seleksi penerimaan anggota baru paduan suara …repository.usd.ac.id/8411/2/125314005_full.pdf ·...

$: SELEKSI PENERIMAAN ANGGOTA BARU PADUAN SUARA …repository.usd.ac.id/8411/2/125314005_full.pdf · PADUAN SUARA MAHASISWA MENGGUNAKAI\I LOGIKA I(ABIIR DlJ{ DTALTI-ATTRIBTNE DECISION$
SELEKSI PENERIMAAN ANGGOTA BARU

PADUAN SUARA MAHASISWA

MENGGUNAKAN LOGIKA KABUR

DAN MULTI-ATTRIBUTE DECISION MAKING

(STUDI KASUS PSM CANTUS FIRMUS USD)

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

Yosef Yudha Prasetya

125314005

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2016

i

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

A NEW MEMBERS AUDITION OF A CHOIR

USING FUZZY LOGIC AND MULTI-ATTRIBUTE DECISION MAKING

(A STUDY CASE OF CANTUS FIRMUS

SANATA DHARMA UNIVERSITY CHOIR)

A THESIS

Presented as Partial Fullfilment of the Requirements

to Obtain the Sarjana Komputer Degree

in Informatic Engineering Study Program

By:


125314005

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2016

ii


awlq .

HALAMAN PENSOTU'JUAN

SKRIPSI

SELEI(SI PENENTEAAN AT{GGOTA BARU

PAITUAIi{ SUARA MAHASISWA

MENGGUNAKAI{ LOGIKA KASUR

DAI\I''AL N.ATINIBATE DECISK)N IIIAEING

(sruDr KAsus PsM CANTUS mnMus usD)

'-a:

hbfunbiug,

fu'Eko Hari Parmadi, S.Si", M.Koq. Tangal, 3o AyuStrs 2oli

'::,t1

iii


HALAIT{AN PENGESAHANSKRIPSI

SELEKSI PEI\IERIMAAN ANGGOTA BARUPADUAN SUARA MAHASISWA MENGGUNAKAI\I LOGIKA I(ABIIR

DlJ{ DTALTI-ATTRIBTNE DECISION MAXING(sflrDr KAsus psM CANTUS FTRMUS USD)

Dipersiapkan dan ditulis oleh:

YOSEF YUDHA PRASETYA

Ketua

Sekretaris

Anggota

Yogyakarta, .3o.. Ag.us.duL.Z o t (Fakultas Sains dan Teknologi

Robertus AdiNugroho, S.T., M.Eng.

S.Si.,M.Math.Sc.,Ph.D

,..1

iv


HALAMAN MOTO

“Hanya orang gila yang mampu mengubah dunia” -Panca Sona Adjie

.


HALAMAN PERSEMBAHAN

Skripsi ini saya persembahkan untuk:

Tuhan Yang Maha Seni, sebagai bentuk jerih payah serta kembangan talenta yang telah Tuhan berikan.

PSM Cantus Firmus lengkap dengan setiap anggotanya yang sedikit demi sedikit mulai gila.

Dan yang terakhir, untuk Program Studi Teknik Informatika dan Perpusatakaan Universitas Sanata Dharma.

vi


n

PERNYATAAI{ KSASLIAN KA,RYA

saya menyatakan dengan sesungguhnya bahwa tugas akhir ysng saya tulis

tidak mengandung atau menruat hasil karlxa orang lain, kecuali ')nang t€lah

disebutkan dalam daftar pustaka dan kutipan sclayaknya karya ilmiah.

Yogyakarta, ...?.?..:.99r.: ?.?:.I

Penulis

vii


Yang bertanda tangan di bawah ini,

Yogyakarta:

Nama

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASIKARYA ILMIAII UNTUK KEPENTINGAN AKADEMIS

saya mahasiswa Universitas Sanata Dhanna

: Yosef Yudha Prasetya

NIM : 125314005

Demi pengembangan ilmu pengetahuan, saya memberikan kepada

perpustakaan Universitas Sanata Dharma karya ilmiah yang be{udul :

SELEKSI PENERIMAAN ANGGOTA BARU

PADUAN SUARA MAIIASISWA

MENGGUNAI(AN LOGIKA KABUR

D AN MALTI-ATTRIBUTE DECISION MAMNG

(STUDI KASUS PSM CAI\TUS FIRMUS USD)

Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya

memberikan kepada perpustakaan Universitas Sanata Dharma Yogyakarta hak

untuk menyimpan, mengalihkan dalam bentuk media lain, mengelola dalam bentuk

pangkalan data, mendistribusikan secara terbatas, dan mempublikasikan di intemet

atau media lain untuk kepentingarr akademis tanpa meminta ijin dari saya maupun

memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai

penulis. Dernikian pernyataan yang saya buat dengan sebenarnya.

Dibuat di Yogyakarta,

Fadatanggal: 30 'flusfus 2OlC

Yang menyatakan,

vii

viii


ABSTRAK

Seleksi penerimaan anggota baru paduan suara mahasiswa Cantus Firmus Universitas Sanata Dharma rutin dilakukan setiap tahun. Ada dua tahap besar dalam seleksi ini, yang pertama adalah tahap vokal dan yang kedua adalah tahap wa-wancara. Dalam tahap wawancara akan dinilai beberapa aspek yakni, pengetahuan tentang PSM Cantus Firmus, motivasi, pengalaman berorganisasi, pengenalan diri dan mental dari calon anggota baru. Jumlah calon anggota yang mendaftar setiap tahun mencapai 300 orang, sementara tenaga kerja pelatih dan ketersediaan tempat tidak memenuhi untuk mengakomodasi sebanyak 300 orang. PSM Cantus Firmus perlu memilih 40-50 orang yang pantas untuk menjadi anggota PSM Cantus Fir-mus. Ada banyak aspek yang dinilai serta keterbatasan sumberdaya penguji mem-buat pihak PSM Cantus Firmus kesulitan dalam melakukan seleksi penerimaan ang-gota baru. Selain itu penilaian aspek wawancara cukup sulit untuk dinilai tinggi rendahnya.

Sistem seleksi berbasis logika kabur dan MADM (multi-attribute decision

making) SAW (simple additive weighting) yang dibangun diharapkan mampu mem-bantu menemukan solusi atas permasalahan yang dihadapi PSM Cantus Firmus. Tahapan dalam logika kabur mamdani ini adalah pembentukan himpunan kabur, aplikasi fungsi implikasi, komposisi aturan, dan penegasan (defuzzyfikasi). Aturan komposisi yang digunakan adalah Max. Proses deffuzifikasi menggunakan metode SOM (Smallest of Maximum), MOM (Mean of Maximum) dan LOM (Largest of

Maximum). Sedangkan tahapan dalam MADM-SAW adalah pembentukan matriks keputusan, normalisasi matriks, penentuan bobot secara subyektif dan menghitung preferensi. Hasil perhitungan preferensi tersebut kemudian diurutkan berdasarkan nilai tertinggi.

Peneliti melakukan analisis dengan membandingkan apakah keputusan yang dihasilkan oleh sistem sesuai dengan keputusan asli tanpa sistem yang diambil pada proses seleksi PSM Cantus Firmus tahun 2015. Hasil analisis menunjukkan bahwa prosentase kemiripan terbesar adalah menggunakan metode deffuzifikasi MOM dengan bobot untuk kriteria vokal sebesar 50% dan bobot untuk kriteria wawancara sebesar 50% dengan prosentase kemiripan 91,045%.

Kata kunci: logika kabur mamdani, multi-attribute decision making, simple addi-

tive weighting, seleksi, penerimaan anggota baru paduan suara mahasiswa.

ix


ABSTRACT

New members audition for Cantus Firmus Student Choir of Sanata Dharma

University is annually held. There are two big steps in this audition; vocal section

and interview. The interviewers will test about: knowledge of Cantus Firmus Stu-

dent Choir, motivation, organization experiences, self-recognition and candidate

mental. There are about 300 candidates applying each year, but only 40 up to 60

candidates who will be accepted. It is because Cantus Firmus Student Choir doesn't

have enough space and coach to train all the applicants. They found some difficul-

ties in the audition, there are many aspects to be judged and limitation of the inter-

viewers. Furthermore, interview section scoring is difficult enough to be judged,

wether the candidate is judged as high or low category.

Selection system using fuzzy logic and multi-attribute decision making simple

additive weighting that was built is expected to solve the problems. Some steps in

Mamdani Fuzzy Logic are forming fuzzy sets, implication function application,

rules compotition, and deffuzyfication. Max method is used as rules compotition.

Deffuzyfication process applies three methods, SOM (Smallest of Maximum), MOM

(Mean of Maximum) and LOM (Largest of Maximum). Some steps in MADM-SAW

are forming decision matrix, matrix normalization, subjective weight defining and

preference counting. Final result of preference counting is accending-sorted.

Researcher analyzes the decision of the system by comparing the decision

with the real result of Cantus Firmus 2015 audition. The result of the analysis shows

that the best similarity is combination of SOM deffuzyfication and 50:50 weight of

vocal and interview. The similarity percentage is 91,045%.

Key words: logika kabur mamdani, multi-attribute decision making, simple addi-

tive weighting, seleksi, penerimaan anggota baru paduan suara mahasiswa.

x


KATA PENGANTAR

Di dalam nama Bapa, dan Putera dan Roh Kudus penulis mengucapkan puji

dan syukur karena telah diberikan kesempatan dan kekuatan yang luar biasa untuk

dapat menyelesaikan tugas akhir ini sesuai waktu yang telah ditentukan. Adalah

suatu perjuangan untuk dapat menyelesaikan skripsi ini di tengah kesibukan akan

tugas dan tanggung jawab yang lain.

Pada kesempatan ini pula penulis hendak mengucapkan terima kasih kepada

beberapa pihak:

1. Ibu Dr. Anastasia Rita Widiarti selaku Ketua Program Studi Teknik

Informatika dan juga dosen pengampu mata kuliah Metode Penelitian. Terima

kasih makian dan semangat yang tak pernah padam kepada kelas Metopen

Komputasi 2012.

2. Bapak Eko Hari Parmadi S. Si., M. Kom., selaku dosen pembimbing yang

telah memberikan masukan yang sangat berguna serta memberi pencerahan

bagi penulis.

3. Teman-teman jurusan komputasi angkatan 2012, terima kasih sudah sama-

sama berjuang, sama-sama diabaikan serta sama-sama bahu-membahu

menyelesaikan skripsi ini beriringan.

4. PSM Cantus Firmus, sekaligus keluarga kedua penulis, terima kasih atas

sekolah hidup yang telah diberikan, serta inspirasi atas segala hal dalam hidup

saya.

5. Teman-teman Teknik Informatika angkatan 2012, terima kasih karena kalian

masih menemani penulis berjuang bersama-sama hingga saat ini, meskipun

penulis jarang hadir di tengah-tengah kalian, mari kita selesaikan puncak

perjuangan yang tersisa ini.

6. Saudara-saudara dari anak bimbingan Pak Eko Hari, terutama Novi, dan juga

Tri terima kasih sudah saling membantu meskipun penulis lebih banyak

dibantu daripada membantu.

xi


7. Teman nongkrong, teman menggarap, teman menggossip, Yoga, Nita, Ajeng,

Arta, Tamara, Gety, Kris, Aditya, dan sepenggal kegalauan. Terima kasih atas

kegilaan, waktu lembur, rahasia dan rasa sakit yang boleh jadi semangat

untuk menyelesaikan skripsi ini.

8. Serta pihak-pihak lain yang tidak dapat penulis sebutkan satu persatu secara

langsung maupun tidak langsung telah membantu penulis dalam

menyelesaikan proposal tugas akhir ini.

Penulis menyadari bahwa skripsi ini masih jauh dari sempurna. Oleh sebab

itu, penulis memohon dengan penuh kerendahan hati akan segala kritik dan saran

serta masukan yang membangun demi kelengkapan skripsi ini. Semoga skripsi ini

bermanfaat bagi siapapun yang membaca.

Penulis,


xii


DAFTAR ISI

SELEKSI PENERIMAAN ANGGOTA BARU .............................................................. i

HALAMAN PERSETUJUAN ........................................................................................ iii

HALAMAN PENGESAHAN .......................................................................................... iv

HALAMAN MOTO .......................................................................................................... v

HALAMAN PERSEMBAHAN ...................................................................................... vi

PERNYATAAN KEASLIAN KARYA ......................................................................... vii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS ..................................................................... viii

ABSTRAK ........................................................................................................................ ix

ABSTRACT ...................................................................................................................... ix

KATA PENGANTAR ....................................................................................................... x

DAFTAR ISI................................................................................................................... xiii

DAFTAR GAMBAR ...................................................................................................... xvi

DAFTAR TABEL ........................................................................................................ xviii

BAB I PENDAHULUAN ................................................................................................. 1

1.1. Latar Belakang .................................................................................................... 1

1.2. Rumusan Masalah ............................................................................................... 3

1.3. Tujuan Penelitian ................................................................................................ 3

1.4. Batasan Masalah ................................................................................................. 4

1.5. Manfaat Penelitian .............................................................................................. 5

1.6. Sistematika Penulisan ......................................................................................... 6

BAB II LANDASAN TEORI .......................................................................................... 7

2.1. Logika Kabur ...................................................................................................... 7

2.1.1. Variabel Linguistik ............................................................................................. 7

2.1.2. Pengubah Linguistik ........................................................................................... 7

2.1.3. Proposisi Kabur ................................................................................................... 8

2.1.4. Implikasi Kabur .................................................................................................. 9

2.1.5. Penalaran Kabur ................................................................................................ 11

2.1.6. Sistem Inferensi Mamdani ................................................................................ 13

2.2. Sistem Pendukung Pengambilan Keputusan ..................................................... 16

2.2.1. Pengambilan Keputusan ............................................................................ 16

2.2.2. Definisi Sistem Pendukung Pengambilan Keputusan ............................... 17

xiii


2.3. Multi-Attribute Decision Making ..................................................................... 18

2.3.1. Multiple Criteria Decision making (MCDM) ........................................... 18

2.3.2. Metode Penyelesaian Masalah MADM dengan Simple Additvice Weighting (SAW) ..................................................................................................... 19

BAB III METODE PENELITIAN ............................................................................... 21

3.1. Gambaran Umum Penelitian ............................................................................. 21

3.2. Data ................................................................................................................... 21

3.2.1. Sumber Data .............................................................................................. 21

3.2.2. Teknik Pengumpulan Data ........................................................................ 22

3.2.3. Data yang Digunakan ................................................................................ 22

3.3. Spesifikasi Alat ................................................................................................. 22

3.4. Tahap Penelitian ................................................................................................ 23

3.4.1. Penelusuran Pustaka .................................................................................. 23

3.4.2. Analisis Sistem yang Serupa ..................................................................... 23

3.4.3. Prosedur Pengumpulan Data ..................................................................... 24

3.4.4. Perancangan dan Pembuatan Alat Uji ....................................................... 24

3.4.5. Prosedur Pengujian ................................................................................... 24

3.4.6. Analisis Hasil ............................................................................................ 26

3.4.7. Penulisan Laporan ..................................................................................... 26

3.5. Gambaran Rancangan Alat ............................................................................... 26

3.5.1. Diagram Dekomposisi ............................................................................... 26

3.5.2. Diagram Konteks ...................................................................................... 27

3.5.3. Diagram Arus Data(DAD) ........................................................................ 28

3.5.4. Diagram Use-Case .................................................................................... 29

3.5.5. Rancangan Basis Data ............................................................................... 30

3.5.6. Pengujian ................................................................................................... 34

BAB IV IMPLEMENTASI DAN ANALISIS HASIL ................................................ 46

4.1. Implementasi ..................................................................................................... 46

4.1.1. Implementasi Tampilan Antarmuka .......................................................... 46

4.1.1.1. Halaman Utama Sistem ......................................................................... 46

4.1.1.2. Daftar Audisi ......................................................................................... 46

4.1.1.3. Login ..................................................................................................... 47

4.1.1.4. Halaman Utama Setelah Login ............................................................. 47

4.1.1.5. Cari NIM ............................................................................................... 48

xiv


4.1.1.6. Input Nilai ............................................................................................. 48

4.1.1.7. Lihat Ranking ........................................................................................ 49

4.1.1.8. Tambah Aturan (Rule) .......................................................................... 50

4.1.1.9. Ubah Bobot Kriteria .............................................................................. 51

4.1.2. Implementasi Logika Kabur (Fuzzy Logic) ............................................... 52

4.1.2.1. Implementasi Perhitungan Alpha Predikat ............................................ 52

4.1.2.2. Implementasi Aturan Komposisi Max .................................................. 53

4.1.2.3. Implementasi Defuzzyfikasi SOM (Smallest of Maximum) .................. 54

4.1.2.4. Implementasi Defuzzyfikasi MOM (Mean of Maximum) ..................... 55

4.1.2.5. Implementasi Defuzzyfikasi LOM (Largest of Maximum) ................... 56

4.1.3. Implementasi Multi-Attribute Decision Making – SAW (Simple Additive

Weighting) ................................................................................................................. 57

4.1.3.1. Penentuan Nilai Max ............................................................................. 58

4.1.3.2. Simple Additive Weighting (SAW) ...................................................... 58

4.1.3.3. Perhitungan Preferensi .......................................................................... 59

4.2. Analisis Hasil .................................................................................................... 60

4.2.1. Analisis Aturan Komposisi Max dengan Defuzifikasi SOM ............................ 63

4.2.2. Analisis Aturan Komposisi Max dengan Defuzifikasi MOM ........................... 72

4.2.3. Analisis Aturan Komposisi Max dengan Defuzifikasi LOM ............................ 81

4.3. Analisis Hasil Keseluruhan ............................................................................... 91

BAB V KESIMPULAN DAN SARAN ......................................................................... 94

5.1. Kesimpulan ....................................................................................................... 94

5.2. Saran ................................................................................................................. 95

xv


DAFTAR GAMBAR

Gambar 3.1 Flowchart Proses Penelitian .......................................................................... 25

Gambar 3.2 Diagram Dekomposisi ................................................................................... 27

Gambar 3.3 Diagram Konteks .......................................................................................... 27

Gambar 3.4 Diagram Arus Data Level 1 .......................................................................... 28

Gambar 3.5 Diagram Arus Data Level 2.1 ....................................................................... 28

Gambar 3.6 Diagram Arus Data Level 2.2 ....................................................................... 29

Gambar 3.7 Use-Case Sistem PAB PSM CF USD ........................................................... 29

Gambar 3.8 Entity Relationship Diagram (ERD) ............................................................. 30

Gambar 3.9 Relational Table Model ................................................................................. 31

Gambar 3.10 Fungsi Keanggotaan Aspek Wawancara ..................................................... 35

Gambar 3.11 Fungsi Keanggotaan Catatan Negatif .......................................................... 36

Gambar 3.12 Fungsi Keanggotaan Skor Wawancara ....................................................... 37

Gambar 3.13 Daerah Hasil Komposisi ............................................................................. 41

Gambar 4.1 Halaman Utama ............................................................................................. 46

Gambar 4.2 Halaman Daftar Audisi ................................................................................. 47

Gambar 4.3 Halaman Login .............................................................................................. 47

Gambar 4.4 Halaman Utama Setelah Login ..................................................................... 48

Gambar 4.5 Halaman Cari NIM ........................................................................................ 48

Gambar 4.6 Halaman Input Nilai ...................................................................................... 49

Gambar 4.7 Halaman Ranking Calon Anggota ................................................................ 50

Gambar 4.8 Halaman Input Aturan (Rule) ........................................................................ 50

Gambar 4.9 Halaman Penentuan Bobot Kriteria .............................................................. 51

Gambar 4.10 Listing Kode Program Pencarian Alfa Predikat Variabel 1 ........................ 52

Gambar 4.11 Listing Kode Program Pencarian Alfa Predikat Variabel 2 ........................ 53

Gambar 4.12 Listing Kode Program Aplikasi Fungsi Implikasi MIN ............................. 53

Gambar 4.13 Listing Kode Program Penampungan Nilai Alfa Predikat ......................... 54

Gambar 4.14 Listing Kode Program Komposisi Antar Aturan (MAX) ............................ 54

Gambar 4.15 Listing Kode Program Deffuzifikasi SOM ................................................. 55

Gambar 4.16 Listing Kode Program Deffuzifikasi MOM ............................................... 56

Gambar 4.17 Listing Kode Program Deffuzifikasi LOM ................................................ 57

Gambar 4.18 Listing Kode Program Penentuan Nilai Max .............................................. 58

xvi


Gambar 4.19 Listing Kode Program SAW ....................................................................... 59

Gambar 4.20 Listing Kode Program Perhitungan Nilai Preferensi ................................... 59

Gambar 4.21 Diagram Prosentase Max-SOM (Sopran) ................................................... 65

Gambar 4.22 Diagram Prosentase Max-SOM (Alto) ........................................................ 67

Gambar 4.23 Diagram Prosentase Max-SOM (Tenor) ..................................................... 69

Gambar 4.24 Diagram Prosentase Max-SOM (Bass) ....................................................... 71

Gambar 4.25 Diagram Prosentase Max-SOM ................................................................. 71

Gambar 4.26 Diagram Prosentase Max-MOM (Sopran) .................................................. 75

Gambar 4.27 Diagram Prosentase Max-MOM (Alto) ...................................................... 77

