TUGAS MAKALAH KELOMPOK      SISTEM PENDUKUNG KEPUTUSAN“PENILAIAN MAHASISWA DALAM SUATU MATA             KULIAH DENGAN     ...
20121. Pengertian Sistem Pendukung Keputusan        Keputusan merupakan tindakan atau rangkaian tindakan yang harusdiikuti...
Jadi     Sistem      pendukung        keputusan (Inggris: decision    support         systems disingkat DSS) adalah bagian...
Sistem pakar didalam bekerja didasarkan pada rule based yang disimpan dalamdatabase. Didalam pengerjaan dengan metode rule...
Kotak hitam (black box) tersebut berisi metode yang dapat digunakan untukmengolah data input menjadi output dalam bentuk i...
3. Perumusan Masalah          Untuk mendapatkan hasil penilaian yang baik diperlukan sinergi antara seluruh       kegiatan...
DFD Konteks                                            Data nilai Dosen matkul /    Form penilaian                        ...
Upcoming SlideShare
Loading in …5
×

Expert system fuzzy

1,699 views
1,525 views

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
1,699
On SlideShare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
93
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Expert system fuzzy

  1. 1. TUGAS MAKALAH KELOMPOK SISTEM PENDUKUNG KEPUTUSAN“PENILAIAN MAHASISWA DALAM SUATU MATA KULIAH DENGAN SISTEM PAKAR FUZZY” Oleh : - Akbar Aswad (1031098) - Pingky Hermanto (1131092) - Yulianto (1031102) - Lintang A. R. (1031080) - Ogi Riyandi (1031115) JURUSAN SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS INTERNASIONAL BATAM 1
  2. 2. 20121. Pengertian Sistem Pendukung Keputusan Keputusan merupakan tindakan atau rangkaian tindakan yang harusdiikuti untuk memecahkan suatu masalah.Jenis-jenis Keputusan Menurut Simon • Keputusan merupakan bagian dari suatu rangkaian proses pengambilan Keputusan. • Keputusan yang terstruktur atau terprogram berasal dari permasalahan dan kejadian- kejadian yang terstruktur. • Keputusan yang tidak terstruktur atau terprogram berasal dari permasalahan atau kejadian yang tidak terstrukturProses pengambilan Keputusan terdiri dari 3 fase proses : Intelligence, design, dan choice. • Intelligence merupakan pencarian-pencarian kondisi yang dapat menghasilkan keputusan. • Design merupakan menemukan, mengembangkan,dan menganalisis materi-materi yang mungkin untuk dikerjakan. • Choice merupakan dari materi-materi yang tersedia, dan mana yang akan dikerjakanProses yang terjadi dalam kerangka kerja pengambilan keputusan dibedakan atas : • Terstruktur yaitu mengacu pada permasalahan rutin dan berulang untuk solusi standar yang ada • Tak terstruktur adalah “ fuzzy”, permasalahan kompleks dimana tak ada solusi serta merta. Masalah yang tak tersruktur adalah tak adanya 3 fase proses yang terstruktur. • Semi terstruktur terdapat beberapa keputusan terstruktur, tetapi tidak semuanya dari fase yang ada • Pendekatan manajemen science mengadopsi pandangan seorang manajer yang dapat mengikuti proses yang sistematik untuk penyelesaian masalah. Sehingga adalah mungkin untuk menggunakan pendekatan sains pada managerial decision making. Langkah-lankahnya adalah : 1. Definisi masalah ( keputusan situasi yang berhubungan dengan perbagai masalah atau dengan suatu kesempatan 2. Klasifikasi masalah kedalam kategori standar 3. Membuat model matematika yang menjelaskan masalah secara nyata 4. Menemukan solusi pontensial pada model masalah dan mengevaluasi 5. Memilih dan merekomendasikan satu solusi dari masalah. Proses ini dipusatkan pada masalah modeling/permodelan. 2
