Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 51 – 66 , Copyright@2016 by LPPM UPI YPTK Padang
ISSN CETAK : 2356 – 0010, ISSN ONLINE : 2502-8758
PENERAPAN LOGIKA FUZZY UNTUK MENGUKUR KINERJA FRONTLINER PEGAWAI BANK BRI Deval Gusrion Universitas Putra Indonesia “YPTK” Padang, Indonesia
[email protected]
ABSTRACT Performance measurement front-liner can be applied through the fuzzy logic method by using four variables: knowledge, observation by the PIC, the evaluation of co-workers, and self-evaluation and supporting Matlab application. Measurement of performance using four variables was obtained through taking data from test results conducted by The Regional Office OJL BRI Padang, observation and interviews as well as distributing questionnaires to each of the front-liner. Of the four variables specified then performed using fuzzy reasoning and fuzzy input predetermined rules so as to produce a fuzzy output. Fuzzy Inference Rules method used is the Mamdani method to get the output stages such as: establishment of a fuzzy set, Application Function Implications, composition rules, assertion (Defuzzy). The results of this study will generate rules that can help the Bank BRI to measure the performance of front-liner is not good, not good, nice and very good. Key words: fuzzy logic, variable, rule, Mamdani, input, output
1. Pendahuluan Dari beberapa bidang yang ada, bank merupakan salah satu bidang yang memerlukan sistem informasi penunjang. Selain memerlukan sistem untuk mengendalikan manajemen, juga dibutuhkan sistem untuk mengambil keputusan untuk menentukan kinerja dan penepatan pegawai. Dengan adanya penilaian kinerja pegawai, pihak manajemen dapat mengukur keberhasilan pegawai dalam melakukan tugasnya melayani nasabah, terutama untuk posisi front-liner karena para pegawai tersebutlah yang menjadi pilar terdepan dalam pemberian layanan kepada nasabah.
2. Tinjauan Literatur Logika fuzzy merupakan salah satu komponen pembentuk soft computing yang meniru cara berfikir manusia dengan menggunakan konsep sifat kesamaran suatu nilai. Logika fuzzy dapat memberikan suatu nilai dari nol secara kontiniu sampai nilai satu, dan logika fuzzy telah banyak diaplikasikan di berbagai bidang karena kemampuannya untuk menyelesaikan permasalahan dan pembuatan keputusan yang sangat kompleks dalam berbagai bidang, organisasi maupun perusahaan bahkan dalam bidang pemerintahan. Begitu juga untuk masalah dalam penilaian kinerja pegawai, karena logika fuzzy dapat digunakan untuk memberikan gambaran tentang kepribadian/sikap dan kemampuan seorang pegawai dan juga memberikan kemudahan dibandingkan dengan pendekatan statistik konvensional. Dari penerapan logika fuzzy ini kita dapat mengambil sebuah penilaian terhadap kinerja pegawai seperti apakah pegawai tersebut mampu memberikan pelayanan sesuai dengan yang telah ditetapkan dalam
51
Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 51 – 66 , Copyright@2016 by LPPM UPI YPTK Padang
ISSN CETAK : 2356 – 0010, ISSN ONLINE : 2502-8758
standar layanan. Adapun faktor-faktor yang dipakai dalam penilaian kinerja frontlinear adalah kecerdasan emosi dan profesionalisme kerja. Abdul Rashid Khan, Hafezz Ullah Amin dan Zia Ur Rehman (2011) telah melakukan penelitian tentang Evaluasi Kinerja guru menggunakan logika fuzzy untuk memelihara mutu pendidikan. Amartya Neogi, Abhoy Chan Modal dan Soumitra Kumar Mandal (2011) telah melakukan penelitian mengunakan metode fuzzy inference system untuk mengevaluasi efektifitas dan efisiensi Pegawai disebuah universitas untuk menghasilkan kinerja yang berkualitas. Salah satu Metode Fuzzy adalah Metode mamdani atau sering juga dikenal dengan nama metode min–max. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output diperlukan 4 tahapan, di antaranya (Sri Kusuma Dewi, 2010) : 1. Pembentukan himpunan fuzzy 2. Aplikasi fungsi implikasi 3. Komposisi aturan 4. Penegasan (defuzzy) Berkaitan dengan latar belakang dari pemilihan judul, maka dapat dirumuskan masalah-masalah yang dihadapi sebagai berikut : 1. Bagaimana penilaian kinerja front-liner Kawil BRI Padang dengan memanfaatkan penalaran logika fuzzy mamdani ? 2. Bagaimana merancang sebuah sistem fuzzy mamdani untuk menilai kinerja front-liner dengan mengunakan Matlab? 3. Bagaimana kinerja front-liner yang dinilai berdasarkan kecerdasan emosi dan profesionalisme pada Bank BRI memanfaatkan logika fuzzy mamdani ?
Batasan masalah mengenai penelitian ini dijabarkan sebagai berikut : 1. Front-liner yang dimaksudkan yaitu Teller¸ Customer Service dan Satpam. 2. Proses penilai kinerja ini hanya berlaku di Bank “BRI Kanwil Padang” saja. 3. Metode fuzzy mamdani ini menggunakan software MATLAB.
