Penggunaan Fuzzy Query Database Untuk Pengembangan Model Evaluasi Umpan Balik Terhadap Kinerja Dosen
PENGGUNAAN FUZZY QUERY DATABASE UNTUK
PENGEMBANGAN MODEL EVALUASI UMPAN
BALIK TERHADAP KINERJA DOSEN
TESIS
Oleh
PONINGSIH
097038011/TIF
PROGRAM MAGISTER (S2) TEKNIK INFORMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
(2)
PENGGUNAAN FUZZY QUERY DATABASE UNTUK
PENGEMBANGAN MODEL EVALUASI UMPAN
BALIK TERHADAP KINERJA DOSEN
TESIS
Oleh
PONINGSIH
097038011/TIF
PROGRAM MAGISTER (S2) TEKNIK INFORMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
(3)
PENGGUNAAN FUZZY QUERY DATABASE UNTUK PENGEMBANGAN
MODEL EVALUASI UMPAN BALIK TERHADAP KINERJA DOSEN
TESIS
Oleh
PONINGSIH
097038011/TINF
PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA MEDAN
(4)
PENGGUNAAN FUZZY QUERY DATABASE UNTUK PENGEMBANGAN
MODEL EVALUASI UMPAN BALIK TERHADAP KINERJA DOSEN
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 PONINGSIH 097038011/TINF
PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA MEDAN
(5)
PENGESAHAN TESIS
Judul Tesis : PENGGUNAAN FUZZY QUERY DATABASE UNTUK PENGEMBANGAN MODEL EVALUASI UMPAN BALIK TERHADAP KINERJA DOSEN
Nama Mahasiswa : PONINGSIH Nomor Induk Mahasiswa : 097038011
Program Studi : Magister Teknik Informatika
Fakultas : Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara
Menyetujui
Komisi Pembimbing
Amer Sharef, S.Si, M.Kom
Anggota Ketua
Prof. Dr. Muhammad Zarlis
Ketua Program Studi, Dekan,
Prof. Dr. Muhammad Zarlis
NIP: 195707011986011003 NIP: 19631026 199103 1 001 Dr. Sutarman, M.Sc
(6)
PERNYATAAN ORISINALITAS
PENGGUNAAN FUZZY QUERY DATABASE UNTUK PENGEMBANGAN
MODEL EVALUASI UMPAN
BALIK TERHADAP KINERJA DOSEN
TESIS
Dengan ini saya nyatakan bahwa saya mengakui semua karya tesis ini adalah hasil kerja saya sendiri kecuali kutipan dan ringkasan yang tiap bagiannya telah di jelaskan sumbernya dengan benar.
Medan, 11 Juli 2011
PONINGSIH. NIM : 097038011
(7)
PERNYATAAN PERSETUJUAN PUBLIKASI
KARYA ILMIAH UNTUK KEPENTINGAN
AKADEMIS
Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan di bawah ini:
Nama : PONINGSIH
Nim : 097038011
Program Studi : Magister ( S2) 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:
(8)
PENGGUNAAN FUZZY QUERY DATABASE UNTUK PENGEMBANGAN
MODEL EVALUASI UMPAN BALIK TERHADAP KINERJA DOSEN
Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non-Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan Tesis 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, 11 Juli 2011
PONINGSIH NIM : 097038011
(9)
Telah diuji pada
Tanggal : 11 Juli 2011
PANITIA PENGUJI TESIS
Ketua : Prof. Dr. Muhammad Zarlis
Anggota : 1. Prof. Dr. Herman Mawengkang
2. Dr. Zakarias Situmorang
3. M. Andri Budiman, ST, M. Comp. Sc, M.EM
(10)
RIWAYAT HIDUP
DATA PRIBADI
Nama lengkap berikut gelar : Poningsih, S.Kom
Tempat dan Tanggal Lahir : Tanjung Selamat, 4 Juni 1981
Alamat Rumah : Jl. Bola Kaki Gg. Setia Kawan No. 99A
Telepon / HP : +6281264775344
Instansi Tempat Bekerja : AMIK Tunas Bangsa
Alamat Kantor : Jl. Jendral Sudirman Blok A No. 1,2,3 Pematangsiantar
Telepon : (0622) 22431
DATA PENDIDIKAN
SD : SD NEGERI No. 095147 Tamat : 1994
SMP : SMP NEGERI 2 PANE Tamat : 1997
SMU : SMU NEGERI 1 PANE Tamat : 2000
D3 : LP3I Tamat : 2003
Strata-1 : STMIK MULTIMEDIA PRIMA Tamat : 2005
(11)
KATA PENGANTAR
Pertama-tama kami panjatkan puji syukur kehadirat Allah SWT Tuhan Yang Maha Esa atas segala limpahan rakhmad dan karunia-Nya sehingga Tesis ini dapat diselesaikan.
Dengan selesainya tesis ini, perkenankanlah kami mengucapkan terima kasih yang sebesar-besarnya kepada :
Rektor Universitas Sumatera Utara, Prof. Dr. dr. Syahril Pasaribu, DTM&H, M.Sc (CTM), Sp. A(K) atas kesempatan yang diberikan kepada kami untuk mengikuti dan menyelesaikan pendidikan Program Magister.
Dekan Fakultas MIPA Universitas Sumatera Utara, Dr.Sutarman, M.Sc atas kesempatan menjadi mahasiswa Program Magister pada Program Pascasarjana FMIPA Universitas Sumatera Utara.
Ketua Program Studi Magister Teknik Informatika, Prof. Dr. Muhammad Zarlis, Sekretaris Program Studi Magister Teknik Informatika, Muhammad Andri Budiman, S.T, M. Comp. Sc, M.EM beserta seluruh Staff Pengajar pada Program Studi Magister Teknik Informatika Program Pascasarjana Fakultas MIPA Universitas Sumatera Utara.
Terimakasih yang tak terhingga dan penghargaan setinggi-tingginya kami ucapkan kepada bapak Prof. Dr. Muhammad Zarlis selaku Pembimbing Utama yang dengan penuh perhatian dan telah memberikan dorongan, bimbingan dan motivasi, demikian juga kepada bapak Amer Sharif S.Si, M.Kom selaku Pembimbing Anggota yang dengan penuh kesabaran menuntun dan membimbing kami hingga selesainya penelitian ini.
(12)
DAFTAR ISI
Halaman
KATA PENGANTAR i
DAFTAR ISI ii
DAFTAR TABEL v
DAFTAR GAMBAR vi
DAFTAR LAMPIRAN vii
ABSTRAK viii
ABSTRACT ix
BAB I PENDAHULUAN
1.1 Latar Belakang 1
1.2 Perumusan Masalah 4
1.3 Batasan Masalah 4
1.4 Tujuan Penelitian 5
1.5 Manfaat Penelitian 5
BAB II TINJAUAN PUSTAKA
2.1 Pengertian Fuzzy 6
2.2 Konsep Fuzzy Logic 8
2.3 Himpunan Fuzzy 8
2.4 Fungsi Keanggotaan 11
(13)
2.6 Riset-Riset Terkait 16
2.7 Kontribusi Riset 20
BAB III METODOLOGI PENELITIAN
3.1 Pendahuluan 21
3.2 Lokasi dan Waktu Penelitian 21
3.3 Rancangan Penelitian 22
3.4 Prosedur pengumpulan data 25
3.5 Validitas dan reliabilitas data 25
3.6 Preprocessing data 26
3.7 Alat analisis data 27
3.8 Diagram aktifitas kerja penelitian 28
3.9 Alur Program 29
BAB IV HASIL DAN PEMBAHASAN
4.1 Pendahuluan 30
4.2 Hasil percobaan 31
4.2.1 Hasil percobaan training data 31
4.2.2 Kuesioner data penilaian mahasiswa 33
4.2.2.1 Fuzzifikasi kuesioner data penilaian mahasiswa 34 4.2.2.2 Derajat keanggotaan penilaian mahasiswa 35
4.2.2.3 Semesta pembicaraan penilaian mahasiswa 36
4.2.2.4 Domain penilain mahasiswa 36
(14)
4.2.3.1 Fuzzifikasi penilaian dosen 37 4.2.3.2 Derajat keanggotaan penilaian dosen 38 4.2.3.3 Semesta pembicaraan penilaian dosen 39
4.2.3.4 Domain penilaian dosen 39
4.2.3.5 Rule 39
4.2.4 Database 40
4.2.4.1. Design Database 42
4.2.4.2. Flowchart 43
4.2.5 Form Master 43
4.2.5.1 Form master variabel 43
4.2.5.2 Form master himpunan 44
4.2.5.3 Form master semesta pembicaraan 45
4.2.5.4 Form master domain 46
4.2.6 Form transaksi 48
4.2.6.1 Form µMahasiswa 48
4.2.6.2 Form µDosen 49
4.2.7 Hasil rekomendasi 50
4.3. Penemuan yang terdapat pada penelitian 52
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan 53
5.2 Saran 54
(15)
DAFTAR TABEL
Nomor Tabel
Judul Halaman
2.1 2.2 3.1 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8
Data mentah karyawan Data karyawan setelah diolah Statistik Reliabilitas data
Signifikan dan Reliabilitas Statistik 60 data mahasiswa
Signifikan dan Reliabilitas Statistik 1000 data mahasiswa
Signifikan dan Reliabilitas Statistik 60 data dosen
Signifikan dan Reliabilitas Statistik 70 data dosen
Signifikan dan Reliabilitas Statistik Data Tabel Klasifikasi penilaian mahasiswa Tabel Klasifikasi penilaian dosen Tabel Aturan Fuzzy
17 17 25 30 30 31 31 32 32 33 39
(16)
DAFTAR GAMBAR
Nomor Gambar
Judul Halaman
2.1 2.2 2.3 2.4 2.5 3.1 3.2 3.3 3.4 3.5 3.6 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 4.10 4.11 4.12
Himpunan fuzzy pada variable temperature Representasi linear naik
Representasi linear turun kurva segitiga
Representasi kurva trapezium Data kuesioner dosen Data kuesioner mahasiswa Validitas data kuesioner dosen Validitas data kuesioner mahasiswa Pra Pengolahan Data
Diagram Aktivitas Kerja Penelitian Fuzzifikasi penilaian mahasiswa Fuzzifikasi penilaian dosen Desain Database
Flowchart
Form variabel fuzzy Form himpunan
Form semesta pembicaraan Form domain
Form µmahasiswa Form µdosen
Form hasil rekomendasi Hasil rekomendasi berupa saran
10 12 13 13 14 21 22 22 23 26 27 33 36 42 43 41 42 42 44 45 45 46 50
(17)
DAFTAR LAMPIRAN
Nomor Gambar
Judul Halaman
1 2
Kuesioner mahasiswa Kuesioner dosen
(18)
PENGGUNAAN FUZZY QUERY DATABASE UNTUK
PENGEMBANGAN MODEL EVALUASI UMPAN
BALIK TERHADAP KINERJA DOSEN
ABSTRAK
Tesis ini mengusulkan sebuah model evaluasi umpan balik untuk kinerja dosen. Fator-faktor mana yang lebih dominan yang mempengaruhi kinerja dosen belum dapat diketahui dengan pasti. Data diperoleh dari kuesioner mahasiswa dan kuesioner dosen. Dalam tesis ini fuzzy query database diaplikasikan agar mendapatkan suatu model evaluasi umpan balik yang dapat memperlihatkan nilai kinerja dosen serta kriterianya. Model aturan yang diperoleh adalah nilai dari mahasiswa dan dosen yang diambil nilai maksimalnya, kemudian rulenya diperoleh dari mahasiswa dan dosen yang diambil nilai minimalnya, sehingga diperoleh nilai kinerja dosen serta kriterianya. Kemudian dari hasil penilaian yang diperoleh didapatkan variabel mana yang mempunyai kelemahan, sehingga ditemukan solusi untuk mengatasi kelemahan tersebut.
