Fitur Rekomendasi Matakuliah Pilihan
dengan Menggunakan Algoritma
Fuzzy
Analytical
pada Aplikasi KRS Berbasis
Mobile
Muhammad Ridwan
1, Mohamad Irfan
2, Ichsan Taufik
3Jurusan Teknik Informatika, Fakultas Sains dan Teknologi UIN Sunan Gunung Djati Bandung
1mr.rid15@gmail.com,
2irfan.bahaf@uinsgd.ac.id,
3ichsan@uinsgd.ac.id
Abstract- In semester 7, students of Department of Information Engineering UIN Bandung will be presented some selected courses at the time of filling the study plan. Students of Informatics Engineering should choose at least 3 of the many courses presented electives. The lack of understanding of the elective courses presented makes it difficult for students to choose elective courses based on their interests and talents. The problem raises the idea of creating an application that can recommend a course of choice based on students' interests and talents using the Fuzzy Analytical Hierarchy Process (FAHP) method. This method can be used in assisting decision making. The steps to be done are to determine criteria and alternatives, to provide pairwise comparison (TFN) value between criteria, to calculate degree of possibility criterion, to give pairwise comparison (TFN) matrix value between criteria and sub criteria, to calculate fuzzy synthetic extend all sub criteria on criteria , calculate the degree of possibility of all sub criteria on all criteria, calculate the composite weight of all subcriteria, and assign values to all alternatives. Once applied to the system, it can be concluded that FAHP can work well in determining selected course recommendations based on student interests and talents.
Keywords-Fuzzy Analytical Hierarchy Process, Decission Support System, Course Recommendations.
Abstrak- Pada semester 7, mahasiswa Jurusan Teknik Informatika UIN Bandung akan disajikan beberapa matakuliah pilihan pada saat pengambilan KRS. Mahasiswa Teknik Informatika setidaknya harus memilih 3 dari sekian banyak matakuliah pilihan yang disajikan. Kurangnya pemahaman akan matakuliah pilihan yang disajikan membuat mahasiswa kesulitan dalam memilih matakuliah pilihan berdasarkan minat dan bakat yang mereka miliki. Permasalahan tersebut memunculkan gagasan untuk membuat suatu aplikasi yang dapat merekomendasikan matakuliah pilihan berdasarkan minat dan bakat mahasiswa dengan metode Fuzzy Analytical Hierarchy Process (FAHP). Metode ini dapat digunakan dalam membantu pengambilan keputusan. Adapun tahapan yang harus dilakukan adalah menentukan kriteria dan alternatif, memberikan nilai pairwise comparison (TFN) antar kriteria, menghitung degree of possibility kriteria, memberikan nilai matriks pairwise comparison (TFN) antar kriteria dan sub kriteria, menghitung fuzzy synthetic extend semua sub kriteria pada kriteria, menghitung degree of possibility semua sub kriteria pada semua kriteria, menghitung composite weight semua subkriteria, dan memberikan nilai pada semua alternatif. Setelah diterapkan pada sistem, dapat disimpulkan bahwa FAHP dapat bekerja dengan baik dalam menentukan rekomendasi matakuliah pilihan berdasarkan minat dan bakat mahasiswa.
Kata kunci- Fuzzy Analytical Hierarchy Process, Sistem Pendukung Keputusan, Rekomendasi Matakuliah Pilihan
I. PENDAHULUAN I.I Latar Belakang Masalah
Seiring dengan perkembangan teknologi informasi serta komunikasi di masa sekarang ini, perangkat mobile yang merupakan salah satu media komunikasi menjadi bagian dari kebutuhan masyarakat bahkan perangkat mobile menjadi suatu benda yang wajib dimiliki karena peredarannya yang sangat luas dan mudah dipakai [1][2].
Kemajuan teknologi perangkat mobile yang pesat memungkinkan pemanfaatan yang lebih dari kemampuan perangkat [3][4][5][6]. Hal ini memicu keinginan dan antusias dari segala kalangan untuk mengembangkan perangkat lunak khusus untuk mereka yang menginginkan mobilitas tinggi, tanpa dibatasi waktu dan tempat.
aplikasi yang dapat membantu pekerjaan yang dilakukan menjadi lebih mudah dan efisien [1].