3. Metodologi Tahap ini dilakukan dengan cara menyebarkan kuisioner pada front-liner Bank BRI, penyebaran kuisioner ini dilakukan satu kali dengan tujuan data benar-benar valid. Kuisioner tersebut terdiri dari 101 pertanyaan, dimana semua pertanyaan terbagi dua variable : Evaluasi Rekan Kerja terdiri dari 16 pertanyaan untuk customer service dan teller, dan 15 pertanyaan untuk satpam, variable Evaluasi Diri Sendiri terdiri 19 pertanyaan untuk customer service dan 21 pertanyaan untuk teller dan 14 pertanyaan untuk satpam, masing-masing soal ada 4 jawaban yaitu : Selalu nilai 3, Sering 2, Jarang 1 dan tidak pernah 0. kuisioner diberikan kepada 30 orang front-liner (masing 10 orang untuk satpam, 10 orang untuk customer service dan 10 orang untuk teller). Penilaian dari test produk knowledge dengan jumlah soal sebanyak 20 dengan membandingkan nilai ujian bulan sebelumnya dan yang diambil adalah nilai rata-rata. Penilaian oleh PIC (Personal In Cash), kemudian diolah dengan menggunakan metode fuzzy dan rule-rule yang ada. Variabel observasi dari PIC dengan jumlah dimensi yang diobservasi bervariasi (tergantung front-liner), setiap dimensi yang bernilai standar diberi nilai 1 , tidak sesuai standar 0. Total dimensi yang sesuai standar akan dikonversi ke angka 0 sampai 100. Semua pertanyaan yang ada dalam kuisioner,soal,dan dimensi oleh PIC tersebut dimaksudkan untuk mengetahui kinerja dari front-liner tersebut.
52
Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 51 – 66 , Copyright@2016 by LPPM UPI YPTK Padang
4.
ISSN CETAK : 2356 – 0010, ISSN ONLINE : 2502-8758
Hasil dan Diskusi
4.1 Fuzzy Tahap analisa ini diawali dengan menetapkan variabel-variabel yang berpengaruh terhadap kinerja front-liner, kemudian dilakukan pembentukan himpunan fuzzy dengan menggunakan metode Mamdani, seperti dijelaskan oleh gambar dibawah ini: Knowledge
Observasi Oleh PIC Mamdani
Kinerja front liner
Evaluasi Rekan Kerja
Evaluasi Diri Sendiri
Gambar 1: Proses Analisa Fuzzy Mamdani
Dalam penelitian ini ada empat variabel yang digunakan yaitu Knowledge sebagai input 1, observasi oleh PIC sebagai input 2, evaluasi rekan kerja sebagai input 3, evaluasi diri sendiri sebagai input 4, dan kinerja front-liner sebagai output. Pada penelitian ini keempat variabel didefinisikan dalam rentang bilangan antara 0-100. Tabel 1: Domain Himpunan Fuzzy Variabel Nama Himpunan Fuzzy Naik Knowledge Turun Sangat Baik Baik Observasi Oleh PIC Kurang Baik Tidak Baik Selalu Input Sering Evaluasi Rekan Kerja Jarang Tidak Pernah Selalu Sering Evaluasi Diri Sendiri Jarang Tidak Pernah Sangat Bagus Bagus Output Kinerja front-liner Kurang Bagus Tidak Bagus
Domain [50 100] [0 60 ] [60 100] [50 70] [40 60] [0 50] [60 100] [50 70] [40 60] [0 50] [60 100] [50 70] [40 60] [0 50] [70 100] [60 80] [50 70] [0 60]
Sumber : Bagian OJL Kanwil BRI Padang
4.2 Analisa sistem Dalam menentukan perancangan sistem, terdapat 4 variabel input yaitu: pengetahuan dan keterampilam, metode evaluasi oleh PIC, metode evaluasi rekan kerja, metode evaluasi
53
Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 51 – 66 , Copyright@2016 by LPPM UPI YPTK Padang
ISSN CETAK : 2356 – 0010, ISSN ONLINE : 2502-8758
diri sendiri dan 1 variabel output yaitu variabel kinerja front-liner. hal ini dapat dilihat pada gambar berikut:
Gambar 2: Variabel Input dan Output Pada Metoda Mamdani
4.2.1 Analisa Sistem untuk Variabel Knowledge Variabel knowledge adalah input yang merupakan nilai rata-rata adalah naik dan turun. Dengan penilaian yang dinilai langsung oleh bagian yang berwenang di Kanwil BRI Padang. Penilaian dilakukan dengan menjawab soal-soal yang berisi produk-produk Bank dan sejenisnya yang dijawab oleh front-liner. Penilaian komponen tersebut dilakukan untuk mendapatkan nilai variabel knowledge dan penunjang variabel lain yang dibutuhkan. Nilai variabel knowledge di bagi atas 2 kriteria yaitu: Tabel 2: Himpunan Fuzzy Variabel Knowledge
