1 SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA GURU
MENGGUNAKAN METODE FUZZY TSUKAMOTO (Studi Kasus: SMPN 10 Pekanbaru)
Dea Aurelia, Sukamto
Mahasiswa Program Studi S1 Sistem Informasi Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia
[email protected] , [email protected]
ABSTRACT
Teachers are professional educators who played an important role in educating the nation's life in charge of educating, guiding and evaluating students and is expected to be able to participate in national development. To be able to assess the performance of a teacher's task as an educator, it is necessary to assess the teacher's performance. State Junior High School 10 Pekanbaru was one of the schools in Pekanbaru which evaluate the performance of teachers every year. This study was conducted to determine the level of accuracy using the results of the fuzzy tsukamoto method and to design a decision support system for teacher performance assessment at State Junior High School 10 Pekanbaru. This study used 48 data from subject teachers at State Junior High School 10 Pekanbaru. The criteria used to asses the the teacher's performance were pedagogic, personality, social, and professional. The results of 48 teacher performance assessment data, there were 37 accurate data using the fuzzy tsukamoto method with a good accuracy rate of 77.1%.
Keywords: Decision Support System, Fuzzy Tsukamoto, Teachers, Teacher Performance Assesment,
ABSTRAK
Guru merupakan seorang pendidik profesional yang berperan penting dalam mencerdaskan kehidupan bangsa yang bertugas mendidik, membimbing serta mengevaluasi peserta didik dan diharapkan mampu berpartisipasi dalam pembangunan nasional. Untuk dapat menilai kinerja tugas seorang guru sebagai pendidik, maka diperlukan penilaian kinerja guru. SMPN 10 Pekanbaru merupakan salah satu sekolah di Pekanbaru yang melakukan penilaian kinerja terhadap guru setiap tahunnya. Penelitian ini dilakukan untuk mengetahui tingkat akurasi menggunakan hasil metode fuzzy tsukamoto serta membuat rancangan sistem pendukung keputusan penilaian kinerja guru di SMPN 10 Pekanbaru. Penelitian ini menggunakan data guru mata pelajaran di SMPN 10 Pekanbaru sebanyak 48 data, dengan kriteria penilaian kinerja guru yaitu pedagogik, kepribadian, sosial, dan profesional. Hasil dari 48 data penilaian kinerja guru, terdapat 37 data yang akurat menggunakan metode fuzzy tsukamoto dengan tingkat akurasi yang baik yaitu sebesar 77,1%.
2 Kata Kunci: Fuzzy Tsukamoto, Guru, Penilaian Kinerja Guru, Sistem Pendukung
Keputusan
PENDAHULUAN
Guru merupakan seorang pendidik profesional yang berperan penting dalam mencerdaskan kehidupan bangsa yang bertugas mendidik, membimbing serta mengevaluasi peserta didik dan diharapkan mampu berpartisipasi dalam pembangunan nasional. Untuk dapat dilaksanakan tugas seorang guru sebagai pendidik, maka diperlukan penilaian kinerja guru. Dalam penilaian kinerja guru di SMPN 10 Pekanbaru masih menggunakan sistem penilaian yang konvensional. Hal ini menyebabkan proses perekapan nilai kinerja, data guru dan pembuatan laporan penilaian kinerja guru menjadi kurang efisien. Untuk itu, perlu adanya sistem pendukung keputusan yang diharapkan dapat menyelesaikan kendala atau masalah seperti proses penilaian kinerja guru menjadi lebih efisien dalam perekapan nilai kinerja, data guru dan proses pembuatan laporan penilaian kinerja guru juga menjadi lebih mudah sehingga mempunyai kualitas yang baik setiap tahunnya.
