commit to user BAB II
TINJAUAN PUSTAKA
2.1 Landasan Teori 2.1.1 Logika Fuzzy
Logika fuzzy atau sistem fuzzy merupakan suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output (Kusumadewi &
Purnomo, 2004). Gambar 2.1 merupakan salah satu contoh gambar dari pemetaan suatu ruang input ke output.
Gambar 2.1 Contoh pemetaan input-output pada logika fuzzy (Kusumadewi & Purnomo, 2004)
Beberapa alasan digunakannya logika fuzzy menurut Kusumadewi dan Purnomo, antara lain:
1. Konsep logika fuzzy mudah dimengerti, karena di dalam logika fuzzy terdapat konsep matematis sederhana yang mendasari penalaran fuzzy.
2. Logika fuzzy sangat fleksibel.
3. Logika fuzzy memiliki toleransi terhadap data yang tidak tepat.
4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinier yang sangat kompleks.
5. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
6. Logika fuzzy didasarkan pada bahasa alami.
7. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman- pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
Ada beberapa hal yang menjadi lingkup dari sistem fuzzy (Kusumadewi
& Purnomo, 2004), yaitu:
1. Variabel fuzzy
Merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy
commit to user 2. Himpunan fuzzy
Merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy.
Contoh: Variabel jarak, terbagi menjadi tiga himpunan fuzzy, yaitu: Dekat, Sedang, dan Jauh.
3. Semesta pembicaraan
Keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy.Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan.Nilai semesta pembicaraan dapat berupa positif maupun negatif.Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya.
Contoh: Semesta pembicaraan untu variabel umur: [0+∞]
4. Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy.Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan.Nilai domain dapat berupa bilangan positif maupun negatif.
Contoh: - Muda = [0, 45]
- Parobaya = [35, 55]
- Tua = [45, +∞]
2.1.2 Himpunan Fuzzy
Himpunan fuzzy adalah himpunan-himpunan yang akan dibicarakan pada suatu variabel dalam suatu sistem fuzzy (Kusumadewi, Hartati, Harjoko, &
Wardoyo, 2006). Himpunan fuzzy digunakan untuk mengantisipasi nilai-nilai yang bersifat tidak pasti. Pada himpunan tegas (crisp), nilai keanggotaan suatu item dalam suatu himpunan dapat memiliki dua kemungkinan, yaitu satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau nol (0), yang berarti suatu item tidak menjadi anggota dalam suatu himpunan.
commit to user
sampai 1, yang berarti himpunan fuzzy dapat mewakili interpretasi tiap nilai berdasarkan pendapat atau keputusan dan probabilitasnya.
Himpunan fuzzy memiliki dua atribut, yaitu:
1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti: Dekat, Sedang, dan Jauh.
2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel seperti: 40, 25, 50, dan sebagainya.
2.1.3 Fungsi Keanggotaan
Fungsi Keanggotaan adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya sering juga disebut dengan derajat keanggotaan, yang memiliki interval antara 0 sampai 1 (Kusumadewi, Hartati, Harjoko, & Wardoyo, 2006). Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi.
Ada beberapa fungsi yang dapat digunakan:
1. Representasi Linier
Fungsi representasi linear, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas.
Ada dua keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi (Gambar 2.2) dan kedua adalah kebalikannya.
Gambar 2.2 Representasi Linier Naik
(Kusumadewi, Hartati, Harjoko, & Wardoyo, 2006:19)
commit to user Rumus Fungsi Keanggotaan Representasi Linier:
[ ] {
… (2.1)
2. Representasi Kurva Segitiga
Kurva Segitiga pada dasarnya merupakan gabungan antara dua garis (linear) seperti terlihat pada Gambar 2.3.