Gambar 4.28 Diagram Prosentase Max-MOM (Tenor) .................................................... 79

Gambar 4.29 Diagram Prosentase Max-MOM (Bass) ...................................................... 81

Gambar 4.30 Diagram Prosentase Max-MOM ................................................................ 81

Gambar 4.31 Diagram Prosentase Max-LOM (Sopran) ................................................... 84

Gambar 4.32 Diagram Prosentase Max-LOM (Alto) ....................................................... 87

Gambar 4.33 Diagram Prosentase Max-LOM (Tenor) ..................................................... 89

Gambar 4.34 Diagram Prosentase Max-LOM (Bass) ....................................................... 90

Gambar 4.35 Diagram Prosentase Max-LOM ................................................................. 91

Gambar 4.36 Grafik Prosentase Hasil Keseluruhan .......................................................... 92

xvii


DAFTAR TABEL

Tabel 2.1 Tabel DSS versus EDP ....................................................................................... 7

Tabel 2.2 Perbedaan antara MADM dan MODM ............................................................. 19

Tabel 3.1 Tabel Penguji .................................................................................................... 31

Tabel 3.2 Tabel Calon Anggota ........................................................................................ 32

Tabel 3.3 Tabel Penguji Calon .......................................................................................... 33

Tabel 3.4 Tabel Nilai ........................................................................................................ 33

Tabel 3.5 Tabel Aturan ..................................................................................................... 34

Tabel 3.6 Tabel Contoh Input MADM ............................................................................. 42

Tabel 3.7 Tabel Hasil Akhir .............................................................................................. 44

Tabel 4.1 Tabel Daftar Peserta PAB PSM Cantus Firmus 2015 ....................................... 60

Tabel 4.2 Tabel Hasil Ranking Jenis Suara Sopran (SOM) .............................................. 63

Tabel 4.3 Tabel Perbandingan Data Asli dan Alat Uji (Sopran-SOM) ............................. 64

Tabel 4.4 Tabel Hasil Ranking Jenis Suara Alto (SOM) .................................................. 65

Tabel 4.5 Tabel Perbandingan Data Asli dan Alat Uji (Alto-SOM) ................................. 66

Tabel 4.6 Tabel Hasil Ranking Jenis Suara Tenor (SOM) ................................................ 68

Tabel 4.7 Tabel Perbandingan Data Asli dan Alat Uji (Tenor-SOM) .............................. 68

Tabel 4.8 Tabel Hasil Ranking Jenis Suara Bass (SOM).................................................. 70

Tabel 4.9 Tabel Perbandingan Data Asli dan Alat Uji (Bass-SOM) ................................ 70

Tabel 4.10 Tabel Hasil Ranking Jenis Suara Sopran (MOM) .......................................... 72

Tabel 4.11 Tabel Perbandingan Data Asli dan Alat Uji (Sopran-MOM) ......................... 73

Tabel 4.12 Tabel Hasil Ranking Jenis Suara Alto (MOM) ............................................... 75

Tabel 4.13 Tabel Perbandingan Data Asli dan Alat Uji (Alto-MOM).............................. 76

Tabel 4.14 Tabel Hasil Ranking Jenis Suara Tenor (MOM) ............................................ 77

Tabel 4.15 Tabel Perbandingan Data Asli dan Alat Uji (Tenor-MOM) ........................... 78

Tabel 4.16 Tabel Hasil Ranking Jenis Suara Bass (MOM) .............................................. 79

Tabel 4.17 Tabel Perbandingan Data Asli dan Alat Uji (Bass-MOM) ............................. 80

Tabel 4.18 Tabel Hasil Ranking Jenis Suara Sopran (LOM) ............................................ 81

Tabel 4.19 Tabel Perbandingan Data Asli dan Alat Uji (Sopran-LOM) .......................... 82

Tabel 4.20 Tabel Hasil Ranking Jenis Suara Alto (LOM) ................................................ 85

Tabel 4.21Tabel Perbandingan Data Asli dan Alat Uji (Alto-LOM) ................................ 85

Tabel 4.22 Tabel Hasil Ranking Jenis Suara Tenor (LOM) ............................................. 87

xviii


Tabel 4.23 Tabel Perbandingan Data Asli dan Alat Uji (Tenor-LOM) ............................ 88

Tabel 4.24 Tabel Hasil Ranking Jenis Suara Bass (LOM) ............................................... 89

Tabel 4.25 Tabel Perbandingan Data Asli dan Alat Uji (Bass-LOM) .............................. 90

Tabel 4.26 Tabel Prosentase Hasil Keseluruhan ............................................................... 91

Tabel 4.27 Tabel Perbandingan Bobot dan Metode Deffuzifikasi .................................... 93

xix


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Universitas Sanata Dharma adalah salah satu universitas swasta yang

memiliki motto cerdas dan humanis. Untuk menjadikan mahasiswa lulusan

Universitas Sanata Dharma menjadi pribadi yang cerdas dan humanis, setiap

mahasiswa harus memiliki minimal sepuluh poin keaktifan mahasiswa tidak

hanya di bidang akademis tetapi juga non akademis. Salah satu poin yang

bisa didapatkan oleh mahasiswa adalah dengan menjadi anggota unit

kegiatan mahasiswa(UKM).

Salah satu unit kegiatan mahasiswa yang terbesar di Universitas Sanata

Dharma adalah UKM Paduan Suara Mahasiswa atau lebih dikenal dengan

nama UKM PSM Cantus Firmus. Nama UKM PSM Cantus Firmus sendiri

baru dicetuskan pada tahun 1993 setelah sebelumnya berdiri dengan nama

Paduan Suara Driyarkara. PSM Cantus Firmus rutin mengisi acara saat

Wisuda Universitas Sanata Dharma, mengadakan konser besar dan

mengikuti lomba-lomba.

Universitas Sanata Dharma setiap tahun menerima kurang lebih 3000

mahasiswa baru. Minat mahasiswa terhadap bidang tarik suara ataupun

perfoma musik cukup besar. Tentu saja PSM Cantus Firmus tidak mampu

mengakomodasi seluruh peminat paduan suara, melihat banyaknya

pendaftar setiap tahunnya kurang lebih 200-300 orang. Untuk menjadi

anggota PSM Cantus Firmus membutuhkan seleksi yang meliputi beberapa

tahap.

Penerimaan calon anggota baru(PAB) UKM Paduan Suara Mahasiswa

merupakan salah satu momen yang ditunggu-tunggu bagi para peminat

dunia tarik suara yang haus akan panggung hiburan. PSM Cantus Firmus

setiap tahunnya hanya menerima 40-50 orang anggota baru. Hal tersebut


2

dilakukan karena terbatasnya tempat serta tenaga kerja yang melatih dan

mendampingi para penyanyi.

Banyaknya pendaftar membuat panitia penerimaan anggota baru PSM

Cantus Firmus membutuhkan waktu yang cukup lama untuk mengadakan

rapat penentuan anggota baru. Ada dua tahap besar yang harus dilalui oleh

calon anggota baru yang pertama yaitu seleksi musikalitas/vokalitas dan

yang kedua adalah seleksi wawancara yang dilaksanakan dalam dua tahap.

Seleksi musikalitas/vokalitas dibagi menjadi empat bagian yakni seleksi

notasi, ketukan, solfeggio dan tes rentang suara. Sedangkan seleksi

wawancara dibagi menjadi lima bagian besar yakni pengetahuan tentang

PSM Cantus Firmus, Motivasi, Pengalaman Berorganisasi, Pengenalan Diri

dan Mental yang baik. Setiap poin dalam seleksi wawancara memiliki sub-

cakupan.

Tentu saja tidak semua kriteria tentu mampu dipenuhi calon anggota

PSM Cantus Firmus. Yang menjadi ketakutan para panitia penerimaan

anggota baru PSM Cantus Firmus adalah salah dalam menerima anggota

baru. Muncul ide untuk membantu proses seleksi calon anggota baru PSM

Cantus Firmus sehingga lebih cepat.

Dengan membuat aplikasi atau sistem pendukung pengambilan

keputusan maka masalah yang dihadapi PSM Cantus Firmus diharapkan

dapat dibantu pemecahannya. Menurut Deni, (2008:112) logika kabur

sangat membantu mengatasi kondisi ketidaktegasan dan kekakuan kriteria.

Salah satu algoritma yang dapat digunakan untuk mengambil keputusan

adalah algoritma logika kabur (Fuzzy Logic).

Sistem pendukung keputusan seleksi anggota paduan suara sebenarnya

sudah pernah dikerjakan oleh Jayanti dan Hartati (2012). Dalam

penelitiannya, Jayanti dan Hartati menggunakan penalaran Logika Kabur

Mamdani. Variabel dibagi menjadi dua besar, yakni kelompok kriteria

umum dan kriteria teknik vokal. Kelompok kriteria umum terdiri dari tiga

variable yakni Usia, Pengalaman dan Kedisiplinan. Sedangkan kriteria

teknik vokal terdiri dari Artikulasi, Intonasi dan Ambitus suara. Aplikasi


3

fungsi implikasi dilakukan dua kali, masing-masing untuk kriteria umum

dan teknik vokal. Variabel Pembatas dibuat sebagai konsekuensi atas

antiseden-antiseden pada aplikasi fungsi implikasi. Komposisi antar aturan

yang digunakan adalah MAX dan metode penegasan yang digunakan adalah

metode centroid. Hasil akhir yang didapat adalah sebuh keputusan diterima

atau tidak seseorang dalam paduan suara tersebut.

Pada studi kasus ini, variabel penelitian dibagi menjadi dua kelompok

besar yakni, kelompok wawancara dan vokal. Peneliti melakukan penerapan

logika kabur hanya pada kelompok wawancara saja, yakni antara variabel

aspek-aspek wawancara (pengetahuan tentang PSM, Motivasi, Pengalaman

Berorganisasi, Pengenalan Diri dan Mental) dengan variabel catatan negatif

penguji. Hal tersebut dilakukan untuk mendapatkan skor akhir sebagai hasil

proses penegasan.

Selanjutnya, untuk mendapatkan calon anggota terbaik, peneliti

menggunakan Multi Attribute Decision Making. Sebagai kriteria adalah skor

Wawancara (hasil perhitungan menggunakan Logika Kabur) dan skor

Vokal.

1.2. Rumusan Masalah

1. Apakah keputusan yang dihasilkan oleh algoritma logika kabur sesuai

dengan keputusan yang diambil oleh panitia PAB PSM Cantus Firmus?

2. Apakah Logika Kabur dan Multi Attribute Decision Making dapat

diterapkan dalam kasus penerimaan anggota baru paduan suara

mahasiswa?

1.3. Tujuan Penelitian

1. Mengetahui apakah logika kabur dan Multi Attribute Decision Making

dapat memberikan keputusan sesuai dengan keputusan yang diambil

oleh panitia PAB PSM.


4

2. Mengetahui apakah logika kabur dan Multi Attribute Decision Making

dapat diterapkan dalam kasus penerimaan anggota baru paduan suara

mahasiswa Cantus Firmus.

1.4. Batasan Masalah

Sesuai dengan rumusan masalah yang telah dituliskan di atas, masalah

yang dibatasi berupa:

1) Sistem inferensi yang digunakan adalah sistem inferensi Mamdani.

2) Sistem implikasi kabur yang digunakan adalah MIN.

3) Data yang akan diuji adalah data penerimaan anggota baru paduan suara

mahasiswa Cantus Firmus angkatan 2015.

4) Kriteria yang akan digunakan menjadi variabel(Logika Kabur) adalah

aspek-aspek pada tahap seleksi wawancara (pengetahuan tentang PSM,

motivasi, pengalaman berorganisasi, pengenalan diri dan mental) dan

catatan negatif penguji.


5

1.5. Manfaat Penelitian

Manfaat dengan ditulisnya penelitian ini dapat dilihat dalam 3 sudut

pandang, yakni

1.5.1. Bagi Peneliti

Penelitian ini berguna untuk melatih peneliti menerjemahkan bahasa

manusia ke dalam bahasa pemrograman, sesuai dengan algoritma logika

kabur. Peneliti juga akan mengetahui lebih dalam mengenai algoritma

logika kabur, dan jika memungkinkan dapat menerapkan logika kabur

untuk bidang kehidupan yang lain.

1.5.2. Bagi Pembaca

Pembaca dapat mengetahui salah satu penerapan dari ilmu logika

kabur dalam kehidupan sehari-hari. Selain itu, pembaca dapat mengetahui

seberapa mirip keputusan yang diambil menggunakan logika kabur dengan

yang diambil manusia.

1.5.3. Bagi PSM Cantus Firmus

Jika SPK yang dibuat benar-benar berhasil, PSM Cantus Firmus

akan dapat bekerja dengan lebih produktif. Terutama dalam mengambil

keputusan, tidak perlu mengadakan rapat penentuan anggota baru yang

memakan banyak waktu dan tenaga.

1.5.4. Bagi peneliti selanjutnya

Penelitian ini dapat membantu peneliti selanjutnya yang akan

menggunakan algoritma logika kabur untuk studi lebih lanjut. Terutama

akurasi logika kabur dalam penerapannya untuk mengambil keputusan.


6

1.6. Sistematika Penulisan

BAB I. Pendahuluan

Bab ini berisi latar belakang, rumusan masalah, tujuan, batasan

masalah, manfaat penelitian dan sistematika penulisan.

BAB II. Landasan Teori

Bab ini akan menjelaskan mengenai teori yang berkaitan dengan

judul/masalah di tugas akhir. Penjelasan tersebut yakni mengenai sistem

pengambilan keputusan, Logika Kabur (Fuzzy Logic) dan juga Multi-

Attribute Decision Making (MADM) Simple Additive Weighting (SAW).

BAB III. Metode Penelitian

Bab ini akan menjelaskan gambaran umum teknis persoalan

penelitian, data yang akan diolah dalam penelitian, alat yang akan

dipergunakan dalam proses penelitian, keterangan rinci tahap-tahap

penelitian, dan gambaran rancangan alat yang akan dibangun.

BAB IV. Implementasi dan Analisis Hasil

Bab ini berisi hasil implementasi rancangan sistem terdiri dari

potongan gambar antar muka, potongan kode program dan juga analisis

hasil penelitian.

BAB V. Kesimpulan dan Saran

Bab ini akan berisi kesimpulan umum dari hasil analisi dan juga

saran bagi pengembang sistem seleksi selanjutnya.


7

BAB II

LANDASAN TEORI

2.1. Logika Kabur

2.1.1. Variabel Linguistik

Menurut Frans Susilo, SJ (2006), suatu variabel adalah suatu lambang

atau kata yang menunjuk kepada sesuatu yang tidak tertentu dalam semesta

wacananya. Misalnya dalam kalimat: “Mahasiswa itu lulus dengan pujian”,

kata “mahasiswa” adalah suatu variabel karena menunjuk kepada orang

yang tidak tertentu dalam semesta wacananya yaitu himpunan manusia.

Demikian pula dalam proposisi: “x habis dibagi 2”, lambang “x” adalah

suatu variabel dengan semesta wacana himpunan bilangan-bilangan. Suatu

variabel dapat diganti oleh unsur-unsur dalam semesta wacananya, misalnya

variabel “mahasiswa” dapat diganti dengan “Anton”, dan variabel “x” dapat

diganti dengan bilangan 4. Kata “Anton” dan lambang “4” menunjuk pada

unsur yang tertentu pada masing-masing semesta wacananya, dan disebut

konstanta.

Kalau semesta wacananya adalah himpunan bilangan-bilangan, maka

variabelnya disebut variabel numeris; sedangkan kalau semesta wacananya

adalah himpunan kata-kata atau istilah-istilah dari bahasa sehari-hari

(misalnya: tinggi, cepat, muda, dst), maka variabelnya disebut variabel

linguistik. (Susilo, 2006)

2.1.2. Pengubah Linguistik

Menurut Frans Susilo, SJ, (2006) dalam bukunya “Himpunan dan

Logika Kabur serta aplikasinya”, Pengubah linguistik (linguistic

hedge/modifier) adalah suatu kata yang dipergunakan untuk mengubah

suatu kata/istilah menjadi kata/istilah yang baru dengan makna yang baru

pula. Dua pengubah linguistik yang paling sering dipakai adalah “sangat”

dan “agak”.


8

Jika suatu istilah A dikaitkan dengan himpunan kabur Ã dalam

semesta X, maka istilah “sangat A” dikaitkan dengan himpunan kabur

konsentrasi dari Ã, dengan lambang Kon(Ã) dan fungsi keanggotaan

𝜇𝐾𝑜𝑛(Ã)(𝑥) = (𝜇Ã(𝑥))2 ……………….......(2.1)

untuk setiap 𝑥 ∈ 𝑋, sedangkan istilah “agak A” dikaitkan dengan

himpunan kabur dilasi dari Ã, dengan lambang Dil(Ã) dan fungsi

keanggotaan

𝜇𝐷𝑖𝑙(Ã)(𝑥) = (𝜇Ã(𝑥))1

2 ………………....... (2.2)

untuk setiap 𝑥 ∈ 𝑋.

2.1.3. Proposisi Kabur

Proposisi kabur adalah kalimat yang memuat predikat kabur, yaitu

predikat yang dapat direpresentasikan dengan suatu himpunan kabur.

Proposisi kabur yang mempunyai nilai kebenaran tertentu disebut

pernyataan kabur. Nilai kebenaran dari suatu pernyataan kabur disajikan

dengan suatu bilangan real dalam selang [0,1]. Nilai kebenaran itu juga

disebut derajat kebenaran dari pernyataan kabur itu. Bentuk umum dari

suatu proposisi kabur adalah

x adalah A

di mana x adalah suatu variabel linguistik dan predikat A adalah suatu

nilai linguistik dari x. Bila Ã adalah himpunan kabur yang dikaitkan dengan

nilai linguistik A dan 𝑥° adalah suatu elemen tertentu dalam semesta X dari

himpunan kabur Ã, maka 𝑥° mempuyai derajat keanggotaan 𝜇 Ã(𝑥°) dalam

himpunan kabur Ã. Derajat kebenaran dari pernyataan kabur

𝑥° adalah A

didefinisikan sama dengan derajat keanggotaan 𝑥° dalam himpunan

kabur Ã, yaitu 𝜇 Ã(𝑥°).


9

Seperti halnya dengan proposisi yang tegas, kita juga dapat

membentuk proposisi kabur majemuk dari proposisi-proposisi kabur

tunggal, dengan menggunakan operator-operator logika. Beberapa contoh

proposisi kabur majemuk misalnya:

Orang itu kaya dan rumahnya besar

Sekolah itu mahal atau kemampuan finansial orang tua siswanya

rendah

Bila prestasi studi tinggi, maka peluang memperoleh beasiswa juga

tinggi

Udara dingin bila dan hanya bila suhunya rendah

Secara umum terdapat empat macam proposisi kabur majemuk

dengan operator logika biner, yaitu:

Konjungsi kabur : x adalah A dan y adalah B

Disjungsi kabur : x adalah A atau y adalah B

Implikasi kabur : Bila x adalah A, maka y adalah B

Ekivalensi kabur : x adalah A bila dan hanya bila y adalah B

Perhatikan bahwa variabel-variabel linguistik dalam proposisi-

proposisi tunggal penyusunnya tidak harus sama (yaitu tidak harus dalam

semesta numeris yang sama).

Proposisi kabur majemuk yang paling sering dipakai dalam aplikasi

teori kabur adalah implikasi kabur, yang akan dibahas dalam subbab berikut.

2.1.4. Implikasi Kabur

Bentuk umum suatu implikasi kabur adalah


10

Bila x adalah A, maka y adalah B

di mana A dan B adalah predikat-predikat kabur yang dikaitkan dengan

himpunan-himpunan kabur Ã dan �̃� dalam semesta X dan Y berturut-turut.

Seperti halnya dengan konjungsi dan disjungsi kabur, implikasi kabur juga

dapat dipandang sebagai suatu relasi kabur dalam 𝑋 × 𝑌, yang akan

dilambangkan dengan →.

Dalam logika dwinilai, telah diketahui bahwa implikasi tegas 𝑝 ⟹ 𝑞

adalah ekivalen dengan ¬𝑝 ∨ 𝑞. Berdasarkan ekivalensi tersebut, dengan

mengganti proposisi p dan q berturut-turut dengan proposisi kabur “x adalah

A” dan “y adalah B”, implikasi kabur tersebut di atas dapat diinterpretasikan

sebagai relasi kabur → dalam 𝑋 × 𝑌 dengan fungsi keanggotaan

𝜇→(𝑥, 𝑦) = 𝑠 (𝑘(𝜇�̃�(𝑥)), 𝜇�̃�(𝑦))…………….. (2.3)

di mana s adalah suatu norma-s dan nk adalah suatu komplemen kabur. Bila

sebagai norma-s dan komplemen kabur diambil operasi-operasi gabungan

dan komplemen baku, maka diperoleh

𝜇→(𝑥, 𝑦) = 𝑚𝑎𝑥(1 − 𝜇�̃�(𝑥), 𝜇�̃�(𝑦))…………… (2.4)

yang seringkali disebut implikasi Dienes-Rescher.