Pada penelitian ini akan menggunakan metode fuzzy tsukamoto dengan tujuan memudahkan pengambilan keputusan dalam penilaian kinerja guru pada Sekolah Menengah Pertama Negeri 10 Pekanbaru, dimana hasil dari penilaian kinerja guru tersebut direpresentasikan dalam bentuk tabel yang mencakup kurang, cukup, baik dan sangat baik sesuai dari perhitungan pada setiap kriterianya. Adapun kriteria dalam proses penilaian kinerja guru ini menggunakan metode penilaian berdasarkan Peraturan Menteri Pendidikan Nasional Nomor 16 Tahun 2007, kompetensi yang dipakai meliputi kompetensi pedagogik, kompetensi kepribadian, kompetensi sosial, dan kompetensi profesional. Hasil penelitian ini menguji metode fuzzy tsukamoto untuk diterapkan pada penilaian kinerja guru di SMPN 10 Pekanbaru.
METODE PENELITIAN a. Teknik Pengumpulan Data
Pengumpulan data terdiri dari beberapa tahapan diantaranya, observasi secara langsung, wawancara, dan studi literatur.
b. Peralatan yang Digunakan
Dalam penelitian ini membutuhkan beberapa peralatan dalam mendukung pembuatan sistem, yaitu:
1. Perangkat Keras
a) Laptop Asus X441U dengan processor Intel® Core™ i3-6006U 2.0 GHz, RAM 8.00 GB, penyimpanan HDD 1TB 5400RPM.
b) Mouse Logitech B100.
2. Perangkat Lunak
a) Sistem operasi Windows 10 Home 64 bit.
b) Microsoft Office 2019 c) XAMPP v3.2.4 d) PHP
3 e) MySQL
c. Penilaian Kinerja Guru
Dalam penilaian kinerja guru terdapat sub-unsur yang perlu dinilai yaitu penilaian kinerja yang terkait dengan pelaksanaan proses pembelajaran bagi guru mata pelajaran atau guru kelas, meliputi kegiatan merencanakan dan melaksanakan pembelajaran, mengevaluasi dan menilai, menganalisis hasil penilaian, dan melaksanakan tindak lanjut hasil penilaian dalam menerapkan empat domain kompetensi yang harus dimiliki oleh guru. Rincian jumlah kompetensi tersebut diuraikan dalam Tabel 1.
Tabel 1. Kompetensi Guru Kelas/Guru Mata Pelajaran No. Ranah
Kompetensi
Jumlah
Kompetensi Indikator
1. Pedagogik 7 45
2. Kepribadian 3 18
3. Sosial 2 6
4. Profesional 2 9
Total 14 78
Sumber: Pembinaan dan Pengembangan Profesi Guru Buku 2 Pelaksanaan Penilaian Kinerja Guru (PK Guru)
d. Konversi Penilaian Kinerja Guru
Berdasarkan hasil konversi nilai penilaian kinerja guru ke dalam skala nilai sesuai dengan PermenegPAN dan RB Nomor 16 tahun 2010 tentang Jabatan Fungsional Guru dan Angka Kreditnya, selanjutnya dapat ditetapkan sebutan dan persentase angka kreditnya sebagaimana tercantum dalam Tabel 2.
Tabel 2. Konversi Hasil Penilaian Kinerja Guru ke Persentase Angka Kredit Nilai Hasil PK
Guru
Kata Sifat
Presentase Angka Kredit
≥ 90 - 100 Sangat
Baik 125%
≥ 75 - 90 Baik 100%
≥ 60 - 75 Cukup 75%
≥ 50 - 60 Sedang 50%
≤ 50 Kurang 25%
Sumber: Pembinaan dan Pengembangan Profesi Guru Buku 2 Pelaksanaan Penilaian Kinerja Guru (PK Guru)
e. Logika Fuzzy
Logika fuzzy adalah teknologi berbasis aturan yang mengizinkan ketidakakuratan dan bahkan menggunakannya untuk menyelesaikan masalah yang belum pernah dipecahkan sebelumnya. Dengan mengekspresikan logika menggunakan beberapa ketidakakuratan yang sudah ditetapkan dengan cermat sebelumnya, logika fuzzy menjadi lebih dekat pada cara berpikir orang yang sebenarnya daripada aturan-aturan tradisional IF-THEN (Rijal & Amalia, 2016).
