Analisis Pengembangan Model Tingkat Keberhasilan Dosen Mengajar Dengan Menggunakan Fuzzy Database Tahani

(1)

ANALISIS PENGEMBANGAN MODEL TINGKAT

KEBERHASILAN DOSEN MENGAJAR

DENGAN MENGGUNAKAN FUZZY

DATABASE TAHANI

TESIS

Oleh

SUNDARI RETNO ANDANI 097038010/TIF

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA MEDAN

(2)

ANALISIS PENGEMBANGAN MODEL TINGKAT

KEBERHASILAN DOSEN MENGAJAR

DENGAN MENGGUNAKAN FUZZY

DATABASE TAHANI

TESIS

Diajukan sebagai salah satu syarat untuk memperoleh gelar

Magister Komputer dalam Program Studi Magister

Teknik Informatika pada Program Pascasarjana

Fakultas MIPA Universitas Sumatera Utara

Oleh

SUNDARI RETNO ANDANI 097038010/TIF

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA MEDAN

(3)

PENGESAHAN TESIS

Judul Tesis : ANALISIS PENGEMBANGAN MODEL

TINGKAT KEBERHASILAN DOSEN MENGAJAR DENGAN

MENGGUNAKAN FUZZY DATABASE TAHANI

Nama Mahasiswa : SUNDARI RETNO ANDANI

Nomor Induk Mahasiswa : 09 70 38 010

Program Studi : Magister Teknik Informatika

Fakultas : Matematika dan Ilmu Pengetahuan Alam

Universitas Sumatera Utara

Menyetujui Komisi Pembimbing

Ade Candra, S.T, M.Kom

Anggota Ketua

Prof. Dr. Muhammad Zarlis

Ketua Program Studi, Dekan,

Prof. Dr. Muhammad Zarlis Dr. Sutarman, M.Sc NIP : 195707011986011003 NIP : 196310261991031001

(4)

PERNYATAAN ORISINALITAS

ANALISIS PENGEMBANGAN MODEL TINGKAT

KEBERHASILAN DOSEN MENGAJAR

DENGAN MENGGUNAKAN FUZZY

DATABASE TAHANI

TESIS

Dengan ini saya nyatakan bahwa saya mengakui semua karya tesis/disertasi ini adalah hasil kerja saya sendiri kecuali kutipan dan ringkasan yang tiap satunya telah dijelaskan sumbernya dengan benar.

Medan, 8 Juli 2011

Sundari Retno Andani NIM : 097038010

(5)

PERNYATAAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan di bawah ini:

Nama : Sundari Retno Andani

NIM : 097038010

Program Studi : Magister Teknik Informatika Jenis Karya Ilmiah : Tesis

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty free Right) atas Tesis saya yang berjudul:

Analisis Pengembangan Model Tingkat Keberhasilan Dosen Mengajar Dengan Menggunakan Fuzzy Database Tahani.

Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non-Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk dat_base, merawat dan mempublikasikan Tesis/Disertai saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan atau sebagai pemilik hak cipta. Demikian pernyataan ini dibuat dengan sebenarnya.

Medan, 8 Juli 2011

Sundari Retno Andani NIM : 097038010

(6)

Telah diuji pada Tanggal : 15 Juli 2011

PANITIA PENGUJI TESIS

Ketua : Prof. Dr. Muhammad Zarlis Anggota : 1. Prof. Dr. Herman Mawengkang

2. Ade Candra, S.T, M.Kom 3. Amer Sharif, S.Si, M.Kom

(7)

RIWAYAT HIDUP

DATA PRIBADI

Nama Lengkap Berikut Gelar : Sundari Retno Andani, S.T

Tempat dan Tanggal Lahir : Pematangsiantar, 29 September 1985 Alamat Rumah : Jl. Batalion No. 1 Pematangsiantar 21139 Telepon/Faks/HP : +6262221912 / +6287868780902

e-mail :

Instansi Tempat Bekerja : AMIK Tunas Bangsa Pematangsiantar Alamat Kantor : Jl. Jend. Sudirman No. 2A Pematangsiantar Telepon/Faks/HP : +6262222431

DATA PENDIDIKAN

SD : Taman Siswa Pematangsiantar Tamat : 1997 SMP : SMP Negeri 2 Pematangsiantar Tamat : 2000 SMA : SMA Negeri 2 Pematangsiantar Tamat : 2003 Strata-1 : Teknik Informatika UPN “Veteran” Tamat : 2008

(8)

KATA PENGANTAR

Assalamu’alaikum Wr. Wb.

Pertama-tama penulis panjatkan syukur Alhamdulillah kepada Allah SWT, berkat rahmat dan kemurahanNya penulis dapat menyelesaikan tesis ini dengan judul analisis pengembangan model tingkat keberhasilan dosen mengajar dengan menggunakan fuzzydatabase tahani.

Laporan tesis ini disusun dan diajukan untuk memenuhi persyaratan dalam memperoleh gelar magister pada Program Pascasarjana FMIPA Universitas Sumatera Utara.

Dalam penyelesaian tesis beserta penyusunan laporannya dapat berjalan dengan lancar, tidak lepas dari dukungan berbagai pihak. Oleh karena itu, penulis mengucapkan banyak terima kasih kepada:

1. Allah SWT yang senantiasa memberikan kemudahan dan kekuatan kepada penulis dalam memahami dan mengamalkan ilmu-ilmu yang didapatkan selama ini.

2. Bapak Prof. Dr. dr. Syahril Pasaribu, DTM&H, M.Sc (CTM), Sp. A(K) selaku Rektor Universitas Sumatera Utara, atas kesempatan yang diberikan kepada penulis untuk mengikuti dan menyelesaikan pendidikan Program Magister.

3. Bapak Dr.Sutarman, M.Sc selaku Dekan Fakultas MIPA Universitas Sumatera Utara, atas kesempatan yang diberikan kepada penulis untuk mengikuti dan menyelesaikan pendidikan Program Magister pada Program Pascasarjana FMIPA Universitas Sumatera Utara.

4. Bapak Prof. Dr. Muhammad Zarlis selaku Ketua Program Studi Magister Teknik Informatika dan selaku dosen pembimbing utama yang dengan penuh perhatian telah memberikan saran, kritik, dorongan, bimbingan dan motivasi kepada penulis.

5. Bapak Muhammad Andri Budiman, S.T, M. Comp. Sc, M.EM selaku Sekretaris Program Studi Magister Teknik Informatika.

6. Bapak Ade Chandra, S.T, M.Kom selaku pembimbing anggota yang dengan penuh kesabaran menuntun dan membimbing penulis hingga selesainya penelitian ini.

7. Seluruh dosen serta civitas akademika pada Program Studi Magister Teknik Informatika Program Pascasarjana Fakultas MIPA Universitas Sumatera Utara, yang telah memberikan bekal ilmu dan pengetahuan selama penulis mengikuti kuliah di Universitas Sumatera Utara.

8. Kepada teman-teman seperjuangan angkatan I pada Program Studi Magister Teknik Informatika Program Pascasarjana Fakultas MIPA Universitas Sumatera Utara yang selalu memberikan dukungan, saran, motivasi dan kritik kepada penulis.

9. Kepada papa dan Mama serta kakanda tersayang dan adik-adikku terkasih, Terimakasih atas segala pengorbanan kalian baik berupa moril maupun

(9)

materil, budi baik ini tidak dapat dibalas hanya diserahkan kepada Allah SWT, Tuhan Yang maha Esa.

10.Semua pihak yang tidak dapat disebutkan satu-persatu, yang telah berperan serta dalam penelitian tesis ini dan dalam pembuatan laporan tesis ini.

Penulis menyadari bahwa penulisan laporan tesis ini masih jauh dari kesempurnaan baik dari segi materi yang dibahas maupun dari penulisannya. Untuk itu saran dan kritik yang bersifat membangun sangat penulis harapkan.

Akhir kata penulis berharap semoga tesis beserta laporannya ini membawa manfaat dan faedah bagi pembaca dan pihak-pihak yang berkepentingan, serta buat penulis sendiri sebagai dharma bakti penulis kepada almamater.

Wassalamualaikum.Wr.Wb.

(10)

ANALISIS PENGEMBANGAN MODEL TINGKAT

KEBERHASILAN DOSEN MENGAJAR

DENGAN MENGGUNAKAN FUZZY

DATABASE TAHANI

ABSTRAK

Pada penelitian ini, dibangun sebuah sistem fuzzy database yang bertujuan untuk melakukan manipulasi data-data keberhasilan dosen mengajar yang bersifat ambigu. Model fuzzy database tahani digunakan untuk keperluan tersebut. Variabel yang digunakan adalah nilai mahasiswa dan nilai kuesioner. Nilai mahasiswa dan nilai kuesioner diberikan secara linguistik, yaitu buruk sekali, buruk, cukup, baik dan baik sekali. Bentuk linguistik direpresentasikan dengan menggunakan himpunan fuzzy

dengan kurva bahu dan kurva segitiga. Dari himpunan fuzzy variabel nilai mahasiswa dan nilai kuesioner, ditentukan fungsi keanggotaan dari kedua variabel. Dari kedua variabel, dihasilkan dua puluh lima aturan (rule) yang merupakan output dari sistem

fuzzy database ini. Dengan adanya sistem fuzzy database ini, dapat dihasilkan informasi keberhasilan dosen mengajar yang lebih akurat dibandingkan dengan menggunakan model database biasa.

KataKunci : Fuzzy Database, Fuzzy Query, Tahani, Basisdata Fuzzy,

Himpunan Fuzzy.

(11)

ANALYSIS OF MODEL IMPROVEMENT FOR

THE ACCOMPLISHMENT OF A LECTURER

USING FUZZY DATABASE TAHANI

ABSTRACT

In this research, fuzzy database is constructed in order to manipulate ambiguous data of a lecturer’s classroom accomplishment and for this purpose, fuzzy database model is used. The variables used are the score of the student and the score of the questionnaires. Both the scores linguistically granted are very poor, poor, sufficient, good and very good (excellent). The linguistics model is represented by using set of fuzzy with shoulder curve and triangle curve. The membership function of the two variables is determined from the set of fuzzy variables student scores and questionnaire scores. And from the two variables, twenty five rules as an output of this fuzzy database system is obtained. With the availability of this fuzzy database, a more accurate information about the lecturer’s classroom accomplishment is detected, rather than using a regular database model.

