PENERAPAN FUZZY INFERENCE SYSTEM (FIS) UNTUK MENENTUKAN KINERJA DOSEN BIDANG PENGAJARAN STT NURUL JADID Moh. Furqan Jurusan Teknik Informatika, STT Nurul Jadid Probolinggo Email :
[email protected] ABSTRACT Evaluation of faculty performance can be done in various ways, such as by giving questionnaires to student questionnaires to assess the quality of the professors who teach a course. Fuzzy Inference System (FIS). FIS is a method that interprets the values in the input vector, draw conclusions based on a set of IF-THEN rules are given, and then generate the output vector. The main problem in this study is the method of Fuzzy Inference System is more accurate to determine the performance of lecturers teaching field STT Nurul Jadid, this study aims to apply the Fuzzy Inference System is more accurate to assist in the performance of lecturers teaching field STT Nurul Jadid. The results of processing the value of Fuzzy Inference System with Mamdani method has a better value / accurate than the Sugeno method so that it can be concluded with mamdani method for faculty performance is obtained 0% have low performance, 2% and 98% average performance of high performance. While the Sugeno method for faculty performance gained 2% have low performance, the performance was 0% and 98% higher performance. This study can be continued with more of an indicator for the level of accuracy that is generated is approximately correct. Necessary data set with repeated questionnaires in order to obtain more accuracy significantly. Keywords: faculty performance, Fuzzy Inference System, questionnaires
1. PENDAHULUAN 1.1. Latar Belakang Kinerja dosen dapat dilakukan evaluasi dengan berbagai cara, diantaranya adalah dengan memberikan angket kuisioner kepada mahasiswa untuk menilai kualitas dosen yang mengajar suatu matakuliah. Mahasiswa diberikan kuisioner yang berisi point-point yang berkaitan dengan kompetensi, metode penyampaian, perencanaan, komunikasi, penampilan serta kedisiplinan. Cara ini merupakan salah satu cara yang efektif dan efisien karena inputan langsung dari mahasiswa yang bersangkutan yang mengalami dan merasakan proses belajar mengajar dengan dosen tersebut. Evaluasi ini dilaksanakan secara periodik artinya evaluasi dilakukan pada setiap kurun waktu yang tetap. Fuzzy logic telah menjadi area riset yang mengagumkan karena kemampuannya dalam menjembatani bahasa mesin yang serba presisi dengan bahasa manusia yang cenderung tidak presisi, yaitu hanya dengan menekankan pada makna atau arti (significance). Fuzzy logic adalah sebuah metode yang solid dan efisien untuk memecahkan masalah pemetaan non-linier yang tidak memprioritaskan kepresisian [2]. 47
Teori fuzzy logic adalah memetakan sebuah ruang input ke dalam ruang output dengan menggunakan IF-THEN rules.] Pemetaan dilakukan dalam suatu Fuzzy Inference System (FIS). FIS adalah sebuah metode yang menginterprestasikan nilai-nilai dalam vektor input, menarik kesimpulan berdasar sekumpulan IF-THEN rules yang diberikan, dan kemudian menghasilkan vektor output. Logika fuzzy sangat fleksibel, artinya mampu beradaptasi dengan perubahan-perubahan, dan ketidakpastian yang menyertai persalahan, serta memiliki toleransi terhadap data yang tidak tepat [3]. Pada penelitian ini akan menerapkan Fuzzy Inference System (FIS) untuk membantu dalam menentukan kinerja dosen dengan metode Tsukamoto dan metode Sugeno. 1.2. Rumusan Masalah Dari latar belakang masalah di atas, dapat dibuat rumusan masalah tentang penelitian ini adalah: Metode Fuzzy Inference System apakah yang lebih akurat untuk menentukan kinerja dosen bidang pengajaran STT Nurul Jadid ? 1.3. Tujuan Penelitian Berdasarkan latar belakang dan rumusan masalah diatas, maka penelitian ini bertujuan untuk menerapkan metode Fuzzy Inference System yang lebih akurat untuk membantu proses kinerja dosen bidang pengajaran STT Nurul Jadid. 1.4. Manfaat Penelitian Ada beberapa manfaat dari penelitian, antara lain : 1. Manfaat Praktis Hasil penelitian ini diharapkan dapat digunakan pihak akademik untuk menentukan kinerja dosen. 2. Manfaat Teorits Hasil penelitian ini diharapkan dapat memberikan gambaran dan pemahaman teori penerapan Fuzzy Inference System untuk menentukan kinerja dosen. 