Gambar 2.3 Kurva Segitiga
(Kusumadewi, Hartati, Harjoko, & Wardoyo, 2006:22)
Rumus Fungsi Keanggotaan Kurva Segitiga:
( ) {
… (2.2)
3. Representasi Kurva Trapesium
Kurva Segitiga pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan [1] (Gambar 2.4).
commit to user
Gambar 2.4 Kurva Trapesium
(Kusumadewi, Hartati, Harjoko, & Wardoyo, 2006:23)
Rumus Fungsi Keanggotaan Kurva Trapesium:
( ) {
… (2.3)
2.1.4 Teori Fuzzy Multi Criteria Decision Making (FMCDM)
Fuzzy Multi Criteria Decision Making FMCDM adalah suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu.Definisi lain, FMCDM adalah menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perangkingan yang akan menyeleksi alternatif yang sudah diberikan. Satu hal yang menjadi permasalahan adalah apabila bobot kepentingan dari setiap kriteria dan derajat kecocokan setiap alternatif terhadap setiap kriteria mengandung ketidakpastian (Kusumadewi, Hartati, Harjoko, & Wardoyo, 2006).
Sebagian besar pendekatan MCDM dilakukan melalui dua langkah yaitu; pertama, melakukan agregrasi terhadap keputusan-keputusan yang tanggap terhadap semua tujuan pada setiap alternatif; kedua, melakukan perangkingan alternatif-alternatif keputusan tersebut berdasarkan hasil agregrasi keputusan.Tahapan algoritma Fuzzy metode MCDM adalah melakukan evaluasi himpunan fuzzy, agregrasi bobot rencana dengan bobot kriteria,
commit to user
memprioritaskan/seleksi alternatif keputusan berdasarkan hasil agregrasi kemudian merangkingnya.
2.1.4.1 Representasi Masalah
1. Identifikasi tujuan dan kumpulan alternatif keputusannya;
Langkah ini bertujuan agar keputusan dapat direpresentasikan dengan menggunakan bahasa alami atau nilai numeris sesuai dengan karakteristik dari masalah tersebut.
Jika ada n alternatif keputusan dari suatu masalah, maka alternatif-alternatif tersebut dapat ditulis sebagai A = {Ai | i=1,2,....,n}
2. Identifikasi kumpulan kriteria;
Jika ada k kriteria, maka dapat dituliskan C = {Ct | t=1,2,....,k}
3. Membangun struktur hirarki dari masalah tersebut berdasarkan pertimbangan-pertimbangan tertentu.
Struktur Hirarki ditunjukkan pada Gambar 2.5 berikut:
Gambar 2.5Struktur Hirarki
(Kusumadewi, Hartati, Harjoko, & Wardoyo, 2006).
2.1.4.2 Evaluasi Himpunan Fuzzy
Menurut Kusumadewi, Hartati, Harjoko, & Wardoyo (2006) pada tahapan evaluasi himpunan fuzzy ada tiga aktivitas yang harus dilakukan yaitu:
commit to user
a. Memilih himpunan rating untuk bobot-bobot kriteria dan derajat kecocokan setiap alternatif dengan kriterianya. Misalnya, rating untuk bobot pada variabel penting untuk suatu kriteria didefinisikan sebagai berikut.
T(penting) = {SANGAT RENDAH, RENDAH, CUKUP, TINGGI, SANGAT TINGGI}.
Sesudah himpunan rating ini ditentukan maka harus ditentukan fungsi keanggotaan untuk setiap rating dengan menggunakan fungsi segitiga seperti pada Gambar 2.3 dan fungsi keanggotaannya seperti pada Persamaan 2.2
b. Mengevaluasi bobot-bobot kriteria dan derajat kecocokan setiap rencana dengan kriterianya.
c. Mengagregrasikan bobot-bobot kriteria dan derajat kecocokan setiap rencana usaha dengan kriterianya.
