Professional Documents
Culture Documents
A
:X [0,1]
[0,1] menandakan interval bilangan real antara 0 dan 1, termasuk 0 dan 1.
Walaupun demikian jangkauan fungsi keanggotaan dapat berupa sembarang
bilangan real.
Sebagai contoh, dapat didefinisikan suatu fungsi keanggotaan untuk fuzzy
set yang menyatakan bilangan real dekat dengan nol, seperti persamaan 2.1.
2
10 1
1
) (
x
X
A
+
(2.1)
Grafik dari fungsi ini dapat terlihat pada gambar 2.1
A
:X
Variabel fuzzy
Variabel linguistik
Gambar 2.1 Suatu fungsi keanggotaan yang mungkin digunakan pada
fuzzy set yang menyatakan bilangan real dekat dengan nol.
Dengan menggunakan fungsi ini, dapat ditentukan nilai keanggotaan dari
setiap bilangan real pada fuzzy set tersebut, yang menyatakan tingkat kedekatan
(dekatnya) bilangan tersebut dengan nol. Misalnya pada x = 3,
A
:(X) mempunyai
nilai 0.01; pada x = 1
A
:(X) = 0.09; pada x = 0.25
A
:(X) = 0.62; pada x = 0
A
:
(X) = 1;. Jadi semakin besar nilai fungsi yang diberikan untuk suatu bilangan,
menyatakan bilangan tersebut semakin dekat dengan nilai nol.
Variabel fuzzy memiliki Walaupun jangkauan (range) antara nilai 0 dan 1
(termasuk 0 dan 1) adalah daerah yang paling sering digunakan untuk menyatakan
nilai keanggotaan, sebenarnya set apapun dengan pengurutan sebagian atau penuh
(full or partial ordering) dapat digunakan. Elemen dari set ini tidak perlu berupa
angka-angka, selama pengurutan elemen-elemen tersebut dapat menyatakan
berbagai tingkat keanggotaan.
2.3 Fungsi Keanggotaan.
Fungsi keanggotaan (Membership Function) adalah suatu kurva yang
menunjukkan pemetaan titik input data kedalam nilai keanggotaannya (sering juga
disebut derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu
cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah melalui
pendekatan fungsi. Ada beberapa fungsi yang digunakan.
a. Representasi linear
Pada representasi linear, pemetaan input ke derajat keanggotaannya
digambarkan sebagai suatu garis lurus.
1. Fungsi keanggotaan naik :
b x
b x a a b a x
a x
x
'
; 1
); /( ) (
; 0
] [
derajat
keanggotaan
[x]
GAMBAR 2.2 Representasi Linear Naik
2. Fungsi keanggotaan turun :
'
b x
b x a a b a x
x
; 0
); /( ) (
] [
derajat
keanggotaan
[x]
GAMBAR 2.3 Representasi Linear Turun
b. Representasi kurva segitiga
Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear)
seperti terlihat pada gambar 2.4.
c x b b c x c
b x a a b a x
c x atau a x
x
'
); /( ) (
); /( ) (
; 0
] [
derajat
keanggotaan
[x]
GAMBAR 2.4 Representasi kurva segitiga
c. Representasi kurva trapesium
Kurva Trapesium pada dasarnya seperti bentuk segi tiga, hanya saja ada
beberapa titik yang memiliki nilai keanggotaan 1 seperti terlihat pada gambar
2.5.
d x c c d x d
c x b
b x a a b a x
c x atau a x
x
'
); /( ) (
. 1
); /( ) (
; 0
] [
derajat
keanggotaan
[x]
GAMBAR 2.5 Representasi Kurva Trapesium
d. Representasi kurva bentuk bahu
Daerah yang terletak di tengah-tengah suatu variabel yang dipresentasikan
dalam bentuk segitiga, pada sisi dan kirinya akan naik dan turun. Seperti
terlihat pada gambar 2.6. Fungsi keanggotaan kurva bentuk bahu pada
prinsipnya hampir sama dengan kurva trapesium.
derajat
keanggotaan
[x]
GAMBAR 2.6 Representasi Kurva Bentuk Bahu
e. Representasi Kurva-S
Kurva Pertumbuhan dan Penyusutan merupakan kurva-S atau sigmoid
yang berhubungan dengan kenaikan dan penurunan permukaan secara tidak
linear.
1. Kurva-S untuk pertumbuhan akan bergerak dari sisi paling kiri
(nilai keanggotaan = 0) kesisi yang paling kanan (nilai keanggotaan
= 1). Fungsi keanggotaannya akan Tertumpu pada 50 % (gambar
2.7)
'
x
x
x
y x y
a y a x
x
x
. 1
; ) /( ) ( 2 1
; ) /( ) ( 2
; 0
] [
2
2
derajat
keanggotaan
[x]
GAMBAR 2.7 Representasi Kurva-S Pertumbuhan
2. Kurva-S untuk penyusustan akan bergerak dari sisi paling kanan
(nilai keanggotaan = 1) ke sisi paling kiri (nilai keanggotaan = 0)
seperti terlihat pada gambar 2.8
'
x
x
x
a y a x
y x y
x
x
. 1
; ) /( ) ( 2
; ) /( ) ( 2 1
; 0
] [
2
2
derajat
keanggotaan
[x]
GAMBAR 2.8 Representasi Kurva-S Penyusutan
f. Representasi Kurva berbentuk Lonceng
Untuk merepresentasikan bilangan fuzzy, biasanya digunakan kurva
berbentuk lonceng. Kurva berbentuk lonceng ini terbagi 3 kelas, yaitu :
himpunan fuzzy , beta dan gauss. Perbedaan ketiga kurva ini terletak pada
gradiennya.
1. Kurva
Kurva berbentuk lonceng dengan derajat keanggotaan 1 terletak pada
pusat dengan domain (), dan lebar kurva (). Nilai kurva untuk suatu
domain x diberikan sebagai :
Fungsi keanggotaan :
'
>
,
_
+ +
,
_
,
2
, ; 1
,
2
, ;
) , , (
x S
x S
GAMBAR 2.9 Representasi Kurva
2. Kurva Beta
Seperti halnya kurva , kurva beta juga berbentuk lonceng namun
lebih rapat. Kurva ini juga didefinisikan dengan 2 parameter, yaitu
nilai pada domain yang menunjukkan pusat kurva (), dan setengah
lebar kurva ().
Fungsi keanggotaan :
2
1
1
) , ; (
,
_
x
x B
derajat
keanggotaan
B[x]
GAMBAR 2.10 Representasi Kurva Beta
3. Kurva Gauss
Jika kurva pi, dan kurva beta menggunakan 2 parameter yaitu () dan
(), kurva gauss juga menggunakan () untuk menggunakan nilai
domain pada pusat kurva,.
Fungsi keanggotaan :
( )
( )
2
, ;
x y k
e y k x G
derajat
keanggotaan
[x]
GAMBAR 2.11 Representasi Kurva bentuk lonceng (bell)
g. Koordinat keanggotaan
Himpunan fuzzy berisi urutan pasangan berurutan yang berisi nilai domain dan
kebenaran nilai keangotaannya dalam bentuk :
Skalar (i) / Derajat(i)
Skalar adalah suatu nilai yang di gambar dari domain himpunan fuzzy,
sedangkan derajat skalar merupakan derajat keanggotaan himpunan fuzzynya
[Kusumadewi, 2004].
2.4 Operator Dasar Zadeh Untuk Operasi Himpunan Fuzzy
Seperti halnya himpunan konvensional, ada beberapa operasi yang
didefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan
fuzzy. Nilai keanggotaan sebagai hasil operasi 2 himpunan sering dikenal dengan
-predikat. Ada 3 operator dasar yang diciptakan oleh zadeh, yaitu :
a. Operator AND
Operasi ini berhubungan dengan operasi interseksi pada himpunan. -
predikat sebagai hasil operasi dengan operator AND diperoleh dengan mengambil
nilai keanggotaan terkecil antar elemen pada himpunan-himpunan yang
bersangkutan.
A B = min (A[x]. B[y])
b. Operator OR
Operator ini berhubungan dengan operasi union pada himpunan.-predikat
sebagai hasil opersi dengan operator OR diperoleh dengan mengambil nilai
keanggotaan terbesar antar elemen pada himpunan yang bersangkutan.
A B = min (A[x]. B[y])
c. Operator NOT
Operator ini berhubungan dengan operasi komplemen pada himpunan. -
predikat sebagai hasil operasi dengan operator NOT diperoleh dengan
mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari
satu.
A = 1-A[x]
2.5. INFERENSI FUZZY
Inferensi merupakan aturan (proposisi) pada basis pengetahuan fuzzy yang
kemudian untuk memodifikasi daerah fuzzy, dan mengaplikasikannya ke output.
Salah satu metode inferensi yang digunakan adalah metode Mamdani yang sering
dikenal dengan metode Max-Min. Metode ini dikenalkan oleh Ebrahim Mamdani
pada tahun 1975.