Kata kunci:
(19)
THE USE OF FUZZY QUERY DATABASE FOR THE
DEVELOPMENT OF FEEDBACK-EVALUATION-
MODEL ON THE PERFORMANCE
OF LECTURES
ABSTRACT
This thesis suggests a feedback-evaluation model to determine the performance of lecturers. The more dominant factors that influence the performance of lecturers have not been determined. Data was obtained from questionnaires filled by students as well as by lecturers. In this thesis, Fuzzy Query Database is applied in order to obtain a feedback-evaluation model that will demonstrate the performance of lecturers and it’s criteria. The procedure-model obtained is the maximum scores of the students and the lecturers, while the rules were obtain from the minimum scores of the students and the lecturers, so that finally the scores of the lecturers’ performance and the criteria can be determined.
Keyword :
(20)
PENGGUNAAN FUZZY QUERY DATABASE UNTUK
PENGEMBANGAN MODEL EVALUASI UMPAN
BALIK TERHADAP KINERJA DOSEN
ABSTRAK
Tesis ini mengusulkan sebuah model evaluasi umpan balik untuk kinerja dosen. Fator-faktor mana yang lebih dominan yang mempengaruhi kinerja dosen belum dapat diketahui dengan pasti. Data diperoleh dari kuesioner mahasiswa dan kuesioner dosen. Dalam tesis ini fuzzy query database diaplikasikan agar mendapatkan suatu model evaluasi umpan balik yang dapat memperlihatkan nilai kinerja dosen serta kriterianya. Model aturan yang diperoleh adalah nilai dari mahasiswa dan dosen yang diambil nilai maksimalnya, kemudian rulenya diperoleh dari mahasiswa dan dosen yang diambil nilai minimalnya, sehingga diperoleh nilai kinerja dosen serta kriterianya. Kemudian dari hasil penilaian yang diperoleh didapatkan variabel mana yang mempunyai kelemahan, sehingga ditemukan solusi untuk mengatasi kelemahan tersebut.
Kata kunci:
(21)
THE USE OF FUZZY QUERY DATABASE FOR THE
DEVELOPMENT OF FEEDBACK-EVALUATION-
MODEL ON THE PERFORMANCE
OF LECTURES
ABSTRACT
This thesis suggests a feedback-evaluation model to determine the performance of lecturers. The more dominant factors that influence the performance of lecturers have not been determined. Data was obtained from questionnaires filled by students as well as by lecturers. In this thesis, Fuzzy Query Database is applied in order to obtain a feedback-evaluation model that will demonstrate the performance of lecturers and it’s criteria. The procedure-model obtained is the maximum scores of the students and the lecturers, while the rules were obtain from the minimum scores of the students and the lecturers, so that finally the scores of the lecturers’ performance and the criteria can be determined.
Keyword :
(22)
BAB I
PENDAHULUAN
1.1. Latar Belakang Masalah
Konsep himpunan fuzzy diaplikasikan ke dalam pangkalan data. Salah satu model pangkalan data fuzzy adalah model Tahani. Pangkalan data Tahani masih menggunakan relasi standar, hanya saja model ini menggunakan teori himpunan
fuzzy untuk mendapatkan informasi pada query-nya. (Kusumadewi S, Purnomo H, 2004).
Pada proses menentukan penilaian yang layak terhadap kinerja dosen tentunya kita harus memiliki kriteria-kriteria dosen yang layak supaya memberikan penilaian sesuai dengan ketentuan yang telah ditetapkan. Kriteria-kriteria tersebut memiliki nilai yang tidak pasti. Sedangkan data yang ada pada
database institusi adalah data yang bernilai pasti. Oleh karena itu, untuk menangani kriteria-kriteria yang memiliki nilai yang tidak pasti tersebut kita dapat menggunakan logika fuzzy (Sundani, 2008).
Penelitian lain yang telah diterbitkan dalam jurnal atau karya ilmiah dan berhubungan dengan penelitian penulis adalah aplikasi implementasi fuzzy database untuk memberikan rekomenasi jalur peminatan mahasiswa. Pada penelitian ini, sistem yang dibangun menggunakan model DBMS dan query yang yang berbasis fuzzy, karena model DBMS konvensional, non fuzzy, kurang dapat memenuhi kebutuhan sistem informasi seperti ini. DBMS dan query model Tahani dapat dengan tepat memetakan suatu ruang input (fuzzy query) ke output
sebagai informasi hasil query (Prasetiyowati, M.I, Seta, B.A, 2007). Metode fuzzy logic database system dapat melakukan toleransi/penghalusan terhadap kriteria inputan data pada sistem.
(23)
Dosen 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 Kemendiknas RI). Sementara itu, profesional dinyatakan sebagai pekerjaan atau kegiatan yang dilakukan oleh seseorang dan menjadi sumber penghasilan kehidupan yang memerlukan keahlian, kemahiran, atau kecakapan yang memenuhi standar mutu atau norma tertentu serta memerlukan pendidikan profesi.
Tercapainya tujuan proses belajar mengajar dalam suatu perguruan tinggi tidak terlepas dari peranan dosen dan mahasiswa. Keaktifan para dosen dalam memberikan perkuliahan dan keaktifan mahasiswa dalam mengikuti proses belajar mengajar menjadi kunci utama suksesnya proses belajar mengajar. Suksesnya proses belajar mengajar, bagi mahasiswa, dapat dilihat dengan alat ukur berupa nilai akhir yang diperoleh. Biasanya, seorang mahasiswa dikatakan memiliki nilai baik dalam suatu matakuliah, apabila mahasiswa tersebut mendapatkan nilai lebih dari atau sama dengan ‘B’. Demikian pula, seorang dosen dikatakan sukses dalam proses belajar mengajar, apabila nilai kinerja yang diperolehnya juga baik (Sundani, 2008).
Kualitas dosen memegang peranan penting di suatu perguruan tinggi yang ingin mencapai tujuan proses belajar mengajar yaitu menghasilkan lulusan (output) yang berkualitas. Dosen dinilai berkualitas apabila memiliki nilai kinerja yang baik, yang ditinjau dari beberapa aspek. Untuk itu sangat perlu dilakukan sebuah analisis untuk mengetahui nilai kinerja dari seorang dosen khususnya di AMIK Tunas Bangsa Pematangsiantar yang nantinya akan dijadikan sebagai masukan bagi bagian akademik AMIK Tunas Bangsa Pematangsiantar.
Sebelumnya AMIK Tunas Bangsa telah menerapkan evaluasi terhadap kinerja dosen dengan menggunakan alat ukur yang dikenal dengan nama Evaluasi Umpan Balik (EUB). Salah satu variabel yang digunakan untuk menghitung nilai kinerja dosen adalah penilaian dari mahasiswa yang mengambil matakuliah yang
(24)
diampu oleh dosen yang bersangkutan. Penilaian oleh mahasiswa dilakukan melalui pengisian kuesioner. Kendati hal ini sudah dilakukan, namun hasil yang dicapai kurang maksimal. Mengingat hasil dari evaluasi umpan balik yang selama ini sudah dilakukan belum menghasilkan nilai akhir dari kinerja dosen.
Pada semester ganjil 2010/2011, ada 10 pertanyaan yang diberikan dalam kuesioner, yaitu: kemampuan pengajar dalam merangsang dan menumbuhkan minat terhadap matakuliah, kepedulian pengajar yang ditujukan pada minat terhadap matakuliah, kemampuan berkomunikasi dengan cara yang bisa dimengerti, kesempatan untuk mengajukan pertanyaan tentang materi kuliah, pengorganisasian materi perkuliahan dari matakuliah, cara penyampaian materi perkuliahan, rangsangan untuk berpikir kritis dan analitis, relevansi tugas yang diberikan terhadap matakuliah, kesediaan pengajar untuk konsultasi dengan mahasiswa, pengembalian kertas ujian dan tugas. Setiap pertanyaan memiliki nilai mulai dari 1(Kurang Sekali), 2(Kurang), 3(Cukup), 4(Baik), 5(Baik Sekali). Penilaian dari mahasiswa ini bersifat kualitatif. Selain penilaian mahasiswa, penilaian kinerja dosen juga dipengaruhi oleh kehadiran dosen yang bersifat kuantitatif.
Penelitian ini diharapkan dapat memberikan kontribusi bagi ilmu pengetahuan di bidang ilmu komputer, khususnya bagi perguruan tinggi swasta Akademi Manajemen Informatika Komputer (AMIK) Tunas Bangsa Pematangsiantar.
1.2. Perumusan Masalah
Adapun rumusan masalah dari penelitian ini adalah bagaimana membuat model analisis kinerja dosen berdasarkan evaluasi umpan balik menggunakan metode
fuzzy model Tahani untuk mengetahui kinerja dosen yang mempunyai predikat baik, cukup dan kurang, beserta variabel yang mempunyai kelemahan terhadap kinerja dosen sehingga dapat memberikan alternatif yang tepat dalam upaya meningkatkan kinerja dosen. Data dan informasi yang diperlukan untuk menentukan nilai kinerja dosen bersifat fuzzy (samar), sehingga penggunaan
(25)
database biasa kurang dapat memberikan hasil yang maksimal. Sebagai contoh “dosen mempunyai kemampuan komunikasi yang bagus tetapi tidak pernah memberikan tugas”. Apabila ini terjadi, maka dapat digunakan basis data fuzzy. Selama ini sudah ada beberapa penelitian tentang basis data fuzzy. Salah satu diantaranya adalah model Tahani. Basis data model Tahani masih tetap menggunakan relasi standar.
