Download Modul Bab 02
Bab 02 - Teknik Data Sampling dan Pembobotan
2.1 Teknik Data Sampling
Data merupakan kumpulan fakta yang direpresentasikan ke dalam bentuk
karakter baik huruf, angka dan lainnya yang dapat diproses menjadi sebuah informasi.
Sesuai dengan kaidah penelitian untuk Data Collecting (pengumpulan data) bisa melalui
observasi, angket, wawancara dengan stakeholder dan lain-lain. Dalam data collecting
pada sistem pendukung keputusan terdapa
2.2 Pembobotan
Bobot merupakan nilai atau value dari sebuah indikator kriteria. Dalam
pembobotan dalam analisa dan perancangan sebuah sistem pendukung keputusan
terdapat beberapa hal yang perlu diperhatikan, diantaranya yaitu sebagai berikut:
- Sumber pembobotan dari setiap kriteria, sub kriteria(indikator) penyebab sebuah
masalah yang dikaji harus bersumber dari standar operasional (standar baku) dan
pemangku kebijakan dari case study (studi kasus) yang dibahas. Dan apabila
pembobotan setiap kriteria, sub kriteria (indikator) penyebab sebuah masalah tidak
terdapat pada institusi dimana peneliti melakukan kajian, maka researcher(peneliti)
dapat memberikan masukan berupa asumsi walaupun harus melalui uji validitas
bobot kriteria.
- Teknik di dalam memberikan pembobotan harus berdasarkan skala prioritas atau
tingkat kepentingan karena metode-metode penyelesaian masalah dalam sistem
pendukung keputusan sangat sensitif terhadap output (keluaran) dari hasil analisa.
Dalam konsep pembobotan tentunya dalam hal ini terbagi atas 2(dua) elemen yaitu:
1. Pembobotan dari setiap Kriteria
2. Pembobotan dari setiap Nilai Alternatif
Adapun beberapa kaidah yang digunakan dalam pembobotan kriteria dalam sebuah
sistem pendukung keputusan yaitu:
1. Pendekatan Persentase. Memiliki range nilai 0 s/d 100% dengan catatan nilai
∑ 𝑊𝑗 = 100%
2. Pendekatan Fuzzy Logic. Memiliki range nilai 0 s/d 1
3. Pendekatan Nilai Aktual. Memiliki range nilai 0 s/d 10 atau 0 s/d 100 dengan
normalisasi ∑ 𝑊𝑗 = 100% kecuali metode Profile Matching yang memiliki nilai
aktual dari 0 s/d 5
Contoh : Di STMIK Triguna Dharma terdapat 6 kriteria penilaian Dosen yang
ditetapkan bagian Akademik kepada setiap mahasiswanya pada suatu matakuliah
yaitu diantaranya adalah:
- K1 (Nilai Absensi)
= 10%
- K2 (Nilai Etika)
= 10%
- K3 (Nilai Tugas)
= 10%
- K4 (Nilai Quis)
= 10%
- K5 (Nilai UTS)
= 25%
- K6 (Nilai UAS)
= 35%
Maka, Nilai ∑ 𝑊𝑗 = 1 , atau data data Kriteria di atas di normalisasi menjadi
konsep Nilai Aktual berdasarkan skala prioritas yaitu:
- K1 (Nilai Absensi)
= 3
- K2 (Nilai Etika)
= 3
- K3 (Nilai Tugas)
= 3
- K4 (Nilai Quis)
= 3
- K5 (Nilai UTS)
= 4
- K6 (Nilai UAS)
= 5
Nilai aktual tersebut di atas harus di normalisasi terlebih dahulu dalam bentuk
nilai desimal dan fuzzy logic, misalkan:
- K1 (Nilai Absensi)
= 3/21*100% = 0.143
- K2 (Nilai Etika)
= 3/21*100% = 0.143
- K3 (Nilai Tugas)
= 3/21*100% = 0.143
- K4 (Nilai Quis)
= 3/21*100% = 0.143
- K5 (Nilai UTS)
= 4/21*100% = 0.190
- K6 (Nilai UAS)
= 5/21*100% = 0.238
Maka, Nilai ∑ 𝑊𝑗 = 1
Adapun konsep pembobotan lainnya dapat menggunakan pendekatan
statistiska dimana tercantum pada buku Statistika dan Komputerisasi, Saprian
Dinata:2014 .Ada beberapa teknik yang digunakan di dalam penilaian pada data
sampling pada skala pengukuran di antaranya yaitu:
1. Skala Likert
Skala Likert merupakan suatu skala psikometrik yang umum digunakan dalam
angket dan merupakan skala yang paling banyak digunakan dalam riset berupa
survei. Biasanya dalam skala ini rentang penilaian dari 1 sampai dengan 5 dengan
beberapa format skala yaitu:
a. Pertanyaan Positif
- Skor 1 = Sangat Tidak misalnya sangat tidak setuju, sangat tidak baik
- Skor 2 = Tidak misalnya Tidak Setuju, Tidak Baik
- Skor 3 = Cukup misalnya Cukup Setuju, Cukup Baik
- Skor 4 = Netral misalnya Setuju, Baik
- Skor 5 = Sangat misalnya Sangat Setuju, Sangat Baik
b. Pertanyaan Negatif
- Skor 5 = Sangat Tidak misalnya sangat tidak setuju, sangat tidak baik
- Skor 4 = Tidak misalnya Tidak Setuju, Tidak Baik
- Skor 3 = Cukup misalnya Cukup Setuju, Cukup Baik
- Skor 2 = Netral misalnya Setuju, Baik
- Skor 1 = Sangat misalnya Sangat Setuju, Sangat Baik
Selain itu juga Skala Likert ini juga digunakan pada saat menilai skala dengan
opsional lebih dari 2(dua). Misalnya : 3 opsional maka nilai adalah 1,2 dan 3
tergantung berapa banyak opsionalnya.
