PERANCANGAN SISTEM PAKAR FUZZY UNTUK MENENTUKAN KINERJA DOSEN DI PERGURUAN TINGGI

SESINDO 2012-Jurusan Sistem Informasi ITS

PERANCANGAN SISTEM PAKAR FUZZY UNTUK MENENTUKAN KINERJA DOSEN DI PERGURUAN TINGGI Mohammad Yazdi Jurusan Matematika, Fakultas MIPA, Universitas Tadulako Jalan Soekarno-Hatta Kampus Bumi Tadulako Tondo, Palu, 94111 Telp : (0451) 422611, (0451) 422355, Fax : (0451) 422611, (0451) 422355 E-mail : [email protected]

Abstrak Dalam UU Nomor 14 Tahun 2005 tentang Guru dan Dosen, dosen dinyatakan sebagai pendidik profesional dan ilmuwan dengan tugas utama mentransformasikan, mengembangkan, dan menyebarluaskan ilmu pengetahuan, teknologi,dan seni melalui pendidikan, penelitian, dan pengabdian kepada masyarakat. Kinerja dosen pada suatu perguruan tinggi merupakan perilaku nyata yangditampilkan setiap dosen sebagai prestasi kerja yang dihasilkan oleh dosen tersebut sesuai dengan peranannya. Untuk dapat menentukan kualitas kinerja dosen perlu adanya kriteria yang jelas. Kinerja dosen ditentukan berdasarkan kriteria : pengajaran, penelitian, pengabdian masyarakat, penunjang akademik, dan kualifikasi akademik minimal S2. Penelitian ini bertujuan menghasilkan suatu sistem pakar untuk menentukan kinerja dosen. Fuzzy Inference System (FIS) yaitu metode penalaran dalam logika Fuzzy untuk dapat menerjemahkan pengetahuan dari pakar dalam bentuk aturan-aturan. FIS yang digunakan untuk penentuan kinerja dosen adalah metode Mamdani. Metode mamdani memiliki 4 tahapan yaitu: pembentukan himpunan fuzzy, aplikasi fungsi implikasi, komposisi dan defuzzy. Hasil dari penelitian adalah sebuah Sistem Pakar Fuzzy yang mampu menentukan kinerja dosen berdasarkan kriteria-kriteria. Kata kunci: Kinerja Dosen, Sistem Pakar Fuzzy, Mamdani, FIS

1. PENDAHULUAN

mengukur kinerja dosen di Jurusan Matematika FMIPA Universitas Tadulako.

Dosen adalah salah satu komponen esensial dalam suatu sistem pendidikan di Perguruan tinggi. Peran, tugas, dan tanggungjawab dosen sangat penting dalam mewujudkan tujuan pendidikan nasional. Salah satu tugas dan tanggungjawab dosen, sebagaimana diamanatkan dalam Peraturan Pemerintah No.60 tahun 1999, adalah melaksanakan pendidikan dan pengajaran. Untuk melaksanakan fungsi, peran, tugas, dan kedudukan yang sangat strategis tersebut, diperlukan kinerja dosen yang berkualitas dan profesional.

Sistem pakar tersebut diharapkan mampu menangani ketidakjelasan, ketidakpastian serta sifat dinamis dari variabel-variabel dalam penentuan kinerja dosen. Berdasarkan hal tersebut, dalam membangun sistem pakar tersebut digunakan logika fuzzy yang mampu menangani ketidakjelasan, ketidakpastian, variabel input stokastik dan sifat dinamis dari berbagai variable yang digunakan (Aly, 2005 dalam Purnomo, 2007).

2. LANDASAN TEORI Kinerja dosen merupakan suatu hal yang sangat penting dalam upaya lembaga perguruan tinggi untuk mencapai tujuanya. Penilaian kinerja dosen merupakan suatu proses dimana lembaga melakukan evaluasi atau menilai hasil pekerjaan dosen.