Semesta pembicaraan 0-100 0-100
Nama himpunan fuzzy Naik Turun
Range
Domain [50 100] [0 60 ]
50 60 100 100 0 0 50 60
Diagram membership function untuk variabel knowledge dapat dilihat seperti gambar 3 berikut ini:
Gambar 3: Membership Function Untuk Variabel Knowledge
Pada variabel Knowledge data yang dimiliki dapat dibagi menjadi 2 himpunan fuzzy, yaitu: naik dan turun. Himpunan fuzzy turun akan memiliki domain [0 60 ], dengan derajat keanggotaan turun, tertinggi (=1) terletak pada nilai 50. Himpunan fuzzy naik akan memiliki domain [ 50-100], dengan derajat keanggotaan naik, tertinggi (=1) terletak pada nilai 60. Apabila nilai variabel Knowledge semakin melebihi dari 50, maka nilainya semakin mendekati naik. Himpunan fuzzy turun direpresentasikan dengan fungsi keanggotaan bahu kiri, fungsi keanggotaan untuk himpunan turun dapat dilihat pada persamaan berikut:
54
Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 51 – 66 , Copyright@2016 by LPPM UPI YPTK Padang
ISSN CETAK : 2356 – 0010, ISSN ONLINE : 2502-8758
1 ; µturun[X1] =
x1 ≥ 50
(60 - x1)
; 50 ≤ x1 ≤ 60 (60 - 50) x ≥ d 0 ;
Himpunan fuzzy naik akan memiliki domain [50-100], dengan derajat keanggotaan naik tertinggi (=1) terletak pada nilai 60. Apabila nilai variabel naik kurang dari 60, maka nilainya semakin mendekati turun. Himpunan fuzzy naik direpresentasikan dengan fungsi keanggotaan bahu kanan. Fungsi keanggotaan untuk himpunan fuzzy naik dapat dilihat pada persamaan sebagai berikut: x1 ≤ 50
0 ; µnaik[X1]
=
(x1 – 50 ) (60 - 50) 1 ;
; 50 ≤ x1 ≤ 60 x1 ≥ 60
Tabel 3 menunjukan hasil perhitungan derajat keanggotan dengan persamaan diatas untuk sampel 5 data untuk variabel knowledge : Tabel 3: Data Knowledge Front-liner No.
Nama
1 2 3 4 5 6
A B C D E F
Posisi
Nilai Knowledge
CS CS Teller Teller Satpam Satpam
95 93 83 63 35 65
Derajat Keanggotaan Rendah Naik 0.00 1.00 0.00 1.00 0.00 1.00 0.00 1.00 1.00 0.00 0.00 1.00
4.2.2 Analisa Sistem untuk Variabel Observasi oleh PIC Variabel observasi oleh PIC adalah input yang merupakan nilai rata-rata adalah sangat baik, baik, kurang baik dan tidak baik. Dengan aspek penampilan, sikap dan skill. Penilaian yaitu berdasarkan dimensi-dimensi yang ada pada aspek penampilan, sikap, dan skill dinilai langsung oleh bagian OJL Kanwil BRI Padang. Penilaian komponen tersebut dilakukan untuk mendapatkan nilai variabel metode observasi oleh PIC dan penunjang variabel lain yang dibutuhkan. Nilai variabel metode observasi oleh PIC di bagi atas 5 kriteria yaitu: Semesta pembicaraan 0-100 0-100 0-100 0-100
Tabel 4: Himpunan Fuzzy Variable Observasi oleh PIC Nama himpunan Domain Range fuzzy Sangat Baik 60-100 60 70 100 100 Baik 50-70 50 60 70 Kurang Baik 40-60 40 50 60 Tidak Baik 0-50 0 0 40 50
Diagram membership function untuk variabel Metode Observasi oleh PIC dapat dilihat pada gambar 4 berikut ini:
55
Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 51 – 66 , Copyright@2016 by LPPM UPI YPTK Padang
ISSN CETAK : 2356 – 0010, ISSN ONLINE : 2502-8758
Gambar 4: Membership Function Untuk Variabel Observasi oleh PIC
Pada variabel Observasi oleh PIC data yang dimiliki dapat dibagi menjadi 4 himpunan fuzzy, yaitu: tidak baik, kurang baik, baik, sangat baik. Himpunan fuzzy tidak baik akan memiliki domain [ 0-50], dengan derajat keanggotaan tidak baik, tertinggi (=1) terletak pada nilai 40. Himpunan fuzzy kurang baik akan memiliki domain [ 40-60], dengan derajat keanggotaan kurang baik, tertinggi (=1) terletak pada nilai 50. Himpunan fuzzy baik akan memiliki domain [ 50-70], dengan derajat keanggotaan kurang baik, tertinggi (=1) terletak pada nilai 60. Himpunan fuzzy sangat baik akan memiliki domain [ 60-100], dengan derajat keanggotaan sangat baik, tertinggi (=1) terletak pada nilai 70. Apabila nilai variabel Observasi oleh PIC semakin melebihi dari 40, maka nilainya semakin mendekati kurang baik. Himpunan fuzzy tidak baik direpresentasikan dengan fungsi keanggotaan bahu kiri, fungsi keanggotaan untuk himpunan tidak baik dapat dilihat pada persamaan berikut: 1; µtidak_baik[X1 = ]
