Seminar Nasional Teknologi Informatika, "The Future of Computer Vision", 2017, ISBN : 978-602-50006-0-7
Mengukur Tingkat Kepuasan Mahasiswa Terhadap Kinerja Dosen Menggunakan Metode Fuzzy Mamdani Sepri Yanti Br Tarigan Program Studi S2 Teknik Infomatika USU
[email protected]
Melva Lumban Tobing Program Studi S2 Teknik informatika USU
[email protected]
Zakarias Situmorang Program Studi S2 Teknik informatika USU
Abstrak Untuk meningkatkan kualitas mahasiswa pada perguruan tinggi tidak terlepas dari bagaimana kinerja dosen dalam proses belajar-mengajar. Kualitas dosen sangat mempengaruhi bagaimana kualitas lulusan nantinya. Dosen yang berkualitas dapat dilihat dari kinerja dosen tersebut dalam penyampaian materi pembelajaran, penilaian, disiplin, perilaku serta penampilan. Studi kasus yang diambil dalam penulisan ini yaitu bagaimana analisa tingkat kepuasan mahasiswa terhadap kinerja dosen mengajar pada STT Poliprofesi Medan. Evaluasi kinerja dosen dapat dinilai oleh mahasiswa dan penilai oleh prodi melalui kuesioner yang didalamnya terdapat beberapa aspek penilaian. Pengolahan data kuesioner tersebut akan menggunakan metode fuzzy mamdani. Metode Mamdani sering juga dikenal dengan metode Max-Min, metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975 (Kusuma Dewi, 2003). Pada metode ini, terdapat 4 tahap untuk mendapatkan output, yaitu pembentukan himpunan fuzzy, aplikasi fungsi implikasi, komposisi aturan dan penegasan (defuzzification). Dengan adanya metode fuzzy mamdani ini maka akan dihasilkan informasi berupa output tingkat keberhasilan dosen mengajar.
Keywords: Logika fuzzy, fuzzy mamdani, kinerja dosen.
163
Seminar Nasional Teknologi Informatika, "The Future of Computer Vision", 2017, ISBN : 978-602-50006-0-7
I. LATAR BELAKANG Mentransformasikan, mengembangkan dan menyebarluaskan ilmu pengetahuan, teknologi dan seni melalui pendidikan, penelitian dan pengabdian kepada masyarakat merupakan tugas seorang dosen (Undang Undang RI No.14 tentang Guru dan Dosen, 2005). Mengajar merupakan salah satu aktifitas dosen yang langsung berhubungan dengan mahasiswa. Aktifitas belajar mengajar di perguruan tinggi tidak hanya memberikan materi, tetapi juga menumbuhkan sikap kreatif, inovatif, proaktif, serta mengembangkan potensi mahasiswa juga membentuk pola fikir. bagi mahasiswa. Organisasi dan manajemen yang sehat dan efektif serta didukung dosen yang profesional sangat menunjang mutu proses belajar mengajar, mutu lulusan dan mutu pelayanan Tri Dharma pada stakeholder (Kustono, 2010). Sehingga dapat meningkatkan nilai akreditasi perguruan tinggi tersebut. Dengan demikian proses belajar mengajar merupakan proses utama dalam suatu institusi pendidikan dan kualitas pengajar/dosen sangat penting untuk peningkatan kualitas institusi (Dong & Dai, 2009). Dengan kata lain evaluasi terhadap kualitas mengajar dapat meningkatkan antusias kinerja dosen serta meningkatkan manajemen dan kualitas pengajaran (XiuHong, GuiXiang, JunQing & Lan, Nov 21-22, 2009). Evaluasi terhadap kinerja dosen ini dapat dilakukan dengan berbagai cara, diantaranya adalah dengan memberikan angket kuisioner kepada mahasiswa dan tim penilai untuk menilai kualitas dosen yang mengajar suatu matakuliah. Salah satu metode yang digunakan untuk mengukur kinerja dosen mengajar yaitu dengan logika fuzzy. Alasan digunakannya logika fuzzy dikarenakan logika fuzzy mudah dimengerti, sangat fleksibel, dapat digabungkan dengan teknik-teknik kendali didasarkan pada bahasa alami. Metode fuzzy mamdani paling sering digunakan dalam aplikasi-aplikasi karena strukturnya yang sederhana, yaitu menggunakan operasi MIN-MAX (Kusumadewi 2003). Dalam menentukan tingkat kepuasan mahasiswa terhadap kinerja dosen mengajar dengan menggunakan metode fuzzy mamdani pada STT Poliprofesi Medan terdapat tiga variabel yaitu kuisioner mahasiswa, kuisioner tim penilai dan tingkat kinerja dosen. Penelitian ini diharapkan dapat memberikan informasi yang akurat dalam
