PERANCANGAN MODEL ARTIFICIAL INTELLIGENCE
DALAM EVALUASI BELAJAR MAHASISWA DENGAN MENERAPKAN LOGIKA FUZZY
(Studi kasus terhadap mahasiswa Jurusan Tarbiyah STAIN Bukittinggi)
Liza Efriyanti1
ABSTRACT
Colleges should evaluate existing student learning. The goal for the College to achieve its goal than menciptakaan qualified students who can compete. The scoring system is usually stated in the Unit lecturer Events Lectures (SAP) is more focused on cognitive aspects, and there are some that also include affective aspects, but the processing of the data is not clear, so the method is applied fuzzy logic method. Fuzzy logic is a branch of modern Artificial Intelligence. This method was developed to help take the desperation of some alternative decisions to obtain optimal decision, a model made up. Rule is what will help the user in pemgambilan decision. Application of fuzzy logic in this issue can help to map an input into an output without ignoring the existing factors. With this method is expected to measure students' understanding of the subjects were studied as alternative materials and decision support in delivering the final value of the subject that Amnestied by a professor.
Keywords: The scoring system, fuzzy logic, artificial intelligence, rule, model
INTISARI
Sekolah Tinggi harus mengevaluasi belajar siswa yang ada. Tujuannya agar College untuk mencapai tujuannya daripada siswa yang memenuhi syarat menciptakaan yang dapat bersaing. Sistem penilaian ini biasanya dinyatakan dalam dosen Satuan Acara Kuliah (SAP) lebih fokus pada aspek kognitif, dan ada beberapa yang juga mencakup aspek afektif, tetapi pengolahan data tidak jelas, sehingga metode ini diterapkan metode logika fuzzy . Logika fuzzy adalah cabang modern Artificial Intelligence. Metode ini dikembangkan untuk membantu mengambil keputusasaan beberapa keputusan alternatif untuk mendapatkan keputusan yang optimal, model dibuat. Aturan inilah yang akan membantu pengguna dalam keputusan pemgambilan. Penerapan logika fuzzy dalam masalah ini dapat membantu untuk memetakan input menjadi output tanpa mengabaikan faktor-faktor yang ada. Dengan metode ini diharapkan untuk mengukur pemahaman siswa terhadap mata pelajaran yang dipelajari sebagai bahan alternatif dan mendukung keputusan dalam memberikan nilai akhir dari subjek yang diampu oleh seorang profesor.
Kata Kunci: Sistem penilaian, logika fuzzy, kecerdasan buatan, aturan, Model
PENDAHULUAN
Perkembangan teknologi sangat mempengaruhi segala aspek kehidupan, baik itu terhadap dunia bisnis, instansi-instansi pemerintahan, maupun dalam dunia pendidikan.
Dunia pendidikan bertujuan untuk menciptakan manusia-manusia yang berkualitas, Manusia yang berkualitas tentu saja manusia yang memiliki ilmu pengetahuan baik itu ilmu internal maupun eksternal. Semakin tinggi ilmu pengetahuan yang dimiliki oleh seseorang semakin banyak manfaatnya bagi dirinya sendiri maupun bangsa dan Negara.
Dua hal yang disyaratkan oleh Direktorat Jendral Pendidikan Tinggi Departemen Pendidikan Nasional, bagi tercapainya kualitas pengelolaan dan pengembangan Perguruan tinggi di Indonesia adalah bahwa perguruan tinggi harus melaksanakan penjaminan kualitas (quality assurance) dan secara terus menerus melakukan evaluasi diri (self evaluation).
Untuk itu Sekolah Tinggi harus mengevaluasi belajar mahasiswa yang ada. Tujuannya agar Sekolah Tinggi dapat mencapai tujuannya selain menciptakaan mahasiswa yang berkulaitas yang sanggup bersaing. Semakin banyaknya mahasiswa yang lulus dengan predikat yang baik dan berkualitas maka nama Sekolah Tinggi pun menjadi baik. Tetapi sebaliknya semakin rendah kualitas lulusan Sekolah Tinggi tersebut akan menurunkan citra dari Sekolah Tinggi tersebut.