Karena implikasi tegas 𝑝 ⟹ 𝑞 juga ekivalen dengan (𝑝 ∧ 𝑞) ∨ ¬𝑝,

maka implikasi kabur di atas juga dapat diinterpretasikan sebagai relasi

kabur → dalam 𝑋 × 𝑌 dengan fungsi keanggotaan

𝜇→(𝑥, 𝑦) = 𝑠 (𝑡(𝜇�̃�(𝑥), 𝜇�̃�(𝑦)), 𝑘(𝜇�̃�(𝑦)))……....... (2.5)

di mana s adalah suatu norma-s, t adalah suatu norma-t, dan k adalah suatu

komplemen kabur. Bila sebagai norma-s, norma-t, dan komplemen kabur

diambil operasi-operasi gabungan, irisan, dan komplemen baku, maka

diperoleh


11

𝜇→(𝑥, 𝑦) = 𝑚𝑎𝑥 (𝑚𝑖𝑛(𝜇�̃�(𝑥), 𝜇�̃�(𝑦)), 1 − 𝜇�̃�(𝑦))…… (2.6)

yang seringkali disebut implikasi Zadeh.

Dalam literatur masih banyak interpretasi lainnya untuk implikasi

kabur. Salah satu implikasi kabur yang paling sering digunakan dalam

aplikasi sistem kabur adalah implikasi Mamdani. Implikasi ini didasarkan

pada asumsi bahwa implikasi kabur pada dasarnya bersifat lokal, dalam arti

bahwa implikasi

Bila x adalah A, maka y adalah B

hanya berbicara mengenai keadaan di mana x adalah A dan y adalah B saja,

tidak mengenai keadaan lainnya di luar itu. Berdasarkan asumsi tersebut,

implikasi kabur dapat dipandang sebagai suatu konjungsi kabur, sehingga

diperoleh

𝜇→(𝑥, 𝑦) = 𝑡(𝜇�̃�(𝑥), 𝜇�̃�(𝑦))……………… (2.7)

yang disebut implikasi Mamdani. Bila sebagai norma-t diambil operasi baku

“min”, maka diperoleh

𝜇→𝑚𝑚(𝑥, 𝑦) = 𝑚𝑖𝑛(𝜇�̃�(𝑥), 𝜇�̃�(𝑦))………….. (2.8)

Implikasi kabur dapat diperluas menjadi implikasi dengan bentuk

umum:

Jika <PK1>, maka <PK2>

di mana PK1 dan PK2 berturut-turut adalah proposisi kabur dalam semesta 𝑋1 × 𝑋2 ×… × 𝑋𝑛 dan 𝑌1 × 𝑌2 ×… × 𝑌𝑛.

2.1.5. Penalaran Kabur

Penalaran kabur (fuzzy reasoning), yang seringkali juga disebut

penalaran hampiran (approximate reasoning), adalah suatu cara penarikan


12

kesimpulan berdasarkan seperangkat implikasi kabur dan suatu fakta yang

diketahui (yang sering kali disebut premis). Penalaran (penarikan

kesimpulan) dalam logika klasik didasarkan pada tautologi-tautologi, yaitu

proposisi-proposisi yang selalu benar, tanpa tergantung pada nilai

kebenaran proposisi-proposisi penyusunnya. Salah satu aturan penalaran

yang paling sering dipergunakan ialah modus ponens, yang didasarkan pada

tautologi:

((𝑝 ⇒ 𝑞) ∧ 𝑝) ⇒ 𝑞 …………………....... (2.9)

Bentuk umum penalaran modus ponens adalah sebagai berikut:

1. Bila x adalah A, maka y adalah B (Premis 1 / Kaidah)

2. x adalah A (Premis 2 / Fakta)

__________________________________________________

3. ∴ y adalah B (Kesimpulan)

Perhatikan bahwa penarikan kesimpulan di atas terdari dari:

1. Sebuah proposisi majemuk berbentuk implikasi, yang merupakan suatu

kaidah/aturan yang berlaku (premis 1).

2. Sebuah proposisi tunggal sebagai fakta yang diketahui (premis 2).

3. Kesimpulan, yang ditarik berdasarkan kedua proposisi (premis)

tersebut.

Aturan penalaran tegas ini dapat dirampatkan menjadi aturan kabur

dengan premis dan kesimpulannya adalah proposisi-proposisi kabur. Kita

perhatikan suatu contoh penalaran kabur berikut ini:

Premis 1 : Bila pakaian kotor, maka pencuciannya lama

Premis 2 : Pakaian agak kotor

Kesimpulan : Pencuciannya agak lama


13

Penalaran tersebut dapat dirumuskan secara umum dengan skema

sebagai berikut:

Premis 1 (Kaidah) : Bila x adalah A, maka y adalah B

Premis 2 (Fakta) : x adalah A`

Kesimpulan : y adalah B`

Penalaran kabur dengan skema seperti di atas itu disebut modus ponens

rampat (generalized modus ponens).

Dalam modus ponens rampat kaidah inferensi komposisional

diterapkan sebagai berikut:

Premis 1 : Bila x adalah A, maka y adalah B

(yang merupakan relasi/implikasi kabur → di 𝑋 × 𝑌)

Premis 2 : x adalah A`

(yang dapat direpresentasikan dengan himpunan kabur

𝐴`̃dalam X)

Kesimpulan : y adalah B`

diperoleh dengan menentukan himpunan kabur �̃� = 𝐴′̃° → dalam Y

dengan fungsi keanggotaan 𝜇�̃�`(𝑦) =𝑠𝑢𝑝𝑥∈𝑋

𝑡(𝜇�̃�`(𝑥), 𝜇→(𝑥, 𝑦)) di mana t

adalah suatu norma-t.

2.1.6. Sistem Inferensi Mamdani

Menurut Kusumadewi (2004), Metode Mamdani sering dikenal

sebagai Metode Max-Min. Metode ini diperkenalkan oleh Ebrahim

Mamdani pada tahun 1975. Untuk mendapatkan output, diperlukan 4

tahapan:

1. Pembentukan himpunan kabur


14

Pada Metode Mamdani, baik variabel input maupun variabel output

dibagi menjadi satu atau lebih himpunan fuzzy.

2. Aplikasi fungsi implikasi (aturan)

Pada Metode Mamdani, fungsi implikasi yang digunakan adalah Min.

3. Komposisi aturan

Tidak seperti penalaran monoton, apabila sistem terdiri dari beberapa

aturan, maka inferensi diperoleh dari kumpulan dan korelasi antar

aturan. Ada 3 metode yang digunakan dalam melakukan inferensi

sistem fuzzy, yaitu: max, additive dan probalistik OR (probor).

a. Metode Max(Maximum)

Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara

mengambil nilai maksimum aturan, kemudian menggunakannya

untuk memodifikasi daerah fuzzy, dan mengaplikasikannya ke

output dengan menggunakan operator OR (union). Jika semua

proposisi telah dievaluasi, maka output akan berisi suatu himpunan

fuzzy yang merefleksikan kontribusi dari tiap-tiap proposisi.

Secara umum dapat dituliskan:

𝜇𝑠𝑓[𝑥𝑖] = 𝑚𝑎𝑥(𝜇𝑠𝑓[𝑥𝑖], 𝜇𝑘𝑓[𝑥𝑖]) ………. (2.10)

dengan:

𝜇𝑠𝑓[𝑥𝑖] = nilai keanggotaan solusi fuzzy sampai aturan ke-i

𝜇𝑘𝑓[𝑥𝑖] = nilai keanggotaan konsekuensi fuzzy aturan ke-i

Misalkan ada 3 aturan (proposisi) sebagai berikut:

[R1] IF biaya Produksi RENDAH And Permintaan NAIK THEN

Produksi Barang BERTAMBAH;

[R2] IF biaya Produksi STANDAR And Permintaan NAIK THEN

Produksi Barang NORMAL;

[R3] IF biaya Produksi TINGGI And Permintaan NAIK THEN

Produksi Barang BERKURANG;

Metode Mamdani menggunakan metode frase untuk komposisi

aturan.


15

b. Metode Additive (Sum)


melakukan bounded-sum terhadap semua output daerah fuzzy.

Secara umum dituliskan:

𝜇𝑠𝑓[𝑥𝑖] = min (1, 𝜇𝑠𝑓[𝑥𝑖] + 𝜇𝑘𝑓[𝑥𝑖])……..(2.11)

dengan:


𝜇𝑘𝑓[𝑥𝑖] = nilai keanggotan konsekuen fuzzy aturan ke-i;

c. Metode Probabilistik OR (Probor)


melakukan product terhadap semua output daerah fuzzy. Secara

umum dituliskan:

𝜇𝑠𝑓[𝑥𝑖] = (𝜇𝑠𝑓[𝑥𝑖] + 𝜇𝑘𝑓[𝑥𝑖]) − (𝜇𝑠𝑓[𝑥𝑖] ∗ 𝜇𝑘𝑓[𝑥𝑖]) …(2.12)

dengan:


𝜇𝑘𝑓[𝑥𝑖] = nilai keanggotan konsekuen fuzzy aturan ke-i;

4. Penegasan (defuzzy)

Input dari proses defuzzy adalah suatu himpunan fuzzy yang

diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output yang

dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy

dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu

sebagai output. Ada beberapa metode defuzzy yang bisa dipakai pada

komposisi aturan MAMDANI, antara lain:

a. Metode Centroid

Pada metode ini, solusi crisp diperoleh dengan cara mengambil

titik pusat (z*) daerah fuzzy. Secara umum dirumuskan:

𝑧∗ =∫ 𝑧𝜇(𝑧)𝑑𝑧𝑧

∫ 𝜇(𝑧)𝑑𝑧𝑧

untuk variabel kotinu, atau

𝑧∗ =∑ 𝑧𝑗𝜇(𝑧𝑗)𝑛𝑗=1

∑ 𝜇(𝑧𝑗)𝑛𝑗=1

untuk variabel diskret………(2.13)


16

b. Metode Bisektor


nilai pada domain fuzzy yang memiliki nilai keanggotaan setengah

dari jumlah total nilai keanggotaan pada daerah fuzzy. Secara

umum dituliskan:

zp sedemikian hingga ∫ 𝜇(𝑧)𝑑𝑧 = ∫ 𝜇(𝑧)ℜ𝑛

𝑝

𝑝

ℜ1𝑑𝑧 ... (2.14)

c. Metode Mean of Maximum(MOM)


nilai rata-rata domain yang memiliki nilai keanggotaan maksimum.

d. Metode Largest of Maximum(LOM)


nilai terbesar dari domain yang memiliki nilai keanggotaan

maksimum.

e. Metode Smallest of Maximum (SOM)


nilai terkecil dari domain yang memiliki nilai keanggotaan

maksimum.

2.2. Sistem Pendukung Pengambilan Keputusan

Sistem Pendukung Pengambilan Keputusan (SPPK) merupakan

istilah dalam bahasa Indonesia dari Decision Support Systems (DSS).

2.2.1. Pengambilan Keputusan

Pengambilan keputusan adalah sebuah proses memilih tindakan (di

antara berbagai alternatif) untuk mencapai suatu tujuan atau beberapa

tujuan. Menurut Simon (1997), pengambilan keputusan manajerial sinonim

dengan proses keseluruhan dari manajemen. Perhatikan pentingnya fungsi

manajerial dalam hal perencanaan. Perencanaan meliputi satu seri

keputusan: Apa yang harus dilakukan? Kapan? Di mana? Mengapa?

Bagaimana? Oleh siapa? Manajer menentukan tujuan, atau rencana; karena

itu, perencanaan mengimplikasikan pengambilan keputusan. Fungsi-fungsi


17

manajerial lainnya, seperti pengaturan dan kontrol, juga melibatkan

pengambilan keputusan.

2.2.2. Definisi Sistem Pendukung Pengambilan Keputusan

Little (1970) mendefinisikan DSS sebagai “sekumpulan prosedur

berbasis model untuk data pemrosesan dan penilaian guna membantu para

manajer mengambil keputusan.” Dia menyatakan bahwa untuk suskes,

sistem tersebut haruslah sederhana, cepat, mudah dikontrol, adaptif, lengkap

dengan isu-isu penting, dan mudah berkomunikasi.

Alter (1980) mendefinisikan DSS dengan membandingkannya dengan

sistem EDP (Electronic Data Processing) tradisional pada lima dimensi,

seperti ditunjukkan pada Tabel 2.1

Tabel 2.1 DSS versus EDP

Dimensi DSS EDP

Penggunaan Aktif Pasif

Pengguna Lini manajemen dan staf Klerikal

Tujuan Keefektifan Efisiensi mekanis

Horison Waktu Masa sekarang dan akan datang Masa lalu

Tujuan Fleksibilitas Konsistensi

Moore dan Chang (1980) berpendapat bahwa konsep struktur, seperti

banyak disinggung pada definisi awal DSS (bahwa DSS dapat menangani

situasu semiterstruktur dan tidak terstruktur), secara umum tidaklah penting;

sebuah masalah dapat dijelaskan sebagai masalah terstruktur dan tidak

terstruktur hanya dengan memerhatikan si pengambil keputusan atau suatu

situasi spesifik (yakni keputusan terstruktur adalah terstruktur karena kita

memilih untuk memperlakukannya dengan cara seperti itu). Jadi, mereka


18

mendefinisikan DSS sebagai sistem yang dapat diperluas untuk mampu

mendukung analisis dan ad hoc dan pemodelan keputusan, berorientasi

terhadap perencanaan masa depan, dan digunakan pada interval yang tidak

reguler dan tak terencana.

Bonczek, dkk., (1980) mendefinisikan DSS sebagai sistem berbasis

komputer yang terdiri dari tiga komponen yang saling berinteraksi: sistem

bahasa (mekanisme untuk memberikan komunikasi antara pengguna dan

komponen DSS lain), sistem pengetahuan (repositori pengetahuan domain

masalah yang ada pada DSS entah sebagai data atau sebagai prosedur), dan

sistem pemrosesan masalah (hubungan antara dua komponen lainnya, terdiri

dari satu atau lebih kapabilitas manipulasi masalah umum yang diperlukan

untuk pengambilan keputusan). Konsep-konsep yang diberikan oleh definisi

tersebut sangat penting untuk memahami hubungan antara DSS dan

pengetahuan.

Keen (1980) menerapkan istilah DSS “untuk situasi di mana sistem

‘final’ dapat dikembangkan hanya melalui suatu proses pembelajaran dan

evolusi yang adaptif.” Jadi, ia mendefinisikan DSS sebagai suatu produk

dari proses pengembangan di mana pengguna DSS, pembangun DSS, dan

DSS itu sendiri mempu memengaruhi satu dengan yang lainnya, dan

menghasilkan evolusi sistem dan pola-pola penggunaan.

2.3. Multi-Attribute Decision Making

2.3.1. Multiple Criteria Decision making (MCDM)

Menurut Kusumadewi, dkk (2004) Multiple Criteria Decision Making

(MCDM) adalah suatu metode pengambilan keputusan untuk menetapkan

alternatif terbaik dari sejumlah alternatif berdasarkan beberapa kriteria

tertentu. Kriteria biasanya berupa ukuran-ukuran, aturan-aturan atau

standar yang digunakan dalam pengambilan keputusan. Berdasarkan

tujuannya, MCDM dapat dibagi menjadi 2 model (Zimmermann, 1991):

Multi Attribute Decision Making (MADM); dan Multi Objective Decision

Making (MODM). Seringkali MCDM dan MADM digunakan untuk


19

menerangkan kelas atau kategori yang sama. MADM digunakan untuk

menyelesaikan masalah-masalah dalam ruang diskret. Oleh karena itu,

pada MADM biasanya digunakan untuk melakukan penilaian atau seleksi

terhadap beberapa alternatif dalam jumlah yang terbatas. Sedangkan

MODM digunakan untuk menyelesaikan masalah-masalah pada ruang

kontinyu (seperti permasalahan pada pemrograman matematis). Secara

umum dapat dikatakan bahwa, MADM menyelesaikan alternatif terbaik

dari sejumlah alternatif, sedangkan MODM merancang altenatif terbaik.

Perbedaan mendasar terlihat pada Tabel 2.2 (Yoon, 1981).

Tabel 2.2 Perbedaan antara MADM dan MODM.

Dimensi MADM MODM

Kriteria (didefinisikan oleh) Atribut Tujuan

Tujuan Implisit Eksplisit

Atribut Eksplisit Implisit

Alternatif Diskret, dalam

jumlah terbatas

Kontinu, dalam

jumlah tak terbatas

Kegunaan Seleksi Desain

2.3.2. Metode Penyelesaian Masalah MADM dengan Simple Additvice

Weighting (SAW)

Metode SAW sering juga dikenal istilah metode penjumlahan

terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot

dari rating kinerja pada setiap alternatif pada semua atribut (Fishburn, 1976)

(MacCrimmon, 1968). Metode SAW membutuhkan proses normalisasi

matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan

semua rating alternatif yang ada.


20

𝑟𝑖𝑗 = {

𝑥𝑖𝑗𝑀𝑎𝑥𝑖 𝑥𝑖𝑗

𝑗𝑖𝑘𝑎 𝑗 𝑎𝑑𝑎𝑙𝑎ℎ 𝑎𝑡𝑟𝑖𝑏𝑢𝑡 𝑘𝑒𝑢𝑛𝑡𝑢𝑛𝑔𝑎𝑛 (𝑏𝑒𝑛𝑒𝑓𝑖𝑡)

𝑀𝑖𝑛𝑖 𝑥𝑖𝑗

𝑥𝑖𝑗 𝑗𝑖𝑘𝑎 𝑗 𝑎𝑑𝑎𝑙𝑎ℎ 𝑎𝑡𝑟𝑖𝑏𝑢𝑡 𝑏𝑖𝑎𝑦𝑎 (𝑐𝑜𝑠𝑡)

…… (2.15)

dimana 𝑟𝑖𝑗 adalah rating kinerja ternormalisasi dari alternative A, pada

atribut 𝐶𝑗; i = 1, 2, ..., m dan j = 1, 2, ..., n. Nilai preferensi untuk setiap

alterntif(Vi) diberikan sebagai:

𝑉𝑖 = ∑ 𝑤𝑖𝑟𝑖𝑗𝑛𝑗=1 ……………............… (2.16)

Nilai Vi yang lebih besar mengindikasikan bahwa alternative Ai lebih

terpilih.


21

21

BAB III

METODE PENELITIAN

3.1. Gambaran Umum Penelitian

Berdasarkan permasalah yang dihadapi oleh Paduan Suara Mahasiswa

Cantus Firmus Universitas Sanata Dharma Yogyakarta, yang telah dijelaskan

pada bagian latar belakang, penelitian ini diharapkan mampu menyelesaikan

permasalahan tersebut. Metode yang akan digunakan untuk menyelesaikan

permasalah tersebut adalah menggunakan kombinasi algoritma Logika Kabur

dan Multi Attributes Decision Making (MADM). Tujuan menggunakan

Logika Kabur adalah untuk menangani masalah-masalah kekaburan seperti

hasil tes wawancara, sedangkan MADM digunakan untuk mendapatkan calon

anggota terbaik dari kandidat yang tersedia.

Sebelum adanya sistem yang akan dibuat ini, PSM Cantus Firmus

melakukan pemilihan calon anggota dengan mengadakan rapat yang cukup

memakan waktu lama. Segala keputusan yang diambil adalah berdasarkan

pengalaman dan kemampuan yang dimiliki oleh penguji. Dengan adanya

sistem ini diharapkan keputusan yang diambil akan dapat mewakili keputusan

yang diambil oleh penguji calon anggota baru.

Hasil skor masing-masing aspek penilaian saat seleksi akan menjadi

input untuk diproses menggunakan logika kabur dan juga MADM, kemudian

hasil akhir yang didapat adalah siapa saja yang diterima atau tidak di Unit

Kegiatan Mahasiswa PSM Cantus Firmus.

3.2. Data

3.2.1. Sumber Data

Data yang digunakan dalam penelitian ini adalah data yang diperoleh

dari panitia Penerimaan Anggota Baru PSM Cantus Firmus 2015. Data yang

didapat merupakan data hasil seleksi anggota baru PSM Cantus Firmus


22

angkatan 2015, yang telah dilaksanakan pada tanggal 7 September 2015

hingga 11 September 2015.

3.2.2. Teknik Pengumpulan Data

Teknik yang digunakan untuk mengumpulkan data adalah

menggunakan teknik dokumen. Data yang dikumpulkan tidak serta-merta

didapatkan melalui pengamatan langsung atau wawancara. Peneliti

mengumpulkan data yang telah diarsipkan oleh Sekretaris PSM Cantus

Firmus untuk selanjutkan diolah lebih lanjut. Dokumen tersebut adalah

dokumen penilaian hasil seleksi penerimaan anggota baru PSM Cantus

Firmus.

3.2.3. Data yang Digunakan

Dalam penelitian ini data yang digunakan adalah data-data hasil

seleksi Penerimaan Anggota Baru PSM Cantus Firmus angkatan 2015. Data

yang digunakan tidak semuanya, hanya 67 (yang terdiri dari mahasiswa

yang diterima dan tidak diterima). Dari form penilaian yang ada, semuanya

dimasukkan (input) ke dalam sistem. Data yang didapat berupa data

kuantitatif dan juga data kualitatif. Data kuantitatif adalah data hasil

penilaian musikalitas dan juga beberapa data hasil wawawancara.

Sementara data kualitatif adalah adalah catatan-catatan tambahan yang

ditulis oleh penguji saat melakukan seleksi.