(12)

DAFTAR ISI

Halaman

KATA PENGANTAR i

ABSTRAK iii

ABSTRACT iv

DAFTAR ISI v

DAFTAR TABEL vii

DAFTAR GAMBAR viii

BAB I PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Perumusan Masalah 6

1.3. Batasan Masalah 6

1.4 Tujuan Penelitian 7

1.5 Manfaat Penelitian 7

1.6 Hipotesis 8

BAB II TINJAUAN PUSTAKA 9

2.1 Logika Fuzzy 9

2.1.1. Alasan Digunakannya Logika Fuzzy 9

2.1.2. Himpunan Fuzzy 10

2.1.3. Fungsi Keanggotaan 14

2.1.4. Operator Dasar Zadeh Untuk Operasi

himpunan Fuzzy 19

2.2 Database 19

2.3 Fuzzy Database 21

2.4 Riset- riset Terkait 24

2.5 Kontribusi Riset 31

BAB III METODE PENELITIAN 32

3.1. Pendahuluan 32

3.2 Lokasi dan Waktu Penelitian 32

(13)

3.4 Pelaksanaan Penelitian 33

3.4.1. Pengumpulan Data 33

3.4.2. Analisa Data 33

3.5 Instrumen Penelitian 34

3.5.1. Borland Delphi 6.0 34

3.5.2. SQL Server 2000 34

3.5.3. Microsoft Visio 2003 35

3.6 Perancangan Algoritma Analisis Tingkat

Keberhasilan Dosen Mengajar 35

BAB IV HASIL DAN PEMBAHASAN 44

4.1 Pendahuluan 44

4.2 Analisis Tingkat Keberhasilan Dosen Mengajar

Dengan Model Database Standar 44 4.3 Analisis Pengembangan Model Tingkat

Keberhasilan Dosen Mengajar Dengan

Menggunakan Fuzzy Database Tahani 45

4.3.1 Himpunan Fuzzy 46

4.3.2 Fungsi Keanggotaan 48

4.3.3 Aturan (Rule) 51

4.3.4 Perancangan Database Fuzzy Tahani 51 4.3.5 Implementasi Database Fuzzy Tahani

Dengan Membangun Aplikasi 54

BAB V KESIMPULAN DAN SARAN 57

5.1. Kesimpulan 57

5.2 Saran 58

DAFTAR KEPUSTAKAAN 59

(14)

DAFTAR TABEL

Nomor Judul Halaman

Tabel

2.1 Data Karyawan berdasarkan umur 23

4.1 Tabel nilaiKeberhasilan 45

4.2 Aturan dari variabel kemampuan dosen dan

nilai siswa 51

4.3 Tabel kepDosen 52

(15)

DAFTAR GAMBAR

Nomor Judul Halaman

Gambar

2.1 Himpunan Fuzzy untuk Variabel Umur 11 2.2 Himpunan Fuzzy pada Variabel Temperatur 13

2.3 Representasi linear naik 15

2.4 Representasi linear turun 15

2.5 Representasi kurva segitiga 16

2.6 Himpunan fuzzy dengan kurva-S : Pertumbuhan 17 2.7 Himpunan fuzzy dengan kurva-S : Penyusutan 17

2.8 Representasi kurva trapesium 18

2.9 Pengolahan data menjadi informasi 20 3.1 Algoritma Analisa Tingkat Keberhasilan Dosen

Mengajar 43

4.1 Himpunan Fuzzy pada Variabel Kemampuan

Dosen 46

4.2 Himpunan Fuzzy pada Variabel Nilai Mahasiswa 47 4.3 Halaman untuk menentukan fire strength

dari nilai kelulusan mahasiswa 54 4.4 Halaman untuk menentukan fire strength dari nilai

kuesioner dosen 55

4.5 Halaman untuk menentukan Fire strength

(16)

ANALISIS PENGEMBANGAN MODEL TINGKAT

KEBERHASILAN DOSEN MENGAJAR

DENGAN MENGGUNAKAN FUZZY

DATABASE TAHANI

ABSTRAK

fuzzy database ini. Dengan adanya sistem fuzzy database ini, dapat dihasilkan informasi keberhasilan dosen mengajar yang lebih akurat dibandingkan dengan menggunakan model database biasa.

KataKunci : Fuzzy Database, Fuzzy Query, Tahani, Basisdata Fuzzy,

Himpunan Fuzzy.

(17)

ANALYSIS OF MODEL IMPROVEMENT FOR

THE ACCOMPLISHMENT OF A LECTURER

USING FUZZY DATABASE TAHANI

ABSTRACT

(18)

BAB I PENDAHULUAN

1.1 Latar Belakang

Logika fuzzy merupakan salah satu komponen pembentuk soft computing. Logika

fuzzy pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun 1965. Dasar logika fuzzy adalah teori himpunan fuzzy. Pada teori himpunan fuzzy, peranan derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan sangatlah penting. Nilai keanggotaan atau derajat keanggotaan atau membership function

menjadi ciri utama dari penalaran dengan logika fuzzy tersebut (Kusumadewi, 2010). Logika fuzzy merupakan konsep dasar dari sistem fuzzy yang dapat digunakan untuk melakukan perhitungan terhadap suatu variabel input berdasarkan nilai kesamarannya. Dalam teori himpunan samar, samar dinyatakan dalam derajat keanggotaan dan derajat dari kebenaran, sehingga sesuatu dapat dikatakan sebagian benar dan sebagian salah dalam waktu yang bersamaan (Kusumadewi, 2004).

Database adalah kumpulan data, umumnya mendeskripsikan aktivitas satu organisasi yang berhubungan atau lebih (Ramakrishnan & Gehrke, 2004). Sistem database merupakan lingkup yang lebih luas daripada database. Sistem database memuat sekumpulan database dalam suatu sistem yang mungkin tidak ada hubungan satu sama lain, tetapi secara keseluruhan mempunyai hubungan sebagai sebuah sistem dengan didukung oleh komponen lainnya (Sutanta, 2004).

Dalam logika fuzzy ada beberapa model database, salah satunya adalah fuzzy

database model tahani. Fuzzy database model tahani masih tetap menggunakan relasi standar, hanya saja model ini menggunakan teori himpunan fuzzy untuk mendapatkan informasi pada query-nya. Sebagai contoh model tahani dapat diterapkan terhadap analisis keberhasilan dosen mengajar, dimana database yang digunakan meliputi data nilai mahasiswa dan data nilai kuesioner yang terdiri dari tiga komponen penilaian, yaittu motivasi, perencanaan perkuliahan dan pelaksanaan perkuliahan.

Menurut keputusan menteri pendidikan yang tertuang dalam Kepmendiknas No. 232/U/2000 BAB V Pasal 12, bahwa penilaian hasil belajar mahasiswa

(19)

merupakan kegiatan dan kemajuan belajar mahasiswa yang dilakukan berdasarkan penilaian secara berkala yang dapat berbentuk ujian, pelaksanaan tugas, dan pengamatan oleh dosen. Ujian dapat diselenggarakan melalui ujian tengah semester, ujian akhir semester, ujian akhir program studi, ujian skripsi, ujian tesis, dan ujian disertasi. Penilaian hasil belajar dinyatakan dengan huruf A, B, C, D, dan E yang masing masing bernilai 4, 3, 2, 1, dan 0.

Dalam beberapa penelitian yang telah dilakukan oleh peneliti terdahulu, yang dituliskan dalam karya ilmiah dan jurnal yang berhubungan dengan penelitian penulis adalah : Anggraeni, R., Indarto, W. and Kusumadewi, S. (2004) dalam jurnalnya yang berjudul sistem pencarian kriteria kelulusan menggunakan metode

fuzzy tahani, bahwa l

Sundani, D. (2008) dalam jurnalnya yang berjudul perangkat lunak SPSS sebagai alat untuk analisa hubungan kinerja dosen dengan keberhasilan belajar, bahwa untuk organisasi pendidikan, sumber daya manusia terkait dengan tenaga edukatif (dosen) dan tenaga non edukatif. Salah satu tujuan organisasi pendidikan adalah tercapainya keberhasilan belajar mengajar. Keberhasilan belajar secara tidak langsung dipengaruhi oleh kinerja dosen. Penelitian tersebut dilakukan untuk melihat hubungan faktor-faktor dalam kinerja dosen terhadap keberhasilan mengajar dan besarnya hubungan tersebut. Indikator keberhasilan belajar diukur dari nilai mahasiswa.

ulusan sebagai output akhir dari sebuah perguruan tinggi, biasanya diberi predikat kelulusan. Dasar pemberian predikat kelulusan adalah indeks prestasi kumulatif (IPK). Selain IPK (standar 4 dengan syarat lulus IPK minimal 2.00), masih ada beberapa variabel dari lulusan yang digunakan sebagai dasar pencarian kriteria kelulusan mahasiswa, yaitu lama studi (tahun), umur (tahun), lama penyelesaian tugas akhir (bulan), nilai tugas akhir, nilai kerja praktek, nilai BTAQ dan skor TOEFL. Variabel-variabel ini bersifat ambigu, sehingga digunakanlah fuzzy database model tahani.

Akhmad Fauzi Hasibuan (2010) dalam skripsinya yang berjudul penggunaan

fuzzy database dalam rekomendasi pembelian perumahan berbasis sistem pendukung keputusan, bahwa pengembangan atau developer perumahan selaku koordinator pelaksana di lapangan perlu diiringi oleh perkembangan teknologi komputer untuk

(20)

dapat memenuhi kebutuhan para konsumen pembeli perumahan, yang mana konsumen selaku pembeli perumahan umumnya selalu memiliki pertimbangan dan faktor-faktor sebelum mengambil suatu keputusan, sebagai contoh harga, luas tanah, fasilitas-fasilitas atau fitur-fitur yang ada di perumahan tersebut dan faktor-faktor lainnya. Kesamaran dari pertimbangan faktor-faktor konsumen pembeli perumahan tersebut dapat dituangkan ke dalam konsep logika fuzzy. Fuzzy database dapat digunakan untuk menyampaikan informasi dari data yang bersifat ambigu. Fuzzy

database yang digunakan adalah fuzzy database model tahani.

Dewi Novia Nursa (2010) dalam skripsinya yang berjudul implementasi pangkalan data fuzzy model tahani pada perekomendasian pembelian mobil, bahwa pada pembelian sebuah mobil, seringkali konsumen hanya memberikan kriteria atau spesifikasi yang bersifat tidak jelas dan tidak pasti untuk produk yang akan dipilih. Pembeli mensyaratkan kriteria mobil seperti harga yang murah, ukuran mobil yang sedang, kapasitas yang besar dan lainnya. Ukuran merah, sedang dan besar merupakan data-data yang bersifat kualitatif karena diungkapkan dalam bentuk kalimat serta uraian yang tidak terukur dengan angka pasti. Dalam hal ini, ketiganya disebut sebagai input fuzzy. Oleh karena hal tersebut, maka digunakan fuzzy model tahani pada perekomendasian pembelian mobil.

Kusumadewi, S. (2004) dalam jurnalnya yang berjudul fuzzy quantification theory I untuk analisis hubungan antara penilaian kinerja dosen oleh mahasiswa, kehadiran dosen, dan nilai kelulusan mahasiswa, bahwa bahwa fuzzzy quantification theory I adalah suatu metode untuk menentukan hubungan antar variabel kualitatif yang diberikan dengan nilai antara 0 sampai 1, dengan variabel-variabel numeris dalam fuzzy group yang diberikan pada sampel. Pada penelitian tersebut, fuzzy quantification theory akan digunakan untuk menentukan seberapa besar faktor-faktor kualitatif penilaian mahasiswa terhadap kinerja dosen jurusan Teknik Informatika Universitas Islam Indonesia, mempengaruhi hubungan antara kehadiran dosen dan nilai akhir mahasiswa. Hasil penelitian menunjukkan bahwa faktor kemampuan dosen mendorong mahasiswa untuk berperan aktif, memiliki pengaruh yang paling tinggi diantara faktor-faktor yang lainnya, dalam kaitannya dengan pengaruh antara

(21)

kehadiran dosen mengajar dengan nilai kelulusan mahasiswa ≥ ‘B’. Pengaruh ini akan sangat kuat apabila kehadiran dosen mengajar lebih dari sepuluh kali.