3. Manfaat Kebijakan Hasil penelitian ini diharapkan menunjang pihak manajemen dalam menentukan kembali dosen pada mata kuliah tertentu. 2. TINJAUAN PUSTAKA 2.1. Penelitian Terkait (Related Research) Berikut adalah beberapa penelitian yang terkait dengan kinerja dosen dan FIS: Penelitian yang dilakukan Neogi, Mondal dan Mandal membahas bahwa institusi pendidikan adalah organisasi yang harus memiliki performance sistem manajemen yang baik untuk menghasilkan lulusan yang berkualitas. Performance fakultas, khusunya adalah dosen perlu diukur dan dievaluasi kinerjanya. Evaluasi fakultas merupakan isu sulit dan sensitif yang memiliki aspek-aspek kuantitatif dan 48 48
kualitatif, kompleksitas dan ketidaktepatan. Dalam evaluasi ini terdapat atribut evaluasi yang bersifat umum dan banyak. Metode tradisional dalam mengevaluasi kinerja dosen menghasilkan nilai yang samar. Untuk itu dilakukan penelitian dengan menerapkan metode fuzzy. Dimana metode fuzzy ini dapat mengolah data yang tidak pasti/samar. Pada penelitian ini digunakan data yang telah diambil melalui kuisioner dengan pembobotan nilai pada point-point kinerja dosen. Kemudian data ini diolah dengan model matematka dan model fuzzy. Dan dihasilkan bahwa dengan metode fuzzy didapatkan nilai yang lebih manusiawi. [4] Pada penelitian Amin dan Khan, artificial intellegent merupakan sistem yang dapat digunakan untuk pengambilan keputusan dan pemecahan masalah yang memiliki kemampuan untuk meniru pakar. Hal penting dalam pengembangan sistem pakar adalah basis pengetahuan. Akuisisi pengetahuan adalah akumulasi, transfer, dan transformasi masalah memecahkan keahlian dari para ahli manusia untuk program komputer. Proses akuisisi pengetahuan ini diantaranya adalah dengan model kuisioner.[5] Pada penelitian Xiuhong, GuiXiang, JunQing dan Lan disampaikan bahwa kualitas mengajar dosen adalah sesuatu yang sangat penting. Dengan evaluasi ini dapat meningkatkan antusisas, manajemen pengajaran serta kualitas pengajaran dosen. Pada penelitian ini tiga indikator evaluasi dosen menggunakan AHP (Analithic Hierarchial Proccess) memiliki kelemahan, karena bersifat subjektif. Dengan mengkolaborasikan AHP dengan fuzzy dapat mengevaluasi indikator tersebut sehingga dihasilkan hasil yang lebih adil, ilmiah dan objektif.[6] Penelitian Deny Budiman menunjukkan bahwa hasil pengolahan kuisioner evaluasi kinerja dosen dengan menggunakan metode ANFIS (Adaptive Neuro Fuzzy Inference System) dengan model fungsi keanggotaan trapesium memiliki nilai yang lebih akurat dari pada ANFIS model fungsi keanggotaan segitiga, ANFIS model fungsi keanggotaan gauss, ANFIS model fungsi keanggotaan gbell, maupun dengan metode rata-rata. Untuk itu penggunaan ANFIS dengan fungsi keanggotaan trapesium untuk pengolahan kuisioner evaluasi kinerja dosen merupakan pilihan yang terbaik yang memberikan nilai paling akurat. [10] Penelitian Yulia Hadihartanti menyebutkan dengan menggunakan dua kali proses pengujian yaitu pada data jadwal semester ganjil tahun akademik 2009/2010 dan data jadwal semester ganjil tahun akademik 2010/2011, yang menghasilkan tingkat akurasi metode Mamdani sebesar 81.08%, dan metode Sugeno mempunyai tingkat akurasi sebesar 27.02%, sehingga komparasi yang dihasilkan menunjukkan bahwa metode Mamdani mempunyai tingkat akurasi yang lebih tinggi dibandingkan dengan metode Sugeno. [11] Penelitian yang dilakukan Roy Mubarak menyimpulkan bahwa aplikasi sistem cerdas berbasis konsep fuzzy logic dapat diimplementasikan untuk pengukuran kinerja karyawan di perusahaan. Dari hasil penilaian kinerja karyawan dapat menghasilkan analisa dan informasi yang akurat sehingga perusahaan dapat mempergunakannya sebagai sistem penunjang keputusan. Hal ini dapat dilihat dari hasil kuisioner yang telah dilakukan.[12] 2.2. Landasan Teori 2.2.1 Fuzzy Logic (Logika Fuzzy) 49
