunder bagi sebagian masyarakat. Penerapan teknologi informasi ini semakin luas ke berbagai bidang. Salah satu penerapan teknologi informasi adalah pada dunia pendidikan dalam proses penerimaan peserta didik baru (PPDB).
Proses Penerimaan Peserta Didik Baru (PPDB) setiap tahun dilakukan oleh setiap sekolah. Jumlah calon peserta didik yang setiap tahun meningkat, tidak sebanding dengan jumlah sekolah dan kuota yang tersedia. Kualitas & fasilitas pendidikan yang tidak merata disetiap sekolah misalnya, membuat calon peserta didik saling berkompetisi untuk dapat masuk ke sekolah yang diunggulkan. Akibatnya muncul berbagai macam aturan-aturan dan banyak kondisi yang harus dipenuhi oleh peserta didik untuk dapat diterima di sekolah tersebut. Mengingat setiap calon siswa memiliki kemampuan yang berbeda-beda dalam memenuhi aturan-aturan dan kondisi yang disyaratkan, maka dilakukan sebuah proses seleksi.
Seleksi ini merupakan proses seleksi calon siswa yang mengacu pada berbagai criteria masalah, banyak metode digunakan untuk menyelesaikan masalah tersebut. Saat ini masih banyak sekolah-sekolah yang melakukan proses seleksi secara manual, sehingga prosesnya cenderung rumit, tidak fleksibel, tidak efektif dan tidak efisien. Kehadiran teknologi dalam seleksi PPDB ini diharapkan dapat mempermudah dan mempercepat proses tersebut. Hal inilah yang membuat penulis tertarik untuk melakukan penelitian dan menerapkannya.
Di lingkungan SMA Lab UM Malang, proses seleksi dilakukan dalam dua tahap. Tahap yang pertama adalah seleksi calon siswa baru secara umum. Tahapan ini dilakukan untuk menilai kelayakan calon siswa. Tahap berikutnya adalah proses penjurusan setelah calon siswa dinyatakan telah diterima. Kemudian penggolongan kelas ditentukan melalui rekomendasi guru konseling sekolah asal masing-masing. Hal inilah yang menurut penulis dinilai kurang efisien. Menurut penulis, dalam seleksi tersebut juga perlu menggunakan nilai rapor siswa, sehingga dalam menentukan jurusan dapat sesuai dengan minat dan bakat siswa.
calon siswa selama masih duduk dibangku SMP. Metode yang digunakan untuk menyelesaikan masalah-masalah tersebut diatas adalah metode TSK dan Analisis GAP.
1.2. Rumusan Masalah
Rumusan masalah pada penelitian ini adalah:
• Bagaimana menerapkan metode TSK dan Analisis GAP untuk rekomendasi pada proses PPDB?
• Bagaimana tingkat akurasi metode yang digunakan untuk rekomendasi pada proses PPDB?
1.3. Batasan Masalah
Batasan masalah pada penelitian ini adalah:
• Diasumsikan data yang digunakan adalah data PPDB SMA Lab UM tahun 2014/2015 • Data yang digunakan dari SMA Lab UM adalah data siswa, nilai UN, nilai tes masuk
berdasarkan mata pelajaran(IPA, IPS, bahasa), jalur masuk dan nilai rata-rata keseluruhan tes masuk.
• Data yang di olah untuk proses seleksi masuk SMA menggunakan metode metode TSK/fuzzy Sugeno adalah nilai UN, nilai rata-rata keseluruhan tes masuk dan jalur masuk.
• Data yang di olah untuk proses penjurusan menggunakan metode analisis GAP/profile matchingadalah nilai UN, nilai tes masuk dan nilai tes masing-masing mata pelajaran yang dijuruskan yaitu nilai IPA, IPS dan bahasa.
1.4. Tujuan Penelitian
Tujuanpenelitian ini adalah:
• Menerapkan metode TSK (Takagi-Sugeno-Kang) pada proses seleksi PPDB dan metode Analisis GAP/Profile Matching untuk menentukan penjurusan bagi siswa yang lolos seleksi PPDB.