Implementasi Algoritma Fuzzy Analytical Hierarchy Process
Untuk Fitur Rekomendasi Matakuliah Pilihan Pada Aplikasi KRS Berbasis Mobile
22 matakuliah pilihan berdasarkan minat dan bakat, sisanya
lebih memilih dengan alasan jam pelajaran, ataupun dosen [7].
Sistem Pendukung Keputusan atau Decision Support System (DSS) didefinisikan oleh Michael S. Scott Morton sebagai sistem berbasis komputer interaktif, yang membantu para pengambil keputusan untuk menggunakan data dan berbagai model untuk memecahkan masalah-masalah tidak terstruktur [8][9]. Little mendefinisikan sistem pendukung keputusan sebagai sekumpulan proses berbasis model untuk data pemrosesan dan penilaian guna membantu para manajer mengambil keputusan [8]. Menurut Simon [8], tahapan proses pengambilan keputusan dibagi ke dalam tiga fase utama : inteligensi, desain, dan kriteria.
Model AHP (Analytical Hierarchy Process) adalah sebuah hierarki fungsional dengan input utamanya persepsi manusia. AHP memiliki banyak keunggulan dalam menjelaskan proses pengambilan keputusan. Salah satunya adalah dapat menggambarkan secara grafis sehingga mudah dipahami oleh semua pihak yang terlibat dalam pengambilan keputusan [10][11]. Sedangkan metode fuzzy memiliki kemampuan dalam proses penalaran secara bahasa sehingga dalam perancangannya tidak memerlukan persamaan matematika yang rumit sehingga mudah dimengerti, memiliki toleransi terhadap data-data yang tidak tepat, mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks, dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan, dapat bekerjasama dengan teknik-teknik kendali secara konvensional dan didasarkan pada bahasa alami [12][13]– [15]. Dari metode AHP dan fuzzy, dikembangkanlah suatu metode yang bernama fuzzy AHP. Walaupun AHP biasa digunakan dalam menangani kriteria kualitatif dan kuantitatif namun fuzzy AHP dianggap lebih baik dalam mendeskripsikan keputusan yang samar-samar daripada AHP [16].
Berdasarkan gambaran di atas, diperlukan adanya sistem yang dapat merekomendasikan matakuliah pilihan berdasarkan minat dan bakat mahasiswa. Oleh karena itu, peneliti tertarik untuk melakukan penelitian dengan judul “Implementasi Algoritma ¬Fuzzy Analytical Hierarchy Process Untuk Fitur Rekomendasi Matakuliah Pilihan Pada Aplikasi KRS berbasis Mobile”.
I.II Rumusan Masalah
Berdasarkan dari latar belakang diatas maka dapat dirumuskan masalah sebagai berikut.
1. Bagaimana cara menerapkan algoritma fuzzy AHP untuk fitur rekomendasi matakuliah pilihan?
2. Bagaimana kinerja algoritma fuzzy AHP pada fitur rekomendasi matakuliah pilihan?
.III Tujuan Penelitian
Penelitian ini dilakukan untuk mengembangkan sistem yang bertujuan untuk menyelesaikan hal-hal sebagai berikut.
1. Untuk menerapkan algoritma fuzzy AHP pada sistem rekomendasi matakuliah pilihan.
2. Untuk mengetahui kinerja dari algoritma fuzzy AHP yang diterapkan pada sistem rekomendasi matakuliah pilihan.
I.IV Kajian Literatur
Penelitian ini menggunakan Fuzzy AHP untuk proses perhitungan perangkingan, FAHP yaitu gabungan antara Metode Fuzzy dan Metode AHP. Metode ini adalah suatu metode analisis yang dikembangkan dari metode AHP. Pada dasarnya AHP bisa menyelesaikan masalah kuilitatif dan kuantitatif, namun FAHP lebih baik dalam menyelesaikan masalah yang masih belum jelas atau samar-samar [17]. Fuzzy AHP sendiri sesuai dengan nama dan singkatannya adalah merupakan metode analitik yang dikembangkan dan struktur perhitungannya dari metode AHP [17].