menentukan bagaimana tingkat keberhasilan dosen mengajar. II. TINJAUAN PUSTAKA A. Logika Fuzzy Konsep tentang logika fuzzy diperkenalkan oleh Prof. Lotfi Astor Zadeh pada 1962. Logika fuzzy adalah metodologi sistem kontrol pemecahan masalah yang cocok untuk diimplementasikan pada sistem, mulai dari sistem yang sederhana, sistem kecil, jaringan PC, multi-channel atau workstation berbasis akuisisi data, dan sistem kontrol. Dalam logika fuzzy memungkinkan nilai keanggotaan berada diantara 0 dan 1. 1. Himpunan Fuzzy Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µA(X), memiliki dua kemungkinan, yaitu : a. Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau b. Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan. 2. Fungsi Keanggotaan Fungsi keanggotaan adalah suatu kurva yang menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. 3. Operator Dasar Zadeh Untuk Operasi himpunan Fuzzy Seperti halnya himpunan konvensional, ada beberapa operasi yang didefenisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama fire strength. Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu (Kusumadewi, 1994) : a. Operator AND Operator ini berhubungan dengan operasi interseksi pada himpunan. Fire strength sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada
164
Seminar Nasional Teknologi Informatika, "The Future of Computer Vision", 2017, ISBN : 978-602-50006-0-7
himpunan-himpunan yang bersangkutan. µA∩B= min(µA(x), µB(y)) Operator OR Opertor ini berhubungan dengan operasi union pada himpunan. Fire strength sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antarelemen pada himpunan-himpunan yang bersangkutan. µAUB= max(µA(x), µB(y)) Operator NOT Fire strength sebagai hasil operasi dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1. µA’=1- µA (x)
digunakan studi pustaka yaitu mencari sumber dari buku, jurnal mengenai logika fuzzy khususnya fuzzy mamdani.
B. Fuzzy Mamdani Metode mamdani sering digunakan dalam aplikasi-aplikasi karena strukturnya yang sederhana, yaitu menggunakan operasi MIN-MAX atau MAX-PRODUK. Untuk mendapatkan output diperlukan empat tahapan, yaitu: a. Pembentukan himpunan fuzzy b. Aplikasi fungsi implikasi c. Komposisi aturan d. Defuzzyfikasi
A. Pembentukan Himpunan Fuzzy Selanjutnya akan ditentukan himpunan fuzzy dari setiap variabel. 1. Himpunan Fuzzy untuk variabel Mahasiswa (x) Semesta pembicara untuk variabel Mahasiswa: [0,85] Domain himpunan fuzzy: Buruk = [0,25] Cukup = [25,65] Baik = [50,85] Fungsi keanggotaan untuk variabel Mahasiswa:
b.
c.
III. METODOLOGI PENELITIAN Studi kasus dalam penelitian ini yaitu menentukan tingkat kepuasan mahasiswa terhadap kinerja dosen pada STT Poliprofesi Medan yang beralamat di Jl. Sei batanghari No.3&4 Medan. Jenis data yang digunakan adalah data primer dan sata sekunder. Data Prime yaitu data yang diperoleh secara langsung dari sumber data yang berhubungan dengan penelitian yang dilakukan, yaitu data-data yang diperoleh dari pengamatan langsung bagaimana proses belajar-mengajar pada STT Poliprofesi Medan. Sedangkan data sekunder yaitu data yang diperoleh penulis dalam bentuk yang sudah jadi yang bersifat informasi dan kutipan, baik dari internet maupun literatur, pustaka, jurnal yang berhubungan dengan penelitian yang dibuat. Metode pengumpulan data yang dilakukan yaitu dengan cara memberikan kuisioner kepada mahasiswa dan tim penilai. Selain itu juga
IV. HASIL DAN PEMBAHASAN Dalam menentukan tingkat kepuasan mahasiswa terhadap kinerja dosen mengajar pada STT Poliprofesi Medan menggunakan 3 variabel yaitu variabel mahasiswa, variabel penilai dan variabel tingkat. Setiap variabel memiliki masingmasing nilai linguistik, yaitu 1). Variabel mahasiswa : buruk, cukup , baik. 2). Variabel penilai : buruk, cukup, baik. 3). Variabel tingkat :rendah, sedang,tinggi. Untuk mendapatkan output, diperlukan 4 tahapan yaitu pembentukan himpunan fuzzy, aplikasi fungsi implikasi, komposisi aturan dan penegasan.
