1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Logika fuzzy dicetuskan oleh (Zadeh, 1965) seorang guru besar University of California. Dalam karya ilmiah tersebut, Zadeh membuat terobosan baru yang memperluas konsep himpunan tegas (Crisp Sets), dalam arti bahwa himpunan tegas merupakan kejadian khusus dari himpunan fuzzy (fuzzy sets). Himpunan fuzzy
menggunakan persekitaran untuk menampilkan masalah yang komplek dalam model yang sederhana. Dalam perkembangannya, penggunaan teori himpunan fuzzy terbagi menjadi tiga periode yaitu fase belajar (1965-1977) yang ditandai dengan perkembangan dan perkiraan penggunaannya. Kemudian fase transisi (1978-1988) yang ditandai dengan perkembangan teori dan banyak sukses dalam praktek penggunaan. Yang terakhir fase ledakan fuzzy (Fuzzy Boom) (1989-sekarang) yang ditandai dengan peningkatan sukses dalam penggunaan di bidang industri, bisnis, dan penggunaan perangkat lunak (Soft Computing) (Klirr dkk, 1997). Pada prinsipnya himpunan fuzzy adalah perluasan himpunan crisp, yaitu himpunan yang membagi sekelompok individu kedalam dua kategori, yaitu anggota dan bukan anggota. Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang
sering ditulis dengan μ A [x], memiliki β kemungkinan, yaitu : • Satu (1) yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan. • Nol (0) yang berarti bahwa
2
bilangan positif maupun negatif. Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy (A.Tal, 1965). Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaan yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang ada pada logika fuzzy,
Fuzzy logic dimulai dengan konsep himpunan fuzzy. Sebuah himpunan fuzzy menggambarkan hubungan antara kuantitas x tertentu dan fungsi keanggotaan (μ), yang
berkisar antara 0 dan 1, fuzzy menyediakan cara yang mudah untuk sampai pada kesimpulan yang pasti berdasarkan informasi masukan yang samar-samar, ambigu, tidak tepat, berisik, atau hilang. (Nasr, 2012)
Pemodelan fuzzy inferensi Tsukamoto memberikan kinerja yang lebih baik dan lebih konsisten dan lebih matematis dalam penanganan ketidakpastian dikarenakan input proses variabel linguistik memberikan hasil output yang lebih baik dengan hasil output yang menggunakan model matematika klasik lainnya. Dalam hal ini Tsukamoto juga baik dalam mencari solusi yang outputnya belum tentu optimal. Kamble (2013)
Ada beberapa perbedaan dalam proses mesin inferensi dalam evaluasi aturan dan proses defuzzyfikasi pada metode fuzzy Tsukamoto dan metode fuzzy Mamdani diantaranya yaitu bahwa pada Metode Fuzzy Tsukamoto, saat proses evaluasi aturan dalam mesin inferensi, menggunakan fungsi implikasi MINuntuk mendapatkan nilai α -predikat tiap-tiap rule (α1, αβ, αγ....αn). Masing-masing nilai α_predikat digunakan untuk menghitung hasil inferensi secara tegas (crisp) masingmasing rule (z1, z2, z3,....zn). Proses defuzzyfikasi pada metode Tsukamoto menggunakan metode rata-rata (Average). Sedangkan pada Metode Fuzzy Mamdani, saat melakukan evaluasi aturan dalam mesin inferensi menggunakan fungsi MIN dan komposisi antar-rule
menggunakan fungsi MAX untuk menghasilkan himpunan fuzzy baru. Proses
defuzzyfikasi pada metode Mamdani menggunakan metode Centroid.
3
tingkat pelayanan pada program studi. Hal-hal yang berkaitan dengan data penilaian akreditasi untuk program studi dan merupakan hal yang samar (fuzzy) karena banyak kemungkinan pada suatu masalah yang terjadi. Berdasarkan hal tersebut, maka dalam membangun sistem digunakan logika fuzzy yang mampu menangani ketidakjelasan dan ketidakpastian dari berbagai variabel penilaian yang digunakan . Logika fuzzy yang digunakan adalah sistem inferensi fuzzy Tsukamoto karena metode ini menggunakan aplikasi nilai monoton, Output hasil inferensi dari tiap-tiap aturan
diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength).
Beberapa penelitian yang telah dilakukan dengan menggunakan berbagai metode softcomputing diantaranya penelitian Mahdiraji dan Mohamed (2006) meneliti system pakar fuzzy untuk klasifikasi ganguan tegangan arus pendek. Neshat dan Yaghobi (2009) mencoba mendisain dan membandingkan system pakar fuzzy untuk mendiagnosa hepatitis B berdasarkan intensitas dengan fuzzy adaptive neural network. Djam dan Kimbi (2011) merancang sistem pakar fuzzy dalam manajemen penyakit malaria. Sri Hariani (2013) menganalisa peningkatan kualitas layanan pendidikan menggunakan integrasi metode fuzzy servqual dan qfd.
1.2 Rumusan Masalah
Dari latar belakang yang telah diuraikan sebelumnya maka rumusan masalah dari penelitian ini adalah melakukan analisa terhadap kelebihan pada model inferensi fuzzy Tsukamoto untuk menilai pencapaian kompetensi program studi.
1.3 Tujuan Penelitian
Adapun tujuan yang ingin dicapai dalam penelitian ini adalah untuk membangun dan menganalisa sistem berbasis logika fuzzy yang digunakan untuk menentukan tingkat pencapaian kompetensi sebuah program studi.
1.4 Manfaat Penelitian
Manfaat yang diharapkan dari hasil penelitian ini adalah sebagai berikut:
1.4.1 Bagi Institusi
4
mengidentifikasi elemen yang perlu dibenahi dan dipertahankan agar semakin meningkatkan kualitas layanan.
1.4.2 Bagi Pihak Lain
Khusus bagi akademisi, diharapkan penelitian ini dapat dijadikan referensi dalam melakukan penelitian lebih lanjut.
1.5 Batasan Masalah
Untuk menghindari kemungkinan terlalu meluasnya pembahasan, maka dalam penelitian ini akan diberi batasan masalah sebagai berikut:
1. Penerapan Fuzzy Tsukamoto pada sistem yang dibangun untuk menilai tingkat pencapaian kompetensi terhadap pelayanan sebuah program.
2. Data yang digunakan untuk pengujian sistem ini berupa hasil penilaian terhadap 4 komponen utama yaitu Dosen, Pegawai, Sarana & Prasarana, Kurikulum yang juga merupakan komponen dalam penilaian akreditasi baik program studi maupun institusi.
