Jurnal Andi Saryoko terbit di jurnal Teknologi ISSN 2088-3315 Vol. II. No 2 Juli 2013 dengan judul PENENTUAN SISWA TELADAN BERBASIS LOGIKA FUZZY PADA SMA BUDAYA JAKARTA

PENENTUAN SISWA TELADAN BERBASIS LOGIKA FUZZY PADA SMA BUDAYA JAKARTA

Andi Saryoko

Dosen AMIK Bina Sarana Informatika (AMIK BSI) Jakarta,

dandy_ragilklt@yahoo.com

Abstrak

Menentukan siswa terbaik di sekolah budaya tinggi telah dilakukan dengan melihat nilai kognitif siswa yang tertinggi. Cara itu masih dianggap kurang obyektif karena prestasi yang diperoleh oleh siswa tidak hanya didasarkan kognitif tetapi juga berdasarkan nilai - nilai lain. Dengan menggunakan metode logika fuzzy diharapkan untuk menentukan model siswa menggunakan kriteria seperti nilai kognitif (PPK), nilai praktek, dan juga logika fuzzy sikap.Metode memiliki tiga tahapan proses fuzzifikasi, inferensi dan defuzzifikasi. Penentuan tersebut dibuat berdasarkan pada mahasiswa model fuzzy logic menggunakan matlab toolbox yang dapat digunakan sebagai referensi sebagai alat dalam menentukan siswa teladan. Penentuan siswa kehormatan menggunakan kriteria seperti nilai kognitif (PPK), nilai praktek, dan juga sikap yang kemudian diolah menggunakan metode fuzzy logic dan hasilnya akan ditampilkan sesuai dengan input data yang dimasukkan oleh pengguna. dengan metode logika fuzzy dapat membantu sekolah dalam menentukan model siswa, dengan metode logika fuzzy memiliki akurasi tinggi dalam menentukan model siswa dan terbukti dalam hasil dari lembar kuesioner, ada keterbatasan dalam menerapkan toolbox Matlab, seperti adalah kurangnya database untuk menyimpan input atau output data.

Kata kunci:

Honor mahasiswa, kehormatan penentuan siswa, logika fuzzy, matlab

Abstract

Determining the best students at the high school culture has been done by looking at students' cognitive value of the highest. The way it is still considered less objective because the achievements obtained by students based not only cognitive but also based on value - another value. By using fuzzy logic method is expected to determine the student model using criteria such as cognitive values (PPK), the value of practice, and also sikap.Metode fuzzy logic has three stages of the process of fuzzification, inference and defuzzification. The determination was made based on the model student of fuzzy logic using matlab toolbox that can be used as a reference as a tool in determining the model student. Determination of honor student using criteria such as cognitive values (PPK), the value of practice, and also the attitude which was subsequently processed using fuzzy logic method and the results will be displayed in accordance with input data that was entered by the user. with fuzzy logic methods can help schools in determining the student model, with fuzzy logic method has high accuracy in determining the student model and proven in the results of the questionnaire sheet, there are limitations in applying the matlab toolbox, such is the lack of a database to store input or output data.

Keywords:
Honor student, honor student determination, fuzzy logic, matlab

1.      PENDAHULUAN

Sekolah Menengah Atas adalah salah satu lembaga pendidikan tingkat atas yang mengajarkan ilmu pengetahuan atau tempat menuntut ilmu. Pendidikan tersebut akan mempengaruhi atau dapat merubah tingkah laku, akhlak, kepribadian, cara berfikir, kedewasaan dan lain-lain, karena dengan pendidikan tersebut diharapkan siswa/i sebagai anak didik bukan hanya memahami atau menguasai ilmu dan teknologi tetapi juga mempunyai akhlak dan kepribadian yang baik.

Pendidikan adalah usaha sadar dan bertujuan untuk mengembangkan kualitas manusia. Sebagai suatu kegiatan yang sadar akan tujuan, maka dalam pelaksanaannya berada dalam suatu proses yang berkesinambungan dalam setiap jenis dan jenjang pendidikan. Semuanya berkaitan dalam suatu sistem pendidikan yang integral.Pendidikan sebagai suatu sistem, tidak lain dari suatu totalitas fungsional yang terarah pada suatu tujuan. Setiap subsistem yang ada dalam sistem tersusun dan tidak dapat dipisahkan dari rangkaian unsur-unsur atau komponen-komponen yang berhubungan secara dinamis dalam suatu kesatuan.