FAHP sesuai dengan singkatannya merupakan penggabungan dari metode Fuzzy logika matematika dan metode AHP sendiri. Perbedaan dengan AHP adalah implementasi pemberian bobot perbandingan berpasangan didalam matriks perbandingan yang diwakili oleh tiga variabel (a,b,c) atau (l,m,u) yang disebut triangular fuzzy number (TFN). Hal ini berarti bobot yang ditemukan bukan satu melainkan tiga karena setiap triangular fuzzy yang disimbolkan dengan l,m,u masing –masing memiliki nilai, sesuai dengan fungsi keanggotaan sehingga yang meliputi tiga bobot berurutan. Dalam penelitian ini penulis menggunakan fuzzy, karena terdapat sub kriteria yang harus di ukur dengan fuzzy atau dengan kata lain sub kriteria yang ada tidak bisa diukur secara langsung, sehingga membutuhkan fuzzy [17].
Bilangan Triangular Fuzzy Number (TFN) adalah himpunan fuzzy, yang digunakan untuk pengukuran yang berhubungan dengan penilaian subjektif manusia yang memakai bahasa linguistik.Inti dari fuzzy AHP terletak pada perbandingan berpasangan yang digambarkan dengan skala rasio serta perhitungan nilai sintesis yang berhubungan dengan skala fuzzy. Bilangan TFN disimbolkan dengan M [17].
TFN disimbolkan dengan M = (l,m,u) dimana l ≤ m ≤ u adalah low atau nilai terendah, m adalah medium atau nilau tengah dan u adalah up atau nilai teratas atau nilai paling tinggi. Pendekatan TFN dalam metode AHP adalah pendekatan yang digunakan untuk meminimalisasikan sesuatu dengan sifat ketidakpastian pada metode AHP. Cara pendekatan yang biasanya dilakukan adalah cukup sederhana dengan cara mengfuzzifikasikan skala AHP menjadi skala FAHP. Skala penilaian yang digunakan dalam membandingkan antar kriteria dan sub Kriteria adalah dengan variable linguistic. Contoh variabel lingustik seperti (sama penting, sedikit penting, lebih penting, sangat lebih penting, mutlak lebih penting) variabel lingusitik yang dapat dilihat pada tabel 1 [17].
Tabel 1 Skala Chang untuk Perbandingan Skala Kriteria
Skala AHP
Variabel Linguistik
Skala Fuzzy (TFN)
Kebalikan Skala Fuzzy
1 Sama Penting (1,1,1) (1,1,1) 2 Pertengahan (1/2,1,3/2) (2/3,1,2) 3 Sedikit Penting (1,3/2,2) (1/2,2/3,1) 4 Pertengahan (3/2,2,5/2) (2/5,1/2,2/3) 5 Lebih Penting (2,5/2,3) (1/3,2/5,1/2) 6 Pertengahan (5/2,3,7/2) (2/7,1/3,2/5) 7 Sangat Lebih
Penting
(3,7/2,4) (1/4,2/7,1/3) 8 Pertengahan (7/2,4,9/2) (2/9,1/4,2/7) 9 Mutlak Lebih
Penting
(4,9/2,9/2) (2/9,2/9,1/4)
Secara umum alur proses penerapan metode FAHP untuk rekomendasi matakuliah pilihan dapat digambarkan kedalam bentuk flowchart pada gambar 2 [18].
Gambar 2 Flowchart Perhitungan Fuzzy AHP
II. METODE PENELITIAN
Metode penelitian yang digunakan untuk pengumpulan data yaitu dengan melakukan observasi dan studi literatur. Untuk metode pengembangan perangkat lunak menggunakan metode pengembangan prototype.