3.3. Spesifikasi Alat

Sistem ini dibuat dengan menggunakan hardware dan software dengan

spesifikasi sebagai berikut:

1. Spesifikasi Perangkat Keras

a. Processor Intel® Celeron® CPU B800 @ 1.50GHz

b. RAM 2,00 GB

c. Harddisk 320GB

2. Spesifikasi Perangkat Lunak

a. Sistem Operasi Windows 10 64-bit, x64-based processor


23

b. Compiler IDE NetBeans 8.0

c. Basis data MySQL

3.4. Tahap Penelitian

Setelah peneliti mengetahui problematika yang dihadapi oleh UKM

PSM Cantus Firmus, langkah selanjutnya adalah menyelesaikan persoalan

tersebut. Proses penyelesaian masalah dilakukan secara ilmiah melalui

penelitian. Penelitian yang hendak dilakukan ini dibagi menjadi 7 tahap

yakni:

3.4.1. Penelusuran Pustaka

Tahap awal ini adalah melakukan penelusuran pustaka untuk

memperoleh informasi dan mempelajari teori-teori yang akan diterapkan

dalam penelitian ini. Penelusuran pustaka yang dilakukan yakni

mempelajari literatur-literatur dan teori-teori mengenai Logika Kabur,

Sistem Pendukung Pengambilan Keputusan, penerapan Logika Kabur untuk

pendukung keputusan dan juga literatur lain yang mendukung penelitian dan

perancangan alat uji.

3.4.2. Analisis Sistem yang Serupa

Sistem Pendukung Pengambilan Keputusan untuk penentuan seleksi

anggota paduan suara pernah dilakukan oleh Sherly Jayanti dan juga Sri

Hartati. Kedua peneliti tersebut juga menggunakan metode Logika Kabur

dengan sistem inferensi Mamdani. Hasilnya cukup baik untuk dijadikan

referensi mengambil keputusan seleksi paduan suara.

Berdasarkan sistem yang telah dibuat tersebut, pada penelitian kali ini,

variabel penelitian dibagi menjadi dua kelompok besar yakni, kelompok

wawancara dan vokal. Peneliti melakukan penerapan logika kabur hanya

pada kelompok wawancara saja, yakni antara variabel pengetahuan tentang

PSM, Motivasi, Pengalaman Berorganisasi, Pengenalan Diri dan Mental

yang Baik. Hal tersebut dilakukan untuk mendapatkan skor akhir sebagai

hasil proses penegasan.


24

Selanjutnya, untuk mendapatkan calon anggota terbaik, peneliti

menggunakan Multi Attribute Decision Making. Sebagai kriteria adalah skor

Wawancara (hasil perhitungan menggunakan Logika Kabur) dan skor

Vokal.

3.4.3. Prosedur Pengumpulan Data

Prosedur pengumpulan data dilakukan menggunakan metode

dokumen. Data yang akan diolah diperoleh dari arsip/dokumentasi panitia

Penerimaan Anggota Baru PSM Cantus Firmus tahun 2015. Proses

dokumentasi hasil penilaian PAB dilaksanakan pada tanggal 7 hingga 11

September 2015, yang telah dilakukan oleh panitia PAB PSM Cantus

Firmus.

3.4.4. Perancangan dan Pembuatan Alat Uji

Tahap selanjutnya adalah perancangan alat uji untuk membantu

penelitian. Perancangan alat uji sementara ini terdiri dari pembuatan

diagram konteks, use-case, DFD, basis data konseptual, basis data

relasional, basis data fisikal dan penjelasan sistem secara manual. Setelah

perancangan selesai dilakukan, tahap selanjutnya adalah pembuatan alat uji.

3.4.5. Prosedur Pengujian

Tahap pengujian dilakukan menggunakan bantuan alat uji yang telah

dibuat. Pengujian menggunakan input yaitu data yang telah diperoleh sesuai

dengan prosedur pengumpulan data. Sedangkan outputnya adalah daftar

nama calon anggota yang diterima di PSM Cantus Firmus, yaitu ranking per

suara urut berdasarkan nilai terbaik. Prosedur pengujian dalam penelitian ini

secara umum tampak dalam Gambar 3.1.


25

Gambar 3.1 Flowchart Proses Penelitian


26

3.4.6. Analisis Hasil

Setelah proses pengujian selesai dilaksanakan, proses selanjutnya

adalah analisa hasil. Tujuan penelitian ini (seperti tertulis pada subbab 1.3)

adalah untuk mengetahui apakah logika kabur dan Multi Attribute Decision

Making dapat memberikan keputusan yang sesuai dengan keputusan yang

diambil oleh Panitia PAB atau tidak. Berkaitan dengan tujuan penelitian

tersebut, maka analisa hasil dilakukan dengan cara membandingkan

keputusan hasil alat uji (sistem yang dibuat) dengan keputusan hasil seleksi

panitia PAB PSM Cantus Firmus yang pernah dilakukan. Hasil

perhitungannya akan menghasilkan nilai kemiripan. Apabila hasilnya baik,

maka tujuan yang kedua dari penelitian ini akan dicapai.

3.4.7. Penulisan Laporan

Tahap terakhir dari penelitian ini adalah penulisan laporan sebagai

bukti bahwa penelitian ini telah berhasil dilaksanakan dan mendapatkan

hasil yang bermanfaat.

3.5. Gambaran Rancangan Alat

3.5.1. Diagram Dekomposisi

Pada gambar diagram dekomposisi di bawah ini (Gambar 3.1) tampak

bagaimana penjabaran proses yang terjadi di dalam sistem. Secara umum

proses dibagi menjadi dua bagian yaitu proses penilaian wawancara

menggunakan logika kabur dan proses penentuan nilai akhir menggunakan

MADM-SAW. Setiap proses utama memiliki sub-proses yang akan

dijelaskan lebih lanjut pada diagram arus data.


27

Gambar 3.2 Diagram Dekomposisi

3.5.2. Diagram Konteks

Pada gambar di bawah ini (gambar 3.3), input dari sistem adalah nilai

hasil seleksi vokal dan wawancara. Nilai yang dimasukkan berupa angka,

dan bila perlu ada catatan khusus dapat ditambahkan. Nilai seleksi vokal

dibagi menjadi lima bagian, dan nilai hasil wawancara dibagi menjadi empat

bagian. Masing-masing memiliki sub-kriteria yang harus dipenuhi.

Pengguna akan mendapatkan keluaran berupa daftar nama-nama urut sesuai

dengan ranking tertinggi hingga terendah.

Gambar 3.3 Diagram Konteks


28

3.5.3. Diagram Arus Data(DAD)

3.5.3.1. DAD Level 1

Gambar 3.4 Diagram Arus Data Level 1

3.5.3.2. DAD Level 2.1

Gambar 3.5 Diagram Arus Data Level 2.1


29

3.5.3.3. DAD Level 2.2

Gambar 3.6 Diagram Arus Data Level 2.2

3.5.4. Diagram Use-Case

Gambar 3.7 Use-Case Sistem PAB PSM CF USD

Gambar diatas merupakan ilustrasi apa saja yang dapat dilakukan oleh

seorang pengguna yang notabene adalah seorang penguji.

a. Akses sistem

Pengguna diharuskan memasukkan username dan password agar dapat

masuk ke dalam sistem dan melakukan fungsi sistem yang lainnya.

b. Input data

Pengguna memasukkan data yakni nilai vokal dan nilai hasil

wawancara sebagai variabel penentu diterima atau tidaknya seseorang

di PSM CF. Data tersebut kemudian diproses untuk dianalisa dalam


30

sistem berbasis logika kabur dan multi attribute decision making. Untuk

calon anggota, input data adalah mengisi formulir pendaftaran.

c. Menambah aturan

Pengguna dapat menambahkan aturan yang baru.

d. Mengubah bobot kriteria

Pengguna dapat mengubah bobot dari kriteria yang ada.

e. Melihat hasil keputusan

Pengguna melihat hasil akhir perhitungan sistem, daftar nama sesuai

dengan peringkat yang memiliki skor tertinggi hingga terendah.

3.5.5. Rancangan Basis Data

3.5.5.1. Rancangan Basis Data Konseptual

Terdapat empat entitas dalam sistem ini yaitu entitas aturan, entitas

penguji, entitas calon anggota dan entitas nilai. Entitas penguji memiliki

relasi dengan entitas calon anggota, dan entitas calon anggota memiliki

relasi dengan entitas nilai. Entitas calon anggota memiliki relasi

kardinalitas one-to-many dengan entitas penguji. Sedangkan setiap calon

anggota hanya akan memiliki satu nilai dari banyak aspek yang dinilai

sehingga relasi kardinalitasnya one-to-one. Entitas aturan tidak memiliki

relasi dengan entitas yang lain karena entitas aturan hanya menyimpan

aturan-aturan saja.

Gambar 3.8 Entity Relationship Diagram


31

3.5.5.2. Rancangan Basis Data Logikal

Relasi antara semua entitas dapat dilihat dengan memperhatikan

gambar 3.9 di bawah ini. Relasi antara entitas “penguji” dan entitas

“calon_anggota” menghasilkan tabel baru yaitu tabel “penguji_calon”.

Tabel “penguji_calon” berisi tiga atribut, atribut “pc_id”, “pc_penguji”

dan “pc_calon”. Atribut “pc_penguji” merupakan foreign key dari tabel

“penguji” dan atribut “pc_calon” merupakan foreign key dari tabel

“calon_anggota”.

Tabel “calon_anggota” dan tabel “nilai” memiliki relasi yang

dihubungkan oleh atribut “nilai_calonid”. Atribut “nilai_calonid” adalah

atribut yang berada pada tabel “nilai”. Atribut “nilai_calonid” merupakan

foreign key dari tabel “calon_anggota”.

Gambar 3.9 Relational Tabel Model

3.5.5.3. Rancangan Basis Data Fisikal

Berikut ini adalah tabel-tabel hasil proses normalisasi dan gambaran

tabel secara fisik yang akan dimplementasikan ke dalam sistem.

Tabel 3.1 Tabel Penguji

Atribut Tipe Deskripsi Keterangan

Penguji_id INT (11) Id (primary key) penguji Primary key

Penguji_nama Varchar (255) Nama penguji Not null

Penguji_angkatan Varchar (4) Tahun angkatan kuliah penguji (jika masih kuliah)


32


Penguji_prodi Varchar (64) Program studi penguji (jika masih kuliah)

Penguji_nim Varchar (9) Nomor induk mahasiswa penguji (jika masih aktif kuliah)

UNIQUE

Penguji_status Varchar (45) Jabatan penguji, penguji wawancara atau penguji vokal

Penguji_username Varchar (45) Username penguji yang akan digunakan untuk login ke dalam sistem

Not null

Penguji_pass Varchar (255) Kata sandi penguji Not null

Tabel 3.2 Tabel Calon Anggota


Ca_id INT (11) Id (primary key) calon anggota

Primary key

Ca_nama Varchar (255)

Nama lengkap calon anggota

Not null

Ca_nim Varchar (9) Nomor induk mahasiswa dari calon anggota

Not null

Ca_angkatan Varchar (4) Tahun angkatan kuliah calon anggota

Not null

Ca_prodi Varchar (255)

Program studi calon anggota

Not null

Ca_prestasi Varchar (500)

Daftar prestasi yang pernah diraih oleh calon anggota

Ca_halgila Varchar (500)

Daftar hal-hal yang dianggap gila oleh calon anggota dan pernah dilakukan

Ca_catatan Varchar (500)

Catatan tambahan yang diberikan oleh penguji

Ca_jeniskelamin Varchar (45)

Jenis kelamin calon anggota

Not null

Ca_suara Varchar (45)

Jenis suara calon anggota hasil tes tahap vokal

Ca_daftarsebagai Varchar (45)

Pilihan jenis pendaftaran (penyanyi/dirigen/pemusik)

Not null


33


Ca_alatmusik Varchar (255)

Daftar alat musik yang dapat dimainkan oleh calon anggota

Tabel 3.3 Tabel Penguji Calon


Pc_id INT (11) Id (primary key) tabel penguji_calon

Primary key

Pc_idCalon INT (11) Foreign key dari tabel calon anggota

Foreign key

Pc_idPenguji INT (11) Foregin key dari tabel penguji

Foreign key

Tabel 3.4 Tabel Nilai


Nilai_id INT (11) Id (primary key) tabel nilai

Primary Key

Nilai_vokal DOUBLE Nilai hasil tahap seleksi vokal

Not null

Nilai_pengetahuanpsm INT (11) Nilai aspek pengetahuan tentan PSM CF

Not null

Nilai_motivasi INT (11) Nilai aspek motivasi keinginan masuk PSM

Not null

Nilai_pengalaman INT (11) Nilai aspek pengalaman

berorganisasi calon anggota

Nilai_pengenalandiri INT (11) Nilai aspek pengenalan terhadap diri sendiri

Not null

Nilai_mental INT (11) Nilai aspek mental calon anggota

Not null

Nilai_calon_id INT (11) Foreign key dari tabel

calon_anggota Foreign Key, not null

Nilai_som DOUBLE Nilai hasil perhitungan deffuzifikasi SOM

Nilai_mom DOUBLE Nilai hasil perhitungan deffuzifikasi MOM

Nilai_lom DOUBLE Nilai hasil perhitungan deffuzifikasi LOM


34


Nilai_wawancara INT(11) Nilai hasil jumlahan 5 aspek wawancara

Nilai_catatannegative INT(11) Nilai catatan negative dari penguji

Tabel 3.5 Tabel Aturan


Aturan_id INT (11) Id (primary key) tabel aturan

Primary key

Aturan_pengetahuan VARCHAR (10)

Anteseden/hipotesis dari variabel pengetahuan

Not Null

Aturan_motivasi VARCHAR (10)

Anteseden/hipotesis dari variabel motivasi masuk PSM

Not Null

Aturan_pengalaman VARCHAR (10)

Anteseden/hipotesis dari variabel pengalaman berorganisasi

Not Null

Aturan_pengenalandiri VARCHAR (10)

Anteseden/hipotesis dari variabel pengenalan terhadap diri sendiri

Not Null

Aturan_mental VARCHAR (10)

Anteseden/hipotesis dari variabel mental calon anggota

Not Null

Aturan_wawancara VARCHAR (10)

Konsekuen/konklusi hasil seleksi tahap wawancara

Not Null

3.5.6. Pengujian

Penelitian akan dilakukan untuk menentukan calon anggota baru. Data

yang digunakan adalah data seleksi PSM CF tahun 2015. Pengujian

dilakukan dengan membandingkan hasil dari perhitungan menggunakan

logika kabur dan multi attribute decision making dengan data hasil seleksi

sebenarnya. Jika keputusan yang dihasilkan perhitungan sistem, maka


35

sistem dapat dikatakan memiliki akurasi yang baik. Berikut adalah tahapan

dalam melakukan pengujian:

3.5.6.1. Pembentukan Fungsi Keanggotaan

Pada tahap ini akan dibentuk himpunan fuzzy baik secara linguistik

maupun secara numeris. Dalam tahap ini juga akan dibentuk fungsi

keanggotaan. Berikut penjelasannya:

a. Variabel Aspek Wawancara (aw)

Variabel Aspek Wawancara merupakan nilai calon anggota

akan beberapa aspek wawancara yaitu pengetahuannya tentang PSM

Cantus Firmus, motivasi, pengalaman berorganisasi, pengenalan diri

dan mental. Variabel Aspek Wawancara dibagi menjadi tiga

himpunan kabur yaitu buruk(Bu), cukup(C), dan baik(Ba) dalam

semesta pembicaraan yaitu [0 33]. Untuk himpunan kabur buruk(B)

menggunakan fungsi keanggotaan berbentuk segitiga, sedangkan

himpunan cukup(C) dan baik(B) menggunakan pendekatan fungsi

keanggotaan berbentuk bahu.

Gambar 3.10 Fungsi Keanggotaan Aspek Wawancara

Fungsi keanggotaan pada variabel Aspek Wawancara dapat

dirumuskan sebagai berikut:

𝜇𝐵𝑢[𝑎𝑤] = {

120 − 𝑎𝑤

20 − 110

; 𝑢𝑛𝑡𝑢𝑘 0 ≤ 𝑎𝑤 ≤ 11

; 𝑢𝑛𝑡𝑢𝑘 11 < 𝑎𝑤 < 25

; 𝑢𝑛𝑡𝑢𝑘 𝑙𝑎𝑖𝑛𝑛𝑦𝑎


36

𝜇𝐶[𝑎𝑤] =

{

1𝑎𝑤 − 11

25 − 1130 − 𝑎𝑤

30 − 250

; 𝑢𝑛𝑡𝑢𝑘 𝑎𝑤 = 25

; 𝑢𝑛𝑡𝑢𝑘 11 ≤ 𝑎𝑤 < 25

; 𝑢𝑛𝑡𝑢𝑘 25 < 𝑎𝑤 ≤ 30


𝜇𝐵𝑎[𝑎𝑤] = {

1𝑎𝑤 − 1

3 − 10

; 𝑢𝑛𝑡𝑢𝑘 𝑎𝑤 > 30

; 𝑢𝑛𝑡𝑢𝑘 25 < 𝑎𝑤 < 30


b. Variabel Catatan Negatif (cn)

Variabel Mental merupakan penilaian terhadap calon anggota

yang tidak masuk ke dalam aspek-aspek wawancara. Variabel catatan

negatif dibagi menjadi dua himpunan kabur yaitu, sedikit(S) dan ban-

yak(B) dalam semesta pembicaraan [0 10]. Untuk himpunan sedi-

kit(S) dan banyak(B) menggunakan pendekatan fungsi keanggotaan

berbentuk bahu.

Gambar 3.11 Fungsi Keanggotaan Catatan Negatif

Fungsi keanggotaan pada variabel Catatan Negatif dapat

dirumuskan sebagai berikut:

𝜇𝑆[𝑐𝑛] = {

15,5 − 𝑐𝑛

5,5 − 30

; 𝑢𝑛𝑡𝑢𝑘 0 ≤ 𝑐𝑛 ≤ 2

; 𝑢𝑛𝑡𝑢𝑘 2 < 𝑐𝑛 ≤ 7


𝜇𝐵[𝑐𝑛] = {

1𝑐𝑛 − 5,5

8 − 5,50

; 𝑢𝑛𝑡𝑢𝑘 𝑐𝑛 ≥ 7

; 𝑢𝑛𝑡𝑢𝑘 2 ≤ 𝑐𝑛 < 7



37

c. Variabel Skor Wawancara(w)

Variabel skor wawancara merupakan variabel output dari

perhitungan logika kabur yang selanjutkan akan digunakan untuk

dihitung bersama skor vokal menggunakan metode Multiple Attribute

Decision Making. Variabel ini dibagi menjadi tiga yaitu rendah(R),

sedang(S) dan tinggi(T) dalam semesta pembicaraan yaitu [0 100].

Untuk himpunan rendah(R) dan tinggi(T) menggunakan fungsi

keanggotaan berbentuk bahu, sedangkan himpunan sedang(S)

menggunakan pendekatan fungsi keanggotaan berbentuk segitiga.

Gambar 3.12 Fungsi Keanggotan Skor Wawancara

𝜇𝑅[𝑤] = {

150 − 𝑤

50 − 300

; 𝑢𝑛𝑡𝑢𝑘 0 ≤ 𝑤 ≤ 30

; 𝑢𝑛𝑡𝑢𝑘 30 < 𝑤 ≤ 50


𝜇𝑆[𝑤] =

{

1𝑤 − 30

50 − 3080 − 𝑤

80 − 500

; 𝑢𝑛𝑡𝑢𝑘 𝑤 = 50

; 𝑢𝑛𝑡𝑢𝑘 30 ≤ 𝑤 < 50

; 𝑢𝑛𝑡𝑢𝑘 50 < 𝑤 ≤ 80


𝜇𝑇[𝑤] = {

1𝑤 − 65

85 − 650

; 𝑢𝑛𝑡𝑢𝑘 𝑤 ≥ 85

; 𝑢𝑛𝑡𝑢𝑘 65 ≤ 𝑤 < 85



38

3.5.6.2. Pembentukan Aturan-aturan

Berdasarkan dua variabel yang telah dibentuk fungsi keanggotaanya

di atas, maka dihasilkan aturan-aturan yang akan digunakan. Berikut ini

adalah aturan yang digunakan:

[R1] IF aspek wawancara BURUK and catatan negatif SEDIKIT THEN

skor wawancara RENDAH

[R2] IF aspek wawancara BURUK and catatan negatif BANYAK THEN

skor wawancara RENDAH

[R3] IF aspek wawancara SEDANG and catatan negatif SEDIKIT THEN

skor wawancara SEDANG

[R4] IF aspek wawancara SEDANG and catatan negatif BANYAK

THEN skor wawancara TINGGI

[R5] IF aspek wawancara BAIK and catatan negatif SEDIKIT THEN


[R6] IF aspek wawancara BAIK and catatan negatif BANYAK THEN


3.5.6.3. Contoh Penerapan Fuzzy Mamdani

Misalkan diambil data dari calon anggota berinisial YTP. Dia

mengikuti semua tahapan seleki vokal dan wawancara, kemudian akan

diketahui berapakah skor wawancara si YTP ini. Berikut adalah

perhitungan yang dilakukan:

i. Data Input

Data yang digunakan sebagai input (khusus untuk fuzzy

mamdani) adalah sebagai berikut:

Nilai Pengetahuan tentang PSM = 3

Nilai Motivasi = 3

Nilai Pengalaman Berorganisasi = 12


39

Nilai Pengenalan Diri = 3

Nilai Mental = 8

Catatan Negatif = 1

ii. Pembentukan Himpunan Fuzzy

Pembentukan himpunan fuzzy telah dijelaskan sebelumnya

yaitu pada pembentukan fungsi keanggotaan.

iii. Aplikasi Fungsi Implikasi

Dalam tahap ini akan dihitung derajat keanggotaan dari data

input sesuai dengan aturan yang telah dibentuk. Perhitungan

dilakukan mulai dari R1, R2, ...., R5 dan R6 :

[R1] IF aspek wawancara BURUK and catatan negatif SEDIKIT

THEN skor wawancara RENDAH

𝜇𝐵𝑢[29] = 0

𝜇𝑆[1] = 1

min{0; 1} = 0

[R2] IF aspek wawancara BURUK and catatan negatif BANYAK

THEN skor wawancara RENDAH

𝜇𝐵𝑢[29] = 0

𝜇𝐵[1] = 0

min{0; 0} = 0

[R3] IF aspek wawancara SEDANG and catatan negatif SEDIKIT

THEN skor wawancara SEDANG

𝜇𝐶[29] = 0,2

𝜇𝑆[1] = 1

min{0,2; 1} = 0


40

[R4] IF aspek wawancara SEDANG and catatan negatif BANYAK

THEN skor wawancara TINGGI

𝜇𝐶[29] = 0,2

𝜇𝐵[1] = 0

min{0,2; 0} = 0

[R5] IF aspek wawancara BAIK and catatan negatif SEDIKIT THEN


𝜇𝐵𝑎[29] = 0,8

𝜇𝑆[1] = 1

min{0,8; 1} = 0,8

[R6] IF aspek wawancara BAIK and catatan negatif BANYAK

THEN skor wawancara SEDANG

𝜇𝐵𝑎[29] = 0,8

𝜇𝐵[1] = 0

min{0,8; 0} = 0

iv. Komposisi antar Aturan dan Defuzzy

Dari haril aplikasi fungsi implikasi dari setiap aturan, digunakan

metode MAX untuk melakukan komposisi antar aturan semua aturan.