Berdasarkan hasil observasi terhadap beberapa dosen di STAIN Bukittinggi khususnya Jurusan Tarbiyah diperoleh sistem penilaian yang mereka tuangkan dalam Satuan Acara Perkuliahan (SAP) lebih dititikberatkan pada aspek kognitif dan ada sebagian yang juga memasukkan aspek afektif, namun pengolahan datanya belum jelas.
Dari hasil observasi ini maka peneliti juga melakukan wawancara terhadap beberapa dosen di lingkungan Jurusan Tarbiyah untuk memastikan sistem penilaian dari SAP yang ada pada program-program studi. Peneliti mendapatkan informasi dari wawancara yang dilakukan bahwa sistem penilaian yang mereka lakukan masih bersifat subjektif karena sistem pengolahan data pada ranah afektif belum jelas. Akibatnya mereka mengalami kesulitan saat memadukan antara nilai mahasiswa dari ranah kognitif dan afektif, dan hal ini berdampak terhadap pengambilan keputusan nilai akhir mahasiswa.
Untuk mengambil keputusan yang akurat dan objektif dalam mengevalusi belajar mahasiswa memerlukan sistem pendukung keputusan (Decision Support System). Dengan adanya Decision Support System (DSS) maka dapat
membantu memecahkan
permasalahan yang rumit yang melibatkan beberapa alternatif dengan menimbang berdasarkan beberapa kriteria dalam merancang prioritas dan kepentingan. Output dari sistem pendukung keputusan akan merangking alternatif yang diharapkan berdasarkan kriteria pertimbangan yang mempengaruhi output untuk mendapatkan keputusan final atau alternatif yang terbaik.
Untuk membantu dalam mengevaluasi belajar mahasiswa atau mengukur pemahaman mahasiswa terhadap materi perkuliahannya, maka diperlukan suatu metode yang dapat digunakan untuk membantu hal tersebut. Di mana metode tersebut hendaknya dapat membantu untuk mendapatkan jalan keluar dari masalah tersebut. Salah satu cabang ilmu komputer yang berkembang dan dapat membantu manusia dalam melakukan proses komputerisasi yang sulit dan kompleks yang cukup melelahkan manusia adalah Artificial Intelligence (kecerdasan buatan).
Untuk itu metode yang nantinya akan diterapkan adalah metode logika fuzzy. Logika fuzzy merupakan salah satu cabang dari Artificial Intelligence modern, selain dari Neural Network, Algoritma Genetika dan beberapa cabang Artificial Intelligence lainnya. Metode ini dikembangkan untuk membantu mengambil keputusaan terhadap beberapa alternatif keputusan untuk mendapatkan keputusan yang optimal. Logika fuzzy merupakan modifikasi dari teori himpunan di mana setiap anggotanya memilih derajat keanggotaan yang bernilai kontiniu antara 0 dan 1.
Perumusan Masalah
Berdasarkan latar belakang di atas, maka dirumuskan masalah-masalah sebagai berikut :
Bagaimana merancang model Artificial Intelligence dalam mengevaluasi hasil belajar mahasiswa terutama dalam hal pemahaman mahasiswa terhadap materi kuliah?
Tujuan Penelitian
Adapun tujuan dan harapan yang penulis lakukan dalam penelitian ini agar penelitian ini bermanfaat nantinya adalah :
1.
Menerapkan model Artificial Intelligence menggunakan metoda logika fuzzy berbasis komputer untuk mendukung keputusan.2.
Merancang konsep aplikasiperangkat lunak menggunakan logika fuzzy mamdani dengan membuat program yang mampu menganalisa masukan-masukan berupa kriteria-kriteria permasalahan yang menjadi pendukung keputusan dari beberapa alternatif yang ada dengan menggunakan software Matlab.
PENDEKATAN PEMECAHAN MASALAH
Teknologi Pengambilan Keputusan
Untuk membantu
terbentuknya proses pengambilan keputusan yang telah disediakan terdapat beberapa teknologi (Tool) pendukung keputusan. Teknologi pendukung keputusan yang umum adalah :
1. Decision Support System (DSS) 2. Group Support System (GSS) 3. Enterprise (Executive)
Information System
4. Supply Chain Management (SCM)
5. Knowledge Management (KM) 6. Expert System (ES)
7. Artificial Neural Network (ANN) 8. Hybrid Intelligent Support
System
9. Intelligent Decision Support system (IDSS) and Agent
Teknologi yang akan digunakan tergantung pada sifat atau ciri-ciri (Nature) dari beberapa masalah dan konfigurasi pendukung keputusan yang spesifik, dalam sebuah permasalahan yang terstruktur dan prosedur untuk mendapatkan solusi yang terbaik. Tujuan atau sasaran utamanya adalah meminimalkan biaya dan memaksimalkan keuntungan
Fase-Fase Pengambilan Keputusan
Menurut Simon (1977) fase-fase dari proses pengambilan keputusan ada tiga, fase yang keempat ditambah dengan implementation, yang terdiri dari :
1. Intelligence 2. Design 3. Choice
4. Implementation
Expert Systems
Sistem pakar (Expert Systems) merupakan suatu pengembangan dari Decision Support Systems (DSS), yang memiliki fungsi sebagai konsultan.
