PENGGUNAAN OPERATOR QUANTIFIER GUIDED DOMINANCE DEGREE PADA GROUP DECISION SUPPORT SYSTEM UNTUK SELEKSI ASISTEN PRAKTIKUM (STUDI KASUS DI STMIK AMIKOM PURWOKERTO)
Berlilana1 dan Fandy Setyo Utomo2 Program Studi Sistem Informasi, STMIK AMIKOM Purwokerto Jl. Let. Jend. Pol. Sumarto, Watumas, Purwokerto; Telp 0281-623321 1
[email protected],
[email protected]
Abstrak Permasalahan dalam seleksi asisten praktikum adalah masalah pengambilan keputusan untuk menentukan calon asisten praktikum yang diterima menjadi asisten praktikum. Apabila pada proses pengambilan keputusan, suatu sistem pendukung keputusan membutuhkan dukungan dari beberapa orang pakar, maka perlu dibentuk suatu sistem pendukung keputusan kelompok (Group Decision Support System) untuk seleksi asisten praktikum. Pada penelitian ini, dibangun suatu sistem pendukung keputusan kelompok dengan format preferensi yang diberikan oleh setiap pengambil keputusan berbentuk Ordered Vectors. Operator Ordered Weighted Averaging (OWA) digunakan untuk melakukan agregasi preferensi yang diberikan oleh setiap pengambil keputusan, dengan menggunakan quantifier fuzzy "most". Konsistensi informasi pada matriks agregasi dilakukan sesuai dengan batasan-batasan yang diberikan pada relasi preferensi fuzzy. Proses perankingan untuk menentukan nilai kinerja setiap alternatif dilakukan dengan menggunakan operator Quantifier Guided Dominance Degree (QGDD). Hasil perankingan sebagai nilai kinerja alternatif digunakan sebagai informasi untuk mendukung pengambil keputusan dalam menentukan calon asisten praktikum yang diterima. Kata kunci : Seleksi Asisten Praktikum, Group Decision Support System, Ordered Weighted Averaging, Quantifier Guided Dominance Degree.
1
LATAR BELAKANG Organisasi Forum Asisten STMIK AMIKOM Purwokerto, merupakan organisasi yang salah satu tugasnya melakukan rekrutmen dan seleksi asisten praktikum. Asisten praktikum bertugas untuk membantu dosen dalam kegiatan belajar mengajar pada lingkup kuliah praktikum di laboratorium komputer. Kedudukan asisten praktikum pada proses belajar mengajar menjadi hal yang penting, karena secara langsung mereka berpartisipasi dalam memberikan jasa layanan pendidikan di STMIK AMIKOM Purwokerto, guna memberikan pemahaman materi praktikum kepada mahasiswa, dan membantu pelaksanaan kegiatan belajar mengajar dosen di laboratorium komputer. Proses rekrutmen dan tes seleksi calon asisten praktikum diadakan setiap semester. Jumlah pendaftar untuk mengikuti proses seleksi asisten praktikum tiap periodenya mengalami peningkatan. Pada tahap tes seleksi calon asisten praktikum, selain melibatkan organisasi Forum Asisten, juga melibatkan dosen sebagai tim penguji. Di tiap akhir semester, organisasi akan melakukan evaluasi kinerja tiap asisten praktikum. Salah satu cara mengukur kinerja tiap asisten, yaitu dengan membagikan kuesioner penilaian asisten praktikum kepada mahasiswa. Dari hasil penilaian kinerja asisten selama 4 periode terakhir, ternyata banyak terdapat keluhan dari mahasiswa mengenai mutu dan kompetensi asisten praktikum. Banyak mahasiswa menilai asisten praktikum belum mampu melaksanakan tugasnya dengan baik dan maksimal. Memperhatikan permasalahan tersebut di atas, maka organisasi Forum Asisten melakukan beberapa upaya untuk menyelesaikan permasalahan tersebut. Salah satu upaya yang dilakukan, yaitu dengan membangun model suatu sistem pendukung keputusan kelompok (Group Decision Support System / GDSS) untuk seleksi asisten praktikum. Operator Quantifier Guided Dominance Degree (QGDD) digunakan dalam pembangunan model GDSS pada penelitian ini. RUMUSAN MASALAH Berdasarkan latar belakang masalah tersebut, dapat dirumuskan permasalahan yang akan diselesaikan, yaitu bagaimana membangun suatu model GDSS menggunakan operator QGDD. TUJUAN Tujuan penelitian ini adalah membangun suatu model GDSS menggunakan operator QGDD.