Nilai alfa yang tidak nol terdapat pada aturan ke-3 dan ke-5, aturan

tersebut memiliki konsekuensi pada skor wawancara sedang dan

tinggi. Maka daerah hasil komposisinya hanya dilihat pada himpunan

skor wawancara sedang dan tinggi. Hasilnya dapat dilihat pada

gambar 3.8


41

Gambar 3.13 Daerah Hasil Komposisi

Daerah hasil di atas memiliki kesamaan dengan himpunan skor

wawancara tinggi, maka untuk mendapatkan nilai Z menggunakan

fungsi keanggotaan skor wawancara tinggi. Berikut perhitungannya:

0,8 = 𝑍 − 65

85 − 65

𝑍 − 65 = 0,8 × 20

𝑍 = 16 + 65

𝑍 = 81

Setelah nilai Z diketahui, maka proses selanjutnya deffuzifikasi

menggunakan tiga buah metode yaitu SOM, MOM dan LOM. Untuk

metode defuzzifikasi SOM atau Smallest of Maximum yaitu melihat

nilai terkecil dari daerah yang diarsir yaitu 85. Untuk metode

defuzzifikasi kedua yaitu Mean of Maximum, rata-rata domain yang

memiliki keanggotaan maksimum adalah sebagai berikut:

𝑍0 =81 + 100

2

𝑍0 = 90.5

Jadi skor wawancara MOM yang diperoleh YTP adalah 92.5.

Untuk metode defuzzifikasi menggunakan LOM maka lihat nilai

terbesar dari daerah yang diarsis yaitu 100.

3.5.6.4. Contoh Penerapan Multi Attribute Decision Making (MADM)

Proses selanjutnya setelah mengetahui skor wawancara si calon

anggota berinisial YTP adalah menghitung skor akhir menggunakan


42

MADM. Calon anggota berinisial YTP tersebut adalah sebagai Alternartif

1 (A1). Dalam contoh kasus ini, missal diketahui 3 alternatif (A1, A2 dan

A3). Berikut adalah perhitungan yang dilakukan:

i. Data Input

Data yang digunakan sebagai input (khusus untuk MADM)

adalah skor vokal dan skor wawancara (SOM/MOM/LOM). Berikut

adalah tabel contoh input:

Tabel 3.6 Tabel Contoh Input MADM

Alternatif Vokal

(K1)

Wawancara (K2)

SOM MOM LOM

A1 38 81 90.5 100

A2 47 42.86 47.79 60.71

A3 32 81 90.5 100

ii. Matriks Keputusan Berdasarkan Atribut

Misal, nilai wawancara yang digunakan adalah SOM. Data input

yang telah diberikan di atas dibuat matriks keputusanya sebagai

berikut:

iii. Penentuan Bobot Secara Subjektif

Sebelum dilakukan perhitungan, proses selanjutnya adalah

menentukan bobot untuk atribut. Proses seleksi PAB PSM Cantus

Firmus menitik-beratkan pada kualitas vokal dari pada

wawancaranya. Maka bobot untuk kriteria vokal lebih besar nilainya


43

dari kriteria wawancara. Pada penelitian ini, bobot ditentukan secara

subjektif.

W merupakan bobot dan bobotnya ditulis dalam bentuk matrix.

terdapat dua angka yakni 60 dan 40. Angka 60 mewakili bobot untuk

kriteria vokal dan angka 40 mewakili bobot untuk kriteria wawancara.

iv. Simple Additive Weighting(SAW)

Rumus yang digunakan untuk melakukan perhitungan mencari

rating adalah fungsi max, karena peneliti ingin mendapatkan rating

setinggi-tingginya.

v. Normalisasi Matriks

Misalkan nilai max dari 𝐾1 = 47 dan nilai max dari K2 = 85,

nilai max tersebut digunakan untuk melakukan normalisasi matriks.

Dengan menggunakan rumus pada poin viii di atas perhitungannya

adalah sebagai berikut:

𝑟11 =38

47= 0,81

𝑟12 =47

47= 1

𝑟13 =32

47= 0,68

𝑟21 =81

81= 1

𝑟22 =42,86

81= 0,53

𝑟23 =81

81= 1

𝑊 = [60 40]

𝑟𝑖𝑗 =𝑥𝑖𝑗

max {𝑥𝑖𝑗}


44

Matriks keputusannya akan menjadi seperti berikut:

vi. Menghitung Preferensi

Preferensi dapat ditemukan dengan menggunakan rumus

berikut:

𝑣𝑖 =∑𝑤𝑖 × 𝑥𝑖𝑗

Hasil perhitungan preferensinya untuk metode defuzzifikasi

SOM adalah sebagai berikut:

𝑣1 = (60 × 0.81) + (40 × 1)

𝑣1 = 48,6 + 40

𝑣1 = 88,6

𝑣2 = (60 × 1) + (40 × 0,53)

𝑣2 = 60 + 21,2

𝑣2 = 81,2

𝑣3 = (60 × 0.68) + (40 × 1)

𝑣3 = 40,8 + 40

𝑣3 = 80,8

Ketiga data tersebut jika dilakukan pengurutan berdasarkan skor

tertinggi hasilnya adalah:

Tabel 3.7 Tabel Hasil Akhir

No Nilai Akhir

(SAW) Nama Nilai Vokal

Nilai Wawancara

(SOM)

1 88,6 A1 47 81

2 81,2 A2 38 42,86


45

3 80,8 A3 32 81

Tidak ada batas minimal nilai akhir berapa yang harus

dicapai untuk seorang calon anggota dinyatakan diterima.

Keputusan diterima atau tidaknya seseorang adalah berdasarkan

kesepakatan akan diambil berapa peringkat terbaik dari semua

kandidat yang ada. Sehingga tidak langsung dapat ditentukan

apakah seseorang langsung diterima atau tidak begitu selesai

melakukan seleksi.

Perhitungan juga sama untuk nilai hasil metode defuzzifikasi

MOM dan LOM. Hanya perbedaan input nilai saja yang akan

membedakan peringkat akhirnya. Bila hanya menggunakan satu

data saja maka akan sangat jelas siapa yang pantas diterima di PSM

Cantus Firmus USD namun, jika data terdapat lebih dari 50 akan

tampak siapa yang diterima maupun yang tidak diterima.


46

46

BAB IV

IMPLEMENTASI DAN ANALISIS HASIL

4.1. Implementasi

4.1.1. Implementasi Tampilan Antarmuka

4.1.1.1. Halaman Utama Sistem

Berikut ini adalah tampilan antar muka halaman utama ketika sistem

diakses oleh pengguna. Terdapat nama sistem dan dua buah menu (Daftar

Audisi dan Login).

Gambar 4.1 Halaman Utama

4.1.1.2. Daftar Audisi

Berikut adalah tampilan antar muka “Daftar Audisi”. Halaman ini

diakses dengan menekan tombol “Daftar Audisi” dari menu yang terdapat

pada halaman Utama. Menu ini dikhususkan bagi mahasiswa yang ingin

menjadi bagian dari Paduan Suara Mahasiswa Cantus Firmus. Halaman ini

berisi form pendaftaran yang harus diisi misalnya nama lengkap, nim,

program studi, daftar prestasi dan daftar hal gila yang pernah dilakukan.

Formulir pendaftaran ini dibuat sesuai dengan formulir pendaftaran yang

dibuar secara resmi oleh PSM Cantus Firmus.


47

Gambar 4.2. Halaman Daftar Audisi

4.1.1.3. Login

Berikut ini adalah tampilan antar muka halaman login. Halaman ini hanya

dikhususkan bagi pengguna sistem yaitu pengurus PSM, penyeleksi

maupun anggota PSM aktif. Pengguna sistem akan diminta untuk

memasukkan username dan password agar dapat memenuhi syarat untuk

login.

Gambar 4.3. Halaman Login

4.1.1.4. Halaman Utama Setelah Login

Setelah pengguna berhasil melakukan proses login, maka akan

tampil dua buah menu utama yaitu Input Nilai dan menu Rangking

Peserta.


48

Gambar 4.4. Halaman Utama Setelah Login

4.1.1.5. Cari NIM

Berikut ini adalah tampilan antar muka pencarian calon anggota

berdasarkan NIM. Proses ini dilakukan sebelum melakukan input nilai.

Gambar 4.5. Halaman Cari NIM

4.1.1.6. Input Nilai

Berikut ini adalah tampilan antar muka halaman input nilai. Halaman

ini akan muncul ketika proses cari NIM mendapatkan hasil. Terdapat dua

bagian pada halaman berikut, yang pertama adalah informasi calon

anggota dan yang kedua adalah form penilaian vokal dan wawancara.

Input nilai untuk kategori wawancara dibagi menjadi 5 variabel seperti

yang sudah dijelaskan pada bab sebelumnya. Masing-masing variabel

diinput menggunakan dropdown menu untuk meminimalisir kesalahan

pengguna.


49

Gambar 4.6 Halaman Input Nilai

4.1.1.7. Lihat Ranking

Untuk dapat mengakses halaman ini, ada du acara yang dapat

ditempuh. Syarat utamanya adalah sudah logged in terlebih dahulu.

Kemudian dari halaman utama sistem dapat menekan tombol “Lihat” pada

bagian “Ranking Peserta”. Cara kedua adalah dengan menekan menu

“Ranking Peserta” di bagian atas setiap halaman ketika sudah logged in.

Gambar di bawah ini memperlihatkan halaman ranking calon

anggota. Pe-ranking-an dibagi menjadi tiga kelompok besar yakni

berdasarkan defuzzifikasi SOM, MOM dan LOM. Setiap kelompok

defuzzifikasi dibagi menjadi 4 suara yakni kelompok Sopran, Alto, Tenor

dan Bass. Setiap tabel terdiri dari Skor Final, Nama, Nilai Vokal, Nilai

Wawancara dan Jenis Suara-nya.


50

Gambar 4.7 Halaman Ranking Calon Anggota

4.1.1.8. Tambah Aturan (Rule)

Berikut ini adalah tampilan antar muka halaman “Input Rule”.

Halaman ini dapat diakses dengan menekan menu “Input Rule” pada

bagian menubar di bagian atas setiap halaman. Syaratnya tentu saja user

sudah logged in. Terdapat lima buah variabel yang harus diisi dan satu

variabel hasil. Aturan ini hanya berkaitan dengan aspek penilaian

wawancara saja.

Gambar 4.8 Halaman Antar Muka Input Aturan (Rule)


51

4.1.1.9. Ubah Bobot Kriteria

Berikut ini adalah tampilan antar muka penentuan bobot kriteria.

Ada duah buah field yang harus diisi yaitu field bobot kriteria vokal dan

field bobot kriteria wawancara. Masing-masing field harus diisi sehingga

masing-masing bobot jika dijumlahkan hasilnya sama dengan 100. Hal ini

dilakukan agar nilai preferensi yang dihasilkan nantinya dalam rentang 0

hingga 100.

Gambar 4.9 Halaman Penentuan Bobot Kriteria


52

4.1.2. Implementasi Logika Kabur (Fuzzy Logic)

4.1.2.1. Implementasi Perhitungan Alpha Predikat

Berikut adalah listing kode program untuk mencari alfa predikat

dengan mengaplikasikan fungsi implikasi MIN untuk semua aturan.

Gambar 4.10 Listing Kode Program Pencarian Alfa Predikat Variabel 1

Gambar di atas adalah listing kode program untuk pencarian alfa

predikat untuk variabel “Aspek Wawancara”. Setelah nilai derajat

keanggotaan variabel “Aspek Wawancara” ditemukan, nilainya

dimasukkan ke dalam variabel array derajatKeanggotaan.


53

Gambar 4.11 Listing Kode Program Pencarian Alfa Predikat Variabel 2

Gambar di atas adalah listing kode program untuk pencarian alfa

predikat untuk variabel “Catatan Negatif”. Setelah nilai derajat

keanggotaan variabel “Catatan Negatif” ditemukan, nilainya dimasukkan

ke dalam variabel array derajatKeanggotaan.

Aplikasi Fungsi Implikasi MIN dikenakan setelah semua derajat

keanggotan tiap variabel dicari nilainya dan disimpan dalam satu buah

variabel array derajatKeanggotaan. Pencarian nilai MIN menggunakan

fungsi min($derajatKeanggotaan) bawaan dari NetBeans.

Gambar 4.12 Listing Kode Program Aplikasi Fungsi Implikasi MIN

4.1.2.2. Implementasi Aturan Komposisi Max

Untuk mendapatkan nilai dari aturan komposisi MAX, ada dua

proses yang dilalui. Yang pertama adalah proses penampungan nilai alfa

predikat hasil aplikasi fungsi implikasi MIN dan yang kedua adalah proses

pencarian nilai aturan komposisi MAX. Proses yang pertama ini

berlangsung pada saat perulangan (looping) setiap aturan untuk mencari

alfa predikat. Nomor aturan, nilai alfa predikat dan nilai variabel hasil

disimpan ke dalam variabel hasil_aturan. Setiap perulangan, variabel

hasil_aturan tersebut disimpan ke dalam variabel array komposisi.


54

Gambar 4.13 Listing Kode Program Penampungan Nilai Alfa Predikat

Proses selanjutnya adalah mencari nilai MAX dari komposisi antar

aturan. Pertama menentukan nilai maximum secara acak kemudian

membandingkan setiap nilai dengan nilai acak yang telah ditentukan

tersebut. Jika nilai yang dibandingkan lebih besar maka akan nilai tersebut

akan menjadi nilai max. Begitu seterusnya hingga setiap nilai alfa predikat

sudah dibandingkan, tetapi jika nilai yang dibandingkan sama besarnya

dengan nilai maximum maka akan dilihat nilai variabel hasilnya apakah

sama atau berbebeda. Jika berbeda maka terdapat dua buah nilai maximum

dengan nilai variabel hasil yang berbeda.

Gambar 4.14 Listing Kode Program Komposisi Antar Aturan (MAX)

4.1.2.3. Implementasi Defuzzyfikasi SOM (Smallest of Maximum)

Berikut ini adalah listing kode program defuzzyfikasi yaitu mencari

nilai tegas terkecil dari nilai alfa predikat tertinggi yang telah didapat dari

proses komposisi antar aturan (max). Jika variabel max hanya berisi satu

buah nilai saja maka akan langsung dicari nilai tegas terkecil dari alfa

predikat terbesar yang sudah didapatkan. Namun, jika variabel max berisi

lebih dari satu buah nilai makan akan dicari nilai paling kecil dari

kombinasi perhitungan dua buah nilai alfa predikatnya.


55

Gambar 4.15 Listing Kode Program Defuzzyfikasi SOM

4.1.2.4. Implementasi Defuzzyfikasi MOM (Mean of Maximum)


nilai tegas rata-rata dari nilai alfa predikat tertinggi yang telah didapat dari


buah nilai saja maka akan langsung dicari nilai tegas rata-rata dari alfa


lebih dari satu buah nilai makan akan dicari nilai rata-rata dari kombinasi

perhitungan dua buah nilai alfa predikatnya.


56

Gambar 4.16 Listing Kode Program Defuzzyfikasi MOM

4.1.2.5. Implementasi Defuzzyfikasi LOM (Largest of Maximum)


nilai tegas terbesar dari nilai alfa predikat tertinggi yang telah didapat dari



57

buah nilai saja maka akan langsung dicari nilai tegas terbesar dari alfa


lebih dari satu buah nilai makan akan dicari nilai tegas terbesar dari

kombinasi perhitungan dua buah nilai alfa predikatnya.

Gambar 4.17 Listing Kode Program Defuzzyfikasi LOM

4.1.3. Implementasi Multi-Attribute Decision Making – SAW (Simple

Additive Weighting)

Dalam menerapkan metode MADM-SAW ada beberapa langkah yang

harus ditemput untuk mendapatkan keputusan yaitu (1) membuat matrix

keputusan, (2) penentuan bobot secara subjektif, (3) penghitungan rating


58

(SAW), (4) normalisasi matrix, dan yang terakhir adalah (5) menghitung

preferensi.

Penerapan metode MADM-SAW ke dalam bahasa pemrograman PHP

sedikit berbeda dari langkah-langkah seperti teori yang telah dijelaskan di

atas. Berikuti ini akan dijelaskan langkah demi langkah penerapan MADM-

SAW.

4.1.3.1. Penentuan Nilai Max

Berikut ini adalah query untuk mendapatkan nilai max dari nilai

vokal dan nilali max dari nilai wawancara, tapi potongan kode program

dibawah ini khusus untuk jenis suara Sopran dan untuk kelompok

deffuzyfikasi SOM. Untuk jenis suara yang lain dan kelompok

deffuzyfikasi yang lain hanya tinggal mengganti jenis suara dan kelompok

deffuzyfikasinya (MOM dan LOM).

Setelah query dijalankan, hasilnya ditampung dalam variabel array

$max. Sehingga variable $max berisi dua buah nilai, nilai max vokal dan

nilai max wawancara. Nilai max ini kemudian digunakan untuk melakukan

normalisasi matrix.

Gambar 4.18 Listing Kode Program Penentuan Nilai Max

4.1.3.2. Simple Additive Weighting (SAW)

Setelah nilai max diketahui, proses selanjutnya adalah melakukan

normalisasi matrix. Data-data nilai dari calon anggota diambil dari

database, kemudian untuk setiap data dikenakan proses normalisasi dan

juga pembobotan. Normalisasi yang digunakan adalah fungsi max karena

akan mencari kandidat terbaik dari calon yang ada. Normalisasi dilakukan

dengan cara membagi nilai dengan nilai max yang sudah didapatkan pada

proses sebelumnya.


59

Gambar 4.19 Listing Kode Program SAW

4.1.3.3. Perhitungan Preferensi

Perhitungan preferensi adalah menjumlahkan hasil perhitungan

pemobotan setiap kriteria. Pembobotan untuk kriteria vokal dikalikan 60

dan pembobotan untuk kriteria wawancara dikalikan 40. Setelah itu hasil

perhitungan kedua pembobotan dijumlahkan sehingga didapat nilai

preferensi.

Implementasi MADM sebenarnya selesai pada proses pehitungan

preferensi tetapi proses pembuatan matrix keputusan belum diterapkan

pada program. Kode program selanjutnya adalah untuk memasukkan nilai

setiap calon anggota ke dalam matrix atau variabel array. Kemudian matrix

tersebut ditampilkan dalam tabel dan diurutkan menurut nilai preferensi

tertinggi.

Gambar 4.20 Lisitng Kode Program Perhitungan Nilai Preferensi


60

4.2.Analisis Hasil

Data yang digunakan adalah data Penerimaan Anggota Baru(PAB) PSM

Cantus Firmus tahun 2015. Data yang berhasil didapatkan sebanyak 67 data

peserta seleksi PAB PSM dari total 160 data yang mengikuti seleksi. Data-data

tersebut adalah sebagai berikut: 29 data peserta seleksi dengan jenis suara

Sopran, 17 data peserta seleksi dengan jenis suara Alto, 14 data peserta seleksi

dengan jenis suara Tenor dan 7 data peserta seleksi dengan jenis suara Bass.