1.3. Batasan Masalah
Rumusan masalah diatas, dibatasi dengan beberapa hal sebagai berikut :
(1)Metode yang digunakan untuk membangun sistem analisis kinerja dosen adalah dengan menggunakan fuzzy query database dengan model Tahani.
(2)Fungsi Keanggotaan yang digunakan adalah kurva bahu dan segitiga. (3)Untuk membuat sistem analisis kinerja dosen data yang digunakan
diperoleh dari data kuesioner mahasiswa dan kuesioner dosen.
(4)Dalam membangun sistem analisis kinerja dosen, penulis menggunakan
software SPSS untuk menguji validitas data.
1.4. Tujuan Penelitian
Tujuan yang ingin dicapai pada penelitian tesis ini adalah:
(1) Memberikan gambaran nilai kinerja dosen yaitu dosen yang mempunyai predikat baik, cukup dan kurang.
(2) Membantu pimpinan untuk membuat keputusan tentang dosen
(3) Sebagai bahan pertimbangan dan bahan masukan bagi bagian akademik untuk mengetahui sejauh mana kualitas dari masing-masing dosen
(4) Memberikan kontribusi bagi ilmu pengetahuan khususnya pada bidang ilmu komputer.
(26)
1.5. Manfaat Penelitian
Manfaat dari penelitian ini adalah:
(1) Memberikan masukan kepada bagian akademik AMIK Tunas Bangsa Pematangsiantar untuk mengetahui kualitas dosen apa yang harus ditingkatkan untuk menunjang hal tersebut
(2) Memberikan masukan kepada AMIK Tunas Bangsa khususnya bagian akademik untuk meningkatkan layanan akademik dalam hal meningkatkan kualitas dosen.
(27)
BAB II
TINJAUAN TEORITIS
2.1. Pengertian Fuzzy
Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input
kedalam suatu ruang output. Titik awal dari konsep modern mengenai ketidakpastian adalah paper yang dibuat oleh Lofti A Zadeh (1965), dimana Zadeh memperkenalkan teori yang memiliki obyek-obyek dari himpunan fuzzy
yang memiliki batasan yang tidak presisi dan keanggotaan dalam himpunan fuzzy, dan bukan dalam bentuk logika benar (true) atau salah (false), tapi dinyatakan dalam derajat (degree). Konsep seperti ini disebut dengan Fuzziness dan teorinya dinamakan Fuzzy Set Theory. Fuzziness dapat didefinisikan sebagai logika kabur berkenaan dengan semantik dari suatu kejadian, fenomena atau pernyataan itu sendiri. Seringkali ditemui dalam pernyataan yang dibuat oleh seseorang, evaluasi dan suatu pengambilan keputusan. Sebagai contoh:
1. Manajer pergudangan mengatakan pada manajer produksi seberapa banyak persediaan barang pada akhir minggu ini, kemudian manajer produksi akan menetapkan jumlah barang yang harus diproduksi esok hari.
2. Pelayan restoran memberikan pelayanan terhadap tamu, kemudian tamu akan memberikan tip yang sesuai atas baik tidaknya pelayanan yang diberikan.
3. Anda mengatakan pada saya seberapa sejuk ruangan yang anda inginkan, saya akan mengatur putaran kipas yang ada pada ruangan ini.
(28)
Fuzzy system (sistem kabur) didasari atas konsep himpunan kabur yang memetakan domain input kedalam domain output. Perbedaan mendasar himpunan tegas dengan himpunan kabur adalah nilai keluarannya. Himpunan tegas hanya memiliki dua nilai output yaitu nol atau satu, sedangkan himpunan kabur memiliki banyak nilai keluaran yang dikenal dengan nilai derajat keanggotaannya.
Logika fuzzy adalah peningkatan dari logika Boolean yang berhadapan dengan konsep kebenaran sebagian. Dimana logika klasik (crisp) menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak). Logika fuzzy menggantikan kebenaran Boolean dengan tingkat kebenaran. Logika fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk linguistic, konsep tidak pasti seperti “sedikit”, “lumayan”, dan “sangat”. Logika ini diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas California, Barkeley pada tahun 1965. Logika fuzzy telah digunakan pada bidang-bidang seperti taksonomi, topologi, linguistik, teori automata, teori pengendalian, psikologi, pattern recognition, pengobatan, hukum, decision analysis, system theory and information retrieval. Pendekatan fuzzy memiliki kelebihan pada hasil yang terkait dengan sifat kognitif manusia, khususnya pada situasi yang melibatkan pembentukan konsep, pengenalan pola, dan pengambilan keputusan dalam lingkungan yang tidak pasti atau tidak jelas.
Ada beberapa alasan mengapa orang menggunakan logika fuzzy
(Kusumadewi S, Purnomo H, 2010) antara lain:
1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
2. Logika fuzzy sangat fleksibel.
3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.
5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
(29)
6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
7. Logika fuzzy didasarkan pada bahasa alami.
2.2. Konsep Fuzzy Logic
Teori logika fuzzy yang diajukan oleh Zadeh pada pertengahan tahun 1960 (Nikola K, 1998 dari Setiyowati, M.I dan Seta, B.A, 2007), memberikan suatu pemecahan masalah terhadap persoalan yang tidak pasti ini. Sehingga sistem informasi yang akan dibuat menggunakan model DBMS dan query yang berbasis fuzzy karena model DBMS konvensional, non fuzzy kurang dapat memenuhi kebutuhan sistem informasi ini. Banyak model DBMS dan query fuzzy yang ada, salah satunya adalah model Tahani yang ditemukan pada tahun 1977. Prof. Lutfi Zadeh berpendapat bahwa logika benar dan salah dari logika boolean/konvensional tidak dapat mengatasi masalah gradasi yang ada di dunia nyata. Untuk mengatasi masalah gradasi tersebut maka ia mengembangkan sebuah himpunan samar (fuzzy).
2.3. Himpunan Fuzzy
Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µA[x], memiliki 2 kemungkinan (Kusumadewi S, Purnomo H, 2010) yaitu:
1. Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau
2. Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.
Terkadang kemiripan antara keanggotaan fuzzy dengan probabilitas menimbulkan kerancuan. Keduanya memiliki nilai pada interval [0,1], namun interprestasi 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
(30)
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.
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 (Aplikasi logika fuzzy untuk pendukung keputusan, Sri Kusumadewi,Hari Purnomo, Edisi kedua, Graha Ilmu, 2010), yaitu:
a. Variable fuzzy
Variable fuzzy merupakan variabel 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 variabel fuzzy.
Contoh:
a. Variable mahasiswa, terbagi menjadi 5 himpunan fuzzy, yaitu: kurang sekali, kurang, cukup, baik dan baik sekali.
b. Variabel dosen, terbagi menjadi 3 himpunan fuzzy, yaitu: cukup, baik, dan baik sekali. Seperti terlihat pada gambar 2.1.
(31)
Gambar 2.1. Himpunan fuzzy pada variable mahasiswa
c. Semesta Pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel 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 negatif. Ada kalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya.
Contoh:
a. Semesta pembicaraan untuk variable mahasiswa: [0 50] b. Semesta pembicaraan untuk variable dosen: [0 50]
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 real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif dan bilangan negatif. Contoh domain himpunan fuzzy:
5 15 25 35 45 50
Penilaian Mahasiswa 0
1
Kurang Kurang Cukup Baik Baik Sekali
(32)
a. Kurang Sekali = [0 15]
b. Kurang = [5 25]
c. Cukup = [15 35]
d. Baik = [25 45]
e. Baik Sekali = [35 50]
2.4. 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. Apabila U menyatakan himpunan universal dan A adalah himpunan fungsi fuzzy dalam U, maka A dapat dinyatakan sebagai pasangan terurut (Wang, 1997 dari Wulandari, F., 2005). Ada beberapa fungsi yang bisa 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.
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 S, Purnomo H, 2010). Seperti terlihat pada gambar 2.2.
(33)
Gambar 2.2. Representasi linear naik
Fungsi keanggotaan:
0; x ≤ a
µ[x] = (x-a) / (b-a); a < x < b
1; x ≥ b
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. Seperti terlihat pada gambar 2.3.
Gambar 2.3. Representasi linear turun
Derajat keanggotaan
µ[x]
1
0
a domain b
1
0
a domain b
Derajat keanggotaan
(34)
Fungsi keanggotaan:
0; x ≥ b
µ[x] = (b-x) / (b-a) a < x < b
1; x ≤ a
b. Representasi kurva segitiga
Kurva segitiga pad dasarnya merupakan gabungan antara 2 garis (linear). Seperti terlihat pada gambar 2.4.
Gambar 2.4. kurva segitiga
Fungsi Keanggotaan:
0; x ≥ c atau x ≤ a
µ[x] = (x-a) / (b-a) a < x < b (c-x) / (c-b) b < x < c Derajat
Keanggotaan µ[x]
domain 1
0
(35)
c. Representase kurva trapezium (Kusumadewi S, Purnomo H, 2010) Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada titik yang memiliki nilai keanggotaan 1. Seperti terlihat pada gambar 2.5.
asi
Gambar 2.5. Representasi kurva trapezium
Fungsi keanggotaan:
0; x ≥ d atau x ≤ a
µ[x] = (x-a) / (b-a); a < x < b (d-x) / (d-c); c < x < d
1; b ≤ x ≤ c
2.5.FUZZY DATABASE
Sistem basis data (database system) adalah suatu sistem informasi yang mengintegrasikan kumpulan data yang saling berhubungan dan membuatnya tersedia untuk beberapa aplikasi (Kusumadewi S, Purnomo H, 2004).
Database adalah kumpulan dari data yang saling berhubungan satu dengan yang lainnya, tersimpan di perangkat keras komputer dan digunakan perangkat lunak untuk memanipulasinya. Sedangkan sistem basis data adalah suatu sistem informasi yang mengintegrasikan kumpulan data yang saling berhubungan satu dengan yang lainnya dan membuatnya tersedia untuk beberapa aplikasi dalam
Derajat Keanggotaan
µ[x]
domain 1
(36)
suatu organisasi (Eliyani, Pujianto, U., Rosyadi, D., 2009, dari Kusumadewi, S., 2004).