DASAR TEORI 1. Sistem Pendukung Keputusan Menurut Turban et al [1], sistem pendukung keputusan atau Decision Support System (DSS) memadukan sumber daya intelektual dari individu dengan kapabilitas komputer untuk meningkatkan kualitas keputusan. DSS adalah sistem pendukung berbasis komputer bagi para pengambil keputusan manajemen yang menangani masalah-masalah tidak terstruktur. Di dalam literatur lainnya, dijelaskan bahwa DSS merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan, dan pemanipulasian data guna membantu pengambil keputusan dalam situasi yang semi terstruktur dan situasi yang tidak terstruktur, dimana tak seorangpun tahu secara pasti bagaimana keputusan seharusnya dibuat [2]. Berdasarkan definisi-definisi tersebut, dapat disimpulkan bahwa DSS adalah tools yang dapat digunakan oleh para pengambil keputusan manajemen guna menangani masalah-masalah yang semi terstruktur dan tidak terstruktur. 2. Sistem Pendukung Keputusan Kelompok Pengambilan keputusan kelompok (Group Decision Making / GDM) adalah kegiatan manusia untuk menyeleksi pilihan terbaik dari sejumlah alternatif berdasarkan opini tiap individu dalam suatu kelompok, yang biasanya di definisikan dengan sekelompok pakar/ahli. Tujuan utama dari sejumlah proses GDM, yaitu untuk mengidentifikasi alternatif terbaik berdasarkan beberapa kriteria penilaian tertentu [3]. Proses pengambilan keputusan dalam suatu kelompok dapat terjadi pada situasi yang mana setiap individu dicirikan oleh persepsi, sikap, dan motivasinya sendiri, siapa yang mengakui atau menerima permasalahan secara umum, serta usaha untuk mendapatkan keputusan secara kolektif [4]. GDSS terkomputerisasi mampu membantu proses identifikasi alternatif terbaik dari sekumpulan alternatif berdasarkan kriteria-kriteria penilaian tertentu secara cepat, sehingga mampu mendukung pengambilan keputusan kelompok. 3. Format Preferensi Ordered Vectors Ada beberapa format preferensi dari para pengambil keputusan untuk beberapa alternatif [5][6][7], yaitu Ordered Vector, Utility Vector, linguistik, dan Fuzzy Preference Relation. Format preferensi Ordered Vectors, yaitu diasumsikan tiap pakar ek memberikan preferensinya pada alternatif X dengan :
2
= {() , … . , ( ) }; dengan ( ) merepresentasikan ranking yang diberikan oleh pengambil keputusan (pakar/ahli) dari alternatif i, dengan i=1, 2, ..., n. Perankingan dimulai dari yang terbaik hingga yang terburuk
4. Transformasi Ordered Vectors ke Relasi Preferensi Fuzzy Transformasi Ordered Vectors ke relasi preferensi Fuzzy antara alternatif Ai dan Aj dirumuskan sebagai [5][7] :
= + 1 +
−
; 1≤i≠j≤m
(1)
dengan adalah posisi ranking alternatif Aj di k O , j=1, 2, m.
5. Fuzzy Quantifier Quantifier digunakan untuk merepresentasikan sejumlah item yang memenuhi suatu predikat yang diberikan. Pada Logika klasik terdapat 2 quantifier yang digunakan, yaitu untuk setiap (for all) dan terdapat (there exist). Namun pada kenyataannya banyak sekali quantifier yang dapat digunakan, seperti : hampir semua, sebagian besar, banyak, sebanyak mungkin, dan sebagainya. Zadeh mengklasifikasikan quantifier ke dalam 2 bentuk, yaitu absolut dan relatif [4][7]. Quantifier absolut dapat direpresentasikan sebagai himpunan bagian fuzzy, Q, sedemikian