Dalam metode Mamdani untuk memperoleh output diperlukan 4 tahapan :
a. Pembentukan himpunan fuzzy
Pada metode Mamdani, baik variabel input maupun output dibagi menjadi
satu atau lebih himpunan fuzzy.
b. Aplikasi fungsi implikasi (aturan)
Pada metode Mamdani, fungsi implikasi yang digunakan adalah Min.
c. Komposisi Aturan
Apabila sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari
kumpulan dan korelasi antar aturan. Metode Mamdani memperoleh solusi
himpunan fuzzy dari nilai maksimum aturan, kemudian memodifikasi daerah
fuzzy dan mengaplikasikannya ke output dengan menggunakan operator OR
(union). Jika semua proporsi telah dievaluasi, maka output akan berisi suatu
himpunan fuzzy yang merefleksikan kontribusi dari tiap-tiap proporsi. Secara
umum dapat dituliskan :
sf
[X
i
] = max(
sf
[X
i
],
kf
[X
i
])
dengan :
sf
[X
i
] = Nilai keanggotaan solusi fuzzy sampai aturan ke-I;
kf
[X
i
] = Nilai keanggotaan kosekuen fuzzy aturan ke-I;
Contoh aturan (proporsi) Mamdani :
[R1] IF Nilai Rata-Rata KURANG And Nilai Test KURANG
THEN Nilai Kompetensi RENDAH
[R2] IF Nilai Rata-Rata CUKUP And Nilai Test CUKUP
THEN Nilai Kompetensi SEDANG
[R3] IF Nilai Rata-Rata BAIK And Nilai Test BAIK
THEN Nilai Kompetensi TINGGI
Metode Mamdani menggunakan metode frase untuk komposisi aturan.
d. Penegasan (deffuzy)
Input dari proses defuzzy adalah suatu himpunan yang diperoleh dari
komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan
suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga jika diberikan
suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu
nilai tertentu sebagai output. Metode defuzzy yang akan digunakan dalam
penelitian ini adalah metode centroid (composite moment), pada metode ini,
solusi crisp diperoleh dengan cara mengambil titik pusat (Z
*
) daerah fuzzy
[Kusumadewi,2002].
2.6 MATLAB TOOLBOX : FUZZY
Agar dapat menggunakan fungsi-fungsi logika fuzzy yang ada pada
MATLAB, maka harus diinstallkan terlebih dahulu TOOLBOX FUZZY. Fuzzy
logic toolbox memberikan fasilitas Graphical User Interface (GUI) untuk
mempermudah dalam membangun suatu sistem fuzzy. Ada 5 GUI tools yang dapat
digunakan untuk membangun, mengedit, dan mengobservasi sistem penalaran
fuzzy (Gambar 2.12), yaitu :
Fuzzy Inference System (FIS) Editor;
Membership Function Editor;
Rule Editor;
Rule Viewer;
Surface Viewer.
Pada bagian 1 sampai dengan 3 kita dapat membaca dan memodifikasi fis data,
sedangkan pada bagian 4 dan 5 kita hanya bisa membaca saja tanpa dapat
memodifikasinya.
Gambar 2.12 Fuzzy Inference System.
2.6.1 Fuzzy Inference System Editor (FIS Editor)
Apabila kita ingin membuat sistem penalaran fuzzy yang baru, maka kita cukup
menuliskan fuzzy pada command line.
fuzzy
Kemudian pada layar akan tampak FIS editor seperti terlihat pada Gambar 2.13.
Gambar 2.13. FIS Editor
Keterangan :
a. Menu pilihan yang mengijinkan anda untuk membuka, menyimpan,
mengedit atau menampilkan sistem fuzzy.
b. Ikon variabel input. Anda dapat mengedit fungsi keanggotaan tiap-tiap
variabel input dengan cara menekan ikon ini 2 kali (double-click).
c. Ikon diagram sistem. Anda dapat mengedit aturan (menuju ke rule editor)
dengan cara menekan ikon ini 2 kali (double-click).
d. Ikon variabel output. Anda dapat mengedit fungsi keanggotaan tiap-tiap
variabel output dengan cara menekan ikon ini 2 kali (double-click).
e. Nama sistem fuzzy akan ditampilkan di sini. Nama ini dapat diubah dengan
save as .....
f. Pop-up menu yang digunakan untuk mengatur fungsi-fungsi penalaran
fuzzy, seperti : AND, OR, fungsi implikasi, fungsi komposisi aturan
(agregasi), atau metode defuzzifikasi.
g. Menunjukkan operasi yang sedang dikerjakan.
h. Kolom edit, digunakan untuk mengedit nama input atau output.
i. Tombol untuk mencari tahu informasi lebih lanjut tentang kerja FIS editor.
Apabila kita ingin membuka file . fis yang telah kita buat (misalkan: produksi.fis),
maka kita langsung dapat mengetikkan :
fuzzy produksi
2.6.2 Membership Function Editor
Editor fungsi keanggotaan seperti terlihat pada Gambar 2.14. Editor ini berfungsi
untuk mengedit fungsi keanggotaan himpunan fuzzy untuk tiap-tiap variabel input
dan output. Editor ini dapat dipanggil dengan cara memilih menu View - Edit
membership functions. atau menekan tombol Ctrl+2 atau menekan 2 kali (double
click) ikon variabel input atau variabel output (point-b atau point-d pada Gambar
2.14).
Gambar 2.14 Editor Fungsi Keanggotaan
Keterangan :
a. Menu pilihan untuk menyimpan, membuka, mengedit dan melihat sistem
fuzzy.
b. Daerah variabel. Untuk mengedit fungsi keanggotan salah satu variabel,
tekan satu kali.
c. Gambar ini akan menampilkan semua fungsi keanggotaan himpunan fuzzy
pada suatu variabel.
d. Untuk mengedit atribut suatu fungsi keanggotaan himpunan fuzzy (nama,
tipe, parameter), cukup ditekan satu kali.
e. Menunjukkan nama dan tipe variabel yang ditunjuk.
f. Daerah untuk mengedit range variabel.
g. Daerah untuk mengedit range variabel yang akan ditampilkan.
h. Menunjukkan operasi yang sedang berjalan.
i. Daerah untuk mengedit nama himpunan fuzzy yang ditunjuk.
j. Pop-up menu untuk memilih tipe atau jenis fungsi keanggotaan himpunan
fuzzy yang ditunjuk.
k. Daerah untuk mengedit parameter-parameter himpunan fuzzy yang
ditunjuk.
2.6.3 RULE EDITOR
Rule editor merupakan digunakan baik untuk mengedit maupun menampilkan
aturan yang akan atau telah dibuat. Editor ini dapat dipanggil dengan cara memilih
menu View - Edit rules... atau menekan tombol Ctrl+3 atau menekan 2 kali
(double click) ikon diagram sistem (point-c pada Gambar 2.15). Maka akan
muncul rule editor seperti terlihat pada Gambar 1.10.
Gambar 2.15 Rule Editor
Keterangan :
a. Menu pilihan untuk menyimpan, membuka, mengedit dan melihat
sistem fuzzy.
b. Daerah yang berisi aturan-aturan fuzzy.
c. Listbox yang berisi himpunan-himpunan fuzzy untuk input 1.
d. Listbox yang berisi himpunan-himpunan fuzzy untuk output 1.
e. Pilihan operator yang digunakan.
f. Bobot untuk aturan yang ditunjuk.
g. Tombol untuk menghapus aturan yang ditunjuk.
h. Tombol untuk menambahkan aturan.
i. Tombol untuk mengubah aturan yang ditunjuk.
2.6.4 RULE VIEWER
Viewer ini berguna untuk melihat alur penalaran fuzzy pada sistem, meliputi
pemetaan input yang diberikan ke tiap-tiap variabel input, aplikasi operator dan
fungsi implikasi, komposisi (agregasi) aturan, sampai pada penentuan output tegas
pada metode defuzzifikasi. Viewer ini dapat dipanggil dengan cara memilih menu
View View.
Gambar 2.16 Rule viewer
Keterangan :
a. Menu pilihan untuk menyimpan, membuka, mengedit dan melihat sistem
fuzzy,
b. Kolom ini (kuning) menunjukkan variabel input yang digunakan dalam
aturan.
c. Kolom ini (biru) menunjukkan variabel output yang digunakan dalam
aturan.
d. Tiap-tiap baris menunjukkan satu aturan. Apabila ingin mengetahui aturan
tersebut, tekan nomor aturan satu kali, kemudian akan muncul aturan tersebut
pada status bar.
e. Menunjukkan kombinasi output dari tiap-tiap aturan yang terbentuk dari
fungsi komposisi (aggregasi) yang digunakan, kemudian dilanjutkan dengan
proses defuzzifikasi.
f. Tempat untuk mengedit input yang diberikan.
g. Tombol-tombol untuk melihat aturan ke samping kiri, kanan, turun atau
naik.
h. Status bar yang menunjukkan operasi yang sedang dijalankan.
2.6.5 SURFACE VIEWER
Viewer ini berguna untuk melihat gambar pemetaan antara variabel-variabel input
dan variabel-variabel output. Viewer ini dapat dipanggil dengan cara memilih
menu View - View surface... atau menekan tombol Ctrl+6. Maka akan muncul
surface viewer seperti terlihat pada Gambar 2.17.
Gambar 2.17. Surface viewer
Keterangan :
a. Menu pilihan untuk menyimpan, membuka, mengedit dan melihat
sistem fuzzy.
b. Menunjukkan permukaan input vs. output.
c. Pop-up menu untuk menampilkan variabel input.
d. Pop-up menu untuk menampilkan variabel output.
e. Kolom untuk mengedit grid input.
f. Kolom untuk mengedit input yang tidak dispesifikasikan.
g. Tekan tombol ini apabila telah siap menghitung dan
menggambar.
h. Satus bar yang menunjukkan operasi yang sedang dijalankan
[Kusumadewi,2002].
