Fakultas Ilmu Komputer
2423
Pemilihan Tim Bulutangkis Menggunakan Metode
Fuzzy
Tsukamoto dan
AHP-SAW
Randi Pratama Nugraha1, Rekyan Regasari Mardi Putri2, Lailil Muflikhah3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1randipratama218@gmail.com, 2rekyan.rmp@ub.ac.id, 3lailil@ub.ac.id
Abstrak
Unit Aktivitas Bulutangkis Universitas Brawijaya adalah unit yang menampung mahasiswa yang memiliki minat dan bakat olahraga bulutangkis. Selain itu unit ini memiliki tugas dalam menyeleksi atlit bulutangkis yang masuk melalui jalur beasiswa. Para atlit yang lolos dalam seleksi nantinya akan dijadikan kandidat beserta para atlit di unit dalam sebuah tim untuk membela Universitas Brawijaya. Dalam memilih kandidat dibutuhkan berbagai macam kriteria untuk menyeleksinya, yaitu kekuatan pukulan, stabilitas fisik, kelincahan gerakan, kecepatan, offense, defense, dan kesiapan. Penyeleksian akan dilakukan dengan menggunakan metode Fuzzy tsukamoto dan AHP-SAW. Metode Fuzzy Tsukamoto digunakan untuk menghitung jumlah latihan yang harus diikuti seorang pemain, kemudian jumlah latihan ini akan digunakan untuk mendapatkan nilai kesiapan pemain. Sedangkan metode AHP-SAW digunakan untuk menentukan bobot tiap kategori pertandingan dan meperingkat pemain. Pemain yang memiliki peringkat paling tinggi akan dipilih menjadi kandidat pemain dalam tim. Setelah dilakukan implementasi dan pengujian, didapatkan hasil korelasi kategori tunggal putra sebesar 0.839753, tunggal putri sebesar 0.75736, ganda putra sebesar 0.99079, ganda putri sebesar 0.98921, tiriple putra sebesar 0.99886, dan triple putri sebesar 0.989426. Dari hasil tersebut dapat disimpulkan bahwa hasil keputusan program dan pelatih sudah sejalan dan memiliki nilai korelasi posistif serta sangat kuat.
Kata Kunci : Bulutangkis ,Fuzzy Tsukamoto, Analytical Hierarchy Process,Simple Additive Weighting, AHP-SAW.
Abstract
Badminton Activity Unit Universitas Brawijaya is a unit that accommodates students who have interest and talent of badminton sport. It also has to hold selection for badminton athletes who enter through the scholarship path. Those athletes who pass the selection will be the candidates with the athletes in the unit into a team as the representatives of Universitas Brawijaya in certain competition. In selecting process, the candidates need to pass variety of criteria of qualificationt, they are the power of punch, physical stability, movement agility, speed, offense, defense, and readiness. Selection will be conducted using Fuzzy tsukamoto and AHP-SAW method. The Fuzzy Tsukamoto method is used to calculate the number of exercises a player should follow, then the number of these exercises will be used to get the player's readiness score. While the AHP-SAW method is used to determine the weight of each category of matches and the player's rank. The player who has the highest ranking will be selected to be the player candidate in the team. After implementation and testing, the result of single men category correlation is 0.839753, single women is 0.75736, men's double is 0.99079, female double is 0.98921, male tiriple is 0.99886, and triple women is 0.989426. From these results it can be concluded that the results of program and coach decisions are in line and have a positive correlation value and very strong.
Keywords: Badminton, Fuzzy Tsukamoto, Analytical Hierarchy Process, Simple Additive Weighting, AHP-SAW.
1. PENDAHULUAN
Unit Aktivitas Bulu Tangkis Universitas Brawijaya adalah salah satu unit kegiatan
se-Indonesia, hal ini dikarenakan ukm ini selalu menghasilkan atlit-atlit berbakat setiap tahunnya, hal ini tidak luput dari peran berbagai divisi yang terlibat didalamnya seperti divisi komisi teknis yang berperan mengatur jalannya latihan dan divisi kaderisasi atlit yaitu divisi yang berperan dalam penyeleksian atau kaderisasi calon atlit baru.