• Merancang perangkat lunak untuk pendukung keputusan dalam seleksi PPDB dan penjurusan yang lebih akurat di lingkungan SMA Lab UM.
1.5. Manfaat Penelitian
2. TINJAUAN PUSTAKA 2.1. Logika Fuzzy
Logika fuzzy adalah cabang dari sistem kecerdasan buatan (Artificial Intelegent) yang meniru kemampuan manusia dalam berfikir ke dalam bentuk algoritma yang kemudian dijalankan oleh mesin. Algoritma ini digunakan dalam berbagai aplikasi pemrosesan data yang tidak dapat direpresentasikan dalam bentuk biner. Logika fuzzy menginterpretasikan statemen yang samar menjadi sebuah pengertian yang logis.
2.2. Himpunan Fuzzy
Himpunan fuzzy merupakan suatu pengembangan lebih lanjut tentang konsep himpunan dalam matematika. Himpunan Fuzzy adalah rentang nilai-nilai. Masing-masing nilai mempunyai derajat keanggotaan (membership) antara 0 sampai dengan 1. Ungkapan logika
Boolean menggambarkan nilai-nilai benar atau salah . Logika fuzzy menggunakan ungkapan misalnya: sangat lambat , agak sedang , sangat cepat dan lain-lain untuk mengungkapkan derajat intensitasnya (Kusumadewi dan Purnomo, 2010).
2.3. Fuzzifikasi
Proses fuzzifikasi merupakan proses untuk mengubah variabel non fuzzy (variabel numerik) menjadi variabel fuzzy (variabel linguistik). Nilai masukan-masukan yang masih dalam bentuk variabel numerik yang telah dikuantisasi sebelum diolah oleh pengendali fuzzy
harus diubah terlebih dahulu ke dalam variabel fuzzy. Melalui fungsi keanggotaan yang telah disusun maka nilai-nilai masukan tersebut menjadi informasi fuzzy yang berguna nantinya untuk proses pengolahan secara fuzzy pula. Proses ini disebut fuzzifikasi (Kusumadewi dan Purnomo, 2010).
2.4. Komposisi Inferensi Berbasis Aturan
Pada umumnya, aturan-aturan fuzzy dinyatakan dalam bentuk IF THEN yang merupakan inti dari relasi fuzzy. Relasi fuzzy, dinyatakan dengan R, juga disebut implikasi
fuzzy (Kusumadewi dan Purnomo, 2010). Untuk mendapatkan aturan IF ..THEN ada dua cara utama:
1. Menanyakan ke operator manusia yang dengan cara manual telah mampu mengendalikan
sistem tersebut, dikenal dengan human expert .
2. Dengan menggunakan algoritma pelatihan berdasarkan data-data masukan dan keluaran.
Keputusan yang dihasilkan dari proses penalaran masih dalam bentukfuzzy, yaitu berupa derajat keanggotaan keluaran. Hasil ini harus diubah kembali menjadi variabel numerik non fuzzymelalui proses defuzzifikasi (Kusumadewi dan Purnomo, 2010).
2.6. Model TSK (Takagi-Sugeno-Kang)
Metode Takagi-Sugeno-Kang atau sering disebut dengan Fuzzy Sugeno ini diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985. Untuk mendapatkan input maka diperlukan empat tahapan, yaitu:
1. Pembentukan himpunan fuzzy 2. Aplikasi fungsi implikasi 3. Komposisi aturan 4. Penegasan (defuzzy)
Model pada metode Tagaki-Sugeno ada dua yaitu: • Model Fuzzy Takagi-Sugeno Orde-Nol
Secara umum bentuk model fuzzy Takagi-Sugeno Orde-Nol adalah:
IF (x1is A1) (x2is A2) (x3is A3) ... (xNis AN) THEN z = k (1.0)
Dengan AN adalah himpunan fuzzy ke-N sebagai anteseden dan k adalah suatu
konstanta (tegas) sebagai konsekuen. • Model Fuzzy Takagi-Sugeno Orde-Satu
Secara umum bentuknya adalah:
IF (x1is A1) ... (xNis AN) THEN z = p1* x1+ + pN* xN+ q (1.1)
Dengan AN adalah himpunan fuzzy ke-N sebagai anteseden dan p1 adalah suatu
konstanta (tegas) ke-Ndan q juga merupakan konstanta dalam konsekuen.