Penentuan siswa terbaik pada SMA Budaya selama ini dilakukan dengan melihat nilai kognitif siswa yang tertinggi dan menurut hasil wawancara  itu sudah dilakukan sejak dahulu. Cara tersebut dinilai masih kurang objektif karena prestasi yang didapatkan siswa tidak hanya berdasarkan kognitif saja tetapi juga berdasarkan nilai kompetensi. Oleh karena itu diperlukan metode yang praktis yang dapat diterapkan untuk menentukan siswa teladan, dan disarankan dalam penentuan siswa teladan menggunakan metode logika fuzzy. Dengan menggunakan metode logika fuzzy diharapkan dapat menentukan siswa teladan dengan menggunakan kriteria seperti nilai kognitif (PPK), nilai praktik, dan juga sikap.

Dari hal tersebut di atas maka dapat dirumuskan permasalahannya sebagai berikut :

a. Bagaimana menentukan siswa teladan yang lebih objektif?

b. Bagaimana perbedaan dalam menentukan siswa teladan dengan berbasis logika fuzzy dengan sebelumnya?

     

2.      KERANGKA PEMIKIRAN

Sistem secara sederhana merupakan suatu kumpulan atau himpunan dari unsur-unsur, komponen atau variabel-variabel yang terorganisir, saling berinteraksi, saling ketergantungan satu dengan yang lainnya dan terpadu.

Menurut Jerry Fitzgerald dalam Jogiyanto (2005:1) mendefinisikan bahwa “Sistem adalah suatu jaringan kerja dari prosedur-prosedur yang saling berhubungan, berkumpul bersama-sama untuk melakukan suatu kegitan atau untuk menyelesaikan suatu sasaran tertentu”.

Logika  Fuzzy  adalah  bagian  atau  salah  satu  metode  dalam  kecerdasan  buatan  (Artificial  Intelligence).  Dalam  logika  konvensional  nilai  kebenaran mempunyai kondisi yang pasti yaitu benar atau salah (true or false), dengan tidak ada kondisi di antara. Prinsip ini dikemukakan oleh Aristoteles sekitar 2000 tahun yang  lalu  sebagai  hukum  Excluded  Middle  dan  hukum  ini  telah  mendominasi pemikiran  logika  sampai  saat  ini.

Namun,  tentu  saja pemikiran mengenai  logika konvensional  dengan  nilai  kebenaran  yang  pasti  yaitu  benar  atau  salah  dalam kehidupan  nyata  sangatlah  tidak  cocok.  Logika  Fuzzy  merupakan  suatu  logika yang  dapat merepresentasikan  keadaan  yang  ada  di  dunia  nyata.  Teori  tentang himpunan  logika samar pertama kali dikemukakan oleh Prof. Lotfi Zadeh sekitar tahun  1965  pada  sebuah  makalah  yang  berjudul  “Fuzzy  Sets”.  Ia  berpendapat bahwa  logika  benar dan  salah dari  logika  boolean atau konvensional  tidak dapat mengatasi  masalah  yang  ada  pada  dunia  nyata.  Setelah  itu,  sejak  pertengahan 1970-an,  para  peneliti  Jepang  berhasil  mengaplikasikan  teori  ini  ke  dalam berbagai  permasalahan  praktis.  Tidak  seperti  logika  boolean,  logika  fuzzy mempunyai nilai yang kontinyu. Samar (fuzzy) dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh  sebab  itu  sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang bersamaan. Teori himpunan individu  dapat memiliki  derajat  keanggotaan  dengan  nilai  yang  kontinyu,  bukan hanya nol dan satu.