Mendapatkan atlit yang memiliki skill
dan pengalaman yang baik tentu akan sangat mudah, dikarenakan banyak atlit berprestasi yang masuk melalui jalur prestasi. Namun untuk mendapatkan atlit dengan kategori yang berbeda-beda tentu akan menjadi suatu permasalahan yang sulit. Untuk mengatasi permasalahan tersebut dapat dilakukan dengan cara mendapatkan atlit dari UKM universitas ataupun fakultas. Dalam mendapatakan atlit dari UKM biasanya menggunakan cara mempertandingkan atlit satu dengan yang lainnya. Cara tersebut dianggap kurang optimal dan boros waktu. Dikatakan kurang optimal dikarenakan tidak memperhatikan berbagai aspek kriteria yang ada, dan dikatakan boros waktu dikarenakan jumlah atlit yang sangat banyak dan kapasitas lapangan yang hanya sedikit tentu akan membutuhkan waktu yang sangat lama. Selain itu masalah kehadiran pelatih yang tidak bisa hadir setiap saat dan kesibukan atlit sebagai mahasiswa tentu akan menjadikan sistem tersebut tidak dapat menjangkau potensi semua atlit.
Pada penelitian sebelumnya yang dilakukan oleh Made Astradanta, I Made Agus Wirawan , I Ketut Resika Arthana dalam “Pengembangan Sistem Penunjang Keputusan Pemilihan Tempat Kuliner Dengan Menggunakan Metode AHP Dan SAW Studi Kasus : Kecamatan Buleleng” memiliki tingkat akurasi sebanyak 82%, dan konsistensi rasio yang didapatkan dibawah 0.1 yaitu sebesar 0,00757. Hasil ini menyimpulkan bahwa pemberian bobot per kriteria oleh pakar dikatakan konsisten. Selain penelitian tentang penerapan metode AHP-SAW, ada juga penelitian dalam mengukur perbandingan tingkat akurasi metode AHP dengan SAW dengan judul “Analisis Keakuratan Metode AHP dan Metode SAW Terhadap Sistem Pendukung Keputusan Penerimaan Beasiswa”, dalam kesimpulan nya menjelaskan bahwa metode
AHP dan SAW memiliki tingkat akurasi yang tinggi, dan apabila kedua metode tersebut digabungkan maka akan menghasilkan hasil yang lebih signifikan. Hasil kesimpulan penelitian inilah yang membuat peneliti ingin membuktikan dan mencoba menerapkan kombinasi metode AHP dengan metode SAW.
Untuk penelitian lain nya yang khusus membahas tentang penggunaan metode
fuzzy tsukamoto adalah penelitian yang dilakukan oleh Tito Pinandita & Ahmad yang berjudul “Prediksi Tingkat Kompetensi Profesional Pendidik Menggunakan Sistem Inferensi Fuzzy Metode Tsukamoto (Predictionof the Level of Professional
Teachers Competence Using Fuzzy
Inference SystemTsukamoto Method)”. Pada
penelitian ini bertujuan memprediksi tingkat kompetensi professional pendidik, lalu pada kesimpulan nya bahwa fuzzy tsukamoto sudah mampu dalam melakukan prediksi tingkat kompetensi professional pendidik. Dari pemaparan tersebut peneliti tertarik untuk melakukan penelitian yang berjudul
“Pemilihan Tim Bulutangkis Menggunakan Metode Fuzzy Tsukamoto dan AHP-SAW
”dengan menggunakan metode Fuzzy Tsukamoto sebagai pre proses untuk menentukan salah satu kriteria yaitu kesiapan latihan .
2. KAJIAN PUSTAKA Bulu Tangkis
Bulu tangkis adalah olahraga yang menggunakan alat olahraga raket, bulu tangkis biasa dimainkan dua orang dalam pertandingan tunggal atau dimainkan dua pasangan dalam pertandingan ganda dan tiga dalam triple. Olahraga bulu tangkis mirip dengan olahraga tenis yaitu bertujuan memukul shuttlecock hingga melewati jaring agar jatuh di area permainan lawan dan mencegah atlit lawan melakukan hal yang sama.
S, Purnomo H, 2010).
1. Satu (1), yang berarti item tersebut berada pada dalam suatu himpunan, atau
2. Nol (0), yang berarti item tersebut tidak termasuk kedalam suatu himpunan.
Dalam menentukan nilai dari fungsi keanggotaan digunakan beberapa funsgi diantaranya adalah :
Representasi Linear Naik, gambar representasi linear naik bisa dilihat pada gambar 1.