Pada metode Takagi-Sugeno ini, tahapan defuzzy dilakukan dengan cara mencari nilai rata-rata. 2.7. Analisis GAP
Analisis GAP juga lebih sering disebut sebagai Profile Matching. Menurut Rachma
(2003:101),
Profile Matching
merupakan suatu proses dalam manajemen SDM dimana
terlebih dahulu ditentukan kompetensi (kemampuan) yang diperlukan oleh suatu jabatan. Kompetensi/kemampuan tersebut haruslah dapat dipenuhi oleh pemegang jabatan.Profile Matching menganggap bahwa terdapat tiga predictor variables ideal yang harus dimiliki seseorang. Dalam hal ini bukan berarti tingkat minimal yang harus dipenuhi atau dilewati. Tingkat gambaran profil persyaratan untuk setiap jabatan ditentukan dengan menggunakan skala dari 1 sampai 6. Makin tinggi tingkatannya, makin penting prioritas profil tersebut terhadap suatu jabatan.
Tujuan penilaian potensi adalah untuk membandingkan profil pribadi seorang karyawan dengan profil jabatan yang bersangkutan. Dalam hal kecocokan orang dengan pekerjaannya, akan timbul kerugian bila terlalu banyak atau terlalu sedikit motifasi prestasi untuk suatu pekerjaan tertentu. Kedua keadaan itu dapat menyebabkan seseorang tidak dapat menjadi karywan berprestasi dan cenderung terjadi kesalahan dalam penempatan posisi jabatan. Dengan Profile Matching, orang-orang yang diangkat adalah mereka yang paling mendekati profil ideal karyawan yang berhasil.
Menurut (Kusrini, 2007) Profile Matching adalah sebuah mekanisme pengambilan keputusan dengan mengasumsikan bahwa terdapat tingkat minimal yang harus dipenuhi atau dilewati. Langkah-langkah dalam penyelesaian perhitungan dengan menggunakan metode
Profile Matchingyaitu :
1. Aspek-aspek penilaian.
Langkah pertama menentuan Bobot Nilai Gap. Pada tahap ini, akan ditentukan bobot nilai masing-masing aspek dengan menggunakan bobot nilai yang telah ditentukan bagi masing-masing aspek itu sendiri. Adapun inputan dari proses pembobotan ini adalah selisih dari profil calon siswa dan profil nilai calon siswa. 2. Pemetaan GAP Nilai.
GAP Nilai adalah perbedaan antara kriteria yang dimiliki calon siswa dengan kriteria yang diinginkan. Rumus untuk mencari GAP kompetensi yaitu :
GAP = Nilai Nilai Minimal (1.2)
Table 1. Penilaian Kategori 3. Pembobotan GAP
Apabila pemetaan GAP sudah selesai dilakukan, maka hasil dari pemetaan tersebut diberi bobot nilai sesuai dengan patokan tabel bobot nilai GAP. Range penilaian dapat disesuaikan dengan kebutuhan di lapangan, kemudian langkah selanjutnya adalah memaparkan tiap aspeknya sehingga didapatkan gap (selisih) sesuai dengan rumus gap. Setelah didapatkan tiap gap masing-masing calon siswa, maka tiap nilai calon siswa diberi bobot nilai sesuai dengan patokan nilai pada tabel bobot nilai gap seperti yang dapat dilihat pada Tabel 2.