Fuzzy  inference  system  adalah  proses  merumuskan  pemetaan  dari  input yang  diberikan  ke  ouput  dengan menggunakan  logika  fuzzy.  Pemetaan  tersebut akan  menjadi  dasar  dari  keputusan  yang  akan  dibuat.  Proses  fuzzy  logic melibatkan  fungsi  keanggotaan, operator  logika  fuzzy,  dan  aturan  jika-maka  (if-then rule) (Goupeng, 2006). Dalam membangun sistem yang berbasis pada aturan fuzzy maka  akan  digunakan  variabel  linguistik. Variabel  linguistik  adalah  suatu interval  numerik  dan  mempunyai  nilai-nilai  linguistik,  yang  semantiknya didefinisikan  oleh  fungsi  keanggotaannya. Misalnya, Suhu  adalah  suatu  variabel linguistik  yang  bisa  didefinisikan  pada  interval  (-100C,  400C). Variabel  tersebut bisa  memiliki  nilai-nilai  linguistik  seperti  ”Dingin”,  ”Hangat”,  ”Panas”  yang semantiknya didefinisikan oleh  fungsi-fungsi keanggotaan  tertentu. Suatu  sistem berbasis aturan  fuzzy  terdiri dari  tiga komponen utama: Fuzzification, Inference (Penalaran) dan Defuzzification seperti terlihat pada gambar di bawah ini (Suyanto, 2008):

 

Sumber: Suyanto(2008)

Gambar I.1.

Sistem berbasis aturan  fuzzy

a.  Fuzzification

Fuzzification  berfungsi  untuk  mengubah  masukan-masukan  yang  nilai kebenarannya  bersifat  pasti  (crisp  input)  ke  dalam  bentuk  fuzzy  input,  yang berupa  nilai  linguistik  yang  semantiknya  ditentukan  berdasarkan  fungsi keanggotaan tertentu.

b.  Inference

Inference melakukan penalaran menggunakan fuzzy input dan fuzzy rules yang telah  ditentukan  sehingga  menghasilkan  fuzzy  output.  Proses  inference memperhitungkan semua aturan yang ada dalam basis pengetahuan. Hasil dari proses  inference  dipresentasikan  oleh  suatu  fuzzy  set  untuk  setiap  variabel bebas (pada consequent). Derajat keanggotaan untuk setiap nilai variabel tidak bebas  menyatakan  ukuran  kompabilitas  terhadap  variabel  bebas  (pada antecedent).

c.  DeFuzzification

DeFuzzification  atau  penegasan  berfungsi  untuk  mengubah  fuzzy  output  menjadi crisp value berdasarkan fungsi keanggotaan yang telah ditentukan.

Secara garis besar proses pada fuzzy logic dapat digambarkan sebagai berikut: 

 Sumber: Suyanto(2008)

Gambar I.2.

Proses pada logika fuzzy

            Ada  dua  jenis  sistem  inferensi  fuzzy  yang  berbeda  dalam  bagian deFuzzification yaitu tipe mamdani dan tipe sugeno. Tipe Mamdani mengharapkan fungsi output keanggotaan   menjadi  fuzzy set. Setelah proses penggabungan, ada fuzzy  set  untuk  setiap  output  variabel  yang  perlu  deFuzzification  yang  berfungsi untuk  mengintegrasikan  dan  menemukan  defuzzified  output  dan  juga memungkinkan untuk menggunakan rata-rata tertimbang dari beberapa data. Tipe Sugeno mendukung  sistem model  jenis  ini. Pada  umumnya,  sistem  tipe Sugeno dapat  digunakan  untuk  model  sistem  kesimpulan  apapun,  di  mana  keluaran fungsi-fungsi keanggotaan adalah linier atau konstan. Logika fuzzy telah diterapkan dalam aplikasi di berbagai bidang baik itu mencakup bidang industri, ekonomi, manajemen, psikologi, teknik maupun bidang – bidang lainnya.

3.      METODE PENELITIAN

Jenis penelitian yang digunakan dalam penelitian ini adalah model eksperimen. Penelitian eksperimen ini bertujuan untuk menentukan siswa teladan berbasis logika fuzzy dengan memasukkan parameter-parameter. Jenis data yang digunakan dalam penelitian ini adalah data primer yang diperoleh penulis secara langsung dari sumber dengan melakukan pengambilan data siswa pada SMA Budaya Jakarta. Dalam melakukan pengumpulan data penulis menggunakan cara observasi yaitu pengumpulan data dilakukan melalui pengamatan langsung yang berkaitan dengan objek penelitian dan pengamatan ini dilakukan di SMA Budaya Jakarta dengan cara pengambilan sampel (sampling), yaitu pemilihan sejumlah item tertentu dari seluruh item yang ada dengan tujuan mempelajari sebagian item tersebut untuk mewakili seluruh itemnya. Sebagian item yang dipilih disebut sampel-sampel (samples). Sedang seluruh item yang ada disebut populasi (population).

