PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DOSEN MENGGUNAKAN TEKNIK PRINCIPLE COMPONENT ANALYSIS (PCA)
Edgar Bagus Adytia Sianipar 1), Roy Wahyudi Hutasoit2), Imanuel Eastherio L. Wokamaw 3), Ibnu Iqrom3), Marlince Nababan4*)
1Fakultas Sains dan Teknologi, Universitas Prima Indonesia email: [email protected], [email protected], [email protected], [email protected],
Abstract
Lecturer performance learning requires knowledge, namely a process to evaluate lecturer performance during the learning process, learning is carried out every semester using 20 variables. The research objective is to analyze the most influential lecturer performance variables with the concept of Principle Component Analysis (PCA) technique with the help of Minitab software. Where is the principle of PCA namely reducing data to make it easier to get information and evaluation for lecturers by using 20 variables to be analyzed in the Principle Component Analysis (PCA) technique, of the 20 variables there are 4 PC variables (Principle Components) to be analyzed namely PC1, PC9 , PC11 and PC16, namely PC1(0.24), PC9(0.5), PC11(0.35) and PC16(0.4) with maximum eigenvalue (1.6978), from the results of 4 PC variables it turns out that PC9 and PC11 are the most related or influential variables of all variables or components.
Keywords: Support System, Performance Assessment, PCA, Minitab
1. PENDAHULUAN
Untuk menciptakan suasana belajar dalam proses pembelajaran agar peserta didik dapat secara aktif mengembangkan potensi dirinya dan memiliki kekuatan spiritual keagamaan, pengendalian diri, kepribadian, kecerdasan, akhlak mulia, serta keterampilan, masyarakat dan negara merupakan kegiatan yang bersiklus merupakan cerminan dari tujuan Pendidikan rakyat yang kehidupan kerohanian bangsa [1].
Pendidikan dan pelatihan saling berkaitan sebagai penentu keberhasilan pembinaan dosen. Keberhasilan pembinaan dosen ditentukan oleh kinerja yang ditunjukkan dosen dalam menyelesaikan tugas dan kewajibannya. Pendidikan dan pelatihan merupakan suatu kebutuhan guna mendukung salah satu bentuk kegiatan peningkatan kompetensi dan merupakan bagian integral dalam Manajemen Sumber Daya Manusia (SDM) [2]. Proses penilaian terhadap kinerja dosen dilakukan secara rutin untuk mengetahui tingkat professionalitas seorang dosen dalam
melaksanakan proses pendidikan dan pengajaran [3].
Penilaian kinerja dosen merupakan aspek penting dalam mengukur kompetensi dan kontribusi nya terhadap dunia pendidikan.
Universitas seharusnya melaksanakan penilaian kinerja pada seluruh pekerjanya, seharusnya penilaian kinerja dilaksanakan untuk mengukur kemampuan dosen pada saat pelaksanaan pengajaran terhadap mahasiswa-mahasiswi.
Kemampuan dosen mengajar, maka memotivasi untuk mahasiswa untuk belajar.
Penilaian terhadap kinerja dosen diadakan setelah selesai melaksanakan ujian akhir semester (UAS). Sistem yang dilakukan melalui Portal mahasiswa degan alokasi waktu yang dibatasi menggunakan 20 (dua puluh) pertanyaan yang wajib diisi oleh mahasiswa-mahasiswi tetapi banyak mahasiswa kurang memperdulikan pertanyaan-pertanyaan di portal tentang penilaian kinerja pada dosen dikarenakan menyepelekan hal terebut, jadi informasi yang didapat kurang optimal, beberapa kali mahasiswa hanya mengisi kuesioner yang di portal dengan menjawab
sembarangan oleh karena itu tidak efektif untuk proses penilaian atau evaluasi dosen sehingga mempersulit bagian pusat Sistem informasi mengelola data kuesioner penilaian kinerja terhadap dosen. Penilaian kinerja dosen dinilai dari Tri Dharma Perguruan Tinggi yang mana Pengajaran, Penelitian, Pengabdian Masyarakat dan Penunjang seperti penelitian yang pernah dilakukan menggunakan Fuzzy Inference System [4], [5].