No Selisih Bobot Keterangan
1 0 6 Tidak ada Gap (kompetensi sesuai yang dibutuhkan) 2 1 5,5 Kompetensi individu kelebihan 1 tingkat/level 3 -1 5 Kompetensi individu kurang 1 tingkat/level 4 2 4,5 Kompetensi individu kelebihan 2 tingkat/level 5 -2 4 Kompetensi individu kurang 2 tingkat/level 6 3 3,5 Kompetensi individu kelebihan 3 tingkat/level 7 -3 3 Kompetensi individu kurang 3 tingkat/level 8 4 2,5 Kompetensi individu kelebihan 4 tingkat/level 9 -4 2 Kompetensi individu kurang 4 tingkat/level
Tabel 2. Tabel Pembobotan Nilai
4. Melakukan Perhitangan Core Factor dan Secondary Factor
Setelah menentukan bobot nilai gap untuk ketiga aspek yang dibutuhkan, kemudian tiap aspek dikelompokkan lagi menjadi dua kelompok yaitucore factordansecondary factor
• Core Factor(Faktor Utama)
Core factor merupakan aspek ( nilai) yang paling menonjol atau paling dibutuhkan oleh suatu calon siswa dalam sistem yang diperkirakan dapat menghasilkan kinerja nilai optimal. Perhitungan core factor dapat ditunjukkan pada rumus berikut ini:
=
( ) (1.3)NCF = Nilai rata-ratacore factor.
NC(aspek) = Jumlah total nilaicore factor. IC = Jumlah itemcore factor.
• Secondary Factor(Faktor Sekunder)
=
( ) (1.4)Keterangan :
NSF = Nilai rata-ratasecondary factor. NC(aspek) = Jumlah total nilaiSecondary factor.
Sumber:(Kusrini, 2007)
5. Menghitung Nilai Total Aspek
Dari hasil perhitungan dari tiap aspek tersebut kemudian dihitung nilai total berdasarkan presentase dari core factor dan secondary factor yang diperkirakan berpengaruh terhadap kinerja tiap-tiap profil. Perhitungannya dapat dilihat pada rumus berikut ini.
= 60% + 40% (1.5)
Keterangan:
NCF: Nilai rata-ratacore factor
NSF: Nilai rata-ratasecondary factor
6. Membuat Peringkat Hasil Akhir (Ranking)
Hasil akhir dari prosesprofile matchingadalah ranking dari kandidat yang calon siswa yang akan masuk dalam kelas IPA, IPS dan Bahasa.
3. METODOLOGI PENELITIAN DAN PERANCANGAN 3.1. Kerangka Penelitian
Kerangka penelitian yang yang digunakan dalam pembuatan aplikasi terlihat pada gambar 1. Tahapan penelitian adalah sebagai berikut:
1. Identifikasi Masalah:
data langsung. Dari permasalahan yang ditemukan, penulis menentukan batasan masalah yang akan menjadi ruang lingkup penelitian.
Gambar 1. Metodologi Penelitian
Identifikasi masalah utama yang akan dibahas mengenai rekomendasi PPDB, yaitu masalah dalam proses PPDB untuk memperoleh efesiensi yang sebesar-besarnya berdasarkan persediaan barang produksi yang sudah ada.
2. Studi Pustaka
Penulis mengumpulkan beberapa referensi yang terkait mengenai hal-hal yang dapat membantu dalam penelitian. Studi literatur yang dilakukan meliputi buku literatur, jurnal, internet dan literatur-literatur lainnya. Dari studi pustaka diharapkan dapat menjadi landasan teori untuk pengolahan data dan pembuatan program sehingga dapat menyelesaikan permasalahan yang ada SMU LAB Malang.
3. Pemodelan Matematika LogikaFuzzy
Penulis membuat model matematika berdasarkan data yang telah didapat dari langkah sebelumnya untuk menentukan fungsi keanggotaan serta variabel linguistik yang mendukung jalannya proses penghitungan metode yang digunakan.
4. Formulasi Metode FIS Sugeno
model matematika yang dapat mewakili sistem nyata. Formulasi model matematika yang akan dibuat didasari dari metode Fuzzy Interference System Sugeno. Setelah dilakukan formulasi model matematika, maka dilakukan pembentukan mulai dari aturan interferensi berdasarkan variabel linguistik yang dibuat sebelumnya menggunakan fungsi implikasi matematika hingga defuzzifikasi sesuai dengan batasan masalah dan rumusan masalah yang akan dilakukan penelitian.
