Performance assessment is an effort to get the employee who has done objectively. During this bonus calculation using a ...
PENILAIAN KINERJA KARYAWAN MENGGUNAKAN FUZZY LOGIC DENGAN METODE SUGENO ORDE-NOL
Martini
[email protected]
ABSTRAK Performance assessment is an effort to get the employee who has done objectively. During this bonus calculation using a weighted calculation of the fixed (constant) in the range (range) specific. The calculation result will be the same between several employees over the still in the same range. This will lead to various negative issues among employees, especially in terms of the amount of bonus. Therefore we need standards for employee performance appraisal acceptable to all parties. Standard assessments may give different results although the calculation of some employees within range (range) the same, and indirectly proves that the calculation results are in accordance with employee performance.
The data in this study obtained from several sections and the calculations using fuzzy logic. With the fuzzy logic membership values will result in output between zero (0) and one (1) with different criteria. Input variables will be set up in some fuzzy set with linguistic language. The result shows that each employee has different criteria and values. This shows that the calculated value of fuzzy membership will result in different degrees. The steps taken is the input fuzzification, fuzzy rules (rules) with Sugeno method, defuzzyfication, and bonus calculations.
Keywords: Fuzzy logic, Fuzzification, Defuzzyfication
1. Pendahuluan Penilaian terhadap kinerja karyawan memang sangat dibutuhkan oleh perusahaan terutama untuk hal-hal yang berhubungan dengan pengambilan keputusan. Oleh karena itu tidak mudah untuk menilai seseorang karena dibutuhkan tanggung jawab secara moril atas penilaian yang diberikan. Untuk memperoleh hasil perhitungan yang baik diperlukan suatu aturan atau prosedur standar penilaian tiap-tiap karyawannya terhadap loyalitas bagi perusahaan. Dengan demikian karyawan merasa mendapatkan penghargaan atau apresiasi atas pekerjaan yang telah dilakukan demi kemajuan perusahaan. Penilaian kinerja yang akan dibahas adalah penilaian terhadap kinerja karyawan untuk kebutuhan perhitungan bonus yang biasanya dilakukan setahun sekali. Bonus tidak diberikan
1
untuk seluruh karyawan berdasarkan lamanya seseorang bekerja pada bagian tertentu, berdasarkan kualitas kerja semata, atau berdasarkan golongan. Banyak pertimbangan yang diambil untuk mendapatkan hasil yang diharapkan sesuai dengan ketentuan yang telah ditetapkan perusahaan. Bobot penilaian yang diberikan berada pada rentang 1 sampai 4 yang memperlihatkan ketidakpastian. Kriteria yang diberikan tidak mempunyai ketentuan yang standar, tergantung pada bobot penilaian atasan dan unsur subyektif. Untuk itu diperlukan sebuah perhitungan yang cermat agar nilai ketidakpastian tersebut dapat menghasilkan nilai yang memiliki kriteria yang jelas, dalam hal ini menggunakan pendekatan Fuzzy Logic.
2. Tinjauan Pustaka Logika Fuzzy (Fuzzy Logic) pertama kali diperkenalkan pada tahun 1965 oleh Prof. Lotfi A. Zadeh dari University of California di Barkeley. Beliau mengemukakan bahwa ketidakjelasan adalah sesuatu yang sulit dijelaskan secara pasti, oleh karenanya diusulkan suatu bentuk matematik untuk membahas bagaimana ketidakjelasan tersebut dapat dinyatakan dalam bahasa yang dimengerti oleh manusia dengan sebuah pendekatan Logika Fuzzy. Tujuannya adalah membuat komputer dapat beroperasi seperti layaknya logika manusia.
2.1. Fungsi Keanggotaan Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input ke dalam nilai keanggotaannya (derajat keanggotaan) yang mempunyai interval 0 sampai 1 (Kusumadewi dan Purnomo, 2010). a. Representasi Linier Representasi Linier menggambarkan pemetaan input ke derajat keanggotaannya sebagai sebuah garis lurus. Representasi Linier dapat digambarkan dalam 2 bentuk yaitu representasi linier naik dan Representasi Linier Turun.
! (b)
(a)
Gambar 1. (a) Representasi Linier Naik (b) Representasi Linier Turun
2
Fungsi keanggotaan untuk gambar Representasi Linier Naik dapat dituliskan sebagai berikut:
µ [x] =
0
x≤a
(x - a ) / ( b – a )
a≤x≤b
1
x≥b
(1)
Sedangkan untuk fungsi keanggotaan untuk gambar Representasi Linier Turun dapat dituliskan sebagai berikut:
µ [x] =
(b - x ) / ( b – a )
(x - a ) / ( b – a )
0
x≥b
(2)
b. Representasi Kurva Segitiga Kurva Segitiga merupakan gabungan kedua Representasi Linier di atas. Kurva ini digambarkan sebagai bentuk segitiga yang mempunyai derajat keanggotaan tertinggi ada pada tinggi segitiga.
