Abstrak
Penilaian akuntabilitas kinerja dosen di perguruan tinggi dengan menerapkan variabel-variabel penilaian tertentu yang diimplementasikan pada algoritma decision tree dalam mengklasifikasi kinerja beban dosen
Kata Kunci : Klasifikasi, Kinerja Beban Dosen, Parameter, Algoritma Decision Tree
endahuluan
Dosen adalah salah satu komponen esensial dalam suatu sistem pendidikan di perguruan tinggi. Peran, tugas, dan tanggungjawab dosen sangat penting dalam mewujudkan tujuan pendidikan nasional, yaitu mencerdaskan kehidupan bangsa, meningkatkan kualitas manusia Indonesia, yang meliputi kualitas iman/takwa, akhlak mulia, dan penguasaan ilmu pengetahuan, teknologi, dan seni, serta mewujudkan masyarakat Indonesia yang maju, adil, makmur, dan beradab.
Kompetensi tenaga pendidik, khususnya dosen, diartikan sebagai seperangkat pengetahuan, keterampilan dan perilaku yang harus dimiliki, dihayati, dikuasai dan diwujudkan oleh dosen dalam melaksanakan tugas profesionalnya. Kompetensi tersebut meliputi kompetensi pedagogik, kompetensi kepribadian, kompetensi sosial dan kompetensi profesional. Tugas utama dosen adalah melaksanakan tridharma perguruan tinggi dengan beban kerja paling sedikit sepadan dengan 12 (dua belas) sks dan paling banyak 16 (enam belas) sks pada setiap semester sesuai dengan kualifikasi akademik.
1.1. Latar Belakang
Untuk melaksanakan fungsi, peran, dan kedudukan yang sangat strategis tersebut, diperlukan dosen yang profesional. pengklasifikasian beban kerja dosen dalam hal perekrutan dosen, pembagian jadwal mengajar, pemberian tunjangan, dan sebagainya. Dari pemaparan diatas kami mencoba menerapkan sebuah konsep Klasifikasi terhadap beban kinerja dosen menggunakan algoritma Decision Tree Adapun Decision Tree ini adalah sebuah jawaban akan sebuah sistem / cara yang manusia kembangkan untuk membantu mencari dan membuat keputusan untuk masalah-masalah tersebut dan dengan memperhitungkan berbagai macam faktor yang ada di dalam lingkup masalah tersebut. Dengan Decision Tree, manusia dapat dengan mudah melihat mengidentifikasi dan melihat hubungan antara faktor- faktor yang mempengaruhi suatu masalah dan dapat mencari penyelesaian terbaik dengan memperhitungkan faktor-faktor tersebut. Decision Tree ini juga dapat menganalisa nilai resiko dan nilai suatu informasi yang terdapat dalam suatu alternatif pemecahan masalah. Peranan Decision Tree ini sebagai alat bantu dalam mengambil keputusan (decision support tool) telah dikembangkan oleh manusia sejak perkembangan teori pohon yang dilandaskan pada teori graf. Kegunaan Decision Tree yang sangat banyak ini membuatnya telah dimanfaatkan oleh manusia dalam berbagai macam sistem pengambilan keputusan.
1.2. Rumusan Masalah
Berdasarkan uraian yang telah dikemukakan, maka dalam penelitian ini masalah pokok yang akan menjadi fokus perhatian adalah :
a. Bagaimana penilaian akuntabilitas kinerja dosen di perguruan tinggi dengan menerapkan variabel-variabel penilaian tertentu untuk evaluasi kinerja beban dosen. b.
c.
d. Bagaimana mengimplementasikan algoritma pohon
keputusan (decition tree) dalam analasis untuk
menentukan kinerja beban dosen.
1.3. Batasan Masalah
Masalah klasifikasi untuk evaluasi Beban kerja dosen dengan menggunakan Algoritma Decision tree akan dibatasi beberapa langkah sebagai berikut:
a. Algoritma decision tree merepresentasikan supervised learning, dan oleh karena itu membutuhkan variabel target preclassified.
b. Training data set harus kaya dan bervariasi.
c. Kelas atribut target data beban kinerja dosen harus diskrit.
Selain batasan masalah di atas, dalam Klasifikasi beban kerja dosen ini juga digunakan asumsi-asumsi berikut:
a. Terdapat tiga variabel umum dalam Klasifikasi evaluasi penilaian kinerja beban dosen.
b. Basis data yang ada harus disesuaikan dengan variabel- variabel yang digunakan serta telah dikonversi dalam bilangan real.