x1 ≥ 40
(50 - x1)
; 40 ≤ x1 ≤ 50 (50 - 40) x ≥ 50 0;
Himpunan fuzzy kurang baik akan memiliki domain [40-60], dengan derajat keanggotaan kurang baik tertinggi (=1) terletak pada nilai 50. Apabila nilai variabel observasi oleh PIC kurang dari 50, maka nilainya semakin mendekati tidak baik. Fungsi keanggotaan untuk himpunan fuzzy kurang baik dapat dilihat pada persamaan sebagai berikut: 0; µKurang_Baik[x 1]
=
x1 ≤ 40 atau x1 ≥ 60
X1- 40 50 - 40
; 40 ≤ x1 ≤ 50
60 - x1 60 - 50
; 50 ≤ x1 ≤ 60
Himpunan fuzzy baik akan memiliki domain [50-70], dengan derajat keanggotaan baik tertinggi (=1) terletak pada nilai 60. Apabila nilai variabel observasi oleh PIC kurang dari 60, maka nilainya semakin mendekati kurang baik. Fungsi keanggotaan untuk himpunan fuzzy baik dapat dilihat pada persamaan sebagai berikut: 0; µBaik[x1]
=
x1 ≤ 50 atau x1 ≥ 70
X1- 50 60 - 50
; 50 ≤ x1 ≤ 60
70 - x1 70 - 60
; 60 ≤ x1 ≤ 70
56
Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 51 – 66 , Copyright@2016 by LPPM UPI YPTK Padang
ISSN CETAK : 2356 – 0010, ISSN ONLINE : 2502-8758
Himpunan fuzzy sangat baik akan memiliki domain [60-100], dengan derajat keanggotaan sangat baik tertinggi (=1) terletak pada nilai 70. Apabila nilai variabel obervasi oleh PIC kurang dari 70, maka nilainya semakin mendekati baik. Himpunan fuzzy sangat baik direpresentasikan dengan fungsi keanggotaan bahu kanan. Fungsi keanggotaan untuk himpunan fuzzy sangat baik dapat dilihat pada persamaan sebagai berikut: 0; µSangat_Baik[x1 = ]
X1- 60 70 - 60 1;
x1 ≤ 60 ; 60 ≤ x1 ≤ 70
x1 ≥ 70
Tabel 4.4 menunjukan hasil perhitungan derajat keanggotan dengan persamaan diatas untuk sampel 5 data untuk variable PIC seperti pada tabel 5 : Tabel 5: Data Observasi Oleh PIC No
Nama
1 2 3 4 5 6
A B C D E F
Posisi CS CS Teller Teller Satpam Satpam
nilai 68 73 100 88 100 84
TB 0.00 0.00 0.00 0.00 0.00 0.00
Derajat Keangotaan KB B 0.00 0.20 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
SB 0.80 1.00 1.00 1.00 1.00 1.00
4.2.3 Analisa Sistem untuk Variabel Evaluasi Rekan Kerja Variabel evaluasi rekan kerja adalah input yang merupakan nilai rata-rata adalah selalu, sering, jarang dan tidak pernah. Dengan penilaian dari rekan kerja berdasarkan kondisikondisi yang ada yang tercangkup dalam kuisoner yang memuat kondisi-kondisi standar layanan yang dilakukan oleh front-liner kepada nasabah. Nilai variable evaluasi rekan kerja dibagi atas 4 kriteria yaitu : Tabel 6: Himpunan Fuzzy Variabel Evaluasi Rekan Kerja
Semesta pembicaraan 0-100 0-100 0-100 0-100
Nama himpunan fuzzy Selalu Sering Jarang Tidak Pernah
Domain 60-100 50-70 40-60 0-50
Range 60 70 100 100 50 60 70 40 50 60 0 0 40 50
Diagram membership function untuk variabel evaluasi rekan kerja dapat dilihat pada gambar 4.5 berikut ini:
57
Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 51 – 66 , Copyright@2016 by LPPM UPI YPTK Padang
ISSN CETAK : 2356 – 0010, ISSN ONLINE : 2502-8758
Gambar 5: Membership Function Untuk Variabel Evaluasi Rekan Kerja