Fuzzifikasi query diasumsikan sebuah query konvensional (nonfuzzy), DBMS yang akan mencoba membuat dan menerapkan sebuah sistem dasar logika
fuzzy query (fuzzy logic based querying system). Kelebihan query fuzzifikasi yaitu dapat mencapai kelenturan (flexibility) dari DBMS, penanganan error otomatis, pencarian yang fleksibel, dan kesanggupan merespon kosong.
Awal penanganan ketidakpastian dengan manajemen basis data dikembangkan di dalam kerangka manajemen sistem basis data yang bukan fuzzy. Biasanya, sistem ini berhadapan dengan evaluasi dan konstruksi tentang fuzzy query dengan database yang bersifat tegas, dan mengabaikan permasalahan dalam penyajian langsung dari data fuzzy di DBMS (Mashkuri Hj Yaacob, 1997:43 dalam Setiyowati, M.I, Seta, B.A, 2007).
Sebagian besar basis data fuzzy merupakan perluasan dari model basis data relasional, namun dikemas dalam formulasi yang berbeda tergantung pada tipe ambiguitas yang akan diekspresikan dan dimanipulasi. Tahani mendeskripsikan suatu metode untuk melakukan pengolahan query fuzzy didasarkan pada manipulasi data. Disini konsep teori fuzzy lebih banyak digunakan untuk melakukan pengolahan query. Basis data yang diusulkan oleh Zadeh, mengekspresikan ambiguitas data dengan cara memperluas model data. Perluasan dilakukan dengan cara menggunakan relasi fuzzy berupa grade yang ditambahkan pada relasi standar (Kusumadewi S, 2007).
Fuzzy Tahani adalah salah satu cabang dari logika fuzzy, yang merupakan salah satu metode fuzzy yang menggunakan basis data standar. Tahani mendeskripsikan suatu metode pemrosesan query fuzzy, dengan didasarkan atas manipulasi bahasa yang dikenal dengan nama SQL (Structured Query Language), sehingga model fuzzy Tahani sangat tepat digunakan dalam proses pencarian data yang tepat dan akurat (Anggraeni, Indarto, Kusumadewi, 2004 dalam Amalia, L., Fananie, Z. B., Utama, D. N., 2010).
(37)
Sebagian besar basis data standar diklarifikasikan berdasarkan bagaimana data tersebut dipandang oleh pengguna. Pada kenyataannya, terkadang pengguna membutuhkan informasi dari data-data yang bersifat ambiguous, contoh “mencari data karyawan yang masih muda dan memiliki gaji yang tinggi”. Apabila ini terjadi, dapat digunakan basis data fuzzy. Selama ini sudah ada penelitian tentang basis data fuzzy. Salah satu diantaranya adalah model Tahani. Basis data fuzzy
model Tahani masih tetap menggunakan relasi standar, hanya saja model ini menggunakan teori himpunan fuzzy untuk mendapatkan informasi pada query-nya. Tahani mendeskripsikan suatu metode pemrosesan query fuzzy dengan didasarkan atas manipulasi bahasa yang dikenal dengan nama SQL (Anggraeni, R., Indarto, W., Kusumadewi, S., 2004).
2.6.Riset-Riset Terkait
Ada beberapa riset yang telah dilakukan yang berkaitan dengan penelitian ini, diantaranya adalah:
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 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.
(38)
Lukas, S., Meiliayana, and Simson, W. (2009) dalam jurnalnya 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.
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.
Hasiholan, L. and Sudradjat (2008) dalam jurnalnya 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 sebagai parameter.
Kusumadewi, S. (2007) dalam jurnalnya 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
(39)
parameter-parameter awal ditetapkan berdasarkan data awal yang telah diperoleh. Proses pencarian didasarkan pada konsep fuzzy database model tahani.
Wulandari, F. (2005) dalam jurnalnya yang berjudul pembuatan sistem pendukung keputusan berbasis teori fuzzy untuk mengembangkan suatu produk baru, merupakan suatu sistem yang membantu para pembuat keputusan untuk menentukan jenis kendaraan yang akan diproduksi dari beberapa pilihan produk. Dari beberapa keuntungan pemodelan fuzzy, salah satunya adalah pemodelan fuzzy
lebih mudah dimengerti, dibangun dan dimodifikasi. Pada akhirnya sistem ini akan menghasilkan informasi kepada pembuat keputusan mengenai estimasi biaya produksi dengan alternatifnya dan tingkat keputusan dari sistem apakah suatu produk baik atau layak untuk diproduksi dengan memepertimbangkan faktor biaya produksi, market dan individu.
Sundani, D. (2008) menjelaskan dalam jurnal 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.
Amalia, L., Fananie, Z.B. and Utama, D.N. (2010) menyampaikan hasil risetnya dalam jurnal yang berjudul Model Fuzzy Tahani Untuk Pemodelan Sistem Pendukung Keputusan (SPK) Kasus Rekomendasi Pembelian Handphone. 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.
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
(40)
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.
Eliyani, Pujianto, U. and Rosyadi, D. (2009) menjelaskan dalam jurnal 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.
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 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
(41)
2.7.Kontribusi Riset
Penelitian ini memberikan kontribusi pada pemahaman kita tentang persiapan mengajar dosen, motivasi dosen, pelaksanaan perkuliahan dengan nilai kinerja dosen. Keaktifan dosen dalam proses belajar mengajar baik dari segi motivasi maupun persiapan mengajar sangat mempengaruhi nilai kinerja dosen. Selama ini penilaian kinerja dosen masih bersifat pasti (crisp). Padahal ada faktor-faktor pendukung lainnya yang bersifat fuzzy. Untuk itu penggunaan metode fuzzy sangat membantu dalam upaya mendapatkan nilai kinerja dosen yang sekaligus dapat mengetahui variabel yang mempunyai kelemahan untuk mencapai nilai kinerja dosen yang maksimal. Pada akhirnya penelitian ini memperkenalkan aplikasi yang mampu untuk menentukan nilai kinerja dosen dengan menggunakan aturan (rule) yang dihasilkan dari penerapan logika fuzzy dan fuzzy database tahani.
(42)
BAB III
METODOLOGI PENELITIAN
3.1. Pendahuluan
Tujuan dari tesis ini adalah untuk membuat analisis kinerja dosen dengan metode fuzzy query model Tahani untuk meningkatkan kinerja dosen yang lebih baik dengan menyediakan sampel kualitas dosen berupa nilai kinerja dosen yang nantinya dapat digunakan sebagai pedoman analisis dalam pembuatan keputusan oleh pimpinan.
Pada bagian ini kita mulai dengan menggambarkan studi kasus logika fuzzy pada sistem penilaian kinerja dosen di perguruan tinggi dan prosedur bagaimana mengumpulkan data yang dapat digunakan pada penelitian ini.
Data dikumpulkan dari mahasiswa dan dosen yang telah mengisi kuesioner di Akademi Manajemen Informatika Komputer ( AMIK ) Tunas Bangsa Pematangsiantar. Instrumen penelitian yang digunakan harus mempunyai ukuran yang akurat. Secara terperinci, bagaimana mendapatkan input yang lebih baik dalam proses logika fuzzy yang digambarkan pada bagian sebelum pemerosesan data. Penulis memberikan tinjauan singkat dari beberapa analisa data yang digunakan pada penelitian ini.
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.
(43)
3.3 Rancangan Penelitian
Rancangan penelitian ini pertama kali dilakukan dengan melakukan pengamatan (observasi) untuk mempelajari penilaian dosen yang dilakukan dengan cara membagikan kuesioner kepada mahasiswa yaitu berupa evaluasi umpan balik. Hasil pengamatan kemudian dibuat skenario-skenario yang mendukung, selanjutnya dilakukan eksperimen data dengan menggunakan SPSS untuk membuat model aturan data yang diambil dari kuesioner mahasiswa dan dosen Akademi Manajemen Informatika Komputer ( AMIK ) Tunas Bangsa. Hasil dari eksperimen data ini merupakan pengembangan dari ilmu pengetahuan yang nantinya dapat merupakan masukan bagi biro akademik yang ada di lembaga pendidikan, dalam hal ini di Akademi Manajemen Informatika Komputer ( AMIK ) Tunas Bangsa Pematangsiantar.
Dalam melakukan klasifikasi data yang diperoleh dari kuesioner mahasiswa dan dosen AMIK Tunas Bangsa Pematangsiantar penulis melakukan beberapa tahapan, antara lain :
1. Mengambil data dari mahasiswa yaitu kuesioner yang diisi oleh mahasiswa dan kuesioner yang diisi oleh dosen
(44)
Seperti terlihat pada gambar 3.1.
(45)
3. Menginput data kusioner mahasiswa ke dalam Microsoft excel Seperti terlihat pada gambar 3.2.
(46)
4. Kemudian dilakukan uji coba validitas data terhadap kuesioner dosen dengan menggunakan program spss dengan rancangan penelitiannya dapat di lihat pada gambar 3.3.
Gambar 3.3. Validitas data kuesioner dosen
Pada gambar 3.3. diatas dapat dijelaskan urutan pertama dosen melakukan pengisian kuesioner, kemudian data kuesioner dikumpulkan untuk selanjutnya data kuesioner dari dosen tersebut diinput ke dalam ms.excel. Kemudian dilakukan training data, apabila data sudah valid kemudian data tersebut dimasukkan kedalam program visual basic yang menggunakan metode fuzzy query database. Data dikatakan valid apabila nilai cronbach’s alpha di atas atau sama dengan .60. Hasil dari proses ini menjadi sebuah rekomendasi bagi pihak manajemen Perguruan Tinggi Swasta ( PTS ) khususnya bagian akademik yang menangani masalah kinerja dosen.
(47)
5. Kemudian dilakukan uji coba validitas data kuesioner mahasiswa dengan menggunakan program spss, seperti terlihat pada gambar dibawah ini:
Gambar 3.4. Validitas data kuesioner mahasiswa
Pada gambar 3.4. diatas dapat dijelaskan urutan pertama Mahasiswa melakukan pengisian kuesioner, kemudian data kuesioner dikumpulkan untuk selanjutnya data kuesioner dari mahasiswa tersebut diinput ke dalam ms.excel. Kemudian dilakukan training data, apabila data sudah valid kemudian data tersebut dimasukkan kedalam program visual basic yang menggunakan metode fuzzy query database. Data dikatakan valid apabila nilai cronbach’s alpha di atas atau sama dengan .60. Hasil dari proses ini menjadi sebuah rekomendasi bagi pihak manajemen Perguruan Tinggi Swasta ( PTS ) khususnya bagian akademik yang menangani masalah kinerja dosen.