Sistem pakar merupakan salah satu aplikasi dari Artificial Intelligence (AI) yang banyak dimanfaatkan dalam dunia bisnis [4].
Expert system
memperagakan penalaran yang mirip dengan seorang ahli dalam memecahkan suatu permasalahan. Ia membangun penalarannya dengan membangun knowledge base dari domain yang akan diselesaikan dalam bentuk aturan-aturan (rule) dan mekanisme penarikan kesimpulan untuk menentukan apakah aturan-aturan telah dipenuhi oleh masukan sistem.
Logika Fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang Output [9],
Persediaan Barang Akhir
Minggu Persediaan Barang Esok Hari
Kotak Hitam Ruang Input
(Semua total persediaan barang yang mugkin)
Ruang Output (Semua jumlah produksi barang
yang mungkin)
Pemetaan input-output pada masalah produksi
“Diberikan data persediaan barang, berapa jumlah barang yang harus diproduksi?
Gambar 1. Pemetaan Input Output
Teori Himpunan Fuzzy
Himpunan fuzzy (fuzzy sets) adalah sekumpulan objek x di mana masing-masing objek memiliki nilai keanggotaan (membership function), atau yang disebut juga dengan nilai kebenaran dan nilai ini dipetakan ke dalam daerah hasil range (0,1). Jika x merupakan sekumpulan objek dengan anggotanya dinyatakan dengan x maka himpunan fuzzy dari A di dalam x adalah himpunan dengan sepasang anggota [3].
Variabel Linguistik
Variabel linguistik adalah variabel yang berupa kata / kalimat, bukan berupa angka. Sebagai alasan menggunakan kata / kalimat dari pada angka karena peranan linguistik kurang spesifik dibandingkan angka, namun informasi yang disampaikan
lebih informatif. Variabel linguistik ini merupakan konsep penting dalam logika fuzzy dan memegang peranan penting dalam beberapa aplikasi.
Fungsi Keanggotaan.
Fungsi keanggotaan
(membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaannya. Ada beberapa fungsi yang dapat digunakan, yaitu :
1. Representasi Linear.
2. Representasi Kurva Segitiga 3. Representasi Kurva
Trapesium
4. Representasi Kurva Bentuk Bahu
Konsep Dasar Multi Attribut Decision Making (MADM)
Pada dasarnya, proses MADM dilakukan dengan 3 tahapan, yaitu :
1. Tahapan penyusunan
komponen-komponen situasi. 2. Tahapan Analisis
Pada tahapan analisis ini dilakukan 2 langkah, yaitu:
a. Mendatangkan taksiran dari besaran yang potensial,
kemungkinan, dan
ketidakpastian yang berhubungan dengan dampakyang mungkin pada setiap alternatif.
b. Pada langkah ini meliputi pemilihan dari preferansi pengambilan keputusan untuk setiap nilai, dan ketidak pedulian terhadap resiko yang timbul.
3. Sintesis Informasi.
Dengan demikian, bisa dikatakan bahwa masalah Multi Attribute Decision Making (MADM) adalah mengevaluasi m alternatif Ai (
i = 1,2,3,…,m) terhadap sekumpulan atribut atau kriteria Cj (j = 1,2,3, …,n),
dimana setiap atribut tidak saling bergantungan satu dengan yang lainnya. Matrik keputusan setiap alternatif terhadap setiap atribut X adalah sebagai berikut :
P e n g u m p u la n D a ta A n a lis is d a ta A n a lis a S is te m P e r a n c a n g a n S is te m Im p le m e n ta s i S is te m E v a lu a s i S is te m M otivasi B elajar K edisiplinan K erajinan FU ZZY S Y S TE M P em aham an x11 x12 … x1n x21 x22 … x2n x = … … … … … … xm1 xm2 … xmn
dimana xij merupakan rating kinerja
alternatif ke I terhadap atribut ke j. nilai bobot yang menunjukkan tingkat relatif setiap atribut diberikan sebagai W, yaitu :
W = {w1, w2, w3, …, wn}
Suatu fuzzy expert system memadukan fungsi-fungsi fuzzy untuk membangun kesimpulan.