Fuzzy didefinisikan sebagai blurred (kabur atau remang-remang), indistinct, (tidak jelas), imprecisely difened (didefinisikan secara tidak presisi), confused (membingungkan), vague (tidak jelas) [2]. Secara umum, fuzzy logic adalah metodologi “berhitung” dengan variable kata-kata (linguistic variable), sebagai pengganti berhitung dengan bilangan. Kata-kata yang digunakan dalam fuzzy logic sepresisi bilangan, namun kata-kata jauh lebih dekat dengan intuisi manusia. Logika Fuzzy adalah bagian atau salah satu metode dalam kecerdasan buatan (Artificial Intelligence). Dalam logika konvensional nilai kebenaran mempunyai kondisi yang pasti yaitu benar dan salah (true or false), dengan tidak ada kondisi diantara. Disamping itu logika fuzzy merupakan suatu logika yang dapat mempreseentasikan keadaan yang ada di dunia nyata. Motivasi utama teori fuzzy logic adalah memetakan sebuah ruang input ke dalam ruang output dengan menggunakan IF-THEN rules. Pemetaan dilakukan dalam suatu Fuzzy Inference System (FIS) [2]. 2.2.2 Fuzzy Inference System (FIS) FIS dapat diaplikasikan dalam berbagai bidang, seperti kontrol otomatis, klasifikasi data, analisis keputusan, dan sistem pakar. Karena kemampuannya yang fleksibel maka FIS sering disebut dengan nama lain, seperti fuzzy-rule-based system, fuzzy expert system, fuzzy modelling, fuzzy logic controller, dan fuzzy sysstem [2]. FIS bisa dibangun dengan 3 metode, yaitu: 1. Metode Tsukamoto Pada metode ini setiap konsekuen pada aturan berbentuk If-Then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α- predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot. 2. Metode Mamdani Metode Mamdani sering dikenal sebagai Metode Max-Min. metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output, diperlukan 4 tahapan: a. Pembentukan himpunan fuzzy b. Aplikasi fungsi implikasi c. Komposisi Aturan Inferensi diperoleh dari kumpulandan korelasi antar aturan. Ada 3 metode yang digunakan dalam melakukan inferensi system fuzzy, yaitu: 1) Metode Max (Maximum) 2) Metode Additive (Sum) 3) Metode Probabilistik OR (probor) d. Penegasan (defuzzy) Inputdari proses defuzzifikasi adalah suatu himpunan fuzzy 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 crisp tertentu sebagai output. 50
50
Ada beberapa metode defuzzifikasi pada komposisi aturan Mamdani, antara lain: 1. Metode Centroid (Composite Moment) 2. Metode Bisektor 3. Metode Mean of Maximum (MOM) 4. Metode Largest of Maximum (LOM) 5. Metode Smallest of Maximum (SOM)
3. Metode Sugeno Pada Metode Sugeno output (konsekuen) system tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linier. Metode ini diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985, sehingga metode ini sering juga dinamakan dengan Metode TSK. Menurut Cox (1994), Metode TSK terdiri dari 2 jenis, yaitu: 1. Model Fuzzy Sugeno Orde-Nol 2. Model Fuzzy Sugeno Orde-Satu 2.2.3 Evaluasi Kinerja Dosen Evaluasi kinerja merupakan peranan kunci dalam pengembangan pegawai dan produktifitas mereka. Tujuan penilaian kinerja umumnya adalah: tujuan administratif berupa peningkatan gaji, promosi, pemberian penghargaan, pemutusan hubungan kerja, tujuan pengembangan karyawan berupa konseling dan bimbingan, serta pelatihan dan pengembangan, serta tujuan strategis adalah untuk: menilai apakah karakteristik, perilaku, dan hasil kerja karyawan mengarah pada pencapaian tujuan organisasi, mendiagnosa masalah-masalah organisasi, serta mengabsahkan tes yang digunakan dalam seleksi karyawan. Untuk dapat melakukan penilaian kinerja secara tepat, alat penilaian kinerja yang digunakan haruslah merupakan alat penilaian yang baik, yaitu memiliki karakteristik berikut : a. Valid : mengukur apa yang hendak diukur b. Reliabel : dapat diandalkan, mengukur secara konsisten c. Praktis: alat sudah tersedia, masuk akal, dan dapat diterima oleh orang yang menggunakannya d. Relevan : alat merefleksikan kriteria dari kinerja e. Diskriminatif : alat dapat membedakan kinerja dari karyawan yang berbeda f. Adil : alat bebas dari bias jender dan minoritas, serta memberikan penilaian yang sesuai dengan apa yang ditampilkan. Dosen merupakan salah satu komponen penting dalam pendidikan tinggi. Semua kebijakan manajemen untuk memperbaiki dan meningkatkan kualitas pendidikan, pada akhirnya dosen yang melaksanakan dalam kegiatan belajar mengajar. Mutu kegiatan belajar mengajar tergantung dari kompetensi dan komitmen dosen. Di dalam organisasi pendidikan tinggi, evaluasi dosen merupakan cara untuk mengetahui pengaruh pengajaran dosen terhadap mahasiswa. Evaluasi dosen meliputi kegiatan mengumpulkan informasi mengenai bagaimana dosen melakukan pekerjaan, menginterpretasi informasi, dan membuat penilaian mengenai tindakan apa yang 51