Gambar 1. Repersentasi Linear Naik
Rumus yang didapatkan dari representasi linear naik ini bisa dilihat pada persamaan 1.
µ(x) = {
0 ; 𝑥 ≤ 𝑎
𝑥−𝑎
𝑏−𝑎 ; 𝑎 ≤ 𝑥 ≤ 𝑏
1 ; 𝑥 ≥ 𝑏
(1 )
Representasi Linear Turun, gambar dari representasi linear naik bisa dilihat pada gambar 2.
Gambar 2. Representasi Linear Turun
Rumus yang didapatkan dari representasi linear turun bisa dilihat pada persamaan 2
µ(x) = {
0 ; 𝑥 ≤ 𝑎
𝑏−𝑥
𝑏−𝑎 ; 𝑎 ≤ 𝑥 ≤ 𝑏
1 ; 𝑥 ≥ 𝑏
(2 )
Inferensi adalah proses menggabungkan banyak aturan berdasarkan data yang tersedia atau yang didapatkan. Komponen yang melakukan inferensi disebut mesin inferensi. Menurut Sri Kusumadewi & Sri Hartati (2006) inferensi fuzzy
merupakan kerangka komputasi yang didasari teori himpunan fuzzy, aturan fuzzy berbentuk IF-THEN. Blok Proses inferensi fuzzy bisa dilihat
pada gambar 3.
Gambar 3. Proses Inferensi Fuzzy Tsukamoto
Analytical Hierarchy Process
Analitycal Hierarchy Prosess adalah metode pengambilan keputusan yang dikembangkan oleh Thomas L., Saaty.. Dalam membuat keputusan, metode AHP menggunakan perbandingan antara satu kriteria denga kriteria lainnya dengan membentuk sebuah matrik perbandingan. Setelah mendapatkan nilai matrik perbandingan maka akan dilakukan langkah-langkah sebagai berikut :
1. Menjumlahkan nilai-nilai dari setiap kolom matrik.
2. Membagi setiap nilai pada kolom dengan total nilai pada kolom yang bersangkutan untuk mendapatkan nilai normalisasi matrik. 3. Menjumlahkan nilai dari setiap baris dan membaginya dengan jumlah elemen untuk mendaptkan nilai rata-rata atau yang bisa disebut nilai eigen. Nilai eigen tersebut nanti akan digunakan sebagai bobot tiap kriteria. Untuk mengentahui tingkat konsistensi dari nilai perbandingan atau bobot yang dihasilkan dilakukan langkah sebagai berikut :
1. Kalikan setiap nilai pada kolom pertama dengan prioritas relatif elemen pertama. Kalikan juga setiap nilai pada kolom kedua dengan prioritas relative elemen kedua dan seterusnya.
2. Jumlahkan setiap baris.
3. Hasil penjumlahan baris dibagi dengan prioritas relative elemen yang bersangkutan.
4. Menjumlahkan hasil bagi pada langkah sebelumnya dengan banyaknya elemen. Hasil dari penjumlahan ini dinamakan λ maks.
5. Selanjutnya adalah menghitung CI atau konsistensi indeks. Rumus untuk mencari nilai CI adalah
CR atau rasio konsistensi. Rumus untuk mencari nilai CR adalah
CR= CI/RI (4).
Nilai RI ditentukan banyaknya elemen yang digunakan.
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 5 dan 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 7.
𝑉𝑖 = ∑𝑛𝑗=1𝑤𝑗𝑟𝑖𝑗 (7)
Nilai V yang lebih besar, mengindikasikan bahwa alternatif Ai lebih terpilih dibandingkan dengan alternatif 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 bisa dilihat pada rumus 8.
(8)
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 & PEMBAHASAN Pada penelitian ini terdapat dua jenis perancangan, yang pertama adalah perancangan untuk tahap pre-procesing menggunakan metode fuzzy Tsukamoto dan proses utama yang menggunakan metode AHP-SAW. Langkah-langkah dalam menerapkan metode bisa dilihat pada gambar 4.
mulai
K1,k2,k3,k4,k5,k6,a n7.