Terdapat dua model aturan fuzzy yang digunakan secara luas dalam berbagai aplikasi, yaitu :
1. Model Mamdani
Metode Mamdani sering juga dikenal sebagai Metode Max-Min.
2. Model Sugeno
Jenis Penelitian
Jenis penelitian Research & Development. Hal-hal yang dianalisis dalam metode ini adalah berupa Rancang bangun model Artificial Intelligence, Data Flow Diagram, pengolahan data, dan pengujian hasil pengolahan data.
Populasi & Sampel
Populasi pada penelitian ini adalah seluruh mahasiswa Jurusan Tarbiyah STAIN Bukittinggi dan metode dalam pengambilan sampel dengan menggunakan teknik cluster sampling, artinya setiap program studi yang ada pada Jurusan Tarbiyah terwakili.
Kerangka Kerja Penelitian (Frame Work)
Adapun kerangka kerja penelitian ini dapat di gambarkan pada gambar 2 berikut:
Gambar 2. Kerangka Kerja Penelitian
Analisa Data Evaluasi Belajar mahasiswa
Identifikasi data untuk evaluasi belajar mahasiswa dilakukan dengan menentukan variabel yang diperlukan dalam pengolahan dan analisis, di mana variabel / kriteria yang harus dipenuhi adalah motivasi belajar, kedisiplinan, Kerajinan.
Perancangan Sistem (Desain System)
Berikut ini akan ditampilkan bagaimana sistem fuzzy dapat melakukan evaluasi belajar mahasiswa melalui proses fuzzy pada gambar 3 berikut ini:
Gambar 3. Proses fuzzy Evaluasi Belajar Mahasiswa
Perancangan Model Sistem Fuzzy
Dalam menyelesaikan permasalahan ini dengan menggunakan sistem fuzzy dapat digunakan langkah-langkah sebagai berikut :
1. Linguistik Variabel (Fuzzification) 2. Linguistik Rules
Tabel 1. Linguistic Variabel Input
dan Output
Input/Output Fuzzy
Variabel Fuzzy Set Label
Input Motivasi Belajar Rendah R Normal N Tinggi T Kedisiplinan Sangat Kurang SK Kurang K Cukup C Baik B Sangat Baik SB Kerajinan Sangat Kurang SK Kurang K Cukup C Baik B Sangat Baik SB Output Pemahaman Rendah R Sedang S Tinggi T Pada tabel 1 diatas terlihat bahwa input fuzzy terdiri atas :
1. Motivasi belajar yaitu R, N, T 2. Kedisiplinan yaitu SK, K, C B,
SB
3. Kerajian yaitu SK, K, C, B, SB Untuk variabel Outputnya adalah pemahaman yang terdiri atas R, S, T. Setelah penentuan variabel yang akan digunakan, maka selanjutnya menentukan ranting kecocokan setiap alternatif pada kriteria yang ditentukan. Kemudian diberi nilai yang disebut sebagai himpunan fuzzy. Himpunan-himpunan tersebut yang merupakan alternatif untuk menentukan keputusan evaluasi belajar mahasiswa.
HASIL DAN PEMBAHASAN
Dalam hal ini, implementasi dilakukan untuk menentukan hasil evaluasi belajar mahasiswa, dimana data yang sudah dianalisa akan diuji dengan Multi Attribute Decision
Making (MADM) metode untuk penyelesaian Fuzzy.
Setelah itu akan ditentukan rule-rule yang akan mendukung proses pengujian dari data yang akan diproses. Pengujian data akan dilakukan dengan menggunakan software MATLab pada fuzzy toolbox.
Representasi Variabel Data Evaluasi Belajar Mahasiswa
Struktur hirarki dari evaluasi belajar mahasiswa berdasarkan pertimbangan-pertimbangan yang ada. Dapat dilihat pada Gambar 4.