Untuk memahami logika fuzzy, perlu diperhatikan dahulu tentang konsep
4 himpunan fuzzy. Himpunan fuzzy memiliki dua atribut (Desaily & Shita, 2018):
1. Linguistik, yaitu nama suatu kelompok yang mewakili suatu keadaan tertentu dengan menggunakan bahasa alami, misalnya DINGIN, SEJUK, dan PANAS mewakili variabel temperatur.
2. Numeris, yaitu suatu nilai yang menunjukkan ukuran dari suatu variabel, misalnya 20, 50, 55, dan sebagainya.
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. Pendekatan fungsi yang digunakan, yaitu (Syahnandar et al., 2019) :
1. 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 skonsep yang kurang jelas, yang terdiri dari:
a. Representasi Linear Turun
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, lihat Gambar 1. (Syahnandar et al., 2019).
Gambar 1. Kurva Linear Turun Rumus untuk fungsi keanggotaan kurva linear turun:
𝜇[𝑥] = {
1; 𝑥 ≤ 𝑎
𝑏−𝑥
𝑏−𝑎; 𝑎 ≤ 𝑥 ≤ 𝑏 0; 𝑥 ≥ 𝑏
; ………..………(1) Keterangan:
α = nilai dominan yang mempunyai derajat keanggotaan satu b = nilai dominan yang mempunyai derajat keanggotaan nol x = nilai input yang akan diubah ke dalam bilangan fuzzy
5 b. Representasi Linear Naik
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, lihat Gambar 2.
Gambar 2. Kurva Linear Naik Rumus untuk fungsi keanggotaan kurva linear naik:
𝜇[𝑥] = {
0; 𝑥 ≤ 𝑎
𝑥−𝑎
𝑏−𝑎; 𝑎 ≤ 𝑥 ≤ 𝑏 1; 𝑥 ≥ 𝑏
………..………(2) Keterangan:
α = nilai dominan yang mempunyai derajat keanggotaan nol b = nilai dominan yang mempunyai derajat keanggotaan satu x = nilai input yang akan diubah ke dalam bilangan fuzzy
Ada penerapan yang digunakan dalam penyelesaian metode fuzzy logic, yaitu operator AND. Hasil operator AND didapatkan dengan mengambil keanggotaan minimum antar himpunan fuzzy yang tersebut dan direpresentasikan sebagai berikut:
𝜇𝐺∩𝐻(𝑥) = min(𝜇𝐺(𝑥) , 𝜇𝐻(𝑥) ………..…….……(3)
f. Metode Fuzzy Tsukamoto
Langkah penyelesaian metode fuzzy tsukamoto:
1. Fuzzyfikasi
Fuzzifikasi didefinisikan proses untuk mengubah input sistem sebagai pemetaan dari himpunan tegas ke himpunan fuzzy. Perhitungan dalam proses fuzzyfikasi sesuai dengan batas-batas fungsi keanggotaan.
2. Menentukan basis (rule)
Rule yang akan digunakan sebagai aturan untuk menentukan nilai himpunan (Prasetyo Tarigan et al., 2020).
3. Inferensi
Inferensi didefinisikan proses dengan menggunakan fungsi implikasi MIN untuk mendapatkan nilai α-predikat tiap-tiap rule (α1, α2,..αn). Menggunakan operator AND pada persamaan (3) untuk mengambil keanggotaan minimum antara himpunan fuzzy yang ada, kemudian masing-masing nilai α-predikat ini digunakan untuk menghitung keluaran hasil inferensi secara tegas (crisp) masing-masing rules (z1,
6 z2,…zn). Untuk mencari z, maka digunakan rumus pada fungsi derajat keanggotaan fuzzy atau variabel output sesuai dengan rule yang ditentukan dan memasukkan nilai α-predikat yang didapat pada langkah tersebut.