Kusumadewi, S. (2007) dalam makalahnya yang berjudul basisdata fuzzy

untuk pemilihan bahan pangan berdasarkan kandungan nutrien, menjelaskan bahwa tujuan penelitian ini untuk melakukan manipulasi data-data bahan pangan yang bersifat ambigu terkait dengan kandungan nutrisinya dalam nutrien tertentu. Besarnya nilai kandungan nutrisi diberikan secara linguistik. Bentuk linguistik direpresentasikan dengan menggunakan himpunan fuzzy linier turunm linier naik dan segitiga. Proses pencarian didasarkan pada konsep basisdata fuzzy model tahani, dengan menggunakan pendekatan query fuzzy.

Mardia (2010) dalam skripsinya yang berjudul sistem pendukung keputusan menggunakan basisdata fuzzy model tahani untuk membantu pemilihan telepon seluler mengimplementasikan konsep logika fuzzy model tahani ke dalam database, dengan fungsi keanggotaan yang ditunjukkan melalui kurva yang menggambarkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (derajat keanggotaan) yang memiliki ihterval antara 0 sampai 1.

Eliyani, Pujianto, U. and Rosyadi, D. (2009) menjelaskan dalam makalahnya yang berjudul Decision Support system untuk Pembelian Mobil Menggunakan Fuzzy Database Model Tahani, bahwa dengan menggunakan database standar, seseorang dapat menangani data-data yang besifat pasti, deterministik dan presisi. Namun seringkali dibutuhkan adanya penanganan pada data-data yang bersifat samar pada sistem database. Maka untuk mengatasi masalah tersebut dapat digunakan konsep konsep logika fuzzy. Penelitian ini mengimplementasikan konsep logika fuzzy model tahani ke dalam database atau biasa disebut fuzzy database model tahani. Artinya sistem database yang menerapkan konsep fuzzy model tahani sehingga dapat menangani data-data yang bernilai fuzzy.

(22)

dengan dana, jarak, waktu berkunjung yang diinginkan. Pada aplikasi ini menggunakan tiga variabel fuzzy, yaitu variabel dana, variabel jarak dan variabel waktu berkunjung. Dengan adanya sistem ini diharapkan dapat mempermudah para calon wisatawan dalam memilih obyek wisata menarik, strategis, nyaman atau aman untuk dikunjungi oleh calon wisatawan.

Sistem yang lama pada Akademi Manajemen Informatika dan Komputer (AMIK) Tunas Bangsa Pematangsiantar dalam menentukan tingkat keberhasilan dosen mengajar masih menggunakan sistem database yang digunakan selama ini. Sistem database ini hanya mampu menangani data yang bersifat pasti (crisp). Demikian pula pada proses query, data yang diberikan hanya mampu menangani kondisi yang bersifat pasti, padahal dalam kondisi yang nyata, sering dihadapkan pada kondisi dimana data mengandung nilai yang samar, ketidakpastian atau ambigu, sehingga penggunaan database biasa menjadi sulit untuk dilakukan. Variabel yang digunakan pada sistem yang lama adalah nilai mahasiswa. Sehingga tingkat keberhasilan dosen mengajar yang dihasilkan bisa menjadi kurang tepat.

Pada penelitian tesis ini dianalisis tingkat keberhasilan dosen mengajar dengan menggunakan fuzzy database tahani. Selain nilai mahasiswa, variabel lain yang digunakan pada penelitian ini adalah variabel nilai kuesioner. Penilaian kuesioner terdiri dari tiga komponen, yaitu motivasi dosen, persiapan perkuliahan dan pelaksanaan perkuliahan. Kuesioner tersebut diisi oleh mahasiswa yang diampu oleh dosen yang bersangkutan. Dengan menggunakan fuzzy database model tahani, data yang bersifat ambigu atau samar dapat diperoleh informasi dari query-nya. Dengan digunakannya fuzzy database tahani dalam menganalisa tingkat keberhasilan dosen mengajar, diharapkan akan memberikan informasi tingkat keberhasilan dosen mengajar yang lebih tepat. Dengan mengetahui tingkat keberhasilan dosen mengajar, maka seorang dosen dapat meningkatkan kualitas mengajar sehingga dapat meningkatkan kemampuan dan kualitas mahasiswa yang berdampak meningkatnya nilai akademik mahasiswa.

Berdasarkan latar belakang di atas, maka penulis melakukan analisis pengembangan model tingkat keberhasilan dosen mengajar dengan menggunakan

(23)

Pematangsiantar. Penelitian ini diharapkan dapat memberikan kontribusi bagi ilmu pengetahuan, khususnya bidang ilmu komputer, yaitu pengembangan model fuzzy

database tahani dari model yang sudah ada sebelumnya dalam menentukan tingkat keberhasilan dosen mengajar dan memperkaya literature dan referensi tentang fuzzy

database tahani, serta memberikan kontribusi bagi AMIK Tunas Bangsa Pematangsiantar dalam meningkatkan kualitas dosen, sehingga nantinya berdampak bagi kualitas mahasiswa.

1.2. Perumusan masalah

Adapun rumusan masalah dari penelitian ini adalah bagaimana membuat model analisis tingkat keberhasilan dosen mengajar dengan fuzzy database tahani sehingga informasi tingkat keberhasilan dosen mengajar yang dihasilkan menjadi lebih tepat.

1.3. Batasan Masalah

Rumusan masalah diatas, dibatasi dengan beberapa hal sebagai berikut : (1) Model fuzzy database yang digunakan adalah fuzzy database tahani.

(2) Data yang digunakan untuk melakukan analisis tingkat keberhasilan dosen mengajar adalah data nilai akademik mahasiswa AMIK Tunas Bangsa program studi Manajemen Informatika dan kuesioner dosen yang terdiri dari tiga penilaian, yaitu motivasi dosen, persiapan perkuliahan dan pelaksanaan perkuliahan.

(3) Untuk membangun aplikasi perhitungan tingkat keberhasilan mengajar dosen, penulis menggunakan aplikasi Borland Delphi 7.0 dan DBMS SQL Server 2000.

1.4. Tujuan Penelitian

Tujuan yang ingin dicapai pada penelitian tesis ini yaitu :

(1) Melakukan analisis tingkat keberhasilan dosen mengajar dengan menggunakan fuzzy database tahani.

(24)

1.5. Manfaat Penelitian

Manfaat dari penelitian ini adalah sebagai berikut:

(1) Membantu mendapatkan informasi tentang tingkat keberhasilan dosen mengajar. Dimana informasi ini sangat diperlukan oleh AMIK Tunas Bangsa untuk mengevaluasi kinerja dosen setiap semester.

(2) Hasil penelitian ini di harapkan dapat memberikan informasi dan masukan kepada AMIK Tunas Bangsa sebagai dasar untuk meningkatkan kualitas dosen, sehingga nantinya berdampak bagi kualitas mahasiswa.

(3) Memperkaya literature dan referensi tentang fuzzy database tahani.

(4) Memberikan konstribusi bagi ilmu pengetahuan khususnya pada bidang ilmu komputer yaitu pengembangan model fuzzy database tahani dari model yang sudah ada sebelumnya dalam menentukan tingkat keberhasilan dosen mengajar, serta memberikan kontribusi bagi AMIK Tunas Bangsa Pematangsiantar dalam meningkatkan kualitas dosen, sehingga nantinya berdampak bagi kualitas mahasiswa..

1.6.Hipotesis

Hipotesis pertama adalah model yang digunakan diambil dari data nilai mahasiswa dan masih menggunakan sistem database biasa.

Hipotesis 1: Nilai mahasiswa kurang tepat untuk dijadikan tolak ukur dari keberhasilan dosen mengajar di Akademi Manajemen Informatika Komputer ( AMIK ) Tunas Bangsa Pematangsiantar.

Hipotesis kedua adalah model yang digunakan diambil dari data nilai mahasiswa dan nilai kuesioner dan diolah dengan fuzzy database tahani.

Hipotesis 2: Nilai kuesioner berisi penilaian mahasiswa terhadap dosen. Nilai kuesioner ini sangat berhubungan erat dengan peningkatan pemahaman mahasiswa yang memacu meningkatnya nilai mahasiswa. Sehingga dapat disimpulkan, bahwa data nilai mahasiswa dan data kuesioner dapat dijadikan tolak ukur untuk menentukan tingkat keberhasilan dosen.

(25)

BAB II

TINJAUAN PUSTAKA

2.1. Logika Fuzzy

Logika fuzzy merupakan salah satu komponen pembentuk soft computing. Logika

menjadi ciri utama dari penalaran dengan logika fuzzy tersebut (Kusumadewi, 2010). Logika fuzzy dapat dianggap sebagai kotak hitam yang menghubungkan antara ruang input menuju ruang output (Gelley, 2000, dari Kusumadewi, 2010). Kotak hitam tersebut berisi cara atau metode yang dapat digunakan untuk mengolah data input menjadi output dalam bentuk informasi yang baik.

2.1.1. Alasan Digunakannya Logika Fuzzy

Ada beberapa alasan digunakannya logika fuzzy :

(1) Konsep logika fuzzy mudah dimengerti. Karena logika fuzzy

menggunakan dasar teori himpunan, maka konsep matematis yang mendasari penalaran fuzzy tersebut cukup mudah untuk dimengerti.

(2) Logika fuzzy sangat fleksibel, artinya mampu beradaptasi dengan perubahan-perubahan, dan ketidakpastian yang menyertai permasalahan. (3) Logika fuzzy memiliki toleransi terhadap data yang tidak tepat. Jika

diberikan sekelompok data yang cukup homogen, dan kemudian ada beberapa data yang “eksklusif”, maka logika fuzzy memiliki kemampuan untuk menangani data eksklusif tersebut.

(4) Logika fuzzy mampu memodelkan fungsi-fungsi nonlinier yang sangat kompleks.

(5) Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses

(26)

pelatihan. Dalam hal ini, sering dikenal dengan nama fuzzy expert system

menjadi bagian terpenting.

(6) Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. Hal ini umumnya terjadi pada aplikasi di bidang teknik mesin maupun teknik elektro.

(7) Logika fuzzy didasarkan pada bahasa alami. Logika fuzzy menggunakan bahasa sehari-hari sehingga mudah dimengerti.

2.1.2. Himpunan Fuzzy

Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µA

a. Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau

(X), memiliki dua kemungkinan, yaitu :

b. Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.

Contoh :

Misalkan variabel umur dibagi menjadi 3 kategori, yaitu : MUDA umur < 35 tahun

PAROBAYA 35 ≤ umur ≤ 55 tahun TUA umur > 55 tahun) Dari kategori di atas dapat dijelaskan bahwa :

(1) Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA (µMUDA

(2) Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA (µ

(34)=1)

MUDA

(3) Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK MUDA (µ

(35)=0)

MUDA

(4) Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA (µ

(35 – 1 hari)=0)

PAROBAYA

(5) Apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAK PAROBAYA (µ

(35)=1)

(27)

(6) Apabila seseorang berusia 55 tahun, maka ia dikatakan PAROBAYA (µPAROBAYA

(7) Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK PAROBAYA (µ

(55)=1)

PAROBAYA

Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk menyatakan umur sangat tidak adil, adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan.