Pada penelitian terdahulu bahwa membimbing merupakan komponen terpenting di dalam Tri Dharma Perguruan Tinggi.
Membimbing skripsi merupakan dua interaksi antara dosen dengan mahasiswa memiliki penilaian [6].
Seiring dengan perkembangan teknologi informasi, sistem pendukung keputusan (DSS) menjadi alat yang efektif dalam memfasilitasi proses penilaian ini. DSS memungkinkan penggunaan metode analisis yang dapat memberikan informasi yang objektif dan akurat dalam mengambil keputusan terkait penilaian kinerja dosen [7]–[14]. Salah satu metode yang dapat digunakan adalah Principle Component Analysis (PCA).
Pada penelitian ini, dilakukan penilaian kinerja dosen menggunakan teknik Principle Component Analysis (PCA) yang bertujuan untuk menghasilkan alat yang dapat membantu pihak universitas dalam melakukan Penilaian Kinerja Dosen. Melalui penggunaan Teknik Principle Component Analysis (PCA) ini, penilaian kinerja dosen dapat dilakukan dengan lebih efektif, efisien, dan dapat memberikan hasil yang lebih akurat.
2. METODE PENELITIAN
Pada gambar 1. disajikan alur penelitian yaitu uji coba software Minitab, proses penginputan data menggunakan Microsoft excel dari data hasil kuesioner. Data set akan diproses oleh PCA untuk mereduksi data set dan menghasilkan data Principle Component (PC).
Analisis komponen utama (PCA), juga dikenal sebagai transformasi Hotelling, adalah
ortogonal yang disebut nilai eigen, di mana gambar direpresentasikan sebagai proyeksi linier dalam arah yang sama dengan nilai eigen yang sesuai dengan nilai eigen terbesar. PCA adalah metode statistik yang digunakan di banyak bidang seperti pengenalan pola, penginderaan jauh, kompresi gambar dan lain-lain. Teknik ini sering digunakan untuk mendeteksi pola dalam data atau sampel berdimensi tinggi, dan untuk merepresentasikan data dengan cara yang dapat mengidentifikasi kesamaan dan perbedaan antar data [15].
Gambar 1. Diagram Penelitian
Analisis komponen utama (PCA), juga dikenal sebagai transformasi Karhunen-Loeve, merupakan teknik menyederhanakan data dengan mentransformasikan nya secara linear menjadi sistem koordinat baru dengan varian tertinggi.
PCA digunakan mengurangi dimensi data tanpa mempengaruhi properti data secara signifikan.
Metode ini mengubah sebagian besar variabel asli yang berkorelasi satu sama lain menjadi sekumpulan variabel baru yang lebih kecil dan independen satu sama lain (tidak lagi berkorelasi) [15].
dekomposisi eigen yaitu nilai eigenvalue dan eigenvector. Mentransformasi data menjadi suatu variabel baru dinamakan dengan principal component (PC) [16]. Analisa dengan menggunakan teknik PCA adalah masalah memecahkan permasalahan persamaan eigen, karena prinsip dari PCA didasarkan pada nilai eigen yang lebih dari satu [17]. Teknik PCA untuk mereduksi dimensi data besar menjadi dimensi yang lebih kecil dan tidak menghilangkan informasi dari data besar tersebut [18].
PCA dalam satu set sampel uji N di mana setiap uji sampel adalah seperangkat n yaitu pelatihan xi dilambangkan dengan:
x
i= (x
li,x
2i,…, x
ni) ; i∈1,N
[1]
Mean atau rata-rata dari kumpulan sampel pelatihan secara matematis dinyatakan:
x =
1𝑁
Ʃ
𝑖=1𝑛x
i[2]
Maka deviasi dapat dihitung dari mean setiap sampel yang diuji:
x
i= xi – x[3]
[3]
Deviasi ini menunjukkan seberapa jauh perbedaan setiap sampel dari mean pada suatu titik. Matriks covariance 4n×4n dari S menunjukkan sejauh mana semua perbedaan berasal dari mean sebagai:
s = 1
N∑ni=1𝛿xi 𝛿xiT
[4]
Komponen matriks covariance ini menunjukkan banyaknya sampel yang ada.