! Gambar 2. Kurva Segitiga
Fungsi keanggotaan untuk gambar Kurva Segitiga dapat dituliskan sebagai berikut:
µ [x] =
0
x≤a
(x – a ) / ( b – a )
a≤x≤b
(c – x) / ( c – b )
b≤x≤c
(3)
2.2. Fuzzy Inference System Fuzzy Inference adalah suatu proses merumuskan pemetaan dari input yang diberikan menjadi output menggunakan logika fuzzy (Zadeh, 1995). Sistem fuzzy yang dihasilkan disebut Fuzzy Inference System (FIS). FIS telah banyak diaplikasikan dalam berbagai bidang, seperti
3
kontrol otomatis, klasifikasi data, analisis keputusan, dan sistem pakar. Karena kemampuannya yang fleksibel maka FIS sering disebut dengan nama fuzzy-rule-based system, fuzzy expert system, fuzzy modelling, fuzzy logic controller, atau cukup dengan fuzzy system. FIS dapat dibangun dengan beberapa metode, yaitu metode Tsukamoto, metode Mamdani dan metode Sugeno. Pada metode Tsukamoto, setiap konsekuen pada aturan yang membentuk If-Then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas berdasarkan α-predikat. Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot.
2.3. Metode Sugeno Metode Sugeno diperkenalkan pertama kali pada tahun 1985 oleh Takagi Sugeno Kang yang kemudian dikenal dengan Metode Sugeno atau Metode TSK. Menurut Cox dalam Kusumadewi (2010) metode ini terdiri dari 2 jenis: 1. Model Fuzzy Sugeno Orde-Nol Secara umum bentuk model fuzzy Sugeno Orde-Nol adalah: IF (x1 is A1) ο (x2 is A2) ο (x3 is A3) ο ... ο (xN is AN) THEN z = k dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta (crisp) sebagai konsekuen. 2. Model Fuzzy Sugeno Orde-Satu Secara umum bentuk model fuzzy Sugeno Orde-Satu adalah: IF (x1 is A1) ο ... ο (xN is AN) THEN z = p1*x1 + ... + pN*xN + q dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan pi adalah suatu konstanta (crisp) ke-i dan q juga merupakan konstanta dalam konsekuen. Apabila komposisi aturan menggunakan metode Sugeno, maka defuzzifikasi dilakukan dengan cara mencari nilai rata-ratanya. 2.4. Fuzzifikasi Input Menurut Pandjaitan (2007:124) “Fuzzifikasi adalah proses dekomposisi suatu masukan masukan dan atau keluaran sistem ke dalam satu atau lebih himpunan fuzzy”. Fuzzy Inference System (FIS) mengammbil masukan-masukan dan menentukan derajat keanggotaannya dalam semua fuzzy set menggunakan fungsi keanggotaan masing-masing fuzzy set. Seluruh variabel masukan dan variabel keluaran dibuat ke dalam bentuk linguistik. Sebelum penilaian semua rule dilakukan, variabel masukan harus di-fuzzifikasi menurut nilai-nilai linguistik. Operasi fuzzy logic dilakukan apabila bagian anteseden lebih dari satu pernyataan. Hasil akhir berupa derajat kebenaran anteseden yang berupa bilangan tunggal, dan akan diteruskan ke bagian konsekuen. Masukan operator fuzzy adalah dua atau lebih derajat keanggotaan dari variabel input. Keluaran adalah nilai kebenaran tunggal. Operator fuzzy untuk melakukan operasi AND dan OR dapat dibuat sendiri.