1.4. Tujuan Penelitian
Dengan mengacu pada perumusan masalah sebagaimana tersebut diatas, maka tujuan penelitian ini adalah :
a. Menemukan cara yang efektif dalam melakukan kalsifikasi evaluasi beban kinerja dosen.
b. Penerapan algoritma Decision Tree sebagai solusi terbaik
Dasar Teori
2.1. Dosen dan Beban Kerja Dosen
Dalam Kamus Besar Bahasa Indonesia, dosen berarti guru dalam perguruan tinggi. Beban kerja dosen diukur berdasarkan tugas yang diembannya.
Tugas utama dosen adalah melaksanakan tridharma perguruan tinggi. Setiap tugas yang dilaksanakan tersebut akan dikonversi dalam SKS. Masing-masing dosen idealnya memiliki beban kerja paling sedikit sepadan dengan 12 (dua belas) sks dan paling banyak 16 (enam belas) sks pada setiap semester sesuai dengan kualifikasi akademik. Pelaksanaan tugas utama dosen ini perlu dievaluasi dan dilaporkan secara periodik sebagai bentuk akuntabilitas kinerja dosen kepada para pemangku kepentingan. Tugas utama tersebut dibagi menjadi 6 bidang. Pada penelitian ini tugas dosen tersebut dirumuskan menjadi:
a. Jumlah tatap muka b. Ketaatan terhadap SAP c. Nilai rata-rata evaluasi mahasiswa d. Ketidak hadiran pada rapat Jurusan
e. Waktu bimbingan/konsultasi di luar jam perkuliahan persemester rata-rata kurang dari 5 jam per minggu
f. Kehadiran dalam kegiatan akademik non- pengajaran
(Workshop, seminar, pelatihan,, dll) yg ditugaskan jurusan
2.2. Decision Tree
Decision treemerupakan salah satu teknik yang dapat digunakan untuk melakukan klasifikasi terhadap sekumpulan
Mansur. AS
P2700210044 Univ. Muhammadiyah Parepare Jl. Jend. Ahmad Yani KM. 06 Parepare
Petrus Katemba
P2700210018 STIKOM Uyelindo Kupang Jl. Perintis Kemerdekaan Kupang
62 objek atau record. Teknik ini terdiri dari kumpulan decision
node, dihubungkan oleh cabang, bergerak ke bawah dari root nodesampai berakhir di leaf node. Pengembangan decision tree
dimulai dari root node, berdasarkan konvensi ditempatkan di bagian atas diagram decision tree, semua atribut dievaluasi pada
decision node, dengan tiap outcomeyang mungkin menghasilkan cabang. Tiap cabang dapat masuk baik ke decision nodeyang lain ataupun ke leaf node.
2.2.1. Skema Decision Tree
Skema dan struktur Decision Tree adalah suatu Permodelan dari struktur pohon menurut teori graf.
2.2.2. Struktur Decision Tree
Secara umum Decision Tree adalah suatu gambaran permodelan dari suatu persoalan yang terdiri dari serangkaian keputusan yang mengarah kesolusi. Tiap simpul dalam menyatakan keputusan dan daun menyatakan solusi.
Permodelan Decision Tree di sini berupa permodelan pohon dengan jumlah anak yang dapat berbeda-beda tiap simpulnya.
2.2.3. Konsep Decision Tree
Mengubah data menjadi Decision Tree (decision tree) dan aturan-aturan keputusan (rule)
2.2.4. Konsep Data Dalam Decision Tree
Data dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan tree. Salah satu atribut merupakan atribut yang menyatakan data solusi per-item data yang disebut dengan target atribut. Atribut memiliki nilai- nilai yang dinamakan dengan instance. Misalkan atribut cuaca mempunyai instance berupa cerah, berawan dan hujan
2.2.5. Proses Dalam Decision Tree
Menghitung Kesamaan data atau ketidaksamaan data dalam sebuah tabel yang mengandung atribut dan Kelas dari atribut.
a. Mengubah bentuk data (tabel) menjadi model tree.
b. Mengubah model tree menjadi rule c. Menyederhanakan Rule (Pruning)
2.2.6. Entropy
Keterangan :
a. S adalah ruang (data) sample yang digunakan untuk training.
b. P+ adalah jumlah yang bersolusi positif (mendukung) pada data sample untuk kriteria tertentu.
c. P+ adalah jumlah yang bersolusi negatif (tidak mendukung) pada data sample untuk kriteria tertentu. d. Besarnya Entropy pada ruang sample S didefinisikan
dengan:
e. Entropy(S) = -p+log p +−p log-p-
Definisi Entropy
Entropy(S)adalah jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak suatu kelas (+ atau -) dari sejumlah data acak pada ruang sample - S.
