2.1 Logika Fuzzy
Logika yang hanya berdasarkan atas 2 nilai kebenaran yaitu TRUE (1) dan FALSE (0) kadang-kadang dirasakan kurang lengkap untuk menyatakan logika berpikir manusia. Sehingga dikembangkan logika yang tidak hanya bernilai 0 atau 1 tapi menggunakan logika yang punya interval nilai antara [0,1] yang disebut dengan logika samar (Fuzzy logic).
dengan nilai tak berhingga yang paling menarik. Tapi selanjutnya dia lebih memilih
logika dengan 4 nilai kebenaran karena paling mudah disesuaikan dengan logika
Aristotle ( 2 nilai kebenaran). Juga perlu dicatat Knuth, juga menyatakan logika
dengan 3 nilai kebenaran hampir sama seperti Lucasiewicz. Knuth berspekulasi bahwa
matematik akan menjadi lebih nyaman jika dibandingkan secara tradisional dengan
hanya 2 nilai kebenaran.
Ide dari logika dengan nilai tak berhingga sudah diperkenalkan oleh Zadeh
dalam tulisannya yang berjudul tentang “ Fuzzy sets” (himpunan fuzzy) disertai
dengan penjelasan matematik teori Himpunan Fuzzy dan juga tentang Logika Fuzzy.
Dalam teori ini juga dijelaskan tentang pembentukan Fungsi Keaggotaan (membership
function) yang beroperasi pada range nilai antara [0,1]. Disamping itu juga diusulkan
tentang operasi – operasi matematika logika yang pada prinsipnya merupakan
pengembangan dari logika klasik.
Logika Fuzzy sudah memberikan perubahan dalam pengambilan keputusan
dimana kemampuan berpikir manusia yang tidak pasti dapat dipakai dalam sistem
berbasis pengetahuan. Teori logika fuzzy sudah menyediakan teori matematika untuk
menampung ketidakpastian proses berpikir manusia. Beberapa ciri dari logika fuzzy
(Zadeh, 2008) adalah :
- Dalam logika fuzzy, logika pasti (exact) dianggap sebagai kasus terbatas dari
logika tidak pasti (approximate).
- Dalam logika fuzzy, segala sesuatu (pernyataan) ditentukan berdasarkan tingkatan
(degree).
- Dalam logika fuzzy, pengetahuan merupakan kumpulan dari batasan-batasan yang
elastis atau tidak pasti (fuzzy).
- Pengambilan keputusan adalah proses peralihan dari batasan-batasan elastis atau
tidak pasti.
- Semua sistem logika dapat dibuat menjadi samar (fuzzy)
Ada 2 ciri utama dari Sistem Fuzzy sehingga sistem ini dapat diterapkan dengan baik
pada beberapa aplikasi tertentu :
- Sistem fuzzy sangat cocok untuk logika berfikir yang tidak pasti, khususnya untuk
- Logika fuzzy membolehkan pengambilan keputusan dengan nilai perkiraan atau
berdasarkan informasi yang tidak lengkap atau tidak pasti.
2.2 Teori Himpunan Klasik dan Himpunan Fuzzy
Teori Klasik tentang himpunan atau ”set” didasarkan pada konsep fundemental
himpunan bahwa suatu entiti dapat merupakan anggota himpunan tersebut atau bukan
merupakan anggotanya. Perbedaan yang tajam, jelas atau tidak ambigu terdapat
antara anggota dan bukan anggota dari suatu himpunan yang telah didefinisikan pada
teori ini. Dan terdapat batas yang sangat jelas agar dapat mengindikasikan bahwa
suatu entiti merupakan bagian dari himpunan ini.
Dengan kata lain, ketika terdapat pertanyaan mengenai suatu entiti ini
merupakan anggota dari himpunan atau tidak. Jawabannya adalah ”Ya” atau ”Tidak”.