Dalam penelitian ini diasumsikan bahwa nilai PPK, nilai Praktik dan nilai Sikap pada dasarnya dapat menentukan siswa teladan lebih tepat. Jadi ketiga parameter tersebut akan dijadikan sebagai masukan untuk sistem yang dirancang. Dengan bantuan literatur data, wawancara dan diskusi dengan guru – guru yang mengajar serta bagian kurikulum pada SMA Budaya, maka dapat diperoleh kesimpulan yang dijelaskan parameter untuk fuzzification input dan output sebagai berikut:

1. Nilai PPK mempunyai tiga nilai linguistik (Baik, Cukup dan Kurang)

2. Nilai Praktik mempunyai nilai linguistik (Baik, Cukup, Kurang)

3. Nilai Sikap mempunyai nilai linguistik (Baik, Cukup, Kurang)

4. Nilai Kompetensi sebagai output mempunyai nilai linguistik (Sangat baik, Baik, Kurang Baik).

Selanjutnya akan dijelaskan dari tahapan – tahapan dalam pendekatan logika fuzzy:

A. Proses fuzzifikasi

Secara lebih detail dapat diuraikan sebagai berikut:

1. Nilai PPK

Tabel I.1. Nilai lingustik Nilai PPK

Nilai Linguistik	Interval
Kurang	0 - 60
Cukup	45 - 75
Baik	60 - 100

ekspresi untuk fungsi keanggotaan fuzzy, Kusumadewi (2010:51):

                             1                 x ≤ 60

µ_Kurang (x)=     (60-x)      0 ≤ x ≤ 60

                         (60-0)

                        (x-45)      45 ≤ x ≤ 60

                        (60-45)                       

µ_Cukup (x)=  

(75-x)      60 ≤ x ≤ 75

                        (75-60)

 (x-60)    60 ≤ x ≤ 100

µ_Baik (x) =          (100-60)

                           1                   x≥ 100

Representasi dengan grafik dapat digambarkan sebagai berikut:

           

Gambar I.3.

Grafik Keanggotaan Nilai PPK

2. Nilai Praktik

Tabel I.2. Nilai lingustik Nilai Praktik

Nilai Linguistik	Interval
Kurang	0 - 60
Cukup	45 - 75
Baik	60 - 100

ekspresi untuk fungsi keanggotaan fuzzy, Kusumadewi (2010:51) :

                             1                 x ≤ 60

µ_Kurang (x)=     (60-x)      0 ≤ x ≤ 60

                         (60-0)

                        (x-60)      45 ≤ x ≤ 60

                        (75-45)                       

µ_Cukup (x)=  

(75-x)      60 ≤ x ≤ 75

                        (75-60)

 (x-60)    60 ≤ x ≤ 100

µ_Baik (x) =          (100-60)

                           1                 x  ≥ 100

 Representasi dengan grafik dapat digambarkan sebagai berikut:

Gambar I.4.

Grafik keanggotaan Nilai Praktik

3. Nilai Sikap

Tabel I.3. Nilai lingustik Nilai Sikap

Nilai Linguistik	Interval
Kurang	0 – 2,5
Cukup	2 – 3
Baik	2,5 - 4

 ekspresi untuk fungsi keanggotaan fuzzy, Kusumadewi (2010:51) :

                             1                 x ≤ 2,5

µ_Kurang (x)=     (2,5-x)      0 ≤ x ≤ 2,5

                         (2,5-0)

                          (x-2)      2 ≤ x ≤ 2,5

                         (2,5–2)                       

µ_Cukup (x)=  

(3-x)      2,5 ≤ x ≤ 3

                        (3-2,5)

 (x-2,5)      2,5 ≤ x ≤ 4

µ_Baik (x) =          (4-2,5)

                           1                   x  ≥ 4

Representasi dengan grafik dapat digambarkan sebagai berikut:

           

Gambar I.5..