Entropy bisa dikatakan sebagai kebutuhan bit untuk menyatakan suatu kelas. Semakin kecil nilai Entropy maka semakin baik untuk digunakan dalam mengekstraksi suatu kelas.Panjang kode untuk menyatakan informasi secara optimal adalah –log2pbits untuk messages yang mempunyai probabilitasp.
Sehingga jumlah bit yang diperkiraank untuk
mengekstraksi S ke dalam kelas adalah: p+log p +−p log -
Implementasi Klasifikasi Kinerja Beban Dosen Menggunakan Algoritma Decision Tree
3.1. Data sample yang digunakan untuk mengKlasifikasi kinerja beban dosen.
Data yang diambil 8 sample, dengan pemikiran bahwa yang mempengaruhi kinerja beban dosen adalah paramater berikut :
Keterangan :
a. Jumlah Tatap Muka
Nilai bobot Maksimal 20% dengan aturan penilain = Jika Jumlah Tatap Muka <=15% =TIDAK TERCAPAI, Jika 16 sampai dengan 20 % = TERCAPAI
b. Nilai Rata-rata Evaluasi mahasiswa
Nilai bobot Maksimal 20% dengan aturan penilain = Jika Nilai Rata-rata Evaluasi mahasiswa <=15% =TIDAK TERCAPAI, Jika >16 sampai dengan 20 % = TERCAPAI
c. Ketaatan Terhadap SAP
Nilai bobot Maksimal 20% dengan aturan penilain = Jika Ketaatan Terhadap SAP
<=15% = MENYIMPANG, Jika >15 sampai dengan 20% = TAAT
d. Karya Ilmiah Terbit di Jurnal Akreditasi
Nilai bobot Maksimal 20% dengan aturan penilain Jika = 0 Jurnal yang Terbit Bobot Nilai = 1 sampai dengan 10% jika 1 Jurnal yang Terbit Bobot Nilai = 11 sampai dengan 20% / =IF(I6<=10%;"TDK
TERBIT";IF(I6>10%;"TERBIT"))
e. Kehadiran Pada Rapat Jurusan
Nilai bobot Maksimal 20% dengan aturan penilain = Jika Kehadiran Pada Rapat Jurusan
<=10%=TDK TERPENUHI, dan Jika >10 sampai dengan 20% =TERPENUHI
Sehingga diperoleh nilai akhir berupa Prestasidengan ketentuan penjumlahan persentase parameter-parameter di atas = jika <=75% , maka Prestasi = “PUNISHMENT” dan jika >75%
sampai dengan 100% maka Prestasi= “REWARD”
3.2. Langkah Mengubah Data Menjadi Tree 3.2.1. Menentukan Node Terpilih
a. Untuk menentukan node terpilih, digunakan nilai
Entropy dari setiap kriteria dengan data sample yang telah ditentukan.
b. Node terpilih adalah kriteria dengan entropy yang paling kecil
Proses mencari node awal dengan kriteria nilai entropy terkecil
q1 = − log 2 − log 2 = 0.65 q2 = − log 2 − log 2 = 0.65 Entropy = 1 + 2 = 0,48
Entropy = 1 + 2 =0,40
Parameter “Nilai Rata-rata Evaluasi Mahasiswa” Sebagai
node awal karena memiliki nilai entropi terkecil
q1 = − log 2 − log 2 = 0,65 q2 = − log 2 − log 2 = 0 Entropy = 1 + 2 = 0,48
q1 = − log 2 − log 2 = 1 q2 = − log 2 − log 2 = 0 Entropy = 1 + 2 = 0,75
q1 = − log 2 − log 2 = 0,97 q2 = − log 2 − log 2 = 0,91 Entropy = 1 + 2 = 0,95
3.2.2. Penyusunan Tree Awal Dari Node yang terpilih
Nilai Rata - rata E v aluasi Mahas is wa A0 0 1( + ) A0 0 2( + ) A0 0 4( + ) A0 0 8( + ) Terc apai (S ubset 1) TD K Terc apai (S ubset 2) A0 0 3(- ) A0 0 5( + ) A0 0 6(- ) A0 0 7(- )
Pada kasus di atas yang mempunyai niLai (+) dan (-) hanya leaf node Nilai rata-rata mahasiswa = TDK Tercapai. Sehingga dapat disusun leaf node berikutnya satu persatu.