Bentuk sampel sebagai:
x
i= x + P
w[5]
P = (p1, p2,...pt) adalah matriks dari eigenvector pertama, dan w=(w1, w2, ..., wt) T adalah bobot vector.
Variabel yang berbeda menggambarkan
model berbeda, karena adanya perubahan nilai yang berada dalam batas yang ditentukan, model baru menyerupai bentuk dasar (rata-rata). Ini karena mode variasional dijelaskan oleh vektor eigen (pertama) S, sebagai:
S
Pk=λkpk [6]
Variabel λk merupakan nilai eigen.
Dimana nilai eigen dibentuk sehingga λk≥ λk+1.
Nilai eigen yang terbesar sesuai dengan mode variasi paling signifikan dalam data. Proporsi variance merupakan data training, sesuai dengan masing-masing vektor eigen, sebanding dengan nilai eigen [19].
Software Minitab berfungsi untuk mengolah atau menganalisis data statistik deskriptif dan sebagai alat uji statistik. Statistik deskriptif data dapat disajikan dalam bentuk gambar dan tabel, Minitab sebagai alat bantu untuk memudahkan analisis data penelitian tindakan.
Perangkat lunak ini tidak hanya menawarkan validitas hasil perhitungan yang lebih tinggi tetapi dengan hasil manual, tetapi juga membuatnya lebih mudah digunakan dan memungkinkan penyajian hasil pengolahan data yang lebih menarik [20].
Minitab merupakan software yang focus dalam pengolahan statistik. Minitab mengombinasikan seperti Microsoft Excel dengan kemampuannya analisis statistik. Penggunaan Minitab cukup gampang dalam pengolahan data yang cukup banyak [21].
Minitab sering banyak digunakan dengan fungsionalitas dalam kegiatan pelatihan pengolahan data. Perencana fungsional memerlukan pelatihan ini untuk mendukung mereka dalam proses penelitian, terutama untuk tugas-tugas perancangan fungsional yang berkaitan dengan produksi artikel akademik yang tercantum dalam Permenpan RI tahun 2020 nomor 4. Training data sebelumnya dalam pengolahan data kebanyakan menggunakan Microsoft Excel [22].
Data mining didefinisikan analisa terhadap data sehingga mendapatkan keterikatan data-data yang jelas dan dapat menyimpulkan adanya penemuan cara terkini dan mudan dipahami bagi para peneliti atau dengan kata lain
bahwa data mining merupakan suatu metoda yang berfungsi untuk mengekstraksi jumlah data yang besar pada database, kebanyakan ini pengaplikasian bagi perusahaan yang sangat potensial dalam memberdayakan data warehouse sehingga didefinisikan menjadi 2 kategori yaitu descriptive mining dan predictive [23].
3. HASIL DAN PEMBAHASAN
Tabel 1. Eigen analysis of the Correlation Matrix
Principal Component Analysis (PCA) dengan nilai eigenvalue sebesar PC1(5,98), PC2 (1,25), PC3 (1,1) dan PC4(1,01). PCA yang digunakan yaitu PC1(0.24), PC9(0.5), PC11(0.35) dan PC16(0.4).
Variabel yang digunakan sebanyak 20 variabel pada tabel 2.
Tabel 2. Penilaian Kinerja Dosen No. Variabel Keterangan
1. PC1 Menguasai suasana kelas.
2. PC2 Komunikatif 3. PC3 Terarah/jelas 4. PC4 Tercapai sasaran
5. PC5 Kemampuan menjawab pertanyaan 6. PC6 Memiliki kewibawan
7. PC7 Kearifan dalam mengambil keputusan.
8. PC8 Memiliki Etika
9. PC9 Dapat mengendalikan diri 10. PC10 Menjadi contoh bersikap dan
berperilaku.
11. PC11 Kesesuaian materi dengan tujuan mata kuliah.
12. PC12 Kesesuaian materi 13. PC13 Kemampuan bidang ilmu 14. PC14 Kemampuan mengelola kelas 15. PC15 Memberi motivasi mahasiswa.