Melakukan agregrasi dengan menggunakan metode mean atau perhitungan nilai rata-rata. Terdapat beberapa operator dalam metode mean, Operator
⨁
dan
⨂
adalah operator yang digunakan untuk penjumlahan dan perkalian fuzzy.Menggunakan metode mean, Fi dirumuskan dengan :( ) [( ⨂ )⨁( ⨂ )⨁( ⨂ )⨁ ⨁( ⨂ )] … (2.4) Dengan cara mensubtitusikan
S
it danW
t dengan bilangan fuzzy segitiga yaituS
it= (o
it,p
it,q
it)
danW
t= (a
t,b
t,c
t)
makaF
t dapat didekati sebagaiF
i= (Y
i, Q
i, Z
i)
dengan :( ) ∑ ( ) … (2.5)
( ) ∑ ( ) … (2.6)
( ) ∑ ( ) … (2.7)
Dengan:
Y = pendekatan agregasi bobot untuk batas bawah bilangan fuzzy segitiga Q = pendekatan agregasi bobot untuk batas tengah bilangan fuzzy segitiga Z = pendekatan agregasi bobot untuk batas atas bilangan fuzzy segitiga
commit to user k = jumlah kriteria yang ditentukan
i = banyaknya peserta t = banyaknya kriteria
o = batas bawah bilangan fuzzy segitiga rating kecocokan p = batas tengah bilangan fuzzy segitiga rating kecocokan q = batas atas bilangan fuzzy segitiga rating kecocokan a = batas bawah bilangan fuzzy segitiga bobot kepentingan b = batas tengah bilangan fuzzy segitiga bobot kepentingan c = batas atas bilangan fuzzy segitiga bobot kepentingan
2.1.4.2 Seleksi Alternatif yang Optimal
Proses seleksi alternatif yang optimal ada dua aktivitas yang dilakukan yaitu (Kusumadewi, Hartati, Harjoko, & Wardoyo, 2006) :
a. Memprioritaskan alternatif keputusan berdasarkan hasil agregrasi. Prioritas dari hasil agregrasi dibutuhkan dalam rangka proses perangkingan alternatif keputusan. Karena hasil agregrasi ini direpresentasikan dengan menggunakan bilangan Fuzzy segitiga maka dibutuhkan metode perangkingan untuk bilangan fuzzy segitiga. Mendapatkan suatu nilai tunggal dari bilangan fuzzy segitiga, salah satu cara yang dapat dilakukan adalah dengan menggunakan nilai total integral. Misalnya F adalah bilangan fuzzy segitiga, F = (a,b,c) maka nilai total integral dapat dirumuskan dalam persamaan (2.9).
( ) ( ) ( ( ) ) … (2.8) Dengan :
= derajat / indeks keoptimisan F = Nilai total integral
Nilai α adalah indeks keoptimisan yang merepresentasikan derajat keoptimisan bagi pengambil keputusan.Apabila nilai α semakin besar mengindikasikan bahwa derajat keoptimisannya semakin besar.
commit to user
b. Apabila ada dua bilangan Fuzzy Fi dan Fj maka cara memilih alternatif keputusan dengan prioritas tertinggi sebagai alternatif yang optimal.
Semakin besar nilai Fj berarti kecocokan terbesar dari alternatif keputusan untuk kriteria keputusan dan nilai inilah yang akan menjadi tujuannya.
2.1.5 Sistem Pendukung Keputusan
Sistem Pendukung Keputusan adalah suatu sistem informasi berbasis komputer mengkombinasikan model dan data untuk menyediakan dukungan kepada pengambil keputusan dalam memecahkan masalah semi terstruktur atau masalah ketergantungan yang melibatkan user secara mendalam.(Turban, Rainer, & Potter, 2005)
Menurut Michael, Morton dan Keen, dalam McLeod (1995) sistem pendukung keputusan merupakan sistem penghasil informasi yang ditujukan pada suatu masalah yang harus dibuat oleh manajer.
McLeod (1995) mendefinisikan sistem pendukung keputusan merupakan suatu sistem penghasil informasi spesifik yang ditujukan untuk memecahkan suatu masalah tertentu yang harus dipecahkan oleh manajer pada berbagai tingkatan.
Seperti yang dikemukakan oleh Keen dan Morton (McLeod, 1995) sistem pendukung keputusan mempunyai tiga tujuan yang akan dicapai seperti berikut:
a) Membantu manajer membuat keputusan untuk memecahkan masalah semi terstruktur
b) Mendukung penilaian manajer bukan mencoba menggantikannya
c) Meningkatkan efektifitas pengambilan keputusan manajer daripada efisiensinya.