Menghitung nilai keanggotaan
x1
x1 = (k1+k2)/2 x2 =(k3+k4)/2 x3 =(k5+k6)/2
Menghitung nilai keanggotan x2
Menghitung nilai keanggotan x3
Menerapkan fungsi impilkasi dari
setiap rule
defuzzyfikasi
Jumlah latihan yang
dianjurkan
Menghitung nilai kesiapan(krietria
ke-7)
Nilai Kriteria ke-7
end
Gambar 4 Diagram Alir Fuzzy Tsukamoto
Gambar 5 Fungsi Keanggotaan Kekuatan
Gambar 6 Fungsi Keanggotaan Kelincahan
Gambar 7 Fungsi Keanggotan Taktik
Gambar 8 Fungsi Keanggotaan Kesiapan
Dengan menggunakan persamaan 1 dan 2
akan dicari nilai µ dari setiap nilai. Misalkan
nilai yang didapatkan seperti tabel 2.
Tabel 2. Tabel Nilai
kriteria sub kriteria nilai rata-rata
Kekuatan pukulan 5
stabilitas fisik 5
Kelincahan gerakan 6
kecepatan 6
offense 5
defense 5
kehadiran 6
Maka dapat didaptkan perhitungan berikut
1. 𝜇KekuatanKurang [x1]= 1, x1 ≤ 4
(7-x1)/(7-4), 4 < x1 < 7
……….(4-1)
0, x ≥ 7
2. 𝜇KekuatanBaik [x1]= 1, x1 ≥ 7
(x1-4)/(7-4), 4 < x1 < 7
……….(4-2)
0, x ≤ 4
3. 𝜇KelincahanKurang [x2]= 1, x2 ≤ 4
(7- x2)/(7-4), 4 < x2 < 7
……….(4-3)
0, x2 ≥ 7
4. 𝜇KelincahanBaik [x2]= 1, x2 ≥ 7
(x2-4)/(7-4), 4 < x2 < 7
……….(4-4)
0, y ≤ 4
5. 𝜇TaktikKurang [x3]= 1, x3 ≤ 4
(7- x3)/(7-4), 4 < x3 < 7
……….(4-5)
0, x3 ≥ 7
6. 𝜇TaktikBaik [x3]= 1, x3 ≥ 7
(x3-4)/(7-4), 4 < z < 7
……….(4-6)
0, z ≤ 4
Dan untuk mendapatkan nilai z dilakukuan dengan perhitungan sebagai berikut
1. Z himpunan Pemula α-predikat = 8 – z / 4
2. Z himpunan Menengah α-predikat = 2 – z / 4
3. Z himpunan Profesional
α-predikat = 5 + z / 2
setelah semua hasil didapatkan maka bisa dimasukan kedalam aturan yang diberikan pelatih. Aturan yang diberikan bisa dilihat pada tabel 3.
Tabel 3. Tabel aturan
kekuatan kelincahan taktik level
kurang kurang kurang pemula
kurang kurang baik pemula
kurang baik kurang pemula
0 0,25 0,5 0,75 1
1 4 7 10
kurang baik
kekuatan
0 0,25 0,5 0,75 1
1 4 7 10
kurang baik
kelincahan
0 0,25 0,5 0,75 1
1 4 7 10
kurang baik
taktik
0 0,25 0,5 0,75 1
1 2 5 7 9 12 13
profesional pemula
level
kurang baik baik menengah
baik kurang kurang pemula
baik kurang baik menengah
baik baik kurang menengah
baik baik baik profesional
Karena aturan berupa konjungsi maka nilai α adalah nilai minimal. Untuk mencari nilai akhir dilakukan dengan membagi nilai jumlah α x z dengan jumlah α. Detail perhitungan bisa dilihat pada tabel 4.