Pada bab sebelumnya dikatakan bahwa analisis hasil dilakukan dengan

membandingkan data hasil keputusan hasil alat uji (sistem yang dibuat) dengan

keputusan hasil seleksi panitia PAB PSM Cantus Firmus yang pernah

dilakukan. Sistem akan mengambil calon terbaik sebagai anggota PSM Cantus

Firmus. Jumlah calon peserta yang diterima untuk jenis suara Sopran sebanyak

18 orang, jenis suara Alto sebanyak 17 orang, jenis suara Tenor sebanyak 11

orang dan jenis suara Bass sebanyak 11 orang. Jumlah data yang diperolah

untuk penelitian tidak sesuai dengan jumlah data yang sesungguhnya, sehingga

tidak cocok apabila mengambil 11 orang terbaik jenis suara Bass dari 7 data

yang ada. Maka dari itu teknik analisisnya adalah: data asli dikelompokkan ke

dalam dua kelompok besar yakni kelompok “diterima” dan kelompok

“ditolak”, dari hasil perhitungan alat uji akan dicocokkan apakah sebuah data

masuk dalam kelompok “diterima” atau “ditolak”

Berikut ini adalah tabel pengelompokkan hasil (data asli, bukan alat uji)

Penerimaan Anggota Baru PSM Cantus Firmus tahun 2015:

Tabel 4.1 Tabel Daftar Peserta PAB PSM Cantus Firmus 2015

No Nama Suara Keputusan

1 Caecilia Novita A. W. Sopran 2 Diterima 2 Charitas Widyastuti Sopran 2 Diterima 3 Christina Mega Citra Sopran 2 Diterima 4 Gita Sopran Diterima 5 Josephine Anindysari Kristanato Sopran Diterima 6 Kalista Bekinda Kuswidanti Sopran 2 Diterima 7 Maria Emmanuela Fardiana Sopran Diterima 8 Marie Louise Ayu M. R. Sopran Diterima 9 Marie Louise Catherine Widyana Sopran 2 Diterima


61


10 Priscila Felicia Elu Sopran 1 Diterima 11 Rosa Virginia Dhayanti Pratama Putri Sopran Diterima 12 Rosiana K. (Ninuk) Sopran Diterima 13 Theresia Avila Wahyu Sulistyaningrum Sopran 1 Diterima 14 Windy Widyawan Sopran 2 Diterima 15 Yohana Alaya Prudenti Sopran 2 Diterima 16 Yosie Tiara Putri Sopran Diterima 17 Adelia Tiara Putri Sopran Ditolak 18 Einerita Mayang Destiana Sopran Ditolak 19 Fidelis Elleny Averina Sopran Ditolak 20 Fransisca Romana A. G. O. Sopran Ditolak 21 Gaby Sopran 2 Ditolak 22 Gregoriana Sopran Ditolak 23 Maria Salventien Noni Sopran Ditolak 24 Mikaela Nadya Gustaria Sopran Ditolak 25 Monica Vinny Kusumaningrung Sopran 2 Ditolak 26 Stephani Pemberialitoti Sopran Ditolak 27 Theresia Lerina Sopran 1 Ditolak 28 Wiwinda Tosari Sopran Ditolak 29 Yustika Kristiana Widyaningtyas Sopran 2 Ditolak 30 Agatha Desi Vita Pratiwi Alto Diterima 31 Elisabet Susanti Alto 2 Diterima 32 Heliana Maria Alto 2 Diterima 33 Karunia Majid Alto 2 Diterima 34 Maria Yessica Alto 2 Diterima 35 Tri Adventa Panade Alto 1 Diterima 36 Vinelia Anggra Alto Diterima 37 Viola Gratia Nati Alto Diterima 38 Ayu Nugrahaningsih Alto Ditolak 39 Chatarina Bora Latong Alto Ditolak 40 Dwi Intan Febrianti Alto Ditolak 41 Einge Alto 1 Ditolak 42 Fransisca Wahyu Indriastuti Alto Ditolak 43 Gardisa Citra A. K. Alto Ditolak 44 Mela Alto Ditolak 45 Ranti Kartika Alto 1 Ditolak 46 Ruth Liananda Citra Doloksaribu Alto Ditolak 47 Alvares Javersan Tenor Diterima 48 Bonifasius Aprilianto Simatupang Tenor Diterima 49 Charles Rachma Dewangga Tenor 1 Diterima


62


50 Eusebius Luhung Angling Kusuma Tenor 2 Diterima 51 Gregorius Widyatmoko Tenor 2 Diterima 52 Titus Arga Widiasta Tenor 2 Diterima 53 Vitus Tenor 1 Diterima 54 Wisnu Tenor 2 Diterima 55 Yohanes de Britto Dian N. Tenor 2 Diterima 56 Ignasius Gayuh A. J. Tenor Ditolak 57 Mathias Vino Tenor Ditolak 58 Tri Adi Agung Tenor 1 Ditolak 59 Tri Sulistyo Tenor 2 Ditolak 60 Yohanes Giovanni Krisna Tenor Ditolak 61 Andreas Bass 1 Diterima 62 Antonius Mario S. B. P. Bass 1 Diterima 63 Lukas Kevin Undap Bass 1 Diterima 64 Semuel Bass 1 Diterima 65 Stanislaus Rafael Bhayu N. W. Bass 2 Diterima 66 Yion Bass 2 Diterima 67 Yosep Endika Widiyanto Bass Diterima

Dari tabel di atas, jumlah jenis suara Sopran yang diinginkan dari sistem

adalah sejumlah 16 orang, jenis suara Alto sejumlah 8 orang, jenis suara Tenor

sejumlah 9 orang dan jenis suara Bass sejumlah 7 orang. Masing-masing adalah

calon terbaik dari kandidat yang mengikuti seleksi. Dalam tabel analisis

terdapat kolom analisis yang berisi data “Sesuai” atau “Tidak Sesuai”. Sebuah

data dikatakan “Sesuai” apabila data tersebut masuk ke dalam golongan yang

sesuai (diterima/ditolak) sedangkan sebuah data dikatakan “Tidak Sesuai”

apabila tidak masuk ke dalam golongan yang sesuai. Sebagai contoh, seorang

calon seharusnya berada di kelompok ranking yang diterima tetapi hasil sistem

menunjukkan bahwa calon tersebut berada di kelompok ranking yang ditolak,

maka data calon tersebut dikatakan “Tidak Sesuai”.

Setelah semua data dilihat kesesuaiannya antara data asli dengan data

hasil sistem, selanjutnya dihitung akurasinya dengan rumus sebagai berikut:

𝑝𝑟𝑜𝑠𝑒𝑛𝑡𝑎𝑠𝑖 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑠𝑒𝑠𝑢𝑎𝑖

𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎× 100% …… (4.1)


63

4.2.1. Analisis Aturan Komposisi Max dengan Defuzifikasi SOM

Berikut ini adalah tabel ranking hasil perhitungan alat uji untuk jenis

suara Sopran:

Tabel 4.2 Tabel Hasil Ranking Jenis Suara Sopran (SOM)

No Nama Nilai Akhir

1 Christina Mega Citra 100 2 Yohana Alaya Prudenti 96,203 3 Gita 94,894 4 Maria Emmanuela Fardiana 88,576 5 Yosie Tiara Putri 86,628 6 Charitas Widyastuti 80,851 7 Priscila Felicia Elu 73,317 8 Rosiana K. (Ninuk) 71,894 9 Monica Vinny Kusumaningrung 69,317 10 Fransisca Romana A. G. O. 68,006 11 Rosa Virginia Dhayanti Pratama Putri 67,031 12 Theresia Lerina 66,17 13 Marie Louise Ayu M. R. 63,504 14 Marie Louise Catherine Widyana 63,036 15 Theresia Avila Wahyu Sulistyaningrum 59,675 16 Kalista Bekinda Kuswidanti 59,002 17 Yustika Kristiana Widyaningtyas 57,359 18 Adelia Tiara Putri 55,091 19 Maria Salventien Noni 53,638 20 Mikaela Nadya Gustaria 52,538 21 Caecilia Novita A. W. 52,117 22 Gregoriana 51,469 23 Fidelis Elleny Averina 50,83 24 Windy Widyawan 50,704 25 Einerita Mayang Destiana 48,769 26 Wiwinda Tosari 48,355 27 Josephine Anindysari Kristanato 47,179 28 Gaby 45,109 29 Stephani Pemberialitoti 44,355

Jumlah jenis suara Sopran yang ingin diterima adalah sebanyak 16

orang. Maka 16 peringkat teratas menurut hasil perhitungan alat uji adalah

orang-orang yang diterima di PSM Cantus Firmus. Untuk menguji

kemiripannya berikut adalah tabel perbandingan hasil seleksi asli dengan


64

hasil alat uji. Perlu diketahui bahwa hasil seleksi asli tidak berdasarkan nilai

tertinggi namun, diurutkan berdasarkan abjad.

Tabel 4.3 Tabel Perbandingan Data Asli dan Alat Uji (Sopran-SOM)

Nama Keputusan

Nama Hasil

Sistem Analisis

Caecilia Novita A. W. Diterima Christina Mega Citra 100 Sesuai Charitas Widyastuti Diterima Yohana Alaya Prudenti 96,203 Sesuai Christina Mega Citra Diterima Gita 94,894 Sesuai Gita Diterima Maria Emmanuela Fardiana 88,576 Sesuai Josephine Anindysari Kristanato Diterima

Yosie Tiara Putri 86,628 Sesuai

Kalista Bekinda Kuswidanti Diterima

Charitas Widyastuti 80,851 Sesuai

Maria Emmanuela Fardiana Diterima

Priscila Felicia Elu 73,317 Sesuai

Marie Louise Ayu M. R. Diterima Rosiana K. (Ninuk) 71,894 Sesuai Marie Louise Catherine Widyana Diterima Monica Vinny

Kusumaningrung 69,317 Tidak

Sesuai

Priscila Felicia Elu Diterima Fransisca Romana A. G. O.

68,006 Tidak Sesuai

Rosa Virginia Dhayanti Pratama Putri Diterima Rosa Virginia Dhayanti

Pratama Putri 67,031 Sesuai

Rosiana K. (Ninuk) Diterima Theresia Lerina

66,17 Tidak Sesuai

Theresia Avila Wahyu Sulistyaningrum Diterima

Marie Louise Ayu M. R. 63,504 Sesuai

Windy Widyawan Diterima Marie Louise Catherine Widyana

63,036 Sesuai

Yohana Alaya Prudenti Diterima Theresia Avila Wahyu Sulistyaningrum

59,675 Sesuai

Yosie Tiara Putri Diterima Kalista Bekinda Kuswidanti 59,002 Sesuai

Adelia Tiara Putri Ditolak Yustika Kristiana Widyaningtyas

57,359 Sesuai

Einerita Mayang Destiana Ditolak Adelia Tiara Putri 55,091 Sesuai Fidelis Elleny Averina Ditolak Maria Salventien Noni 53,638 Sesuai Fransisca Romana A. G. O. Ditolak

Mikaela Nadya Gustaria 52,538 Sesuai

Gaby Ditolak Caecilia Novita A. W.

52,117 Tidak Sesuai

Gregoriana Ditolak Gregoriana 51,469 Sesuai Maria Salventien Noni Ditolak Fidelis Elleny Averina 50,83 Sesuai

Mikaela Nadya Gustaria Ditolak Windy Widyawan

50,704 Tidak Sesuai

Monica Vinny Kusumaningrung Ditolak

Einerita Mayang Destiana 48,769 Sesuai

Stephani Pemberialitoti Ditolak Wiwinda Tosari 48,355 Sesuai


65

Nama Keputusan

Nama Hasil

Sistem Analisis

Theresia Lerina Ditolak Josephine Anindysari Kristanato

47,179 Tidak Sesuai

Wiwinda Tosari Ditolak Gaby 45,109 Sesuai Yustika Kristiana Widyaningtyas Ditolak

Stephani Pemberialitoti 44,355 Sesuai

Pada tabel di atas sel dengan warna merah berarti kandidat tersebut

tidak diterima dan warna hijau berarti kandidat tersebut diterima. Dengan

menggunakan aturan komposisi Max dan metode defuzzifikasi SOM untuk

jenis suara Sopran didapat 6 data hasil perhitungan alat uji tidak sesuai

dengan data asli.

Berikut adalah diagram prosentase kesesuaian antara data asli dengan

hasil alat uji:

Gambar 4.21 Diagram Prosentase Max-SOM (Sopran)


suara Alto:

Tabel 4.4 Tabel Hasil Ranking Jenis Suara Alto (SOM)

No Nama Nilai Akhir

1 Tri Adventa Panade 96,235 2 Elisabet Susanti 95,421 3 Viola Gratia Nati 91,236 4 Maria Yessica 88,145 5 Einge 79,486 6 Vinelia Anggra 73,432

Sesuai79%

Tidak Sesuai21%

Other21%

Max-SOM (Sopran)

Sesuai Tidak Sesuai


66

No Nama Nilai Akhir

7 Karunia Majid 72,743 8 Agatha Desi Vita Pratiwi 71,174 9 Gardisa Citra A. K. 68,031 10 Heliana Maria 61,968 11 Ranti Kartika 61,422 12 Ayu Nugrahaningsih 59,271 13 Fransisca Wahyu Indriastuti 56,567 14 Chatarina Bora Latong 55,567 15 Mela 55,893 16 Ruth Liananda Citra Doloksaribu 53,316 17 Dwi Intan Febrianti 51,174

Jumlah jenis suara Alto yang ingin diterima adalah sebanyak 8 orang.

Maka 8 peringkat teratas menurut hasil perhitungan alat uji adalah orang-

orang yang diterima di PSM Cantus Firmus. Untuk menguji kemiripannya

berikut adalah tabel perbandingan hasil seleksi asli dengan hasil alat uji.

Perlu diketahui bahwa hasil seleksi asli tidak berdasarkan nilai tertinggi.

Tabel 4.5 Tabel Perbandingan Data Asli dan Alat Uji (Alto-SOM)

No Nama Keputusan

Asli Nama

Hasil

Sistem Analisis

1 Agatha Desi Vita Pratiwi Diterima

Tri Adventa Panade 96,629 Tidak

Sesuai 2 Elisabet Susanti Diterima Elisabet Susanti 95,294 Sesuai 3 Heliana Maria Diterima Viola Gratia Nati 93,539 Sesuai 4 Karunia Majid Diterima Maria Yessica 91,236 Sesuai 5 Maria Yessica Diterima Einge 90,575 Sesuai 6 Tri Adventa

Panade Diterima Vinelia Anggra 88,145 Sesuai

7 Vinelia Anggra Diterima Karunia Majid 79,775 Tidak Sesuai

8 Viola Gratia Nati Diterima

Agatha Desi Vita Pratiwi 78,707 Sesuai

9 Ayu Nugrahaningsih Ditolak

Gardisa Citra A. K. 72,743 Tidak

Sesuai 10 Chatarina Bora

Latong Ditolak Heliana Maria 70,861 Tidak Sesuai

11 Dwi Intan Febrianti Ditolak Ranti Kartika 70,617 Sesuai


67

No Nama Keputusan

Asli Nama

Hasil

Sistem Analisis

12 Einge Ditolak

Ayu Nugrahaningsih 66,956 Sesuai

13 Fransisca Wahyu Indriastuti Ditolak

Fransisca Wahyu Indriastuti 64,957 Sesuai

14 Gardisa Citra A. K. Ditolak

Chatarina Bora Latong 63,305 Sesuai

15 Mela Ditolak Mela 53,473 Sesuai 16

Ranti Kartika Ditolak Ruth Liananda Citra Doloksaribu 52,531 Sesuai

17 Ruth Liananda Citra Doloksaribu Ditolak

Dwi Intan Febrianti 47,812 Sesuai




jenis suara Alto didapat 4 data hasil perhitungan alat uji tidak sesuai dengan

data asli.


hasil alat uji:

Gambar 4.22 Diagram Prosentase Max-SOM (Alto)


suara Tenor:

Sesuai88%

Tidak Sesuai12%

Other12%

Max-SOM (Alto)

Sesuai Tidak Sesuai


68

Tabel 4.6 Tabel Hasil Ranking Jenis Suara Tenor (SOM)

No Nama Nilai Akhir

1 Yohanes de Britto Dian N. 86,304 2 Gregorius Widyatmoko 81,573 3 Charles Rachma Dewangga 78,151 4 Wisnu 74,781 5 Vitus 71,195 6 Bonifasius Aprilianto Simatupang 69,794 7 Titus Arga Widiasta 69,713 8 Eusebius Luhung Angling Kusuma 65,188 9 Alvares Javersan 63,151 10 Yohanes Giovanni Krisna 48,832 11 Tri Sulistyo 47,916 12 Mathias Vino 44,931 13 Tri Adi Agung 44,388 14 Ignasius Gayuh A. J. 40,325

Jumlah jenis suara Tenor yang ingin diterima adalah sebanyak 9





tertinggi.

Tabel 4.7 Tabel Perbandingan Data Asli dan Alat Uji (Tenor-SOM)

No Nama Keputu-

san Nama

Hasil

Sistem Analisis

1 Alvares Javersan Diterima Yohanes de Britto Dian N. 86,304 Sesuai

2 Bonifasius Aprilianto Simatupang Diterima Gregorius

Widyatmoko 81,573 Sesuai

3 Charles Rachma Dewangga Diterima Charles Rachma

Dewangga 78,151 Sesuai

4 Eusebius Luhung Angling Kusuma Diterima

Wisnu 74,781 Sesuai


69

No Nama Keputu-

san Nama

Hasil

Sistem Analisis

5 Gregorius Widyatmoko Diterima

Vitus 71,195 Sesuai

6 Titus Arga Widiasta Diterima

Bonifasius Aprilianto Simatupang

69,794 Sesuai

7 Vitus Diterima Titus Arga Widiasta 69,713 Sesuai

8 Wisnu Diterima Eusebius Luhung Angling Kusuma 65,188 Sesuai

9 Yohanes de Britto Dian N. Diterima

Alvares Javersan 63,151 Sesuai

10 Ignasius Gayuh A. J. Ditolak Yohanes Giovanni Krisna 48,832 Sesuai

11 Mathias Vino Ditolak Tri Sulistyo 47,916 Sesuai

12 Tri Adi Agung Ditolak Mathias Vino 44,931 Sesuai

13 Tri Sulistyo Ditolak Tri Adi Agung 44,388 Sesuai

14 Yohanes Giovanni Krisna Ditolak Ignasius Gayuh

A. J. 40,325 Sesuai




jenis suara Tenor data asli sesuai dengan hasil perhitungan alat uji.


hasil alat uji:

Gambar 4.23 Diagram Prosentase Max-SOM (Tenor)

Sesuai100%

Tidak Sesuai0%

Other0%

Max-SOM (Tenor)

Sesuai Tidak Sesuai


70


suara Bass:

Tabel 4.8 Tabel Hasil Ranking Jenis Suara Bass (SOM)

No Nama Nilai Akhir

1 Lukas Kevin Undap 97,391 2 Yion 85,974 3 Stanislaus Rafael Bhayu N. W. 71,919 4 Yosep Endika Widiyanto 62,428 5 Antonius Mario S. B. P. 60,539 6 Semuel 57,717 7 Andreas 49,565

Jumlah jenis suara Bass yang ingin diterima adalah sebanyak 7 orang.





Tabel 4.9 Tabel Perbandingan Data Asli dan Alat Uji (Bass-SOM)

No Nama Keputus

an Nama

Hasil

Sistem Analisis

1 Andreas Diterima Lukas Kevin Undap 97,391 Sesuai

2 Antonius Mario S. B. P. Diterima Yion 85,974 Sesuai

3 Lukas Kevin Undap Diterima Stanislaus Rafael Bhayu N. W. 71,919 Sesuai

4 Semuel Diterima Yosep Endika Widiyanto 62,428 Sesuai

5 Stanislaus Rafael Bhayu N. W. Diterima

Antonius Mario S. B. P. 60,539 Sesuai

6 Yion Diterima Semuel 57,717 Sesuai

7 Yosep Endika Widiyanto Diterima Andreas 49,565 Sesuai


71

Pada tabel di atas sel dengan warna hijau berarti kandidat tersebut

diterima. Dengan menggunakan aturan komposisi Max dan metode

defuzzifikasi SOM untuk jenis suara Bass data asli sesuai dengan hasil

perhitungan alat uji.


hasil alat uji:

Gambar 4.24 Diagram Prosentase Max-SOM (Bass)

Dari 67 data yang digunakan dan dengan menggunakan aturan

komposisi Max dan metode defuzzifikasi SOM terdapat 8 data yang tidak

sesuai antara data asli dengan data hasil perhitungan alat uji. Berikut adalah

diagram prosentasi akurasi dengan menggunakan metode defuzzifikasi

SOM:

Gambar 4.25 Diagram Prosentase Max-SOM

Sesuai100%

Tidak Sesuai0%

Other0%

Max-SOM (Bass)

Sesuai Tidak Sesuai

Sesuai88%

Tidak Sesuai12%

Other12%

Max-SOM

Sesuai Tidak Sesuai


72

4.2.2. Analisis Aturan Komposisi Max dengan Defuzifikasi MOM


suara Sopran:

Tabel 4.10 Tabel Hasil Ranking Jenis Suara Sopran (MOM)

No Nama Nilai Akhir

1 Christina Mega Citra 100 2 Yohana Alaya Prudenti 97,22 3 Gita 94,894 4 Maria Emmanuela Fardiana 90,611 5 Yosie Tiara Putri 87,646 6 Charitas Widyastuti 80,851 7 Fransisca Romana A. G. O. 71,543 8 Priscila Felicia Elu 71,409 9 Rosa Virginia Dhayanti Pratama Putri 71,059 10 Rosiana K. (Ninuk) 70,951 11 Monica Vinny Kusumaningrung 67,384 12 Marie Louise Catherine Widyana 66,17 13 Kalista Bekinda Kuswidanti 63,708 14 Theresia Avila Wahyu Sulistyaningrum 63,554 15 Marie Louise Ayu M. R. 62,782 16 Windy Widyawan 57,365 17 Yustika Kristiana Widyaningtyas 55,541 18 Theresia Lerina 55,41 19 Caecilia Novita A. W. 53,516 20 Gregoriana 50,525 21 Fidelis Elleny Averina 49,887 22 Einerita Mayang Destiana 48,79 23 Stephani Pemberialitoti 48,235 24 Wiwinda Tosari 48,101 25 Josephine Anindysari Kristanato 47,586 26 Adelia Tiara Putri 44,634 27 Maria Salventien Noni 44,311 28 Mikaela Nadya Gustaria 42,08 29 Gaby 35,217




73




tertinggi.