Menurut McLeod (1995) alur / proses pemilihan alternatif tindakan / keputusan biasanya terdiri dari langkah-langkah berikut:
1) Tahap Penelusuran (Intelligence Phase)
Suatu tahap proses seseorang dalam rangka pengambil keputusan untuk permasalahan yang dihadapi, terdiri dari aktivitas penelusuran,
commit to user
pendeteksian serta proses pengenalan masalah. Data masukan diperoleh, diuji dalam rangka mengidentifikasi masalah.
2) Tahap Perancangan (Design Phase)
Tahap proses pengambilan keputusan setelah tahap intellegence meliputi proses untuk mengerti masalah, menurunkan solusi dan menguji kelayakan solusi. Aktivitas yang biasanya dilakukan seperti menemukan, mengembangkan dan menganalisa alternatif tindakan yang dapat dilakukan.
3) Tahap Pilihan (Choice Phase)
Tahap ini dilakukan proses pemilihan diantara berbagai alternatif tindakan yang mungkin dijalankan. Hasil pemilihan tersebut kemudian diimplementasikan dalam proses pengambilan keputusan.
4) Tahap Implementasi (Implementation Phase)
Tahap ini merupakan tahap pelaksanaan dari keputusan yang telah diambil.
Pada tahap ini perlu disusun serangkaian tindakan yang terencana, sehingga hasil keputusan dapat dipantau dan disesuaikan apabila diperlukan perbaikan-perbaikan.
2.1.6 Program Mahasiswa Wirausaha
Program Mahasiswa Wirausaha (PMW), sebagai bagian dari strategi pendidikan di perguruan tinggi, dimaksudkan untuk memfasilitasi para mahasiswa yang mempunyai minat berwirausaha dan memulai usaha dengan basis ilmu pengetahuan, teknologi dan seni.Fasilitas yang diberikan meliputi pendidikan, dan pelatihan kewirausahaan magang, penyusunan rencana bisnis, dukungan permodalan, dan pendampingan usaha. Program ini diharapkan mampu mendukung visi-misi pemerintah dalam mewujudkan kemandirian bangsa melalui penciptaan lapangan kerja dan pemberdayaan.(Dikti, 2010)
Mekanisme Programnya adalah:
1) Tahap pertama perguruan tinggi pelaksana program melakukan sosialisasi kepada para mahasiswa, identifikasi dan seleksi mahasiswa, pembekalan kewirausahaan, penyusunan rencana bisnis serta magang di sebuah Usaha
commit to user
2) Tahap kedua untuk mendapatkan dukungan permodalan dalam rangka pendirian usaha baru (business start-up) mahasiswa harus menyusun rencana usaha yang layak. Kelayakan rencana usaha ditentukan oleh tim seleksi yang dapat terdiri dari unsur perbankan, Usaha Kecil Menengah (UKM), dan perguruan tinggi pelaksana. Rencana usaha juga dimungkinkan untuk pengembangan atau perluasan usaha yang sudah berjalan.
3) Selama program berjalan perguruan tinggi dapat bekerja sama dengan para pengusaha kecil, menengah dan besar baik yang berbadan hukum, perseorangan, koperasi atau Perseroan Terbatas, secara individu ataupun asosiasi/perhimpunan pengusaha. Pengusaha dilibatkan secara aktif untuk memberikan bimbingan praktis wirausaha, mulai dari pendidikan dan pelatihan, magang, penyusunanrencana bisnis, dan pendampingan terpadu.
Harus dihindari terjadinya persaingan yang tidak sehat antara mahasiswa dan pendamping. Diperlukan terjadinya sinergi atau komplementaritas antara jenis usaha yang dikembangkan mahasiswa tersebut dan jenis usaha pendamping.
4) Pendirian usaha baru dapat dilakukan secara perorangan (individu) atau secara berkelompok. Jumlah modal usaha yang disediakan untuk pendirian usaha maksimal Rp8.000.0000,00 (delapan juta rupiah) per mahasiswa.