Pada variabel evaluasi rekan kerja data yang dimiliki dapat dibagi menjadi 4 himpunan fuzzy, yaitu: tidak pernah, jarang, sering, dan selalu. Himpunan fuzzy tidak pernah akan memiliki domain [ 0-50], dengan derajat keanggotaan tidak pernah, tertinggi (=1) terletak pada nilai 40. Himpunan fuzzy jarang akan memiliki domain [ 40-60], dengan derajat keanggotaan jarang, tertinggi (=1) terletak pada nilai 50. Himpunan fuzzy sering akan memiliki domain [ 50-70], dengan derajat keanggotaan sering, tertinggi (=1) terletak pada nilai 60. Himpunan fuzzy selalu akan memiliki domain [ 60-100], dengan derajat keanggotaan selalu, tertinggi (=1) terletak pada nilai 70. Apabila nilai variabel evaluasi rekan kerja semakin melebihi dari 40, maka nilainya semakin mendekati jarang. Himpunan fuzzy tidak pernah direpresentasikan dengan fungsi keanggotaan bahu kiri, fungsi keanggotaan untuk himpunan tidak pernah dapat dilihat pada persamaan berikut: 1 ; µTidak_Pernah[x = 1]
x1 ≤ 40
50 - x1 40 ≤ x1 ≤ 50 ; 50 - 40 0 ;
x1 ≥ 50
Himpunan fuzzy jarang memiliki domain [40-60], dengan derajat keanggotaan Jarang tertinggi (=1) terletak pada nilai 50. Apabila nilai variabel evaluasi rekan kerja kurang dari 50, maka nilainya semakin mendekati tidak pernah. Fungsi keanggotaan untuk himpunan fuzzy jarang dapat dilihat pada persamaan sebagai berikut: 0; µJarang[x1]
=
X1 - 40 50 - 40 60 - x1 60 - 50
x1 ≤ 40 atau x1 ≥ 60 ; 40 ≤ x1 ≤ 50 ; 50 ≤ x1 ≤ 60
Himpunan fuzzy sering akan memiliki domain [50-70], dengan derajat keanggotaan sering tertinggi (=1) terletak pada nilai 60. Apabila nilai variabel evaluasi rekan kerja kurang dari 60, maka nilainya semakin mendekati jarang. Fungsi keanggotaan untuk himpunan fuzzy sering dapat dilihat pada persamaan sebagai berikut: 0 ; µSering[x1]
=
X1 - 50 60 - 50 70 - x1 70 - 60
x1 ≤ 50 atau x1 ≥ 70 ; 50 ≤ x1 ≤ 60 ; 60 ≤ x1 ≤ 70
58
Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 51 – 66 , Copyright@2016 by LPPM UPI YPTK Padang
ISSN CETAK : 2356 – 0010, ISSN ONLINE : 2502-8758
Himpunan fuzzy selalu akan memiliki domain [60-100], dengan derajat keanggotaan selalu tertinggi (=1) terletak pada nilai 70. Apabila nilai variabel evaluasi rekan kerja kurang dari 70, maka nilainya semakin mendekati sering. Fungsi keanggotaan untuk himpunan fuzzy selalu dapat dilihat pada persamaan sebagai berikut: 0 ; µSelalu[x1]
=
X1- 60 70 - 60 1 ;
x1 ≤ 60 ; 60 ≤ x1 ≤ 70
x1 ≥ 70
Tabel 7. menunjukan hasil perhitungan derajat keanggotan dengan persamaan diatas untuk sampel 5 data untuk variabel rekan kerja.
No
Nama
Posisi
1 2 3 4 5 6
A B C D E F
CS CS Teller Teller Satpam Satpam
Tabel 7: Data Evaluasi Rekan Kerja Derajat Keangotaan nilai TB KB B 68 0.00 0.00 0.00 73 0.00 0.00 0.00 100 0.00 0.00 0.60 88 0.00 0.00 0.00 100 0.00 0.00 0.00 84 0.00 0.00 0.00
SB 1.00 1.00 0.40 1.00 1.00 1.00
4.2.4 Analisa Sistem untuk Variabel Evaluasi Diri Sendiri Variabel evaluasi diri sendiri adalah input yang merupakan nilai rata-rata adalah selalu, sering, jarang dan tidak pernah. Dengan penilaian oleh diri sendiri berdasarkan kondisikondisi yang ada yang tercangkup dalam kuisoner yang memuat kondisi-kondisi standar layanan yang dilakukan oleh front-liner tersebut kepada nasabah. Nilai variabel metode observasi diri sendiri dibagi atas 4 kriteria yaitu: Tabel 8: Himpunan Fuzzy Variabel Metode Observasi Diri Sendiri Semesta pembicaraan 0-100 0-100 0-100 0-100
Nama himpunan fuzzy Selalu Sering Jarang Tidak Pernah
Domain 60-100 50-70 40-60 0-50
Range 60 70 100 100 50 60 70 40 50 60 0 0 40 50
Diagram membership function untuk variable evaluasi diri sendiri dapat dilihat pada gambar 6 berikut ini:
59
Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 51 – 66 , Copyright@2016 by LPPM UPI YPTK Padang
ISSN CETAK : 2356 – 0010, ISSN ONLINE : 2502-8758
Gambar 6: Membership Function Untuk Variabel Evaluasi Diri Sendiri