2.7 Pengumpulan Data
Dalam mengumpulkan data terlebih dahulu kita harus mengetahui untuk
apa data itu dikumpulkan. Apakah data tersebut hanya sekedar untuk
mendapatkan gambaran mengenai suatu keadaan/ permasalahan atau untuk
memecahkan suatu permasalahan. Apapun tujuan pengumpulan data, terlebih
dahulu harus diketahui jenis elemen atau objek yang akan diselidiki. Elemen
sering juga disebut satuan (unit terkecil) atau individu. Contohnya pada penelitian
ini elemen yang digunakan adalah : nilai rata-rata SKHU dan nilai test.
Tujuan pengumpulan data selain untuk mengetahui jumlah elemen, juga
untuk mengetahui kerakteristik dari elemen-elemen tersebut. Karakteristik adalah
sifat-sifat, ciri-ciri atau hal-hal yang dimiliki oleh elemen [Supranto:1995].
2.7.1 Syarat Data Yang Baik
Data yang salah, apabila dipergunakan untuk dasar pembuatan keputusan,
pasti keputusan itu akan salah. Perencanaan tidak tepat, kontrol tidak efektif dan
evaluasi tidak mengenai sasarannya secara objektif.
Syarat-syarat data yang baik dan berguna antara lain sebagai berikut :
a. Data harus obyektif, maksudnya sesuai dengan keadaan yang
sebenarnya (as it is).
b. Data harus bisa mewakili, maksudnya data tersebut harus dapat
mewakiki semua aspek yang berhubungan sengan data tersebut, jangan
hanya sebagian aspek saja.
c. Kesalahan baku (standard error) harus kecil. Suatu perkiraan
(estimete) dikatakan baik (mempunyai tingkat ketelitian yang tinggi) apabila
kesalahan bakunya kecil.
d. Harus tepat waktu (up to date)
a. Khusus kalau data akan dipergunakan untuk melakukan
pengandalian atau evaluasi, syarat tepat waktu ini penting sekali agar sempat
dilakukannya. Penyesuaian atau koreksi seperlunya kalau ada kesalahan atau
penyimpangan yang terjadi di dalam implementasi suatu perencanaan.
e. Harus relevan, maksudnya data yang dikumpulkan harus ada
hubungannya dengan masalah yang akan dipecahkan.
2.7.2. Cara Pengumpulan Data
Di dalam statistik dikenal dua cara pengumpulan data, yaitu cara sensus
dan cara sampling. Sensus adalah cara pengumpulan data kalau seluruh elemen
populasi siselidiki satu persatu. Sensus merupakan cara pengumpulan data yang
menyeluruh. Data yang diperoleh sebagai hasil pengolahan sensus disebut data
yang sebenarnya (true value), atau sering disebut parameter. Sampling adalah cara
pengumpulan data yang kalau diselidiki adalah sampel dari suatu populasi. Data
yang diperoleh dari hasil sampling merupakan data perkiraan (estimate value).
2.7.3. Cara Pengambilan sampel
Pada dasarnya ada dua cara pengambilan sampel, yaitu cara acak
(random), dan bukan acak (non random).
a. Cara acak.
Suatu cara pemilihan sejumlah elemen dari populasi untuk anggota
sampel, pemulihan dilakukan sedemikian rupa sehingga setiap elemen
mendapat kesempatan yang sama untuk dipilih menjadi anggota sampel.
Pemilihan dapat dilakukan dengan lotere/undian atau kalau jumlah
elemennya ribuan perlu kita gunakan dengan tabel angka acak, yaitu daftar
angka yang sudah dibuat sedemikian rupa sehingga kalau dipergunakan
akan menjamin pemilihan secara acak. Cara ini disebut obyektif karena
tidak pilih kasih. Samplingnya disebut probability sampling, artinya setiap
elemen mempunyai probabilitas (kemungkinan) yang sama untuk diplih.
b. Cara bukan acak
Suatu cara pemilihan elemen-elemen dari populasi untuk menjadi anggota
sampel kalau setiap elemen tidak mendapat kesempatan yang sama untuk
dipilih. Cara bukan acak lebih bersifat subyektif dan samplingnya disebut
non probability sampling, artinya setiap elemen tidak mempunyai
probabilitas yang sama untuk dipilih.
c. Cara menentukan sampel dengan rumus
Untuk memperoleh ukuran sampel yang representatif perlu ditentukan
ukurannya. Cara menentukan sampel tersebut sebagai berikut :
2
2
.
,
_
b
Z
n
Dimana :
n = Ukuran sampel
= Standar deviasi dari data hasil penelitian pendahuluan
z = Bilangan pada daftar z
= Koefisien kofidensi / taraf ketelitian
b = Beda maksimum yang diinginkan antara yang dicari (parameter)
dengan hasil peritungan (statistik). Besar b ditentukan oleh peneliti,
biasanya sebesar 1% - 10% dari rata rata. Dari rumus dapat dilihat
bahwa makin besar b (berarti sampling akan makin kurang teliti),
makin kecil n. Demikian sebaliknya, makin besar b (berarti sampling
makin teliti), makin besar b yang diambil.
2.7.4. Median dan Modus.
Kalau ada sekelompok nilai sebanyak n kemudian diurutkan mulai dari
yang terkecil X
1
sampai dengan X
n
, maka nilai yang ada di tengah-tengah disebut
median. Untuk n ganjil, jika k suatu bilangan konstan dan n ganjil maka dapat
ditulis : n = 2k + 1
2
1
n
k
Untuk genap, jika k suatu bilangan konstan dan n genap maka dapat ditulis :
N = 2k
2
n
k , Median = (X
k
+ X
k+1
)
Modus dari suatu kelompok nilai adalah nilai dari kelompok tersebut yang
mempunyai frekuensi tertinggi, atau nilai yang paling banyak terjadi di dalam
suatu kelompok nilai.
X f
(1) (2) X
i
= Modus = Mod jiks f
i
mempunyai nilai terbesar
X
1
f
1
dibandingkan dengan frekuensi lainnya
X
2
f
2
. .
. . untuk semua i
X
i
f
i
. .
. .
X
n
f
n
2.7.5. Kuartil, Desil dan Persentil
a. Kuartil
Untuk kelompok data di mana n 4, kita tentukan tiga nilai, katakanlah
Q
1
, Q
2
, Q
3
, yang membagi kelompok data tersebut menjadi 4 bagian yang
sama, maksudnya setiap bagian memuat data yang sama atau jumlah observasi
sama. Nilai-nilai tersebut dinamakan kuartil pertama, kedua, ketiga.
Pembagian itu sedemikian rupa sehingga 25 % data observasi nilainya sama
atau lebih kecil dari Q
1
, 50% data/observasi sama atau lebih kecil dari Q
2
, 75%
data/observasi sama atau lebih kecil dari Q
3.
Kalau data sudah diurutkan dari
yang terkecil (=X
1
) sampai yang terbesar (=X
n
), maka untuk menghitung Q
1
,
Q
2
, dan Q
3
harus dipergunakan dengan rumus berikut :
f
i
f
i+1
f
i
f
i-1
Q
1
= nilai yang ke
4
) 1 ( + n i
, i = 1, 2, 3
b. Desil
Untuk kelompok data di mana n 10, tentukan 9 nilai yang membagi
kelompok data tersebut menjadi 10 bagian yang sama misalnya, D
1,
D
2,
D
9,
artinya setiap bagian mempunyai jumlah observasi yang sama, sedemikian
rupa sehingga 10% observasi nilainya sama atau lebih kecil dari D
1,
20%
nilainya sama atau lebih kecil dari D
2,
dan seterusnya
.
Nilai tersebut dinamakan
desil pertama, kedua dan seterusnya sampai desil kesembilan. Jika data
tersebut nilainya sudah diurutkan dari yang terkecil (=X
1
) sampai yang
terbesar (=X
n
), maka untuk menghitung desil dipergunakan rumus berikut :
D
1
= nilai yang ke
10
) 1 ( + n i
, i = 1, 2, .., 9
c. Persentil
Untuk kelompok data di mana n 100, tentukan 99 nilai, P
1,
P
2,
P
99,.
Nilai tersebut dinamakan persentil pertama, kedua dan seterusnya sampai
persentil ke-99, yang membagi kelompok data tersebut menjadi 100 bagian;
setiap bagian mempunyai jumlah observasi yang sama, sedemikian rupa
sehingga 1% observasi nilainya sama atau lebih kecil dari P
1,
2% nilainya
sama atau lebih kecil dari P
2,
dan seterusnya. Jika data tersebut nilainya sudah
diurutkan dari yang terkecil (=X
1
) sampai yang terbesar (=X
n
), maka untuk
menghitung persentil dipergunakan rumus berikut :
P
1
= nilai yang ke
100
) 1 ( + n i
, i = 1, 2, ,99
2.8 Menguji Kenormalan Data
Memeriksa kenormalan data adalah untuk melihat apakah sejumlah data
berdistribusi normal atau tidak. Dengan mengetahui distribusi kemungkinan data
tersebut, akan berguna untuk menentukan cara pengolahan selanjutnya. Misalkan
apabila data kita berdistribusi normal, maka dalam penentuan ukuran persentil
dapat menggunakan tabel normal, sehingga penyelesaiannya lebih mudah
[Sudjana,1980].