Dalam hal probabilitas dan statistik, jika seseorang bertanya, ” berapa kemungkinan
entiti ini adalah anggota dari suatu himpunan?”. Dalam kasus ini jawabannya dapat
berupa misalnya, ”Kemungkinan bahwa entiti ini merupakan anggota dari suatu
himpunan adalah 90%”, namun kesimpulannya masih juga dapat dikatakan bahwa
entiti ini adalah anggota atau bukan anggota dari suatu himpunan. Kemungkinan
untuk seseorang dalm membuat prediksi yang tepat bahwa ”entiti ini anggota suatu
himpunan ” adalah 90%, dimana hal ini bukan berarti bahwa entiti ini memiliki 90%
keanggotaan dari himpunan dan 10% bukan keanggotaan dari entiti ini.
Dalam teori himpunan klasik, hal ini tidak diperbolehkan dimana sebuah
elemen atau entiti ada dalam himpunan dan tidak ada dalam himpunan tersebut dalam
waktu yang bersamaan.nya Sehingga, banyak kasus dalam aplikasi dunia nyata tidak
dapat dijelaskan dan ditangani dengan teori himpunan klasik, termasuk semua yang
melibatkan elemen/entiti dengan keanggotaan sebagaian dalam himpunan. Sebaliknya,
teori himpunan fuzzy mengizinkan penggunaan keanggotaan sebagaian dalam
himpunan, yang dalam teori himpunan kelasik memiliki keterbatasan dalam hal ini.
Sebuah himpunan klasik digambarkan dengan batasan yang jelas, yakni tidak
ada ketidakpastian dalam lokasi dan batas dari himpunan. Gambar 2.1a menunjukkan
batasan dari himpunan klasik A dalam garis yang jelas. Sedangkan himpunan fuzzy,
ditentukan dengan properti yang samar-samar dan ambigu, karenanya batasannya
dispesifikasikan secara samar dan ambigu. Gambar 2.1b menunjukkan batasan dalam
merupakan anggota dari himpunan klasik A dan entiti b jelas bukan merupakan
anggota dari himpunan A. Sedangkan gambar kedua menunjukkan hal yang samar,
batas yang ambigu dari himpunan fuzzy A. Area abu-abu berbayang merupakan batas
himpunan fuzzy A.
Pada area pusatnya (tidak berbayang) dari himpunan fuzzy menunjukkan entiti
a secara jelas sepenuhnya adalah anggota dari himpunan ini, pada area luar dari batas
area himpunan fuzzy entiti b secara jelas bukan merupakan anggota dari himpunan ini.
Namun, keanggotaan dari entiti c yang berada dalam area batas himpunan fuzzy
adalah ambigu. Jika anggota himpunan secara penuh dalam himpunan (entiti a)
direpresentasikan dengan angka 0, maka entiti c dalam himpunan ini harus memiliki
nilai tengah dari keanggotaan pada interval [0,1].
(a) (b)
Gambar 2.1 Himpunan klasik ( a), Himpunan fuzzy(b)
Sumber : Ross, 2010
2.3 Teori Himpunan Tegas
Himpunan tegas adalah sekelompok anggota yang mempunyai batas-batas yang
tegas. Himpunan tegas dapat dilihat pada gambar 2.2 yang digambarkan dalam
diagram venn. Pada gambar 2.2 ada suatu himpunan bagian A, dengan X merupakan
himpunan semesta. Jika himpunan x merupakan himpunan bagian A, maka x
merupakan anggota dari A yang dinotasikan dengan xЄA. Dan sudah tentu bahwa
xЄX. Jika x bukan himpunan dari A ( x bukan bagaian dari A), maka dapat dituliskan
bahwa xЄA.
Bila suatu himpunan tidak memiliki satupun anggota, maka disebut sebagai
contoh, suatu himpunan bagian terdiri dari sekelompok orang yang tinggal di Cincin
mati yang berumur diatas 50 tahun.
A={a1,a2,...,an}
Dapat dilihat bahwa anggota himpunan terdiri dari n elemen a1,a2,...,a3. Himpunan
yang lainnya yang keanggotaannya lebih dari 50 dapat dituliskan:
A={x|x>50}
Disini, simbol “|” dapat didefenisikan bahwa A adalah himpunan semua bilangan x
dimana x>50.
