SISTEM PENDUKUNG KEPUTUSAN KONSEP FUZZY LINEAR PROGRAMMING UNTUK EVALUASI KINERJA DOSEN Abu Tholib Teknik Informatika STT Nurul Jadid Probolinggo ABSTRACT activities of faculty performance evaluation is a routine college in improving internal quality sustainable, STT Nurul Jadid regularly evaluate faculty performance, but has yet to describe the implementation of tri dharma college by Lecturers for not covering the field of research, dedication to the community, this thesis explains the process of evaluating faculty performance in STT Nurul jadid with the concept of fuzzy linear programming which helps the college to evaluate faculty performance. the final results of this study in the form of evaluation of faculty performance in STT Nurul Jadid Keyword : Decision Support Systems, faculty Performance evaluation, Fuzzy Linear Programming,
1. 1.1
PENDAHULUAN Latar Belakang
STT Nurul jadid yang berdiri pada tahun 1999 selalu berupaya meningkatkan status akreditasi dengan peningkatan mutu/kualitas internal secara berkelanjutan dan menjadikan akreditasi sebagai strategi institusi untuk dapat bersaing dengan perguruan tinggi lain. Institusi sendiri menyadari bahwa untuk memperoleh atau mempertahankan status akreditasi memerlukan komitmen dari yayasan, manajemen, dosen Serta mahasiswa, salah satu komitmen tersebut adalah dengan mengevaluasi kinerja dosen untuk menjaga kualitas dosen dan sebagai bahan pertimbangan manajemen dalam pengambilan keputusan. 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, yaitu mencerdaskan kehidupan bangsa, meningkatkan kualitas manusia Indonesia, meliputi kualitas iman/takwa, akhlak mulia, dan penguasaan ilmu pengetahuan, teknologi, dan seni, untuk mewujudkan masyarakat Indonesia yang maju, adil, makmur, dan beradab. Untuk melaksanakan fungsi, peran, dan kedudukan yang sangat strategis tersebut, diperlukan dosen yang profesional. Sebagaimana diamanatkan 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 pengajaran, penelitian, dan pengabdian kepada masyarakat (Bab 1 Pasal 1 ayat 2).
11
Dalam rangka meningkatkan profesionalisme, dosen harus meningkatkan kualifikasi akademiknya melalui tugas belajar. Ketika seorang dosen mendapat tugas belajar maka dosen yang bersangkutan dibebaskan sementara dari tugas-tugas jabatan fungsionalnya. Namun permasalahan selama ini pihak campus hanya mengevaluasi kinerja dosen dengan kehadiran dosen mengajar dan melalui kuisoner dari mahasiswa sehingga parameter yang digunakan masih belum cukup untuk dijadikan standart [2]. Dalam masalah pengambilan keputusan fuzzy, konsep memaksimalkan keputusan diusulkan oleh Bellman dan Zadeh. Konsep ini diadopsi dari masalah pemrograman linier oleh Zimmermann. Masalah Fuzzy Linear Programming dirumuskan oleh Negoita dan Dubois dan Prade [4]. Sebuah Fuzzy linear programming (FLP) Model fuzzy dibangun untuk menentukan peringkat alternatif keputusan menggunakan perbandingan berpasangan antar alternatif, yang dapat digunakan baik dalam lingkungan tegas dan kabur. Dalam model FLP, kendala normalisasi bobot bisa digunakan, yang menjamin bahwa bobot yang dihasilkan tidak nol. Teknik ini dapat digunakan untuk menghasilkan konsisten dan urutan peringkat alternatif yang dimaksud [5]. Model baru dalam fuzzy Linear Programming diusulkan untuk menemukan Fuzzy Critical Path dan waktu penyelesaian dari proyek fuzzy. Semua kegiatan di proyek diwakili oleh bilangan fuzzy trapezoidal. Sebuah representasi bilangan fuzzy trapezoidal diperkenalkan untuk mengurangi kendala dalam model fuzzy linear programming. Selanjutnya, contoh yang diilustrasikan menunjukkan keuntungan menggunakan representasi yang diusulkan selama ada representasi bilangan fuzzy trapezoidal dan akan hadir dengan kejelasan besar diusulkan teknik dan menggambarkan aplikasinya untuk masalah Fuzzy Critical Path terjadi dalam situasi kehidupan nyata.[6] Pada penelitian ini menggunakan Decision support system konsep fuzzy linear programming untuk mengevaluasi kinerja dosen. 1.2