2.1. Sistem Pakar 2.1.1. Definisi Secara umum sistem pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Ada beberapa definisi tentang sistem pakar antara lain: 1. Menurut Durkin, sistem pakar adalah suatu program komputer yang dirancang untuk memodelkan kemampuan penyelesaian

Berdasarkan kondisi tersebut, diperlukan suatu sistem yang mampu melakukan penentuan kinerja dosen berdasarkan kriteria-kriteria akademik. Dengan demikian, perlu kiranya dilakukan penelitian untuk merancang model sistem pakar penentuan kinerja dosen. Pada makalah ini, penulis melalukan studi kasus

238

SESINDO 2012-Jurusan Sistem Informasi ITS masalah yang dilakukan oleh seorang pakar (Kusumadewi, S., 2004). 2. Menurut Ignizio, sistem pakar adalah suatu model dan prosedur yang berkaitan dalam suatu domain tertentu yang mana tingkat keahliannya dapat dibandingkan dengan keahlian seorang pakar (Kusumadewi, S., 2004). 3. Menurut Giarratano dan Riley, sistem pakar adalah suatu sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar (Kusumadewi, S., 2004).

2.2.2. Metode Mamdani Metode Mamdani sering dikenal sebagai metode max-min. Metode ini dikenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output diperlukan 4 tahapan: 1. Pembentukan himpunan fuzzy Pada metode mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy 2. Aplikasi fungsi implikasi ( aturan ) Pada metode mamdani, fungsi implikasi yang di gunakan adalah Min (Minimum). Fungsi ini akan memotong output himpunan fuzzy. 3. Komposisi aturan Tidak seperti penalaran monoton apabila sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode yang digunakan dalam melakukan inferensi fuzzy yaitu: Max, additive dan probabilistic OR (probor). Dalam penelitian ini, penulis menggunakan metode Max. Pada metode ini solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maximum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy dan mengaplikasikannya ke output dengan menggunakan operator OR (union). Jika semua proposisi telah di evaluasi, maka output akan berisi suatu himpunan fuzzy yang merefleksikan kontribusi dari tiap-tiap proposisi. Secara umum dapat dituliskan:

2.1.2. Struktur Sistem Pakar Sistem pakar terdiri-dari 2 bagian pokok, yaitu: lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment). Lingkungan pengembangan digunakan sebagai pembangun sistem pakar baik dari segi pembangun komponen maupun basis pengetahuan. Lingkungan konsultasi digunakan oleh seseorang yang bukan ahli untuk berkonsultasi (Kusumadewi,S.2004). 2.2. Logika fuzzy 2.2.1. Himpunan Fuzzy Pada tahun 1965 Profesor Lotfi Asker Zadeh mempublikasikan karya ilmiahnya berjudul ”fuzzy sets”. Terobosan baru tersebut merupakan konsep perluasan ”himpunan” klasik menjadi himpunan kabur ( fuzzy sets), dalam arti bahwa himpunan klasik (crisp set) merupakan kejadian khusus dari himpunan yang kabur.

y

dengan:

y

Menurut George Cantor (1845-1918), himpunan didefinisikan sebagai suatu koleksi obyek-obyek yang terdefinisi secara tegas. Dengan demikian, suatu himpunan A dalam semesta X dapat didefinisikan dengan menggunakan suatu fungsi _² (x): X→{0,1}, yang disebut fungsi karakteristik dari himpunan A, dimana untuk setiap _ ∈ X: _² x ' µ

1, ¦)V¦3 _ ∈ b

0, ¦)V¦3 _ ∉ b

·

¸

¸ šv !k¹6º

»

šv !, ¼» šv !

_p ! = Nilai keanggotaan solusi fuzzy

sampai aturan ke-i;

yƒ¸ _p ! = Nilai keanggotaan konsekuen fuzzy aturan ke-i.

4. Penegasan ( defuzzy ) Input dari proses defuzzy adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut (Dewi,T and Purnomo,H., 2004). Oleh karena itu, jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu sebagai output. Dalam penelitian ini, penulis menggunakan metode LOM (largest of maximum).

(1)

Dengan memperluas konsep fungsi karakteristik itu, Zadeh mendefinisikan himpunan fuzzy dengan menggunakan apa yang disebutnya Fungsi Keanggotaan (membership function), yang nilainya berada dalam selang tertutup [0,1]. Jadi keanggotaan dalam himpunan fuzzy tidak lagi merupakan sesuatu yang tegas (yaitu anggota atau bukan anggota), melainkan sesuatu yang berderajat atau bergradasi secara kontinu (Susilo.F., 2006).

Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terbesar dari domain yang memiliki nilai keanggotaan maksimum.

239

SESINDO 2012-Jurusan Sistem Informasi ITS Kerangka sistem pakar fuzzy dapat digambarkan sebagai berikut:

4.1.1. Pemilihan pakar Pemilihan pakar dalam penelitian ini didasarkan pada keahlian pakar dalam prosedur penilaian kinerja dosen (Pedoman Beban Kerja Dosen dan Evaluasi Tridharma Perguruan Tinggi dan Pedoman Penilaian Kinerja Dosen oleh Tim Fakultas Ilmu Pendidikan UPI Bandung). 4.1.2. Konsultasi Pakar Acuan pakar digunakan untuk menentukan faktor variabel yang menjadi kriteria dalam penilaian kinerja dosen dan untuk mendapatkan aturan-aturan yang dibutuhkan dalam proses fuzifikasi yang mengacu pada Standar Penilaian Kinerja Dosen Perguruan Tinggi dan Konsultasi antara Internal Dosen di tingkat Senat Fakultas melalui Focus Group Discussion.

Gambar 1 Kerangka sistem pakar fuzzy

3. METODE PENELITIAN 3.1. Alat dan Bahan Adapun alat yang digunakan dalam penelitian ini adalah sebagai berikut:

4.1.3. Aturan (rules)

1. PC dengan Spesifikasi : Processor Pentium® Dual-Core T4400, CPU 2.20 GHz, 800 MHz, 1 MB L2 Cache, Harddisk 240 GB HDD, dan 800 MB DDR2. 2. Sistem operasi Windows XP Profesional Service Pack 3. 3. Software Matlab 7.

Terdapat 32 aturan yang diperoleh dengan melalui konsultasi dengan pakar, yaitu : Tabel 1. Aturan (rules) Sistem Pakar Fuzzy Penentuan Kinerja Dosen

No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31

3.2 Sumber dan Jenis Data Sumber data yang digunakan dalam penelitian ini adalah data sekunder yang berupa studi referensi kriteria penilaian kinerja dosen dan data pendukung dari fakultas. 3.4 Teknik Pengolahan Data Data kriteria kinerja dosen yang telah diperoleh, kemudian diolah menggunakan FIS dengan metode mamdani.Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output, diperlukan 4 tahapan: 1. Pembentukan himpunan fuzzy 2. Aplikasi fungsi implikasi (aturan) 3. Komposisi aturan 4. Penegasan (deffuzy) 4. HASIL DAN PEMBAHASAN 4.1 Hasil Bagian ini menjelaskan tahap-tahap untuk mendapatkan hasil atau untuk mengetahui kinerja dosen dengan menggunakan logika fuzzy Mamdani dan metode pada proses defuzzifikasi adalah LOM (large of maximum). Tahapan dalam penentuan kinerja dosen adalah sebagai berikut:

240

Pg B B B B B B B B B B B B B B B B KB KB KB KB KB KB KB KB KB KB KB KB KB KB KB

Pn B B B B B B B B KB KB KB KB KB KB KB KB B B B B B B B B KB KB KB KB KB KB KB

Kondisi PM B B B B KB KB KB KB B B B B KB KB KB KB B B B B KB KB KB KB B B B B KB KB KB

Pj B B KB KB B B KB KB B B KB KB B B KB KB B B KB KB B B KB KB B B KB KB B B KB

Ku B KB B KB B KB B KB B KB B KB B KB B KB B KB B KB B KB B KB B KB B KB B KB B

Kj B B B B B B B Sdg B Sdg Sdg KB KB KB KB KB B Sdg Sdg KB Sdg KB KB KB KB KB KB KB KB KB KB

SESINDO 2012-Jurusan Sistem Informasi ITS

No

Kondisi Pn PM Pj KB KB KB

Pg KB

32

Ku KB

c) Untuk variable Pg, Pn, PM, dan Pj ditentukan range nilai Semesta Pembicaraan (SP) adalah 0-4, artinya jika bernila 0 sampai 2 maka tergolong Kurang Baik (KB) dan jika 2,5 sampai 4 maka tergolong Baik (B). Untuk variable Ku ditentukan range nilai Semesta Pembicaraan (SP) adalah 0-6, artinya jika bernila 0 sampai 3 maka tergolong Kurang Baik (KB) dan jika 3,5 sampai 6 maka tergolong Baik (B). Ketentuan ini dibuat berdasar konsultasi dengan Pakar.