`
Gambar 2.2 Konsep tegas (a) membership, (b) complement
(c) union, (d) intersection, (e) subset(proper)
Sumber: Karray & Silva, 2004
2.4 Perhitungan dengan Kata-Kata
Perhitungan dengan kata-kata merupakan metodologi untuk penalaran, komputasi dan
pengambilan keputusan dengan memberikan informasi dalam bahasa alami, misalnya:
kecil, besar, jauh, berat, tidak sangat mungkin, harga gas rendah dan menurun.
Manusia mempunyai kemampuan yang luar biasa banyaknya. Diantaranya
terdapat dua yang paling menonjol. Pertama, kemampuan dalam berbicara, x
A x
x
A x
x
B A
(a) (b)
(c) (d)
berkomunikasi, pola pikir dan mengambil keputusan rasional dalam suatu lingkungan
yang samar dari informasi yang tidak lengkap dan memberikan kebenaran. Dan kedua,
kemampuan melakukan berbagai macam pekerjaan secara fisik dan mental tanpa
melakukan pengukuran yang banyak. Dalam pengukuran yang besar, perhitungan
dengan kata-kata merupakan suatu inspirasi yang sangat luar biasa.(Zadeh, 1999)
Tiga alasan utama dalam perhitungan dengan kata-kata adalah :
1. Banyaknya pendapat manusia yang dijelaskan dengan menggunakan bahasa alami.
2. Penggunaan kata-kata lebih tepat digunakan daripada angka, saat kita tidak tahu
berapa pastinya angka tersebut.
3. Biaya yang lebih sedikit.
Perhitungan dengan kata-kata merupakan ide dasar dalam penentuan variabel
linguitik dan aturan IF – THEN fuzzy yang hampir digunakan di semua aplikasi
logika fuzzy, terutama dibidang produk , konsumen produk dan sistem industri.
Perhitungan dengan kata-kata merupakan suatu tantangan bagi orang yang
menggunakan dua konsep yaitu secara teori dan konsep logika fuzzy.
Perbedaan mendasar antara persepsi dan pengukuran adalah bahwa, secara
umum pengukuran merupakan hal pasti/tegas sedangkan persepsi merupakan
fuzzy/samar.
Tandy 3 tahun lebih tua dari Dana
Suhunya sangat hangat Eva masih muda
2.5 Himpunan Fuzzy
Himpunan fuzzy (fuzzy set) adalah generalisasi dari konsep fungsi karakteristik.
Sebuah himpunan fuzzy adalah sekelompok objek yang didefinisikan berdasarkan
tingkat derajat keanggotaan yang ditandai oleh fungsi keanggotaan yang dimiliki
setiap objek dengan derajat keanggotaan berkisar antara nol dan satu (Kantardzic,
1993). Himpunan fuzzy dapat dinotasikan sebagai berikut : A{(x,µA(x))/xЄ X}.
Himpunan fuzzy dituliskan sebagai psangan berurutan, dengan elemen
pertama menunjukkan nama elemen dan elemen kedua menunjukkan nilai
keanggotaannya. Fungsi keanggotaan yang dimiliki masing-masing elemen dengan
derajat keanggotaan antara 0 dan 1 (Karray and Silva, 2004).
µA(x):X→[0,1]
Dengan µA(x) merupakan fungsi keanggotaan dari himpunan fuzzy A dalam
himpunan semesta X. Besaran yang lain dari himpunan fuzzy A berdasarkan
urutannya adalah :
A={(x,µA(x));x Є X, µA(x) Є [0,1]}
Gambar fungsi keanggotaan dari himpunan fuzzy dapat dilihat pada gambar 2.4.