3.4. Prosedur Pengumpulan Data
Dalam studi kasus ini, pertama, penulis mengumpulkan data dari hasil kuesioner mahasiswa. Dan yang kedua penulis mengumpulkan data dari hasil kuesioner yang diisi oleh dosen. Penulis menciptakan instrument survey dan termasuk pertanyaan secara umum yang harus diisi oleh mahasiswa.
(48)
Untuk data yang kedua, penulis mengembangkan kuesioner untuk meng-cross check hasil dari kuesioner yang diisi oleh mahasiswa dengan kuesioner yang diisi oleh dosen. Sepuluh pertanyaan menghasilkan informasi data untuk responden. Pertanyaan pertanyaan yang dibuat adalah tipe skala point yang disusun dari “ baik sekali” sampai “ kurang sekali”. yang berkenaan untuk membuat perhitungan penilaian kinerja dosen.
3.5. Validitas dan Reliabilitas ( keakuratan ) data
Keakuratan instrumen yang digunakan pada penelitian ini adalah penting. Keakuratan mengacu apakah instrumen yang digunakan mengukur secara konsisten setiap waktu dan populasi. Survei dalam studi ini diuji dalam jangka waktu dan ukuran internal yang terpercaya yang memiliki keterkaitan antara bagian bagian tes. Hal ini menjamin apakah pengukuran instrument secara akurat dimaksudkan untuk mengukur. Cronbach’s Alpha diberikan survey untuk mengukur konsistensi internal. Menurut Mitchell dan Jolley ( 1999 ), Cronbach’s Alpha pada atau diatas 0.60 diterima sebagai bukti realiabilitas internal.Validitas dan Realibilitas dari kuesioner dengan jumlah data sebanyak 60 item adalah :
Tabel 3.1: Statistik Reliabilitas data No Variabel dalam skala Cronbach's alpha
Jumlah Data
1 Kuesioner Mahasiswa .917 60
2 Kuesioner Dosen .923 60
3 Kuesioner Mahasiswa .924 1000
4 Kuesioner Dosen .927 70
Dari Tabel diatas Cronbach's alpha dari ke tiga variable berjumlah diatas 0.60, ini menunjukkan bahwa data yang diolah adalah valid dan dipercaya.
3.6. Preprocessing Data
Untuk mendapatkan input yang lebih baik dari metode fuzzy query, penulis melakukan beberapa preprocessing untuk data yang akan dikumpulkan. Data disusun dalam tabel yang berbeda yang dihubungkan dalam tabel tunggal. Tabel yang digabungkan adalah :
(49)
1. Tabel Dosen 2. Tabel Kelas 3. Tabel Matakuliah 4. Tabel EUB
Dari ke 4 table di atas, di pilih data yang digunakan untuk data penelitian.
Gambar 3.5. Pra Pengolahan Data
3.7. Alat Analisis Data
Alat analisis data yang penulis gunakan adalah SPSS 18.0. sejak akhir tahun 2009, SPSS diakuisisi oleh IBM, dengan nama baru IBM SPSS, versi terbaru ini dinamakan PASW Statistic 18.0. Akuisisi IBM menunjukkan kepopuleran dan kemapanan SPSS sebagai program statistic papan atas dunia. Kemajuan teknologi informasi, khususnya
(50)
pengembangan software seperti SPSS, memang telah menyebabkan pengolahan data statistic menjadi lebih cepat dan mudah, tanpa mengurangi ketepatan hasil outputnya.
SPPS 18.0 digunakan pada studi ini untuk menampilkan analisis regresi pada data yang dijelaskan diatas. Keduanya merupakan langkah yang bijak dan penuh model regresi yang dijalankan untuk menentukan model yang terbaik yang sesuai dengan data.
(51)
3.8. Diagram Aktifitas Kerja Penelitian
Berikut ini alur kerja yang akan dilakukan pada penelitian ini yang digambarkan dalam diagram aktivitas. Seperti terlihat pada gambar 3.6.
Peneliti Software
Tidak
Sesuai
Tidak
Ya
Gambar 3.6. Diagram Aktivitas Kerja Penelitian Identifikasi Masalah
Menetapkan Tujuan Penelitian Mengumpulkan Data
Kuesioner dari Mahasiswa & Dosen
Data diinput ke Ms.Excel
Analis data dengan SPSS
Olah Data di visual basic dengan
metode fuzzy query Valid
Membuat Rekomendasi
Membuat Kesimpulan dan Saran
(52)
3.9. Alur Program
Proses pada program adalah mengubah bentuk data (tabel) menjadi model evaluasi umpan balik, mengubah model evaluasi umpan balik menjadi rule, dan menyederhanakan rule. Berikut adalah proses dari program:
Input Fuzzy
1. Menginput data variabel yang terdiri dari variabel dosen dan variabel mahasiswa 2. Menginput himpunan fuzzy untuk variabel mahasiswa yang terdiri dari kurang
sekali, kurang, cukup, baik dan baik sekali. Untuk variabel dosen terdiri dari cukup, baik dan baik sekali.
3. Menginput semesta pembicaraan yang terdiri dari nilai minimal dan nilai maksimal
4. Menginput domain dari variabel mahasiswa yang terdiri dari kurang sekali, kurang, cukup, baik dan baik sekali, serta variabel dosen yang terdiri dari cuku, baik, dan baik sekali dengan domain yang memiliki nilai minimal, nilai tengah dan nilai maksimal.
5. Menginput fungsi keanggotaan dari masing-masing variabel dosen dan mahasiswa untuk menentukan rumus nilai minimal, nilai tengah dan nilai maksimal dan mendapatkan hasil dari nilai minimal, nilai tengah dan nilai maksimal.
Data
1. Input data dosen, mahasiswa dan kuesioner
2. Setelah data master fuzzy dan data value selesai diinput dan diolah, langkah selanjutnya adalah menentukan derajat keanggotaan mahasiswa dan dosen. Nilai derajat keanggotaan yang diambil adalah nilai maksimal.
3. Setelah nilai derajat keanggotaan didapatkan, langkah selanjutnya adalah menentukan rekomendasi yaitu dengan mendapatkan nilai kinerja dosen beserta kriterianya dengan ketentuan, nilai yang dijadikan hasil adalah nilai minimal.
(53)
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 kuesioner mahasiswa yang diambil dari evaluasi umpan balik yang diisi oleh mahasiswa Akademi Manajemen Informatika Komputer (AMIK) Tunas Bangsa Pematangsiantar. Kemudian data ditransformasikan ke format data excel 2003.
Data yang kedua penulis menggunakan dataset kuesioner dosen yang diisi oleh mahasiswa. Kumpulan data yang diperoleh digunakan sebagai contoh sumber input untuk mengembangkan model evaluasi umpan balik terhadap kinerja dosen, sehingga nantinya dapat diketahui dosen yang mempunyai predikat baik, cukup dan kurang. Penulis menganalisis data menggunakan analisis multi regresi dengan SPSS untuk mengetahui validitas data, baik data kuesioner mahasiswa maupun data kuesioner dosen. Kemudian data yang diperoleh dari kuesioner mahasiswa dan kuesioner dosen akan diolah dengan menggunakan program yang menggunakan metode fuzzy model Tahani. Hasil dari pengolahan data nantinya akan dijadikan rekomendasi oleh bagian akademik AMIK Tunas Bangsa Pematangsiantar kepada pimpinan. Dan keputusan akhir berada pada pimpinan.
(54)
4.2. Hasil Percobaan
Dalam percobaan ini penulis menguji signifikan reliabilitas data hasil kuesioner yang diisi oleh mahasiswa dengan menggunakan metode Cronbach's Alpha untuk data training yang terdiri dari 60 data mahasiswa, sedangkan untuk keseluruhan data sebagai data testing penulis menggunakan sebanyak 1000 data mahasiswa. Data kuesioner yang diisi oleh dosen untuk data training yang terdiri dari 60 data dosen, sedangkan untuk keseluruhan data sebagai data testing penulis menggunakan sebanyak 70 data dosen. Adapun hasil percobaan training dan testing data dapat dilihat pada tabel 4.1 sampai dengan tabel 4.3 :
4.2.1. Hasil Percobaan Training Data
Dalam pengujian data training yang terdiri dari 60 data mahasiswa dapat dilihat pada Tabel dibawah ini :
Tabel 4.1. Signifikan dan Reliabilitas Statistik 60 data mahasiswa Cronbach's Alpha Cronbach's Alpha Based on Standardized Items
N of Items
,917 ,918 5
Tabel 4.2. Signifikan dan Reliabilitas Statistik 1000 data mahasiswa Cronbach's Alpha Cronbach's Alpha Based on Standardize d Items
N of Items
,924 ,926 5
(55)
Cronbach's Alpha Cronbach's Alpha Based on Standardized
Items N of Items
,923 ,926 5
Tabel 4.4 Signifikan dan Reliabilitas Statistik 70 data dosen
Cronbach's Alpha Cronbach's Alpha Based on Standardized
Items N of Items
,927 ,929 5
Cronbach's alpha diberikan survei untuk mengukur konsistensi internal. Menurut Mitchell dan Jolley (1999), Cronbach's alpha di atas 0,60 dapat diterima sebagai bukti reliabilitas internal. Survei didapatkan hasil koefisien Cronbach's alpha seperti yang dijelaskan dalam Tabel 4.1 sampai dengan Tabel 4.4 > 0.60 artinya nilai-nilai untuk pengujian reliabilitas berasal dari skor-skor item angket yang valid.
Dari hasil training dan testing dapat disimpulkan bahwa data yang penulis gunakan adalah valid dan dapat dipercaya. Dari perbedaan data training dan testing dapat dilihat pada tabel 4.5 :
Tabel 4.5. Signifikan dan Reliabilitas Statistik Data
No Variabel Data Cronbach's alpha
Data Training
Cronbach's alpha Data Testing
1 Data 60 Mahasiswa .917
2 Data 1000 Mahasiswa .924
3 Data 60 Dosen .923
(56)
Dari Tabel 4.5. diatas dapat dijelaskan bahwa Statistik Signifikan dan Reliabilitas data training lebih rendah dari data testing atau keseluruhan data dengan alasan data training adalah data sample sementara data testing adalah keseluruhan data.
