Fakultas Ilmu Komputer
Universitas Brawijaya
2497
Seleksi Anggota Paduan Suara Menggunakan Metode
Fuzzy
Tsukamoto
dan
Simple Additive Weighting
(SAW)
Genjah Amartha Gora1
, Edy Santoso
2Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1genjahgora@gmail.com, 2edy144@ub.ac.id
Abstrak
Paduan suara merupakan istilah yang merujuk pada ensembel musik yang terdiri dari penyanyi dan musik yang kemudian dikolaborasikan menjadi satu ensemble. Sanggar Jeuvana vocalista pertama kali didirikan pada tahun 1990 dengan beranggotakan tiga orang. Dalam perjalanan waktu minat terhadap paduan suara meningkat, terlebih banyak prestasi yang diperoleh di bidang paduan suara. Sanggar Jeuvana vocalista semakin dikenal dan makin banyak peminat dari tahun ke tahun, maka dilakukan seleksi pemilihan bagi yang berminat menjadi anggota tim paduan suara tertentu karena mengingat pentingnya kualitas dari tiap-tiap orang untuk dapat bergabung dalam sebuah tim paduan suara tersebut. Memang pada saat ini belum ada aplikasi yang digunakan untuk membantu seleksi Sanggar Jeuvana vocalista dalam memilih anggota Paduan Suara. Hal untuk menyelesaikan permasalahan yang ada di sanggar jeuvana vocalista, diaplikasikan pada penentuan anggota paduan suara menggunakan metode Fuzzy Tsukamoto dan Simple Additive Weighted. metode Fuzzy Tsukamoto untuk membantu mempermudah penyeleksian. Output nya adalah rekomendasi latihan yang harus diikuti per-tiga bulan. Sedangkan Simple Additive Weighting (SAW) untuk menentukan peringkat penyanyi yang berdedikasi dalam bidang tarik suara. Pengujian Korelasi program pada setiap tahun 2015, 2016, 2017 sebesar
0.98
, 0.94 dan 0.87. Dari hasil keputusan program dan pelatih sudah sejalan dan memiliki nilai korelasi postifif dan sama kuat.Kata kunci: Paduan Suara, Sistem Pendukung Keputusan, Simple Additive Weighted, Fuzzy Tsukamoto
Abstract
The choir is a term refers to a music ensemble consisting of singers and music collaborated into a single ensemble. The Jeuvana vocalista was first established in 1990 with three members. Many people all the time interest in the choir, the achievements earned in the choir every year . Jeuvana vocalista studio is increasingly more interested from year, then they make the selection for those interested in being a member of a particular choir team, because one of the more importance the quality of each person to be able to join a team of choir. At the moment there is no application used to assist the selection of Studio Jeuvana vocalista in choosing members of the Choir. The solving problems that exist in jeuvana vocalista studio, applied to choosing choir members using Fuzzy Tsukamoto and Simple Additive Weighted method. The Fuzzy Tsukamoto method to help simplify the selection. The output is a recommended exercise that should be followed by three months. Simple Additive Weighting to determine the rank of dedicated singers in the field of drag votes. Testing Correlation program in each year 2015, 2016, 2017 of 0.98, 0.94 and 0.87. From the results of the program and coach decisions are in line and have a positive and equally strong correlation value.
Keywords: choir, decision support system (DSS), simple additive weighting (SAW), fuzzy tsukamoto
1. PENDAHULUAN
Paduan suara atau kor (dalam bahasa Belanda: koor) merupakan istilah yang merujuk pada ensembel musik yang terdiri dari penyanyi dan musik serta dibawakan oleh ensembel tersebut. Umumnya suatu kelompok paduan
suara yang membawakan musik paduan suara terdiri atas beberapa bagian suara. (Sherly Jayanti, 2012).
tidak dapat dikatakan bahwa ada batasan jumlah suara yang terdapat dalam paduan suara. Jumlah jenis suara yang paling lazim dalam paduan suara adalah tiga, lima, enam, dan delapan. Bila menyanyi dengan satu suara, dinamakan atau diistilahkan secara unisono
(Novhyta Lia, 2016).
Tahap seleksi masih bersifat objektif dan saya rasa kurang optimal dalam pemilihan anggota paduan suara dikarenakan tidak melihat berbagai aspek serta kriteria lainnya, yang lebih diperhatikan dalam penentuan calon anggota paduan suara, dalam melakukan pemilihan pelatih membutuhkan waktu yang cukup lama dalam memproses hasil akhir apabila dilakukan tahap seleksi 1 per 1. Proses manual tersebut yang memerlukan waktu cukup lama dalam penentuan anggota paduan suara.