4. Defuzzifikasi
Defuzzifikasi didefinisikan mengubah nilai output fuzzy ke dalam nilai asli (crips set). Metode yang digunakan dalam proses ini adalah metode Center Average Defuzzyfier yang dituliskan dalam persamaan berikut:
𝑍 = ∑(𝑎_𝑝𝑖. 𝑧𝑖)/ ∑ 𝑎_𝑝𝑖………(4)
Keterangan:
Z = defuzzifikasi rata-rata terpusat
𝑎_𝑝𝑖 = nilai alpha predikat (nilai minimal dari derajat keanggotaan) ke-i 𝑧𝑖 = nilai crisp yang didapat dari hasil inferensi ke-i
g. Pengujian Akurasi
Pengujian akurasi digunakan untuk mengetahui seberapa akurat dan efisien sistem pendukung keputusan penilaian kinerja guru yang dihasilkan dengan menggunakan metode fuzzy tsukamoto yang menggunakan persamaan sebagai berikut:
𝑁𝐴 =∑(𝑑𝑎𝑡𝑎 𝑎𝑘𝑢𝑟𝑎𝑡)
∑(𝑑𝑎𝑡𝑎) 𝑥100% ……….(5)
Keterangan:
𝑁𝐴 = nilai akurasi
∑(data akurat) = total data yang akurat
∑(data) = total keseluruhan data
Hasil dari nilai akurasi tergolong dengan klasifikasi persentase sebagai berikut : Baik, dengan nilai 76%-100%; Cukup, dengan nilai 56%-75%; Kurang Baik, dengan nilai 40%-55%, sedangkan Tidak Baik, memiliki nilai kurang dari 40% (Borman et al., 2020).
HASIL DAN PEMBAHASAN a. Pengumpulan Data
Dalam menyelesaikan penelitian, metode yang dilakukan ialah studi pustaka dengan mencari referensi yang terkait dengan pembahasan penulisan tentang fuzzy tsukamoto yang bersumber dari buku, jurnal atau artikel lainnya. Selain studi pustaka, pendukung penulisan lainnya yaitu wawancara yang dilakukan kepada pihak sekolah. Adapun data yang digunakan dalam penelitian ini, adalah data kriteria penilaian kinerja guru, dan data 48 guru di SMPN 10 Pekanbaru.
Adapun hal yang harus ditentukan terlebih dahulu dalam melakukan perhitungan dengan menggunakan fuzzy tsukamoto adalah sebagai berikut:
1. Menentukan kriteria beserta skor dalam setiap kriteria
Adapun kriteria beserta skor dalam setiap kriteria dapat dilihat pada Tabel 1.
Tabel 1. Skor dalam Setiap Kriteria Kriteria Skor
Pedagogik 28 Kepribadian 12
Sosial 8
7 Profesional 8
2. Menentukan nilai Linguistik
Untuk menggunakan fuzzy tsukamoto, setiap kriteria akan diberikan nilai linguistik seperti pada Tabel 2.
Tabel 2. Nilai Linguistik Pada Kriteria Penilaian Kriteria Nilai Linguistik
Pedagogik Rendah & Tinggi Kepribadian Rendah & Tinggi Sosial Rendah & Tinggi Profesional Rendah & Tinggi
3. Menentukan rentang nilai untuk menentukan derajat keanggotaan Adapun nilai domain pada setiap kriteria dapat dilihat pada Tabel 3.
Tabel 3. Nilai Domain pada Setiap Kriteria Kriteria Himpunan Rendah Himpunan Tinggi
Pedagogik 0-21 14-28
Kepribadian 0-9 6-12
Sosial 0-6 4-8
Profesional 0-6 4-8
Adapun total skor akhir yang telah ditetapkan oleh pihak sekolah dapat dilihat pada Tabel 4.