Gambar 4. Struktur Hirarki Evaluasi Belajar Mahsiswa
Pengujian Data Menggunakan FMADM
Dari alternatif dan variabel-variabel atau atribut-atribut yang diuraikan diatas, serta hubungan alternatif dengan atribut tersebut, maka tabel keputusan untuk evaluasi belajar mahasiswa dapat diberikan seperti pada Tabel 2.
Menentukan mahasiswa yang memiliki evaluasi belajar Terbaik
Motivasi C1 Kedisiplinan C2 Alternatif _1 A1 Alternatif _2 A2 Alternatif _3 A3 Kerajinan C3
Tabel 2. Hubungan Alternatif dengan
Atribut Evaluasi Belajar Mahasiswa Altenat if Atribut Motiva si (C1) Kedisiplin an (C2) Kerajin an (C3) A1 Tinggi Sangat Baik Cukup
A2 Tinggi Baik Kurang
A3 Tinggi Cukup Baik
Sedangkan bobot untuk masing-masing atribut diberikan sebagai berikut :
W = [Sangat Baik, Baik, Cukup, Rendah, Sangat Rendah]
Bilangan-bilangan fuzzy dapat dikonversikan ke bilangan crisp : SK = 0; K = 0,25; C = 0,5; B = 0,75; dan SB = 1. Dapat dilihat pada gambar 4.7 0 1 0 0,25 0.5 0.75 1 SK K C B SB µ (w)
Gambar 5. Bilangan Fuzzy Untuk Bobot
Selanjutnya bilangan fuzzy untuk variabel Motivasi, Kedisiplinan, Kerajinan dapat dilihat pada Analisa Rating Kecocokan Terhadap Kriteria diatas.
Penyelesaian MADM Pada Evaluasi Belajar Mahasiswa
Penyelesaian Multi Attribut Decision Making (MADM) akan dilakukan dengan dua metode, yaitu : 1. Simple Additive Weighting
Method (SAW)
2. Weighted Product (WP).
Penyelesaian Dengan Simple Additive Weighting Method (SAW)
Mengacu pada Tabel 2 diatas dan konsep dasar Multi Attribut Decision Making (MADM), maka
dapat dibentuk matrik keputusan untuk X sebagai berikut :
X =
Dan vector bobot adalah :
W = [1,00 0,75 0,50 0,25 0] 1. Normalisasi
Dari data yang terlihat pada matrik X dan vector W diatas, maka akan dilakukan penyelesaian dengan menggunakan metode Simple Additive Weighting Method (SAW).
r11 = max{1,00;1,00;1,00} 00 , 1 = 0 0 , 1 0 0 , 1 = 1,00 r12 = max{1,00;1,00;1,00} 00 , 1 = 0 0 , 1 0 0 , 1 = 1,00 r13 = max{1,00;1,00;1,00} 00 , 1 = 0 0 , 1 0 0 , 1 = 1,00 r21 = max{1,00;0,75;0,50} 00 , 1 = 0 0 , 1 0 0 , 1 = 1,00 r22 = max{1,00;0,75;0,50} 75 , 0 = 0 0 , 1 7 5 , 0 = 0,75 r23 = max{1,00;0,75;0,50} 50 , 0 = 0 0 , 1 5 0 , 0 = 0,50 r31 = max{0,50;0,25;0,75} 50 , 0 = 7 5 , 0 5 0 , 0 = 0,66 r32 = max{0,50;0,25;0,75} 25 , 0 = 7 5 , 0 2 5 , 0 = 0,33
r33 = max{0,50;0,25;0,75} 75 , 0 = 7 5 , 0 7 5 , 0 = 1,00
Sehingga diperoleh hasil matrik ternormalisasi untuk matrik R adalah sebagai berikut :
X =
2. Nilai Preferensi Alternatif
Setelah diperoleh matrik ternormalisasi matrik R, maka akan dilakukan proses perankingan untuk memilih keputusan yang akan diambil, yaitu dengan proses sebagai berikut : V1 = (1,00)(1,00) + (0,75)(1,00) + (0,50)(0,66) = 2,08 V2 = (1,00)(1,00) + (0,75)(0,75) + (0,50)(0,33) = 1,73 V3 = (1,00)(1,00) + (0,75)(0,50) + (0,50)(1,00) = 1,87
Dari pengujian yang dilakukan dengan menggunakan metode Simple Additive Weighting Method (SAW), maka nilai terbesar ada pada V1, dengan demikian alternatif yang
terbaik untuk pengambilan keputusan pada evaluasi belajar mahasiswa adalah Alternatif-1.