  3. 3. Jadi Sistem pendukung keputusan (Inggris: decision support systems disingkat DSS) adalah bagian dari sistem informasi berbasis komputer (termasuk sistem berbasis pengetahuan (manajemen pengetahuan)) yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan.2. Pengertian Sistem Pakar Fuzzy ( fuzzy expert system) Sistem pakar merupakan suatu sistem terkomputerisasi yang menggunakan pengetahuan bidang tertentu untuk mencapai solusi suatu masalah dari bidang tersebut. Sistem pakar dalam memecahkan masalah menggunakan proses yang serupa dengan metode yang digunakan seorang pakar. Solusi yang diberikan sistem pakar pada dasarnya sama seperti yang disimpulkan oleh seorang pakar. (Hartati, 2008). Sistem pakar dibagi menjadi dua bagian utama yaitu lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment). Lingkungan pengembangan diperuntukkan bagi pembangun sistem pakar untuk membangun komponen dan memasukkan pengetahuan hasil akuisisi pengetahuan ke dalam basis pengetahuan. Sedangkan lingkungan konsultasi diperuntukkan bagi yang bukan pakar untuk melakukan konsultasi dengan sistem yang tujuannya adalah mendapatkan nasehat dan saran yang setara dengan pakar (Hartati, 2008). Hasil pemrosesan yang dilakukan oleh mesin inferensi dari sudut pandang pengguna yang bukan pakar berupa konklusi yang di rekomendasikan oleh sistem pakar atau dapat juga berupa penjelasan jika memang dibutuhkan oleh pengguna. Untuk meningkatkan kemampuan sistem pakar, pada sistem tersebut harus dilakukan proses updating pada basis pengetahuan (knowledge base) dan penyempurnaan pada mesin inferensi (inference engine) sehingga solusi yang dihasilkan lebih baik daripada sebelumnya (Hartati, 2008). Mesin inferensi merupakan prosesor dalam sistem pakar yang mencocokan fakta dengan domain pengetahuan yang terdapat basis pengetahuan untuk menghasilkan solusi dari suatu masalah. Sedangkan cara penyusunan basis pengetahuan dalam sistem agar dapat memecahakan masalah serupa dengan seorang pakar disebut dengan penyajian pengetahuan (Hartati, 2008). 3
  4. 4. Sistem pakar didalam bekerja didasarkan pada rule based yang disimpan dalamdatabase. Didalam pengerjaan dengan metode rule based terdapat beberapakekurangan yaitu (Santoso, 2008):a. Memerlukan pencocokan yang benar-benar sesuai. Contohnya, jika sakit kepaladan suhu badan naik maka terkena demam. Jika diberi pertanyaan sakit kepala saja,maka aturan diatas tidak dapat memberi kesimpulan apakah terkena demam atautidak.b. Seringkali sulit untuk menghubungkan aturan-aturan (rule-rule) yangberhubungan dengan inference chain yang merupakan otak dari sistem pakar untukmelakukan pengecekan dari aturan yang satu ke aturan lainnya. Untuk mengatasi kekurangan dari sistem pakar yang berbasis aturan, makadikembangkan suatu sistem pakar yang berbasis fuzzy sebagai pengolahannyasehingga sistem tersebut dikenal dengan nama sistem pakar fuzzy (fuzzy expertsystem) (Santoso, 2008). Sistem pakar fuzzy adalah sistem pakar yang menggunakan perhitungan fuzzydalam mengolah pengetahuan untuk menghasilkan konsekuensi, premis dengankonklusi atau kondisi dengan akibat sehingga menghasilkan informasi yangmemiliki keakuratan untuk pengguna (Santoso, 2008). Logika dan Himpunan Fuzzy Logika fuzzy pertama kali diperkenalkan oleh Zadeh tahun 1965. Dasar logikafuzzy adalah teori himpunan fuzzy. Pada teori himpunan fuzzy, peranan derajatkeanggotaan