Tabel 4.11 Tabel Perbandingan Data Asli dan Alat Uji (Sopran-MOM)

No Nama Keputus

an Nama

Hasil

Sistem Analisis

1 Caecilia Novita A. W. Diterima Christina Mega

Citra 100 Sesuai

2 Charitas Widyastuti Diterima Yohana Alaya Prudenti

97,22 Sesuai

3 Christina Mega Citra Diterima Gita

94,894 Sesuai

4 Gita Diterima Maria Emmanuela Fardiana

90,611 Sesuai

5 Josephine Anindysari Kristanato Diterima

Yosie Tiara Putri 87,646 Sesuai

6 Kalista Bekinda Kuswidanti Diterima Charitas

Widyastuti 80,851 Sesuai

7 Maria Emmanuela Fardiana Diterima Fransisca Romana

A. G. O. 71,543

Tidak Sesuai

8 Marie Louise Ayu M. R. Diterima Priscila Felicia

Elu 71,409 Sesuai

9 Marie Louise Catherine Widyana Diterima

Rosa Virginia Dhayanti Pratama Putri

71,059 Sesuai

10 Priscila Felicia Elu Diterima Rosiana K. (Ninuk)

70,951 Sesuai

11 Rosa Virginia Dhayanti Pratama Putri Diterima Monica Vinny

Kusumaningrung 67,384

Tidak Sesuai

12 Rosiana K. (Ninuk) Diterima

Marie Louise Catherine Widyana

66,17 Sesuai

13 Theresia Avila Wahyu Sulistyaningrum Diterima Kalista Bekinda

Kuswidanti 63,708

Sesuai


74

No Nama Keputus

an Nama

Hasil

Sistem Analisis

14 Windy Widyawan Diterima

Theresia Avila Wahyu Sulistyaningrum

63,554 Sesuai

15 Yohana Alaya Prudenti Diterima Marie Louise Ayu

M. R. 62,782 Sesuai

16 Yosie Tiara Putri Diterima Windy Widyawan

57,365 Sesuai

17 Adelia Tiara Putri Ditolak Yustika Kristiana Widyaningtyas

55,541 Sesuai

18 Einerita Mayang Destiana Ditolak

Theresia Lerina 55,41 Sesuai

19 Fidelis Elleny Averina Ditolak Caecilia Novita

A. W. 53,516

Tidak Sesuai

20 Fransisca Romana A. G. O. Ditolak

Gregoriana 50,525 Sesuai

21 Gaby Ditolak Fidelis Elleny Averina

49,887 Sesuai

22 Gregoriana Ditolak Einerita Mayang Destiana

48,79 Sesuai

23 Maria Salventien Noni Ditolak Stephani

Pemberialitoti 48,235 Sesuai

24 Mikaela Nadya Gustaria Ditolak

Wiwinda Tosari 48,101 Sesuai

25 Monica Vinny Kusumaningrung Ditolak

Josephine Anindysari Kristanato

47,586 Tidak Sesuai

26 Stephani Pemberialitoti Ditolak

Adelia Tiara Putri 44,634 Sesuai

27 Theresia Lerina Ditolak Maria Salventien Noni

44,311 Sesuai

28 Wiwinda Tosari Ditolak Mikaela Nadya Gustaria

42,08 Sesuai

29 Yustika Kristiana Widyaningtyas Ditolak

Gaby 35,217 Sesuai



menggunakan aturan komposisi Max dan metode defuzzifikasi MOM untuk


75


dengan data asli.


hasil alat uji:

Gambar 4.26 Diagram Prosentase Max-MOM (Sopran)


suara Alto:

Tabel 4.12 Tabel Hasil Ranking Jenis Suara Alto (MOM)

No Nama Nilai Akhir

1 Tri Adventa Panade 98,27 2 Elisabet Susanti 96,439 3 Viola Gratia Nati 91,236 4 Maria Yessica 90,18 5 Einge 78,405 6 Karunia Majid 78,138 7 Agatha Desi Vita Pratiwi 71,195 8 Vinelia Anggra 70,385 9 Gardisa Citra A. K. 69,43 10 Heliana Maria 65,02 11 Ayu Nugrahaningsih 62,324 12 Ranti Kartika 61,829 13 Fransisca Wahyu Indriastuti 56,313 14 Mela 56,23 15 Chatarina Bora Latong 55,638 16 Dwi Intan Febrianti 52,211 17 Ruth Liananda Citra Doloksaribu 50,919

Sesuai86%

Tidak Sesuai14%

Other14%

Max-MOM (Sopran)

Sesuai Tidak Sesuai


76






Tabel 4.13 Tabel Perbandingan Data Asli dan Alat Uji (Alto-MOM)

No Nama Keputusan Nama Hasil

Sistem Analisis

1 Agatha Desi Vita Pratiwi Diterima Tri Adventa

Panade 98,27 Sesuai

2 Elisabet Susanti Diterima Elisabet Susanti 96,439 Sesuai

3 Heliana Maria Diterima Viola Gratia Nati 91,236 Sesuai

4 Karunia Majid Diterima Maria Yessica 90,18 Sesuai

5 Maria Yessica Diterima Einge 78,405 Tidak Sesuai

6 Tri Adventa Panade Diterima Karunia Majid 78,138 Sesuai

7 Vinelia Anggra Diterima Agatha Desi Vita Pratiwi 71,195 Sesuai

8 Viola Gratia Nati Diterima Vinelia Anggra 70,385 Sesuai

9 Ayu Nugrahaningsih Ditolak Gardisa Citra A.

K. 69,43 Sesuai

10 Chatarina Bora Latong Ditolak Heliana Maria 65,02

Tidak Sesuai

11 Dwi Intan Febrianti Ditolak Ayu

Nugrahaningsih 62,324 Sesuai

12 Einge Ditolak Ranti Kartika 61,829 Sesuai

13 Fransisca Wahyu Indriastuti Ditolak Fransisca Wahyu

Indriastuti 56,313 Sesuai

14 Gardisa Citra A. K. Ditolak Mela 56,23 Sesuai

15 Mela Ditolak Chatarina Bora Latong 55,638 Sesuai

16 Ranti Kartika Ditolak Dwi Intan Febrianti 52,211 Sesuai

17 Ruth Liananda Citra Doloksaribu Ditolak Ruth Liananda

Citra Doloksaribu 50,919 Sesuai


77




jenis suara Alto didapat 2 data hasil sistem tidak sesuai dengan data asli.


hasil alat uji:

Gambar 4.27 Diagram Prosentase Max-MOM (Alto)


suara Tenor:

Tabel 4.14 Tabel Hasil Ranking Jenis Suara Tenor (MOM)

No Nama Nilai Akhir

1 Yohanes de Britto Dian N. 86,304 2 Charles Rachma Dewangga 82,857 3 Gregorius Widyatmoko 79,665 4 Vitus 75,901 5 Titus Arga Widiasta 72,766 6 Bonifasius Aprilianto Simatupang 65,539 7 Alvares Javersan 67,857 8 Eusebius Luhung Angling Kusuma 66,587 9 Wisnu 64,324 10 Tri Sulistyo 48,901 11 Mathias Vino 47,983 12 Yohanes Giovanni Krisna 47,889 13 Ignasius Gayuh A. J. 45,031

Sesuai88%

Tidak Sesuai12%

Other12%

Max-MOM (Alto)

Sesuai Tidak Sesuai


78

No Nama Nilai Akhir

14 Tri Adi Agung 34,495






tertinggi.

Tabel 4.15 Tabel Perbandingan Data Asli dan Alat Uji (Tenor-MOM)

No Nama Keputu-

san Nama

Hasil

Sistem Analisis

1 Alvares Javersan Diterima Yohanes de Britto Dian N.

86,304 Sesuai

2 Bonifasius Aprilianto Simatupang Diterima

Charles Rachma Dewangga 82,857 Sesuai

3 Charles Rachma Dewangga Diterima

Gregorius Widyatmoko 79,665 Sesuai

4 Eusebius Luhung Angling Kusuma Diterima Vitus 75,901 Sesuai


Titus Arga Widiasta 72,766 Sesuai

6

Titus Arga Widiasta Diterima

Bonifasius Aprilianto Simatupang 65,539

Sesuai

7 Vitus Diterima Alvares Javersan 67,857 Sesuai

8 Wisnu Diterima

Eusebius Luhung Angling Kusuma 66,587 Sesuai

9 Yohanes de Britto Dian N. Diterima Wisnu 64,324 Sesuai

10 Ignasius Gayuh A. J. Ditolak Tri Sulistyo 48,901 Sesuai

11 Mathias Vino Ditolak Mathias Vino 47,983 Sesuai


79

No Nama Keputu-

san Nama

Hasil

Sistem Analisis

12 Tri Adi Agung Ditolak

Yohanes Giovanni Krisna 47,889 Sesuai

13 Tri Sulistyo Ditolak

Ignasius Gayuh A. J. 45,031 Sesuai

14 Yohanes Giovanni Krisna Ditolak Tri Adi Agung 34,495 Sesuai




jenis suara Tenor data asli sesuai dengan hasil perhitungan alat uji.


hasil alat uji:

Gambar 4.28 Diagram Prosentase Max-MOM (Tenor)


suara Bass:

Tabel 4.16 Tabel Hasil Ranking Jenis Suara Bass (MOM)

No Nama Nilai Akhir

1 Lukas Kevin Undap 97,391 2 Yion 82,599 3 Stanislaus Rafael Bhayu N. W. 72,158 4 Yosep Endika Widiyanto 66,282 5 Antonius Mario S. B. P. 57,164

Sesuai100%

Tidak Sesuai0%

Other0%

Max-MOM (Tenor)

Sesuai Tidak Sesuai


80

No Nama Nilai Akhir

6 Semuel 55,396 7 Andreas 47,244






Tabel 4.17 Tabel Perbandingan Data Asli dan Alat Uji (Bass-MOM)

No Nama Keputus

an Nama

Hasil

Sistem Analisis

1 Andreas Diterima Yion 100 Sesuai

2 Antonius Mario S. B. P. Diterima

Yosep Endika Widiyanto 81,942 Sesuai

3 Lukas Kevin Undap Diterima

Stanislaus Rafael Bhayu N. W. 80,374 Sesuai

4 Semuel Diterima

Lukas Kevin Undap 80,313 Sesuai



6 Yion Diterima Semuel 55,53 Sesuai

7 Yosep Endika Widiyanto Diterima Andreas 47,827 Sesuai



defuzzifikasi MOM untuk jenis suara Bass data asli sesuai dengan hasil



hasil alat uji:


81

Gambar 4.29 Diagram Prosentase Max-MOM (Bass)





MOM:

Gambar 4.30 Diagram Prosentase Max-MOM

4.2.3. Analisis Aturan Komposisi Max dengan Defuzifikasi LOM


suara Sopran:

Tabel 4.18 Tabel Hasil Ranking Jenis Suara Sopran (LOM)

No Nama Nilai Akhir

1 Christina Mega Citra 100 2 Yohana Alaya Prudenti 98,085

Sesuai100%

Tidak Sesuai0%

Other0%

Max-MOM (Bass)

Sesuai Tidak Sesuai

Sesuai88%

Tidak Sesuai12%

Other12%

Max-MOM

Sesuai Tidak Sesuai


82

No Nama Nilai Akhir

3 Gita 94,894 4 Maria Emmanuela Fardiana 92,34 5 Yosie Tiara Putri 88,511 6 Charitas Widyastuti 80,851 7 Rosa Virginia Dhayanti Pratama Putri 73,653 8 Fransisca Romana A. G. O. 73,435 9 Marie Louise Catherine Widyana 70,681 10 Rosiana K. (Ninuk) 70,149 11 Priscila Felicia Elu 69,787 12 Kalista Bekinda Kuswidanti 67,708 13 Theresia Avila Wahyu Sulistyaningrum 66,851 14 Monica Vinny Kusumaningrung 66,17 15 Theresia Lerina 64,349 16 Marie Louise Ayu M. R. 62,565 17 Windy Widyawan 59,41 18 Caecilia Novita A. W. 54,405 19 Yustika Kristiana Widyaningtyas 53,83 20 Adelia Tiara Putri 52,189 21 Stephani Pemberialitoti 51,532 22 Maria Salventien Noni 51,05 23 Gregoriana 49,723 24 Mikaela Nadya Gustaria 49,636 25 Fidelis Elleny Averina 49,085 26 Einerita Mayang Destiana 48,809 27 Josephine Anindysari Kristanato 47,932 28 Wiwinda Tosari 47,884 29 Gaby 42,364






tertinggi.


83

Tabel 4.19 Tabel Perbandingan Data Asli dan Alat Uji (Sopran-LOM)

No Nama Keputu-

san Nama

Hasil

Sistem Analisis

1 Caecilia Novita A. W. Diterima

Christina Mega Citra 100 Sesuai

2 Charitas Widyastuti Diterima

Yohana Alaya Prudenti 98,085 Sesuai

3 Christina Mega Citra Diterima Gita 94,894 Sesuai 4

Gita Diterima Maria Emmanuela Fardiana 92,34 Sesuai

5 Josephine Anindysari Kristanato Diterima Yosie Tiara Putri 88,511 Sesuai

6 Kalista Bekinda Kuswidanti Diterima

Charitas Widyastuti 80,851 Sesuai

7 Maria Emmanuela Fardiana Diterima

Rosa Virginia Dhayanti Pratama Putri 73,653

Sesuai

8 Marie Louise Ayu M. R. Diterima

Fransisca Romana A. G. O. 73,435

Tidak Sesuai

9 Marie Louise Catherine Widyana Diterima

Marie Louise Catherine Widyana 70,681

Sesuai

10 Priscila Felicia Elu Diterima

Rosiana K. (Ninuk) 70,149 Sesuai

11 Rosa Virginia Dhayanti Pratama Putri Diterima

Priscila Felicia Elu 69,787

Sesuai

12 Rosiana K. (Ninuk) Diterima

Kalista Bekinda Kuswidanti 67,708 Sesuai

13 Theresia Avila Wahyu Sulistyaningrum Diterima

Theresia Avila Wahyu Sulistyaningrum 66,851

Sesuai

14 Windy Widyawan Diterima

Monica Vinny Kusumaningrung 66,17

Tidak Sesuai

15 Yohana Alaya Prudenti Diterima Theresia Lerina 64,349

Tidak Sesuai

16 Yosie Tiara Putri Diterima

Marie Louise Ayu M. R. 62,565 Sesuai

17 Adelia Tiara Putri Ditolak Windy Widyawan 59,41

Tidak Sesuai

18 Einerita Mayang Destiana Ditolak

Caecilia Novita A. W. 54,405

Tidak Sesuai

19 Fidelis Elleny Averina Ditolak

Yustika Kristiana Widyaningtyas 53,83 Sesuai

20 Fransisca Romana A. G. O. Ditolak Adelia Tiara Putri 52,189 Sesuai


84

No Nama Keputu-

san Nama

Hasil

Sistem Analisis

21 Gaby Ditolak

Stephani Pemberialitoti 51,532 Sesuai

22 Gregoriana Ditolak

Maria Salventien Noni 51,05 Sesuai

23 Maria Salventien Noni Ditolak Gregoriana 49,723 Sesuai

24 Mikaela Nadya Gustaria Ditolak

Mikaela Nadya Gustaria 49,636 Sesuai

25 Monica Vinny Kusumaningrung Ditolak

Fidelis Elleny Averina 49,085 Sesuai

26 Stephani Pemberialitoti Ditolak

Einerita Mayang Destiana 48,809 Sesuai

27

Theresia Lerina Ditolak

Josephine Anindysari Kristanato 47,932

Tidak Sesuai

28 Wiwinda Tosari Ditolak Wiwinda Tosari 47,884 Sesuai 29 Yustika Kristiana

Widyaningtyas Ditolak Gaby 42,364 Sesuai



menggunakan aturan komposisi Max dan metode defuzzifikasi LOM untuk


dengan data asli.


hasil alat uji:

Gambar 4.31 Diagram Prosentase Max-LOM (Sopran)

Sesuai79%

Tidak Sesuai21%

Other21%

Max-LOM (Sopran)

Sesuai Tidak Sesuai


85


suara Alto:

Tabel 4.20 Tabel Hasil Ranking Jenis Suara Alto (LOM)

No Nama Nilai Akhir

1 Tri Adventa Panade 100 2 Elisabet Susanti 97,303 3 Maria Yessica 91,91 4 Viola Gratia Nati 91,236 5 Karunia Majid 82,138 6 Einge 77,486 7 Agatha Desi Vita Pratiwi 71,213 8 Gardisa Citra A. K. 70,62 9 Vinelia Anggra 69,213 10 Heliana Maria 67,615 11 Ayu Nugrahaningsih 64,918 12 Ranti Kartika 62,175 13 Mela 58,708 14 Fransisca Wahyu Indriastuti 56,096 15 Chatarina Bora Latong 55,422 16 Dwi Intan Febrianti 54,806 17 Ruth Liananda Citra Doloksaribu 50,703






Tabel 4.21 Tabel Perbandingan Data Asli dan Alat Uji (Alto-LOM)


Sistem Analisis

1 Agatha Desi Vita Pratiwi Diterima Tri Adventa

Panade 100 Sesuai

2 Elisabet Susanti Diterima Elisabet Susanti 97,303 Sesuai

3 Heliana Maria Diterima Maria Yessica 91,91 Sesuai


86


Sistem Analisis

4 Karunia Majid Diterima Viola Gratia Nati 91,236 Sesuai

5 Maria Yessica Diterima Karunia Majid 82,138 Sesuai

6 Tri Adventa Panade Diterima Einge 77,486 Tidak

Sesuai 7

Vinelia Anggra Diterima Agatha Desi Vita Pratiwi 71,213 Sesuai

8 Viola Gratia Nati Diterima

Gardisa Citra A. K. 70,62

Tidak Sesuai

9 Ayu Nugrahaningsih Ditolak Vinelia Anggra 69,213 Tidak

Sesuai 10 Chatarina Bora

Latong Ditolak Heliana Maria 67,615 Tidak Sesuai

11 Dwi Intan Febrianti Ditolak

Ayu Nugrahaningsih 64,918 Sesuai

12 Einge Ditolak Ranti Kartika 62,175 Sesuai

13 Fransisca Wahyu Indriastuti Ditolak Mela 58,708 Sesuai

14 Gardisa Citra A. K. Ditolak

Fransisca Wahyu Indriastuti 56,096 Sesuai

15 Mela Ditolak

Chatarina Bora Latong 55,422 Sesuai

16 Ranti Kartika Ditolak

Dwi Intan Febrianti 54,806 Sesuai

17 Ruth Liananda Citra Doloksaribu Ditolak

Ruth Liananda Citra Doloksaribu 50,703 Sesuai




jenis suara Alto didapat 4 data hasil perhitungan alat uji tidak sesuai dengan

data asli.


87


hasil alat uji:

Gambar 4.32 Diagram Prosentase Max-LOM (Alto)


suara Tenor:

Tabel 4.22 Tabel Hasil Ranking Jenis Suara Tenor (LOM)

No Nama Nilai Akhir

1 Charles Rachma Dewangga 86,857 2 Yohanes de Britto Dian N. 86,304 3 Vitus 79,901 4 Gregorius Widyatmoko 78,043 5 Titus Arga Widiasta 75,36 6 Wisnu 71,879 7 Alvares Javersan 71,857 8 Bonifasius Aprilianto Simatupang 69,323 9 Eusebius Luhung Angling Kusuma 67,776 10 Mathias Vino 50,578 11 Tri Sulistyo 49,739 12 Ignasius Gayuh A. J. 49,031 13 Yohanes Giovanni Krisna 47,087 14 Tri Adi Agung 41,643




Sesuai76%

Tidak Sesuai24%

Other24%

Max-LOM (Alto)

Sesuai Tidak Sesuai


88



tertinggi.