5. Pembuatan program berbasis web dengan bahasa pemograman PHP
Setelah membuat formulasi model matematika, maka langkah selanjutnya adalah merancang program aplikasi berbasis web untuk mengoptimasi PPDB Calon Siswa dengan metode Algoritma FIS Sugeno menggunakan bahasa pemrograman PHP.
6. Testing Program
Pada tahap ini, program aplikasi diuji apakah program yang dibuat terjadi bug dan sudah sesuai dengan harapan dan kebutuhan SMU Lab UM atau belum. Jika hasil penelitian dan program yang dibuat tidak tervalidasi dan tidak membantu penghitungan data secara manual yang sudah ada di SMU Lab UM, maka akan terus dilakukan tahap testing sampai PPDB Calon Siswa validasi melalui program.
3.2. Perancangan Fuzzy
1. Fungsi Keanggotaan Tes Masuk (K)
Gambar 2. Fungsi Keanggotaan Tes Masuk µSedikit(K) dan µSedang(K)
Gambar 3. Fungsi Keangotaan Tes Masuk µBanyak(K)
2. Fungsi Keanggotaan Jalur Masuk (H)
Gambar 5. Kurva Segitiga Himpunan Jalur Masuk (H)
Gambar 6. Fungsi Keanggotaan Jalur Masuk (H)
Gambar 2. Fungsi Keanggotaan Tes Masuk µSedikit(K) dan µSedang(K)
Gambar 3. Fungsi Keangotaan Tes Masuk µBanyak(K)
2. Fungsi Keanggotaan Jalur Masuk (H)
Gambar 5. Kurva Segitiga Himpunan Jalur Masuk (H)
Gambar 6. Fungsi Keanggotaan Jalur Masuk (H)
Gambar 2. Fungsi Keanggotaan Tes Masuk µSedikit(K) dan µSedang(K)
Gambar 3. Fungsi Keangotaan Tes Masuk µBanyak(K)
2. Fungsi Keanggotaan Jalur Masuk (H)
Gambar 5. Kurva Segitiga Himpunan Jalur Masuk (H)
3. Fungsi Keanggotaan Nilai UN(B)
Gambar 7. Kurva Himpunan Nilai UN(B)
Gambar 8. Fungsi Keanggotaan Nilai UN(B) 4. Basis Aturan Fuzzy
Range output fuzzy Sugeno nilainya ditentukan secara manual dengan nilai range 0 sampai dengan 100. Untuk derajat Tidak Layak terletak antara kisaran nilai 0 W 59 dan untuk derajat Layak terletak antara kisaran nilai 60 W 100.
No Rule Test Masuk (K) Jalur Masuk (H) UN (B) Fuzzy Output
1 R1 Sedikit Miskin Buruk Tidak Layak
2 R2 Sedikit Miskin Cukup Tidak Layak
3 R3 Sedikit Miskin Baik Tidak Layak
4 R4 Sedikit Reguler Buruk Tidak Layak
5 R5 Sedikit Reguler Cukup Tidak Layak
6 R6 Sedikit Reguler Baik Tidak Layak
7 R7 Sedikit Prestasi Buruk Tidak Layak
8 R8 Sedikit Prestasi Cukup Layak
9 R9 Sedikit Prestasi Baik Layak
10 R10 Sedang Miskin Buruk Tidak Layak
11 R11 Sedang Miskin Cukup Tidak Layak
3. Fungsi Keanggotaan Nilai UN(B)
Gambar 7. Kurva Himpunan Nilai UN(B)
Gambar 8. Fungsi Keanggotaan Nilai UN(B) 4. Basis Aturan Fuzzy
Range output fuzzy Sugeno nilainya ditentukan secara manual dengan nilai range 0 sampai dengan 100. Untuk derajat Tidak Layak terletak antara kisaran nilai 0 W 59 dan untuk derajat Layak terletak antara kisaran nilai 60 W 100.