1 Buruk = 0 0 Cukup =
0 Baik = 1
165
Seminar Nasional Teknologi Informatika, "The Future of Computer Vision", 2017, ISBN : 978-602-50006-0-7
Tinggi
=[60,100]
1 Rendah = 0 0 Sedang = Gambar 1. Grafik Himpunan Fuzzy Pada Variabel Mahasiswa
2. Himpunan Fuzzy untuk variabel Tim Penilai (y) Semesta pembicara untuk variabel Penilai: [0,75] Domain himpunan fuzzy : Buruk =[0,20] Cukup =[20,60] Baik =[50,75]
0 Tinggi = 1
1 Buruk = 0 0 Cukup =
0 Baik =
1
Gambar 2. Grafik Himpunan Fuzzy Pada Variabel Penilai
3. Himpunan Fuzzy untuk variabel Tingkat (z) Semesta pembicara untuk variabel Penilai: [0,100] Domain himpunan fuzzy : Rendah =[0,50] Sedang =[50,70]
Gambar 3. Grafik Himpunan Fuzzy Pada Variabel Tingkat
B. Aplikasi Fungsi Implikasi Pada Metode Mamdani, fungsi implikasi yang digunakan adalah Min. Secara umum dapat dituliskan: Setelah pembentukan variabel pada himpunan fuzzy, maka dibentuk aturan yang bersesuian dengan penelitian yang dilakukan. Adapun aturan-aturan yang dimaksud adalah: [R1] IF Mahasiswa Buruk And Penilai Buruk Then Tingkat Rendah [R2] IF Mahasiswa Buruk And Penilai Cukup Then Tingkat Sedang [R3] IF Mahasiswa Buruk And Penilai Baik Then Tingkat Tinggi [R4] IF Mahasiswa Cukup And Penilai Buruk Then Tingkat Rendah [R5] IF Mahasiswa Cukup And Penilai Cukup Then Tingkat Sedang
166
Seminar Nasional Teknologi Informatika, "The Future of Computer Vision", 2017, ISBN : 978-602-50006-0-7
[R6] [R7] [R8] [R9]
IF Mahasiswa Cukup And Penilai Baik Then Tingkat Tinggi IF Mahasiswa Baik And Penilai BurukThen Tingkat Rendah IF Mahasiswa Baik And Penilai Cukup Then Tingkat Sedang IF Mahasiswa Baik And Penilai Baik Then Tingkat Tinggi
Contoh kasus: Berapa nilai tingkat kepuasan mahasiswa, jika nilai mahasiswa 50 dan nilai dari penilai 60 (menggunakan fungsi MIN). [R1]
IF Mahasiswa Buruk And Penilai Buruk Then Tingkat Rendah αPredikat1 = µMhsBuruk ∩ µPenilaiBuruk = min(µNhsBuruk(50),µPenilaiBuruk(60)) = min(0;0) =0 [R2] IF Mahasiswa Buruk And Penilai Cukup Then Tingkat Sedang αPredikat2= µMhsBuruk ∩ µPenilaiCukup = min(µMhsBuruk(50), µPenilaiCukup(60)) = min(0;0,5) =0 [R3] IF Mahasiswa Buruk And Penilai Baik Then Tingkat Tinggi αPredikat3 = µMhsBuruk ∩ µPenilaiBaik = min(µMhsBuruk(50), µPenilaiBaik(60)) = min(0;0,5) =0 [R4] IF Mahasiswa Cukup And Penilai Buruk Then Tingkat Rendah αPredikat4 = µMhsCukup ∩ µPenilaiBuruk = min(µMhsCukup(50), µPenilaiBuruk(60)) = min(0,25;0) =0 [R5] IF Mahasiswa Cukup And Penilai Cukup Then Tingkat Sedang αPredikat5 = µMhsCukup ∩ µPenilaiCukup = min(µMhsCukup(50), µPenilaiCukup (60)) = min(0,25;0,5) = 0,25 [R6] IF Mahasiswa Cukup And Penilai Baik Then Tingkat Tinggi αPredikat6 = µMhsCukup ∩ µPenilaiBaik = min(µMhsCukup(50), µPenilaiBaik(60)) = min(0,25;0,5) = 0,25 [R7] IF Mahasiswa Baik And Penilai Buruk Then Tingkat Rendah