harus dilakukan untuk meningkatkan kualitas pengajaran. Evaluasi ini dilakukan setiap periode waktu yang ditentukan untuk menjamin pelaksanaan tugas dosen berjalan sesuai dengan kriteria yang ditetapkan dalam peraturan perundangundangan.[7] 2.3. Kerangka Pemikiran Untuk lebih mengarahkan penelitian ini, dibuat kerangka pemikiran seperti terlihat pada gambar berikut ini:
Gambar 2.5 Kerangka Pemikiran 3. METODOLOGI PENELITIAN 3.1. Analisa Kebutuhan Penelitan ini merupakan penelitian eksperimen, dan dalam pelaksanaanya membutuhkan beberapa instrumen, yaitu: data kuisioner evaluasi kinerja dosen yang sudah diisi oleh mahasiswa, software matlab dan software microsoft excel. Model kuisioner evaluasi kinerja dosen yang digunakan adalah model kuisioner yang telah diterapkan di STT Nurul Jadid. Setiap penelitian ilmiah memerlukan sumber data yang akan di teliti. Sumber data tersebut dikenal dengan istilah populasi. Populasi merupakan objek atau subjek yang berada pada suatu wilayah dan memenuhi syarat-syarat tertentu berkaitan dengan masalah penelitian[8]. Populasi dalam penelitian ini adalah seluruh mahasiswa aktif sesuai tahun masuk normal di STT Nurul Jadid Paiton semester genap tahun akademik 2012/2013 sebanyak 1354 orang. Dari populasi tersebut diambil sampel untuk penelitian. Sampel penelitian adalah sebagian dari populasi yang diambil sebagai sumber data dan dapat mewakili seluruh populasi atau diartikan pula sebagian jumlah dan karakteristik yang dimiliki oleh populasi [9]. Mengingat keterbatasan penulis dalam segi biaya, tenaga dan waktu, maka pengambilan sampel yang dilakukan dalam penelitian ini adalah dengan metode random dan acak sederhana. Rumus yang digunakan adalah dari Taro Yamane yang dikutip oleh Rakhmat (1998:82) dalam Akdon dan Sahlan Hadi (2005:107) sebagai berikut :
52
dimana ; n = ukuran sampel 52 N = ukuran populasi C = Presisi yang digunakan (taraf kesalahan)
Dengan jumlah populasi 1354 orang dan dengan taraf kesalahan sebesar 10%, maka jumlah sampel adalah: N 1354 N= = = 93,12 >> 93 1 + 1354 . (0,1)² 14,54 Dari perhitungan rumus di atas, diperoleh sampel sebesar 93 orang mahasiswa. Tetapi karena objek yang dinilainya (dosen/matakuliah) berbeda-beda dan merupakan 1 kumpulan kelas, sample tersebut dirasa kurang cukup untuk melihat variasi nilai hasil pengolahan per dosen per matakuliah, maka dalam penelitian ini penulis mengambil sampel sebanyak 50% dari mahasiswa aktif sesuai tahun masuk normal di STT Nurul Jadid Paiton semester genap tahun akademik 2012/2013. Jadi 50% X 1354 = 677, dan jumlah dosen sebanyak 58 dosen yang tersebar dalam 24 kelas dan terdiri dari 120 kelas/dosen/matakuliah. Berikut ini adalah data sampel yang tersebar pada beberapa kelas: Tabel 3.1 Jumlah Sampel Penelitian NO Kelas L/P Jumlah Sampel 1 S1/TI/2A P 32 2 S1/TI/2B L 42 3 S1/TI/2 L 39 4 S1/TI/4A P 40 5 S1/TI/4B L 43 Dalam penelitian ini diasumsikan bahwa nilai rata-rata kuisioner, kehadiran dosen, kehadiran mahasiswa, dan nilai kelulusan mahasiswa pada dasarnya menentukan evaluasi kinerja dosen. Jadi keempat paramaeter tersebut akan dijadikan sebagai masukan untuk sistem yang dirancang. 3.2. Teknik Analisis Secara rinci teknik analisis yang digunakan dalam penelitian ini adalah sebagai berikut: 3.2.1 Metode Pengumpulan Data Metode pengumpulan data pada penelitian ini adalah menggunakan data primer, yaitu data yang langsung diperoleh dari sumber yang diteliti, yaitu kuisioner evaluasi kinerja dosen yang telah diisi oleh mahasiswa, kehadiran dosen, kehadiran mahasiswa, dan nilai kelulusan mahasiswa yang terkumpul di Bagian Akademik STT Nurul Jadid Paiton. 53