Dari permasalahan tersebut peneliti menawarkan solusi yaitu menerapkan metode
Simple Additive Weighting (SAW) dalam menentukan peringkat penyanyi dan metode
Fuzzy Tsukamoto untuk menentukan rekomendasi latihan yang nantinya digunakan untuk menentukan nilai kesiapan.
2. LANDASAN KEPUSTAKAAN
2.1 Kajian Pustaka
Pada penelitian dalam memanfaatan metode Simple Additive Weighting (SAW) untuk menentukan penyanyi yang layak masuk anggota paduan suara dengan metode
simple additive weighting (SAW).
Perhitungan Pemilihan penyanyi menggunakan metode Simple Additive Weighting (SAW) dimana metode ini melakukan perangkingan dengan cara mencari penjumlahan terbobot dari rating
pada setiap alternatif pada semua atribut, yang kemudian hasil dari perhitungan tersebut diurutkan dari dari nilai tertinggi ke nilai terendah. Kasus ini sesuai dengan penentuan anggota paduan suara yang metode dasarnya adalah memberikan peringkat penyanyi dengan kriteria terbaik atau hasil terbaik dari semua kriteria yang ada.
Fuzzy Tsukamoto digunakan sebagai
pre-processing. Pre-processing pada penelitian ini digunakan untuk mendapatkan nilai kriteria baru yaitu kriteria kesiapan. Nilai kriteria kesiapan didapatkan dari
persentase jumlah latihan yang dianjurkan dibandingkan dengan banyaknya kehadiran. Untuk mendapatkan jumlah latihan yang dianjurkan menggunakan nilai Fidelity, Teknik Vokal, dan Performance.
2.2 Klasifikasi Paduan Suara
Klasifikasi Paduan Suara terdiri dari 3 (tiga) level, yaitu:
1. (Fidelity)
Kriteria : Anggota Paduan Suara mampu menyanyikan lagu/materi sesuai dengan notasi yang tertulis pada partitur.
2.(Teknik Vokal)
Kriteria : Anggota Paduan Suara mampu menyanyikan lagu/materi sesuai
dengan interprestasi lagu yang diinginkan oleh komponis maupun aranger lagu tersebut untuk menghasilkan suatu aubade yang diinginkan.
3. (Performance)
Kriteria : Setelah melalui tahap level 1 dan 2, anggota Paduan Suara mampu menyanyikan lagu/materi dengan penghayatan dan
dikeluarkan melalui ekspresi.
2.3 Fuzzy Tsukamoto
Pada metode penarikan kesimpulan samar
Tsukamoto, tiap konsekuen pada aturan yg berbentuk IF-THEN harus direpresentasikan dengan suatu himpunan samar dng fungsi keanggotaan yg monoton. Sebagai hasilnya,
output hasil penarikan kesimpulan (inference) dari tiap-tiap aturan diberi secara tegas ( cnsp )
berdasarkan α-predikat (strength). Hasil akhir diperoleh dng memakai rata-rata berbobot (weight average). Dalam himpunan fuzzy
terdapat beberapa representasi dari fungsi keanggotaan, salah satunya yaitu representasi linear. Pada representasi linear, pemetaan input ke fungsi keanggotaannya di Gambarkan sebagai suatu garis lurus.
Konjungsi fuzzy Tsukamoto
μ A∧B=μ A(x) ∩ μB(y)= min(μA(x), μB(y))
Disjungsi fuzzy Tsukamoto
μ A∨B=μ A(x) ∪μB(y)= max(μA(x), μB(y))
2.4 Simple Additive Weighting
Dalam SAW, suatu kriteria bisa dikategorikan sebagai kriteria benefit atau kriteria cost. Suatu kriteria dapat dikatakan benefit jika nilai dari kriteria itu semakin besar akan menimbulkan hasil yang semakin baik, sedangkan kriteria yang dianggap sebagai kriteria cost adalah jika nilai kriteria tersebut semakin besar maka akan menimbulkan hasil yang semakin buruk (Kusumadewi, Harjoko, dan Wardoyo. 2006).
Untuk melakukan perhitungan SAW dilakukan normalisasi nilai terlbih dahulu. Rumus normalisasi bisa dilihat pada rumus 2-5 dan 2-6.