Penyelesaian Dengan Weighted Product (WP)
Metode Weighted Product (WP) menggunakan perkalian untuk menghubungkan rating variabel atau atribut, dimana rating setiap atribut harus dipangkatkan dulu dengan bobot atribut yang bersangkutan. Proses ini sama halnya dengan normalisasi.
1. Perbaikan Bobot
Langkah awal yang dilakukan pada penyelesaian dengan menggunakan metode Weighted Product (WP) adalah dengan memperbaiki bobot seperti dijelaskan diatas, yaitu : W1 = 1,00 0,75 0,50 0,25 0 00 , 1 = 2.5 00 , 1 = 0,4 W2 = 1,00 0,75 0,50 0,25 0 75 , 0 = 2,5 75 , 0 = 0,3 W3 = 1,00 0,75 0,50 0,25 0 50 , 0 = 2,5 50 , 0 = 0,2 W4 = 1,00 0,75 0,50 0,25 0 25 , 0 = 2,5 25 , 0 = 0,1 W5 = 1,00 0,75 0,50 0,25 0 0 = 2.5 0 = 0 2. Nilai Vektor S
Setelah diperbaiki nilai bobot, maka langkah selanjutnya adalah menghitung nilai vector S, yaitu : S1 = (1,00 0,4) (1,00 0,3) (0,50 0,2) = 0,87 S2 = (1,00 0,4) (0,75 0,3) (0,25 0,2) = 0,68 S3 = (1,00 0,4) (0,50 0,3) (0,75 0,2) = 0,73 3. Nilai Vektor V
Langkah selanjutnya adalah menentukan nilai vector V, yang kemudian digunakan untuk perangkingan untuk dijadikan pengambilan keputusan pada evaluasi belajar mahasiswa, yaitu :
0,87 V1 = = 0,38 0,89 + 0,68 + 0,73 0,68 V2 = = 0,29 0,89 + 0,68 + 0,73
0,73
V3 =
= 0,32
0,89 + 0,68 + 0,73 Dari pengujian yang dilakukan dengan menggunakan metode Weighted Product (WP), maka nilai terbesar ada pada V1, dengan
demikian alternatif yang terbaik untuk pengambilan keputusan pada evaluasi belajar mahasiswa adalah Alternatif-1.
Penyelesaian Dengan
Menggunakan Software Matlab Fuzzy Toolbox
Pengujian data evaluasi belajar mahasiswa dapat kita lakukan dengan menggunakan Software Matlab Fuzzy Toolbox sebagai berikut :
1. Menentukan variabel input dan output pada evaluasi belajar mahasiswa, dapat dilihat pada gambar 6 berikut :
Gambar 6. FIS Editor Variabel Input dan Output
Dari gambar 6 melihatkan FIS Editor variabel input dan output yang menggunakan metode mamdani, dimana yang menjadi variabel input adalah Motivasi, Kedisiplinan, Kerajinan, sedangkan untuk variabel outputnya adalah Pemahaman.
2. Menentukan membership function dari variabel motivasi belajar, adalah seperti pada gambar 7 :
Gambar 7. Membership Function variabel Motivasi
Dari gambar 7 dapat dilihat bahwa terdapat 3 variabel input untuk motivasi belajar mahasiswa yaitu rendah, Normal, tinggi.
µA ( Motivasi) Motivasi = { R, N, T}
3. Menentukan membership function dari kedisiplinan mahasiswa, dapat dilihat pada gambar 8:
Gambar 8. Membership Function variabel Kedisiplinan
Dari gambar 8 dapat dilihat bahwa terdapat 5 himpunan variabel input untuk Kedisiplinan mahasiswa yaitu Sangat Kurang, Kurang, Cukup, Baik, Sangat Baik.
µA ( Kedisiplinan)
Kedisiplinan = { SK, K, C, B, SB} M
4. menentukan membership function dari kerajinan mahasiswa, seperti Gambar 9
Gambar 9. Membership Function variabel Kerajinan
Gambar 4.11 melihatkan bahwa terdapat 5 himpunan dalam variabel input untuk Kerajinan mahasiswa yaitu Sangat Kurang, Kurang, Cukup, Baik, Sangat Baik.