Grafik keanggotaan Nilai Sikap

4. Nilai Kompetensi

Tabel I.4.

Nilai lingustik Nilai Kompetensi

Nilai Linguistik	Interval
Kurang Baik	0 - 90
Baik	85 - 95
Sangat Baik	90 - 100

ekspresi untuk fungsi keanggotaan fuzzy, Kusumadewi (2010:51) :

                             1                 x ≤ 90

µ_Kurang (x)=     (90-x)      0 ≤ x ≤ 90

                         (90-0)

 

                        (x-85)      85 ≤ x ≤ 90

                        (90-85)                       

µ_Cukup (x)=  

(95-x)      90 ≤ x ≤ 95

                        (95-90)

 (x-90)    90 ≤ x ≤ 100

µ_Baik (x) =          (100-90)

                           1                x  ≥ 100

Representasi dengan grafik dapat digambarkan sebagai berikut:

           

Gambar I.6.

Grafik keanggotaan Nilai Kompetensi

B. Proses Inferensi

Dengan menggunakan logika fuzzy maka didapatkan Nilai Kompetensi yang dapat menunjukan siswa – siswa teladan, sebagai berikut:

Tabel I.5.

Aturan fuzzy untuk menentukan siswa teladan

Aturan	Input			Output
	Nilai PPK	Nilai Praktik	Nilai Sikap	Nilai Kompetensi
Aturan 1	Kurang	Kurang	Kurang	Kurang Baik
Aturan 2	Kurang	Kurang	Cukup	Kurang Baik
Aturan 3	Kurang	Kurang	Baik	Kurang Baik
Aturan 4	Kurang	Cukup	Kurang	Kurang baik
Aturan 5	Kurang	Cukup	Cukup	Kurang Baik
Aturan 6	Kurang	Cukup	Baik	Kurang Baik
Aturan 7	Kurang	Baik	Kurang	Kurang Baik
Aturan 8	Kurang	Baik	Cukup	Kurang Baik
Aturan 9	Kurang	Baik	Baik	Kurang Baik
Aturan 10	Cukup	Kurang	Kurang	Kurang Baik
Aturan 11	Cukup	Kurang	Cukup	Kurang Baik
Aturan 12	Cukup	Kurang	Baik	Kurang Baik
Aturan 13	Cukup	Cukup	Kurang	Kurang Baik
Aturan 14	Cukup	Cukup	Cukup	Baik
Aturan 15	Cukup	Cukup	Baik	Baik
Aturan 16	Cukup	Baik	Kurang	Kurang Baik
Aturan 17	Cukup	Baik	Cukup	Baik
Aturan 18	Cukup	Baik	Baik	Baik
Aturan 19	Baik	Kurang	Kurang	Kurang Baik
Aturan 20	Baik	Kurang	Cukup	Kurang Baik
Aturan 21	Baik	Kurang	Baik	Kurang Baik
Aturan 22	Baik	Cukup	Kurang	Kurang Baik
Aturan 23	Baik	Cukup	Cukup	Baik
Aturan 24	Baik	Cukup	Baik	Baik
Aturan 25	Baik	Baik	Kurang	Kurang Baik
Aturan 26	Baik	Baik	Cukup	Baik
Aturan 27	Baik	Baik	Baik	Sangat Baik

Dengan melihat tabel sebelumnya dapat diuraikan aturan fuzzy sebagai berikut:

Aturan 1 : Jika Nilai PPK Kurang dan Nilai Praktik Kurang dan Nilai Sikap Kurang maka Nilai Kompetensinya Kurang Baik

Aturan 2 : Jika Nilai PPK Kurang dan Nilai Praktik Kurang dan Nilai Sikap Cukup maka Nilai Kompetensinya Kurang Baik

Aturan 3 : Jika Nilai PPK Kurang dan Nilai Praktik Kurang dan Nilai Sikap Baik maka Nilai Kompetensinya Kurang Baik

Aturan 4 : Jika Nilai PPK Kurang dan Nilai Praktik Cukup dan Nilai Sikap Kurang maka Nilai Kompetensinya Kurang Baik

Aturan 5 : Jika Nilai PPK Kurang dan Nilai Praktik Cukup dan Nilai Sikap Cukup maka Nilai Kompetensinya Kurang Baik

Aturan 6 : Jika Nilai PPK Kurang dan Nilai Praktik Cukup dan Nilai Sikap Baik maka Nilai Kompetensinya Kurang Baik

Selanjutnya untuk aturan ke 7 dan sampai dengan aturan ke 27 sama seperti aturan yang ada di atas berdasarkan dari tabel I.5.