Gambar 2.4 Fungsi keanggotaan himpunan fuzzy
1. Operasi Himpunan Fuzzy
Misalkan himpunan fuzzy A dan B dalam semesta X, untuk elemen x dalam semesta
berlaku operasi gabungan, perpotongan dan komplemen (Klir and Yuan,1995),
sebagai berikut:
1. Gabungan µA∪B(x) =µA(x)⋁µB(x)
2. Perpotongan µA∩B(x)= µA(x)⋀µB(x)
3. Komplemen µA-1(x)= 1- µA(x)
Operasi-operasi ini disebut operasi standar fuzzy. Diagram Venn untuk operasi ini
ditunjukkan pada gambar berikut:
Gambar 2.5 Diagram Venn untuk operasi Gabungan, Perpotongan dan
Komplemen pada Himpunan Fuzzy
Untuk pemetaan himpunan fuzzy, misalkan R dan S adalah pemetaan himpunan fuzzy
dalam semesta X dan Y, maka operasi yang berlaku sebagai berikut:
1. Gabungan µR∪S(x,y) =Max (µR(x,y), µS(x,y))
2. Intersection µR∩S(x,y)=Min (µR(x,y), µS(x,y))
3. Complement µR-1(x)= 1- µR(x)
Sebagai contoh, jika himpunan fuzzy A dan B sebagai berikut :
Maka hasil operasi gabungan, perpotongan dan komplemen pada relasi dua himpunan
di atas adalah sebagai berikut :
Gabungan A∪B =
{ +
.
+
.
+
.
}
Perpotongan A ∩ B =
{
.
+
.
+
.
+
.
}
Komplemen Ā =
{ +
+
.+
.+
.}
B =
{ +
.+
.+
.+
.}
2. Fungsi Keanggotaan Himpunan Fuzzy
Secara umum fungsi keanggotaan suatu himpunan fuzzy dapat ditentukan dengan
fungsi bentuk segitiga (triangle), trapesium (trapezoidal), dan fungsi gauss (gaussian).
Masing-masing bentuk fungsi diatas memiliki kelebihan dan kekurangan dalam
aplikasinya.
a. Bentuk fungsi segitiga(triangle)
Bentuk himpunan fuzzy fungsi segitiga dapat dilihat seperti pada gambar 2.6.
Gambar 2.6. Kurva Fungsi segitiga
Sumber : Kantardzic, 1993
Fungsi keanggotaan bentuk segitiga :
0; x ≤ a atau x ≥ c
( x-a)/(b-a); a≤ x ≥ b
b. Bentuk Fungsi Trapesium (trapezoidal)
Bentuk himpunan fuzzy trapezium dapat dilihat seperti pada gambar 2.7.
Gambar 2.7. Kurva Trapesium Sumber : Kantardzic, 1993
Fungsi keanggotaan bentuk trapezium:
0; x ≤ a atau x ≥ d
x-a/b-a; a≤ x ≥ b
µT[x] = 1; b ≤ x ≤ c
(d-x)/(d-c) c ≤ x ≤ d
c.Bentuk fungsi gauss (gaussian)
Bentuk himpunan fuzzy fungsi gauss dapat dilihat seperti pada gambar 2.8.
Gambar 2.8. Kurva Fungsi gauss Sumber : Kantardzic, 1993
Fungsi keanggotan bentuk gauss:
2.6 Basis Aturan Fuzzy
Dalam fuzzy pada umumnya perilaku dinamis yang ditandai oleh adanya seperangkat
aturan fuzzy yang linguistik. Aturan-aturan ini didasarkan pada pengalaman dan
pemahaman manusia. ( Engelbrecht, 2007)
Bentuk umum aturan fuzzy adalah:
If antecedent (s) then consequent(s)
Antecedentdanconsequentdari aturan fuzzy merupakan variabel yang linguistik.
Secara umum, aturan fuzzy dinyatakan sebagai:
If A is a and B is b then C is c
Dimana A dan B adalah himpunan bagian dari himpunan semesta X1, dan C
adalah himpunan semesta dari X2. Oleh karen itu, antecedent dari kombinasi rule
himpunan bagian berdasarkan aplikasi operator logika (complement,
intersection,union) Consequent merupakan bagian dari rule yang biasanya merupakan
himpunan fuzzy tunggal, dengan sesuai dengan fungsi keanggotaan. Beberapa
himpunan fuzzy dapat menjadi consequent, dengan penggabungan menggunakan
operator logika ( Engelbrecht, 2007).