4.2.2. Kuesioner Data Penilaian Mahasiswa
Kuesioner yang diisi oleh mahasiswa (variabel x) terdiri dari 10 pertanyaan, dengan bobot nilai minimal 1 dan maksimal 5 dengan fungsi keanggotaan kurang sekali, kurang, cukup, baik, dan baik sekali. Dengan kategori nilai:
Tabel 4.6. Tabel Klasifikasi penilaian mahasiswa
Nilai Kategori
0 – 10 Kurang Sekali
5 – 20 Kurang
15 – 30 Cukup
25 – 40 Baik
(57)
4.2.2.1. Fuzzifikasi Kuesioner Data Penilaian Mahasiswa
Setelah menentukan nilai tegas (crisp) dari kuesioner yang diperoleh dari data mahasiswa, maka selanjutnya dilakukan proses fuzzifikasi dari nilai-nilai tersebut. Seperti terlihat pada gambar 4.1.
Gambar 4.1. Fuzzifikasi penilaian mahasiswa
5 15 25 35 45 50
Penilaian Mahasiswa 0
1
Kurang Sekali Kurang Cukup Baik Baik Sekali
(58)
4.2.2.2. Menentukan Derajat Keanggotaan Data Penilaian Mahasiswa (µx Setelah proses fuzzifikasi, selanjutnya ditentukan derajat keanggotaan mahasiswa yaitu derajat keanggotaan kurang sekali (µ
)
KS), derajat keanggotaan kurang (µK),
derajat keanggotaan cukup (µC), derajat keanggotaan baik (µB), derajat
keanggotaan baik sekali (µBS) dengan ketentuan rumus:
1 ; x ≤ 5
(15 – x) ; 5 ≤ x ≤ 15 (15 – 5)
0 ; x ≥ 15
0 ; x ≤ 15 atau x ≥ 25
(x – 5) ; 5 ≤ x ≤ 15
(15 – 5)
(25 – x) ; 15 ≤ x ≤ 25 (25 – 15)
0 ; x ≤ 15 atau x ≥ 35
(x – 15) ; 15 ≤ x ≤ 25 (25 – 15)
(35 – x) ; 25 ≤ x ≤ 35 (35 – 25)
µC =
µKS =
(59)
0 ; x ≤ 25 atau x ≥ 45 (x – 25) ; 25 ≤ x ≤ 35 (35 – 25)
(45 – x) ; 35 ≤ x ≤ 45 (45 – 35)
0 ; x ≤ 35
(x – 35) ; 35 ≤ x ≤ 45 (45 – 35)
1 ; x ≥ 45
Keterangan:
KS = Kurang Sekali K = Kurang
C = Cukup B = Baik
BS = Baik Sekali
4.2.2.3. Semesta Pembicaraan kuesioner data penilaian mahasiswa
Semesta pembicaraan merupakan keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Variabel penilaian mahasiswa dan variabel untuk penilaian dosen memiliki semesta pembicaraan antara : [0 50]
4.2.2.4. Domain kuesioner data penilaian mahasiswa
Domain data kuesioner mahasiswa adalah:
µB =
(60)
Kurang Sekali : [0 15]
Kurang : [5 25]
Cukup : [15 35]
Baik : [25 45]
Baik Sekali : [35 50]
4.2.3. Kuesioner Data Penilaian Dosen
Kuesioner yang diisi oleh dosen (variabel y) terdiri dari 10 pertanyaan, dengan bobot nilai minimal 1 dan maksimal 5 dengan fungsi keanggotaan cukup, baik, dan baik sekali. Dengan kategori nilai:
Tabel 4.7. Tabel Klasifikasi penilaian dosen
Nilai Kategori
0 – 20 Cukup
20 – 40 Baik
(61)
4.2.3.1. Fuzzifikasi Kuesioner Data Penilaian Dosen
Setelah menentukan nilai tegas (crisp) dari kuesioner yang diperoleh dari data dosen, maka selanjutnya dilakukan proses fuzzifikasi dari nilai-nilai tersebut. Seperti terlihat pada gambar 4.2.
Gambar 4.2. Fuzzifikasi penilaian dosen
4.2.3.2. Menentukan Derajat Keanggotaan Data Penilaian Dosen (µy
Setelah proses fuzzifikasi, selanjutnya ditentukan derajat keanggotaan dosen yaitu derajat keanggotaan cukup (µ
)
C), derajat keanggotaan baik (µB), derajat
keanggotaan baik sekali (µBS) dengan ketentuan rumus:
1 ; x ≤ 15
(15 – x) ; 15 ≤ x ≤ 25 (25 – 15)
0 ; x ≥ 25
µC =
Cukup Baik Baik Sekali
Penilaian Dosen 25
20 35 40
µ(y)
15 30 45
0 1
(62)
0 ; x ≤ 20 atau x ≥ 40 (x – 20) ; 20 ≤ x ≤ 30 (30 – 20)
(40 – x) ; 30 ≤ x ≤ 40 (40– 30)
0 ; x ≤ 35
(x – 35) ; 35 ≤ x ≤ 45 (45 – 35)
1 ; x ≥ 45
Keterangan:
C = Cukup
B = Baik
BS = Baik Sekali
4.2.3.3.Semesta Pembicaraan Data Penilaian Dosen 4.2.3.4. Domain Data Penilaian Dosen
Domain untuk data kuesioner dosen adalah Cukup = [0 25]
Baik = [20 40] Baik Sekali = [35 50]
µB =
(63)
4.2.3.5. Rules
Rules adalah aturan yang ditabulasikan sebagai kata-kata fuzzy, yakni: K = Kurang
C = Cukup B = Baik Aturan fungsi ƒ
ƒ = {K, C, B}
Tabel berikut menggambarkan rule (aturan fuzzy) berdasarkan hasil analisis yang penulis lakukan.
Tabel 4.8. Tabel Aturan Fuzzy
Penilaian Dosen (y)
Penilaian Mahasiswa (x)
KS K C B BS
C K K C C B
B K C C B B
BS C C B B B
Tabel diatas merupakan rule (aturan fuzzy) berdasarkan hasil analisis penelitian yang penulis lakukan, yakni nantinya hasil yang diperoleh berasal dari hasil nilai mahasiswa dan hasil nilai dosen. Dengan nilai akhir yang diambil sebagai rule (aturan) adalah nilai yang mendekati nilai dari mahasiswa.
4.2.4. Database kinerja dosen
Database yang digunakan untuk program testing ini terdiri dari 12 tabel. Yaitu 5 tabel master dan 7 tabel transaksi. Table-tabel masternya adalah tabel dosen, tabel mahasiswa, tabel himpunan, table variabel dan tabel kuisioner. Seperti terlihat pada gambar 4.3. Tabel variabel digunakan untuk menampung data variabel yang terdiri dari variabel dosen dan variabel mahasiswa. Tabel himpunan digunakan untuk menampung data record himpunan yang terdiri dari himpuan kurang sekali,
(64)
kurang, cukup, baik, dan baik sekali yang merupakan himpunan dari variabel mahasiswa, himpunan cuku, kurang dan baik yang merupakan himpunan dari variabel dosen. Tabel fungsi keanggotaan digunakan untuk menampung data record fungsi keanggotaan yang terdiri dari varibel mahasiswa dengan:
1. Himpunan kurang sekali, maka nilai X1= x ≤ a, X2= x ≥ a and x ≤ c, X3=
x ≥ c dengan hasil, H1= 1, H2 = (c – x) / (c – a), H3=0.
2. Himpunan kurang, maka nilai X1= x ≤ a or x ≥ c, X2=x >= a and x <= b, X3=x >= b and x <= c, dengan hasil H1=0, H2=(x - a) / (b - a), H3=1. 3. Himpunan cukup, maka nilai X1=x <= a or x >= c, X2=x >= a and x <= b,
X3=x >= b and x <= c, dengan hasil H1=0, H2=(x - a) / (b - a), H3=1. 4. Himpunan baik, maka nilai X1=x <= a or x >= c, X2=x >= a and x <= b,
X3=x >= b and x <= c, dengan hasil, H1=0, H2=(x - a) / (b - a), H3=(c - x) / (c - b).
5. Himpunan baik sekali, maka nilai X1=x <= a, X2=x >= a and x <= b, X3=x >= b, dengan hasil, H1=0, H2=(x - a) / (b - a), H3=1.
6. Kemudian variabel dosen dengan himpunan cukup, maka nilai X1=x <= a, X2=x >= a and x <= c, X3=x >= c, dengan hasil, H1=1, H2=(a - x) / (c - a), H3=0.
7. Himpunan baik, maka nilai X1=x <= a or x >= c, X2=x >= a and x <= b, X3=x >= b and x <= c, dengan hasil, H1=0, H2=(x - a) / (b - a), H3=(c - x) / (c - b),
8. Himpunan baik sekali, maka nilai X1=x <= a, X2=x >= a and x <= c, X3=x >= c, dengan hasil H1=0, H2=(x - a) / (c - a), H3=1.
Tabel domain digunakan untuk menampung data record domain yang memiliki nilai minimal, nilai tengah dan nilai maksimal. Tabel semesta pembicaraan digunakan untuk menampung data semesta pembicaraan yang mempunyai nilai minimal dan nilai maksimal. Tabel kuesioner digunakan untuk menampung data kuesioner dosen dan mahasiswa. Tabel dosen digunakan untuk menampung data dosen yang terdiri dari NIDN, nama, tempat lahir, tanggal lahir, jenis kelamin, agama, pendidikan, gelar, dan bidang ilmu. Tabel mahasiswa digunakan untuk menampung data record mahasiswa yang terdiri dari nim, nama mahasiswa dan semester. Tabel NMahasiswa digunakan untuk menampung data
(65)
record nilai kuesioner mahasiswa yang terdiri dari nidn, nim, nokuis, dan nilai. Tabel µdosen digunakan untuk menampung data record µdosen yang terdiri dari nidn, kdhim, dan µ. Tabel NDosen digunakan untuk menampung data record nilai dari kuesioner dosen yang terdiri dari nidn, iddosen, nokuis, dan nilai. Dan tabel hasil digunakan untuk menampung data record hasil yang terdiri dari nidn, µ1, µ2, dan nilai.