16. PC16 Kemampuan dalam pengembangan kurikulum.
17. PC17 Mampu menerima kritik, saran, dan pendapat dari mahasiswa.
19. PC19 Konsisten kata-kata dalam tindakan.
20. PC20 Tidak rasis
Setelah Hasil dari Eigenanalysis of the Corelation Matrix maka hasil tabel 3:
Tabel 3. Eigenvector PCA
Hasil PCA jika dilakukan dari semua varibel dalam mengelola data pada Gambar 2.
Pada gambar tersebut dapat dilihat bahwa ada sebuah titik atau data berada pada first componen -8,54 dan second componen 0.66, dapat disimpulkan bahwa nilai kontribusi data tersebut tidak kuat atau lemah. Jika dilihat lagi data pada sebuah data yang dimana nilai first componen
Eigenvalue 5,98 1,25 1,18 1,1 1,01 0,97 0,93 0,85 0,73 0,7 0,69 0,67 0,64 0,6 0,53 0,5 0,45 0,45 0,41 0,34 Proportion 0,3 0,06 0,06 0,06 0,05 0,05 0,05 0,04 0,04 0,04 0,03 0,03 0,03 0,03 0,03 0,03 0,02 0,02 0,02 0,02 Cumulativ
e 0,3 0,36 0,42 0,48 0,53 0,58 0,62 0,67 0,7 0,74 0,77 0,8 0,84 0,87 0,89 0,92 0,94 0,96 0,98 1
yaitu berada pada -0,9, itu menunjukkan bahwa data tersebut lebih kuat dari sebelumnya.
Gambar 2. Score Plot
Pada gambar 3 ditunjukkan bahwa pada componen pertama merupakan componen yang Eigenvalue nya yang tertinggi yaitu 5,98 disusul pada componen kedua yang dimana mengalami penurunan yang sangat drastis yang eigenvalue nya berada di 1,24. Jika dilihat seterusnya pada setiap componen bahwa mengalami penurunan pada setiap componen nya.
Gambar 3. Score Plot
Jika dijelaskan lagi bahwa Principal Component Analysis (PCA) dengan nilai eigenvalue terbesar berada pada PC1(5,98), PC2 (1,25), PC3 (1,1) dan PC4(1,01). PCA yang digunakan yaitu PC1(0.24), PC9(0.5), PC11(0.35) dan PC16(0.4). untuk itu dilakukan lagi analisis terhadap 4 komponen tersebut
Tabel 4. Eigen analysis of the Correlation Matrix Eigenvalue 1,6978 0,9502 0,7127 0,6392 Proportion 0,424 0,238 0,178 0,16 Cumulative 0,424 0,662 0,84 1
Dapat dilihat bahwa pada 4 komponen tersebut bahwa 1 komponen yang memiliki nilai Eigen value tertinggi yaitu di 1,6 dan terendah di 0.6.
Gambar 4. Score Plot
Jika dilihat gambar tersebut bahwa pada componen pertama merupakan componen yang Eigenvalue nya yang tertinggi yaitu 1,69 dan componen 4 merupakan componen terendah yaitu 0,63. Jika dilihat seterusnya pada setiap componen bahwa mengalami penurunan pada setiap componen nya.
Dari hasil penggabungan PC1, PC9, PC11, PC16, maka hasilnya pada Gambar 5.
Gambar 5. Loading Plot
Dapat dilihat dari gambar 5 bahwa PC9 dan PC11 merupakan variabel yang paling
berkaitan atau berpengaruh dari semua variable atau componen.
4. KESIMPULAN
Dari hasil penelitian yang di temukan dapat disimpulkan bahwa jumlah data dalam reduksi PCA sangat mempengaruhi terhadap variabel-variabel yang akan dianalisis. Software Minitab merupakan salah satu software yang mendukung dalam pengolahan data statistika.
Adanya 1 variabel yang memiliki nilai eigenvalue sangat tinggi oleh karena itu untuk penambahan data.
5. REFERENSI
[1] N. L. P. P. Dewi, I. N. Purnama, and N.
W. Utami, “Penerapan Data Mining Untuk Clustering Penilaian Kinerja Dosen Menggunakan Algoritma K- Means (Studi Kasus: STMIK Primakara),” J. Ilm. Teknol. Inf. Asia, vol. 16, no. 2, p. 105, Jul. 2022, doi:
10.32815/jitika.v16i2.761.