Pada variabel evaluasi diri sendiri data yang dimiliki dapat dibagi menjadi 4 himpunan fuzzy, yaitu: tidak pernah, jarang, sering, dan selalu. Himpunan fuzzy tidak pernah akan memiliki domain [ 0-50], dengan derajat keanggotaan tidak pernah, tertinggi (=1) terletak pada nilai 40. Himpunan fuzzy jarang akan memiliki domain [ 40-60], dengan derajat keanggotaan jarang, tertinggi (=1) terletak pada nilai 50. Himpunan fuzzy sering akan memiliki domain [ 50-70], dengan derajat keanggotaan sering, tertinggi (=1) terletak pada nilai 60. Himpunan fuzzy selalu akan memiliki domain [ 60-100], dengan derajat keanggotaan selalu, tertinggi (=1) terletak pada nilai 70. Apabila nilai variabel evaluasi rekan kerja semakin melebihi dari 40, maka nilainya semakin mendekati jarang. Himpunan fuzzy tidak pernah direpresentasikan dengan fungsi keanggotaan bahu kiri, fungsi keanggotaan untuk himpunan tidak pernah dapat dilihat pada persamaan berikut: 1;
x1 ≤ 40
50 - x1 40 ≤ x1 ≤ 50 ; 50 - 40
µTidak_Pernah[x1 = ]
0;
x1 ≥ 50
Himpunan fuzzy jarang akan memiliki domain [40-60], dengan derajat keanggotaan jarang tertinggi (=1) terletak pada nilai 50. Apabila nilai variabel evaluasi diri sendiri kurang dari 50, maka nilainya semakin mendekati tidak pernah. Fungsi keanggotaan untuk himpunan fuzzy jarang dapat dilihat pada persamaan sebagai berikut: 0; µJarang[x1] =
X1 - 40 50 - 40 70 - x1 70 - 60
x1 ≤ 40 atau x1 ≥ 60 ; 40 ≤ x1 ≤ 50 ; 50 ≤ x1 ≤ 60
Himpunan fuzzy sering akan memiliki domain [50-70], dengan derajat keanggotaan cukup setuju tertinggi (=1) terletak pada nilai 60. Apabila nilai variabel evaluasi diri sendiri kurang dari 60, maka nilainya semakin mendekati jarang. Fungsi keanggotaan untuk himpunan fuzzy sering dapat dilihat pada persamaan sebagai berikut: 0; µSering[x1]
=
X1 - 50 60 - 50 70 - x1 70 - 60
x1 ≤ 50 atau x1 ≥ 70 ; 50 ≤ x1 ≤ 60 ; 60 ≤ x1 ≤ 70
60
Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 51 – 66 , Copyright@2016 by LPPM UPI YPTK Padang
ISSN CETAK : 2356 – 0010, ISSN ONLINE : 2502-8758
Himpunan fuzzy selalu akan memiliki domain [60-100], dengan derajat keanggotaan selalu tertinggi (=1) terletak pada nilai 70. Apabila nilai variabel evaluasi rekan kerja kurang dari 70, maka nilainya semakin mendekati sering. Fungsi keanggotaan untuk himpunan fuzzy selalu dapat dilihat pada persamaan sebagai berikut: 0; µSelalu[x1]
=
x1 ≤ 60
X1- 60 70 - 60 1;
; 60 ≤ x1 ≤ 70
x1 ≥ 70
Tabel 9. menunjukan hasil perhitungan derajat keanggotan dengan persamaan diatas untuk sampel 5 data untuk variable rekan kerja. Tabel 9: Data Evaluasi Diri Sendiri No
Nama
Posisi
nilai
1 2 3 4 5 6
A B C D E F
CS CS Teller Teller Satpam Satpam
79 81 84 69 79 71
TB 0.00 0.00 0.00 0.00 0.00 0.00
Derajat Keangotaan KB B 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.10 0.00 0.00 0.00 0.00
SB 1.00 1.00 1.00 0.90 1.00 1.00
Fuzzifikasi merupakan suatu proses untuk mengubah suatu peubah masukan dari bentuk tegas (crisp) menjadi peubah fuzzy (variable linguistik) yang biasanya disajikan dalam bentuk himpunan fuzzy dengan fungsi keanggotaannya masing-masing. 4.2.5 Inference Rule Tahap ini merupakan tahap di mana penentuan aturan-aturan logika fuzzy ditetapkan. Aturan-aturan dibentuk untuk menyatakan relasi antara input yang ada dengan output ssuai dengan fakta yang ada. Operator yang digunakan untuk menghubungkan antara dua input adalah operator AND, dan yang menetapkan antara input-output adalah IF-THEN. Aturan yang dipakai adalah berdasarkan angket yang disebar yaitu dari maksimal yang terbentuk pertanyaan yang paling banyak dipilih oleh responden untuk menyatakan relasi antara input dan output. Inference rule untuk pengujian ini, sebagai contoh pada kasus pertama kita mengunakan tiga rule yaitu : Rule 1 : IF Knowledge is Naik AND PIC is Baik AND Rekan Kerja is Sering AND Diri Sendiri is Sering THEN Kinerja Bagus. Rule 2 :IF Knowledge is Naik AND PIC is Baik AND Rekan Kerja is selalu AND Diri Sendiri is Sering THEN Kinerja Bagus. Rule 3 : IF Knowledge is Naik AND PIC is Sangat Baik AND Rekan Kerja is Selalu AND Diri Sendiri is Selalu THEN Kinerja Sangat Bagus.