dimodelkan dengan sistem fuzzy adalah bersifat fuzzy namun sistem fuzzy yang
dibangun untuk memodelkan fenomena tersebut tetap mempunyai definisi cara kerja
dan deskripsi yang jelas berdasar pada teori fuzzy logic (Agus Naba, 2009).
Melihat perkembangannya saat ini, fuzzy logic telah menjadi salah satu bidang kajian
riset yang cukup luas karena konsepnya, fuzzy logic dapat menjembatani Bahasa mesi
yang serba presissi dengan Bahasa manausi yang cenderung tidak presisi yaitu
menekankan pada suatu makna atau arti.
Operasi Fuzzy Logic perlu dilakukan jika bagian antecedent lebih dari satu
pernyataan. Hasil akhir dari operasi ini adalah derajat kebenaran antecedent yang
berupa bilangan tunggal. Bilangan ini nantinya diteruskan ke bagian consequent.
Masukan operator fuzzy adalah dua atau lebih derajat keanggotaan dari variablevariabel
input. Keluarannya berupa nilai kebenaran tunggal. Operator fuzzy untuk
melakukan operasi AND dan OR bias dibuat sendiri. Namun biasanya dengan memakai
fungsi min dan max sudah mencukupi untuk berbagai keperluan.
Apa Itu Fungsi Keanggotaan?
Fungsi Keanggotaan Logika Fuzzy digunakan dalam menghitung derajat
keanggotaan suatu himpunan fuzzy. Setiap istilah linguistik diasosiasikan dengan fuzzy
set, yang masing-masing memiliki fungsi keanggotaan yang telah didefinisikan. Fungsi
keanggotaan (membership function) adalah suatu kurva yang menunjukan pemetaan
titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat
keanggotaan) yang memiliki Interval antara 0 sampai 1. Salah satu cara yang dapat
digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan
fungsi. Sekarang sudah tahu kan apa itu fungsi keanggotaan.??? Selanjutnya kita akan
membahas satu per satu fungsi-fungsi tersebut, tetapi tidak semuanya hanya 4 fungsi
saja karena kami akan membahas hanya bagian kami saja.Baiklah langsung saja kita akan
mulai dari representasi linear.
Representasi Linear
Pada representasi linear, pemetaan input ke derajat keanggotaannya digambarkan
sebagai sebuah garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik
untuk mendekati suatu konsep yang kurang
jelas. Ada dua keadaan
himpunan fuzzy linear, yaitu linear naik dan linear turun.
a. Linear Naik
Kenaikan himpunan dimulai pada nilai domain yang memiliki derajat
keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki derajat
keanggotaan lebih tinggi yang disebut dengan representasi fungsi linear naik.
b. Linear Turun
Fungsi Linear turun merupakan kebalikan dari fungsi linear naik. Garis lurus dimulai dari
nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak
menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah.
a. Fungsi Linear Naik
Untuk lebih mengerti lagi, yuuk kita lihat contoh soal berikut :
Pertama kita lihat contoh untuk linear naik, setelah itu baru linear turun.. :)
kita mempunyai variable Temperatur dengan semesta pembicaraan dari nilai 0 sampai
35. Terdapat satu buah himpunan panas dengan domain dari 25 sampai 35.
b. Fungsi Linear Turun
Untuk merepresentasikan variable temperature dengan himpunan dingin yang
memiliki domain nilai dari 15 sampai 30.
Representasi Kurva Segitiga
Represetasi Kurva Segitiga, pemetaan input ke derajat keanggotaannya digambarkan
dengan bentuk segitiga dimana pada dasarnya bentuk segitiga tersebut gabungan
antara 2 garis (linear). Nilai-nilai di sekitar b memiliki derajat keanggotaan turun yang
cukup tajam (menjahui 1)
Representasi Kurva Trapesium
Kurva trapesium pada dasarnya menyerupai bentuk segitiga, hanya saja ada beberapa
titik yang memiliki nilai keanggotaan 1.
Representasi Kurva Bentuk Bahu
Daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam
bentuk segitiga, pada sisi kanan dan kirinya akan naik turun. Tetapi terkadang salah satu
sisi dari variabel tersebut tidak mengalami perubahan. Himpunan fuzzy “bahu”, bukan
segitiga, digunakan untuk mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak
dari benar ke salah, demikian juga bahu kanan bergerak dari salah ke benar.
Sumber : Modul Dicky Nofriansyah, S.Kom., M.Kom (STIMIK Triguna Dharma Medan) - Link