2.7 Struktur Dasar Logika Fuzzy
Didalam struktur dasar sistem logika fuzzy terdapat empat komponen atau bagian
utama yang sangat penting. Komponen itu adalah Knowledge Base, Fuzzification,
Inferensi dan Defuzzification.
Struktur dasar logika fuzzy dapat dilihat pada gambar 2.9.
Gambar 2.9. Struktur dasar sistem logika fuzzy Sumber: Engelbrecht, 2007
Fuzzification
Rule base Data Base Knowledge Base
1) Knowledge Base
Knowledge base mempunyai fungsi penting dalam pengendalian dengan logika fuzzy
karena semua proses fuzzifikasi, inferensi dan defuzzifikasi bekerja berdasarkan
pengetahuan yang ada pada knowledge base. Knowledge base dibagi dua, yaitu data
base dan rule base. Data Base berisi definisi-definisi penting mengenai parameter
fuzzy seperti himpunan fuzzy dengan fungsi keanggotaannya yang telah didefinisikan
untuk setiap variabel linguistik yang ada.
2) Fuzzification
Fuzzification merupakan suatu proses mengubah variabel non fuzzy menjadi variabel
fuzzy. Antecedent dari aturan fuzzy merupakan “ruang input” sedangkan consequents
merupakan “ruang output”. Ruang input merupakan kombinasi dari masukan
himpunan fuzzy, sedangkan ruang output merupakan kombinasi himpunan output.
Proses fuzzifikasi dihasilkan dengan penerapan fungsi keanggotaan yang berhubungan
dengan masing-masing himpunan fuzzy dalam aturan ruang masukan. Sebagai contoh
misalnya, Himpunan fuzzy adalah A dan B.(asumsi fungsi keanggotaan sudah sesuai).
X merupakan himpunan semesta dari himpunan fuzzy. Proses fuzzification menerima
elemen-elemen a, b Є X, dan menghasilkan derajat keanggotaan μA (a), μA (b), μB
(a) dan μB (b).
3) Inferensi
Inferensi adalah proses transformasi dari suatu input dalam domain fuzzy ke suatu
output (sinyal kendali) dalam domain fuzzy. Proses transformasi pada bagian inferensi
membutuhkan aturan–aturan fuzzy yang terdapat didalam basis-basis aturan. Blok
inferensi mengunakan teknik penalaran untuk menyeleksi basis-basis aturan dan rule
dari blok knowledge base.
4) Defuzzification
Defuzzification merupakan proses mengubah data-data fuzzy menjadi data numerik
atau angka. Metode yang bisa digunakan dalam proses defuzzification adalah:
Max-Min method, Averaging method, Root Sum Square method dan Clipped center Of
Masing-masing metode ini dapat dilihat pada gambar 2.9 dengan ketentuan:
Argumen untuk pendapat merupakan variabel linguistik C, dengan variabel large
decrease (LD), slight increase (SI), no change (NC) dan large increase (LI). Asumsi
ada 3 aturan C dengan nilai keanggotaan μLI = 0,8, μSI = 0,6 dan μNC = 0,3.
2.8 Fuzzy Inferensi Sistem
Metode yang digunakan dalam fuzzy inferensi sistem adalah metode Tsukamoto,
Metode Takagi Sugeno Kang (TSK) dan metode Mamdani.
1) Metode Tsukamoto
Sistem inferensi fuzzy didasarkan pada konsep penalaran monoton. Pada metode
penalaran secara monoton, nilai crisp pada daerah konsekuen dapat diperoleh secara
langsung berdasarkan fire strength pada antesedennya. Salah satu syarat yang harus
dipenuhi pada metode penalaran ini adalah himpunan fuzzy pada konsekuennya harus
bersifat monoton. Karena menggunakan konsep dasar penalaran monoton, pada
metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk if-then harus
direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang
monoton.
Output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp)
berdasarkan α-predikat (fire strength). Proses agregasi antar aturan diakukan dan hasil
akhirnya diperoleh dengan menggunakan defuzzification dengan konsep rata-rata
terbobot.