Tabel 4. Total Skor Akhir
Total Skor Akhir Himpunan Buruk Himpunan Baik
100 0-90 75-100
Berikut langkah mengubah nilai input menjadi nilai linguistik dan juga menentukan nilai derajat keanggotaan pada setiap nilai linguistik yang didapatkan pada setiap kriteria.
a. Pedagogik
Gambar 3. Himpunan Fuzzy Pedagogik
8 Untuk menentukan derajat keanggotaan pada himpunan rendah, berdasarkan persamaan (1) yaitu:
𝜇𝑟𝑒𝑛𝑑𝑎ℎ[𝑥] = {
1; 𝑥 ≤ 14 21 − 𝑥
21 − 14; 14 ≤ 𝑥 ≤ 21 0; 𝑥 ≥ 21
;
Untuk menentukan derajat keanggotaan pada himpunan tinggi, berdasarkan persamaan (2) yaitu:
𝜇𝑡𝑖𝑛𝑔𝑔𝑖[𝑥] = {
0; 𝑥 ≤ 14 𝑥 − 14
21 − 14 ; 14 ≤ 𝑥 ≤ 21 1; 𝑥 ≥ 21
b. Kepribadian
Gambar 4. Himpunan Fuzzy Kepribadian
Untuk menentukan derajat keanggotaan pada himpunan rendah, berdasarkan persamaan (1) yaitu:
𝜇𝑟𝑒𝑛𝑑𝑎ℎ[𝑥] = {
1; 𝑥 ≤ 6 9 − 𝑥
9 − 6; 6 ≤ 𝑥 ≤ 9 0; 𝑥 ≥ 9
Untuk menentukan derajat keanggotaan pada himpunan tinggi, berdasarkan persamaan (2) yaitu:
𝜇𝑡𝑖𝑛𝑔𝑔𝑖[𝑥] = {
0; 𝑥 ≤ 6 𝑥 − 6
9 − 6; 6 ≤ 𝑥 ≤ 9 1; 𝑥 ≥ 9
9 c. Sosial
Gambar 5. Himpunan Fuzzy Sosial
Untuk menentukan derajat keanggotaan pada himpunan rendah, berdasarkan persamaan (1) yaitu:
𝜇𝑟𝑒𝑛𝑑𝑎ℎ[𝑥] = {
1; 𝑥 ≤ 4 6 − 𝑥
6 − 4; 4 ≤ 𝑥 ≤ 6 0; 𝑥 ≥ 6
Untuk menentukan derajat keanggotaan pada himpunan tinggi, berdasarkan persamaan (2) yaitu:
𝜇𝑡𝑖𝑛𝑔𝑔𝑖[𝑥] = {
0; 𝑥 ≤ 4 𝑥 − 4
6 − 4; 4 ≤ 𝑥 ≤ 6 1; 𝑥 ≥ 6 d. Profesional
Gambar 6. Himpunan Fuzzy Profesional
Untuk menentukan derajat keanggotaan pada himpunan rendah, berdasarkan persamaan (1) yaitu:
𝜇𝑟𝑒𝑛𝑑𝑎ℎ[𝑥] = {
1; 𝑥 ≤ 4 6 − 𝑥
6 − 4; 4 ≤ 𝑥 ≤ 6 0; 𝑥 ≥ 6
Untuk menentukan derajat keanggotaan pada himpunan tinggi, berdasarkan persamaan (2) yaitu:
10 𝜇𝑡𝑖𝑛𝑔𝑔𝑖[𝑥] = {
0; 𝑥 ≤ 4 𝑥 − 4
6 − 4; 4 ≤ 𝑥 ≤ 6 1; 𝑥 ≥ 6
;
4. Menentukan Basis Aturan
Basis aturan dapat dilihat pada Tabel 5.