(35 – 1 hari)=0)

Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Seseorang dapat masuk dalam 2 himpunan yang berbeda, MUDA dan PAROBAYA, PAROBAYA dan TUA, dan sebagainya. Seberapa besar eksistensinya dalam himpunan tersebut dapat dilihat pada nilai keanggotaannya. Gambar 2.1 menunjukkan himpunan fuzzy untuk variabel umur.

Gambar 2.1 Himpunan Fuzzy untuk Variabel Umur Pada gambar 2.1, dapat dilihat bahwa :

a. Seseorang yang berumur 40 tahun, termasuk dalam himpunan MUDA dengan µMUDA(40)=0,25; namun dia juga termasuk dalam himpunan PAROBAYA dengan µPAROBAYA

b. Seseorang yang berumur 50 tahun, termasuk dalam himpunan MUDA dengan µ

(40)=0,5.

TUA(50)=0,25; namun dia juga termasuk dalam himpunan PAROBAYA dengan µPAROBAYA(50)=0,5.

PAROBA YA

MUDA TUA

1 µ(X)

0,5

0,25

25 35 40 45 50 55 65 Umur (Thn)

(28)

Terkadang kemiripan antara keanggotaan fuzzy dengan probabilitas menimbulkan kerancuan. Keduanya memiliki nilai pada interval [0,1], namun interpretasi nilainya sangat berbeda antara kedua kasus tersebut. Keanggotaan fuzzy

memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan probabilitas mengindikasikan proporsi terhadap keseringan suatu hasil bernilai benar dalam jangka panjang. Misalnya, jika nilai keanggotaan bernilai suatu himpunan fuzzy

USIA adalah 0,9; maka tidak perlu dipermasalahkan berapa seringnya nilai itu diulang secara individual untuk mengharapkan suatu hasil yang hampir pasti muda. Di lain pihak, nilai probabilitas 0,9 usia berarti 10% dari himpunan tersebut diharapkan tidak muda (Kusumadewi, 2010).

Himpunan fuzzy memiliki 2 atribut, yaitu:

(1) Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA, PAROBAYA, TUA

(2) Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variable seperti: 40, 25, 50, dsb.

Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu: a. Variable Fuzzy

Variable fuzzy merupakan variable yang hendak dibahas dalam suatu sistem

fuzzy. Contoh: umur, temperature, permintaan, dsb. b. Himpunan Fuzzy

Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variable fuzzy.

(29)

Contoh:

Variable umur, terbagi menjadi 5 himpunan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.

Gambar 2.2 Himpunan Fuzzy pada Variabel Temperatur c. Semesta Pembicaraan

Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variable fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negative. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya.

Contoh:

a. Semesta pembicaraan untuk variable umur: [0+~] b. Semesta pembicaraan untuk variable temperature: [0 40] d. Domain

Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan

NORMAL SEJUK

DINGIN HANGAT PANAS

1 A

0 A µ(X)

0 15 20 25 30 35 40 Temperatur (0_C)

(30)

real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif dan bilangan negative.

Contoh domain himpunan fuzzy: 1. MUDA = [0, 45] 2. PAROBAYA = [35, 55] 3. TUA = [45, OO 4. DINGIN = [0, 20]

]

5. SEJUK = [15, 25] 6. NORMAL = [20, 30] 7. HANGAT = [25, 35] 8. PANAS = [30, ~]

2.1.3. Fungsi Keanggotaan

Fungsi keanggotaan adalah suatu kurva yang menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bias digunakan.

a. Representasi Linear

Pada representasi linear, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas.

(31)

Ada 2 keadaan himpunan Fuzzy yang linear. Pertama, kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol(0) bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi (Kusumadewi, 2010).

Gambar 2.3. Representasi linear naik

Kedua, merupakan kebalikan dari yang pertama. Garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah.

Gambar 2.4. Representasi linear turun 1

a _domain b

Derajat keanggotaan

µ[x]

Derajat keanggotaan

µ[x]

(32)

b. Representasi kurva segitiga

Kurva segitiga pad dasarnya merupakan gabungan antara 2 garis (linear).

Gambar 2.5. Representasi kurva segitiga c. Representasi kurva bentuk bahu

Daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun (misalkan dingin bergerak ke sejuk bergerak ke hangat dan bergerak ke panas). Tetapi terkadang salah satu sisi dari variabel tersebut tidak mengalami perubahan. Sebagai contoh, apabila telah mencapai kondisi panas, kenaikan temperatur akan tetap berada pada kondisi panas. Himpunan fuzzy ‘bahu’, bukan segitiga, digunakan untuk mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikian juga bahu kanan bergerak dari salah ke benar. Gambar 2.2 menunjukkan variabel temperatur dengan daerah bahunya.

Derajat Keanggotaa

n µ[x]

domain 1

(33)

d. Representasi kurva-S

Kurva pertumbuhan dan penyusutan merupakan kurva-S atau sigmoid

yang berhubungan dengan kenaikan dan penurunan permukaan secara tak linear. Kurva-S untuk pertumbuhan akan bergerak dari sisi paling kiri (nilai keanggotaan = 0) ke sisi paling kanan (nilai keanggotaan = 1). Fungsi keanggotaan akan tertumpu pada 50% nilai keanggotaannya sering disebut dengan titik infleksi (cox dalam Kusumadewi,1994).

Gambar 2.6. Himpunan fuzzy dengan kurva-S : Pertumbuhan

Kurva-S untuk penyusutan akan bergerak dari sisi paling kanan (nilai keanggotaan = 1) ke sisi paling kiri (nilai keanggotaan = 0)

Gambar 2.7. Himpunan fuzzy dengan kurva-S : Penyusutan 1

R_n

R₁ Derajat

keanggotaan µ(x)

domain 1

Derajat keanggotaan

µ(x)

(34)

e. Representasi kurva bentuk lonceng

Untuk merepresentasikan bilangan fuzzy, biasanya digunakan kurva berbentuk lonceng. Kurva berbentuk lonceng ini terbagi atas 3 kelas, yaitu himpunan fuzzy PI, beta dan Gauss. Perbedaan ketiga kurva itu terletak pada gradiennya.

(i) Kurva PI

Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak

pada pusat dengan domain (γ), dan lebar kurva (β).

(ii) Kurva BETA

Seperti halnya kurva PI, kurva BETA juga berbentuk lonceng namun lebih rapat. Kurva ini juga didefenisikan dengan 2 parameter, yaitu

nilai pada domain yang menunjukkan pusat kurva (γ) dan setengah lebar kurva (β).

(iii)Kurva GAUSS

Jika kurva PI dan kurva BETA menggunakan 2 parameter, yaitu (γ) dan (β), kurva GAUSS juga menggunakan (γ) untuk menunjukkan nilai domain pada pusat kurva, dan (k) yang menunjukkan lebar kurva. f. Representasi kurva trapesium

Kurva segitiga pada dasarnya seperti bentuk segitiga, hanya saja ada titik yang memiliki nilai keanggotaan 1.

asi

Gambar 2.8. Representasi kurva trapesium Derajat

Keanggotaa n µ[x]

domain 1

(35)

2.1.4. Operator Dasar Zadeh Untuk Operasi himpunan Fuzzy

Seperti halnya himpunan konvensional, ada beberapa operasi yang didefenisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama fire strength. Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu (Cox dalam Kusumadewi, 1994) :

(1) Operator AND

Operator ini berhubungan dengan operasi interseksi pada himpunan. Fire strength sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan-himpunan yang bersangkutan.

µA∩B= min(µA(x), µB (2) Operator OR

(y))

Opertor ini berhubungan dengan operasi union pada himpunan. Fire strength

sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antarelemen pada himpunan-himpunan yang bersangkutan.

µAUB= max(µA(x), µB (3) Operator NOT

(y))

Operator ini berhubungan dengan operasi komplemen pada himpunan. Fire strength sebagai hasil operasi dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1.

µA’=1- µA (x)

2.2. Database

Database adalah kumpulan dari data yang saling berhubungan satu dengan yang lainnya, tersimpan di perangkat keras komputer dan digunakan perangkat lunak untuk memanipulasinya. Sistem basisdata (Database system) adalah suatu sistem informasi yang mengintegrasikan kumpulan data yang saling berhubungan satu

(36)

dengan yang lainnya dan membuatnya tersedia untuk beberapa aplikasi dalam suatu organisasi (Kusumadewi, 2010).

Gambar 2.9. Pengolahan data menjadi informasi

Database terdiri dari kumpulan tabel-tabel yang saling berhubungan atau terkait. Sedangkan tabel merupakan kumpulan dari field-field yang saling berkaitan. Misalkan kita memiliki data karyawan yang tersimpan pada table DT_KARYAWAN dengan field NIP, nama, tgl_lahir, th_masuk, dan gaji per bulan.

Dengan menggunakan database standar, dapat dicari data-data karyawan dengan spesifikasi tertentu dengan menggunakan query. Misal kita ingin mendapatkan informasi tentang nama-nama karyawan yang usianya kurang dari 35 tahun, maka kita bisa ciptakan suatu query:

SELECT NAMA FROM KARYAWAN WHERE(UMUR<35)

Sehingga muncul nama-nama Lia, Kiki, dan Yoga. Apabila informasi yang diinginkan tentang nama-nama karyawan yang gajinya lebih dari satu juta rupiah, maka bisa diciptakan suatu query:

SELECT NAMA FROM KARYAWAN WHERE (GAJI>1000000)

Sehingga muncul nama-nama Iwan, Sari, Andi, Amir, dan Rian.

Apabila kita ingin mendapatkan informasi tentang nama-nama karywan yang masa kerjanya kurang dari atau sama dengan 5 tahun tetapi gajinya sudah lebih dari 1 juta rupiah, maka kita bisa ciptakan suatu query:

SELECT NAMA

(37)

FROM KARYWAN

WHERE(MASA_KERJA<=5) AND (GAJI >=1000000)

Sehingga muncul nama-nama Andi dan Rian.

Prinsip dari model relasional pertama kali dikenalkan oleh Dr. E.F. Cood pada bulan juni 1970 pada papernya yang berjudul “A Relational Model of Data for Large Shared Data Banks”. Pada papernya tersebut Dr. E.F. Codd mengusulkan model relasional untuk sistem database (Fauzi, 2010).

Database relasional menggunakan relasi atau tabel dua dimensi untuk menyimpan informasi. Sebagai contoh, misal akan disimpan informasi tentang pegawai dalam suatu perusahaan, maka pada database relasional dibuat beberapa tabel untuk meyimpan kumpulan informasi tentang pegawai, misalnya tabel pegawai, tabel departemen dan tabel gaji (Fauzi, 2010).

2.3. Fuzzy Database

Dalam sebuah database biasa, hanya menyimpan data crisp untukndapat memberikan suatu informasi. Namun, karena ketidaktepatan, ketidakjelasan, ketidakpastian, ketidaklengkapan atau ambiguitas suatu data dalam penyajian informasi, maka fuzzy

database dapat digunakan untuk memodelkan ke dalam suatu database.

Database yang umumnya kita gunakan, memiliki data yang lengkap dalam setiap tabelnya. Demikian pula, apabila hendak dibuat suatu query, maka query

itupun harus menggunakan data yang ada pada tabel dan kata-kata kunci yang berlaku di SQL. Apabila ada data yang kurang lengkap, mengandung ketidakpastian dan ambigu, maka penggunaan database biasa menjadi sulit untuk dilakukan. Oleh karena itulah, logika fuzzy dimanfaatkan logika fuzzy untuk mengantisipasi pemanipulasian data dalam database yang mengandung ketidakpastian, baik dari sisi data maupun query-nya (Kusumadewi, 2010).