3.2.3. Penentuan Leaf Node untuk Nilai Rata-rata Evaluasi Mahasiswa = TDK Tercapai
Data Training Nilai Rata-rata Evaluasi Mahasiswa = TDK Tercapai
Dari data training di atas akan dicari lagi nilai entropy masing masing tabel, shingga akan diperoleh entropy terkecil yang akan dijadikan sebagai leaf node “Nilai Rata-rata Evaluasi Mahasiswa”.
q1 = − log 2 − log 2 = 0,50 q2 = − log 2 − log 2 = 0 Entropy = 1 + 2 = 0,50
attribut
Target attribut
q1 q2
q1 = − log 2 − log 2 = 0,50 q2 = − log 2 − log 2 = 0 Entropy = 1 + 2 = 0,50
q1 = − log 2 − log 2 = 0,92 q2 = − log 2 − log 2 = 0 Entropy = 1 + 2 = 0,69
q1 = − log 2 − log 2 = 0,81 q2 = 0 Entropy = 1 + 2 = 0,81
3.2.4. Penyusunan Tree
Melakukan spesifikasi masalah dengan menentukan Atribut dan Target Atribut berdasarkan data yang ada serta melakukan perhitungan nilai Entropy dari setiap kriteria dengan data sample yang ditentukan.
Melakukan klasifikasi terhadap sekumpulan objek atau
record. Teknik ini terdiri dari kumpulan decision node, dihubungkan oleh cabang, bergerak ke bawah dari root node
sampai berakhir di leaf node. Pengembangan decision tree ini
dimulai dari root node, berdasarkan konvensi ditempatkan di bagian atas diagram decision tree, semua atribut dievaluasi pada
decision node, dengan tiap outcomeyang mungkin menghasilkan cabang. Tiap cabang dapat masuk baik ke decision nodeyang lain ataupun ke leaf node.
Nilai Rata -rata E valuasi Mahasiswa Terc apai K etaatan Terhadap S A P Jumlah Tatap Muka M enyimpang A003(-) A005( + ) A006(-) A007(-) Reward P unishment
Terc apai TDK Terc apai
A 001(+ ) A 002(+ ) A 004(+ ) A 008(+ )
A005(+ )
A006(- ) A003(- )A007(- )
Taat A005(+ ) A007(- ) A003(-) A006(-) P unishment K ehadiran P ada Rapat Jurusan Terpenuhi TDK Terpenuhi A003(-) A005(+ ) A007(-) A 006(- )
K arya Ilmiah Terbit di Jurnal A kreditasi Terbi t A003(- ) A005(+ ) TDK Terbi t P unishment
Nilai Rata -rata E valuasi Mahas iswa Terc apai K etaatan Terhadap S A P J umlah Tatap Muk a M enyi mpang Reward P unis hment Terc apai TDK Terc apai
Taat
P unishment K ehadiran P ada
Rapat Jurusan
Terpenuhi TDK Terpenuhi
K arya Ilmiah Terbit di J urnal A k reditas i Terbit TD K Terbi t P unishment P unis hment Reward TD K Terc apai
Dari Penyusunan Tree di atas ada beberapa leaf node yang memiliki nilai entropy yang sama, sehingga dilakukan pengambilan leaf node berikutnya secara acak.
Pada leaf node terakhir diperoleh hasil = Jika “Karya Ilmiah Terbit di Jurnal Akreditasi = Reward”.
3.3. Mengubah Tree Menjadi Rule
Nilai Rata -rata E valuasi Mahasiswa Terc apai K etaatan Terhadap S A P Jumlah Tatap Muka M enyi m pang Reward P unishment Terc apai TDK Terc apai
Taat
P unishment K ehadiran P ada
Rapat Jurusan
Terpenuhi TD K Terpenuhi
K arya Ilmiah Terbit di Jurnal A kreditasi Terbit TDK Terbit P unishment P unis hment Reward TD K Te rc apai
Dari hasil Tree diatas dapat kita susun rulenya sebagai berikut :
R1 : IF Nilai Rata-rata Mahasiswa = Tercapai THEN Prestasi = Reward
R2 : IF Nilai Rata-rata Mahasiswa = TDK Tercapai^Jumlah Tatap Muka=Tercapai^Ketaatan terhadap SAP= Taat^Kehadiran Pada Rapat Jurusan=Terpenuhi^Karya