3.2.2 Data Training Dari sampel penelitian sebanyak 677 mahasiswa dan 58 dosen yang tersebar dalam 120 kelas/dosen/matakuliah pada semester genap tahun akademik 2012/2013. Sebanyak 36 kelas/dosen/matakuliah digunakan sebagai data training dan 84 kelas/dosen/matakuliah digunakan sebagai data testing. Data pelatihan ini diambil secara random dengan memperhatikan variasi nilai input dari data penelitian. Input pada data training ini (termasuk data testing) merupakan nilai rata-rata tiap kategori input dari nilai-nilai pada kuisioner yang telah diisi mahasiswa. Nilai input ini di ambil satu desimal untuk mempermudah dalam pemrosesan data testing tanpa mengurangi arti dari nilai tersebut. 3.3. Perancangan Fuzzy Inference System Dari analisa kebutuhan tersebut maka dapat dijadikan parameter untuk fuzzification input dan output sebagai berikut: 1. Kuisioner (K) mempunyai nilai linguistik sangat tidak memuaskan (stm), tidak memuaskan (tm), cukup memuaskan (cm), memuaskan (m), sangat memuaskan (sm). 2. Kehadiran Dosen (D) mempunyai nilai linguistik kurang, cukup, baik. 3. Kinerja Dosen (H) mempunyai nilai linguistic rendah, tinggi, sangat tinggi. 3.3.1 Proses Pembentukan Himpunan Fuzzy (Fuzzifikasi) 1. Nilai Kuisioner Tabel 3.6 Nilai linguistik Nilai Kuisioner Interval Nilai Linguistik <2 Sangat tidak memuaskan 1- ≤3 Tidak memuaskan 2- ≤4 Cukup memuaskan 3- ≤5 Memuaskan ≥5 Sangat memuaskan Representasi dengan grafik dapat digambarkan sebagai berikut: G a m b a r 3.2 Grafik Keanggotaan Nilai Kuisioner Sedangkan fungsi keanggotaan fuzzy Nilai Kuisioner adalah : µstm (k) = {(2 – k }; k ≤ 2 ....................... (3.1) (k − 1); 1 ≤ k ≤ 2 µtm (k) = ....................... (3.2) (3 − k); 2 ≤ k ≤ 3 54
54
(k − 2);
2 ≤ k ≤ 3
(4 − k); (k − 3);
3 ≤ k ≤ 4 3 ≤ k ≤ 4
....................... (3.3)
(5 − k); µsm (k) = {(k − 4);
4 ≤ k ≤ 5 k ≥ 4
....................... (3.4)
µcm (k) = µm (k) =
....................... (3.5)
2. Kehadiran Dosen Tabel 3.7 Nilai linguistik Kehadiran Dosen Interval Nilai Linguistik ≤ 4 - ≤ 8 Kurang 8 - ≤ 12 Cukup ≥ 12 Baik Representasi dengan grafik dapat digambarkan sebagai berikut:
Gambar 3.3 Grafik Keanggotaan Kehadiran Dosen Sedangkan fungsi keanggotaan fuzzy Kehadiran Dosen 1; d ≤4 µkurang (d) = ( ....................... (3.6) 8 – kd)/4; 4 ≤ d ≤ 8 (d − 4)/4; 4 ≤ d ≤ 8 µcukup (d) = ....................... (3.7) (12 − d)/4; 8 ≤ d ≤ 12 (d − 8)/4; 8 ≤ d ≤ 12 µbaik (d) = ....................... (3.8) 1; d ≥ 12 3. Kinerja Dosen Tabel 3.8 Nilai linguistik Kinerja Dosen Interval Nilai Linguistik ≤ 0,75 Sangat rendah 0,6 - ≤ 1,4 Rendah Sangat Tinggi ≥ 1,25 Representasi dengan grafik dapat digambarkan sebagai berikut: 55
Gambar 3.4
Grafik Keanggotaan Kinerja Dosen
Sedangkan fungsi keanggotaan fuzzy Kinerja Dosen 1; h ≤ 0,275 µrendah (h) = ( ................ (3.16) 0,75 − ℎ)/0,475; 0,275 ≤ h ≤ 0,75 (ℎ − 0,6)/0,4; 0,6 ≤ h ≤ 1 µtinggi (h) = ....................... (3.17) (1,4 − ℎ)/0,4; 1 ≤ h ≤ 1,4 (ℎ − 1,25)/0,35; 1,25 ≤ h ≤ 1,6 µsgt-tinggi (h) = ....................... (3.18) 1; h ≥ 1,6 3.3.2 Proses Komposisi Aturan (Inferensi) Aturan fuzzy untuk memperoleh komposisi kinerja dosen adalah sebagai berikut : Keterangan : 1. Input : X1 = Nilai Kuisioner, X2 = Kehadiran Dosen 2. Output : Y = Kinerja Dosen 3.3.3 Proses Penegasan (Defuzzy) Defuzzyfikasi dilakukan setelah himpunan input dimasukan yang selanjutnya dilakukan perhitungan dari persamaan (3.1) sampai (3.18) dengan menggunakan aturan yang telah dibuat. Dari hasil perhitungan, selanjutnya menghitung defuzzifikasi dengan metode centroid. 4. HASIL DAN PEMBAHASAN 4.1 Hasil Penelitian 4.1.1 FIS Dengan Metode Mamdani Prosesnya terdiri dari beberapa tahapan, seperti yang telah digambarkan dengan diagram aktivitas pada gambar 4.1 yaitu:
56
56
Gambar 4.1 Diagram Aktivitas FIS Metode Mamdani 1. Menentukan variabel masukan. 2. Fuzzifikasi: menentukan derajat keanggotaan dari variabel masukan. 3. Operasi logika fuzzy, perlu dilakukan jika bagian antecedent lebih dari satu pernyataan melakukan operasi-operasi logika fuzzy. Hasil akhir dari operasi ini adalah derajat kebenaran antecedent yang berupa bilangan tunggal. Operator fuzzy untuk melakukan operasi and dan or bisa dibuat sendiri. 