Rumusan Masalah Berdasarkan latar belakang di atas, dapat disimpulkan bahwa evaluasi kinerja dosen di STT Nurul jadid masih tidak sesuai dengan UU Nomor 14 Tahun 2005 bab 1 Pasal 1 ayat 2 bahwasanya dosen sebagai pendidik dan ilmuwan dengan tugas utama pengajaran, penelitian dan pengabdian kepada masyarat. Sedangkan pertanyaan penelitian adalah : Decision Support System konsep fuzzy linear programming untuk evaluasi kinerja dosen agar pihak manajerial lebih mudah dalam pengambilan keputusan ? 1.3
Tujuan Penelitian Tujuan penelitian ini adalah mengevaluasi kinerja dosen dengan konsep Fuzzy Linear Programming dengan parameter pengajaran, penelitian dan pengabdian kepada masyarakat oleh dosen. 1.4
Manfaat Penelitian Manfaat yang dapat diperoleh dari penelitian ini adalah : 1. Manfaat Institusi Dapat memudahkan pihak akademik dalam penilaian kinerja dosen. 2. Manfaat Teoritis Penelitian ini diharapkan dapat memberikan sumbangan pengembangan teori
2
2
yang berkaitan dengan Fuzzy Linear Programming dalam sistem pendukung keputusan. 3. Manfaat Kebijakan Diharapkan bisa menunjang pihak manajemen dalam menentukan kembali dosen pada mata kuliah tertentu. 4. Manfaat Praktis Dapat diterapkan untuk evaluasi kinerja dosen dengan variabel fuzzy linear programming 2. TINJAUAN PUSTAKA 2.1 Penelitian Relevan a Teaching quality evaluation based on intuitive fuzzy information evaluasi komprehensif kelas kualitas pengajaran merupakan bagian penting dari evaluasi mutu pengajaran. Saat ini, metode yang umum digunakan untuk evaluasi kualitas pengajaran memiliki beberapa kelemahan dalam sistem. Objektivitas, Rasionalitas, menerapkan intuitif himpunan fuzzy dalam evaluasi kualitas pengajaran di kelas dan penggabungan jumlah siswa tidak mengungkapkan pendapat mereka dalam kuesioner kualitas (lembaran kuisioner dan hasilnya) dalam "derajat keraguan" informasi dari intuitif himpunan fuzzy memecahkan masalah informasi hanya dalam kuesioner, dan juga efektivitas dan ketepatan metode ini diverifikasi melalui contoh nyata [7].
b Soft computing model for academik performance of teachers using fuzzy logic Penilaian dosen secara reguler disarankan untuk menjaga kualitas dalam pendidikan tinggi. Ada potensi yang sangat besar dari aplikasi Fuzzy Expert Systems (FES) dalam penilaian dosen. Teknologi sistem pakar menggunakan Fuzzy Logic sangat menarik bagi kuantitatif dan fakta kualitatif evaluasi. Dalam laporan ini suatu model sistem pakar (FES) diusulkan untuk mengevaluasi kinerja dosen secara keseluruhan atas dasar berbagai kegiatan yang berkaitan dengan pengajaran proses pembelajaran dan parameter lain yang telah divalidasi sebelumnya melalui tenaga ahli. Variabel kualitatif dipetakan menjadi hasil numerik dengan menerapkan Fuzzy Expert Systems (FES) Model melalui berbagai contoh masukan dan memberikan dasar untuk menggunakan sistem untuk pengambilan keputusan lebih lanjut. Dengan cara ini staf pengajar didorong untuk merefleksikan kualitas, kecukupan, kepuasan, efisiensi dan inovasi dalam pengajaran dengan teknik institusi akademik [8].