Apabila berkelompok maka jumlah anggota maksimal 5 (lima) orang dengan jumlah modal usaha maksimal Rp40.000.000,00 (empat puluh juta rupiah).
5) Pelaksanaan pendampingan usaha dilakukan dengan kerjasama antara perguruan tinggi dan pengusaha secara individu ataupun asosiasi sehingga usaha mahasiswa dapat berkembang dengan baik.
6) Hasil akhir yang diharapkan adalah
a) terbentuk dan berkembangnya wirausaha-wirausaha baru yang berpendidikan tinggi dan memiliki pola pikir pencipta lapangan kerja, b) terbentuknya model pendidikan kewirausahaan di perguruan tinggi, c) tumbuh dan berkembangnya kelembagaan pengelola kewirausahaan
commit to user mahasiswa di perguruan tinggi.
Model program seperti diuraikan terangkum dalam Gambar 2.6 dibawah ini.
Gambar 2.6 Model Program Mahasiswa Wirausaha (PMW) (Dikti,2012) Persyaratan pendaftaran peserta adalah sebagai berikut:
1) Program ini dapat diikuti oleh mahasiswa S1 Universitas / Institut / Sekolah Tinggi dan diploma / politeknik yang telah menyelesaikan kuliah tiga semester atau minimal telah menempuh 60 SKS.
2) Mahasiswa yang telah memenuhi syarat di atas diharapkan menempuh seleksi yang meliputi aspek minat, motivasi berwirausaha, kelayakan usaha dan soft skills. Seleksi dilakukan oleh tim profesional yang terdiri dari unsur perguruan tinggi, pengusaha, dan perbankan. Keterlibatan pihak- pihak tersebut penting mengingat mahasiswa harus didampingi oleh mentor dari perguruan tinggi yang terlibat langsung dalam proses pendidikan kewirausahaan, sedangka UKM merupakan tempat magang dan yang mempunyai pengalaman praktis berusaha, dan perbankan merupakan pihak yang terkait serta berpengalaman dalam hal kelayakan finansial.
3) Mahasiswa bersedia mengikuti peraturan dan tata tertib pengelola program PMW dengan mengikuti seluruh tahapan yang dijadwalkan, kemudian setelah menerima dana secara regular memberikan laporan
commit to user 2012)
2.2 Penelitian Terkait
2.2.1 “Implementasi Algoritma Fuzzy Metode Multi Attribute Decision Making-Enhancement (MADM-E) untuk Pemilihan Rencana Usaha
Baru – Studi Kasus pada PT Waskita Karya (Persero) (Sunarso, 2010)”
Kasus yang dijelaskan dalam penelitian ini adalah bahwa tidak mudah untuk memilih rencana usaha dengan cepat berdasarkan berbagai kriteria yang dipersyaratkan perusahaan.Sedangkan kecepatan pemilihan rencana usaha sangat penting karena menjadi salah satu faktor kesuksesan usaha.Sehingga penelitian ini membahas metode pemilihan rencana usaha dengan mempertimbangkan berbagai kriteria yang telah ditetapkan perusahaan.Metode yang dipakai adalah Algoritma Fuzzy Multi Attribute Decision Making Enhancement (MADM-E), untuk diimplementasikan dalam melakukan rekayasa informasi sehingga mampu memilih rencana usaha yang terbaik.Algoritma Fuzzy MADM-E dipilih karena mampu melakukan perhitungan pada penilaian yang mengandung ketidakpastian yang diberikan perusahaan.Rencana usaha dengan nilai tertinggi adalah rencana usaha terbaik, sehingga diharapkan resiko kegagalan usaha dapat diminimalisir.
Penelitian ini meneliti masalah sulitnya memilih rencana usaha dengan cepat berdasarkan berbagai kriteria yang ditetapkan. Tidak mudah memilih rencana usaha yang bermacam-macam, sehingga perlu di buat sebuah sistem pendukung keputusan yang dapat mempercepat proses pengambilan keputusan.