Kj KB

Ket : B: Baik, KB: Kurang Baik, Sdg: Sedang, Pg: Pengajaran, Pn: Penelitian, PM: Pengabdian Masyarakat, Pj: Penunjang, Ku: Kualifikasi S2, & Kj: Kinerja Implementasi rules pada Fuzzy: [R1] : if (Pg is B) and (Pn is B) and (PM is B) and (Pj is B) and (Ku is B) then (Kj is B)

4.1.5. Fungsi Keanggotaan Fuzzy A. Variabel Input

[R32] : if (Pg is KB) and (Pn is KB) and (PM is KB) and (Pj is KB) and (Ku is KB) then (Kj is KB)

Sistem yang dirancang memiliki dua variabel input, yaitu nilai kuntitatif yang selanjutnya disebut pengajaran (Pg), pe-nelitian (Pn), pengabdian masyarakat (PM), penunjang (Pj),dan kualifikasi S2 (Ku).

4.1.4. Semesta Pembicaraan dan Himpunan Fuzzy Semesta pembicaraan pada penelitian ini di ambil dari nilai terkecil dan nilai terbesar yang membentuk suatu interval tertentu. Untuk himpunan fuzzy, terdapat 6 variabel fuzzy yang akan dimodelkan, yaitu:

Untuk perancangan fungsi keanggotaan fuzzynya digunakan grafik trapezium dengan dua macam kriteria yaitu: kurang baik dan baik. Faktor Pengajaran (Pg)

Tabel 2. Himpunan Fuzzy

F

Vr

SP

Pg

0-4

Pn

0-4

PM

0-4

Pj

0-4

Ku

0-6

Kj

0-4

IN

O U T

Himp

D

KB B KB B KB B KB B KB B KB Sdg B

[0,2] [2.5,4] [0,2] [2.5,4] [0,2] [2.5,4] [0,2] [2.5,4] [0,3] [3.5,5] [0,1] [1.5,2] [2.5,3]

Faktor Pengajaran dirancang memiliki range nilai tiap grafiknya yaitu: dari 0 sampai 4, untuk selanjutnya didesain grafik fungsi keanggotaan seperti terlihat pada Gambar 2 dibawah ini:

Derajat keanggotaan µ[w]

Gambar 2. Fungsi keanggotaan Fuzzy untuk Pengajaran (Pg) dengan range nilai dari 0 sampai 4

Penjelasan: a) Simbol sebagai berikut : B : Baik, KB : Kurang Baik, Sdg : Sedang, Pg : Pengajaran, Pn : Penelitian, PM : Pengabdian Masyarakat, Pj : Penunjang, Ku : Kualifikasi S2, & Kj : Kinerja Dosen, F : Fungsi, Vr : Variabel, SP : Semesta Pembicaraan, Himp : Himpunan, dan D : Domain. b) Nilai Variabel Domain (D) diperoleh dari range nilai pada grafik fungsi keanggotaan (Derajat Keanggotaan) sesuai Metode Fuzzy Mamdani.

Secara matematis fungsi dapat ditulis sebagai berikut: '¾

y c2)“,†,/,)½¦/,)“•,*3 _

0; _ Š 1 K š À ; 0 Š _ Š 3 K

yc2)“,†,/,)•,*3 _

0; _ Š 1 ' ¾ š À ; 1 Š _ Š 4 K

241

(2)

(3)

SESINDO 2012-Jurusan Sistem Informasi ITS y cca•,*3 _

Faktor Penelitian (Pn)

0; _ Š 1 ' ¾ š À ; 1 Š _ Š 4

Faktor Penelitian dirancang memiliki range nilai tiap grafiknya yaitu: dari 0 sampai 4, untuk selanjutnya didesain grafik fungsi keanggotaan seperti terlihat pada Gambar 3 dibawah ini:

(7)

K

Faktor Penunjang (Pn)

Faktor Penunjang (Pn) dirancang memiliki range nilai tiap grafiknya yaitu: dari 0 sampai 4, untuk selanjutnya didesain grafik fungsi keanggotaan seperti terlihat pada Gambar 5dibawah ini:

Derajat keanggotaan µ[w]

Derajat keanggotaan µ[w]

Gambar 3. Fungsi keanggotaan Fuzzy untuk Penelitian (Pn) dengan range nilai dari 0 sampai 4

Secara matematis fungsi dapat ditulis sebagai berikut: '¾

y c2)2+*V*,)½¦/,)“•,*3 _

0; _ Š 1 K š À ; 0 Š _ Š 3 K

Faktor (PPM)

(4)

Secara matematis fungsi dapat ditulis sebagai berikut:

yc2)2+*V*,)•,*3 _

0; _ Š 1 ' ¾ š À ; 1 Š _ Š 4 K

Gambar 5. Fungsi keanggotaan Fuzzy untuk Penunjang (Pn) dengan range nilai dari 0 sampai 4

Pengabdian

'¾

(5) pada

Masyarakat

yc2)¦)†,)“½¦/,)“•,*3 _

0; _ Š 1 K š À ; 0 Š _ Š 3

(8)

K

yc2)¦)†,)“•,*3 _

0; _ Š 1 ' ¾ š À ; 1 Š _ Š 4

Faktor PPM dirancang memiliki rangenilai tiap grafiknya yaitu: dari 0 sampai 4, untuk selanjutnya didesain grafik fungsi keanggotaan seperti terlihat pada Gambar 4 dibawah ini:

(9)

K

Faktor Kualifikasi S2 (Ku) Faktor Kualifikasi S2(Ku dirancang memiliki range nilai sama tiap grafiknya yaitu: dari 0 sampai 6,untuk selanjutnya didesain grafik fungsi keanggotaan seperti terlihat pada Gambar 6 dibawah ini:

Derajat keanggotaan µ[w]

Gambar 4. Fungsi keanggotaan Fuzzy untuk Pengabdian pada Masyarakat (PPM) dengan range nilai dari 0 sampai 4

Derajat keanggotaan µ[w]

Secara matematis fungsi dapat ditulis sebagai berikut: '¾

y cca½¦/,)“•,*3 _

0; _ Š 1 K š À ; 0 Š _ Š 3 K

Gambar 6. Fungsi keanggotaan Fuzzy untuk Kualifikasi S2 (Ku) dengan range nilai dari 0 sampai 6

(6)

242

SESINDO 2012-Jurusan Sistem Informasi ITS y ½Á_½¦/,)“•,*3 _

'¾

0; _ Š 0 O š À ;0 Š _ Š 5

'¾

0; _ Š 1 š À ; 1 Š _ Š 6

O

(10)

y ½Á_•,*3 _ (11)

O

Gambar 8. Tampilan Awal GUI

B. Variabel Output Variabel Output berupa Kinerja Dosen (Kj) dirancang memiliki range nilai dari 0 sampai 4 dengan kriteria: kurang baik, cukup, dan baik. Desain grafik fungsi keanggotaan berupa grafik segitiga seperti terlihat pada Gambar 7dibawah ini:

Tahap selanjutnya adalah masuk ke mekanisme proses fuzzy. untuk Tahap ini dilakukan dengan meng-klik kotak ‘Proses Fuzzy’ seperti yang telah dijelaskan sebelumnya, dan akan muncul tampilan seperti pada gambar 4. Tahap ini melakukan pengolahan data. Pengolahan data dimulai dengan memasukkan nilai pengajaran = 4, penelitian = 4, pengabdian masyarakat = 4, penunjang = 2, dan kualifikasi S2 = 3. Selanjutnya klik tombol Proses, sehingga akan muncul hasil dan kualitas seperti pada gambar 9 berikut:

Derajat keanggotaan µ[w]

Gambar 7. Fungsi keanggotaan Fuzzy untuk output Kinerja Dosen (Kj) dengan range nilai dari 0 sampai 4