c
A new method for solving fuzzy linear programming with trapeziodal fuzzy numbers. Metode Mehar’s di usulkan untuk memecahkan permasalahan khusus dalam fuzzy linear programming dengan kemudahan di dalam penggunaannya daripada metode yang ada [9].
d
Evaluation of lecturer performance using Fuzzy C-Means Classification Technique. Metode Fuzzy C-Means yang diterapkan untuk evaluasi kinerja dosen di UIN Maliki di fakultas saintik tahun 2009 dengan clustering data kuisioner 3 3
mencakup kompetensi pedagogik, kompetensi profesional, kompetensi kepribadian dan sosial. Dari hasil yang di dapatkan sama dengan clustering data secara manual dengan range IPK yang sama [10]. e. Evaluation of classromm teching quality in universities based on artificial neural network Metode neural network diterapkan pada evaluasi pengajaran di kelas. Dengan menganalisa unsur utama dari kualitas pengajaran yaitu sikap mengajar, metode pengajaran, isi pengajaran dan efektivitas pengajaran sebagai input layer, dan kualitas pengajaran di kelas sebagai output layer, membangun model neural network dan data yang nyata yang digunakan untuk pelatihan dan praktek. Praktek menunjukkan bahwa model secara baik mengenali presisi. Akhirnya hasil evaluasi digital diproleh, bisa akurat, refleksi irect-viewing kualitas pengajaran kelas cocok atau tidak cocok, seperti itulah prospek neural network dalam mengevaluasi sistem pengajaran dikelas disajikan [11]. f.
PSO-Based RBF Neural nerwork model for teaching quality evaluation Mengingat permasalahan sistem penilaian pengajaran sebelumnya. Berdasarkan karakteristik mengajar sebuah model evaluasi pengajaran diatur dengan PSO (Particle Swam Iptimization) Dan Neural Network. Prosedur penerapan model ini diterangkan secara rinci. Dengan menganalisa banyak contoh praktek, penelitian ini menunjukkan bahwa model matematika memiliki pengaruh penialaian yang lebih baik dan bisa menangani kompleksitas model evaluasi sederhana. Dibandingkan dengan metode lain, metode ini ilmiah. Sederhana dan mudah dioperasikan. Struktur dan metode ini akan berkembang di masa depan [12].
g.
Evaluation for Teaching Quality Based on Fuzzy Neural Network Evaluasi pengajaran adalah hal yang penting dalam pengembangan institusi pendidikan. Pengajar adalah inti dari sebuah institusi pendidikan, karenanya evaluasi pengajar adalah suatu yang penting. Evaluasi mengajar adalah multilevel, multi-variable dan ambiguous non linear process dari sistem kompleks multi-faktor. Metode Fuzzy mengevaluasi secara komprehensif, tapi index presisi dan metode evaluasi tidak tercapai dan sulit untuk menentukan bobot evaluasi, untuk itu diperlukan model evaluasi secara rasional, ilmiah dan matematis. Maka dalam penelitian ini dilakukan kolaborasi antara Fuzzy dan Neural Network. Dan hasilnya adalah dengan penggabungan kedua approach tersebut dihasilkan hasil yang lebih akurat[13].