hingga untuk setiap r ∈ ℜ , derajat keanggotaan r yang terletak di dalam Q, Q(r), menunjukkan derajat yang mana nilai r kompatibel dengan quantifier yang direpresentasikan oleh Q [4][7]. Quantifier relatif, seperti paling (most), setidaknya setengah (at least half), dapat direpresentasikan dengan himpunan bagian fuzzy pada interval [0, 1], yang mana untuk setiap r ∈ [0, 1], Q(r), menunjukkan derajat proporsi r kompatibel terhadap maksud dari quantifier tersebut. Secara fungsional, quantifier relatif fuzzy, biasanya merupakan salah satu dari 3 tipe, yaitu Regular Increasing Monotone (RIM), Regular Decreasing Monotone (RDM), atau Regular Unimodal (RUM) (Yager, 1996). RIM dicirikan dengan hubungan: Q(r ) ≥ Q(r ) jika r > +
1
2
2
adalah ”most” dan ”at least half”. RDM dicirikan dengan Q(r ) ≤ Q(r ) jika r < r . Sedangkan RUM 2
1
½
misal Q(r) = r untuk merepresentasikan ”most” [4][7]. 6. Ordered Weighted Averaging (OWA) Ordered Weighted Averaging (OWA) diperkenalkan oleh Yager. OWA merupakan operator yang bersifat komutatif, idempotent, kontinu, monoton, netral, kompensatif, dan stabil pada transformasi linear. Prinsip dasar dari operator OWA adalah mengurutkan argumenargumen untuk diagregasikan berdasarkan besarnya nilai tanggapan yang diberikan [4]. Yager mendefinisikan, operator OWA dari suatu fungsi berdimensi n, ɸ=ℜnℜ, yang berhubungan dengan himpunan bobot atau vektor bobot W = (w1,..., wn) dengan w Ȋ∈[0,1] dan ∑ = 1; serta digunakan untuk mengagregasikan barisan nilai {p1,..., pn } : ɸ! = (" , … , " ) = ∑ #( ) (2) menjadi suatu permutasi σ : {1,..., n} {1,...,n} sedemikian hingga : #( ) ≥ #( %) , ∀' = 1, … (( − 1) #( ) adalah nilai tertinggi pada himpunan {p1,..., pn}. Apabila diberikan n kriteria sebagai himpunan bagian fuzzy dari himpunan alternatif X, operator OWA digunakan untuk mengimplementasikan konsep mayoritas fuzzy pada tahap agregasi dengan menggunakan fuzzy linguistic quantifier. Hal ini digunakan untuk menghitung bobot OWA, sehingga untuk Q kriteria (atau pakar), e , pada i
k
alternatif x, dapat dihitung bobot-bobot OWA sebagai berikut : = ) * + − ) * + ; ' = 1, … , ( (3)
Apabila fuzzy quantifier Q digunakan untuk menghitung bobot pada OWA, maka operator φ dinotasikan dengan φ [4][7][8]. Q
1
r . Quantifier yang digunakan pada RIM biasanya
1
parameter α = 2. Nilai dari fungsi ini senantiasa naik, sehingga apabila kita dihadapkan pada operator yang mana nilai bobot tinggi menunjukkan konsistensi rendah, maka dapat dimodifikasi dengan: 1. pengambil keputusan diurutkan berdasarkan kriteria yang berlawanan, atau; 2. menggunakan RIM dengan nilai α < 1,
2
diekspresikan sebagai interseksi antara RIM dan RDM [4][7]. Parameter-parameter pada RIM, diberikan α oleh Yager sebagai Q(r) = r , dengan α ≥ 0. Linguistic quantifer ”most” diberikan dengan
7. Quantifier Guided Dominance Degree (QGDD) QGDD akan mengkuantifikasi dominasi suatu alternatif terhadap alternatif yang lainnya pada fuzzy majority dalam bentuk [4][7][8] : 0 )-.. = ɸ/ ( , 1 = 1, … , (, 1 ≠ () (4) atau, 4 4 4 4 〉, … , 〈 〉) (5) )-.. = ɸ0/ (〈 , ,
3
METODOLOGI Metodologi yang digunakan dalam penelitian ini adalah sebagai berikut :
2. Preferensi Pengambil Keputusan Misalkan, setelah persamaan 1 digunakan, diperoleh bentuk relasi preferensi fuzzy untuk 3 alternatif sebagai berikut : 0,50 0,75 0,87 87 = 60,25 0,50 0,66 66C 0,13 0,34 0,50 50 0,5 0,66 0,94 94 60,34 0,5 0,87 87C 0,06 0,13 0,50 50 0,50 0,66 0,75 75 @ 60,34 0,50 0,66 66C 0,25 0,34 0,50 50 3. Nilai Kinerja Proses agregasi preferensi dilakukan untuk membentuk matriks agregasi, berdasarkan persamaan 2 dan 3,, diperoleh vektor bobot W : W=(0,58; 0,24; 0,18), Dengan, 0,5 0,71 0,89 4 ɸAB , , @ D0,32 0,5 0,78E 0,19 0,3 0,5