atau nilai keanggotan sebagai penentu keberadaan elemen dalam suatuhimpunan sangatlah penting. Pada himpunan tegas (crisp), nilai keanggotaan hanyaterdapat dua kemungkinan, yaitu 0 dan 1. Sedangkan pada himpunan fuzzy, nilaikeanggotaan terletak pada rentang 0 sampai 1. Apabila x memiliki nilaikeanggotaan fuzzy μA[x] = 0, berarti x tidak menjadi anggota himpunan A,demikian pula apabila x memiliki nilai keanggotaan fuzzy μA[x] = 1, berarti xmenjadi anggota penuh pada himpunan A (Kusumadewi, 2010). Dalam banyak hal, logika fuzzy digunakan sebagai suatu cara untukmemetakkan permasalahan dari input ke output yang diharapkan. Logika fuzzydapat dianggap sebagai kotak hitam (black box) yang menghubungkan antara ruanginput menuju ke ruang output (Kusumadewi, 2010). 4
  5. 5. Kotak hitam (black box) tersebut berisi metode yang dapat digunakan untukmengolah data input menjadi output dalam bentuk informasi. Salah satupermasalahan yang menggunakan pemetaan dari suatu input ke output adalahmasalah produksi barang. Pada permasalahan produksi barang diberikan input datasemua total persediaan barang yang mungkin dan outputnya semua jumlah produksi barang yang mungkin. Kotak hitam (black box) pada permasalahan iniberisi metode yang dapat digunakan untuk mengolah data input menjadi outputdalam bentuk informasi jumlah barang yang harus diproduksi (Kusumadewi, 2010). Himpunan fuzzy memiliki dua atribut, yaitu linguistik dan numeris. Atributlinguistik adalah atribut yang digunakan untuk penamaan suatu grup yang mewakilisuatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, sepertimuda, parobaya, tua. Sedangkan atribut numeris adalah suatu nilai yangmenunjukkan ukuran dari suatu variabel (Kusumadewi, 2010). Menurut (Kusumadewi, 2010) terdapat beberapa hal yang perlu diketahui dalammemahami sistem fuzzy yaitu:a. Variabel fuzzy Variabel fuzzy merpakan variabel yang dibahas dalam sistem fuzzy.b. Himpunan fuzzy Himpunan fuzzy merupakan suatu group yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variable fuzzy.c. Semesta Pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa bertambah secara monoton. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif.d. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa bertambah secara monoton. Nilai domain dapat berupa bilangan positif maupun negatif. 5
  6. 6. 3. Perumusan Masalah Untuk mendapatkan hasil penilaian yang baik diperlukan sinergi antara seluruh kegiatan yang dilakukan baik dari kehadiran hingga proses nilai akhir. Penilaian mahasiswa yang baik dapat diperoleh dengan serangkaian peniliaian berikut: Penilaian Mahasiswa Kehadiran Tugas & Kuis UTS UAS Nilai Akhir Tabel standar penilaian mahasiswa dengan rentang nilai 0 - 100 Tahap Grade Syarat & ketentuan Mempunyai nilai lebih kecil sama dengan 0 E 39 dinyatakan “Tidak Lulus” Mempunyai nilai diatas 40 dan lebih kecil 1 D sama dengan 59 dinyatakan “Tidak Lulus” Mempunyai nilai diatas 60 dan lebih kecil 2 C sama dengan 67 dinyatakan “Lulus” Mempunyai nilai diatas 68 dan lebih kecil 3 B sama dengan 79 dinyatakan “Lulus” Mempunyai nilai diatas 80 dan lebih kecil 4 A sama dengan 100 dinyatakan “Lulus” Perancangan Sistem penilaian 6
  7. 7. DFD Konteks Data nilai Dosen matkul / Form penilaian Mahasiswa / Administrator User Sistem Input nilai Login pakar penilaian mahasisw a -Data Nilai -info aturan dan penilaian -Data Mhs Pakar -info login -Data Aturan -Data rule -info data nilai dan mahasiswa 7

×