Langkah-langkah dalam pemerikasaan kenormalan data ini disebut juga
goodness of fit test adalah :
a. Tetapkan hipotesis Ho = distribusi normal
Hi distribusi normal
b. Data dibagi dalam kelompok-kelompok. Masing-masing kelompok
lebar kelas sebesar :
K
r
L
Dimana :
r = Selisih antara nilai pengukuran terbesar dan terkecil
k = Jumlah kelas 1 + 3,3 Log n
n = jumlah data
c. Hitung harga rata-rata dan standar deviasi seperti cara sebelumnya.
d. Untuk melakukan pemeriksaan ini kita ambil F1, F2, F3, .., Fk
sebagai frekuensi yang diharapkan berdasarkan hipotesa Ho.
e. Menghitung nilai X
2
Rumus :
) (
) 2 ( ) 1 (
) (
2
2
n E Ei
Z P Z P E
S
X
Z
ei
ei Oi
i
i
< <
,
_
,
_
di mana :
= n - 1 adalah derajat kebebasan
( )
2
x
[Boediono,2001]. Dengan demikian
2
x menyatakan nilai
2
x
2.12. Konsep Dasar Kurikulum Berbasis Kompetensi
Dalam rangka mempersiapkan lulusan pendidikan memasuki era
globalisasi yang penuh tantangan dan ketidakpastian, diperlikan pendidikan yang
dirancang berdasarkanberdasarkan kebutuhan nyata di lapangan. Untuk
kepentingan tersebut Pemerintah memprogramkan kurikulum berbasis kompetensi
(KBK) atau (Competency Based Curriculum) sebagai acuan dan pedoman bagi
pelaksanaan pendidikan untuk seluruh jenjang dan jalur pendidikan sekolah. Hal
ini terutama terkait dengan Gerakan Peningkatan Mutu Pendidikan yang
dicanangkan oleh Menteri Pendidikan Nasional pada tanggal 2 Mei 2002
[Mulyasa, 2002].
2.14. Pengertian Kompetensi dan Kurikulum Berbasis Kompetensi
Kompetensi merupakan perpaduan dari pengetahuan, keterampilan, nilai
dan sikap yang direfleksikan dalam kebiasaan berfikir dan bertindak. Kompetensi
yang harus dikuasai peserta didik perlu dinyatakan sedemikian rupa agar dapat
dinilai, sebagai wujud hasil belajar peserta didik yang mengacu pada pengalaman
langsung [Mulyasa, 2002].
Gordon, sebagaimana yang dikutip dalam Kurikulum Berbasis
Kompetensi[Mulyasa 2002] menjelaskan beberapa aspek yang terkandung dalam
konsep konpetensi sebagai berikut :
a. Pengetahuan : yaitu kesadaran dalam bidang kognitif, misalnya
seorang guru mengetahui cara melakukan identifikasi kebutuhan belajar, dan
bagaimana melakukan pembelajaran terhadap peserta didik sesuai dengan
kebutuhannya.
b. Pemahaman ; yaitu kedalaman kognitif dan afektif yang dimiliki
oleh individu. Misalnya seorang guru yang akan melaksanakan pembelajaran
harus memiliki pemahaman yang baik tentang karakteristik dan kondisi
peserta didik, agar dapat melaksanakan pembelajaran secara efektif dan
efisien.
c. Kemampuan ; yaitu sesuatu yang dimiliki oleh individu untuk
melakukan tugas atau pekerjaan yang dibebankan kepadanya. Misalnya
kemampuan guru dalam memilih, dan membuat alat peraga sedehana untuk
memberi kemudahan belajar pada peserta didik.
d. Nilai ; adalah suatu standar perilaku yang telah diyakini dan secara
psikologis telah menyatu dalam diri seseorang. Misalnya standar perilaku guru
dalam pembelajaran (kejujuran , keterbukaan, demokratis dan lain-ain).
e. Sikap ; yaitu perasaan (senang-tidak senang, suka-tidak suka) atau
reaksi terhadap suatu rangsangan yang datang dari luar. Misalnya reaksi
terhadap krisis ekonomi, persaan terhadap kenaikan upah/gaji, dan sebagainya.
f. Minat ; adalah kecederungan seseorang untuk melakukan sesuatu
perbuatan. Misalnya minat untuk mempelajari atau melakukan sesuatu.
Berdasarkan pengetian kompetensi di atas, kurikulum berbasis
Kompetensi (KBK) dapat diartikan sebagai suatu konsep kurikulum yang
menekankan pada pengembangan kemampuan melakukan (kompetensi) tugas-
tugas dengan standar performansi tertentu, sehingga hasilnya dapat dirasakan oleh
peserta didik, berupa penguasaan terhadap seperangkat kompetensi tertentu. KBK
diarahkan untuk mengembangkan pengetahuan, pemahaman, kemampuan, nilai,
sikap dan minat peserta didik, agar dapat melakukan sesuatu dalam bentuk
kemahiran, ketepatan, dan keberhasilan dengan penuh tanggung jawab [Mulyasa,
2002].
BAB III
METODOLOGI PENELITIAN
3.1 Flow Chart Pemecahan Masalah
Pada bab ini akan diuraikan secara singkat langkah-langkah yang
diuraikan dalam penelitian ini untuk menyelesaikan persoalan yang diuraikan
pada bab 1. Adapun flow chart penyelesaian masalah adalah sebagai berikut :
Mulai
Penelitian Pendahuluan
- Identifikasi Masalah
- Perumusan Masalah
Studi Literatur
Pengumpulan Data dan
Pengolahan Data
Analisa dan Pembahasan
Kesimpulan dan Saran
Selesai
Gambar 3.1. Flow Chart Pemecahan Masalah
3.2 Langkah-langkah Pemecahan Masalah
Dari flow chart di atas akan diuraikan secara singkat langkah-langkah
yang dilakukan dalam penelitian ini. Pada penyelesaian masalah ini dilakukan
dimulai mengidentifikasi masalah dan berakhir pada kesimpulan dan saran.
Adapaun penjelasan secara singkat akan diuraikan dibawah ini :
A. Identifikasi dan Perumusan Masalah
Dari latar belakang masalah dapat diketahui bahwa pembagian kelas yang
tidak seimbang dapat mempengaruhi kompetensi siswa dalam proses
belajar. Untuk itu maka diperlukan formula yang tepat untuk membagi
siswa tiap kelas dengan kompetensi yang seimbang antara kurang, cukup,
dan baik. Agar diperoleh formasi tiap kelas yang baik sehingga proses
belajar mengajar akan berjalan dengan baik.
B. Studi Literatur
Pada langkah ini bertujuan untuk memperoleh penjelasan tentang dasar-
dasar teoritis yang akan digunakan sebagai landasan dalam pemecahan
masalah yang dihadapi. Adapun studi literatur yang dipakai pada
penelitian ini meliputi logika fuzzy dan statistik.
C. Pengumpulan Data
Data yang dikumpulkan dalam penelitian tugas akhir ini adalah nilai rata-
rata SKHUN siswa, nilai test dan angket guru-guru SMP Ciledug Garut.
D. Pengolahan Data
Dalam langkah pengolahan data ini dimulai dari distribusi data sampai
dengan teori uji hipotesis.
1. Pengurutan nilai rata-rata dan test siswa
Nilai SKHUN dan nilai test siswa diurutkan dari yang terbesar hingga
yang terkecil.
2. Mencari jangkauan/range data.
Pencarian jangkauan/range dari data nilai rata-rata SKHUN dan test
menggunakan rumus :
r = nilai maksimum nilai minimum
3. Banyaknya kelas data
Banyaknya kelas dari data menggunakan rumus :
k = 1 + 3,3 log n , dimana n adalah jumlah data
4. Mencari frekuensi
Dalam langkah ini fekuensi yang dicari adalah frekuensi nilai siswa
dalam tiap jangkauannya.
5. Mencari nilai tengah
Dalam langkah ini nilai tengah yang dicari adalah nilai tengah dalam
tiap interval kelas.
6. Histogram
Pembuatan histogram dimaksudkan agar penulis memperoleh
gambaran visual mengenai nilai rata-rata SKHUN dan test siswa.
7. Pengujian chi-kuadrat.
Pengujian ini dilakukan untuk mengetahui apakah data yang diteliti
normal atau tidak.
E. Implementasi logika fuzzy
Dari data yang diolah, data tersebut menjadi acuan dalam langkah
implementasi logika fuzzy dan bagaimana cara mempresentasikan logika
fuzzy dari persamaan yang diperoleh melalui perhitungan statistik
F. Kesimpulan dan saran
Melihat urutan kegiatan pada pelaksanaan penelitian tugas akhir ini, maka
dapat diperoleh suatu kesimpulan akhir dan saran mengenai apa yang
sebaiknya dilakukan SMP Ciledug Garut dalam pembagian siswa tiap
kelas sehingga memperoleh formula yang baik tiap kelasnya.