Adapun model pengembangan perangkat lunak yang akan yang akan digunakan yaitu Prototype. Gambar 3 merupakan alur dari model prototype [19][20].
Implementasi Algoritma Fuzzy Analytical Hierarchy Process
Untuk Fitur Rekomendasi Matakuliah Pilihan Pada Aplikasi KRS Berbasis Mobile
24
Prototype bisa berfungsi sebagai sistem yang pertama,
memang benar bahwa baik pelanggan maupun pengembang menyukai paradigma prototype. Metode pengembangan perangkat lunak atau aplikasi melalui pendekatan berorientasi objek dengan metode Prototype
merupakan salah satu metode pengembangan perangkat lunak yang banyak digunakan. Dengan metode Prototype
ini pengembang dan pelanggan dapat saling berinteraksi selama proses pembuatan sistem [19]. Tahapan-tahapan dalam Prototype adalah sebagai berikut:
1. Pengumpulan kebutuhan
Pelanggan dan pengembang bersama-sama mendefinisikan format seluruh perangkat lunak, mengidentifikasikan semua kebutuhan, dan garis besar sistem yang akan dibuat.
2. Membangun Prototype
Membangun Prototype dengan membuat perancangan sementara yang berfokus pada penyajian kepada pelanggan (misalnya dengan membuat input dan format output).
3. Evaluasi Prototype
Evaluasi ini dilakukan oleh pelanggan apakah
Prototype yang sudah dibangun sudah sesuai dengan
keinginan pelanggan.
Jika sudah sesuai maka langkah 4 akan diambil. Jika tidak prototype direvisi dengan mengulangi langkah 1, 2, dan 3.
4. Mengkodekan Sistem
Dalam tahap ini Prototype yang sudah di sepakati diterjemahkan ke dalam bahasa pemrograman yang sesuai.
5. Menguji Sistem
Setelah sistem sudah menjadi suatu perangkat lunak yang siap pakai, harus uji terlebih dahulu sebelum digunakan. Pengujian ini dilakukan dengan BlackBox
pengujian arsitektur dan lain-lain. 6. Evaluasi Sistem
Pelanggan mengevaluasi apakah sistem yang sudah jadi sudah sesuai dengan yang diharapkan. Jika ya, langkah 7 dilakukan; jika tidak, ulangi langkah 4 dan 5. 7. Menggunakan Sistem
Perangkat lunak yang telah diuji dan diterima pelanggan siap untuk digunakan.
III.HASIL DAN PEMBAHASAN
Pengolahan data akan dilakukan dengan perangkat lunak yang dibuat dengan mengimplementasikan metode fuzzy AHP. Dalam pengolahan data ini, secara umum prosedur perhitungan terdiri dari:
1. Pembobotan kriteria dilakukan untuk mengukur tingkat kepentingan dari suatu kriteria. Pembobotan kriteria ini dapat dilihat pada tabel 2.
Tabel 2 Pembobotan Kriteria
Kriteria (K) K1 K2 K3
K1 1 2 3
K2 1/2 1 2
K3 1/3 1/2 1
Jumlah 1.833 3.5 6
Keterangan:
K1 = Rata-Rata Nilai Prasyarat, K2 = Quisioner, K3 = Kapasitas Kelas.
2. Normalisai bobot kriteria dengan membagi bobot setiap perbandingan kriteria dengan jumlah kolom kriteria.
Tabel 3 Normalisasi Bobot Kriteria
Kriteria (K)