Gambar 1 : Metodologi Penelitian[5] Kumpulan tiap set penilaian atau preferensi dari para ahli/pakar, selanjutnya ditransformasikan ke bentuk relasi preferensi fuzzy dengan menggunakan Persamaan 1. Kemudian, proses agregasi preferensi dilakukan untuk membentuk matriks agregasi berdasarkan Persamaan rsamaan 2 dan 3. 3 Hasil analisis kinerja setiap alternatif, diperoleh menggunakan operator QGDD berdasarkan persamaan 4 atau 5. 5 Nilai QGDD yang terbesar adalah alternatif yang terbaik untuk direkomendasikan. PEMBAHASAN 1. Gambaran Umum Model Suatu GDSS akan dibangun untuk keperluan seleksi asisten praktikum. Sistem yang diusulkan terdiri atas beberapa orang penguji (pakar) yang kompeten di bidangnya sebagai pengambil keputusan. Kelompok pakar tersebut ada pada vektor E={e1,...,eR}. Misalkan ada 4 penguji dalam GDSS, maka E={e1,e2,e3,e4}. Setiap pakar akan memberikan preferensinya terhadap sejumlah alternatif calon asisten praktikum A={a1,...,am}. Misalkan, A={Adi, A={ Budi, Cindy}. Setiap alternatif memiliki kriteria-kriteria kriteria penilaian tertentu, C={c1,...,cn}, misalnya C={komunikasi, kemampuan memberikan me solusi, motivasi}.
Hasil analisis kinerja setiap alternatif, diperoleh dengan menggunakan operator QGDD berdasarkan persamaan 4 atau 5, sehingga menghasilkan, A. QGDD1= 0,6206 B. QGDD2= 0,4460 C. QGDD3= 0,2722 Solusi akhir diperoleh, alternatif terbaik adalah A1, karena nilai QGDD1 terbesar diantara yang lainnya.
KESIMPULAN Dari hasil penelitian dapat disimpulkan bahwa, 1. operator agregasi OWA dapat digunakan untuk melakukan agregasi preferensi dari beberapa pakar pada GDSS untuk seleksi asisten praktikum. 2. operator agregasi OWA tidak memungkinkan adanya perbedaan tingkat kepentingan dari setiap pengambil keputusan 3. operator agregasi Quantifier Guided Dominance Degree (QGDD) dapat digunakan untuk menentukan nikai ai kinerja setiap alternatif pada GDSS untuk seleksi asisten praktikum.
4
REFERENSI [1] E. Turban, J. E. Aronson, and T.P. Liang, Decision Support Systems and Intelligent Systems – 7th Ed, New Jersey : Pearson Education Inc., 2005. [2] Kusrini, Konsep dan Aplikasi Sistem Pendukung Keputusan, Yogyakarta : Penerbit ANDI, 2007. [3] S. Alonso, I. J. Perez, F. J. Cabrerizo, and E. H. Viedma, A Fuzzy Group Decision Making Model for Large Groups of Individuals, FUZZIEEE 2009, 978-1-4244-3597-5/09, 2009, 643648. [4] S. Kusumadewi, S. Hartati, A. Harjoko, dan R. Wardoyo, Fuzzy Multi-Attribute Decision Making (Fuzzy MADM), Yogyakarta : Graha Ilmu, 2006. [5] F. Chiclana, F. Herrera, E. H. Viedma, Integrating Three Representation Models In Fuzzy Multipurpose Decision Making Based On Fuzzy Preference Relations, ELSEVIER – Fuzzy Sets and Systems 97, 0165-0114/98, 1998, 3348. [6] J. Ma, Q. Zhang, D. Zhou, and Z. P. Fan, A Multiple Person Multiple Attribute Decision Making Method Based on Preference Information and Decision Matrix, Department of Information Systems - City University of Hong Kong, -, 2004, 1-22. [7] S. Kusumadewi, S. Hartati, R. Wardoyo, dan A. Harjoko, Penggunaan Operator Quantifier Guided Dominance Degree (QGDD) Sebagai Certainty Factor Pada Clinical Group Decision Support System (CGDSS), Seminar Nasional Aplikasi Teknologi Informasi 2006 (SNATI 2006), 1907-5022, 2006, D21-D26. [8] F. Chiclana, E. H. Viedma, F. Herrera, S. Alonso, Some induced ordered weighted averaging operators and their use for solving group decision-making problems based on fuzzy preference relations, ELSEVIER – Science Direct, European Journal of Operational Research 182, 0377-2217, 2007, 383-399.
5