BAB IV
PENGOLAHAN DATA DAN ANALISIS
3.3 Data Umum Instansi
Instansi dalam penelitian ini adalah SMP Ciledug Garut. Data umum
instansi dimaksudkan agar pembaca dapat mengetahui gambaran dari sistem yang
berjalan
4.1.1 Sejarah SMP Ciledug Garut
SMP Ciledug Garut didirikan pada tahun 1990 dibawah naungan Yayasan
Al-Musaddadiyah Garut pimpinan K.H. Anwar Musaddad. SMP Ciledug Garut
dipimpin oleh Drs. H. Asep Saefuddin M.
Di saat awal pendirian SMP Ciledug hanya memiliki murid yang sangat
sedikit karena persaingan dengan SMP negeri dan SMP swasta yang ada di
Kabupaten Garut. Akan tetapi sedikitnya siswa tidak membuat semangat para staf
dan guru untuk membuat sekolah ini menjadi besar. Hal ini terbukti dengan
kelulusan siswa kelas 3 yang tiap tahunnya mencapai 97 % dan 50 % diantaranya
masuk ke SMA Negeri yang ada di Kabupaten Garut dan Luar Kabupaten Garut.
Hal ini tidak terlepas dari Visi, Misi, dan tujuan SMP Ciledug yang
menjadi pegangan bagi para staf dan gurunya.
4.1.2 Visi SMP Ciledug Garut
Visi SMP Ciledug Garut adalah sebagai berikut :
1. Akhlakul Karimah yang dilandasi iman dan takwa kepada Alloh SWT.
2. Amanah dalam bertindak
3. Prestasi meningkat
4. Profesional dalam bekerja
5. Peduli terhadap pembaharuan dan lingkungan
4.1.3 Misi SMP Ciledug Garut
Misi SMP Ciledug Garut adalah sebagai berikut :
1. Membina pencapaian budi pekerti luhur
2. Meningkatkan proses belajar mengajar
3. Mewujudkan peningkatan mutu
4. Mewujudkan personal yang sehat, terampil dan beretoskerja
5. Meningkatkan pelayanan secara optimal
6. Meningkatkan budaya tertib dan bersih
7. Melaksanakan pengawasan berkesinambungan
4.1.4 Struktur Organisasi SMP Ciledug Garut
Struktur SMP Ciledug Garut adalah sesuai dengan diagram di bawah ini :
STRUKTUR ORGANISASI SMP CILEDUG GARUT GARUT
KETUA YAYASAN
BIMBINGAN &
PENYULUHAN
WALI KELAS GURU
KURIKULUM
WAKIL KEPALA
SEKOLAH
KEPALA SEKOLAH
OSIS
SISWA
SARANA
TATA USAHA
Gambar 4.1 Struktur organisasi SMP Ciledug Garut
4.1.5 Tugas Pokok dan Fungsi SMP Ciledug Garut
Tugas Pokok dan Fungsi SMP Ciledug Garut selaku organisasi yang
bergerak dibidang pendidikan adalah membantu pemerintah untuk melayani
masyarakat dalam hal pendidikan dasar tingkat menengah dasar.
Adapun perangkat organisasi SMP Ciledug terdiri atas Ketua Yayasan,
Kepala Sekolah, Wakil Kepala Sekolah, Staf Tata Usaha, Staf Kurikulum, Guru,
Wali Kelas, Staf BP, Staf Bagian Sarana, OSIS, Siswa, seperti yang tertera dalam
struktur organisasi SMP Ciledug Garut.
Adapun perangkat organisasi SMP Ciledug Garut terdiri atas Kepala
Sekolah yang bertanggung jawab secara keseluruhan terhadap yayasan.
a. KEPALA SEKOLAH
1. Mengawasi secara berkesinambungan terhadap seluruh staf yang
ada di SMP Ciledug.
2. Bertanggung jawab kepada yayasan dan Direktorat Jenderal
Pendidikan Dasar dan menengah.
b. WAKIL KEPALA SEKOLAH
1. Membantu tugas Kepala Sekolah.
2. Mewakili Kepala sekolah apabila Kepala Sekolah berhalangan
c. STAF TATA USAHA
1. Menyediakan semua data yang diperlukan sekolah baik itu data
sekolah, data siswa, data guru dan lain-lain.
2. Mengumpulkan uang iuran siswa tiap bulan.
d. STAF KURIKULUM
1. Mengatur dan menentukan kurikulum yang akan digunakan di
SMP Ciledug Garut.
2. Mengatur jadwal mengajar.
e. GURU
1. Mengajar siswa dikelas berdasarkan pelajaran yang telah
ditentukan bidang kurikulum.
2. Mendidik siswa agar memiliki budi pekerti.
f. WALI KELAS
1. Membimbing siswa disekolah.
2. Menjadi pengganti orang tua di sekolah.
g. STAF BP
1. Memberikan bimbingan dan penyuluhan terhadap siswa yang
bermasalah.
2. Memberikan sanksi apabila siswa tetap tidak berubah setelah diberi
bimbingan.
h. STAF BAGIAN SARANA
1. Menyediakan segala perangkat yang diperlukan sekolah.
2. Merawat semua inventaris sekolah
i. OSIS
1. Merupakan organisasi tempat menyalurkan aspirasi siswa.
2. Menjadi penyelenggara setiap kegiatan luar sekolah.
4.2 Batasan Sistem
Batasan sistem yang akan dibahas pada bagian ini meliputi lingkungan
fisik sistem, penjelasan tentang batasan sistem, fungsionalitas sistem, dan
deskripsi sistem.
4.2.1 Lingkungan Fisik Sistem
Lingkungan fisik sistem menggambarkan semua entitas yang berhubungan
dengan sistem yaitu :
a. Kepala Sekolah
b. Staf Tata Usaha
c. Staf Bagian Sarana
4.2.2 Penjelasan Tentang Batasan Sistem
a. Kepala Sekolah yang bertanggung jawab secara keseluruhan
terhadap kegiatan sekolah yang ditangani.
b. Staf Tata Usaha yang bertugas menjalankan kegiatan-kegiatan
yang berkaitan dengan bidang tata usaha.
c. Staf bagian sarana yang bertugas menyediakan sarana yang
dibutuhkan sekolah.
4.3 Fungsionalitas Sistem
Pembagian kelas di SMP ciledug yang sedang berjalan adalah Staf TU
menerima siswa baru yang nantinya seluruh siswa di sortir berdasarkan jenis
kelamin (laki-laki/perempuan). Setelah diperoleh jumlah laki-laki dan perempuan
Staf TU berkoordinasi dengan Staf Bagian Sarana mengenai berapa jumlah kelas,
Meja dan kursi yang tersedia untuk siswa baru.
4.4 Deskripsi Sistem
Bagian deskripsi sistem ini akan menjelaskan mengenai
prosedur proses pembagian kelas di SMP Ciledug Garut.
Deskripsi proses pembagian kelas ini akan disajikan melalui
pemodelan flowchart.
start
Panitia PSB
menyerahkan data
siswa baru
Staff TUmengitung jumlah laki-
laki dan jumlah perempuan
Jumlah siswa
Membagi siswa laki-laki dan
perempuanberdasarkanjumlah
kelas yangtersedia
Formasi tiap kelas
Stop
ACCKepala
Sekolah
Jumlah kelas yang
tersedia
Gambar 4.2 : Flow chart Pembagian kelas yang sedang berjalan
Adapun deskripsi proses pembagian kelas yang sedang berjalan adalah
sebagai berikut:
a. Panitia Penerimaan Siswa Baru menyerahkan data siswa baru ke
bagian Tata Usaha
b. Bagian Tata Usaha menyortir jumlah laki-laki dan perempuan.
c. Bagian Tata Usaha membagi jumlah siswa laki-laki dan perempuan
berdasarkan kelas yang tersedia dengan merata.
d. Formasi tiap kelas di ACC oleh Kepala Sekolah.
4.5. Pengolahan Data Dengan Statistik
Pengolahan data statistik ini dilakukan agar penulis dapat mengetahui
apakah data tersebut layak dijadikan acuan dalam penelitian dan untuk
memperoleh gambaran dalam membuat persamaan fuzzy. Data yang digunakan
adalah data nilai rata-rata SKHUN dan data nilai test siswa baru SMP Ciledug
Tahun Pelajaran 2005/2006.