K1 K2 K3 Jumlah
K1 0.545 0.571 0.5 1.616
K2 0.272 0.285 0.333 0.891
K3 0.181 0.142 0.166 0.491
Jumlah 1 1 1 3
3. Menghitung priority vector dengan membagi jumlah baris dengan total dari jumlah baris.
Tabel 4 Priority Vector
Kriteria (K) Jumlah Priority Vector
K1 1.616 0.538
K2 0.891 0.297
K3 0.491 0.163
Jumlah 3 1
4. Mengalikan vector kriteria dengan priority vetor dengan cara baris dikalikan dengan kolom.
Tabel 5 Perkalian Vector Kriteria dengan Priority Vector
Kriteria
(K) K1 K2 K3
Priority Vector
Hasil Kali K1 0.545 0.571 0.5 0.538 1.624
K2 0.272 0.285 0.333 0.297 0.894
K3 0.181 0.142 0.166 0.163 0.492
5. Membagi hasil perkalian vektor dengan priority vector.
Tabel 6 Pembagian Hasil Kali Vector dengan Priority Vector
Kriteria (K)
Priority Vector
Hasil Kali
Hasil Kali / Priority Vector K1 0.538 1.624 3.014
K2 0.297 0.894 3.008
K3 0.163 0.492 3.004
7. Menghitung nilai CI, dimana CI = (λ – n ) / (n - 1) = 0.00529
8. Menentukan nilai RI berdasarkan ukuran martiks. Nilai RI dari matriks berukuran 3 yaitu 0.58.
Tabel 7 Index Random
Ukuran Matriks
Nilai RI
1.2 0.00 3 0.58 4 0.90 5 1.12 6 1.24 7 1.32 8 1.41 9 1.45 10 1.49 11 1.51 12 1.48 13 1.56 14 1.57 15 1.59
9. Menghitung CR untuk menguji rasio konsentrasi. Jika CR > 0.1, maka rasio konsentrasi dari perhitungan tersebut dapat diterima untuk selanjutnya dimasukkan ke dalam rumus fuzzy AHP.
CR = CI / RI = 0.009127
10. Perbandingan maktriks berpasangan kriteria FAHP. Pada tahap ini pembobotan kriteria pada Tabel 3.7, diubah ke dalam bentuk perbandingan matrik berpasangan kriteria Fuzzy AHP yang dapat dilihat pada berikut ini.
Tabel 8 Perbandingan Matriks Berpasangan
K1 K2 K3
l m u l m u l m u K1 1 1 1 1/2 1 3/2 1 3/2 2
K2 2/3 1 2 1 1 1 1/2 1 3/2
K3 1/2 2/3 1 2/3 1 2 1 1 1
11. Menjumlahkan setiap baris dan kolom matriks kriteria berpasangan, dapat dilihat pada tabel berikut.
Tabel 9 Penjumlahan Matriks Kriteria Berpasangan
l m u
K1 2.5 3.5 4.5
K2 2.17 3 4.5
K3 2.17 2.67 4
Jumlah 6.84 9.17 13
Invers 0.146 0.109 0.077
12. Setelah invers dari jumlah kolom diperoleh, selanjutnya mencari nilai sintesis fuzzy masing-masing kriteria dengan cara berikut.
Tabel 10 Sintesis Fuzzy
Si
l m u
S1 2.5 x 0.077 = 0.192
3.5 x 0.109 = 0.381
4.5 x 0.146 = 0.657
S2 2.17 x 0.192 = 0.167
3 x 0.109 = 0.327
4.5 x 0.077 = 0.657
S3 2.17 x 0.192 = 0.167
2.67 x 0.109 = 0.291
4 x 0.077 = 0.584
13. Jika telah didapat nilai Si, maka dapat didefinisikan sebagai nilai vector (V) sebagai berikut.
a. VSK1 ≥ (VSK2, VSK3) VSK1 ≥ VSK2 = 0.895 VSK1 ≥ VKS3 = 0.812 b. VSK2 ≥ (VSK1, VSK3) VSK2 ≥ VSK1 = 1
VSK2 ≥ VKS3 = 0.920 c. VSK3 ≥ (VSK1, VSK2) VSK3 ≥ VSK1 = 1
VSK3 ≥ VKS2 = 1
14. Mendefinisikan nilai ordinat
a. d’(VSK1) = min(1, 0.895, 0.812) = 0.812 b. d’(VSK2) = min(1, 1, 0.920) = 0.920 c. d’(VSK3) = min(1, 1, 1) = 1
15. Berdasarkan nilai ordinat diatas maka diperoleh W’ = (0.812, 0.920, 1)
16. Normalisasi bobot vektor fuzzy diperoleh dengan cara tiap elemen bobot vektor dibagi jumlah bobot vector itu sendiri. Dimana jumlah bobot yang telah dinormalisasi akan bernilai 1. Normalisasi nilai bobot vector fuzzy kriteria sama dengan nilai bobot prioritas global (yang menjadi tujuan) yang dapat dilihat pada tabel 11.