µA ( Kerajinan)
5. Menentukan Membership
Function variabel
pemahaman, yang
merupakan variabel output, dapat dilihat pada gambar 10:
Gambar 10. Membership Function Variabel Pemahaman
Dari gambar 10 dapat dilihat bahwa terdapat 3 himpunan fuzzy untuk Variabel output pemahaman mahasiswa yaitu Rendah, Sedang, Tinggi.
µA ( Motivasi)
6. Menentukan rule yang dihasilkan dalam hal yang digunakan IF…AND…Then adalah pada gambar 11 berikut ini:
Gambar 11. Rule Editor Evaluasi Belajar Mahasiswa
Dari gambar 11 merupakan Rule Editor dari evaluasi belajar mahasiswa dengan menggunakan MatLab. yang dapat di tulis sebagai berikut :
R1 : If [Motivasi is R] and
[Kedisiplinan is SK] and [Kedisiplinan is SK]
Then [Pemahaman is R] R2 : If [Motivasi is R] and
[Kedisiplinan is K] and [Kedisiplinan is SK]
Then [Pemahaman is R] R3 : If [Motivasi is R] and
[Kedisiplinan is C] and [Kedisiplinan is SK]
Then [Pemahaman is R] R73: If [Motivasi is T] and
[Kedisiplinan is C] and [Kedisiplinan is B]
Then [Pemahaman is T] R74 : If [Motivasi is T] and
[Kedisiplinan is C] and [Kedisiplinan is SB]
Then [Pemahaman is T] R75 : If [Motivasi is T] and
[Kedisiplinan is B] and [Kedisiplinan is SB]
Then [Pemahaman is T]
Tampilan rule editor pada gambar 11 dapat kita tampilkan dalam bentuk rule Viewer pada gambar 12:
Gambar 12. Rule Viewer Evaluasi Belajar Mahasiswa
Dari gambar 12 dapat kita tampilkan dalam bentuk tampilan grafik yang disebut dengan surface viewer dan ditampilkan pada gambar 13
Gambar 13. Surface Viewer Evaluasi Belajar Mahasiswa
Evaluasi Sistem
Evaluasi dilakukan untuk melihat apakah sistem yang kita buat sudah sesuai dengan ketentuan yang ada. Pada tahap evaluasi ini akan diambil sebuah sampel secara acak untuk diuji.
Input : Motivasi (x1) = 0.75,
Kedisiplinan(x2) = 0.40, Kerajinan (x3)
= 0.80. Output rata-rata dari
pemahaman yang sebenarnya adalah Tinggi.
Sebelum dilakukan inferensi perlu di cari terlebih dahulu derajat keanggotaan nilai tiap variabel dalam setiap himpunan dengan menggunakan persamaan yang telah di tetapkan sebelumnya: a. Motivasi µRendah [0.75] = 0 µSedang[0.75] = 0.50 µTinggi[0.75] = 0.50 b. Kedisiplinan µSangatKurang[0.40] = 0 µKurang[0.40] = 0.4 µCukup[0.40] = 0.6 µBaik[0.40] = 0 µSangatBaik[0.40] = 0 c. Kerajinan µSangatKurang[0.80] = 0 µKurang[0. 80] = 0 µCukup[0. 80] = 0 µBaik[0. 80] = 0.8 µSangatBaik[0. 80] = 0.2 Kemudian di tentukan α- predikat (fire strength) untuk setiap aturan sebagai berikut:
R1 : If [Motivasi is R] and
[Kedisiplinan is SK] and [Kedisiplinan is SK]
Then [Pemahaman is R]
α- predikat1 = min (µRendah
[0.75]; µSangatKurang [0.40]; µSangatKurang [0.80]; = min (0; 0; 0) = 0 Z1 = Rendah R2 : If [Motivasi is R] and
[Kedisiplinan is K] and [Kedisiplinan is SK]
Then [Pemahaman is R]
α- predikat2 = min (µRendah
[0.75]; µKurang [0.40]; µSangatKurang [0.80]; = min (0; 0.4; 0) = 0 Z2 = Rendah R3 : If [Motivasi is R] and
[Kedisiplinan is C] and [Kedisiplinan is SK]
α- predikat3 = min (µRendah [0.75]; µCukup [0.40]; µSangatKurang [0.80]; = min (0; 0.6; 0) = 0 Z3 = Rendah, begitu seteruasnya
Karena α-predikat yang tidak nol hanya terdapat pada aturan R46, R47, R48, R49, R50, R59, R60, R64, R65, dengan menggunakan metode defuzzy weighted average, maka rata-rata pemahaman mahasiswa adalah sebagai berikut:
Z
Z=
Z
Z = 0.651
Nilai Z terletak pada himpunan Fuzzy 0.651 berarti output pemahaman Tinggi, dapat diketahui mahasiswa tersebut memiliki pemahaman yang Tinggi terhadap materi kuliah Pendidikan Agama Islam.