4. Implikasi: menerapkan metode implikasi untuk menentukan bentuk akhir fuzzy set keluaran. Consequent atau keluaran dari aturan fuzzy ditentukan dengan mengisikan kumpulan fuzzy keluaran ke variabel keluaran. Fungsi implikasi yang digunakan adalah Min. 5. Agregasi: yaitu proses mengkombinasikan keluaran semua aturan if-then menjadi sebuah kumpulan fuzzy tunggal menggunakan fungsi Max. 6. Defuzzifikasi: mengisikan bilangan tunggal ke variabel keluaran dengan metode centroid atau center of area dengan menggunakan persamaan (2.4). Setelah menentukan variabel masukan dan menentukan himpunan, maka proses berikutnya untuk menentukan nilai z dosen 1 adalah : 1. Menghitung derajat keanggotaan dimana hasilnya dapat dilihat pada tabel 3.12 sampai dengan tabel 3.16, 2. Melakukan implikasi dengan memasangkan derajat keanggotaan dengan aturan yang digunakan. 3. Defuzzifikasi dengan menggunakan metode centroid seperti pada persamaan (2.4). Untuk menghitung nilai z dari dosen 1 adalah: Z = 3,75 * 0,3 + 3,75 * 0,8 + 14 * 1 + 13 * 1 + 3,38 * 0,3 + 3,38 * 0,8 0,3 + 0,8 + 1 + 1 + 0,3 + 0,8 Z = 8,53
57
Berikut ini dijelaskan implementasi dari kasus yang telah dijelaskan sebelumnya dengan Fuzzy Logic Toolbox Matlab: Gambar 4.2 FIS Editor Metode Mamdani Pada gambar di atas terdapat 4 variabel input, yaitu kuisioner, hadir dosen, hadir mahasiswa, nilai lulus mahasiswa dan 1 variabel output, yaitu kinerja.
Gambar 4.3 Fungsi Keanggotaan Variabel Kuisioner Gambar di atas menampilkan fungsi keanggotaan untuk variabel kuisioner, dengan nilai linguistik sangat tidak memuaskan (stm), tidak memuaskan (tm), cukup memuaskan (cm), memuaskan (m) dan sangat memuaskan (sm) dengan parameter yang berbeda. Gambar 4.4 Fungsi Keanggotaan Variabel Hadir Dosen Gambar di atas menampilkan fungsi keanggotaan untuk variabel Hadir Dosen, dengan nilai linguistik kurang, cukup dan baik dengan parameter yang berbeda.
Gambar 4.5 Fungsi Keanggotaan Variabel Kinerja Dosen Gambar di atas menampilkan fungsi keanggotaan untuk variabel Kinerja Dosen dengan nilai linguistik rendah, tinggi dan sangat tinggi dengan parameter yang berbeda.
58
58
Gambar 4.6 Editor Aturan Metode Mamdani Gambar di atas menampilkan komposisi aturan untuk variabel Kinerja Dosen, dengan nilai linguistik linguistik rendah, tinggi dan sangat tinggi dengan operator and.
Gambar 4.7 Tampilan Komposisi Aturan Gambar di atas menampilkan komposisi masing-masing variabel dengan masukan yang dapat dilihat pada kotak input yang berwarna kuning. Hasil keluarannya terletak pada kotak yang paling kanan yang berwarna biru. Jadi hasil keluaran dapat langsung ditampilkan berdasarkan input yang dimasukkan. Hasilnya menampilkan angka yang merupakan prosentase kinerja dosen. Gambar 4.8 Tampilan Diagram Metode Mamdani Gambar di atas menampilkan komposisi masing-masing variabel dengan masukan yang telah dilakukan sebelumnya. Tampilan berupa grafik dengan sumbu X, sumbu Y sebagai masukannya dan sumbu Z sebagai keluarannya yang dapat memberikan informasi tentang perbandingan variabel yang dibandingkan dan keluarannya. 4.1.2 FIS Metode Sugeno Dalam banyak hal, metode Sugeno mirip dengan metode Mamdani. Perbedaan terletak pada jenis fungsi keanggotaan yang dipakai dalam bagian consequent. Prosesnya terdiri dari beberapa tahapan seperti pada gambar 4.13 yaitu:
59
Gambar 4.9 Tampilan Diagram Metode Sugeno 1 1. Menentukan variabel masukan. 2. Fuzzifikasi: menentukan derajat keanggotaan dari variabel masukan. 3. Operasi logika fuzzy, perlu dilakukan jika bagian antecedent lebih dari satu pernyataan melakukan operasi-operasi logika fuzzy. Hasil akhir dari operasi ini adalah derajat kebenaran antecedent yang berupa bilangan tunggal. Operator fuzzy untuk melakukan operasi AND dan OR bisa dibuat sendiri. 4. Implikasi: menerapkan metode implikasi untuk menentukan bentuk akhir fuzzy set keluaran. Consequent atau keluaran dari aturan fuzzy ditentukan dengan mengisikan keanggotaan keluaran yang bersifat linier atau konstan. 5. Agregasi: yaitu proses mengkombinasikan keluaran dimana keluaran bukan dalam bentuk fungsi keanggotaan, tetapi sebuah bilangan yang mana berubah secara linier terhadap variabel-variabel input, yaitu mengikuti suatu persamaan bidang z = av + bw + c. Jika b=0, dikatakan berorder satu dimana keluarannya mengikuti persamaan garis, yaitu z=av+c. Jika a=b=0, dikatakan berorder nol, karena keluarannya berupa sebuah bilangan konstan, yaitu z=c. 6. Defuzzifikasi: mengisikan bilangan tunggal ke variabel keluaran dengan cara seperti berikut:
Untuk menghitung nilai z dari dosen 1 menggunakan fungsi MIN pada aplikasi fungsi implikasinya. Dari setiap aturan yang ada dicari derajat keanggotaan variabelnya. Kemudian menghitung nilai α- predikat dengan menentukan nilai minimum dari masing-masing derajat keanggotaan variabel. Setelah nilai αpredikati dan nilai z i diketahui untuk semua aturan seperti yang terdapat pada tabel di bawah ini, maka nilai z dari dosen 1 adalah: Z = 0,25 * 8 + 0,75 * 8 + 1 * 8 + 1 * 8 + 0,25 * 8 + 0,75 * 8 0,25+ 1 + 1 + 0,25 Z = 12,80 60
60
Berikut ini dijelaskan implementasi dari kasus yang telah dijelaskan sebelumnya dengan Fuzzy Logic Toolbox Matlab : Gambar 4.10 FIS Editor Metode Sugeno Pada gambar di atas terdapat 4 variabel input, yaitu kuisioner, hadir dosen, hadir mahasiswa, nilai lulus mahasiswa dan 1 variabel output, yaitu kinerja.
Gambar 4.11 Fungsi Keanggotaan Variabel Kuisioner Gambar di atas menampilkan fungsi keanggotaan untuk variabel kuisioner, dengan nilai linguistik sangat tidak memuaskan (stm), tidak memuaskan (tm), cukup memuaskan (cm), memuaskan (m) dan sangat memuaskan (sm) dengan parameter yang berbeda. Gambar 4.12 Fungsi Keanggotaan Variabel Hadir Dosen Gambar di atas menampilkan fungsi keanggotaan untuk variabel Hadir Dosen, dengan nilai linguistik kurang, cukup dan baik dengan parameter yang berbeda.
Gambar 4.13 Fungsi Keanggotaan Variabel Kinerja Dosen Gambar di atas menampilkan fungsi keanggotaan untuk variabel Kinerja Dosen dengan nilai linguistik rendah, tinggi dan sangat tinggi dengan parameter yang berbeda.
61
Gambar 4.14 Editor Aturan Metode Sugeno Gambar di atas menampilkan komposisi aturan untuk variabel Kinerja Dosen, dengan nilai linguistik linguistik rendah, tinggi dan sangat tinggi dengan operator and.
Gambar 4.15 Tampilan Komposisi Aturan Gambar di atas menampilkan komposisi masing-masing variabel dengan masukan yang dapat dilihat pada kotak input yang berwarna kuning. Hasil keluarannya terletak pada kotak yang paling kanan yang berwarna biru. Jadi hasil keluaran dapat langsung ditampilkan berdasarkan input yang dimasukkan. Hasilnya menampilkan angka yang merupakan prosentase kinerja dosen. Gambar 4.16 Tampilan Diagram Metode Sugeno Gambar di atas menampilkan komposisi masingmasing variabel dengan masukan yang telah dilakukan sebelumnya. Tampilan berupa grafik dengan sumbu X, sumbu Y sebagai masukannya dan sumbu Z sebagai keluarannya yang dapat memberikan informasi tentang perbandingan variabel yang dibandingkan dan keluarannya. Sebagai hasil dari pembahasan ini dapat dilihat dari hasil perhitungan nilai z untuk dosen 1 dengan masing-masing metode:
1. Dengan metode persamaan (3.1) 2. Dengan metode persamaan (3.1) 62
Mamdani nilai z = 8.53, jika dimasukkan dalam maka keluarannya menghasilkan kinerja dosen. Sugeno nilai z = 12.80, jika dimasukkan dalam maka keluarannya menghasilkan kinerja dosen. 62
4.2 Pembahasan Penelitian 4.2.1 FIS Metode Mamdani Dengan perhitungan FIS Metode Mamdani yang terdiri dari parameter kuisioner, kehadiran dosen, kehadiran mahasiswa dan nilai kelulusan mahasiswa dapat dihasilkan kinerja dosen dengan banyak data 120 dosen, maka dapat dihasilkan sebagai berikut :
Gambar 4.17 Grafik FIS Metode Mamdani 4.2.1 FIS Metode Sugeno Dengan perhitungan FIS Metode Sugeno yang terdiri dari parameter kuisioner, kehadiran dosen, kehadiran mahasiswa dan nilai kelulusan mahasiswa dapat dihasilkan kinerja dosen dengan banyak data 120 dosen, maka dapat dihasilkan sebagai berikut :
Gambar 4.18 Grafik FIS Metode Sugeno 4.2.3 Analisa Hasil Pembahasan Pada penelitan ini, nilai-nilai hasil pengolahan dengan beberapa metode di atas, lebih jelas dapat dilihat pada grafik sebagai berikut:
Gambar 4.19 Grafik Hasil Pengolahan Metode Dari gambar grafik di atas dapat dilihat bahwa nilai hasil pengolahan FIS dengan Metode Mamdani memiliki nilai lebih baik/akurat daripada Metode Sugeno. Tetapi dikarenakan perbedaan nilai akurasi yang kecil antar nilai, maka perbedaan tersebut tidak dapat terlihat dengan jelas dalam grafik tersebut.