Tabel 11 Bobot Vektor
W’ Jumlah W’ W Jumlah W
K1 0.812
2.73
0.395
1
K2 0.920 0.376
K3 1 0.227
17. Berikut merupakan tiga sampel nilai alternatif dari mahasiswa dengan NIM 1137050100, 1137050162, dan 1137050164.
Tabel 12 Nilai Alternatif Mahasiswa
NIM Matakuliah K1 K2 K3
1137050158
Data mining (A1) 3 2 2
E-Commerce (A2) 2 3.5 2
Wireless / Mobile Computing (A3)
2 3 2
Mobile Programming (A4)
3 4 2
Sistem Cerdas (A5) 4 3 2
SI Enterprise (A6) 3 2.5 1
Implementasi Algoritma Fuzzy Analytical Hierarchy Process
Untuk Fitur Rekomendasi Matakuliah Pilihan Pada Aplikasi KRS Berbasis Mobile
26 NIM Matakuliah K1 K2 K3
E-Commerce (A2) 3 3 2
Wireless / Mobile Computing (A3)
Wireless / Mobile Computing (A3)
Dari proses perhitungan Fuzzy AHP, untuk kriteria diperoleh bobot yang akan dikalikan dengan hasil penilaian setiap alternatif untuk mendapatkan rangking dari setiap alternatif. Tabel 13 berikut ini merupakan tabel kesimpulan bobot global alternatif.
Tabel 13 Rangking Matakuliah Pilihan Mahasiswa
NIM yang paling direkomendasikan untuk mahasiswa dengan NIM 1137050158 yaitu sistem cerdas, mobile programming, serta SI geografis, 3 matakuliah pilihan yang paling direkomendasikan untuk mahasiswa dengan NIM 1137050162 yaitu data mining, mobile programming, serta sistem informasi enterprise, dan 3 matakuliah pilihan yang paling direkomendasikan untuk mahasiswa dengan nim 1137050164 yaitu data mining, wireless/mobile computing serta E-Commerce
IV. PENUTUP IV.I Kesimpulan
Kesimpulan yang dapat diperoleh dari hasil analisis aplikasi rekomendasi matakuliah pilihan dengan algoritma fuzzy AHP adalah sebagai berikut.
1. Algoritma fuzzy AHP yang diterapkan untuk merekomendasikan matakuliah pilihan berdasarkan kriteria berupa nilai serta kuesioner berjalan dengan baik dan akurat.
2. Algoritma fuzzy AHP yang telah diterapkan pada fitur rekomendasi matakuliah pilihan memiliki tingkat akurasi sebesar 100%. Hal ini disebabkan karena source code dari algoritma fuzzy AHP yang diterapkan telah sama persis dengan proses algoritma fuzzy AHP yang sebenarnya.
IV.II Saran
Agar kerja dari aplikasi rekomendasi matakuliah pilihan ini berjalan lebih optimal, penulis memberikan beberapa saran, yaitu:
1. Perlu adanya penambahan kriteria maupun kuesioner untuk memperbesar akurasi dari rekomendasi matakuliah pilihan.
2. Perlu adanya maintenance sistem secara berkala untuk menghindari adanya bug dikemudian hari.
V. REVERENSI
[1] F. Purnomo et al., “Analisis Dan Perancangan Sistem
Mobile Krs Berbasis J2Me Menggunakan Jaringan
Gprs,” vol. 2010, no. Snati, pp. 19–23, 2010. [2] F. S. Irwansyah, Y. M. Yusuf, I. Farida, and M. A.