Tabel 4. Defuzzyfikasi
kekuatan kelincahan taktik level α-predikat z α-predikat ´ z
0.666667 0.33333333 0.666667 pemula 0.3333333 10 3.3333333
0.666667 0.33333333 0.333333 pemula 0.3333333 10 3.3333333
0.666667 0.66666667 0.666667 pemula 0.6666667 11 7.3333333
0.666667 0.66666667 0.333333 menengah 0.3333333 3 1
0.333333 0.33333333 0.666667 pemula 0.3333333 10 3.3333333
0.333333 0.33333333 0.333333 menengah 0.3333333 3 1
0.333333 0.66666667 0.666667 menengah 0.3333333 3 1
0.333333 0.66666667 0.333333 profesional 0.3333333 4 1.3333333
Hasil nya adalah 21.66666667/ 3 = 7.222222 dibulatkan menjadi 7. Jadi jumlah latihan yang dianjurkan adalah minimal 7 kali dalam sebulan (16 kali pertemuan). Kemudian nilai kesiapan akan dinilai dari persentase kehadiran dengan minimal kehadiran. Jika atlit A memiliki minimal latihan 7 kali dalam sebulan dan hanya mengikuti 6 kali latihan maka persentase nya 6/7 x 100% = 85% . kemudian persentase tersebut akan dikonversi menjadi nilai kesiapan dengan rentang nilai 0 – 10 . sehingga dapat dihitung 0.85 x 10 = 8.5 .
Selanjutnya untuk menerapkan metode AHP-SAW dilakukan dengan langkah-langkah yang bisa dilihat pada gambar 9.
mulai
nBp, nAl
Normalisasi Bobot Perbandingan
Menghitung nilai Eigen/bobot AHP
Mencari nilai A Max
Mencari nilai total sintesa
Menghitung lamda
Menghitung CI
Menghitung CR
CR
CR<0.1
t
Normalisasi Nilai nAl
y
Mengalikan hasil Normalisasi dengan
bobot AHP
Me rangking pemain
end Buat matrik
perbandingan berpasangan
Gambar 9. Diagram Alir AHP-SAW
Dimana nbp adalah nilai bobot perbandingan, dan nAl adalah nilai alternative. Misalkan nilai matrik perbandingan diberikan seperti tabel 5.
Tabel 5 Nilai Matrik Perbandingan
K1 K2 K 3 K 4 K 5 K 6 K 7
K1 1 3 5 2 3 4 3
K2 0.33333333 1 4 1 0.3333 1 5
K3 0.2 0.25 1 0.333333 0.3333 2 2
K4 0.5 1 3 1 0.3333 2 3
K5 0.33333333 3 3 3 1 4 8
K6 0.25 1 0.5 0.5 0.25 1 3
K7 0.33333333 0.2 0.5 0.333333 0.125 0.333333 1
Jumlah 2.95 9.45 17 8.166667 5.375 14.33333 25
Tabel 6. Normalisasi AHP
K1 K2 K3 K4 K5 K6 K7
K1 0.339 0.31746 0.2941 0.2449 0.56 0.27907 0.12
K2 0.113 0.10582 0.2353 0.1224 0.06 0.06977 0.2
K3 0.0678 0.02646 0.0588 0.0408 0.06 0.13953 0.08
K4 0.1695 0.10582 0.1765 0.1224 0.06 0.13953 0.12
K5 0.113 0.31746 0.1765 0.3673 0.19 0.27907 0.32
K6 0.0847 0.10582 0.0294 0.0612 0.05 0.06977 0.12
K7 0.113 0.02116 0.0294 0.0408 0.02 0.02326 0.04
Untuk mendapatakan nilai eigen atau bobot yang akan digunakan dilakukan dengan cara menjumlahkan nilai kekanan dan membaginya dengan jumlah kriteria. Sehingga didapkan nilai yang bisa dilihat pada tabel 7.
Tabel 7. Nilai Eigen
K1 0.45334
K2 0.19956
K3 0.11525
K4 0.19415
K5 0.40134
K6 0.11853
K7 0.05822
Nilai eigen yang bisa digunakan adala nilai eigen yang memiliki nilai konsistensi dibawah 0,1. Jika nilai sudah konsisten maka bisa dilakukan perkalian anntara nilai alaterntif dengan nilai eigen kriteria nya. misalkan nilai alternative pemain sebagai berikut:
Tabel 8. Nilai Pemain
nama nilai
K1 K2 K3 K4 K5 K6 K7
a1 1 3 4 8 7.5 2 3.5
a2 2 2 7 6 2 2 3.5
a3 3 6 6 8 3 4 4.3125
a4 5 7 8 3 5 5.5 5
a5 7 8 5 9 8 7 7
a6 4 9 4 7 9 5 10
a7 7 4 6 1 7 8 3
a8 4 5 4 7 5 9 5
a9 8 7 2 9 4 4 7
a10 2 8 8 3 8 8 4
Karena semua nilai adalah benefi maka normalisasi dilakukan dengan membagi tiap nilai dengan jumlah nilai pada kolomnya. Hasil normalisasi SAW bisa dilihat pada tabel 9.