h. Fuzzy Neural Network Model and its Application in Teaching Quality Evaluation Evaluasi pengajaran memiliki peran penting dalam pendidikan tinggi saat ini. Mengingat permasalahan sistem penilaian pengajaran sebelumnya. Berdasarkan karakteristik mengajar sebuah model evaluasi kompresensif fuzzy neuro diatur dengan logika fuzzy dan neural network. Prosedur penerapan model ini 4
4
diterangkan secara rinci. Dengan menganalisa banyak contoh praktek, penelitian ini menunjukkan bahwa model matematika memiliki pengaruh penilaian yang lebih baik dan bisa menangani kompleksitas model evaluasi sederhana. Dibandingkan dengan metode lain, metode ini ilmiah, sederhana dan mudah di operasikan. Struktur dan metode ini akan berkembang di masa depan [14]. 2.2 Landasan Teori 2.2.1 Fuzzy Linear Programming Pada fuzzy linear programming, akan dicari suatu nilai z yang merupakan fungsi objektif yang akan dioptimasikan sedemikian hingga tunduk pada batasan-batasan yang dimodelkan dengan menggunakan himpunan fuzzy [15]. Perhatikan masalah fuzzy linear pemrogramming berikut: Max z = 5x1 + 4x2 s.t 4x1 + 5x2 ≤ 24 4x1 + x2 ≤ 12 2x1 + 2x2 ≤ 19 3x1 + 0,5x2 ≤ 6 5x1 + 6x2 ≤ 32 6x1 + 2x2 ≤ 15 x1,x2 ≥ 0 tanda ≤ pada kasus maksimasi dan tanda ≥ pada kasus minimasi juga bermakna crisp, demikian juga perintah “maksimumkan” atau “minimumkan” merupakan bentuk imperatif tegas. Jika diasumsikan bahwa keputusan linear programming akan dibuat pada lingkungan fuzzy, maka bentuk maksimasi dan minimasi akan mengalami sedikit perubahan, [17]. Bentuk imperatif pada fungsi objektif tidak lagi benar-benar “maksimum” atau “minimum”, karena adanya beberapa hal yang perlu mendapat pertimbangan dalam suatu sistem. Tanda ≤ (pada batasan) dalam kasus maksimasi dan tanda ≥ (pada batasan) dalam kasus minimasi tidak lagi bermakna crisp secara matematis, namun sedikit mengalami pelanggaran makna. Hal ini juga disebabkan karena adanya beberapa yang perlu dipertimbangkan dalam sistem yang mengakibatkan batasan tidak dapat didekati secara tegas. Dalam banyak aplikasi, fungsi objektif maupun kendala-kendalanya seringkali tidak dapat dinyatakan dengan formula yang tegas tetapi kabur. Oleh karena itu linear programming (tegas) dikembangkan menjadi fuzzy linear programming, Fuzzy linear programming, dikemukakan oleh bellman dan zadeh [18], adalah pengembangan dari linear programming (LP) dengan fungsi objectif dan kendala dinyatakan dengan himunan fuzzy sets. Definisikan masalah dengan crisp dari kendala fuzzy, dan crisp atau objektif fuzzy adalah :
X ≥ 0, 2.2.2 Sistem Pendukung Keputusan Menurut Herbert A. Simon, Ahli manajemen pemenang nobel dari carnegie-mellon 5
university, keputusan berada pada suatu rangkaian kesatuan (continuum), dengan keputusan terprogram pada satu ujungnya dan keputusan tak terprogram pada ujung yang lain. Keputusan terprogram bersifat “berulang dan rutin, sedemikian hingga suatu prosedur pasti telah dibuat untuk menanganinya sehingga keputusan tersebut tidak perlu diperlaukan de novo (sebagai sesuatu yang baru) tiap kal tejadi,” keputusan tak terprogram bersifat “ baru, tidak terstruktur, dan jarang konsekuen. Tidak ada metode yang pasti untuk menangani masalah ini . karena belum pernah ada sebelumnya, atau karena sifat dan struktur persisnya tak terlihat atau rumit, atau karena begiut pentingnya sehinga memerlukan perlakuan yang sangnat khusus. 