Ramdhani, “Augmented Reality (AR) Technology on the Android Operating System in Chemistry Learning,” IOP Conf. Ser. Mater. Sci. Eng., vol. 288, no. 1, p. 12068, 2018.
[3] G. E. Pribadi, U. Syaripudin, and W. Uriawan,
“Aplikasi Pembelajaran Bahasa Sunda Dengan
Implementasi Algoritma Linear Congruential Generator
Dan Fuzzy Berbasis Android,” J. Online Inform., vol. 1, no. 1, pp. 34–42, 2016.
[4] Sari et al., “Using Android-Based Educational Game for Learning Colloid Material Using Android-Based
Educational Game for Learning Colloid Material,” J. Phys. Conf. Ser., vol. 895, no. 1, p. 12012, 2017. [5] M. Irfan, I. Z. Mutaqin, and R. G. Utomo,
“Implementation of Dynamic Time Warping Algorithm
on an Android Based Application to Write and
Pronounce Hijaiyah Letters,” IEEE CITSM, 2016. [6] A. Zarman, M. Irfan, and W. Uriawan, “Implementasi
Algoritma Ant Colony Optimization Pada Aplikasi Pencarian Lokasi Tempat Ibadah Terdekat Di Kota
Bandung,” J. Online Inform., vol. 1, no. 1, pp. 6–12, 2016.
[7] I. Septiana, M. Irfan, and A. R. Atmadja, “Sistem Pendukung Keputusan Penentu Dosen Penguji Dan Pembimbing Tugas Akhir Menggunakan Fuzzy Multiple Attribute Decision Makingdengan Simple Additive Weighting (Studi Kasus: Jurusan Teknik
Informatika Uin Sgd Bandung),” J. Online Inform., vol. 1, no. 1, pp. 43–50, 2016.
[8] E. Turban and J. Aronson, Decision Support Systems and Intelligent Systems. 1997.
[9] K. Suryadi and M. A. Ramdhani, Sistem Pendukung Keputusan. Bandung: Remaja Rosdakarya. [10] Kusrini, Konsep dan Aplikasi Sistem Pendukung
Keputusan. Yogyakarta: Andi, 2007. [11] M. Irfan, Jumadi, W. B. Zulfikar, and Erik,
“Implementation of Fuzzy C-Means algorithm and
TF-IDF on English journal summary,” 2017 Second Int. Conf. Informatics Comput., pp. 1–5, 2017.
[12] T. Sutojo, E. Mulyanto, and V. Suhartono,
Kecerdasaan Buatan. 2011.
[13] M. A. Adiguna and A. Muhajirin, “Penerapan Logika Fuzzy Pada Penilaian Mutu Dosen Terhadap Tri
Dharma Perguruan Tinggi,” JOIN (Jurnal Online Inform., vol. 2, no. 1, pp. 16–19, 2017.
[14] V. Campos-Guzman, M. S. Garcia-Cascales, J. M. Sanchez-Lozano, and D. Pelta, “Selection of a fuzzy AHP-TOPSIS electrification system for an isolated
rural area in southern México,” in 2017 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), 2017, pp. 1–6.
G. G. Maria and L. F. C. Manuela, “Combined fuzzy
prioritization of maintenance key performance
indicators: Application to an oil refinery plant,” in 2017 2nd International Conference on System Reliability and Safety (ICSRS), 2017, pp. 337–342.
[16] J. J. Buckley, “Fuzzy hierarchical analysis,” Fuzzy Sets Syst., vol. 17, no. 3, pp. 233–247, 1985.
[17] R. Berikang et al., “Pemilihan Lokasi Pendidikan
Stikom Manado Menggunakan Pendekatan Fuzzy
AHP,” pp. 651–658, 2005.
[18] M. Fajri et al., “Implementasi Metode Fuzzy Analytic
Hierarchy Process ( F-AHP ) Dalam Penentuan
Peminatan di MAN 2 Kota Serang,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 5, pp. 2109– 2117, 2018.
[19] B. Sidik, Framework CodeIgniter. Bandung: Informatika, 2012.