Tabel 5. Basis Aturan
No. Basis Aturan
1. IF pedagogik TINGGI AND kepribadian TINGGI AND sosial TINGGI AND professional TINGGI THEN BAIK
2. IF pedagogik TINGGI AND kepribadian TINGGI AND sosial TINGGI AND professional RENDAH THEN BAIK
3. IF pedagogik TINGGI AND kepribadian TINGGI AND sosial RENDAH AND professional TINGGI THEN BAIK
4. IF pedagogik TINGGI AND kepribadian RENDAH AND sosial TINGGI AND professional TINGGI THEN BAIK
5. IF pedagogik RENDAH AND kepribadian TINGGI AND sosial TINGGI AND professional TINGGI THEN BAIK
6. IF pedagogik TINGGI AND kepribadian TINGGI AND sosial RENDAH AND professional RENDAH THEN BAIK
7. IF pedagogik TINGGI AND kepribadian RENDAH AND sosial TINGGI AND professional RENDAH THEN BAIK
8. IF pedagogik TINGGI AND kepribadian RENDAH AND sosial RENDAH AND professional TINGGI THEN BAIK
9. IF pedagogik RENDAH AND kepribadian TINGGI AND sosial TINGGI AND professional RENDAH THEN BAIK
10. IF pedagogik RENDAH AND kepribadian TINGGI AND sosial RENDAH AND professional TINGGI THEN BAIK
11. IF pedagogik RENDAH AND kepribadian RENDAH AND sosial TINGGI AND professional TINGGI THEN BAIK
12. IF pedagogik RENDAH AND kepribadian RENDAH AND sosial RENDAH AND professional TINGGI THEN BURUK
13. IF pedagogik RENDAH AND kepribadian RENDAH AND sosial TINGGI AND professional RENDAH THEN BURUK
14. IF pedagogik RENDAH AND kepribadian TINGGI AND sosial RENDAH AND professional RENDAH THEN BURUK
15. IF pedagogik TINGGI AND kepribadian RENDAH AND sosial RENDAH AND professional RENDAH THEN BURUK
16. IF pedagogik RENDAH AND kepribadian RENDAH AND sosial RENDAH AND professional RENDAH THEN BURUK
11 5. Menentukan himpunan hasil fuzzy
Gambar 7. Himpunan Hasil Fuzzy
Untuk menentukan derajat keanggotaan pada himpunan buruk, berdasarkan persamaan (1) yaitu:
𝜇𝑏𝑢𝑟𝑢𝑘[𝑥] = {
1; 𝑥 ≤ 75 90 − 𝑥
90 − 4; 75 ≤ 𝑥 ≤ 90 0; 𝑥 ≥ 90
Untuk menentukan derajat keanggotaan pada himpunan baik, berdasarkan persamaan (2) yaitu:
𝜇𝑏𝑎𝑖𝑘[𝑥] = {
0; 𝑥 ≤ 75 𝑥 − 75
90 − 75; 75 ≤ 𝑥 ≤ 90 1; 𝑥 ≥ 90 4.1 Analisa Sistem
Berikut merupakan perhitungan penilaian kinerja guru pada kode guru yaitu X1 menggunakan metode fuzzy tsukamoto:
1. Guru X1
Tabel 6. Penilian Kinerja Guru X1
Kriteria Variabel Skor
Pedagogik Menguasai karakteristik peserta didik 4 Menguasai teori belajar dan prinsip-prinsip pembelajaran yang mendidik
4
Pengembangan Kurikulum 3
Kegiatan pembelajaran yang mendidik 3
Pengembangan potensi peserta didik 4
Komunikasi dengan peserta didik 4
Penilaian dan evaluasi 3
Kepribadian Bertindak sesuai norma agama, hukum, sosial dan kebudayaan nasional Indonesia
4 Menunjukkan pribadi yang dewasa dan teladan 4 Etos kerja, tanggung jawab yang tinggi, dan rasa bangga menjadi guru
4
12 Sosial Bersikap inklusif, bertindak objektif, serta tidak diskriminatif 4
Komunikasi dengan sesama guru, tenaga kependidikan, orang tua peserta didik, dan masyarakat
4 Profesional Penguasaan materi, struktur, konsep dan pola pikir keilmuan
yang mendukung mata pelajaran yang diampu
3 Mengembangkan keprofesionalan melalui Tindakan reflektif 4 Dari setiap nilai pada variabel atau subkriteria, maka nilai akan dijumlahkan untuk mendapatkan nilai per kriterianya. Hasil penjumlahan dapat dilihat pada Tabel 7.