2.2.3 Evaluasi Kinerja Dosen Evaluasi Kinerja dosen bertujuan untuk (1) meningkatkan profesionalisme dosen dalam melaksanakan tugas, (2) meningkatkan proses dan hasil pendidikan (3) menilai akuntabilitas kinerja dosen di perguruan tinggi (4) meningkatkan atmosfer akademik di semua jenjang perguruan tinggi dan (5) mempercepat terwujudnya tujuan pendidikan nasional. Kompetensi dosen menentukan kualitas pelaksanaan Tridharma Perguruan Tinggi sebagaimana yang ditunjukkan dalam kegiatan profesional dosen. Untuk menjamin pelaksanaan tugas dosen berjalan sesuai dengan kriteria yang ditetapkan dalam peraturan perundang undangan maka perlu dievaluasi setiap periode waktu yang ditentukan. Buku Pedoman ini dimaksudkan untuk memberikan arah dan tatacara penetapan Beban Kerja Dosen Dan Evaluasi Pelaksanaan Tridharma Perguruan Tinggi Tahun 2010. Dosen yang kurang perlu mendapatkan bimbingan dan penjelasan dari asesor agar kinerja yang ditetapkan oleh peraturan perundang undangan dapat tercapai tanpa mengurangi kaidah akademik yang menjadi amanah undang-undang kepada asesor. Aktivitas ini tentu bisa mendorong peningkatan profesionalisme dosen pada perguruan tinggi yang bersangkutan. Apabila kegiatan evaluasi kinerja ini diterapkan untuk semua dosen maka akan berimplikasi kepada peningkatan atmosfer akademik yang berkelanjutan sehingga bisa mendorong terciptanya kemandirian perguruan tinggi dalam meningkatkan daya saing bangsa [3]. Kompetensi dosen menentukan kualitas pelaksanaan Tridharma Perguruan Tinggi sebagaimana yang ditunjukkan dalam kegiatan profesional dosen. Dosen yang kompeten untuk melaksanakan tugasnya secara profesional adalah dosen yang memiliki kompetensi pedagogik, profesional, kepribadian dan sosial yang diperlukan dalam praktek pendidikan, penelitian, dan pengabdian kepada masyarakat. Sebagaimana diamanatkan 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 (Bab 1 Pasal 1 ayat 2). Sedangkan profesional dinyatakan sebagai pekerjaan atau kegiatan yang dilakukan oleh seseorang dan menjadi sumber penghasilan yang memerlukan keahlian, kemahiran, atau kecakapan yang memenuhi standar mutu atau norma tertentu serta memerlukan pendidikan profesi [2].
6
6
2.5 Kerangka Pemikiran Penelitian ini berawal Untuk lebih mengarahkan penelitian ini, dibuat kerangka pemikiran seperti terlihat pada gambar berikut ini:
Gambar 2.1 :Kerangka Pemikiran
3. METODOLOGI PENELITIAN 3.1. Perancangan Penelitian 3.1.1. Jenis Penelitian Jenis penelitian yang digunakan dalam penelitian ini adalah model eksperimen penelitian ini menggunakan Fuzzy Linear Programming untuk memudahkan pihak menajamen perguruan tinggi dalam melakukan evaluasi kinerja dosen. Jenis data yang digunakan dalam penelitian ini adalah data primer yang diperoleh penulis secara langsung dari sumber dengan melakukan pengambilan data dosen dan data penilaian evaluasi kerja dari beberapa parameter yang digunakan.
3.1.2. Metode Pengumpulan Data Metode pengumpulan data pada tesis ini diperoleh dengan melakukan observasi yaitu pengumpulan data dilakukan melalui wawancara sesuai objek penelitian, adapun data yang diambil antara lain pengajaran, penelitian dosen, pengabdian kepada masyarakat 7
3.2. Penerapan Fuzzy Linear Programming Untuk Evaluasi Kinerja Dosen 3.2.1 Menentukan Jumlah Dan Tipe Fungsi Keanggotaan Untuk mendapatkan ukuran terhadap suatu penilaian, pihak manajemen harus mempunyai 5 kriteria, [15]. 1. Memiliki kumpulan daftar penilaian yang akan digunakan sebagai basis untuk mengevaluasi suatu kinerja. Kumpulan penilaian yang telah diseleksi. 2. Menetapkan faktor-faktor kompensasi yang akan menentukan harga relatif dari suatu penilaian. Faktor kompensasi ini bervasiasi antara satu penilaian dengan lainnya. 3. Menetapkan level untuk tiap-tiap faktor dalam tiap-tiap penilaian. Nilai dalam satu faktor hendaknya berbeda. 