4.2.4.1. Desain Database
Database kinerja dosen terdiri dari 12 tabel yang masing-masing tabel saling berhubungan satu dengan yang lainnya. Seperti terlihat pada gambar 4.3 berikut:
Gambar 4.3. Desain database Himpunan Kdhim Himpunan KdVariabel Variabel KdVariabel Variabel Domain Kdhim NilaiMin NilaiMid NilaiMax Dosen NIDN Nama Tempatlahir Tanggallahir Jenkel Agama Pendidikan Gelar Bidangilmu Mahasiswa Nim Nama Semester FAnggota Kdhim X1 X2 X3 H1 H2 H3 NMahasiswa NIDN NIM Nokuis Nilai Hasil NIDN Mu1 Mu2 Hasil NDosen NIDN Iddosen NoKuis Nilai MuDosen NIDN KdHim Mu Semesta Kdsemesta Nilaimin Nilaimax KdVariabel Kuisioner NoKuis Kuis KdVariabel
(66)
4.2.4.2. Flowchart
Flowchart atau diagram alir dibuat dengan tujuan menggambarkan suatu tahapan penyelesaian masalah secara sederhana, terurai, rapid dan jelas dengan menggunakan symbol-simbol yang standar (Sutedjo, B., AN, M. 2000). Seperti terlihat pada gambar 4.4 berikut:
Gambar 4.4 Flowchart
nput Variabel, Himpunan, Semesta
Pembicaraan, Domain, Dosen,
entukan Fungsi Keanggotaan, yaitu :
Kurva Bahu
Menentukan Aturan Fuzzy
Menghitung Nilai Kuisioner
Dosen dan Mahasiswa
Operasi Himpunan Fuz
zy,
(67)
4.2.5. Form Master
4.2.5.1. Form Master variabel
Form master variabel ini digunakan untuk menginput/mengolah data variabel yang terdiri dari variabel dosen dan variabel mahasiswa. Seperti yang terlihat pada gambar 4.5.
Gambar 4.5. Form variabel fuzzy
Keterangan:
1. Textbox untuk menginput kode variabel dan nama variabel
2. Command Button yang terdiri dari 4 yaitu simpan untuk proses menyimpan, button hapus untuk proses menghapus, button refresh untuk membersihkan isi dari texbox, dan button close untuk menutup form
3. Flexgrid untuk menampung data record yang telah diisikan
4.2.5.2. Form Master Himpunan
Form master himpunan ini digunakan untuk menginput/mengolah data himpunan fuzzy kinerja dosen dan mahasiswa yang terdiri dari himpunan kurang sekali, kurang, cukup, baik dan baik sekali yang berasal dari variabel mahasiswa. Sedangkan dari variabel dosen, himpunan fuzzy terdiri dari cukup, baik, dan baik sekali. Seperti terlihat pada gambar 4.6.
1 2
(68)
Gambar 4.6. Gambar form himpunan
Keterangan:
1. Combo box untuk memilih kode variabel
2. Textbox, yang terdiri dari 2 textbox untuk mengisi kode himpunan dan nama himpunan
3. Command Button, yang terdiri dari 4 button, yaitu button simpan untuk proses menyimpan, button hapus untuk proses mengahpus, button refresh untuk membersihkan isi dari textbox
4. Flexgrid untuk menampung record data yang telah diisi 1
2
3
(69)
4.2.5.3. Form Master Semesta Pembicaraan
Form master semesta pembicaraan untuk mengolah data semesta pembicaraan yang berasal dari variabel dosen [0 50] dan variabel mahasiswa [0 50]. Semesta pembicaraan terdiri dari nilai minimal yaitu 0 dan nilai maksimal yaitu 50. Seperti terlihat pada gambar 4.7.
Gambar 4.7. Gambar form semesta pembicaraan
Keterangan:
1. Combobox untuk memilih kode variabel
2. Textbox yang terdiri dari 3 textbox, yaitu untuk mengisi kode semesta pembicaraan, nilai minimal dan nilai maksimal
3. Command button yang terdiri dari 4 command button yaitu button simpan untuk proses menyimpan, button hapus untuk proses menghapus, button refresh untuk membersihkan isi dari textbox, dan button close untuk keluar dari form
4. Flexgrid untuk menampung data record yang telah diisikan
4.2.5.4. Form Master Domain
Form master himpunan digunakan untuk mengolah data himpunan dari variabel dosen dan variabel mahasiswa dengan himpunan kurang sekali, kurang, cukup, baik, dan baik sekali yang memiliki nilai minimal, nilai tengah dan nilai maksimal. Untuk variabel mahasiswa terdiri dari;
1. Himpunan kurang sekali dengan nilai minimal diperoleh jika x ≥ 15, untuk nilai tengah diperoleh jika 5 ≤ x ≤ 15, dan nilai maksimal diperoleh jika x
≤ 5.
1
2
3
(70)
2. Himpunan kurang dengan nilai minimal diperoleh jika x ≤ 15 atau x ≥ 25, untuk nilai tengah diperoleh jika 5 ≤ x ≤ 15, untuk nilai maksimal diperoleh jika 15 ≤ x ≤ 25.
3. Himpunan cukup dengan nilai minimal diperoleh jika x ≤ 15 atau x ≥ 45, untuk nilai tengah diperoleh jika 15 ≤ x ≤ 25, untuk nilai maksimal diperoleh jika 25 ≤ x ≤ 35.
4. Himpunan baik dengan nilai minimal diperoleh jika x ≤ 25 atau x ≥ 45, untuk nilai tengah diperoleh jika 25 ≤ x ≤ 35, untuk nilai maksimal diperoleh jika 35 ≤ x ≤ 45.
5. Himpunan baik sekali dengan nilai minimal diperoleh jika x ≤ 35, untuk nilai tengah diperoleh jika 35 ≤ x ≤ 45, untuk nilai maksimal diperoleh jika
x ≥ 45.
Untuk variabel dosen terdiri dari:
1. Himpunan cukup dengan nilai minimal diperoleh jika x ≥ 25, untuk nilai tengah diperoleh jika 15 ≤ x ≤ 25, untuk nilai maksimal diperoleh jika x ≤ 15.
2. Himpunan baik dengan nilai minimal diperoleh jika x ≤ 20 atau x ≥ 40, untuk nilai tengah diperoleh jika 20 ≤ x ≤ 30, untuk nilai maksimal diperoleh jika 30 ≤ x ≤ 40.
(71)
3. Himpunan baik sekali dengan nilai minimal diperoleh jika x ≤ 35, untuk nilai tengah diperoleh jika 35 ≤ x ≤ 45, dan nilai maksimal diperoleh jika x
≥ 45. Seperti terlihat pada gambar 4.8.
Gambar 4.8. Gambar form domain
Keterangan:
1. Combo box untuk memilih kode himpunan fuzzy
2. Textbox yang terdiri dari 3 textbox untuk mengisi nilai minimal, nilai tengah dan nilai maksimal dari nilai domain
3. Command button yang terdiri dari 4 button yaitu button simpan untuk proses menyimpan, button hapus untuk proses menghapus, button refresh untuk membersihkan isi dari textbox dan button close untuk menutup form domain.
4.2.6. Form Transaksi 4.2.6.1. Form µmahasiswa
Form µmahasiswa digunakan untuk mengolah data hasil nilai dari mahasiswa. Nilai yang diambil adalah nilai maksimal. Dengan ketentuan nilai derajat keanggotaan mahasiswa sbb:
1. µkurangsekali diperoleh jika x≥15 maka hasilnya nilai minimal, jika
5≤x≤15 maka hasilnya nilai tengah, dan jika x≤5 maka hasilnya adalah 1.
1
2
3
(72)
2. µkurang diperoleh jika x≤15 atau x≥25 maka hasilnya adalah nilai minimal, jika 5≤x≤15 maka hasilnya adalah nilai tengah, dan jika 15≤x≤25 maka hasilnya adalah nilai maksimal.
3. µcukup diperoleh jika x≤15 atau x≥35 maka hasilnya adalah nilai minimal, jika 15≤x≤25 maka hasilnya adalah nilai tengah, jika 25≤x≤35 maka hasilnya adalah nilai maksimal.
4. µbaik diperoleh jika x≤25 atau x≥45 maka hasilnya adalah nilai minimal, jika 25≤x≤35 maka hasilnya adalah nilai tengah, jika 35≤x≤45 maka hasilnya adalah nilai maksimal.
5. µbaiksekali diperoleh jika x≤35 maka hasilnya adalah nilai minimal, jika
35≤x≤45 maka hasilnya adalah nilai tengah dan jika x≥45 maka hasilnya
adalah nilai maksimal. Seperti terlihat pada gambar 4.9.
Gambar 4.9. Gambar form µmahasiswa
Keterangan:
1. Textbox untuk menampilkan nilai
2. Flexgrid untuk menampung record data yang telah diisi
3. Command button yang terdiri dari 4 button yaitu button simpan untuk proses menyimpan data, button hapus untuk proses menghapus data, button refresh untuk proses membersihkan isi dari texbox dan button close untuk keluar dari form µmahasiswa
1
2
2
2 3
(73)
4.2.6.2. Form µdosen
Form µdosen digunakan untuk mengolah data hasil nilai dari dosen. Nilai yang diambil adalah nilai maksimal. Dengan nilai derajat keanggotaan dosen sbb:
1. µcukup diperoleh jika x≤15 maka hasil yang diperoleh adalah nilai maksimal, jika 15≤x≤25 maka hasil yang diperoleh adalah nilai tengah, jika x≥25 maka hasil yang diperoleh adalah nilai minimal.
2. µbaik diperoleh jika x≤20 atau x≥40 maka hasil yang diperoleh adalah nilai minimal, jika 20≤x≤30 maka hasil yang diperoleh adalah nilai tengah, jika 30≤x≤40 maka hasil yang diperoleh adalah nilai maksimal.
3. µbaiksekali diperoleh jika x≤35 maka hasil yang diperoleh adalah nilai minimal, jika 35≤x≤45 maka hasil yang diperoleh adalah nilai tengah, dan jika x≥45 maka hasil yang diperoleh adalah nilai maksimal. Seperti terlihat pada gambar 4.10.
Gambar 4.10. Gambar form µdosen
Keterangan:
1. Textbox untuk menampilkan nilai
2. Flexgrid untuk menampung record data yang telah diisi
3. Command button yang terdiri dari 4 button yaitu button simpan untuk proses menyimpan data, button hapus untuk proses menghapus data, button refresh untuk proses membersihkan isi dari texbox dan button close untuk keluar dari form µdosen.