No Rule Test Masuk (K) Jalur Masuk (H) UN (B) Fuzzy Output
1 R1 Sedikit Miskin Buruk Tidak Layak
2 R2 Sedikit Miskin Cukup Tidak Layak
3 R3 Sedikit Miskin Baik Tidak Layak
4 R4 Sedikit Reguler Buruk Tidak Layak
5 R5 Sedikit Reguler Cukup Tidak Layak
6 R6 Sedikit Reguler Baik Tidak Layak
7 R7 Sedikit Prestasi Buruk Tidak Layak
8 R8 Sedikit Prestasi Cukup Layak
9 R9 Sedikit Prestasi Baik Layak
10 R10 Sedang Miskin Buruk Tidak Layak
11 R11 Sedang Miskin Cukup Tidak Layak
3. Fungsi Keanggotaan Nilai UN(B)
Gambar 7. Kurva Himpunan Nilai UN(B)
Gambar 8. Fungsi Keanggotaan Nilai UN(B) 4. Basis Aturan Fuzzy
Range output fuzzy Sugeno nilainya ditentukan secara manual dengan nilai range 0 sampai dengan 100. Untuk derajat Tidak Layak terletak antara kisaran nilai 0 W 59 dan untuk derajat Layak terletak antara kisaran nilai 60 W 100.
No Rule Test Masuk (K) Jalur Masuk (H) UN (B) Fuzzy Output
1 R1 Sedikit Miskin Buruk Tidak Layak
2 R2 Sedikit Miskin Cukup Tidak Layak
3 R3 Sedikit Miskin Baik Tidak Layak
4 R4 Sedikit Reguler Buruk Tidak Layak
5 R5 Sedikit Reguler Cukup Tidak Layak
6 R6 Sedikit Reguler Baik Tidak Layak
7 R7 Sedikit Prestasi Buruk Tidak Layak
8 R8 Sedikit Prestasi Cukup Layak
9 R9 Sedikit Prestasi Baik Layak
10 R10 Sedang Miskin Buruk Tidak Layak
12 R12 Sedang Miskin Baik Layak
13 R13 Sedang Reguler Buruk Tidak Layak
14 R14 Sedang Reguler Cukup Layak
15 R15 Sedang Reguler Baik Layak
16 R16 Sedang Prestasi Buruk Tidak Layak
17 R17 Sedang Prestasi Cukup Layak
18 R18 Sedang Prestasi Baik Layak
19 R19 Banyak Miskin Buruk Tidak Layak
20 R20 Banyak Miskin Cukup Layak
21 R21 Banyak Miskin Baik Layak
22 R22 Banyak Reguler Buruk Tidak Layak
23 R23 Banyak Reguler Cukup Layak
24 R24 Banyak Reguler Baik Layak
25 R25 Banyak Prestasi Buruk Tidak Layak
26 R26 Banyak Prestasi Cukup Layak
27 R27 Banyak Prestasi Baik Layak
Tabel 3. Basis Aturan Fuzzy 3.3. Perancangan Analisis Gap (Profile Matching)
1. Pemetaan Nilai Kriteria dan Sub Kriteria
Tabel 4. Tabel Pemetaan Nilai Kriteria dan Sub Kriteria 2. Pembobotan Kriteria dan Sub Kriteria
3. Menentukan Standar Nilai Kriteria
No. Minat Aspek A(NUN) Aspek B(Rapor) Aspek C(TPA)
1 IPA 4 4 5
2 IPS 4 4 5
3 Bahasa 4 4 5
Tabel 6. Standar Nilai Kriteria dan Sub Kriteria 4. Menghitung Nilai Gap
GAP = Nilai Nilai Standart 5. Menentukan Bobot Gap
Setelah didapatkan nilai GAP lagkah selanjutnya adalah mengkonferensikan kedalam bobot sesuai dengan Tabel 2
6. Menghitung Core Factor dan Secondary Factor
7. Menjumlahkan Nilai Core Factor dan Secondary Factor N = 60% NCF + 40% NSF
Keterangan:
N = Nilai Total
NCF = Nilai rata-ratacore factor. NSF = Nilai rata-ratasecondary factor. 8. Membuat Peringkat Nilai N
Hasil akhir dari proses profile matching adalah ranking dari kandidat yang dapat memasuki kelas yang telah disediakan yaitu IPA, IPS dan bahasa.