Database relasional telah terbukti sebagai model yang paling handal dan dipakai pada bermacam aplikasi sistem informasi dengan sukses. Tetapi bagaimanapun juga, sistem database relasional yang diperkenalkan oleh codd (1970) tidak dapat menangani data yang ambigu. Data yang ditangani harus merupakan data yang pasti atau bernilai kosong (null). Padahal sering kali dibutuhkan data yang

(38)

samar dan melibatkan banyak variabel yang tidak pasti sebagai acuan dalam proses pengambilan keputusan.

Untuk pengambilan keputusan berdasarkan data yang ambigu, teknologi atau aplikasi database harus diarahkan tidak hanya mampu menyimpan data mentah saja. Tetapi lebih kepada kemampuan penanganan informasi ambigu yang integral, dimana dimungkinkan interprestasi data ambigu menjadi bagian dari proses pengambilan keputusan. Sebagai contoh, suatu seleksi penerimaan beasiswa mensyaratkan bahwa yang diterima adalah pelajar yang umurnya masih “MUDA” dan memiliki indeks prestasi yang “BAIK”. Maka untuk interprestasi pernyataan tersebut dalam aplikasi sistem database yang ada sekarang ini tidak dapat dilakukan, hal ini karena adanya kerancuan dalam mendefenisikan data yang kategori “MUDA” dan klasifikasi IPK “BAIK”.

Kelemahan dari sistem database ini dapat diatasi dengan melakukan fuzzifikasi database, yaitu dengan mengimplementasikan logika fuzzy ke dalam sistem database.

Basisdata fuzzy model tahani masih tetap menggunakan relasi standar, hanya saja model ini menggunakan teori himpunan fuzzy untuk mendapatkan informasi pada query-nya (Kusumadewi, 2010). Tahani mendeskripsikan suatu metode pemrosesan query Fuzzy dengan didasarkan atas manipulasi bahasa yang dikenal dengan nama SQL. Dengan menggunakan database standar, dapat dicari data dengan spesifikasi tertentu dengan menggunakan query.

Selama ini, sudah ada beberapa penelitian tentang fuzzy database. Salah satu diantaranya adalah model Tahani. Fuzzy database model Tahani masih tetap menggunakan relasi standart, hanya saja model ini mennggunakan teori himpunan

fuzzy untuk mendapatkan informasi pada query-nya. Misalkan dikategorikan usia karyawan diatas kedalam himpunan: MUDA, PAROBAYA, dan TUA.

Tetapi pada kenyataannya seseorang terkadang membutuhkan informasi dari data-data yang bersifat ambiguous. Apabila hal ini terjadi, maka bisa digunakan fuzzy

database. Selama ini sudah ada penelitian tentang fuzzy database, salah satu diantaranya adalah model tahani. Fuzzy database model tahani masih tetap

(39)

menggunakan relasi standar, hanya saja model ini menggunakan teori himpunan

fuzzy untuk mendapatkan informasi pada query-nya.

Tabel 2.1. Data Karyawan berdasarkan umur NIP Nama Umur (th)

Derajat Keanggotaan

MUDA PAROBAYA TUA

01 Lia 30 1 0 0

02 Iwan 48 0 0,4 0,8

03 Sari 36 0,4 0,1 0

04 Andi 37 0,3 0,2 0

05 Budi 42 0 0,7 0,2

06 Amir 39 0,1 0,4 0

07 Rian 37 0,3 0,2 0

08 Kiki 32 0,8 0 0

09 Alda 35 0,5 0 0

10 Yoga 25 1 0 0

2.4. Riset-Riset Terkait

Terdapat beberapa riset yang telah dilakukan oleh banyak peneliti berkaitan dengan seperti yang akan dijelaskan di bawah ini :

Prasetiyowati, M. I., Seta B. A. (2007) dalam makalahnya yang berjudul implementasi fuzzy database untuk memberikan rekomendasi jalur peminatan mahasiswa, menjelaskan pemilihan jalur peminatan mahasiswa pada sebuah perguruan tinggi diperlukan penanganan yang serius. Biasanya mahasiswa akan

(40)

membicarakan penentuan jalur pada dosen pembimbing akademik sebelum mengisi Kartu Rencana Studi (KRS). Dari sistem yang telah diuraikan di atas, maka dibuatlah sebuah sistem informasi dengan model DBMS dan query yang berbasis fuzzy, karena model DBMS konvensional, non fuzzy, kurang dapat memenuhi kebutuhan sistem informasi seperti ini. DBMS dan query fuzzy model tahani dapat dengan tepat memetakan suatu input (fuzzy query) ke output sebagai informasi hasil query.

Kusumadewi, S. (2007) dalam makalahnya yang berjudul sistem fuzzy untuk klasifikasi indikator kesehatan daerah, menjelaskan bahwa pada penelitian tersebut, dibangun sebuah sistem fuzzy yang tujuannya lebih banyak difokuskan pada proses pencarian daerah-daerah berdasarkan nilai indikator kesehatan tertentu. Indikator kesehatan yang digunakan adalah angka kelahiran kasar (CBR), angka kematian kasar (CDR), angka kematian bayi (IMR), angka kematian neonatal (NMR), angka kematian perinatal (PMR), angka kematian balita (FMR), dan angka kematian ibu (MMR). Nilai indikator kesehatan diberikan secara linguistik, seperti rendah, sedang dan tinggi. Setiap bentuk linguistik direpresentasikan dengan menggunakan himpunan fuzzy trapesium, dengan parameter-parameter awal ditetapkan berdasarkan data awal yang telah diperoleh. Proses pencarian didasarkan pada konsep fuzzy

database model tahani.

Akhmad Fauzi Hasibuan (2010) dalam skripsinya yang berjudul penggunaan

fuzzy database dalam rekomendasi pembelian perumahan berbasis sistem pendukung keputusan, bahwa pengembangan atau developer perumahan selaku koordinator

(41)

pelaksana di lapangan perlu diiringi oleh perkembangan teknologi komputer untuk dapat memenuhi kebutuhan para konsumen pembeli perumahan, yang mana konsumen selaku pembeli perumahan umumnya selalu memiliki pertimbangan dan faktor-faktor sebelum mengambil suatu keputusan, sebagai contoh harga, luas tanah, fasilitas-fasilitas atau fitur-fitur yang ada di perumahan tersebut dan faktor-faktor lainnya. Kesamaran dari pertimbangan faktor-faktor konsumen pembeli perumahan tersebut dapat dituangkan ke dalam konsep logika fuzzy. Fuzzy database dapat digunakan untuk menyampaikan informasi dari data yang bersifat ambigu. Fuzzy

database yang digunakan adalah fuzzy database model tahani.

Hafsah, Kaswidjanti, W. and Cili, T. R. (2010) menjelaskan dalam makalahnya yang berjudul aplikasi berbasis web pemilihan obyek pariwisata di Yogyakarta menggunakan metode tahani, bahwa setiap obyek wisata memiliki kelebihan dan kekurangan yang menjadi dasar pertimbangan oleh setiap wisatawan menentukan pilihan obyek pariwisata yang menarik, strategis, nyaman dan sesuai dengan dana, jarak, waktu berkunjung yang diinginkan. Pada aplikasi ini menggunakan tiga variabel fuzzy, yaitu variabel dana, variabel jarak dan variabel waktu berkunjung. Dengan adanya sistem ini diharapkan dapat mempermudah para calon wisatawan dalam memilih obyek wisata menarik, strategis, nyaman atau aman untuk dikunjungi oleh calon wisatawan.

Anggraeni, R., Indarto, W. and Kusumadewi, S. (2004)

Amalia, L., Fananie, Z.B. and Utama, D.N. (2010) menyampaikan hasil makalahnya dalam jurnal yang berjudul Model Fuzzy Tahani Untuk Pemodelan Sistem Pendukung Keputusan (SPK) Kasus Rekomendasi Pembelian Handphone. dalam jurnalnya yang berjudul Sistem Pencarian Kriteria Kelulusan Menggunakan Metode Fuzzy

Tahani, menjelaskan mengenai pengunaan fuzzy database model tahani dalam mencari kriteria kelulusan mahasiswa. Untuk pencarian kriteria ini, variabel yang menjadi dasar pencarian adalah IPK (standar 4 dengan syarat lulus IPK minimal 2.00), lama studi (tahun), umur (tahun), lama penyelesaian tugas akhir (bulan), nilai tugas akhir, nilai kerja praktek, nilai BTAQ dan skor TOEFL. Lulusan sebagai output akhir dari sebuah perguruan tinggi, biasa diberi predikat kelulusan. Dasar dari pemberian predikat adalah indeks prestasi kumulatif (IPK).

(42)

Dalam rancang bangun sistem pendukung keputusan berbasis web ini, menggunakan

fuzzy database tahani dalam melakukan perhitungan solusinya, sebab dapat diambil pertimbangan bahwa hampir semua variabel-variabel yang terdapat pada handphone

bersifat relatif. Batasan-batasan nilai suatu kebenaran dalam logika fuzzy dapat saling bersinggungan, mirip penalaran manusia dalam menilai suatu kebenaran.

Sundani, D. (2008) menjelaskan dalam jurnalnya yang berjudul Perangkat Lunak SPSS Sebagai Alat untuk Analisa Hubungan Kinerja Dosen Dengan Keberhasilan Belajar, bahwa salah satu tujuan organisasi pendidikan adalah tercapainya keberhasilan belajar mengajar. SPSS dalam hal ini digunakan untuk memudahkan analisa. Keberhasilan belajar secara tidak langsung dipengaruhi oleh kinerja seorang dosen. Penelitian ini dilakukan untuk melihat hubungan faktor-faktor dalam kinerja dosen terhadap keberhasilan belajar dan besarnya hubungan tersebut.

Kusumadewi, S. (2004) dalam jurnalnya yang berjudul fuzzzy quantification theory I untuk analisis hubungan antara penilaian kinerja dosen oleh mahasiswa, kehadiran dosen, dan nilai kelulusan mahasiswa, menjelaskan bahwa fuzzzy quantification theory I adalah suatu metode untuk menentukan hubungan antar variabel kualitatif yang diberikan dengan nilai antara 0 sampai 1, dengan variabel-variabel numeris dalam fuzzy group yang diberikan pada sampel. Pada penelitian tersebut, fuzzy quantification theory akan digunakan untuk menentukan seberapa besar faktor-faktor kualitatif penilaian mahasiswa terhadap kinerja dosen jurusan Teknik Informatika Universitas Islam Indonesia, mempengaruhi hubungan antara

(43)

kehadiran dosen dan nilai akhir mahasiswa. Hasil penelitian menunjukkan bahwa faktor kemampuan dosen mendorong mahasiswa untuk berperan aktif, memiliki pengaruh yang paling tinggi diantara faktor-faktor yang lainnya, dalam kaitannya dengan pengaruh antara kehadiran dosen mengajar dengan nilai kelulusan mahasiswa

≥ ‘B’. Pengaruh ini akan sangat kuat apabila kehadiran dosen mengajar lebih dari

sepuluh kali.