4. Menetapkan batas bawah untuk jumlah level terendah dan batas atas untuk jumlah level tertinggi. 5. Menetapkan batas bawah selisih antar level dalam setiap faktor. Pendekatan asumsi ditetapkan dengan mengikuti 5 langkah kriteria yang telah ditentukan oleh sri kusumadewi, dengan memperhatikan beberapa hal yang mungkin terjadi. Misalkan ada 3 parameter yang digunakan untuk Evaluasi kinerja dosen [15]. Tabel 3.1. Kode Parameter KODE PARAMETER KETERANGAN Pengajaran X1 Penelitian X2 Pengabdian Kepada Masyarakat X3 Tabel 3.2. Tiap-tiap faktor terbagi menjadi 4 level Level KeVariable Keterangan FAKTOR 1 : Bidang Pengajaran 1 X11 Rendah 2 X12 Menengah 3 X13 Aktif 4 X14 Sangat Aktif FAKTOR 2 : Bidang Penelitian 1 X21 Rendah 2 X22 Menengah 3 X23 Baik 4 X24 Sangat Baik FAKTOR 3 : Pengabdian Kepada Masyarakat 1 X21 Rendah 2 X22 Menengah 3 X23 Baik 4 X24 Sangat Baik Dari banyaknya persamaan yang terbentuk, maka harus ditetapkan beberapa persamaan saja sebagai ukuran penilaian. Untuk menentukan ukuran penilaian sesuai dengan batas dan aturan yang ditetapkan berdasarkan langkah-langkah [15]. 8
8
Langkah 1 “memiliki kumpulan daftar penilaian yang akan digunakan sebagai basis untuk mengevaluasi suatu kinerja. Kumpulan penilaian yang telah diseleksi tersebut dikenal dengan nama benchmark”, ditetapkan 5 benchmark yaitu : Ada 5 benchmark yang ditetapkan, yaitu Z1(X) = X14 + X24 + X34 = 100 Z2(X) = X14 + X24` + X33 = 85 Z3(X) = X13+ X23` + X33 = 75 Z4(X) = X13+ X23` + X32 = 60 Z5(X) = X12+ X22` + X32 = 50 Dengan Z1(X) merupakan Niai tertinggi dalam evaluasi kinerja dosen. Maka ditetapkan penilaian evaluasi kinerja dosen sebagai berikut : Tabel 3.3. Penilaian evaluasi kinerja Angka Mutu Keterangan Skor A Sangat Baik 90-100 B Baik 80-89 C Cukup 70-79 D Kurang 60-69 E Buruk 50-59 Langkah 2, Yaitu “menetapkan faktor-faktor kompensasi yang akan menentukan harga relatif dari suatu penilaian. Faktor kompensasi ini bervariasi antara satu penilaian dengan lainnya”. Langkah 3 “ menetapkan level untuk tiap-tiap faktor dalam tiap-tiap penilaian. Nilai dalam satu faktor hendaknya berbeda: Adapun tolerasi yang ditetapkan pada penelitian ini untuk setiap benchmark adalah sebagai berikut :
Benchmarkke-(r)
Tabel 3.4 : Toleransi yang ditetapkan untuk setiap benchmark Toleransi Batas Nilai tegas Atas Bawah Atas Bawah (dr) (Zmax-dr) (Zmax-dr) (Zmax-dr) (Zmax-dr)
1
100
20
10
120
90
2
85
15
5
100
80
3
75
10
10
85
65
4
60
10
5
70
55
5
50
5
5
55
45
Langkah 4 “menetapkan batas bawah untuk jumlah level terendah dan batas atas untuk jumlah level tertinggi”Level terendah dan tertinggi memiliki batasan sebagai berikut : ∑xi1 ≥ 20; ∑xi4 ≥ 140; Dengan i=1,2,3. 9
Langkah 5 “menetapkan batas bawah selisih antar level dalam setiap faktor” Antara satu level dengan level sebelumnya dalam setiap faktor memiliki selisih nilai minimum 4: xij - xij-1 ≥ 4; Dengan i=1,2,3 dan j=1,2,3. Pemodelan dari analisis dapat dibuat dengan menggunakan persamaan dan memperhatikan persamaan pemodelan matematika diatas serta memperhatikan batasan toleransi pada tabel normal, sehingga didapat persamaan Fuzzy Linear Programming sebagai berikut : Solusi: Max dengan batasan X14 + X24 `+X34 + 20 120 ≤ X14 + X24 `+X33 + 15 100 ≤ X13 + X23 `+X33 + 10 85 ≤ X13 + X23 `+X33 + 10 70 ≤ X12 + X22 `+X32 + 5 55 ≤ X14 + X24 `+X34 140 ≤ X14 + X24 `+X34 - 10 90 ≥ X14 + X24 `+X33 - 5 80 ≥ X13 + X23 `+X33 - 10 65 ≤ X13 + X23 `+X32 - 5 55 ≥ X12 X11 X12 X13 X14 X22 X23 X24 X32 X33 X34 Xij
X22 `+X32 - 5 20 + X21 `+X31 ≥ - X11 `≥4 - X12 `≥4 - X13 `≥4 X 21 `≥4 X 22 `≥4 X 23 `≥4 - X31 `≥4 - X32 `≥4 - X33 `≥4 ≥ 0 (i=1,2,.....m; j=1,2.....,n) +
≥
45
4. 4.1.