4.5.1 Pengurutan Nilai Rata-Rata SKHUN dan Nilai Test
Dari data nilai rata-rata SKHUN dan nilai test dilapangan berdasarkan 100
orang siswa diperoleh data sebagai berikut :
a. Data Nilai Rata-Rata SKHUN
7,42 7,97 8,65 6,95 7,52 7,30 8,99 6,87 6,61 6,80
7,11 6,29 7,34 7,29 7,27 6,99 7,51 7,10 7,37 6,33
8,32 7,96 6,60 7,49 6,77 6,42 6,90 7,09 7,42 7,41
7,23 7,03 7,03 7,96 6,15 7,27 6,10 6,54 7,50 6,55
6,89 7,03 7,32 7,32 6,87 8,19 6,95 7,51 6,30 7,31
7,66 7,02 6,52 7,83 7,83 7,53 7,26 6,69 6,87 7,54
7,92 6,62 6,43 9,07 6,69 8,05 7,84 6,79 6,38 7,01
6,80 8,08 7,09 6,72 6,86 6,79 7,46 6,12 6,47 6,77
6,26 7,28 7,90 8,83 7,29 6,50 6,42 7,84 7,07 7,06
6,15 6,93 6,15 7,43 7,92 6,99 6,87 7,05 7,83 6,47
b. Data Nilai Test
8 8 9 8 8 7 9 7 7 7
7 6 7 8 7 7 8 7 8 6
7 8 7 8 7 7 7 6 7 7
7 7 7 8 5 7 6 7 7 7
7 7 8 7 7 7 7 8 6 7
8 8 7 7 7 7 7 6 8 8
7 7 6 8 7 8 8 7 6 7
7 8 7 7 7 7 7 5 7 7
5 7 8 8 7 6 6 8 7 7
5 7 5 8 8 6 7 8 7 7
Data nilai rata-rata SKHUN dan nilai test diatas terlebih dahulu diurutkan dari
yang terbesar sampai yang terkecil, sehingga diperoleh :
a. Jajaran data nilai rata-rata SKHUN
9,07 7,96 7,54 7,42 7,28 7,06 6,95 6,80 6,60 6,38
8,99 7,92 7,53 7,41 7,27 7,05 6,93 6,79 6,55 6,33
8,83 7,92 7,52 7,37 7,27 7,03 6,90 6,79 6,54 6,30
8,65 7,90 7,51 7,34 7,26 7,03 6,89 6,77 6,52 6,29
8,32 7,84 7,51 7,32 7,23 7,03 6,87 6,77 6,50 6,26
8,19 7,84 7,50 7,32 7,11 7,02 6,87 6,72 6,47 6,15
8,08 7,83 7,49 7,31 7,10 7,01 6,87 6,69 6,47 6,15
8,05 7,83 7,46 7,30 7,09 6,99 6,87 6,69 6,43 6,15
7,97 7,83 7,43 7,29 7,09 6,99 6,86 6,62 6,42 6,12
7,96 7,66 7,42 7,29 7,07 6,95 6,80 6,61 6,42 6,10
b. Jajaran data nilai test
9 8 8 7 7 7 7 7 7 6
9 8 8 7 7 7 7 7 7 6
8 8 8 7 7 7 7 7 7 6
8 8 8 7 7 7 7 7 7 6
8 8 8 7 7 7 7 7 6 6
8 8 8 7 7 7 7 7 6 5
8 8 8 7 7 7 7 7 6 5
8 8 8 7 7 7 7 7 6 5
8 8 7 7 7 7 7 7 6 5
8 8 7 7 7 7 7 7 6 5
4.5.2. Menentukan jangkauan/range
Dalam menentukan jangkauan/range dari data di atas menggunakan rumus
: r = nilai maksimum nilai minimum. Dari rumus diperoleh :
1. Range untuk nilai rata-rata SKHUN
r = 9.07 6.10
= 2.97
2. Range untuk nilai test
r = 9 5
= 4
4.5.3. Menentukan Banyaknya Kelas Data
Dalam menentukan banyaknya kelas dari data diatas menggunakan
rumus : k = 1 + 3,3 log n , dimana n adalah jumlah data yang diteliti. Dari rumus
diperoleh :
a. Banyaknya kelas dari data nilai rata-rata SKHUN
k = 1 + 3,3 log 100
= 7.6
Dengan demikian banyaknya kelas dapat ditentukan kira-kira mendekati 7,
bisa kurang dari 7 atau bisa lebih dari 7.
b. Banyaknya kelas dari data nilai test
k = 1 + 3,3 log 100
= 7.6
Dengan demikian banyaknya kelas dapat ditentukan kira-kira mendekati 7,
bisa kurang dari 7 atau bisa lebih dari 7.
4.5.4. Menentukan Lebar Kelas
Dalam menentukan lebar kelas dari data diatas menggunakan rumus :
c = r/k. Dari rumus diperoleh :
a. Lebar kelas dari data nilai rata-rata SKHUN
r = 2.97 / 7.6
= 2.97
b. Lebar kelas dari data nilai test
r = 9 5
= 4
4.5.5. Tabel Distribusi Frekuensi
Setelah memperoleh nilai jangkauan, banyak kelas dan lebar kelas kita
dapat membuat tabel distribusi, adapun tabel distribusi adalah sebagai
berikut :
a. Tabel distribusi untuk nilai rata-rata nilai SKHUN
TABEL 4.1. Tabel Distribusi Nilai rata-rata SKHUN
interval nilai tengah frekuensi
6,10 - 6,40 6,25 10
6,41 - 6,71 6,56 14
6,72 - 7,02 6,87 21
7,03 - 7,33 7,18 21
7,34 - 7,64 7,49 14
7,65 - 7,95 7,80 9
7,96 -8,26 8,11 6
8,27 - 8,57 8,42 1
8,58 - 8,88 8,73 2
8,89 - 9,29 9,09 2
b. Tabel distribusi untuk nilai test
TABEL 4.2. Tabel Distribusi Nilai Test
interval nilai tengah frekuensi
5,0 - 5,9 5,45 5
6,0 - 6,9 6,45 11
7,0 - 7,9 7,45 56
8,0 - 8,4 8,20 26
8,5 - 9,4 8,95 2
4.5.6. Histogram
Dari Tabel Distribusi data dapat dibuat histogram untuk mengetahui
gambaran nilai dengan lebih jelas.
a. Histogram untuk nilai rata-rata SKHUN
Histogram
10
14
21 21
14
9
6
1
2 2
0
5
10
15
20
25
nilai
f
r
e
k
u
e
n
s
i
6,10 - 6,40
6,41 - 6,71
6,72 - 7,02
7,03 - 7,33
7,34 - 7,64
7,65 - 7,95
7,96 - 8,26
8,27 - 8,57
8,58 - 8,88
8,89 - 9,29
Gambar 4.3. Histogram nilai rata-rata SKHUN
b. Histogram untuk nilai test
Histogram
5
11
56
26
2
0
10
20
30
40
50
60
nilai
f
r
e
k
u
e
n
s
i
5,0 - 5,9
6,0 - 6,9
7,0 - 7,9
8,0 - 8,4
8,5 - 9,4
Gambar 4.4. Histogram nilai test
4.5.7. Uji Kenormalan Data
Untuk menentukan frekuensi yang diharapkan berdasarkan luas kurva
normal standar, maka harus dipakai batas kelas pada transformasi berikut :
Diketahui : = rata-rata
0=. standar deviasi
e = frekuensi yang diharapkan
= eror
X
Z
4.5.7.1. Uji Kenormalan Data Nilai Rata-Rata SKHUN
Dari data nilai rata-rata SKHUN diperoleh data sebagai berikut :
= 7
= 0.64
= 5 % = 0.05
Kelas 6.10 6.40 memiliki batas kelas : 6.095 6.405
X
1
= 6.095
05 . 0
7 095 . 6
1
Z = -1.41
X
2
= 6.405
05 . 0
7 405 . 6
2
Z = -0.93
}
}
P
1
= P(-1.41 < Z < -0.93 = P(-1.41 < Z < -0.93)
= P(0 < Z < -1.41) (P(0 < Z < -0.93)
= 0.4207 0.3238
= 0.0969
Frekuensi yang diharapkan adalah e
1
= np
1
= 100(0.0969) = 9.69 ;
mendekati 10.
Kelas 6.41 6.71 memiliki batas kelas : 6.405 6.715
X
1
= -0.93
X
2
= 6.715
05 . 0
7 715 . 6
2
Z = -0.45
P
1
= P(-0.93 < Z < -0.45 = P(-0.93 < Z < -0.45)
= P(0 < Z < -0.93) (P(0 < Z < -0.45)
= 0.3238 0.1736
= 0.1502
Frekuensi yang diharapkan adalah e
1
= np
1
= 100(0.1502) = 15.02 ;
mendekati 15.
Begitu seterusnya sampai dengan kelas 8.89 9.29 memiliki batas kelas
8.885 9.295. Dari perhitungan diatas frekuensi yang diobservasi dan
frekuensi yang diharapkan dari data nilai rata-rata SKHUN disajikan pada
tabel 4.3 berikut ini :
TABEL 4.3. Hasil penghitungan e (nilai rata-rata SKHUN)
Nilai rata-
rata
Frekuensi observasi (o
1
)
Frekuensi
diharapkan (e
i
)
6,10 - 6,40 10 10
6,41 - 6,71 14 15
6,72 - 7,02 21 19
7,03 - 7,33 21 21
7,34 - 7,64 14 15
7,65 - 7,95 9 9
7,96 - 8,26 6 4
8,27 - 8,57 1 2
8,58 - 8,88 2 = 5 1 = 3
8,89 - 9,29 2 0
Total = 100 Total = 95
Pada tabel 4.3, kelas 8.27 8.57 dengan frekuensi observasi 1, karena
kurang dari 5, maka digabung dengan kelas 8.58 8.88, dan 8.89-9.29
sehingga frekuensi yang diharapkan menjadi 2 + 2 + 1 = 5. Pada kelas
8.27 8.57 dengan frekuensi harapan 2, agar dapat dihitung dalam
perhitungan nilai statistik uji, maka digabung dengan kelas 8.58 8.88,
sehingga frekuensi harapan menjadi 1 + 2 = 3. Perbedaan total frekuensi
yang diobservasi n = 100 dengan total frekuensi yang diharapkan n = 95,
disebabkan oleh faktor pembulatan (seharusnya sama).