2) Metode Takagi Sugeno Kang
Sistem inferensi fuzzy menggunakan metode takagi sugeno kang (TSK), memiliki
karakteristik yaitu konsekuen tidak merupakan himpunan fuzzy, namun merupakan
suatu persamaan linear dengan variabel-variabel sesuai dengan variabel-variabel
inputnya. Metode ini diperkenalkan oleh Takagi Sugeno Kang pada tahun 1985.
Model untuk sistem inferensi fuzzy metode TSK ada 2 model, yaitu model
3) Metode Mamdani
Metode mamdani sering dikenal dengan nama metode min-max. Metode ini
diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk metode ini, pada
setiap aturan yang berbentuk implikasi (sebab akibat) anteseden yang berbentuk
konjungsi (AND) mempunyai nilai keanggotaan berbentuk minimum (min),
sedangkan konsekuen gabungannya berbentuk maksimum (max), karena himpunan
aturan-aturannya bersifat independen.
2.9 Decision Tree (Pohon Keputusan)
Pohon keputusan adalah salah satu metode klasifikasi yang paling populer karena
mudah untuk diinterpretasi oleh manusia. Pohon keputusan adalah model prediksi
menggunakan struktur pohon atau struktur berhirarki. Konsep dari pohon keputusan
adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan.
Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya
untuk mem-break downproses pengambilan keputusan yang kompleks menjadi lebih
simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari
permasalahan. Pohon Keputusan juga berguna untuk mengeksplorasi data,
menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan
sebuah variabel target. Pohon keputusan memadukan antara eksplorasi data dan
pemodelan, sehingga sangat bagus sebagai langkah awal dalam proses pemodelan
bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain. Konsep
decision tree mengubah data menjadi decision tree dan aturan-aturan keputusan
(Rule). Dapat dilihat dalam tampilan gambar 2.10 seperti dibawah ini:
Gambar 2.10 Konsep Decision Tree
Konsep dasar decision tree (pohon keputusan) dapat dilihat pada tabel 2.1
aturan-aturan sebagai berikut :
Tabel 2.1 Konsep dasar Decision Tree
No. Gambar Keterangan
1. Keputusan (decision)
2.
Chance (Kemungkinan)
3. Garis Penghubung (fork)
4. Alternatif Keputusan
5. Alternatif kemungkinan
yang terjadi
Padadecision treeterdapat 3 jenisnode, yaitu:
a. Root Node, merupakan node paling atas, pada node ini tidak ada input dan bisa
tidak mempunyaioutputatau mempunyaioutputlebih dari satu.
b.Internal Node, merupakan nodepercabangan. Padanodeini terdapat satuinputdan
mempunyaioutputminimal dua.
c. Leaf node atau terminal node, merupakan node akhir. Padanode ini terdapat satu
Padadecision tree setiap simpul daun menandai label kelas. Simpul yang bukan
simpul akhir terdiri dari akar dan simpul internal yang terdiri dari kondisi tes atribut
pada sebagian record yang mempunyai karakteristik yang berbeda. Simpul akar dan
simpul internal ditandai dengan bentuk oval dan simpul daun ditandai dengan bentuk
segi empat.
Gambar 2.11 Decision tree untuk masalah klasifikasi intrusion
Sumber: Turban & Robert, 1982
2.10 Kinerja Guru
Guru sebagai pendidik profesional dengan tugas utama mendidik, mengajar,
membimbing, mengarahkan, melatih, menilai, dan mengevaluasi peserta didik pada
pendidikan anak usia dini jalar pendidikan formal, pendidikan dasar, dan pendidikan
mempunyai citra yang baik di masyarakat apabila dapat menunjukkan sikap yang baik
sehingga dapat dijadikan panutan bagi lingkungannya, yaitu cara guru meningkatkan
pelayanannya, meningkatkan pengetahuannya, memberi arahan dan dorongan kepada
anak didiknya dan cara guru berpakaian, berbicara, bergaul baik dengan siswa, sesama
guru, serta anggota masyarakat.
Kinerja adalah proses pengukuran dan membandingkan dari pada hasil
kegiatan operasional yang telah dicapai dengan hasil yang seharusnya dicapai menurut
target dan standar yang telah ditentukan oleh organisasi. Tujuan evaluasi adalah untuk
memberikan penilaian tentang kinerja ataupun seberapa besar dapat memberikan
kontribusi kemanfaatan sesuatu kegiatan tertentu.