Tabel 4.23 Tabel Perbandingan Data Asli dan Alat Uji (Tenor-LOM)

No Nama Keputu-

san Nama

Hasil

Sistem Analisis

1 Alvares Javersan Diterima Charles Rachma Dewangga

86,857 Sesuai

2 Bonifasius Aprilianto Simatupang Diterima

Yohanes de Britto Dian N. 86,304 Sesuai

3 Charles Rachma Dewangga Diterima Vitus 79,901 Sesuai

4 Eusebius Luhung Angling Kusuma Diterima

Gregorius Widyatmoko 78,043 Sesuai


Titus Arga Widiasta 75,36 Sesuai

6 Titus Arga Widiasta Diterima Wisnu 71,879 Sesuai

7 Vitus Diterima Alvares Javersan 71,857 Sesuai

8

Wisnu Diterima

Bonifasius Aprilianto Simatupang 69,323

Sesuai

9 Yohanes de Britto Dian N. Diterima

Eusebius Luhung Angling Kusuma 67,776 Sesuai

10 Ignasius Gayuh A. J. Ditolak Mathias Vino 50,578 Sesuai

11 Mathias Vino Ditolak Tri Sulistyo 49,739 Sesuai

12 Tri Adi Agung Ditolak

Ignasius Gayuh A. J. 49,031 Sesuai

13 Tri Sulistyo Ditolak

Yohanes Giovanni Krisna 47,087 Sesuai

14 Yohanes Giovanni Krisna Ditolak Tri Adi Agung 41,643 Sesuai


89




jenis suara Tenor didapat data hasil perhitungan alat uji sesuai dengan data

asli.


hasil alat uji:

Gambar 4.33 Diagram Prosentase Max-LOM (Tenor)


suara Bass:

Tabel 4.24 Tabel Hasil Ranking Jenis Suara Bass (LOM)

No Nama Nilai Akhir

1 Lukas Kevin Undap 97,391 2 Yion 80 3 Stanislaus Rafael Bhayu N. W. 72,342 4 Yosep Endika Widiyanto 69,248 5 Antonius Mario S. B. P. 54,565 6 Semuel 53,609 7 Andreas 45,457




Sesuai100%

Tidak Sesuai0%

Other0%

Max-LOM (Tenor)

Sesuai Tidak Sesuai


90



Tabel 4.25 Tabel Perbandingan Data Asli dan Alat Uji (Bass-MOM)

No Nama Keputus

an Nama

Hasil

Sistem Analisis

1 Andreas Diterima

Lukas Kevin Undap 97,391 Sesuai

2 Antonius Mario S. B. P. Diterima Yion 80 Sesuai

3 Lukas Kevin Undap Diterima

Stanislaus Rafael Bhayu N. W. 72,342 Sesuai

4 Semuel Diterima

Yosep Endika Widiyanto 69,248 Sesuai



6 Yion Diterima Semuel 53,609 Sesuai 7 Yosep Endika

Widiyanto Diterima Andreas 45,457 Sesuai



defuzzifikasi LOM untuk jenis suara Bass data asli sesuai dengan hasil



hasil alat uji:

Gambar 4.34 Diagram Prosentase Max-LOM (Bass)

Sesuai100%

Tidak Sesuai0%

Other0%

Max-LOM (Bass)

Sesuai Tidak Sesuai


91





LOM:

Gambar 4.35 Diagram Prosentase Max-LOM

4.3. Analisis Hasil Keseluruhan

Berikut adalah tabel hasil prosentase keseluruhan untuk hasil yang

“Sesuai” dengan menggunakan beberapa metode defuzzyfikasi :

Tabel 4.26 Tabel Prosentasi Hasil Keselurahan

No Defuzzifikasi Prosentase

1 SOM 88,05 2 MOM 88,05 3 LOM 85,07

Sesuai85%

Tidak Sesuai15%

Other15%

Max-LOM

Sesuai Tidak Sesuai


92

Grafik yang menunjukkan prosentase dalam tabel di atas dapat dilihat

pada grafik 4.39.

Gambar 4.36 Grafik Prosentase Hasil Keseluruhan

Berdasarkan hasil yang didapat prosentase kesesuaian tertingi didapat

dengan menerapkan defuzzifikasi Smallest of Maximum (SOM) dan Median of

Maximum(MOM) yaitu dengan prosentase sebesar 88,05%. Hal ini berarti

88,05% kinerja alat uji sesuai dengan hasil keputusan yang diambil oleh panitia

Penerimaan Anggota Baru PSM Cantus Firmus tahun 2015.

Hasil akhir perhitungan yang didapat adalah hasil perhitungan preverensi

dari kriteria vokal dan kriteria wawancara dengan menekankan kriteria vokal.

Apabila bobot kriteria vokal dan bobot kriteria wawancara dimodifikasi dengan

perbandingan 65:35, 70:30, 50:50 dan 40:50 prosentase kemiripannya tampak

pada tabel 4.19 di bawah ini.

SOM; 88,05 MOM; 88,05LOM; 85,07

50,00

55,00

60,00

65,00

70,00

75,00

80,00

85,00

90,00

95,00

100,00

Prosentase

Grafik Prosentase Hasil Keseluruhan


93

Tabel 4.27 Tabel Perbandingan Bobot dan Metode Deffuzifikasi

Vokal:Wawan-

cara

SOM MOM LOM

S A T B S A T B S A T B

60:40 79,3 88,2 100 100 79,3 88,2 100 100 79,3 88,2 100 100

88,060 88,060 88,060

65:35 79,3 88,2 100 100 79,3 88,2 100 100 79,3 76,5 100 100

88,060 88,060 85,075

70:30 79,3 88,2 100 100 79,3 88,2 100 100 79,3 76,5 100 100

88,060 88,060 85,075

50:50 72,4 88,2 100 100 86,2 88,2 100 100 86,2 76,5 100 100

85,075 91,045 88,060

40:60 72,4 88,2 100 100 86,2 88,2 85,7 100 86,2 76,5 100 100

85,075 88,060 88,060

Pada tabel di atas dapat dilihat prosentase kemiripan terbesar adalah

dengan bobot kriteria vokal sebesar 50 dan bobot kriteria wawancara sebesar

50. Prosentase kemiripan sejumlah 91,045% tersebut merupakan angka yang

didapat dari nilai wawancara hasil defuzzifikasi menggunakan metode MOM.

Pada tabel terlihat tidak ada perubahan yang cukup signifikan menggunakan

SOM, MOM atau pun LOM untuk setiap variasi bobot vokal:wawancara.


94

94

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Dari sistem seleksi penerimaan anggota baru Paduan Suara Mahasiswa

menggunakan Logika Kabur dan MADM-Simple Additive Weighting yang

telah dibuat, dapat ditarik beberapa kesimpulan:

1. Keputusan dari sistem seleksi yang dibuat hampir sesuai dengan

keputusan yang diambil oleh panitia PAB PSM Cantus Firmus tahun

2015. Kesesuaian tersebut ditunjukkan dengan hasil analisis dengan

akurasi lebih dari 80%. Sehingga, algoritma Logika Kabur dan MADM-

Simple Additive Weighting dapat diterapkan dalam kasus penerimaan

anggota baru paduan suara mahasiswa namun, dengan beberapa catatan

agar keputusan yang dihasilkan sesuai dengan harapan penguji PAB.

2. Dengan bobot 60:40, untuk metode deffuzifikasi SOM, MOM & LOM,

prosentase kemiripan untuk jenis suara Sopran adalah sebesar 79,3%,

jenis suara Alto sebesar 88,2%, jenis suara Tenor dan Bass sebesar 100%.

3. Prosentase rentang kemiripan antar hasil sistem dengan sistem yang lama

adalah 72% hingga 100%.

4. Prosentase kemiripan hasil sistem seleksi dengan bobot 60:40 untuk

metode deffuzifikasi SOM, MOM & LOM sebesar 88,06%. Prosentase

kemiripan hasil sistem seleksi dengan bobot 65:35 untuk metode

deffuzifikasi SOM & MOM sebesar 88,06%, untuk metode deffuzifikasi

LOM sebesar 85,075%, Prosentase kemiripan hasil sistem seleksi dengan

bobot 70:30 sama dengan prosentase hasil sistem seleksi dengan bobot

65:35. Prosentase kemiripan hasil sistem seleksi dengan bobot 50:50 un-

tuk metode deffuzifikasi SOM sebesar 85,075%, untuk metode deffuzifi-

kasi MOM sebesar 91,045%, untuk metode deffuzifikasi LOM sebesar

88,06%. Prosentase kemiripan hasil sistem seleksi dengan bobot 40:60


95

untuk metode deffuzifikasi SOM adalah sebesar 85,075% dan untuk

metode deffuzifikasi LOM & MOM sebesar 88,06%

5. Berdasarkan hasil analisis, metode deffuzifikasi yang menghasilkan

prosentase kemiripan tertinggi adalah Mean of Maximum (MOM) dan

bobot kriteria vokal sebesar 50, bobot kriteria wawancara sebesar 50 yaitu

dengan prosentase 91,045%

5.2. Saran

Saran untuk pengembang sistem seleksi penerimaan anggota baru PSM

Cantus Firmus selanjutnya yaitu:

1. Untuk tahap tes vokal, lebih baik jika penilaiannya bisa dijabarkan se-

perti tahap wawancara.

2. Dapat mengubah batasan himpunan fungsi keanggotaan sehingga jika

terjadi perubahan sistem seleksi bisa ditangani dengan mudah.

3. Selanjutnya bisa mencoba utuk membandingkan metode komposisi antar

aturan yang berbeda dan metode deffuzifikasi yang berbeda pula.

4. Pengembang selanjutnya dapat mencoba mengkombinasikan algoritma

yang lain untuk menentukan hasil akhir kandidat yang akan diterima.


96

LAMPIRAN


Peng

etah

uan

Mot

ivas

iPe

ngal

aman

Peng

enal

an D

iriM

enta

l1

1524

2100

1R

osia

na K

. (N

inuk

)38

,51

112

17

Dite

rima

Sopr

anP.

Fis

215

1215

078

Yos

ie T

iara

Put

ri38

33

123

8D

iterim

aSo

pran

P. B

io3

1522

1200

2W

isnu

513

38

00

Dite

rima

Teno

r 2M

anaj

emen

415

1214

081

Tri A

dven

ta P

anad

e44

,53

311

29

Dite

rima

Alto

1PB

I5

1512

2000

5Y

ion

55,2

33

90

7D

iterim

aB

ass 2

Mat

emat

ika

615

4214

007

Ros

a V

irgin

ia D

haya

nti P

rata

ma

Putri

382

39

39

Dite

rima

Sopr

anSa

sing

715

1214

022

Kal

ista

Bek

inda

Kus

wid

anti

323

312

27

Dite

rima

Sopr

an 2

PBI

815

1214

089

Yos

ep E

ndik

a W

idiy

anto

393

311

28

Dite

rima

Bas

sPB

I9

1514

2107

8Eu

sebi

us L

uhun

g A

nglin

g K

usum

a40

,82

211

28

Dite

rima

Teno

r 2PE

1014

1214

010

Mon

ica

Vin

ny K

usum

anin

grun

g20

,53

313

39

Dito

lak

Sopr

an 2

PBI

1115

4212

008

Kar

unia

Maj

id41

33

113

7D

iterim

aA

lto 2

Sasi

ndo

1215

1214

011

Win

dy W

idya

wan

25,5

23

122

8D

iterim

aSo

pran

2PB

I13

1512

1409

1Y

ohan

es d

e B

ritto

Dia

n N

.42

,63

314

29

Dite

rima

Teno

r 2PB

I14

1540

4012

0Lu

kas K

evin

Und

ap52

,83

314

26

Dite

rima

Bas

s 1A

kunt

ansi

1515

4040

003

Sem

uel

301

39

08

Dite

rima

Bas

s 1A

kunt

ansi

1615

1114

009

Mar

ia Y

essi

ca38

,52

313

37

Dite

rima

Alto

2Fa

rmas

i17

1512

1708

1A

nton

ius M

ario

S. B

. P.

31,8

22

103

6D

iterim

aB

ass 1

Pak

1815

0422

009

Aga

tha

Des

i Vita

Pra

tiwi

36,5

22

92

6D

iterim

aA

ltoPs

ikol

ogi

1915

1210

090

Cae

cilia

Nov

ita A

. W.

24,5

22

102

9D

iterim

aSo

pran

2P.

Mat

2015

0422

109

Chr

istin

a M

ega

Citr

a47

33

143

9D

iterim

aSo

pran

2Ps

ikol

ogi

2115

4214

091

Alv

ares

Jave

rsan

41,4

33

133

5D

iterim

aTe

nor

Sasi

ng22

1512

1909

8A

ndre

as22

,51

38

28

Dite

rima

Bas

s 1PG

SD23

1512

1407

7M

arie

Lou

ise

Cat

herin

e W

idya

na35

12

101

3D

iterim

aSo

pran

2PB

I24

1511

1410

0V

iola

Gra

tia N

ati

383

312

39

Dite

rima

Alto

Farm

asi

2515

1213

090

Hel

iana

Mar

ia31

,53

310

37

Dite

rima

Alto

2B

K26

1512

1406

0G

ita43

33

143

9D

iterim

aSo

pran

PBI

2715

1421

079

Vitu

s48

,81

314

27

Dite

rima

Teno

r 1PE

2815

1210

001

Cha

ritas

Wid

yast

uti

322

315

28

Dite

rima

Sopr

an 2

P. M

at29

1512

2508

7Pr

isci

la F

elic

ia E

lu39

23

92

7D

iterim

aSo

pran

1 P

BSI

3015

0422

160

Ther

esia

Avi

la W

ahyu

Sul

isty

anin

grum

323

26

15

Dite

rima

Sopr

an 1

Psi

kolo

gi31

1550

1009

9G

rego

rius W

idya

tmok

o53

,41

210

37

Dite

rima

Teno

r 2TM

3215

1214

088

Yoh

ana

Ala

ya P

rude

nti

45,5

33

133

7D

iterim

aSo

pran

2PB

I33

1540

4004

0B

onifa

sius

Apr

ilian

to S

imat

upan

g43

,83

311

16

Dite

rima

Teno

rA

kunt

ansi

Suar

aPr

odi

No

NIM

NA

MA

Vok

alW

awan

cara

Kep

utus

an


3415

1214

012

Elis

abet

Sus

anti

42,5

33

142

7D

iterim

aA

lto 2

PBI

3515

1214

001

Ran

ti K

artik

a29

,53

312

28

Dito

lak

Alto

1PB

I36

1553

1408

7Y

ustik

a K

ristia

na W

idya

ning

tyas

26,5

33

102

5D

itola

kSo

pran

2TI

3715

1213

091

Ther

esia

Ler

ina

38,5

21

72

4D

itola

kSo

pran

1B

K38

1512

1406

6C

harle

s Rac

hma

Dew

angg

a55

,23

212

28

Dite

rima

Teno

r 1PB

I39

1512

1410

1Ti

tus A

rga

Wid

iast

a46

,22

211

38

Dite

rima

Teno

r 2PB

I40

1553

1414

9St

anis

laus

Raf

ael B

hayu

N. W

.45

23

112

7D

iterim

aB

ass 2

TI41

1504

2211

1M

aria

Em

man

uela

Far

dian

a41

23

123

8D

iterim

aSo

pran

Psik

olog

i42

1522

1201

4V

inel

ia A

nggr

a36

,53

310

25

Dite

rima

Alto

Man

ajem

en43

1516

1213

0Ei

nge

423

210

28

Dito

lak

Alto

1TE

4415

0422

112

Gar

disa

Citr

a A

. K.

352

312

07

Dito

lak

Alto

Psik

olog

i45

1512

1402

1M

ikae

la N

adya

Gus

taria

261

16

26

Dito

lak

Sopr

anPB

I46

1511

1400

8Tr

i Sul

isty

o24

,62

29

25

Dito

lak

Teno

r 2Fa

rmas

i47

1512

0510

0Fr

ansi

sca

Wah

yu In

dria

stut

i25

,51

212

27

Dito

lak

SOPR

AN

IPPA

K48

1522

1204

5Fi

delis

Elle

ny A

verin

a22

32

102

6D

itola

kSo

pran

Man

ajem

en49

1512

2507

8C

hata

rina

Bor

a La

tong

251

211

28

Dito

lak

Alto

PBSI

5015

2224

001

Mel

a25

11

82

6D

itola

kA

LTO

Seja

rah

5115

1219

018

Gab

y21

11

72

4D

itola

kSo

pran

2PG

SD52

1504

2207

0A

delia

Tia

ra P

utri

282

27

14

Dito

lak

Sopr

anPs

ikol

ogi

5315

1219

011

Mar

ia S

alve

ntie

n N

oni

28,5

21

52

4D

itola

kSo

pran

PGSD

5415

1114

109

Rut

h Li

anan

da C

itra

Dol

oksa

ribu

21,5

23

112

6D

itola

kA

ltoFa

rmas

i55

1553

1401

9Y

ohan

es G

iova

nni K

risna

242

311

24

Dito

lak

Teno

rTI

5615

5010

091

Mat

hias

Vin

o23

,42

310

29

Dito

lak

Teno

rTM

5715

2421

022

Gre

goria

na22

,52

210

17

Dito

lak

Sopr

anP.

Fis

5815

1215

020

Tri A

di A

gung

241

17

15

Dito

lak

Teno

r 1P.

Bio

5915

2224

011

Dw

i Int

an F

ebria

nti

223

311

27

Dito

lak

Alto

Seja

rah

6015

0422

015

Jose

phin

e A

nind

ysar

i Kris

tana

to20

32

112

7D

iterim

aA

LTO

Psik

olog

i61

1512

1912

1Ei

nerit

a M

ayan

g D

estia

na21

21

92

7D

itola

kSo

pran

PGSD

6215

2212

044

Wiw

inda

Tos

ari

20,5

23

102

7D

itola

kSo

pran

Man

ajem

en63

1512

0510

1A

yu N

ugra

hani

ngsi

h29

,52

212

19

Dito

lak

Alto

IPPA

K64

1512

1008

0St

epha

ni P

embe

rialit

oti

202

26

25

Dito

lak

Sopr

anP.

Mat

6515

1214

055

Mar

ie L

ouis

e A

yu M

. R.

322

211

27

Dite

rima

Sopr

anPB

I66

1511

1411

1Fr

ansi

sca

Rom

ana

A. G

. O.

38,5

22

102

5D

itola

kSo

pran

Farm

asi

6715

1219

081

Igna

sius

Gay

uh A

. J.

20,4

22

122

9D

itola

kTe

nor

PGSD


DAFTAR PUSTAKA

Alter, S. L. 1980. Decision Support System: Current Practice and Continuing

Challanges. Reading, Massachusetts: Addison-Wesley.

Bonczek, R. H., Holsapple, C. W. dan Whinston, A. B.. (1980). "The Evolving

Roles of Models in Decision Support Systems." Decision Sciences, Vol.

11, No. 2.

Deni, Christina. 2008. Program Aplikasi untuk Menentukan Bantuan Dana

Rekonstruksi Gempa Menggunakan Logika Kabur dengan Inferensi

Metode Tsukamoto. Yogyakarta.

Fishburn, P. C. 1967.” Additive Utilities with Incomplete Product Set:

Application to Priorities and Assignments”. A Problem-based Selection

of Multi Attribute Decision Making Methods. Blackwell Publishing.

Jayanti, S. dan Hartati, S. 2012. “Sistem Pendukung Keputusan Seleksi

Anggota Paduan Suara Dewasa Menggunakan Metode Fuzzy Mamdani.”

IJCCS, Vol. 6, No. 1.

Keen, P. G. W. (1980, Fall). "Adaptive Design for Decision Support Systems."

Data Base, Vol. 12, Nos. 1 and 2.

Kusumadewi, S. dan Purnomo, H. 2004. Aplikasi Logika Fuzzy untuk

Pendukung Keputusan. Yogyakarta: Graha Ilmu.

Kusumadewi, S., Hartati, S., Harjoko, A., dan Wardoyo, R. 2006. Fuzzy Multi-

Attribute Decision Making (Fuzzy MADM). Yogyakarta: Graha Ilmu.

Little, J. D. C. 1970, April. “Model and Managers: The Concept of a Decision

Calculus.” Management Science, Vol. 16, No. 8.

MacCrimmon, K. R. 1968.” Decision Making among Multiple Attribute

Alternatives: A Survey and Consolidation Approach”. A Problem-based

Selection of Multi Attribute Decision Making Methods. Blackwell

Publishing.

Moore, J. H., dan Chang, M. G. (1980). "Design of Decision Support Systems."

Data Base, Vol. 12, Nos. 1 and 2.


https://id.wikipedia.org/wiki/Massachusetts

Simon, H. 1997. The New Science of Management Decision. Englewood Cliffs,

New Jersey: Prentice Hall.

Susilo, F. 2006, Himpunan & Logika Kabur Serta Aplikasinya, Yogyakarta:

Graha Ilmu.

Turban, E., Aronson, J. E. dan Liang, T. P. 2005, Decision Support Systems

and Intelligent Systems Edisi 7 Jilid 1, Diterjemahkan oleh: Dwi

Prabantini, Yogyakarta: Penerbit Andi.

Yoon, KP. dan Hwang, L-C. D. 1981. “Multiple Attribute Decision Making,

Methods and Applications, A State-of-the-Art-Survey”. Multi-Criteria

Decision Making: An Application Study of ELECTRE & TOPSIS. Janko,

Wolfgang.

Zimmermann. 1991. Fuzzy Sets Theory and Its Application. Massachusetts:

Kluwer Academic Publishing.


seleksi penerimaan anggota baru paduan suara …repository.usd.ac.id/8411/2/125314005_full.pdf ·...

Documents