Tabel 7. Jumlah Nilai Per Kriteria Kriteria Total Skor
Pedagogik 25
Kepribadian 12
Sosial 8
Profesional 7
a. Fuzzifikasi
Menentukan derajat keanggotaan dari setiap kriteria sebagai berikut:
i. Pedagogik = 25
Pada Gambar 3. menunjukan bagian dari himpunan tinggi pada kriteria pedagogik. Berdasarkan persamaan (2) maka diperoleh derajat keanggotaan yaitu satu. Karena nilai pada pedagogik guru X1 berada pada kurva tinggi dengan nilai 25.
𝜇𝑡𝑖𝑛𝑔𝑔𝑖[𝑥] = 1 ii. Kepribadian = 12
Pada Gambar 4. menunjukan bagian dari himpunan tinggi pada kriteria kepribadian. Berdasarkan persamaan (2) maka diperoleh derajat keanggotaan yaitu satu. Karena nilai pada kepribadian guru X1 berada pada kurva tinggi dengan nilai 12.
𝜇𝑡𝑖𝑛𝑔𝑔𝑖[𝑥] = 1 iii. Sosial = 8
Pada Gambar 5. menunjukan bagian dari himpunan tinggi pada kriteria sosial.
Berdasarkan persamaan (2) maka diperoleh derajat keanggotaan yaitu satu.
Karena nilai pada sosial guru X1 berada pada kurva tinggi dengan nilai 8.
𝜇𝑡𝑖𝑛𝑔𝑔𝑖[𝑥] = 1 iv. Professional = 7
Pada Gambar 6. menunjukan bagian dari himpunan tinggi pada kriteria profesional. Berdasarkan persamaan (2) maka diperoleh derajat keanggotaan yaitu satu. Karena nilai pada profesional guru X1 berada pada kurva tinggi dengan nilai 7.
𝜇𝑡𝑖𝑛𝑔𝑔𝑖[𝑥] = 1
b. Pembentukan basis aturan
IF pedagogik TINGGI AND kepribadian TINGGI AND sosial TINGGI AND professional TINGGI THEN BAIK
13 c. Inferensi
Pada tahap ini merupakan proses dengan menggunakan fungsi implikasi MIN berdasarkan persamaan (3), maka diperoleh:
IF pedagogik TINGGI AND kepribadian TINGGI AND sosial TINGGI AND professional TINGGI THEN BAIK
α1 = min(1,1,1,1)
= 1
Selanjutnya, nilai α-predikat ini digunakan untuk menghitung keluaran hasil inferensi secara tegas pada setiap rule dengan mengacu pada rumus yang terdapat pada hasil fuzzy berdasarkan Gambar 7. dan menggunakan persamaan (2) maka diperoleh:
Untuk α1 = 1, diperoleh:
𝑧 − 75 90 − 75= 1 𝑧 − 75
15 = 1
z – 75 = 1 x 15 z – 75 = 15 z = 15 + 75 z = 90
d. Defuzzyfikasi
Pada langkah ini digunakan untuk mencari nilai output dan berupa nilai crisp (Z).
berdasarkan pada persamaan (4), maka diperoleh:
𝑍 =(1 𝑥 90) 1 Z = 90
Skor akhir yang didapat oleh X1 dengan menggunakan perhitungan fuzzy tsukamoto berdasarkan Tabel 2 adalah 90 dengan predikat Sangat Baik.
Pada penelitian ini dilakukan pengujian akurasi terhadap penerapan metode. Uji akurasi dilakukan dengan membandingkan hasil analisa pakar dengan metode fuzzy tsukamoto. Sampel yang digunakan untuk pengujian sebanyak 48 orang guru. Apabila dibuat persentase dengan menggunakan persamaan (5), maka diperoleh:
𝑁𝐴 =37
48𝑥100%
𝑁𝐴 = 77,1%
Hasil pada sistem menggunakan metode fuzzy tsukamoto berdasarkan 48 data penilaian kinerja guru yang telah menghasilkan tingkat akurasi yang baik yaitu sebesar 77,1%.
e. Desain Sistem
Berikut ini merupakan use case diagram pengaksesan melalui web pada Sistem Pendukung Keputusan Penilaian Kinerja Guru Menggunakan Metode Fuzzy Tsukamoto yang dapat dilihat pada Gambar 8.