63
5. PENUTUP 5.1 Kesimpulan Dari hasil penelitian y ang telah dilakukan terhadap pengolahan kuisioner evaluasi kinerja dosen, setelah dilakukan langkah-langkah penelitan dari mulai merekap hasil kuisioner, membuat model simulasi dengan menggunakan software matlab dengan menyusun model fungsi keanggotaan, menyusun rule base, melatih data training serta melakukan pengujian terhadap nilai-nilai variabel kuisioner terhadap model simulasi tersebut, maka didapatkan kesimpulan : 1. Dengan FIS metode mamdani untuk kinerja dosen diperoleh hasil : 0 % memiliki kinerja rendah, 2% kinerja sedang dan 98 % kinerja tinggi. 2. Dengan FIS metode sugeno untuk kinerja dosen diperoleh hasil : 2 % memiliki kinerja rendah, 0% kinerja sedang dan 98 % kinerja tinggi. 5.2 Saran Penelitian dengan menggunakan fuzzy inference system dapat membantu memecahkan masalah yang sifatnya fuzzy. Penelitian ini dapat dilanjutkan dengan lebih banyak indikator agar tingkat akurasi yang dihasilkan lebih mendekati benar. Diperlukan kumpulan data kuisioner yang berulang-ulang agar diperoleh tingkat akurasi yang lebih signifikan.
64
64
DAFTAR PUSTAKA [1] [2] [3] [4]
[5]
[6]
[7] [8] [9] [10]
[11] [12]
Dong, P., & Dai, F. Evaluation for Teaching Quality Based on Fuzzy Neural Network. IEEE Computer Society , 2009. Agus Naba, Belajar Cepat Fuzzy Logic Menggunakan MATLAB, Andy Offset, 2009. Sri Kusumadewi, Hari Purnomo, Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Graha Ilmu, 2010. Neogi, A., Mondal, A. C., & Mandal, S. K.. A Fuzzy Modeling Approach to Evaluate Faculty Performance. ACM Ubiquity , Vol. 9, Issue. 15 April 2008. Amin, H. U., & Khan, A. R. Acquiring Knowledge for Evaluation of Teachers’ Performance in Higher Education using a Questionnaire. (IJCSIS) International Journal of Computer Science and Information Security , Vol. 2, No. 1. 2008. XiuHong, Z., GuiXiang, L., JunQing, L., & Lan, L. The Method of Evaluation Teacher’s Teaching Work Base on AHP and Fuzzy Theory. International Workshop on Information Security and Application (IWISA, 2009). Qing Dao, China: Academy Publisher. Nov 21-22, 2009. Kustono, D. e. Pedoman Beban Kerja Dosen dan Evaluasi Pelaksanaan Tridharma Perguruan Tinggi. Jakarta: Depdiknas. 2010. Akdon, & Hadi, S. Aplikasi Statistika dan Metode Penelitian untuk Administrasi dan Manajemen. Bandung: Dewa Ruchi. 2005 Sugiyono. Metode Penelitian Pendidikan. Bandung: Alfabeta. 2007. Deny Budiman. Penerapan Neuro Fuzzy Untuk Meningkatkan Akurasi Pengolahan Kuisioner Evaluasi Kinerja Dosen. STMIK ERESHA. Jakarta.2011. Yulia Yudihartanti. Analisis Komparasi Metode Mamdani Dan Sugeno Dalam Penjadwalan Mata Kuliah. UDINUS. Semarang. 2010. Roy Mubarak. Sistem Cerdas Berbasis Konsep Fuzzy Logic Untuk Evaluasi Kinerja Karyawan. STMIK ERESHA. Jakarta.2010.
65