Dari penjelasan evaluasi kineja dapat disimpulkan bahwa kinerja didalamnya
mengandung unsur kompetensi. Suatu pekerjaan akan dapat diselesaikan dengan baik
jika seseorang tersebut mempunyai kompetensi.
Seorang guru akan melakukan tugasnya dengan baik jika ia mempunyai
komitmen yang tinggi terhadap tugas mengajar, menguasai dan dapat
mengembangkan bahan ajar, disiplin dalam melaksanakan tugas mengajar dan tugas
lainnya, kreatif dan inovatif dalam melaksanakan pembelajaran dan bertanggung
jawab dalam melaksanakan tugasnya (Anwar dan Sagala, 2004).
Menilai kinerja guru merupakan hal yang penting untuk meningkatkan kualitas
pendidikan. Tujuan dari penilaian adalah meningkatkan manajemen kerja individu dan
meningkatkan efisiensi dan produktivitas dalam layanan belajar. Dari penjelasan
tersebut dapat dilihat bahwa kompetensi yang dimiliki oleh seorang guru dapat
mempengaruhi perilaku dia dalam melakukan tugasnya. Guru yang kompeten akan
mempunyai tingkat kinerja yang tinggi dan dapat meningkatkan tingkat kepercayaan
masyarakat terhadap pendidikan.
2.11 Kompensasi Merit Pay
Kompensasi merupakan imbalan atau jasa yang diberikan oleh perusahaan yang dapat
dinilai dengan uang, termasuk kedalam kompensasi ini adalah upah, gaji, insentif,
Kompensasi adalah pemberian kepada pegawai dengan pembayaran finansial
sebagai balas jasa untuk pekerjaan yang dilaksanakan dan sebagai motivator untuk
pelaksanaan kegiatan di waktu yang akan datang (Handoko, 2005).
Banyak individu mengharapkan penghargaannya berbeda dengan
penghargaan orang lain berdasarkan pada kinerja. Sebagai contoh, apabila seorang
karyawan menerima kenaikan gaji yang hampir sama dengan gaji karyawan lain yang
memiliki produktivitas yang lebih rendah, ketidakhadiran karyawan yang lain yang
memiliki produktivitas yang lebih rendah, kehadiran yang lebih banyak dan jam kerja
yang lebih sedikit, hasilnya mungkin adalah rasa ketidakadilan. Ini mendorong
individu tersebut untuk mencari pekerjaan lain dimana kompensasi mengakui
perbedaan kinerja. Hasil survei mengenai penghargaan di tempat kerja menemukan
bahwa individu merasa lebih puas dengan tingkat aktual gaji mereka daripada proses
yang digunakan untuk menentukan gaji. Inilah sebabnya mengapa sistem manajemen
kinerja dan proses penilaian kinerja dalam organisasi harus dihubungkan dengan
kenaikan kompensasi.
Merit pay merupakan imbalan (reward) yang dikaitkan dengan jasa atau
prestasi kerja (kinerja) seseorang maupun manfaat yang telah diberikan oleh karyawan
kepada organisasi. Secara sederhana, konsep merit pay merupakan sistem pembayaran
yang mengaitkan imbalan (reward) dengan prestasi kerja seseorang karyawan atau
performance. Implikasi dari merit pay ini adalah bahwa seseorang yang memiliki
kinerja yang baik, maka ia akan memperoleh imbalan yang lebih tinggi, begitu pula
sebaliknya. Artinya semakin tinggi kinerja yang diraih karyawan akan semakin tinggi
pula kenaikan imbalannya (Gil-Anton, 2011).
Konsep bayaran jasa (merit pay) telah diterapkan dengan berbagai cara, tetapi
semua program bayaran jasa memiliki dua karakteristik. Pertama, sebagian bayaran
karyawan didasarkan pada kinerjanya yang telah diberi rating dalam periode
sebelumnya. Kedua, peningkatan jasa yang diberikan dalam satu periode evaluasi