2.2.2 “Penerapan Fuzzy Multi Criteria Decision Making (FMCDM) Untuk Diagnosis Penyakit Tropis (Rosnelly &Wardoyo, 2011)”
Makalah ini menerapkan fuzzy multi criteria decision making (FMCDM) yang merupakan salah satu metode yang bisa membantu pengambil keputusan dalam melakukan pengambilan keputusan terhadap
commit to user
beberapa alternatif keputusan yang harus diambil dengan beberapa kriteria yang akan menjadi bahan pertimbangan.
Makalah ini menggunakan bilangan triangular fuzzy untuk menentukan diagnosa penyakit tropis berdasarkan data gejala, hasil akuisisi pengetahuan dari dokter dimana ada beberapa gejala yang sama. Penyakit yang digunakan sebagai alternatif pada makalah ini adalah penyakit malaria, demam berdarah dan demam tifoid. Penerapan fuzzy dengan menggunakan bilangan triangular fuzzy dilanjutkan dalam sebuah implementasi sistem dengan menggunakan matlab versi 7 yang dapat mendukung diagnosis penyakit tropis di daerah.
2.2.3 “Development of Fuzzy Multi Criteria Decision Making Method forSelection of Optimum Maintenance Alternative (Arun Nagar, 2011)”
Makalah ini menggunakan pendekatan fuzzy pada metode Multi Criteria Decision Making untuk seleksi alternatif perawatan yang optimal.Sekarang ini ancaman dari setiap peralatan adalah dicapai dari rangking (berdasarkan kerugian produksi).Hal ini sangat sulit untuk mengukur faktor kualitas dalam nilai yang tepat.Faktor ini dapat di ekspresikan kedalam bahasa yang dapat diterjemahkan ke perhitungan matematika dengan menggunakan fuzzy dan teori sistem.Studi kasusnya adalah mengembangkan pendekatan keputusan fuzzy dalam urutan alternatif perawatan yang sesuai.Tujuan dari makalah ini adalah mengusulkan framework fuzzy berdasarkan teori bilangan fuzzy untuk memecahkan alternatif perawatan optimal yang mencakup analisis kriteria keputusan, pembobotan, dan perkembangan model keputusan.Pendekatan ini dapat bertujuan merumuskan biaya strategi perawatan yang efektif untuk produksi sebuah pabrik.
2.2.4 “Fuzzy Multi-Criteria Decision Making (Kusumadewi & Guswaludin, 2005)”
Penelitian ini menerapkan metode FMCDM untuk menentukan lokasi
commit to user
kriteria.Metode ini akan membantu pengambil keputusan pada situasi dimana terdapat banyak alternatif keputusan dengan beberapa kriteria.Fungsi keanggotaan yang digunakan adalah fungsi keanggotaan kurva segitiga yang mana kurva segitiga dinilai mampu untuk mendekati suatu konsep yang kurang jelas atau ketidakpastian. Proses perangkingan alternatif menggunakan konsep nilai total integral dengan tiga derajat keoptimisan (alpha) yaitu tidak optimis, optimis, dan sangat optimis yang kemudian digunakan untuk penilaian dengan dirangking berdasarkan alpha yang sama untuk setiap peserta.
2.3 Rencana Penelitian
Penelitian yang akan dilakukan penulis adalah berfokus pada penerapan metode Fuzzy Multi Criteria Decision Making (FMCDM) dalam perangkingan proses pengambilan keputusan untuk seleksi peserta Program Mahasiswa Wirausaha berdasarkan dua tahap seleksi dengan 12 kriteria yaitu keberadaan usaha, pangsa pasar, daya saing, prediksi keuntungan, omzet, BC ratio, kebutuhan SDM, kualifikasi SDM, rasionalisme dana, keuletan, integritas, dan komitmen, serta 1 kriteria tahap tes psikotest yang digunakan sebagai tolok ukur dalam penilaian derajat keoptimisan penguji agar penilaian tidak subyektif. Pada metode FMCDM terdapat tiga tahap penyelesaian yaitu representasi masalah, evaluasi himpunan fuzzy pada setiap alternatif keputusan, dan melakukan seleksi terhadap alternatif yang optimal.