[2] U. Desthiani, R. Sumniar, D. Prodi, and A. Perkantoran, “DALAM
MENINGKATKAN KINERJA
DOSEN DI PROGRAM STUDI SEKRETARI D-III UNIVERSITAS PAMULANG THE INFLUENCE OF
LECTURER COMPETENCE
EDUCATION AND TRAINING IN
IMPROVING LECTURERS
PERFORMANCE IN THE STUDY PROGRAM SECRETARY D-III
UNIVERSITY PAMULANG
mengembangkan Su,” vol. 10, no. 1, pp. 1–17, 2023.
[3] B. Khairunnisa, W. Murniati, S.
Hamdi, and S. Fadli, “APLIKASI PENILAIAN KINERJA DOSEN
MENGGUNAKAN METODE
ADDITIVE RATIO ASSESSMENT ( ARAS ),” J-ENSITEC, vol. 8, no. 02,
10.31949/jensitec.v8i02.2059.
[4] W. Priatna and R. Purnomo,
“Implementasi Fuzzy Inference System Metode Sugeno Pada Aplikasi Penilaian Kinerja Dosen Fuzzy Inference System Implementation using Sugeno Method in Lecturer Performance Assessment Application,”
Agustus, vol. 19, no. 3, pp. 245–261, 2020.
[5] N. K. D. Ari Jayanti, “Implementasi Metode SAW Dan AHP Pada Sistem Informasi Penilaian Kinerja Dosen,”
CSRID (Computer Sci. Res. Its Dev.
Journal), vol. 8, no. 2, p. 86, 2016, doi:
10.22303/csrid.8.2.2016.86-98.
[6] S. M. Sari and E. Ennimay, “Penilaian Kinerja Dosen Dalam Bimbingan Skripsi,” J. Ners Indones., vol. 12, no.
1, p. 67, 2021, doi:
10.31258/jni.12.1.67-79.
[7] V. Marudut and M. Siregar, “Best Employee Selection Using The Additive Ratio Assesment Method,”
vol. 03, 2023, doi:
10.31763/iota.v3i1.589.
[8] V. M. M. Siregar et al., “Decision support system for selection of food aid recipients using SAW method,” in AIP Conference Proceedings, 2022, p.
030019. doi: 10.1063/5.0094385.
[9] V. M. M. Siregar, M. A. Hanafiah, N.
F. Siagian, K. Sinaga, and M. Yunus,
“Decision Support System For Selecting The Best Practical Work Students Using MOORA Method,”
IOTA, vol. 02, no. 4, pp. 270–278, 2022, doi: 10.31763/iota.v2i4.562.
[10] V. M. M. Siregar, S. Sonang, and E.
Damanik, “SISTEM PENDUKUNG
KEPUTUSAN PENENTUAN
PELANGGAN TERBAIK
WEIGHTED PRODUCT,” J. Tek. Inf.
dan Komput., vol. 4, no. 2, p. 239, Dec.
2021, doi:
10.37600/tekinkom.v4i2.392.
[11] N. A. Sinaga et al., “Decision support system with MOORA method in selection of the best teachers,” in AIP Conference Proceedings, 2022, p.
030020. doi: 10.1063/5.0094437.
[12] S. Sonang, A. T. Purba, and V. M. M.
Siregar, “SISTEM PENDUKUNG
KEPUTUSAN KELAYAKAN
PEMBERIAN PINJAMAN KREDIT
MENGGUNAKAN METODE
TOPSIS PADA CUM CARITAS HKBP PEMATANGSIANTAR,” J.
Tek. Inf. dan Komput., vol. 3, no. 1, p.
25, Sep. 2020, doi:
10.37600/tekinkom.v3i1.131.
[13] H. Sugara, V. M. M. Siregar, K.
Sinaga, M. A. Hanafiah, and H. D.
Pardede, “SAW and Electre Methods Implementation for Scholarship Awardee Decision,” IOTA, vol. 01, no.
4, pp. 209–220, 2021, doi:
10.31763/iota.v1i4.496.