C. Proses Defuzifikasi

Proses untuk menghitung derajat keanggotaan dapat diilustrasikan dengan contoh data pertama yang mempunyai Nilai PPK = 70, nilai praktik = 70 dan nilai sikap 3,0 sebagai berikut:

1.      Nilai PPK

Nilai PPK=70 pada nilai linguistik Cukup dan Bagus,

·         Semantik atau derajat keanggotaan untuk nilai linguistik Cukup dihitung menggunakan rumus, µ(χ)= (c-χ) / (c-b) di mana b = 45 dan c = 75. Sehingga derajat keanggotaan untuk Cukup adalah :

µ(70) =  (75-70) / (75-45)

          =  0,33

Derajat keanggotaan untuk nilai linguistik Bagus dihitung menggunakan rumus ,  µ(χ)= (χ-a) / (b-a) dimana a = 60 dan b = 100.

Dengan demikian, derajat keanggotaan untuk Bagus adalah :

      µ(70)= (70-60) / (100-60)

               = 0,25

2.      Nilai Praktik

Nilai Praktik=70 pada nilai linguistik Cukup dan Bagus,

·         Semantik atau derajat keanggotaan untuk nilai linguistik Cukup dihitung menggunakan rumus, µ(χ)= (c-χ) / (c-b) di mana b = 45 dan c = 75. Sehingga derajat keanggotaan untuk Cukup adalah :

µ(70) =  (75-70) / (75-45)

          =  0,33

·         Derajat keanggotaan untuk nilai linguistik Bagus dihitung menggunakan rumus ,  µ(χ)= (χ-a) / (b-a) dimana a = 60 dan b = 100.

Dengan demikian, derajat keanggotaan untuk Bagus adalah :

      µ(70)= (70-60) / (100-60)

               = 0,25

3.      Nilai Sikap

Nilai Sikap=3,0 pada nilai linguistik Cukup dan Bagus,

·         Semantik atau derajat keanggotaan untuk nilai linguistik Cukup dihitung menggunakan rumus, µ(χ)= (c-χ) / (c-b) di mana b = 2,5 dan c = 3. Sehingga derajat keanggotaan untuk Cukup adalah :

µ(3) =  (3-3) / (3-2,5)

          =  0

l  Derajat keanggotaan untuk nilai linguistik Bagus dihitung menggunakan rumus ,  µ(χ)= (χ-a) / (b-a) dimana a = 2,5 dan b = 4.

Dengan demikian, derajat keanggotaan untuk Bagus adalah :

      µ(3)= (3-2,5) / (4-2,5)

               = 0,33

Setelah derajat keanggotaan masing-masing dihitung, proses selanjutnya adalah menghitung defuzzifikasi dengan metode centroid method/center of grafity dengan rumus sebagai berikut:

di mana y adalah nilai crisp dan µ_R(y) adalah derajat keanggotaan dari y.

Sebagai contoh, proses defuzzifikasi untuk data pertama yang mempunyai Nilai PPK = 70, nilai praktik = 70 dan nilai sikap 3,0 dihasilkan nilai sebagai berikut:

(70*0,17)+(70*0,25)+    (70*0,17)+(70*0,25)+(3*0)+(3*0,33)

y=                           (0,17+0,25+0,17+0,25+0+0,33)*6

y=   8.52

Jika dilihat berdasarkan range pada nilai kompetensi 8.52 masuk pada tingkatan cukup 0.17 dan baik 0.25.