Hidayat, N. and Yusro, M., M. (2007) menjelaskan dalam makalahnya yang berjudul desain sistem pakar fuzzy untuk diagnosa kanker prostat, bahwa tidak mungkin dilakukannua diagnosa kanker prostat hanya berdasarkan hasil

ultrasonography (USG) dan pemrosesan image. Sehingga perlu dikembangkan sistem pakar fuzzy berdasarkan aturan yang menggunakan data laborat dan data lainnya, dan disimulasikan dengan dokter ahli kanker prostat. Dengan menggunakan data tersebut dan bantuan dokter ahli, dikembangkan aturan fuzzy untuk mengetahui pentingnya biopsy dan faktor resiko kanker. Sistem pakar yang dikembangkan akan memberikan rasio kemungkinan pasien mengidap kanker prostat. Hasil pengujian menunjukkan bahwa sistem pakar ini lebih rapid, efisien dan ekonomis dibandingkan sistem diagnosis tradisional.

Hasiholan, L. and Sudradjat (2008) dalam makalahnya yang berjudul evaluasi kinerja karyawan menggunakan metode pemrograman linier fuzzy, menjelaskan bahwa pengukuran kinerja karyawan sampai saat ini diukur dengan memperhatikan faktor-faktor yang bersifat tegas saja, seperti tingkat pendidikan, lama bekerja, sedangkan faktor-faktor yang sifatnya fuzzy terkadang terabaikan. Dalam jurnal ini akan dibahas suatu metode penilaian kinerja karyawan dengan faktor-faktor fuzzy

(44)

Lukas, S., Meiliayana, and Simson, W. (2009) dalam makalahnya yang berjudul penerapan logika fuzzy dalam pengambilan keputusan untuk jalur peminatan mahasiswa, menjelaskan bahwa pengetahuan untuk pemilihan peminatan belajar sesungguhnya ada pada ketua jurusan atau pada dosen wali. Akan tetapi pengetahuan ini tidak diketahui mahasiswa dengan baik. Akibatnya ada kemungkinan mahasiswa tidak memilih peminatannya dengan baik. Untuk keperluan itu, makalah ini membahas bagaimana suatu sistem berbasiskan logika fuzzy dapat diimplementasikan untuk membantu mahasiswa dalam mengambil keputusan bidang peminatannya dengan baik.

Setyawan, S. H. (2009) dalam makalahnya yang berjudul penerapan logika

fuzzy untuk memperbaiki penyusunan ranking wilayah miskin, menjelaskan bahwa untuk menyusun ranking wilayah miskin yang berhak mendapatkan bantuan pada program tertentu, maka dihitung jumlah terbanyak untuk kategori-kategori di atas. Pada saat ini, proses penyusunan ranking dilakukan dengan metode klasik (crisp). Pada penelitian ini, digunakan metode fuzzy untuk memperbaiki penyusunan ranking wilayah miskin.

Suhendar (2008) dalam makalahnya yang berjudul penyajian informasi temporal menggunakan metode fuzzy system pada mesin database spasial, menjelaskan pendekatan fuzzy system yang diimplementasikan ke dalam sistem berbasis komputer diharapkan akan mampu membantu menyelesaikan dan mengatasi permasalahan tersebut dalam cara yang berbeda tetapi mudah dipahami. Hasil penelitian menunjukkan bahwa model sistem yang dikembangkan menggunakan pendekatan fuzzy mampu menganalisa dan menyajikan informasi aktual profil pendidikan di kota bekasi. Prototipe sistem yang dikembangkan dapat memudahkan untuk melakukan pemanipulasian data serta penelusuran informasi, didukung oleh basis data fuzzy dan informasi spasial, sistem yang dikembangkan dapat dimanfaatkan sebagai alat bantu untuk menyederhanakan proses pengambilan keputusan berbasis data fuzzy menggunakan metode fuzzy system pada mesin

database spasial berbasis bahasa pemrograman delphi, melalui sistem ini para pengambil kebijakan difasilitasi sehingga dengan mudah dapat menentukan, merubah dan menambah aturan-aturan sebagai bentuk rekomendasi yang harus dilakukan

(45)

dalam rangka perencanaan dan pengembangan pengelolaan pendidikan dalm bentuk informasi temporal (per tahun ajaran) dan spasial (peta lokasi masing-masing sekolah). Melalui sistem ini, informasi akan selalu mengalami perubahan secara otomatis setiap periode tahun tertentu sesuai dengan entri data, situasi dan kondisi masing-masing sekolah.

Kusumadewi, S. (2007) dalam makalahnya yang berjudul basisdata fuzzy

Mishra, J. (2011) dalam jurnalnya yang berjudul fuzzy query processing, menjelaskan bahwa kita sering sekali membutuhkan data yang bersifat samar. Sebagai contoh, untuk mencari siswa yang usianya sekitar tujuh belas tahun, mencari tinggi seseorang, mencari karyawan yang memiliki gaji tinggi. Untuk itulah beliau mengembangkan sebuah algoritma yang dapat diaplikasikan secara umum untuk berbagai jenis database. Pada jurnal ini, pertama sekali beliau merancang arsitektur untuk menguji fuzzy query. Pada arsitektur ini, digunakan sebuah algoritma untuk menentukan nilai keanggotaan dari masing tuple dari relasi dasar pada atribut fuzzy

yang mana fuzzy query dibuat. Selanjutnya pembuat keputusan akan mensuplai nilai awal yang berhubungan dengan SQL dari pemberian fuzzy query yang akan diumumkan. SQL akan memperbaiki hasil tuple dari database. Akhirnya beliau menguji algoritma beliau pada kehidupan nyata.

Hossain, M. A., Aburrous, M., Thabatah, F. and Dahal, K. (2008) dalam jurnalnya yang berjudul Intelligent quality performance assessment for E-Banking security using fuzzy logic, menjelaskan bahwa evaluasi situs E-Banking merupakan masalah yang kompleks dan dinamis, yang menyertakan banyak faktor, termasuk penaksiran yang samar. Logika fuzzy merupakan model yang efektif digunakan mentaksir dan mengevaluasi keamanan dari kinerja dan kualitas E-Banking. Pada

(46)

jurnal ini, mereka mengusulkan sebuah model penaksiran kinerja yang cerdas untuk mengevaluasi keamanan website E-Banking. Model yang diusalkan didasarkan pada operator logika fuzzy dan menghasilkan empat tolak ukur dimensi resiko serangan keamanan. Hasil eksperimen mereka menunjukkan adanya resiko serangkan langsung dari internal yang berdampak sangat besar pada kinerja keamanan E-Banking.

Johanyak, Z. C. (2010) dalam makalahnya yang berjudul survey on three fuzzy inference-based student evaluation methods, menjelaskan bahwa dalam mengevaluasi kinerja akademik siswa ditemukan masalah dalam menilai hasil evaluasi. Oleh karena itu, diperlukan himpunan fuzzy sebagai dasar metode evaluasi. Pada jurnal ini setelah menentukan himpunan kriteria untuk evaluasi dan perbandingan, selanjutnya beliau melakukan survei pada tiga fuzzy inference sebagai dasar metode penilaian siswa.

Ghumman, W. A. and Hernandez, S. M. (2010) dalam jurnalnya yang berjudul formalization for natural language fuzzy queries and crisp multi-criteria queries memberikan sebuah formula untuk memproses bahasa alami fuzzy query dan untuk mengembalikan hasil fuzzy untuk kriteria query yang tegas. Formula mereka sangat umum dapat diistimewakan untuk implementasi platform database yang beragam, sebagai contoh fuzzy web search, sistem informasi pendukung data fuzzy

dan yang lainnya. Pendekatan mereka hanya membuat penulisan fuzzy query yang lebih sederhana dan lebih mudah dibandingkan penulisan query konvensional tetapi juga pendekatan kepada manusia seperti berpikir hingga menjadi fuzzy alami. Kami juga melengkapi operasi semantik untuk proses fuzzy query yang dapat diikuti untuk berbagai jenis data seperti numerik, text, grafik dan yang lain. Pendekatan mereka mendukung proses fuzzy query untuk data fuzzy maupun untuk data yang hilang. Oleh karena itu untuk mendapatkan hasil query yang lebih dekat kepada cari berpikir manusia, sangat memungkinkan. Ini merupakan model yang bernilai yang akan menghasilkan sebuah keterangan atau informasi seperti yang manusia hasilkan.

(47)

2.5. Kontribusi Riset

Penelitian ini memberikan kontribusi pada pemahaman kita tentang hubungan data motivasi dosen, perencanaan perkuliahan dan pelaksanaan perkuliahan dengan data nilai akademik mahasiswa untuk memperoleh tingkat keberhasilan dosen mengajar. Informasi tingkat keberhasilan dosen mengajar dapat meningkatkan kualitas proses belajar mengajar, sehingga mampu meningkatkan nilai akademik mahasiswa.Ada hal lain yang mungkin dianggap penting adalah kemampuan mahasiswa dalam menyerap ilmu dari dosen. Hal ini sangat membantu untuk meningkatkan nilai tingkat keberhasilan dosen mengajar.

Penelitian ini memperkenalkan aplikasi yang mampu untuk menentukan tingkat keberhasilan dosen mengajar dengan menggunakan aturan (rule) yang dihasilkan dari penerapan logika fuzzy dan fuzzy database tahani.

(48)

BAB III

METODOLOGI PENELITIAN

3.1. Pendahuluan

Dalam studi pendahuluan, yang menjadi sasaran pokok adalah melihat bagaimana variabel-variabel yang akan dipelajari. Pada obyek penelitian, variabel-variabel tersebut dipelajari melalui dokumentasi yang ada, selanjutnya sekaligus dipilih sampel studi.

Tujuan dari tesis ini adalah untuk melakukan analisis tingkat keberhasilan dosen mengajar dengan menggunakan fuzzy database tahani untuk meningkatkan

kualitas mengajar dosen yang lebih baik dengan menyediakan sampel nilai

akademik mahasiswa berupa kartu hasil studi mahasiswa yang dapat digunakan sebagai pedoman analisis dalam pembuatan keputusan. Data nilai akademik mahasiswa diperoleh dari database pendidikan akademik dan mensurvei dosen yang mengajar pada mahasiswa yang disurvei pada Akademi Manajemen Informatika Komputer (AMIK) Tunas Bangsa Pematangsiantar.

Selain sampel nilai akademik mahasiswa, diperlukan juga kuesioner dosen yang berisi penilaian dosen mengenai motivasi dosen, perencanaan perkuliahan dan pelaksanaan perkuliahan. Data kuesioner ini diisi oleh mahasiswa yang diajar oleh dosen yang akan dinilai.

3.2. Lokasi dan Waktu Penelitian

Penelitian dilakukan di Akademi Manajemen Informatika Komputer ( AMIK ) Tunas Bangsa, Jl. Jendral Sudirman Blok A No. 1,2,3 Pematangsiantar. Lamanya waktu yang dibutuhkan untuk menyelesaikan penelitian ini yaitu selama 3 bulan yang dimulai pada awal februari 2011 sampai dengan akhir bulan April 2011.