14 Gambar 8. Use Case Diagram
f. Implementasi Sistem
Hasil dari sistem yang telah dibuat berisikan tampilan-tampilan dari sistem yang telah dibangun berdasarkan rancangan yang telah diusulkan. Adapun tampilan-tampilan gambar sistem yang ada pada pembuatan sistem pendukung keputusan penilaian kinerja guru menggunakan metode fuzzy tsukamoto adalah sebagai berikut.
1. Halaman Beranda
Gambar 9. Halaman Beranda 2. Halaman Hasil Akurasi
Gambar 10. Halaman Hasil Akurasi
15 KESIMPULAN
Berdasarkan hasil penelitian yang didapatkan, maka dapat diambil kesimpulan sebagai berikut:
1. Dengan menggunakan 48 data penilaian kinerja guru dan menggunakan kriteria yang telah ditetapkan, yaitu pedagogik, kepribadian, sosial dan professional, maka penelitian ini berhasil mengimplementasikan metode fuzzy tsukamoto dan mampu menghasilkan penilaian kinerja guru. Berdasarkan hasil data penilaian kinerja guru yang telah diuji memiliki tingkat akurasi yang baik yaitu sebesar 77,1%.
2. Sebagai rancangan untuk sistem pendukung keputusan penilaian kinerja guru dengan metode fuzzy tsukamoto menggunakan UML. UML yang digunakan untuk melakukan pemodelan data maupun sistem menggunakan beberapa diagram yaitu use case, activity diagram, class diagram, dan sequence diagram.
SARAN
Berdasarkan kesimpulan diatas, maka penulis merekomendasikan beberapa hal berupa saran-saran berikut:
1. Menerapkan metode lain sebagai pembanding dari hasil perhitungan tiap metode.
2. Pada pengembangan aplikasi selanjutnya diharapkan dapat dioperasikan tidak hanya berbasis web saja, melainkan juga dapat dioperasikan pada platform yang lain.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada bapak Drs. Sukamto, M.Kom, yang telah membimbing, memotivasi serta membantu penelitian dan penulisan karya ilmiah ini.
DAFTAR PUSTAKA
Borman, R. I., Megawaty, D. A., & Attohiroh, A. (2020). Implementasi Metode TOPSIS Pada Sistem Pendukung Keputusan Pemilihan Biji Kopi Robusta Yang Bernilai Mutu Ekspor (Studi Kasus : PT. Indo Cafco Fajar Bulan Lampung). Fountain of Informatics Journal, 5(1), 14-20.
Desaily, R. M., & Shita, R. T. (2018). Penerapan Algoritma Fuzzy Inference System Untuk Penilaian Kinerja Pegawai Dengan Metode Tsukamoto. Skanika, 1(1), 110–
116.
Prasetyo Tarigan, D., Wantoro, A., & Abidin, Z. (2020). Sistem Pendukung Keputusan Pemberian Kredit Mobil Dengan Fuzzy Tsukamoto(Studi Kasus : Pt Clipan Finance). TELEFORTECH : Journal of Telematics and Information Technology, 1(1), 32–37.
Rijal, Y., & Amalia, Y. (2016). Sistem Pendukung Keputusan Penetapan Tunjangan Prestasi Dengan Menggunakan Metode Fuzzy-Tsukamoto. Jurnal Matematika
“MANTIK,” 1(2), 17-25.
Syahnandar, S., Hidayatullah, R., Rubiati, N., & Kurniawan, R. (2019). Implementasi Fuzzy Logic Penentuan Kelayakan Karyawan Mendapat Reward Ditoko Roti Mengunakan Metode Tsukamoto. I N F O R M a T I K A, 10(2), 56-65.