[14] V. M. M. Siregar and H. Sugara,
“SISTEM PENDUKUNG
KEPUTUSAN PEMILIHAN
SEPEDA MOTOR BEKAS
MENGGUNAKAN METODE
WASPAS,” J. Tek. Inf. dan Komput., vol. 5, no. 2, p. 263, Dec. 2022, doi:
10.37600/tekinkom.v5i2.393.
[15] A. L. Unihehu and I. Suharjo,
“Klasifikasi Jenis Ikan Berbasis Jaringan Saraf Tiruan Menggunakan Algoritma Principal Component Analysis (PCA),” J. Ilm. ILMU Komput., vol. 7, no. 2, pp. 27–32, Sep.
2021, doi: 10.35329/jiik.v7i2.200.
[16] D. A. Ihsani, A. Arifin, and M. H.
Fatoni, “Klasifikasi DNA Microarray Menggunakan Principal Component
Analysis (PCA) dan Artificial Neural Network (ANN),” J. Tek. ITS, vol. 9, no. 1, Jul. 2020, doi:
10.12962/j23373539.v9i1.51637.
[17] S. Rudi, “ANALISA KOMPONEN
UTAMA (PRINCIPAL
COMPONENT ANALYSIS) ADOPSI INOVASI SISTEM TANAM JAJAR
LEGOWO JAGUNG LAHAN
KERING,” Technol. J. Ilm., vol. 13, no. 2, p. 129, Apr. 2022, doi:
10.31602/tji.v13i2.6350.
[18] T. R. Yulianti, K. N. Siregar, A.
Prabawa, and N. Fadhilah, “Identifikasi Atribut dengan Principal Component Analysis dan K-Means Clustering Sebagai Dasar Penyusunan Strategi Promosi KB Pria di Indonesia,” J.
Biostat. Kependudukan, dan Inform.
Kesehat., vol. 2, no. 2, p. 79, Mar. 2022, doi: 10.51181/bikfokes.v2i2.5868.
[19] U. Murdika, Muhammad Alif, Yessi Mulyani, “Identifikasi Kualitas Buah Tomat dengan Metode PCA (Principal Component Analysis) dan Backpropagation,” Electrician, vol. 15, no. 3, pp. 175–180, Oct. 2021, doi:
10.23960/elc.v15n3.2240.
[20] E. Susanti, I. Indrawati, O.
Dwipurwani, R. Sitepu, and D.
Cahyawati, “PENGENALAN SOFTWARE MINITAB KEPADA
GURU-GURU DI WILAYAH
GUGUS II INDRALAYA
KABUPATEN OGAN ILIR
SUMATERA SELATAN,” J.
Pemberdaya. Publ. Has. Pengabdi.
Kpd. Masy., vol. 4, no. 3, pp. 267–274, Dec. 2020, doi: 10.12928/jp.v4i3.1224.
[21] M. Meilisa and L. Kurnia,
“PENGEMBANGAN BAHAN AJAR
STATISTIKA ELEMENTER
MENGGUNAKAN APLIKASI
MINITAB,” Sainstek J. Sains dan
Teknol., vol. 10, no. 2, p. 64, Nov.
2019, doi: 10.31958/js.v10i2.1243.
[22] D. Puspita Anggraeni, R. Maulina, I.
Risvana Dewi, R. Satriyantara, and A.
Eka Utama, “Pelatihan Pengolahan Data Menggunakan Minitab Bagi Pegawai Fungsional Perencana,”
Rengganis J. Pengabdi. Masy., vol. 2, no. 1, pp. 9–17, May 2022, doi:
10.29303/rengganis.v2i1.157.
[23] L. Erlistya, P. S. Sumarna, and Ferfigha Alsaka, “Implementasi Algoritma K-Means Clustering pada Studi Kasus Seleksi Mahasiswa Berprestasi menggunakan Visual Basic,” Pros. Semin. …, vol. 4, no.
2721, 2021, [Online]. Available:
http://prosiding.himatikauny.org/index .php/prosidinglsm/article/view/171%0 Ahttp://prosiding.himatikauny.org/ind ex.php/prosidinglsm/article/download/
171/95