3.3. Rancangan Penelitian

Rancangan penelitian ini pertama kali dilakukan dengan melakukan pengamatan

(49)

nilai serta data kuesioner keberhasilan mengajar dosen. Hasil pengamatan kemudian dibuat skenario-skenario yang mendukung, yaitu menghitung nilai kuesioner keberhasilan mengajar dosen. Data-data yang sudah diolah merupakan data input. Selanjutnya data-data input diproses dengan menggunakan metode fuzzy database

model tahani untuk menghasilkan fire strength dari keberhasilan mengajar dosen. Dari fire strength dapat ditentukan nilai keberhasilan dosen mengajar melalui aturan-aturan (rule) yang telah ditentukan. Hasil dari eksperimen data ini merupakan pengembangan dari ilmu pengetahuan yang nantinya dapat merupakan musukan bagi pemecahan masalah yang ada di lembaga pendidikan, dalam hal ini di Akademi Manajemen Informatika Komputer (AMIK) Tunas Bangsa Pematangsiantar.

3.4. Pelaksanaan Penelitian

Pada pelaksanaan penelitian ini terdiri dua kegiatan. Kegiatan-kegiatan yang terdapat dalam penelitian, yaitu pengumpulan data dan analisa data.

3.4.1.Pengumpulan Data

Dalam studi kasus ini, untuk data set pertama, penulis mengumpulkan data dari database pendidikan AMIK Tunas Bangsa Pematangsiantar, yaitu nilai akademik mahasiswa dan data set kedua penulis adalah menyurvei dosen tentang motivasi, persiapan perkuliahan dan pelaksanaan perkuliahan dosen dengan menggunakan kuesoner tertulis yang diisi oleh mahasiswa.

Untuk dataset kedua, penulis menyajikan 15 (lima belas) pertanyaan yang menyangkut motivasi dosen, persiapan dosen, dan pelaksanaan perkuliahan, yang dinilai oleh mahasiswa yang diampu oleh dosen yang bersangkutan. Pertanyaan pertanyaan yang dibuat adalah tipe skala point linker 5, yaitu sangat tidak setuju, tidak setuju, kurang setuju, setuju dan sangat setuju.

3.4.2.Analisa Data

Setelah tahap pengumpulan data, tahap penelitian selanjutnya adalah analisa data. Data-data maupun informasi yang telah diperoleh, selanjutnya dianalisa. Data nilai mahasiswa dianalisa hingga didapat nilai mahasiswa per matakuliah dan per dosen.

(50)

Data kuesioner penilaian dosen dianalisa sehingga didapat nilai dari kuesioner tersebut. Kuesioner dibuat menggunakan skala Likert dalam jumlah sebanyak lima kategori berupa pernyataan sangat tidak setuju, tidak setuju, kurang setuju, setuju dan sangat setuju. Faktor kinerja dosen yang diamati adalah motivasi dosen, perencanaan perkuliahan dan pelaksanaan perkuliahan.

Selanjutnya data-data tersebut diolah dengan menggunakan logika fuzzy, hasil pengolahan logika fuzzy, disimpan ke dalam database tahani.

3.5. Instrumen Penelitian

Dalam penelitian ini, penulis menggunakan beberapa instrumen penelitian. Instrumen penelitian yang digunakan pada penelitian ini adalah Borland Delphi 6.0, SQL Server 2000 dan Microsoft Visio 2003.

3.5.1.Borland Delphi 6.0

Borland Delphi adalah bahasa pemprograman berbasis Object Pascal yang bekerja dalam lingkup MS-Windows. Bahasa ini mempunyai kemampuan yang optimal, yaitu dapat dipakai untuk merancang program aplikasi yang berpenampilan seperti program aplikasi lainnya yang berbasis MS-Windows (Pranata, A., 2002).

Borland Delphi versi 6.0 digunakan penulis untuk membangun aplikasi tingkat keberhasilan dosen mengajar.

3.5.2.SQL Server 2000

SQL Server 2000 merupakan aplikasi database produk Microsoft. Bahasa query utamanya adalah transact SQL yang merupakan implementasi dari SQL standar ANSI/ISO yang digunakan Microsoft dan Sybase. Umumnya SQL Server digunakan di dunia bisnis yang memiliki basis data berskala kesil sampai dengan menengah, tetapi kemudian berkembang dengan digunakannya SQL Server pada basis data besar.

Fitur yang lain dari SQL Server ini adalah kemampuannya untuk membuat basis data mirroring dan clustering. Aplikasi SQL Server 2000 digunakan oleh

(51)

penulis untuk membangun database dengan menggunakan konsep fuzzy database tahani.

3.5.3.Microsoft Visio 2003

Microsoft visio adalah salah satu program yang dapat digunakan untuk membuat diagram. Visio menyediakan banyak fasilitas yang membantu dalam pembuatan diagram untuk menggambarkan informasi dan sistem dari penjelasan dalam bentuk teks menjadi suatu diagram dalam bentuk gambar disertai penjelasan singkat. Visio dapat menghasilkan suatu diagram mulai dari yang sederhana hingga diagram yang lebih kompleks.

Penulis menggunakan Microsoft Access 2003 untuk membuat flowchart dari sistem yang dirancang penulis.

3.6. Perancangan Algoritma Analisis Tingkat Keberhasilan Dosen Mengajar

Algoritma merupakan langkah-langkah yang logis, yang dilakukan untuk memecahkan suatu masalah. Algoritma dapat disajikan dengan beberapa bentuk, misalnya flowchart, pseudocode dan bahasa algoritma. Pada penelitian ini, penulisan membuat algoritma analisis tingkat keberhasilan dosen mengajar dengan menggunakan flowchart.

Int : NilaiMhs, NilaiKue

Float : SBN, BN, CN, BAN, SBAN, SBD, BD, CD, BAD, SBAD, MaxD, MaxN

NilaiMhs, NilaiKue Start

(52)

yes no

yes

Yes

NilaiKue ≤ 10 SBD = 1

NilaiKue ≥ 25 _{SBD = 0}

NilaiKue > 10 &

NilaiKue < 25 SBD = (25-NilaiKue)/(25-10)

NilaiKue ≤ 10 ||

NilaiKue ≥ 40 BD = 0

NilaiKue ≥ 11 ||

NilaiKue ≤ 25 BD = (NilaiKue-10)/(25-10)

NilaiKue > 25 ||

NilaiKue < 40 BD = (40-NilaiKue)/(40-10)

B A

(53)

Yes

Yes No

NilaiKue ≤ 25 ||

NilaiKue ≥ 55 CD = 0

NilaiKue ≤ 40 ||

NilaiKue ≥ 70 BAD = 0

NilaiKue > 25 ||

NilaiKue ≤ 40 CD = (NilaiKue-25)/(40-25)

NilaiKue > 40 ||

NilaiKue < 55 CD = (55-NilaiKue)/(55-40)

NilaiKue > 40 ||

NilaiKue ≤ 55 BAD = (NilaiKue-40)/(55-40) B

(54)

Yes

yes no

yes

No NilaiKue ≤ 55

SBAD = 0

NilaiKue ≥ 70

SBAD = 1 NilaiKue > 55 ||

NilaiKue < 70

BAD = (70-NilaiKue)/(70-55)

NilaiKue > 55 ||

NilaiKue < 70 SBAD = (NilaiKue-55)/(70-55)

SBN = 1

NilaiMhs ≥ 40 _{SBN = 0} NilaiMhs ≤ 25

(55)

yes

yes no

yes

yes No

NilaiMhs > 25 &

NilaiMhs < 40 SBN = (40-NilaiMhs)/(40-25)

NilaiMhs ≤ 25 ||

NilaiMhs ≥ 55 BN = 0

NilaiMhs ≥ 26 ||

NilaiMhs ≤ 40 BN = (NilaiMhs-25)/(40-25)

NilaiMhs > 40 ||

NilaiMhs < 55 BN = (55-NilaiMhs)/(55-40)

NilaiMhs ≤ 40 ||

NilaiMhs ≥ 70 CN = 0

(56)

yes no

yes

Yes

NilaiMhs > 40 ||

NilaiMhs ≤ 56 CN = (NilaiMhs-40)/(55-40)

NilaiMhs > 55 ||

NilaiMhs < 70 CN = (70-NilaiMhs)/(70-55)

NilaiMhs ≤ 55 ||

NilaiMhs ≥ 85 BAN = 0

NilaiMhs > 55 ||

NilaiMhs ≤ 70 BAN = (NilaiMhs-55)/(70-55)

NilaiMhs > 70 ||

NilaiMhs < 85 BAN = (85-NilaiMhs)/(85-70) E

(57)

yes no

yes

NilaiMhs ≤ 70

SBAN = 0

NilaiMhs ≥ 85

SBAN = 1

NilaiMhs > 70 ||

NilaiMhs < 85 SBAN = (NilaiMhs-70)/(85-70) F

(58)

no no no

yes yes yes

no no

no yes no yes yes

yes no no

yes yes no

yes

no no

yes yes yes

no no

no yes no yes yes

yes no no

yes yes no

yes

BD > CD

SBD > BD CD > BAD

BAD > SBAD SBD > CD

SBD > BAD

SBD > SBAD

MaxD = SBD

BD > BAD

BD > SBAD

MaxD = BD

CD > SBAD

MaxD = CD

MaxD = BAD

MaxD = SBAD

BN > CN

SBN > BN CN > BAN

BAN > SBAN SBN > CN

SBN > BAN

SBN > SBAN

MaxN = SBN

BN > BAN

BN > SBAN

MaxN = BN

CN > SBAN

MaxN = CN

MaxN = BAN

MaxN = SBAN

G H I J K L M

(59)

yes

Gambar 3.1. Perancangan Algoritma Analisa Tingkat Keberhasilan Dosen Mengajar

End MaxN > MaxD

Min = MaxD

Min = MaxN

Min Q

(60)

BAB IV

HASIL DAN PEMBAHASAN

4.1. Pendahuluan

Bab ini menyajikan hasil penelitian sesuai dengan pertanyaan-pertanyaan yang diajukan pada permulaan. Penelitian dilaksanakan pada dua data set model. Untuk pertama, penulis menggunakan dataset nilai akademik yang diambil dari database Akademi Manajemen Informatika Komputer (AMIK) Tunas Bangsa Pematangsiantar. Data set berupa nilai huruf mata kuliah.

Data yang kedua penulis menggunakan data set kuesioner yang menilai motivasi dosen, persiapan mengajar dosen dan pelaksanaan perkuliahan. Kumpulan data yang diperoleh digunakan sebagai contoh sumber input untuk melakukan analisa dengan menggunakan fuzzy database tahani.

4.2. Analisis Tingkat Keberhasilan Dosen Mengajar Dengan Model Database Standar

Pada AMIK Tunas Bangsa dalam menghitung tingkat keberhasilan dosen mengajar, masih menggunakan database standar. Sehingga hasil perhitungan dan penilaian tingkat keberhasilan dosen mengajar bersifat crisp (tegas). Tabel yang digunakan dalam menganalisis tingkat keberhasilan dosen mengajar adalalah tabel mahasiswa, tabel dosen, tabel mataKuliah, tabel nilaiMahasiswa dan tabel nilaiKeberhasilan. Tabel nilaiKeberhasilan ini berisi nilai keberhasilan dosen dalam mengajar suatu matakuliah dalam sebuah kelas. Jika dalam satu kelas untuk sebuah matakuliah, mahasiswa yang memperoleh nilai A dan B lebih dari atau sama dengan 60%, maka dosen yang mengajar matakuliah tersebut mendapatkan nilai berhasil untuk kelas tersebut.