Berdasarkan tabel tersebut diatas, kita tentukan nilai statistik uji yaitu :
3
) 3 5 (
4
) 4 6 (
9
) 9 9 (
1 5
) 1 5 1 4 (
2 1
) 21 21 (
19
) 1 9 2 1 (
1 5
) 1 5 1 4 (
10
) 10 10 (
2
2 2 2 2 2 2 2 2
h
= 0 + 0.067 + 0.211 + 0 + 0.067 + 0 + 1 + 1.333
= 2.488
Langkah-langkah pengujian hipotesis adalah sebagai berikut :
1. Hipotesis : H
0
: Data berdistribusi normal dengan = 7 dan =
0.64
H
1
: Data tidak terdistribusi
2. = 5 %; derajat kebebasan = k 1 m, dengan k = 7, m = 2,
maka = 4. Maka nilai kritis
488 . 9
05 . 0
2 2
h
3. Nilai statistik hitung chi-kuadrat adalah
h
2
= 2.631
4. Karena
h
2
= 8.959
4. Karena
h
2
NRTKurang
[X] =
'
>
<
<
1 . 7
1 . 7 95 . 6
95 . 6 8 . 6
; 0
; ] 3 . 0 / ) 1 . 7 [( 2
; ] 3 . 0 / ) 8 . 6 [( 2 1
8 . 6 ; 1
2
2
x
x
x
x
x
x
Model fungsi keanggotaan fuzzy kurang:
Gambar 4.5. Fungsi keanggotaan fuzzy kurang
b. Persamaan variabel fuzzy cukup
NRTCukup
[X] =
32 . 8
32 . 8 96 . 7
96 . 7 6 . 7
6 . 7 1 . 7
1 . 7 7 . 6
7 . 6 29 . 6
29 . 6
; 0
; ] 72 . 0 / ) 32 . 8 [( 2
; ] 72 . 0 / ) 6 . 7 [( 2 1
; 1
; )] 81 . 0 / ) 1 . 7 [( 2 1
; )] 81 . 0 / ) 29 . 6 [( 2
; 0
2
2
2
2
< <
<
<
<
<
'
x
x
x
x
x
x
x
x
x
x
x
Model fungsi keanggotaan fuzzy cukup:
Gambar 4.6. Fungsi keanggotaan fuzzy cukup
c. Persamaan variabel fuzzy baik :
NRTBaik
[X] =
07 . 9
07 . 9 18 . 8
18 . 8 29 . 7
29 . 7
; 1
; )] 87 . 1 /( ) 07 . 9 [( 2 1
; )] 87 . 1 /( ) 29 . 7 [( 2
; 0
2
2
>
<
<
'
x
x
x
x
x
x
Model fungsi keanggotaan fuzzy baik
Gambar 4.7. Fungsi keanggotaan fuzzy baik
Sebagai sampel penulis gunakan nilai rata-rata siswa nomor urut 50;
dengan nilai rata-rata SKHUN 7.92, maka nilai pada tiap-tiap himpunan
adalah :
a. Himpunan fuzzy KURANG,
NRTKurang
[7.92] = 0.0
dengan hasil 0.0 dapat artikan bahwa nilai rata-rata SKHUN 7.92 tidak
termasuk dalam himpunan fuzzy kurang.
b. Himpunan fuzzy CUKUP
NRTCukup
[7.92] =
(7.92 ; 7.1 ; 7.1) = 1-2[(7.92-7.29)/(8.32-7.6)]
2
= 1-2[0.63/0.72]
2
= 0.53
dengan hasil 0.53 dapat artikan bahwa nilai rata-rata SKHUN 7.92
memiliki makna cukup.
c. Himpunan fuzzy BAIK,
NRTKurang
[7.92] =
S(7.92 ; 7.1 ; 7.5, 9.07) = 2[(7.92-7.29)/(9.07-7.29)]
2
= 2[0.63/1.78]
2
= 0.25
dengan hasil 0. dapat artikan bahwa nilai rata-rata SKHUN 7.92
memiliki makna cukup.
4.6.3.2 Variabel Nilai Test
Berdasarkan Histogram dalam penghitungan statistik, dapat
dipresentasikan bahwa Variabel Nilai test menggunakan kurva berbentuk
Z untuk himpunan fuzzy KURANG, kurva S untuk himpunan fuzzy BAIK
dan kurva untuk himpunan fuzzy CUKUP.
Dengan persamaan fungsi keanggotaan :
a. Persamaan variabel fuzzy kurang :
NTKurang
[X] =
'
>
<
<
7
7 6
6 5
; 0
; ] 2 / ) 7 [( 2
; ] 2 / ) 5 [( 2 1
5 ; 1
2
2
x
x
x
x
x
x
Model fungsi keanggotaan fuzzy kurang :
Gambar 4.8. Fungsi keanggotaan fuzzy kurang
b. Persamaan variabel fuzzy cukup :
NTCukup
[X] =
8
8 5 . 7
5 . 7 7
7
7 5 . 6
5 . 6 6
6
; 0
; ] 2 / ) 8 [( 2
; )] 2 / ) 7 [( 2 1
; 1
; ] 1 / ) 7 [( 2 1
; ] 1 / ) 6 [( 2
; 0
2
2
2
2
< <
<
< <
<
'
x
x
x
x
x
x
x
x
x
x
x
Model fungsi keanggotaan fuzzy cukup :
Gambar 4.9. Fungsi keanggotaan fuzzy cukup
c. Persamaan variabel fuzzy baik :
NTBaik
[X] =
9
9 8
8 7
7
; 1
; ] 2 / ) 9 [( 2 1
; ] 2 / ) 7 [( 2
; 0
2
2
>
<
<
'
x
x
x
x
x
x
Model fungsi keanggotaan fuzzy baik :
Gambar 4.10. Fungsi keanggotaan fuzzy kurang
Sebagai sampel penulis gunakan nilai test siswa nomor urut 50; dengan
nilai test 8, maka nilai pada tiap-tiap himpunan adalah :
a. Himpunan fuzzy KURANG,
NTKurang
[8] = 0.0
Dengan hasil 0.0 dapat artikan bahwa nilai Test = 8 tidak termasuk
dalam himpunan fuzzy kurang.
b. Himpunan fuzzy CUKUP
NTCukup
[8] = 0.0
dengan hasil 0.0 dapat artikan bahwa nilai Test = 8 tidak termasuk
dalam himpunan fuzzy cukup.
c. Himpunan fuzzy BAIK,
NTBaik
[8] = 2[(8-7)/(9-7)]
2
= 0.5
dengan hasil 0.5 dapat artikan bahwa nilai Test = 8 memiliki makna
baik.
4.6.3.3 Variabel Nilai Kompetensi
Untuk merepresentasikan variabel nilai kompetensi menggunakan kurva
berbentuk Z untuk himpunan fuzzy RENDAH S untuk himpunan fuzzy
TINGGI dan kurva bentuk untuk himpunan fuzzy SEDANG.
Dengan persamaan fungsi keanggotaan :
a. Persamaan variabel fuzzy rendah :
NKRendah
[X] =
'
>
<
<
7
7 6
6 5
; 0
; ] 2 / ) 7 [( 2
; ] 2 / ) 5 [( 2 1
5 ; 1
2
2
x
x
x
x
x
x
Model fungsi keanggotaan fuzzy rendah :
Gambar 4.11. Fungsi keanggotaan fuzzy rendah
b. Persamaan variabel fuzzy cukup :
NKSedang
[X] =
8
8 5 . 7
5 . 7 7
7
7 5 . 6
5 . 6 6
6
; 0
; ] 1 / ) 8 [( 2
; ] 1 / ) 7 [( 2 1
; 1
; ] 1 / ) 7 [( 2 1
; ] 1 / ) 6 [( 2
; 0
2
2
2
2
< <
<
< <
<
'
x
x
x
x
x
x
x
x
x
x
x
Model fungsi keanggotaan fuzzy cukup :
Gambar 4.12. Fungsi keanggotaan fuzzy cukup
c. Persamaan variabel fuzzy tinggi
NKTinggi
[X] =
9
9 8
8 7
7
; 1
; ] 2 / ) 9 [( 2 1
; ] 2 / ) 7 [( 2
; 0
2
2
>
<
<
'
x
x
x
x
x
x
Model fungsi keanggotaan fuzzy tinggi :
Gambar 4.13. Fungsi keanggotaan fuzzy tinggi
4.7 Implementasi Logika Fuzzy Menggunakan TOOLBOX MATLAB
Setelah memperoleh fungsi keanggotaan untuk input dan output penulis
akan mengimplementasikan dengan menggunakan TOOLBOX MATLAB.
Adapun langkah-langkahnya adalah sebagai berikut :
1. Jalankan software MATLAB
2. Tulis pada command line : >>fuzzy
Maka akan tampil FIS Editor seperti pada gambar 4.14
Gambar 4.14. FIS Editor
3. Memasukan Variabel Input dan Output
Pada Gambar 4.5. terlihat ada 1 input yaitu input1 dan 1 output yaitu
output1. Input yang akan digunakan ada 2 input yaitu nilai rata-rata
SKHUN dan nilai test, maka input harus ditambah seperti pada gambar
4.15.