61
Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 51 – 66 , Copyright@2016 by LPPM UPI YPTK Padang
ISSN CETAK : 2356 – 0010, ISSN ONLINE : 2502-8758
Setelah melakukan inference rule, tahap selanjutnya melakukan defuzifikasi dapat dilihat pada analisa berikut ini (defuzzifikasi pada kasus pertama) : Rule 1 = µNaik(95), µBaik(64), µSering(64), µSering(69) = min (1,0.2,0.6,0.9) = 0.2 Aggregation dari Rule 1 dapat dilhat pada Lihat Gambar 7 :
Gambar 7: Aggregation Rule 1
Rule 2 = µNaik(95), µBaik(64), µSelalu(64), µSering(69) = min (1,0.2,0.4,0.9) = 0.2 Aggregation dari Rule 2 dapat dilhat pada Lihat Gambar 8 :
Gambar 8: Aggregation Rule 2
Rule 3 = µNaik(95), µSangat baik(64), µSelalu(64), µSelalu(69) = min (1,0.8,0.4,0.1) = 0.1 Aggregation dari Rule 3 dapat dilhat pada Lihat Gambar 9 :
Gambar 9 : Aggregation Rule 3
4.2.5 Defuzifikasi Dari hasil aplikasi fungsi implikasi dari tiap aturan, digunakan metoda max-min untuk melakukan komposisi antar semua aturan. Hasilnya seperti pada Gambar 10 berikut :
62
Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 51 – 66 , Copyright@2016 by LPPM UPI YPTK Padang
ISSN CETAK : 2356 – 0010, ISSN ONLINE : 2502-8758
Gambar 10: Combination
Dengan menggunakan metode COA, maka kinerja adalah sebagai berikut : Z = 60*0+70*0.2+80*0.1+90*0.1+100*0.1 0+0.2+0.1+0.1+0.1 Z = 41 0.5 Z = 82 Dengan mengunakan Model Mamdani, untuk knowledge = 95, PIC= 68, rekan kerja = 75 dan diri sendiri = 79 maka hasil kinerjanya adalah Sangat bagus . Untuk kasus lain dapat dilihat pada contoh berikut ini : Kasus 1 : front-liner yang bernama B yang memiliki nilai knowledge = 93, PIC = 73 , rekan kerja = 75 dan diri sendiri = 81. IF (Knowledge is Naik) and ( PIC is Sangat Baik ) and (Rekan is selalu) and (Sendiri is Selalu) then (Kinerja is Sangat Baik). Rule = = = Z=
Min µ Naik (50); µ Baik (50 60 ); µ Selalu (60); µ Selalu (60) Min (1 ; 1 ; 1 ; 1 ) 1 80*1+90*1+100*1 1+1+1 Z= 90 (sangat bagus)
Kasus 2 : front-liner yang bernama C yang memiliki nilai knowledge = 83, PIC = 100, rekan kerja = 64 dan diri sendiri = 84 dengan hasil kinerja. IF (Knowledge is Naik) and ( PIC is Sangat Baik ) and (Rekan is selalu) and (Sendiri is Selalu) then (Kinerja is Sangat Baik). [Rule 1] = Min µ Naik (50); µSangat Baik (50 60 ); µ Selalu (60); µ Selalu (60) = Min (1 ; 1 ; 0.6 ; 1 ) = 0.6 Z = 76*0.6+80*0.6+90*0.6+100*0.6 0.6+0.6+0.6+0.6 Z = 86.5 (sangat bagus) Kasus 3 : front-liner yang bernama D yang memiliki nilai knowledge = 63, PIC = 88 , rekan kerja = 90 dan diri sendiri = 69. IF (Knowledge is Naik) and ( PIC is Sangat Baik ) and (Rekan is selalu) and (Sendiri is Selalu) then (Kinerja is Sangat Baik).
63
Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 51 – 66 , Copyright@2016 by LPPM UPI YPTK Padang
ISSN CETAK : 2356 – 0010, ISSN ONLINE : 2502-8758
[Rule 1] = Min µ Naik (50); µ Baik (50 60 ); µ Selalu (60); µ Selalu (60) = Min (1 ; 1 ; 1 ; 0.9 ) = 0.9 Z= 79*0.9+80*0.9+90*0.9+100*0.9 0.9+0.9+0.9+0.9 Z=87.25 (sangat bagus) Kasus 4 : front-liner yang bernama D yang memiliki nilai knowledge = 35, PIC = 100 , rekan kerja = 64 dan diri sendiri = 69. IF (Knowledge is Turun) and ( PIC is Sangat Baik ) and (Rekan is Sering) and (Sendiri is Selalu and sering) then (Kinerja is Tidak Baik). [Rule 1] = Min µ Naik (50); µ Baik (50 60 ); µ Selalu (60); µ Selalu (60) ; µ Sering (60) = Min (1 ; 1 ; 1 ; 0.9 ;01) = 0.1 Z= 59*0.1 0.1 Z=59 (tidak bagus) 4.2.5 Pengujian Dengan Matlab Jumlah sampel yang digunakan untuk pengujian sebanyak 4 data sampel dengan rincian data sampel sebagai berikut: A. Untuk front-liner memiliki nilai knowledge = 93, PIC = 73 , rekan kerja = 75 dan diri sendiri = 81.