(1)

c. Jendela Rule

Jendela ini untuk menentukan aturan (rule) yang dikombinasikan dengan operator AND, yaitu dengan mengambil nilai keanggotaan terkecil antarelemen pada himpunan-himpunan yang bersangkutan. Fire Strength merupakan hasil yang diperoleh dari halaman ini.

(2)

BAB V

KESIMPULAN DAN SARAN 5.1. KESIMPULAN

Tesis ini menghasilkan beberapa kesimpulan sebagai berikut :

1. Diperoleh suatu model yang dapat memperlihatkan aturan keterhubungan antara motivasi dosen, persiapan mengajar dosen dan pelaksanaan perkuliahan dengan nilai mahasiswa.

2. Dalam studi kasus pada Akademi Manajemen Informatika Komputer (AMIK) Tunas Bangsa Pematangsiantar bahwa sebagian besar dosen memperoleh predikat tingkat keberhasilan dosen mengajar buruk, apabila nilai mahasiswa yang diampunya pada satu matakuliah bernilai buruk juga Mahasiswa memperoleh nilai buruk, juga memiliki korelasi dengan motivasi dosen, persiapan mengajar dosen dan pelaksanaan perkuliahan.

3. Database fuzzy tahani membantu dalam mendeskripsikan suatu metode pemrosesan query Fuzzy dengan didasarkan atas manipulasi bahasa yang dikenal dengan nama SQL. Dengan menggunakan database standar, dapat dicari data dengan spesifikasi tertentu dengan menggunakan query.

4. Penelitian ini telah menunjukkan korelasi variabel kemampuan dosen dengan variabel nilai mahasiswa, dalam menentukan tingkat keberhasilan dosen mengajar.

5.2. SARAN

Saran penulis terhadap tesis ini adalah sebagai berikut :

1. Dalam perkembangannya, penelitian ini dapat dikembangkan dengan menggunakan metode database fuzzy yang lain, seperti umano.

(3)

2. Untuk menganalisa kebenaran pendekatan model aturan (rule) yang telah di dapat, dapat memberikan rekomendasi kepada perguruan tinggi lain yang membidangi akademik untuk menguji kebenaran pendekatan aturan yang di miliki dengan kemampuan dosen harus mengacu kepada kurikulum berbasis kompetensi.

3. Dari pendekatan model aturan yang di dapat, perlu menjadi perhatian khusus bagi manajemen AMIK Tunas Bangsa Pematangsiantar untuk melihat dan mengambil keputusan variable mana yang harus diperhatikan untuk mendukung peningkatan tingkat keberhasilan dosen mengajar agar mendapatkan predikat sangat baik, sehingga mahasiswa yang dihasilkan juga lebih berkualitas dan lebih mampu bersaing.

(4)

DAFTAR KEPUSTAKAAN

Akhmad Fauzi Hasibuan. 2010. Penggunaan Fuzzy Database Dalam Rekomendasi Pembelian Perumahan Berbasis Siste Pendukung Keputusan. Skripsi Departemen Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.

Anggraeni, R., Indarto, W. and Kusumadewi, S. 2004. Sistem Pencarian Kriteria Kelulusan Menggunakan Metode Fuzzy Tahani. Media Informatika, Volume 2. No 2.

Amalia, L., Fananie, Z.B. and Utama, D.N. 2010. Model Fuzzy Tahani Untuk Pemodelan Sistem Pendukung Keputusan (SPK). Seminar Nasional Aplikasi Teknologi Informasi 2010.

Dewi Novia Nursa. 2010. Implementasi Pangkalan Data Fuzzy model Tahani Pada Perekomendasian Pembelian Mobil. Skripsi Program Studi S1 Ilmu Komputer Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.

Eliyani, Pujianto, U. and Rosyadi, D. 2009. Decision Support System Untuk Pembelian Mobil Menggunakan Fuzzy Database Model Tahani. Seminar Nasional Aplikasi Teknologi Informasi 2009.

Ghumman, W. A. and Hernandez, S. M. 2010. Formalization for Natural Language Fuzzy Queries and Crisp Multi-Criteria Queries. Journal of Recent Advances in Artificial Intelligence, Knowledge Engineering and Databases.

Hasiholan, L. and Sudradjat, 2008. Evaluasi Kinerja Karyawan Menggunakan Metode Pemrograman Linier Fuzzy. Seminar Nasional Matematika 2008. Hafsah, Kaswidjanti, W. and Cili, T. R. 2010. Aplikasi Berbasis Web Pemilihan

Obyek Pariwisata Di Yogyakarta Menggunakan Metode Tahani. Seminar Nasonal Informatika 2010.

Hidayat, H. and Yusro, M., M. 2007. Desain Sistem Pakar Fuzzy Untuk Diagnosis Kanker Prostat. Seminar Nasional Teknologi 2007.

Hossain, M. A., Aburrous, M., Thabatah, F. and Dahal, K. 2008. Intelligent Quality Performance Assessment for E-Banking Security using Fuzzy Logic. Fifth International Conference on Information Technology : New Generations. IEEE Computer Society.

(5)

Johanyak, Z. C. 2010. Survey on Three Fuzzy Inference-based Student Evaluation Methods. 10th International Symposium of Hungarian researches on Computational Intelligence and Informatics.

Kusumadewi, S. and Purnomo, H. 2010. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Graha Ilmu. Yogyakarta.

Kusumadewi, S. 2004. Fuzzy Quantification Theory I Untuk Analisis Hubungan Antara penilaian Kinerja Dosen Oleh Mahasiswa, Kehadiran Dosen dan Nilai Kelulusan Mahasiswa. Media Informatika. Volume 2. No 1.

Kusumadewi, S. 2007. Sistem Fuzzy Untuk Klasifikasi Indikator Kesehatan Daerah. Seminar TEKNOIN 2007.

Kusumadewi, S. 2007. Basisdata Fuzzy Untuk Pemilihan Bahan Pangan Berdasarkan Kandungan Nutrien. Seminar Nasional Riset Teknologi Informasi (SRITI) 2007.

Lukas, S., Meiliayana, and Simson, W. 2009. Penerapan Logika Fuzzy Dalam Pengambilan Keputusan Untuk Jalur Peminatan Mahasiswa. Konferensi Nasional Sistem dan Informatika 2009.

Mardia. 2010. Sistem pendukung Keputusan Menggunakan Basis Data Fuzzy Model Tahani Untuk Membantu Pemilihan Telepon Seluler. Skripsi Jurusan Teknik Informatika Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia.

Mishra, J. 2011. Fuzzy Query Processing. International Journal of Research and Reviews in Next Generation Networks. Vol. 1, No. 1.

Pranata, A. 2002. Pemprograman Borland Delphi 6 Edisi 4, Penerbit Andi Yogyakarta.

Prasetiyowati, M. I. and Seta, B. A. 2007. Implementasi Fuzzy Database Untuk Memberikan Rekomendasi Jalur Peminatan Mahasiswa. Seminar Nasional Sistem dan Informatika 2007.

Setyawan, S. H. 2009. Penerapan Logika Fuzzy Untuk Memperbaiki Penyusunan Ranking Wilayah Miskin. Konfrensi Nasional sistem dan Informatika 2009. Suhendar. 2008. Penyajian Informasi Temporal Menggunakan Metode Fuzzy System

Pada Mesin Database Spasial. Seminar Nasional Informatika 2008.

Sundani, D. 2008. Perangkat Lunak SPSS Sebagai Alat Untuk Analisa Hubungan Kinerja Dosen Dengan Keberhasilan Belajar. Jurnal Informatika Komputer. No 3. Volume 13.

(6)

Wulandari F. 2005. Pembuatan Sistem Pendukung Keputusan Berbasis Teori Fuzzy Untuk Mengembangkan Suatu Produk Baru. Jurnal Sains, Teknologi dan Industri. Vol. 2 : No. 2.

Zadrozny, S. and Kacprzyk, J. 2009. Issue in The Practical Use of The OWA Operators in Fuzzy Querying. J Intell Inf Syst. 33:307-325.

Analisis Pengembangan Model Tingkat Keberhasilan Dosen Mengajar Dengan Menggunakan Fuzzy Database Tahani

ANALISIS PENGEMBANGAN MODEL TINGKAT

KEBERHASILAN DOSEN MENGAJAR

DENGAN MENGGUNAKAN FUZZY

DATABASE TAHANI

TESIS

ANALISIS PENGEMBANGAN MODEL TINGKAT

KEBERHASILAN DOSEN MENGAJAR

DENGAN MENGGUNAKAN FUZZY

DATABASE TAHANI

TESIS

Diajukan sebagai salah satu syarat untuk memperoleh gelar

Magister Komputer dalam Program Studi Magister

Teknik Informatika pada Program Pascasarjana

Fakultas MIPA Universitas Sumatera Utara

PENGESAHAN TESIS

ANALISIS PENGEMBANGAN MODEL TINGKAT

KEBERHASILAN DOSEN MENGAJAR

DENGAN MENGGUNAKAN FUZZY

DATABASE TAHANI

TESIS

PERNYATAAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

RIWAYAT HIDUP

DATA PRIBADI

DATA PENDIDIKAN

KATA PENGANTAR

ANALISIS PENGEMBANGAN MODEL TINGKAT

KEBERHASILAN DOSEN MENGAJAR

DENGAN MENGGUNAKAN FUZZY

DATABASE TAHANI

ABSTRAK

ANALYSIS OF MODEL IMPROVEMENT FOR

THE ACCOMPLISHMENT OF A LECTURER

USING FUZZY DATABASE TAHANI

ABSTRACT

ANALISIS PENGEMBANGAN MODEL TINGKAT

KEBERHASILAN DOSEN MENGAJAR

DENGAN MENGGUNAKAN FUZZY

DATABASE TAHANI

ABSTRAK

ANALYSIS OF MODEL IMPROVEMENT FOR

THE ACCOMPLISHMENT OF A LECTURER

USING FUZZY DATABASE TAHANI

ABSTRACT

Parts

Dokumen yang terkait

Penggunaan Fuzzy Query Database Untuk Pengembangan Model Evaluasi Umpan Balik Terhadap Kinerja Dosen

PENERAPAN APLIKASI FUZZY DATABASE TAHANI SEBAGAI REKOMENDASI PEMILIHAN PRODUK HANDPHONE DI SEGARA CELL.

PENERAPAN METODE FUZZY DATABASE MODEL TAHANI UNTUK PENCARIAN TEMPAT KOS BERBASIS WEB - repositoryUPI S KOM 1002389 Title

Sistem Pendukung Keputusan Pemilihan Produk Simpanan Bank Berbasis Mobile Menggunakan Fuzzy Database Model Tahani

Perancangan Aplikasi Rekomendasi Pemilihan Lokasi Rumah dengan Memanfaatkan Fuzzy Database Metode Tahani

RANCANG BANGUN APLIKASI REKOMENDASI PEMBELIAN LAPTOP DENGAN METODE FUZZY DATABASE MODEL TAHANI BERBASIS WEB

KLASIFIKASI ALUMNI DENGAN METODE FUZZY MODEL TAHANI DI SMA NEGERI 5 SURAKARTA

Implementasi Fuzzy Database Model Tahani untuk Pembelian Rumah Perumnas

5.Fuzzy database Tahani.ppt

BAB II. KAJIAN PUSTAKA A. Database Fuzzy 1. Database Fuzzy Model Tahani - BAB II MOH AYA SOFIA TI'15

Dokumen yang Anda mencari sudah siap untuk unduhkan