HASIL DAN PEMBAHASAN Hasil Pada penelitian ini dilakukan pengolahan data Pengajaran, Penelitian, Dan Pengabdian Masyarakat dari BAAK, LPPM, di STT Nurul Jadid dengan LPSolve menggunakan metode Fuzzy Linear Programming, dan hasil eksperimen dengan pengolahan data LPSolve dengan benchmark yang telah di tentukan toleransi dengan menetapkan batas bawah untuk jumlah level terendah dan batas atas untuk jumlah level tertinggi selanjutnya digunakan penjumlahan dari setiap parameter yang di inputkan sebagai berikut : 10
10
Hasil yang diperoleh menunjukkan hasil yang dicapai untuk setiap level pada setiap faktor. Tabel 4.1 : Nilai level tiap faktor Level Faktor 1
1 38
2 42
3 48
4 54
2
0
4
8
12
3
0
4
19
34
Dari hasil skor yang diperoleh untuk setiap level pada setiap faktor ini, akhirnya dapat ditentukan nilai untuk tiap-tiap benchmark seperti terangkum dalam table. Tabel 4.2 : skor baru untuk tiap benchmark Benchmark ke-
Angka Mutu
Keterangan
Skor
1
A
Sangat Baik
90-100
2
B
Baik
80-89
3
C
Cukup
70-79
4
D
Kurang
60-69
5
E
Buruk
50-59
Sehingga dari perhitungan benchmark diatas bisa dihitung berapa nilai yang di hasilkan dari setiap dosen, misalkan seorang dosen yang pendidikan dan pengajaran (X12), Penelitian (X23), Pengabdian Masyarakat (X32) Akan dapat dihitung : Total Skor : (X12) + (X23) + (X31) = 42 + 8 + 0 = 50 Berarti dengan Nilai 50, Dosen tersebut mendapat Nilai E Maka dosen tersebut masuk dalam kategori BURUK 4.2. Pembahasan Pada penelitian ini, nilai-nilai hasil pengolahan dengan metode diatas dapat dilihat pada grafik dibawah ini : G R A D E
Gambar 4.1 Grafik Hasil Penilaian Keseluruhan 11
5. KESIMPULAN DAN SARAN 5.1. Kesimpulan Dari hasil penelitian yang telah dilakukan dari tahap awal hingga pengujian Fuzzy linear Programming Dengan LPSolve untuk Evaluasi Kinerja Dosen, dapat disimpulkan bahwa : 1. Evaluasi Kinerja Dosen di STT Nurul Jadid yang sesuai dengan tri dharma perguruan tinggi masih buruk . 2. Parameter yang digunakan dalam penelitian ini hanya parameter yang bersifat fuzzy. 3. Penelitian ini memudahkan pihak manajemen dalam pengambilan keputusan dengan Fuzzy Linear Programming untuk evaluasi kinerja dosen STT Nurul Jadid 5.2. Saran Penelitian ini dapat memberikan sumbangsih pihak manajemen untuk mempertimbangkan dalam pengambilan keputusan dalam evaluasi kinerja dosen, beberapa hal yang penulis sarankan bagi pengembangan dalam penelitian ini adalah : 1. Parameter dalam evaluasi kinerja harus diperhitungkan dengan baik, parameter yang digunakan sebaiknya disesuaikan dengan penjaminan mutu pendidik secara eksternal dan internal. 2. Perlu diujicoba beberapa tipe fungsi keanggotaan dan jumlah fungsi keanggotaan hingga didapatkan hasil yang lebih akurat. 3. Perlu dikembangkan evaluasi kinerja dosen dengan metode lainnya untuk perkembangan penelitian selanjutnya.