𝑟𝑖𝑗=𝑀𝑎𝑥(𝑥𝑥𝑖𝑗𝑖𝑗) (5) Jika j adalah atribut benefit
𝑟𝑖𝑗=𝑀𝑖𝑛(𝑥𝑥𝑖𝑗𝑖𝑗) (6) Jika j adalah atribut cost
Selanjutnya untuk mencari nilai preferensi tiap alternatif (Vi) adalah dengan menggunakan rumus (2-7)
𝑉𝑖 = ∑𝑛𝑗=1𝑤𝑗𝑟𝑖𝑗 (2-7)
Nilai V yang lebih besar, mengindikasikan bahwa alternatif Ai lebih terpilih dibandingkan dengan alternative pembanding lainnya(Kusumadewi, Harjoko, dan Wardoyo. 2006).
Koefisien Korelasi Pearson Product-Momen
Koefisien korelasi pearson merupakan nilai yang menunjukan keeratan hubungan linier antara dua variable. Rumus yang digunakan adalah
(7)
Dimana n adalah banyak pasangan rank.
Menurut Jonathan Sarwono, nilai interval kekuatan hubungan dibagi menjadi enam tingkat, tingkatan interval kekuatan hubungan antara variable bisa dilihat pada tabel 1
Tabel 1 Interval Kekuatan
3. PERANCANGAN DAN PEMBAHASAN
Perancangan sistem Pada penelitian ini terdapat dua jenis perancangan, yang pertama adalah perancangan untuk tahap pre-procesing
menggunakan metode fuzzy Tsukamoto dan proses utama yang menggunakan SAW.
3.1 Bahasa Variabel
Himpunan Bahasa Variabel pada sistem pendukung keputusan ini terdiri dari:
C1 = artikulasi
C2 = intonasi
C3 = ambitus
C4 = dinamika
C5 = pitch control
C6 = penghayatan
C7 = Intensitas Latihan
Tabel 2. Tabel Bobot Keputusan
no kriteria bobot
c1 artikulasi 8
c2 intonasi 7
c3 ambitus 7
c4 dinamika 8
c5 pitch control 7
c6 penghayatan 7
c7 Intensitas Latihan 9
Sum 53
3.2 Perhitungan Fuzzy Tsukamoto
Perhitungan metode Fuzzy Tsukamoto
Tabel 3. Pengelompokan Kriteria
kriteria sub kriteria nilai rata-rata
Fidelity ambitus 5 5
Dinamika 5
Teknik vokal Artikulasi 6 6 Pitch Control 6
performance Penghayatan 5 5
Presentase Kehadiran 5
Nilai dari masing sub kriteria akan di rata-rata menjadi nilai kelompok kriteria baru yang kemudian akan dicari nilai keanggotaan nya pada fungsi keanggotaan. Berikut adalah fungsi keanggotaan fidelity, teknik vocal, dan performance.
Gambar 2. Fungsi Keanggotaan Fidelity
Gambar 3. Fungsi Keanggotaan T.Vokal
Gambar 4. Fungsi Keanggotaan Performance
Gambar 5. Fungsi Keanggotaan Level
Untuk menetukan nilai dari setiap keanggotaan dilakukan perhitungan menggunakan rumus sebagai berikut :
1. 𝜇FidelityBuruk [x1]= 1, x1 ≤ 4 Setelah mendapatakan nilai pada setiap kriteria baru dilakukan perhitungan untuk mendapatkan nilai keanggotaan sesuai dengan rule yang didapatkan dari hasil wawancara.
Tabel 4. Aturan
BURUK BAIK BAIK Menengah BAIK BURUK BURUK Pemula BAIK BURUK BAIK Menengah BAIK BAIK BURUK Menengah BAIK BAIK BAIK Mahir
Setelah itu dicari nilai alpha predikat dengan cara mencari nilai paling minimal dari ketiga kriteria. Misalkan nilai fidelity 8, teknik vocal 8.5, dan performance 5.5 maka didapatkan hasil sebagai berikut :
Tabel 5. α-predikat Setelah mendapatkan nilai alpha bisa dicari nilai z dengan perhitungan sebagai berikut :
Z1 = 8+(4 x 0) = 8
Setelah itu mengalikan setiap α-predikat dengan Z nya, dan langkah terakhir untuk menentukan
output crisp nya dengan cara membagi jumlah seluruh α-predikat zdengan jumlahseluruh α -predikat.
Tabel 6. Deffuzyfikasi
Fideli
Sehingga didapatkan nilai rekomendasi latihan 3/1 = 3 hari.
3.3Perhitungan SAW
Langkah pertama dalam metode SAW adalah menormalisasi nilai yang didapatkan penyanyi dari tiap kriteria dengan cara membagi pada tiap nilai kriteria dengan nilai tertinggi pada kriteria tersebut.