4.      KESIMPULAN

Berdasarkan hasil penelitian yang dilakukan,  maka dapat diambil kesimpulan sebagai berikut:

a.       Untuk menentukan siswa teladan yang lebih objektif dapat menggunakan tiga variable yaitu nilai PPK, nilai Praktik dan nilai sikap.

b.      Ada perbedaan untuk siswa teladan antara sistem sebelumnya dengan sistem penentuan siswa teladan yang berbasis logika fuzzy dengan bantuan toolbox matlab. Fia Santika sebagai siswa teladan pada sistem sebelumnya, sedangkan hasil dari sistem yang baru Ahmad Ferdiansya yang sebagai siswa teladan.

c.       Dengan metode logika fuzzy dapat membantu sekolahan dalam menentukan siswa teladan.

d.      Dengan menggunakan tiga variable nilai PPK, nilai Praktik dan nilai sikap yang diproses dengan metode logika fuzzy mempunyai akurasi yang tinggi dalam menentukan siswa teladan dan terbukti dalam lembar hasil kuesioner yang diberikan kepada pihak-pihak yang bersangkutan.

e.       Masih ada keterbatasan dalam menerapkan toolbox matlab, diantaranya adalah tidak adanya database untuk menyimpan masukan ataupun keluaran data.

5.      DAFTAR PUSTAKA

AllahVerdi N., S. I. (2006). An Example of Determination of Medicine Dose in the Treatment by Fuzzy Method. International Conference on Computer Systems and Technologies (pp. III-16). Veliko Turnovo, Bulgaria: Compsystech'2006.

AllahVerdi, N. (2007). Design of A Fuzzy Expert System For Determination of Coronary Heart Desease Risk. International Conference on Computer Systems and Technologies, (pp. IIIA.14-1 - IIIA.14-8).

Asma Shaheen, W. A. (2009). Intelligent Decision Support System in Diabetic eHealth Care from the Perspective of Elder. Thesis Department of School of Computing Bleking Institute of Technology Soft Center, Sweden .

Garcia, M. A. (2001). An Expert System in Diabetes. South Central Conference (p. 166). Consortium for Computing in Small College.

Goupeng, Z. (2006). Data Analysis With Fuzzy Inference System. In Computational Intelligence: Method and Application. Singapore: School of Computer Engineering, Nanyang Technological University.

H-shin Chuan Chow, C.-W. L.-H. (2004). Evaluating New Drugs by Fuzzy Inference System. International Computer Symposium, (pp. 794-798). Taipei - Taiwan.

Jogiyanto H.M. (2005). Analisa dan Desain Sistem. Pendekatan Teori dan Praktek Aplikasi Bisnis. Andi Ofset. Yogyakarta.

Kusumadewi, Sri. (2002). Analisa Desain Sistem Fuzzy menggunakan Tool Box Matlab. Edisi Pertama. Cetakan pertama. Graha Ilmu. Yogyakarta

Kusumadewi, Sri. (2009). Aplikasi Informatika Medis Untuk Penatalaksanaan Diabetes Melitus Secara Terpadu. SNATI .

Kusumadewi, Sri. (2010). Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Edisi Kedua. Cetakan Pertama. Graha Ilmu. Yogyakarta

Moursund, D. (2006). Brief Introduction to Educational Implications of Artificial Intelligence. Oregon, US: University of Oregon.

Petri Heinonen, M. M. (2009). Development of a Fuzzy Expert System for a Nutritional Guidance. IFSA-EUSFLAT , 1685-1690.

Sarwono, J. (2006). Metode Penelitian Kuantitatif dan Kualitatif. Yogyakarta: Graha Ilmu.

Soegondo, S. (2005). Diagnosis dan Klasifikasi Diabetes Melitus Terkini. In Penatalaksanaan Diabetes Melitus Terpadu (p. 17). Jakarta: Balai Penerbit FK UI.

Suyanto. (2008). Soft Computing Membangun Mesin Ber-IQ Tinggi. Bandung: Informatika.

Suyono, S. (2005). Patofisiologi Diabetes Melitus. In Penatalaksanaan Diabetes Melitus Terpadu (pp. 1-15). Jakarta: Balai Penerbit FK UI.

www.mathworks.com. (n.d.). Retrieved Desember 18, 2009, from http://www.mathworks.com/access/helpdesk/help/toolbox/fuzzy/fp351dup8. html.

Zadeh, L. A. (1994, Maret). Fuzzy Logic, Neural Networks and Soft Computing. Communication of The ACM , pp. 77-84.