αPredikat7 = µMhsBaik ∩ µPenilaiBuruk = min(µMhsBaik(50), µPenilaiBuruk(60)) = min(0,75;0) =0 [R8] IF Mahasiswa Baik And Penilai Cukup Then Tingkat Sedang αPredikat8 = µMhsBaik ∩ µPenilaiCukup = min(µMhsBaik(50), µPenilaiCukup(60)) = min(0,75;0,5) = 0,5 [R9] IF Mahasiswa Baik And Penilai Baik Then Tingkat Tinggi αPredikat9= µMhsBaik ∩ µPenilaiBaik = min(µMhsBaik(50), µPenilaiBaik(60)) = min(0,75;0,5) = 0,5 C. Komposisi Aturan Apabila sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari gabungan antar aturan. Ada tiga metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu: Max-min, additive dan probabilistik OR (probor). Dari aturan α-predikat yang ada, dapat dihasilkan daerah fuzzy menggunakan fungsi MAX. Pada metode MAX, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikas daerah fuzzy, dan mengaplikasikannya ke output dengan menggunakan operator OR(union). Jika semua proposisi telah dievaluasi, Then output akan berisi suatu himpunan fuzzy yang merefleksikan konstribusi dari tiap-tiap proposisi, dapat ditulis sebagai berikut: dengan:
Darri contoh kasus diatas, daerah hasil komposisi menggunakan fungsi MAX adalah sebagai berikut:
167
Seminar Nasional Teknologi Informatika, "The Future of Computer Vision", 2017, ISBN : 978-602-50006-0-7
Gambar 4. Daerah Hasil Komposisi
Pada gambar di atas, daerah hasil dibagi menjadi dua bagian, yaitu A1 dan A2. Sekarang kita mencari nilai a1. (a1 – 60) / 70 = 0 a1 = 60 (a1 – 60) / 70 = 0,5 a2 = 95 Dengan demikian, fungsi keanggotaan untuk hasil komposisi ini adalah :
D. Defuzzyfikasi Fuzzifikasi adalah proses perubahan suatu nilai crisp ke dalam variabel fuzzy yang berupa variabel linguistik yang nantinya akan dikelompokkan menjadi himpunan fuzzy. Dengan demikian, tahap ini mengambil nilai-nilai crisp dan menentukan derajat di mana nilai-nilai tersebut menjadi anggota dari setiap himpunan fuzzy yang sesuai. Metode Defuzzyfikasi yang digunakan adalah metode centroid. Pada metode centroid solusi crisp diperoleh dengan cara mengambil titik pusat daerah fuzzy. Secara umum dapat dituliskan:
= = 80 Jadi tingkat kepuasan mahasiswa terhadap kinerja dosen mengajar adalah 80. V. KESIMPULAN Dalam penerapan metode mamdani untuk menentukan tingkat kepuasan mahasiswa terhadap kinerja dosen mengajar memiliki 4 tahapan yaitu penentuan himpunan fuzzy, aplikasi fungsi implikasi, komposisi aturan dan defuzzyfikasi. Diperoleh suatu model yang dapat memperlihatkan aturan keterhubungan antara motivasi dosen, persiapan mengajar dosen dan pelaksanaan perkuliahan dengan nilai mahasiswa. Penelitian ini telah menunjukkan korelasi variabel mahasiswa dengan variabel penilai, dalam menentukan tingkat kepuasan mahasiswa terhadap kinerja dosen mengajar. DAFTAR PUSTAKA [1]
[2]
[3]
[4]
[5]
[6] [7]
Andani, Sundari Retno. Fuzzy Mamdani Dalam Menentukan Tingkat Keberhasilan Dosen Mengajar. Seminar Nasional Informatika 2013 (semnasIF 2013), UPN ”Veteran” Yogyakarta. Kusumadewi, S, 2004, Fuzzy Quantification Theory I Untuk Analisis Hubungan Antara penilaian Kinerja Dosen Oleh Mahasiswa, Kehadiran Dosen dan Nilai Kelulusan Mahasiswa, Media Informatika, Volume 2. No 1. Kusumadewi, S, 2007, Sistem Fuzzy Untuk Klasifikasi Indikator Kesehatan Daerah, Seminar TEKNOIN 2007. Kusumadewi, S, and Purnomo, H, 2010, Aplikasi Logika Fuzzy Untuk Pendukung Keputusan, Graha Ilmu.Yogyakarta. Kusumadewi, Sri & Hari Purnomo (2004). Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Yogyakarta : Graha Ilmu Undang-Undang Dasar RI No.14 Tentang Guru Dan Dosen, 2005 Zadeh, Lotfi A. 1975. Fuzzy Sets and Their Applications to Cognitive and Decision Processes. Academic Press, Inc. New York.
Gambar 5. Metode centroid
z =
168