Gambar 4.15. FIS Editor Test Kompetensi Siswa
Setelah terdapat 2 input, langkah selanjutnya adalah memasukan
fungsi keanggotaan untuk tiap variabel
a. Fungsi keanggotaan untuk nilai rata-rata SKHUN
Dari hasil penghitungan statistik diketahui bahwa
1. Nilai terkecil = 6.10 dan nilai terbesar 9.07, maka range
[6.10 9.07 ].
2. Nilai tengah = 7.06
Dari hasil angket diketahui bahwa :
1. Yang bernilai kurang ada diantara 6.10 sampai dengan
7.10
2. Yang bernilai cukup ada diantara 6.29 sampai dengan
8.32
3. Yang bernilai baik ada diantara 7.29 sampai dengan
9.07;
Maka untuk fungsi keanggotaan :
1. KURANG (mf1) adalah :
name = Kurang
type = zmf
param = [6.1 7.06]
range = [6.1 9.07]
2. CUKUP (mf2) adalah :
name = Cukup
type = pimf
param = [6.29 7.1 7.6 8.32]
range = [6.1 9.07]
3. BAIK (mf3) adalah :
name = baik
type = smf
param = [6.1 7.06]
range = [6.1 9.07]
Setelah memasukkan semua fungsi keanggotaan untuk variabel
nilai rata-rata SKHUN, hasilnya akan terlihat pada gambar 4.16
Gambar 4.16 Fungsi Keanggotaan Variabel Nilai Rata-Rata
SKHUN
b. Fungsi keanggotaan untuk nilai test
Dari hasil penghitungan statistik diketahui bahwa
1. Nilai terkecil = 5 dan nilai terbesar 9, maka range [6 9 ].
2. Nilai tengah = 7
Dari hasil angket diketahui bahwa :
1. Yang bernilai kurang ada diantara 5 sampai dengan 7
2. Yang bernilai cukup ada diantara 6 sampai dengan 8
3. Yang bernilai baik ada diantara 7 sampai dengan 9;
Maka untuk fungsi keanggotaan :
1. KURANG (mf1) adalah :
name = Kurang
type = zmf
param = [5 7]
range = [5 9]
2. CUKUP (mf2) adalah :
name = Cukup
type = pimf
param = [6 7 7 8]
range = [5 9]
3. BAIK (mf3) adalah :
name = baik
type = smf
param = [7 9]
range = [5 9]
Setelah memasukkan semua fungsi keanggotaan untuk variabel
nilai test, hasilnya akan terlihat pada gambar 4.17.
Gambar 4.17 Fungsi Keanggotaan Variabel Nilai Test
c. Fungsi keanggotaan untuk nilai kompetensi
Dari hasil angket diketahui bahwa :
1. Yang memiliki nilai kompetensi rendah ada diantara 5
sampai dengan 7.
2. Yang memiliki nilai kompetensi sedang ada diantara 6
sampai dengan 8.
3. Yang memiliki nilai kompetensi tinggi ada diantara 7
sampai dengan 9;
Maka untuk fungsi keanggotaan :
1. KURANG (mf1) adalah :
name = Rendah
type = zmf
param = [6 7]
range = [5 9]
2. CUKUP (mf2) adalah :
name = Sedang
type = pimf
param = [6 7 7 8]
range = [5 9]
3. BAIK (mf3) adalah :
name = Tinggi
type = smf
param = [7 8]
range = [5 9]
Setelah memasukkan semua fungsi keanggotaan untuk output
(Nilai Kompetensi), hasilnya akan terlihat pada gambar 4.18.
Gambar 4.18 Fungsi Keanggotaan Variabel Nilai Kompetensi
4. Membuat aturan
Dalam pembuatan aturan seperti yang dijelaskan pada bagian 4.7.1,
dapat langsung memasukkannya ke bagian rule editor, seperti terlihat
pada gambar 4.19.
Gambar 4.19. Rule Editor : Test Kompetensi
5. Hasil
Hasil dari langkah-langkah implementasi logika fuzzy dengan
TOOLBOX MATLAB dapat dilihat pada gambar 4.20.
Gambar 4.20. Rule Viewer : Test Kompetensi
6. Surface
Surface merupakan gambaran hubungan dari ketiga variabel yang
digunakan yaitu : nilai rata-rata SKHUN, nilai test dan nilai kompetensi
siswa dapat dilihat pada gambar 4.21.
Gambar 4.21. Surface Viewer : Test Kompetensi
4.8 Uji Coba
Dalam uji coba ini akan mengambil sampel siswa dengan nomor urut : 9,
50 dan 61.
- Siswa dengan nomor urut 9 dengan nilai rata-
rata SKHUN = 6.26 dan nilai test = 5. Untuk mengetahui berapa nilai
kompetensi siswa ini dengan cara merubah variabel input pada Rule
Viewer : Test Kompetensi dengan = [6.26 5]
- Siswa dengan nomor urut 3 dengan nilai rata-
rata SKHUN = 8.32 dan nilai test = 7. Untuk mengetahui berapa nilai
kompetensi siswa ini dengan cara merubah variabel input pada Rule
Viewer : Test Kompetensi dengan = [8.32 7].
- Siswa dengan nomor urut 61 dengan nilai rata-
rata SKHUN = 8.99 dan nilai test = 9. Untuk mengetahui berapa nilai
kompetensi siswa ini dengan cara merubah variabel input pada Rule
Viewer : Test Kompetensi dengan = [8.99 9].
Dari ketiga percobaan ini dapat dilihat hasilnya melalui gambar dibawah
ini :
Gambar 4.22. Rule Viewer Uji Coba siswa nomor urut 9
Dari Gambar 4.22 dapat dilihat bahwa siswa tersebut mempunyai nilai
kompetensi 5.76. Dapat disimpulkan bahwa siswa tersebut memiliki nilai
kompetensi dibawah 6 dan memiliki nilai kompetensi KURANG.
Gambar 4.23. Rule Viewer Uji Coba siwa nomor urut 3
Dari Gambar 4.23 dapat dilihat bahwa siswa tersebut mempunyai nilai
kompetensi 7. Dapat disimpulkan bahwa nilai kompetensi siswa tersebut
diantara 6 - 8 dan memiliki nilai kompetensi SEDANG.
Gambar 4.24. Rule Viewer Uji Coba siwa nomor urut 61
Dari Gambar 4.15 dapat dilihat bahwa siswa tersebut mempunyai nilai
kompetensi 8.75. Dapat disimpulkan bahwa nilai kompetensi siswa
tersebut diatas 8 dan memiliki nilai kompetensi BAIK.
4.9 Hasil Penerapan di SMP Ciledug Tahun pelajaran 2005/2006.
Dari hasil uji coba di SMP ciledug diperoleh :
a. Nilai kompetensi rendah berada diantara 5.00 sampai
dengan 6.00, jumlah siswa persentase sebanyak 21 %.
b. Nilai kompetensi sedang berada diantara 6.01 sampai
dengan 7.00, jumlah siswa persentase sebanyak 57 %.
c. Nilai kompetensi baik berada diantara 7.01 sampai dengan
9.00, jumlah siswa persentase sebanyak 22 %.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Hasil penelitian tentang kompetensi siswa dengan diameter nilai rata-rata
SKHUN dan nilai test diperoleh :
1. Nilai variabel linguistik untuk kompetensi rendah berada diantara 5
sampai dengan 7.
2. Nilai variabel linguistik untuk kompetensi sedang berada diantara 6
sampai dengan 8.
3. Nilai variabel linguistik untuk kompetensi baik berada diantara 7
sampai dengan 9.
4. Kesamaran persepsi seorang guru tentang suatu nilai kompetensi siswa
dapat dijembatani dengan adanya logika fuzzy.
5.2 Saran
1. Untuk pengembangan penelitian lebih lanjut, cakupan penelitian
terhadap pembagian kompetensi siswa dapat diperluas meliputi
bagiamana pengaruh kompetensi siswa terhadap perilaku siswa di
sekolah.
2. Demi menyempurnakan penelitian fuzzy penulis menyaranakan kepada
institusi untuk melakukan pengembangan dalam hal pengaruh
kompetensi guru terhadap kompetensi siswa.
DAFTAR PUSTAKA
Boediono., Statistika dan Probabilitas, Rosda, 2001.
D. Kaehler., FUZZY LOGIC., www.seatlerobotics.org., [25-8-2005].
Damiri, Johar Dhami., Modul Praktikum Komputasi Cerdas. Program
Teknik Informatika Sekolah Tinggi Teknologi Garut, 2004.
Dewi, Kusuma Sri., Analisis dan Desain Sistem Fuzzy menggunakan
Toolbox Matlab., Graha Ilmu, 2002.
Kusumadewi, Sri., Aplikasi Logika Fuzzy Untuk Pendukung Keputusan.,
Graha Ilmu, 2004.
Mulyasa, E.,Kurikulum Berbasis Kompetensi., Rosda, 2002.
Supranto, J., Statistik Teori dan Aplikasi Jilid 1, Erlangga, 1995.
Supranto, J., Statistik Teori dan Aplikasi Jilid 2, Erlangga, 1995.
Sudjana., Metoda Statistika, Tarsito, 1996.
Siler William., BUILDING FUZZY EXPERT SYSTEMS., www.aol.com.,
[25-8-2005].