Tabel 9. Normalisasi SAW
nama
nilai
K1 K2 K3 K4 K5 K6 K7
a1 0.125 0.33333 0.5 0.89 0.83333 0.222 0.35
a2 0.25 0.22222 0.875 0.67 0.22222 0.222 0.35
a3 0.375 0.66667 0.75 0.89 0.33333 0.444 0.43125
a4 0.625 0.77778 1 0.33 0.55556 0.611 0.5
a5 0.875 0.88889 0.625 1 0.88889 0.778 0.7
a6 0.5 1 0.5 0.78 1 0.556 1
a7 0.875 0.44444 0.75 0.11 0.77778 0.889 0.3
a8 0.5 0.55556 0.5 0.78 0.55556 1 0.5
a9 1 0.77778 0.25 1 0.44444 0.444 0.7
a10 0.25 0.88889 1 0.33 0.88889 0.889 0.4
Untuk mencari nilai preferensi dilakukan dengan cara mengalikan nilai normalisasi dengan nilai eigen tiap kriterianya dan menjumlahkan keseluruhan hasilnya untuk tiap-tiap kandidat. Berikut adalah contoh perhitungannya:
Nilai V a1 = (nilai k1*bobot k1) + (nilai k1*bobot k2)+(nilai k3*bobot k3)+(nilai k4*bobot k4)+(nilai k5*bobot k5) + (nilai k6*bobot k6)+(nilai k7*bobot k7)
=(0.125*0.453335)+( 0.333333*0.199563)+(0.5*0.115246)+
(0.888889*0.194152)+(0.833333*0.401339 )+(0.222222222*0.118531)+(0.35*0.05821 5)
= 0.469829
Hasil keseluruhan bisa dilihat pada tabel 10.
Tabel 10. Nilai Preferensi
nama
nilai
K1 K2 K3 K4 K5 K6 K7 nilai akhir
a1 0.03844 0.04325 0.03396 0.11 0.20945 0.016 0.01455 0.46983
a2 0.07688 0.02884 0.05943 0.09 0.05585 0.016 0.01455 0.33729
a3 0.11532 0.08651 0.05094 0.11 0.08378 0.033 0.01792 0.50108
a4 0.1922 0.10093 0.06792 0.04 0.13963 0.045 0.02078 0.6093
a5 0.26908 0.11535 0.04245 0.13 0.22341 0.057 0.02909 0.86485
a6 0.15376 0.12976 0.03396 0.1 0.25134 0.041 0.04156 0.75098
a7 0.26908 0.05767 0.05094 0.01 0.19549 0.066 0.01247 0.66558
a8 0.15376 0.07209 0.03396 0.1 0.13963 0.074 0.02078 0.59368
a9 0.30752 0.10093 0.01698 0.13 0.11171 0.033 0.02909 0.72705
Selanjutnya nilai prerferensi teresebut akan diurutkan dari yang terbesar ke kecil.
4. HASIL DAN KESIMPULAN
Untuk menguji tingkat keakuratan akurasi program, maka dilakukan pengujian korelasi. Nilai korelasi dihitung dengan menggunakan nilai preferensi pemain dengan urutan perangkingan oleh program dan pelatih.
Tabel 11. Hasil Penentuan Peringkat Tunggal Putra
Dengan menggunakan rumus 7 didapatkan perhitungan
sebagai berikut :
Tunggal putra
r= 10.40919−(
(14.35187708)(14.35187708) 20 ) √(10.43025658−10.4302565820 )(10.43026−10.4302620 )
=0.839753
Sedangkan hasil dari kategori tunggal putri, ganda putra, ganda putri, triple putra, dan triple putri berturut-turut adalah 0.75736, 0.99079,
0.98921, 0.99886, dan 0.989426.
Hasil Keputusan Program
Hasil keputusan program untuk pemilihan tim bulutangkis bisa dilihat pada gambar 10.
Gambar 10. Hasil Keputusan Pemilihan Tim
Perbedaan keputusan program dengan pelatih bisa dilihat pada tabel 12.