Bentuk Rule yang diuji dengan menggunakan Software Matlab dapat dilihat pada gambar 14 :
Gambar 14. Rule Viewer Sampel Berdasarkan pengujian diatas bisa kita lihat dalam bentuk grafik yang ditunjukan pada gambar 15:
Gambar 15. Grafik Sampel
KESIMPULAN
Model perancangan artificial Intelligence dengan menggunakan aplikasi system fuzzy pada penelitian ini dapat digunakan untuk pengambilan keputusan bagi dosen yang ada hubungannya dengan masalah evaluasi belajar mahasiswa, dengan menggunakan sistem ini diharapkan dapat mengurangi masalah yang selalu rumit menjadi masalah yang mudah diatasi dan diperkecil scopenya.
Rule yang dibangun pada fuzzy sistem perlu disesuaikan dengan software yang digunakan, sehingga tidak terjadi perubahan pada rule yang sudah ada.
Pengujian terhadap evaluasi belajar mahasiswa menggunakan Fuzzy Multi Attribute Decision Making (FMDAM) dalam pengambilan keputusan untuk mencari mahasiswa yang memiliki pemahaman yang baik terhadap materi perkuliahan.
DAFTAR PUSTAKA
[1] Administrator, Sistem Pakar Untuk Identifikasi Gangguan Telepon, Ilmu Komputer, http://www.ilmukompute r.org/2006/08/27
[2] Azwar, Saifuddin. 2004. Penyusunan Skala Psikologi. Jakarta : Pustaka Pelajar
[3]Bartos, Frank J. Fuzzy Logic is Clearly Here to Stay, McGraw-Hill Pub. Control engineering, Juli 1992
[4] En Miswan Surip, Aplikasi Sistem Pakar,
http://www.geocities.com/ Baja/cliffs1326/mis_pakar .htm
[5] Erdman, Denise., Fuzzy Logic more than a play on word, Chemical Engineering,
McGraw-Hill Pub, 1993 [6] Gunadi Widi Nurcahyo,
2003, Modified Sweep Algorithm With Fuzzy-Based Parameter For Public Bus Route Selection, Of Disertation at Faculty of Computer Science and Information System University Teknologi Malaysia. [7] Kadarisah Suryadi ,DR
dan Ali Ramdhanil,MT (2002) , Sistem Pendukung Keputusan, PT. Remaja Rosdakarya , Bandung ,
[8] Kusumadewi, Sri. Analisis Desain Sistem Fuzzy Menggunakan Toolbox Matlab. Jogjakarta: Graha Ilmu, 2002
[9] Kusumadewi, Sri. Dan Purnomo Hari, Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Jogjakarta: Graha Ilmu, 2004
[10] Kusumadewi, Sri, Hartati Sri, dan Harjoko, Agus., Wardoyo., Retantyo., Fuzzy Multi-Attribute Decision Making (Fuzzy MADM) Menggunakan Toolbox Matlab”. Jogjakarta: Graha Ilmu, 2002 [11]Prayitno, Elida.1989.Motivasi Belajar. Jakarta : PPLPTK [12] Syamsi, I , Pengambilan Keputusan dan Sistem Informasi , Bumi Aksara , Jakarta , 1995
[13] Pemberdayaan Internet dalam Mendapatkan Materi Bahan Ajar pada Universitas Putra Indonesia YPTK Padang, Majalah Ilmiah UPI-YPTK , ISSN 1412-5854 Vol. 4 No. 1 Tahun 2 – Maret 2003 , Hal 7-15.