12
12
Daftar Pustaka [1] Raymond & Schell, Sistem Informasi Manajemen. Edisi ke-10. Jakarta : Indeks. 2008 [2] Dikti, Buku pedoman sertifikasi pendidik untuk Dosen (serdos) terintegrasi, Jakarta : Dikti 2012 [3] Dikti, Pedoman Beban Kerja Dosen Dan Evaluasi Pelaksanaan Tridharma Perguruan Tinggi, Jakarta : Dikti, 2010 [4] Nehi Mistmash H, Allahdadi M, Fuzzy Linear Programming with Interval Linear Programming Approach.Advance Modeling and Optimization, 2011 [5] Li Feng-Deng, and Yang Jian-Bo, Fuzzy Linear Programming Technique for multiattribute group decision making in fuzzy environment, International Journal Information Science, 2004 [6] Madhuri Usha K and Saradhi Pardha , Fuzzy Linear Programming Model For Critical Path Analysis, International Jounal Mathematic Science, 2013 [7] Su Dan, Teaching quality evaluation based on intuitive fuzzy information. International Conference on green Communications and Network, 2012 [8] Chaudhari O.K, Khot P.G, Deshmukh K.C, Soft Computing Model For Academic Performance Of Teachers Using Fuzzy Logic, British Journal of Applied Science & Technology, 2012 [9] Kumar amit and kaut jagdeep, A New Method for Solving Fuzzy Linear Programs with Trapezoidal Fuzzy Number, ISPACS, 2011 [10] Fairul budi, Evaluasi Tingkat Kinerja Dosen Menggunakan Teknik Pengklasifikasian Fuzzy C-Means. [11] Qi Yan-Ming, Evaluation Of Classroom Teaching Quality Universities Base On Artificial Neural Network. automation an system enginering, 2009 [12] Changjun Zhu, B. W, PSO-base RBF Neural Network Model For Teaching Quality Evaluation. International Conference On Control, Automation And System Enginering, 2009 [13] Peng Dong, F.D, Evaluation for Teaching Quality based On Fuzzy Neural Network. International Workshop on education technology and computer science, 2009 [14] Changjun zhu, L, Fuzzy Neural Network model and its application in teaching quality evaluation. Intenational symposium on intelligent ubiquitous computing and education, 2009 [15] Kusumadewi Sri and Purnomo Hari, Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta : Penerbit Graha Ilmu, 2010. [16] Klir G and Yuan Bo, fuzzy sets and fuzzy logic theory and application. Prentice hall PTR, 1995. J [17] Zimmerman, Fuzzy set theory an its applications, Edisi-2, Massachusets : Kluwer academic. publishers. 1991 [18] Bellman, R adn Zadeh, L.A, Decision making in a fuzzy environment, management Science, 17. 1970 13
[19] Sudrajat, Mathematical programming models for portofolio selection, editura universiti din bucuresti, 2007 [20] Tanaka, H., Asai, K. Fuzzy linear programming problems with fuzzy numbers, fuzzy sets and systems, 13, 1984 [21] Werners, B., An interactive fuzzy programming systems, fuzzy sets and systems, 23. 1987. [22] Zimmermann, H. J, Fuzzy mathematical programming, Comput & Ops. Res.1983
14
14
15