Gambar 11: Rule Viewer Sampel B
Dengan Rule yang terbentuk yaitu : knowledge = naik, PIC = sangat baik, rekan = selalu, sendiri = selalu untuk kinerja dengan penilaian sangat baik seperti gambar 5.1 di atas. B. Untuk front-liner memiliki nilai knowledge = 83, PIC = 100 , rekan kerja = 64 dan diri sendiri = 84.
64
Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 51 – 66 , Copyright@2016 by LPPM UPI YPTK Padang
ISSN CETAK : 2356 – 0010, ISSN ONLINE : 2502-8758
Gambar 12: Rule Viewer Sampel C
Dengan Rule yang terbentuk yaitu : knowledge = naik, PIC = sangat baik, rekan = selalu, sendiri = selalu untuk kinerja dengan penilaian sangat baik seperti gambar 5.2 di atas.
C. Untuk front-liner memiliki nilai knowledge = 35, PIC = 100 , rekan kerja = 64 dan diri sendiri = 69.
Gambar 13: Rule Viewer Sampel E
Dengan Rule yang terbentuk yaitu : Knowledge = turun, PIC = sangat baik, rekan = sering, sendiri = sering untuk kinerja dengan penilaian tidak Bagus seperti gambar 5.4 di atas. Hasil dari Pengukuran kinerja (output) pegawai Bank BRI Kanwil Padang khususnya pada formasi front-liner dengan mengunakan logika fuzzy yang berdasarkan variabel (input) seperti knowledge, PIC, rekan kerja dan diri sediri seperti yang ditunjukan pada tabel 10: Tabel 10: Tabel Hasil Pengukuran Kinerja Nilai No.
Nama
1
B
3 3
Posisi
Nilai Kinerja
Himpunan Fuzzy Kinerja
81
87.6
Sangat Bagus
90
69
87.4
Sangat Bagus
64
69
50
Tidak Bagus
Knowledge
PIC
Rekan Kerja
Diri sendiri
CS
93
73
75
D
Teller
63
88
E
Satpam
35
100
65
Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 51 – 66 , Copyright@2016 by LPPM UPI YPTK Padang
ISSN CETAK : 2356 – 0010, ISSN ONLINE : 2502-8758
5. Kesimpulan Berdasarkan penelitian yang penulis lakukan pada Kanwil Bank BRI Padang, mengenai pengukuran kinerja frontliner dengan logika fuzzy, maka penulis dapat menarik kesimpulan bahwa : 1. Untuk mendapatkan sebuah keputusan yang cukup tinggi tingkat keakuratannya ( dalam penelitian ini berhubungan dengan kinerja front-liner ) maka dapat digunakan metode logika fuzzy. Metode Fuzzy lebih efektif dan efisien digunakan pada pengukuran kinerja front-liner. Serta Rule yang digunakan pada sistem fuzzy disesuaikan dengan software yang digunakan yaitu MATLAB. 2. Jika jumlah membership function nya lebih banyak maka hasil yang didapat akan lebih valid karena tidak adanya nilai yang overlap. 3. Dengan adanya metode fuzzy maka pengukuran kinerja front-liner jadi tepat sasaran karena diseleksi melalui 4 variabel sesuai surat edaran yang ada pada Bank BRI yaitu: Knowledge, Observasi Oleh PIC, Evaluasi Rekan Kerja, Evaluasi Diri Sendiri. 4. Rule yang dihasilkan dengan sistem aplikasi MATLAB ini dapat membantu pihak Bank BRI dalam menngukur kinerja pegawai khususnya front-liner.
Referensi [1] Abdur Rashid Khan,2011.”Application of Expert System with Fuzzy Logic in Teachers‘ Performance Evaluation” [2] Amartya Neogi,2011.” A Cascaded Fuzzy Inference System for University Non-Teaching Staff Performance Appraisal” [3] Irvan Subakti. 2006. ” Sistem Berbasis Pengetahuan”. Surabaya. Jurusan Manajemen Fakultas Ekonomi,2007.”Bisnis dan Manajemen”. UNiversitas Lampung,Lampung [4] Sri Kusuma Dewi. 2010“Artificial Intelligence”. Yogyakarta. Graha Ilmu [5] Sri Kusuma Dewi, Sri Hartanti. 2006. ”Neuro-Fuzzy Integrasi Sistem Fuzzy & Jaringan Syaraf”. Yogyakarta. Graha Ilmu [6] Agus Naba. 2009. ” Belajar Cepat Fuzzy Logic Menggunakan MATLAB”. Yogyakarta. Andi [7] Supriyono. 2007. “Analisis Perbandingan Logika Fuzzy Dengan Regresi Berganda Sebagai Alat Peramalan”.
66