3.4. Kerangka Konsep
3.5. Layout Aplikasi
Gambar 8. Layout Aplikasi 3.6. Rancangan Database
Gambar 9. Rancangan Database
No. Tabel Deskripsi
1. Siswa Digunakan untuk menyimpan data indentitas siswa,asal sekolah 2. PPDB Digunakan untuk menyimpan data PPDB, nilai testmasuk, jalur masuk, pilihan jurusan, dsb
untuk setiap bidang
4. Standar_GAP Untuk menyimpan nilai-nilai standar gap pada metodeprofile matching 5. Bobot_profile Untuk menyimpan bobot
6. Rules Menyimpan rule/basis aturan fuzzy
3.7. Implementasi Antarmuka 1. Menu Utama
Gambar 10. Menu Utama 2. Sub-Menu Kelola
Gambar 11. Menu Kelola 3. Sub-Menu Pengaturan
Gambar 12. Menu Pengaturan 4. Sub-Menu Hasil Rekomendasi
5. Halaman Beranda PPDB
Gambar 14. Beranda Aplikasi 6. Antarmuka Masukan Data PPBD
7. Antarmuka Masukan Data Calon Siswa
Gambar 16. Kelola Calon Siswa 8. Antarmuka Masukan Data Nilai Rapor Calon Siswa
9. Antarmuka Kelola Basis Aturan Fuzzy
Gambar 18. Kelola Basis Aturan Fuzzy 10.
3.8. Implementasi Tampilan Laporan
1. Laporan Kelayakan Masuk (Metode Takagi-Sugeno Kang)
2. Laporan Penjurusan dan Peringkat Siswa (Metode Analisis Gap)
Gambar 20. Hasil Rekomendasi Peminatan Bidang IPA
Gambar 20. Hasil Rekomendasi Peminatan Bidang IPS
Gambar 20. Hasil Rekomendasi Peminatan Bidang Bahasa
3.9.
4. HASIL DAN PEMBAHASAN 1. Data Pengujian
• Data Uji Perhitungan Fuzzy TSK
No. Nama Nilai Tes Jalur Masuk Nilai UN
1. Nata Wira 46 Reguler 24,75
• Data Uji Perhitungan Analisis Gap (Profile Matching)
No. Nama Nilai Tes (K) Mapel IPA (H)Kriteria Nilai UN (B)
1. M. Hafid (A) 52 60 32,65
2. Riski Ilma 50 40 31,73
2. Hasil Perhitungan Fuzzy TSK
Pada perhitungan ini, disajikan untuk menghitung kelayakan mahasiswa yang bernama Nata Wira dengan nilai Tes 46, jalur masuk reguler dan nilai UN 24,75. Sebelum dilakukan inferensi perlu dicari terlebih dahulu derajat keanggotaan nilai tiap variabel dalam setiap himpunan
• Nilai Tes • Jalur Masuk • Nilai UN
3. Hasil Perhitungan Analisis Gap (Profile Matching) • Menentukan Nilai Standar Kriteria
Kriteria Peserta
Nilai standar kriteria A : 4 Nilai standar kriteria B : 4 Nilai standar kriteria C : 5
Faktor utama (core factor) : Nilai mapel IPA (B) dan TPA (C) Faktor tambahan (secondary factor) : Nilai UN (A)
• Langkah 4 (Perhitungan Nilai GAP) GAP = Nilai Nilai Standar (Minimum) • Konversi Nilai GAP ke Bobot
Peserta Aspek (A) NilaiUN Rapor NilaiAspek (B) (C) TPAAspek
• Perhitungan dan Pengelompokan Core Factor NCFdanSecondary Factor (NSF)
Aspek Core Factor
dengan jurusan masing-masing maka pada pengujian ini hanya bisa dilakukan antara siswa yang terpilih berdasarkan proses yang ada pada SMA LAB UM dan siswa yang terpilih berdasarkan metodeGap Analysiskarena perbedaan mata pelajaran yang diterima antara kelas IPA, IPS dan Bahasa.