Tabel 12. Pebandingan Hasil Keputusan Tim
Perbandingan Hasil Keputusan Pemilihan Tim
kategori unggulan ke- Program Pelatih
1 ATPa1 ATPa1 AGPa = alternatif ganda putra ATRa = alternatif triple putra ATPi = alternatif tunggal putri AGPi = alternatif ganda putri ATRi = alternatif triple putra
5.
KESIMPULAN
Kesimpulan yang dihasilkan peneliti adalah sebagai berikut :
Tsukamoto untuk menentukan jumlah latihan bisa dilakukan dengan menghitung derajat keanggotan pada setiap nilai kekuatan, kelincahan, dan taktik, kemudian setelah itu hasil tersebut akan dimasukan kedalam fungsi impilkasi dan dilakukan proses defuzzyfikasi setelahnya. Hasil yang dikeluarkan program sudah hampir menyamai keputusan pelatih. Nilai selisih yang dihasilkan dari hasil perbandingan program dan pelatih adalah rata-rata 2 hari, sedangkan nilai selisih yang masih ditoleransi pelatih adalah ≤3 hari.
2. Penerapan metode AHP untuk menentukan bobot dapat dilakukan dengan mengambil nilai preferensi dari setiap kriteria. Sedangkan dalam menentukan nilai konsistensi dapat dilakukan dengan mencari nilai CI, kemudian CI akan dibagi dengan nilai RI untuk mendapatkan nilia CR.
3. Pada program yang dibuat, konsistensi rasio diharuskan memiliki nilai <0,1, sehingga konsistensi rasio tiap kategori pasti konsisten. Adapun tingkat konsistensi tiap kategori pertandingan adalah 0.07483403 untuk kategori tunggal, 0.089924842 untuk kategori ganda, dan 0.085549392 untuk kategori triple. Nilai konsistensi pada ketiga kategori tidak sepenuhnya konsisten, tetapi ketidakkonsistenan tersebut masih terbilang kecil. Hal tersebut dibuktikan pada pengujian dari perbandingan nilai kepentingan tiap baris pada matrik perbandingan, dimana tingkat kepentingan tiap baris masih belum konsisten jika dilakukan perbandingan tingkat konsisten kriteria pada tiap baris. 4. Pada penerapan metode SAW dilakukan
dengan cara mengalikan hasil normalisasi nilai pada setiap kriteria dengan nilai eigen tiap kriteria yang dihasilkan metode AHP.
5. Pada pengujian tingkat korelasi didapatkan nilai terendah yang terdapat pada kategori tunggal putri sebesear 0.75736 dan nilai tertinggi pada kategori triple putra sebesar 0.99886. Berdasarkan nilai tersebut maka tingkat korelasi antara keputusan program dan pelatih termasuk sangat kuat.
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. Saifulloh, Asnawi., Noordin., 2015. Analisis
Keakuratan Metode Ahp Dan Metode Saw Terhadap Sistem Pendukung Keputusan Penerimaan Beasiswa. S1. STT Dharma iswara Madiun.
Rachmatullah, Robby., Kusworo, Adi., Gunawan S.K., Vincencius., 2016. Sistem Pendukung Keputusan Monitoring Mahasiswa Menggunakan Metode AHP Dan Promethee. S2. Universitas Diponegoro.
Astradanta, Made., Wirawan, I Made A., Arthana, I Ketut R., 2016. Pengembangan Sistem Penunjang Keputusan Pemilihan Tempat Kuliner Dengan Menggunakan Metode AHP Dan SAW Studi Kasus : Kecamatan Buleleng. S1. Universitas Pendidikan Ganesha.
Wiratama, Andhika., 2001. Sejarah Bulutangkis.
[online] Tersedia di:
<http://dikatama.com/sejarah-bulu-tangkis/> [Diakses 22 Agustus 2016].
Yukez., 2009. Teknik Bermain Bulu Tangkis/Badminton. [online] Tersedia di: < http://dikatama.com/sejarah-bulu-tangkis/> [Diakses 22 Agustus 2016]
Sarwono Jonathan., 2009. Statistik Itu Mudah: Panduan Lengkap untuk Belajar
Komputasi Statistik Menggunakan SPSS 16. Yogyakarta: Penerbit Universitas Atma Jaya Yogyakarta.
Kusuma Dewi dan Purnomo, 2010, Aplikasi
Logika Fuzzy untuk Pendukung
Keputusan, Graha Ilmu, Yogyakarta.