Secara matematis fungsi dapat ditulis sebagai berikut: y ½*)2/†,½¦/,)“•,*3 _

0; _ Š 1 ' ¾L š À ; 0 Š _ Š 0,5 '¾ '¾

Gambar 9. Hasil dan Kinerja Dosen

Untuk pengecekan aplikasi yang dibuat, sesuai dengan rules fuzzy, maka digunakan toolbox Fuzzy Logic pada matlab, agar hasilnya akurat. Pada gambar 10 dijelaskan proses Fuzzy dari input sampai proses dan gambar 11 menampilkan rules dengan penentuan hasil proses fuzzy melalui output kualitas.

(12)

y½*)2/†,Ä2’,)“ _

2 ; 2 Š _ Å 3 K š À ; 2 Š _ Å 3

y½*)2/†,•,*3 _

3; 2,5 Š _ Š 3 Æ š À ; _ ‰ 3 š

(13)

(14)

5. Implementasi Sistem Pakar Implementasi Sistem Pakar di mulai dengan menampilkan GUI Sistem Pakar Fuzzy dalam M-FILE Matlab dengan nama file Gui_Fuzzy. M-FILE Gui_Fuzzy dapat dilihat pada gambar 8 pada gambar berikut:

Gambar 10. Proses Fuzzy dengan input, proses, dan output menggunakan Toolbox Matlab

Outpu Kinerja Dosen

243

SESINDO 2012-Jurusan Sistem Informasi ITS DAFTAR PUSTAKA Afuan, L., dkk., 2011. Aplikasi Fuzzy berbasis Web untuk Rekomendasi Pemilihan Universitas Swasta (Fuzzy-Based Web Application for Private University Election Recommendations). Jurnal Teknik Informatika (JUITA), 1(3), pp.8389. Astawa, S., 2012. Penerapan Logika Fuzzy dan Jaringan Syaraf Tiruan pada Sistem Penilaian berbasis Komputer. Jurnal Nasional Teknik Informatika, 1(1), pp.58-68. Gambar 11 Penentuan Rules Fuzzy dan Pengujian Sistem dengan Toolbox Matlab

Dewi,T., Purnomo H., 2004. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu.

Input variabel

Ditjen Dikti Depdiknas., 2010. Pedoman Beban Kerja Dosen dan Evaluasi Pelaksanaan Tridharma Perguruan Tinggi.

SIMPULAN

Djunaidi, M., dkk., 2005. Penentuan Jumlah Produksi dengan Aplikasi Metode FuzzyMamdani. Jurnal Teknik Informatika, 4(2), pp. 95-104.

1. Sistem pakar dengan menggunakan logika fuzzy dapat digunakan untuk mengembangkan model penentuan kinerja dosen di perguruan tinggi. Output sistem ini adalah penentuan kinerja dosen yang didasarkan pada kecocokan kualitas yang dimiliki (aktual). 2. Nilai yang diperoleh dari pengolahan data dengan menggunakan logika fuzzy Mamdani dengan matlab yaitu 3,123 Ç 3,13. 3. Nilai 3.13 yang diperoleh dengan menggunakan FIS metode Mamdani dengan penegasan LOM (Largest Of Maximum) dan nilai 3.13 yang diperoleh dengan menggunakan MATLAB, terletak pada himpunan kinerja baik. sehingga dapat disimpulkan bahwa kinerja dosen untuk studi kasus dosen Jurusan Matematika FMIPA UNTAD adalah baik.

Kusumadewi, S., Purnomo, H., 2004. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta : Penerbit Graha Ilmu. Peraturan Pemerintah Republik Indonesia No. 37 Tahun 2009 Tentang Dosen. Susilo, F., 2006. Himpunan dan Logika Kabur Serta Aplikasinya. Yogyakarta: Graha Ilmu. Tim Fakultas Ilmu Pendidikan, 2009. Pedoman Penilaian Kinerja Dosen. Yulianto, S., dkk., 2008. Aplikasi Pendukung Keputusan dengan menggunakan Logika Fuzzy (studi kasus : penentuan spesifikasi computer untuk suatu paket computer lengkap). Jurnal Informatika, 4(2), pp.159-173.

244