Tabel 7. Normalisasi Nilai
NAMA c1 c2 c3 c4 c5 c6 c7 Hasil
Setelah di normalisasi selanjutnya adalah
mendapatkan nilai akhir dengan cara
mengalikan Tabel nilai yang telah
ternormalisasi dengan bobot kemudian
menjumlahkan semua nilai kriteria untuk
tiap-tiap penyanyi.
Tabel 8. Tabel Perangkingan
Alternatif Nilai Ranking
Z1 0.669 1
hasil tersebut akan dimasukan kedalam fungsi impilkasi dan dilakukan proses defuzzyfikasi setelahnya. Hasil yang dikeluarkan program sudah hampir menyamai keputusan pelatih.
2 Nilai selisih yang dihasilkan dari hasil perbandingan program dan pelatih adalah rata-rata 1 hari, sedangkan nilai selisih yang
masih ditoleransi pelatih adalah ≤1 hari.
3 Pada penerapan metode SAW dilakukan dengan cara mengalikan hasil normalisasi nilai pada setiap kriteria dengan bobot tiap kriteria.
4 Pada pengujian tingkat korelasi didapatkan nilai terendah yang terdapat pada tahun 2017, 0.978386902 pada tahun 2016, dan 0.942156537 pada tahun 2015. Berdasarkan nilai tersebut maka tingkat korelasi antara keputusan program dan pelatih termasuk sangat kuat dan dikatakan memiliki keputusan yang sejalan.
5. DAFTAR PUSTAKA
Pinandita, Tito. Ahmad., 2012. Prediksi Tingkat Kompetensi Profesional Pendidik Menggunakan Sistem Inferensi Fuzzy Metode Tsukamoto. S1. Universitas Muhammadiyah Purwokerto.
Roosmalita Sari, Nadia., Firdaus M, Wayan, 2105. Fuzzy Inference System Tsukamoto untuk Menentukan
Kelayakan Calon Pegawai. S1. Universitas brawijaya.
Pratama N, Randi., Pemilihan Tim Bulu Tangkis dengan Menggunakan Metode Fuzzy Tsukamoto dan AHP-SAW.
Jayanti, Sherly., 2012. Sistem pendukung keputusan seleksi anggota paduan suara.[online] Tersedia di: https://journal.ugm.ac.id/ijccs/article/vi ew/2141 [Diakses 15 Agustus 2016].
Saifulloh, Asnawi., Noordin., 2015. Analisis Keakuratan Metode Ahp Dan Metode Saw Terhadap Sistem
Pendukung Keputusan Penerimaan Beasiswa. S1. STT Dharma iswara Madiun.
McLeod, Jr ,Raymond., 2001. Sistem Informasi Manjemen 1998. Jakarta : Prenhallindo.
Fairuzabadi, Muhammad., 2016. Konsep Sistem Pendukung Keputusan (SPK). [online] Tersedia di: <
http://fairuzelsaid.com/konsep-sistem-pendukung-keputusan-spk//> [Diakses
25 Agustus 2016].
Fairuzabadi, Muhammad., 2016. Konsep Sistem Pendukung Keputusan (SPK). [online] Tersedia di: <
http://fairuzelsaid.com/konsep-sistem-pendukung-keputusan-spk//>
Kusuma Dewi dan Purnomo, 2010, Program Logika Fuzzy untuk Pendukung Keputusan, Graha Ilmu, Yogyakarta.
Akhsin, Ainun., 2013. PEMBELAJARAN PADUAN SUARA PADA SISWA SD NEGERI 1 SUKODADI LAMONGAN DENGAN METODE
MENDENGARKAN, lamongan, Jawa Timur.
Novhyta, Lia., 2016 Paduan Suara dan Vocal Group. [online] tersedia di: <
https://www.scribd.com/doc/14325886 4/Makalah-Tentang-Paduan-Suara-Dan-Vocal-Grup//>
Priko Andrian. 2010. Analisis Perbandingan Metode Fuzzy Mamdani dan Metode Fuzzy Tsukamoto Pada Perbedaan Harga Sepeda Motor
Pratomo Setiaji.,(2012). Sistem Pendukung Keputusan Dengan Metode Simple Additive Weighting., Universitas Muria Kudus., Jawa Tengah
Dillon, A.H., Female voice classification and the choral director., Michigan University., USA.
Kob,M., 2011., Analysis and understanding the singing voice: Recent Progress and Open Question., Current Bioinformatic.