1
2 2
2 3
(74)
4.2.7. Hasil Rekomendasi
Form hasil rekomendasi akan memperlihatkan nilai dari kinerja dosen masing-masing beserta dengan kriterianya. Nilai kinerja dan kriteria diambil dari nilai µdosen dan µmahasiswa berdasarkan nilai minimal. Seperti terlihat pada gambar 4.11.
Gambar 4.11. Gambar form hasil rekomendasi
Keterangan:
1. Flexgrid untuk menampung data record dosen dan data record transaksi 2. Textbox yang digunakan untuk menampilkan nilai derajat keanggotaan
mahasiswa dan dosen serta hasil penilaian.
3. Command button yang terdiri dari 4 button yaitu button simpan untuk proses menyimpan data, button hapus untuk proses menghapus data, button refresh untuk merefresh, dan button close untuk proses keluar dari form hasil rekomendasi.
4. Label untuk proses hyperlink untuk melihat saran yang ada untuk setiap dosen.
Setelah hasil rekomendasi yang berupa nilai kinerja dosen didapat, rekomendasi selanjutnya adalah didapatkan variabel yang mempunyai nilai yang rendah atau
1
1
2
2 3
(75)
dengan kata lain nilai kelemahan dari dosen tersebut. Dari hasil rekomendasi itulah maka pimpinan dapat mengetahui sisi kelemahan dari setiap dosen, dan nantinya hasil ini akan dijadikan rujukan bagi pimpinan untuk member keputusan terhadap dosen. Seperti yang terlihat pada gambar 4.12 berikut:
Gambar 4.12. Hasil rekomendasi berupa saran
Keterangan:
1. Flexgrid untuk menampung data record dosen dan data record transaksi 2. Textbox yang digunakan untuk menampilkan nilai derajat keanggotaan
mahasiswa dan dosen serta hasil penilaian.
3. Command button yang terdiri dari 4 button yaitu button simpan untuk proses menyimpan data, button hapus untuk proses menghapus data, button refresh untuk merefresh, dan button close untuk proses keluar dari form hasil rekomendasi.
4. Label untuk proses hyperlink untuk melihat saran yang ada untuk setiap dosen.
5. Form saran yang menunjukkan saran-saran dari setiap variabel yang mempunyai kelemahan untuk dapat meningkatkan nilai kinerja dosen.
2
3
1
1
2
4
(76)
4.3. Penemuan yang terdapat pada penelitian
Dengan menggunakan logika fuzzy yang didapat dari variabel µmahasiswa dan µdosen, maka dihasilkan tingkat kinerja dosen yang terdiri dari kurang, cukup, dan baik. Untuk memvalidasi data saya menggunakan rule yang terdiri atas 2 komponen yaitu himpunan mahasiswa dan himpunan dosen. Selanjutnya didapatkan hasil rekomendasi nilai kinerja dosen beserta kriterianya, dengan nilai yang dijadikan sebagai hasil adalah nilai minimal dengan rumus: min(max(mhs), max(dosen)). Dari hasil rekomendai ini selanjutnya bisa dijadikan rujukan bagi pimpinan untuk menentukan keputusan.
(77)
(1)
(2)
BAB V
KESIMPULAN DAN SARAN
5.1. KESIMPULAN
Tesis ini menghasilkan beberapa kesimpulan sebagai berikut :
1.
Didapatkan suatu model untuk mendapatkan penilaian kinerja dosen
dengan kriteria kinerja kurang, kinerja cukup dan kinerja baik.
2.
Didapatkan alternative yang tepat dalam meningkatkan kinerja dosen
3.
Penggunaan metode
fuzzy
model Tahani sangat membantu dalam hal
mendapatkan suatu nilai yang bersifat
fuzzy
(samar), dalam hal ini nilai
kinerja dosen yang dihasilkan sudah sangat jelas beserta kriterianya.
4.
Dari nilai kinerja dan kriteria yang didapatkan, dapat dijadikan
rekomendasi kepada pimpinan dalam hal mengambil keputusan untuk
menindaklanjuti kinerja dosen.
5.2. SARAN
Saran penulis terhadap tesis ini adalah sebagai berikut :
1.
Untuk mendapatkan nilai kinerja dosen, kedepannya dapat digunakan
dengan metode/teknik yang lain.
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.
3.
Dari pendekatan model aturan yang di dapat, perlu menjadi perhatian
khusus bagi manajemen AMIK Tunas Bangsa Pematangsiantar untuk
(3)
melihat dan mengambil keputusan variabel mana yang harus diperhatikan
untuk mendukung peningkatan nilai kinerja dosen, sehingga nantinya
diketahui hal-hal apa yang perlu ditingkatkan dari kinerja dosen.
(4)
DAFTAR PUSTAKA
Aburrous, M.; Hossain, M.A.; Thabatah, F.; Dahal, K.; Intelligent Quality Performance Assessment for E-Banking Security using Fuzzy Logic. Information Technology: New Generations, 2008. ITNG 2008. Fifth International Conference on Digital Object Identifier: 10.1109/ITNG.2008.154. Publication Year: 2008 , Page(s): 420 – 425
Akhmad Fauzi Hasibuan. 2010. Penggunaan fuzzy database dalam rekomendasi pembelian perumahan berbasis sistem pendukung keputusan. Skripsi Sarjana Sains. FMIPA Universitas Sumatera Utara.
Amalia, L., Fananie, Z.B. dan Utama, D.N. 2010. Model fuzzy Tahani untuk pemodelan sistem pendukung keputusan. Prosiding Seminar Nasional Aplikasi Teknologi Informasi, Yogyakarta.
Anggraeni, R., Indarto, W. dan Kusumadewi, S. 2004. Sistem pencarian kriteria kelulusan menggunakan metode fuzzy Tahani. Jurnal Media Informatika, vol. 2:65-74. Ayuningtiyas, I.K., Saptono F. dan Hidayat, T. 2007. Sistem pendukung keputusan
penanganan kesehatan balita menggunakan penalaran fuzzy Mamdani. Prosiding Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007). Dewi Novia Nursa. 2010. Implementasi pangkalan data fuzzy model Tahani pada
perekomendasian pembelian mobil. Skripsi Sarjana Sains. FMIPA Universitas Sumatera Utara.
Eliyani, Pujianto, U. dan Rosyadi, D. 2009. Decision support system untuk pembelian mobil menggunakan fuzzy database model Tahani. Prosiding Seminar Nasional Aplikasi Teknologi Informasi, Yogyakarta.
El-Saady, G., M.Sharaf, A., Makky, A., Sherbiny, M.K. and Mohammed, G. 1994. A high performance induction motor drive system using fuzzy logic controller. 0-7803-1772-6/94 IEEE.
(5)
Hasiholan, L. dan Sudradjat, 2008. Evaluasi kinerja karyawan menggunakan metode pemrograman linear fuzzy. Prosiding Seminar Nasional Matematika 2008, Bandung
Kusumadewi, S. 2004. Fuzzy quantification theory I untuk analisis hubungan antara penilaian kinerja dosen oleh mahasiswa, kehadiran dosen, dan nilai kelulusan mahasiswa. Media Informatika, vol. 2, No. 1, 2010, pp. 1-10.
Kusumadewi, S. 2007. Sistem fuzzy untuk klasifikasi indicator kesehatan daerah. Seminar TEKNOIN, Yogyakarta.
Kusumadewi, S. dan Purnomo, H., 2010. Aplikasi Logika Fuzzy untuk system pendukung keputusan. Andi Offset, Yogyakarta
Lukas, S., Meiliayana, Simson, W. 2009. Penerapan logika fuzzy dalam pengambilan keputusan untuk jalur peminatan mahasiswa. Prosiding Konferensi Nasional Sistem dan Informatika 2009.
Mardia. 2010. Sistem pendukung keputusan menggunakan basis data fuzzy model Tahani untuk membantu pemilihan telepon selluler. Skripsi Sarjana. Fakultas Teknik dan Ilmu Komputer. Universitas Komputer Indonesia
Mishra, A. Zaheeruddin. 2010. Design of fuzzy neural network for function approximation and classification. IAENG International journal of computer science, 37:4, IJCS_37_4_02.
Mishra, J. 2011. Fuzzy Query Processing. International journal of research and reviews in next generation networks vol 1, No. 1, March 2011. India.
Muthuselvan, N.B.; Dash, S.S.; Somasundaram, P.; A High Performance Induction Motor Drive System Using Fuzzy Logic Controller. TENCON 2006. 2006 IEEE Region 10 Conference Digital Object Identifier: 10.1109/TENCON.2006.343938. Publication Year: 2006 , Page(s): 1 – 4
Obaid, Z.A., Sulaiman, N., Marhaban, M.H and Hamidon, M.N. 2010. Analysis and performance evaluation of PD-Like fuzzy logic controller design based on matlab and FPGA. IAENG International journal of computer science, 37:2, IJCS_37_2_04.
(6)
Onut, I.-V.; Ghorbani, A.A.; A Comprehensive Fuzzy Logic Model for Feature Performance Assessment against Network Attacks. Hawaii International Conference on System Sciences, Proceedings of the 41st Annual. Digital Object Identifier: 10.1109/HICSS.2008.8. Publication Year: 2008, Page(s): 203
Prasetiyowati, M.I., Seta, B.A. 2007. Implementasi fuzzy database untuk memberikan rekomendasi jalur peminatan mahasiswa. Prosiding Seminar Nasional Sistem dan Informatika, Bali.
Setyawan, S.H. 2009. Penerapan logika fuzzy untuk memperbaiki penyusunan rangking wilayah miskin. Prosiding Konferensi Nasional Sistem dan Informatika 2009. Sundani, D. 2008. Perangkat lunak SPSS sebagai alat untuk analisa hubungan kinerja
dosen dengan keberhasilan belajar. Jurnal Informatika Komputer, vol.13. Sutedjo, B., AN, M. 2000. Algoritma & Teknik Pemrograman. Andi Offset, Yogyakarta. Windi Purwo Siwi. 2009. Sistem pendukung keputusan pembelian kendaraan bermotor
pribadi dengan fuzzy query. Skripsi Sarjana Sains. Institut Teknologi Sepuluh Nopember Surabaya.
Wulandari, F. 2005. Pembuatan sistem pendukung keputusan berbasis teori fuzzy untuk mengembangkan suatu produk baru. Jurnal Sain, Teknologi & Industri, vol.2:62-66.