3. Metode Penelitian 3.1. Kerangka Pemikiran Penelitian Penelitian ini dilakukan dalam beberapa tahap yang diuraikan sebagai berikut:
4
1. Tahap pertama: menentukan variabel masukan (input) yang akan dibuat ke dalam beberapa himpunan fuzzy berupa hasil akhir rata-rata kinerja dan hasil akhir perhitungan absensi untuk jumlah keterlambatan dalam 1 tahun (maksimum keterlambatan 100 hari). 2. Tahap kedua: membentuk fungsi keanggotaan dari tiap-tiap variabel masukan sesuai dengan kriteria standar perusahaan, direpresentasikan dalam bentuk kurva yang kemudian dibuat ke dalam bentuk persamaan untuk tiap-tiap himpunan fuzzy tersebut. Gambar himpunan keanggotaan yang dibuat dalam Matlab terdapat pada Lampiran 3. untuk semua variabel masukan dan keluaran. 3. Tahap ketiga: melakukan fuzzifikasi terhadap variabel masukan. Nilai variabel masukan disesuaikan berdasarkan fungsi keanggotaannya untuk selanjutnya akan dihitung dengan persamaan yang sudah dibuat. Hasilnya mempunyai satu atau dua kriteria yang berbeda. 4. Tahap keempat: hasil fuzzifikasi dimasukkan dalam aturan-aturan fuzzy (fuzzy rules) yang sesuai dengan masukan himpunan fuzzy pada tahap pertama. Metode yang digunakan adalah Metode Sugeno Orde-Nol, dimana konsekuen berbentuk konstanta. Operator yang digunakan dalam aturan ini adalah operator AND. Bobot penilaian telah ditetapkan sesuai dengan standar perusahaan seperti dijelaskan dalam tabel berikut:
Tabel 1. Bobot Konsekuen Kinerja
No
Range
Bobot Penilaian
1. > 3.44
90%
2. 2.44 – 3.44
70%
3. 1.45 – 2.44
50%
4. < 1.45
30%
Tabel 2. Bobot Konsekuen Absensi
No
Range
Bobot Penilaian
1. 0 – 5
30%
2. 6 – 12
25%
3. 13 – 24
20%
4. 25 – 36
15%
5. 37 – 60
10%
6. > 60
5%
Semua rules yang sesuai dengan kombinasi variabel input ini akan ditentukan dengan fungsi MIN untuk mendapatkan α-predikat.
5
5. Tahap kelima: defuzzifikasi dilakukan untuk menentukan bobot nilai dari seluruh masukan fuzzy dengan mencari rata-ratanya. Setiap α-predikat akan dikalikan dengan nilai konstanta konsekuen berdasarkan rule yang telah dibuat, kemudian dibagi dengan jumlah seluruh αpredikat. 6. Tahap keenam: menghitung bonus yang didapatkan dari hasil perhitungan kinerja ditambah dengan hasil perhitungan absensi sesuai dengan Tabel 3.1 dan Tabel 3.2., dan hasil akhir bersifat bilangan diskrit. Pengolahan data menggunakan software Matlab dengan membuat sebuah GUI interface masukan dan hasil dari program tersebut disimpan dalam M-File. 7. Tahap ketujuh: membandingkan hasil perhitungan antara penilaian kinerja dengan P4 dan penilaian kinerja dengan fuzzy logic. 8. Tahap kedelapan: melakukan validasi data terhadap variabel masukan, yaitu hasil perhitungan dengan P4 dan hasil perhitungan menggunakan fuzzy logic. Validasi dilakukan terhadap 53 sampel data bebas dengan menggunakan coefficient of variation (COV).
3.2. Pembentukan Himpunan Fuzzy Semua variabel input direpresentasikan dengan kurva linier naik (bentuk bahu kanan), kurva linier turun (bentuk bahu kiri), dan kurva segitiga. Persamaan fungsi keanggotaan yang dihasilkan untuk variabel TPJ:
( 2.5 - x ) / ( 2.5 – 1 );
1 ≤ x ≤ 2.5
mKurangBaik [PTJ] =
mCukupBaik [PTJ] =
m Baik [PTJ]
=
(1) 0;
x ≥ 2.5
0;
x ≤ 1.5 atau x ≥ 3.5
( x – 1.5 ) / ( 2.5 – 1.5 );
1.5 ≤ x ≤ 2.5
( 3.5 - x ) / ( 3.5 – 2.5 );
2.5 ≤ x ≤ 3.5
0;
x ≤ 2.5
( x – 2.5 ) / ( 4 – 2.5 );
2.5 ≤ x ≤ 4
1;
x≥4
6
(2)
(3)
Persamaan fungsi keanggotaan yang dihasilkan untuk variabel TK:
( 2.5 - x ) / ( 2.5 – 1 );
1 ≤ x ≤ 2.5
mKurangBaik[TK] =
mCukupBaik [TK] =
m Baik [TK]
=
(4) 0;
x ≥ 2.5
0;
x ≤ 1.5 atau x ≥ 3.5
( x – 1.5 ) / ( 2.5 – 1.5 );
1.5 ≤ x ≤ 2.5
( 3.5 - x ) / ( 3.5 – 2.5 );
2.5 ≤ x ≤ 3.5
0;
x ≤ 2.5
( x – 2.5 ) / ( 4 – 2.5 );
2.5 ≤ x ≤ 4
1;
x≥4
(5)
(6)
Persamaan fungsi keanggotaan yang dihasilkan untuk variabel PP:
( 2 - x ) / ( 2 – 1 );
1≤x≤2
mKurangBaik [PP] =
mCukupBaik [PP] =
m Baik [PP]
=
(7) 0;
x≥2
0;
x ≤ 1 atau x ≥ 3
( x – 1 ) / ( 2 – 1 );
1≤x≤2
( 3 - x ) / ( 3 – 2 );
2≤x≤3
0;
x≤2
( x – 2 ) / ( 4 – 2 );
2≤x≤4
1;
x≥4
7
(8)
(9)
Persamaan fungsi keanggotaan yang dihasilkan untuk variabel Kp:
( 2 - x ) / ( 2 – 1 );
1≤x≤2
mKurangMampu [Kp] =
mCukupMampu [Kp] =
m Mampu [Kp]
=
(10) 0;
x≥2
0;
x ≤ 1.5 atau x ≥ 3.5
( x – 1.5 ) / ( 2.5 – 1.5 );
1.5 ≤ x ≤ 2.5
( 3.5 - x ) / ( 3.5 – 2.5 );
2.5 ≤ x ≤ 3.5
0;
x≤3
( x – 3 ) / ( 4 – 3 );
3≤x≤4
1;
x≥4
(11)
(12)
Persamaan fungsi keanggotaan yang dihasilkan untuk variabel Kp:
mSD [Abs] =
mD [Abs] =
mCD [Abs] =
0;
x < 0 atau x ≥ 9
( x – 0 ) / ( 5 – 0 );
0≤x≤5
( 9 - x ) / ( 9 – 5 );
5≤x≤9
0;
x ≤ 5 atau x ≥ 19
( x – 5 ) / ( 9 – 5 );
5≤x≤9
( 19 - x ) / ( 19 – 9 );
9 ≤ x ≤ 19
0;
x ≤ 9 atau x ≥ 30
( x – 9 ) / ( 19 – 9 );
9 ≤ x ≤ 19
( 30 - x ) / ( 30 – 19 );
19 ≤ x ≤ 30
8
(13)
(14)
(15)
mKD [Abs] =
mTD [Abs] =
m STD [Abs]=
0;
x ≤ 19 atau x ≥ 48
( x – 19 ) / ( 30 – 19 );
19 ≤ x ≤ 30
( 48 - x ) / ( 48 – 30 );
30 ≤ x ≤ 48
0;
x ≤ 30 atau x ≥ 80
( x – 30 ) / ( 48 – 30 );
30 ≤ x ≤ 48
( 80 - x ) / ( 80 – 48 );
48 ≤ x ≤ 80
0;
x ≤ 61
( x – 61 ) / ( 100 – 61 );
61 ≤ x ≤ 100
1;
x ≥ 100
(16)
(17)
(18)
3.3. Proses Fuzzifikasi dan Perumusan Aturan Fuzzy Berdasarkan variabel masukan maka aturan-aturan (rules) yang akan digunakan dalam penelitian ini sebanyak (jumlah himpunan fuzzy)jumlah variabel = 34 = 81 aturan untuk mendapatkan hasil kinerja, dan 6 aturan untuk mendapatkan hasil absensi. Metode yang digunakan adalah Metode Sugeno Orde-Nol dimana bentuk konsekuen berupa bilangan konstanta yang telah ditetapkan dalam Tabel 1. dan Tabel 2. Aturan-aturan untuk hasil kinerja dirumuskan sebagai berikut: [R1]
IF (PTJ Baik) AND (TK Baik) AND (PP Baik) AND (Kp Mampu) THEN Penilaian=90
[R2]
IF (PTJ Baik) AND (TK Baik) AND (PP Baik) AND (Kp Cukup Mampu) THEN Penilaian = 90
[R3]
IF (PTJ Baik) AND (TK Baik) AND (PP Baik) AND (Kp Kurang Mampu) THEN Penilaian = 90
[R4]
IF (PTJ Baik) AND (TK Baik) AND (PP Cukup Baik) AND (Kp Mampu) THEN Penilaian = 90
[R5]
IF (PTJ Baik) AND (TK Baik) AND (PP Cukup Baik) AND (Kp Cukup Mampu) THEN Penilaian = 70
[R6]
IF (PTJ Baik) AND (TK Baik) AND (PP Cukup Baik) AND (Kp Kurang Mampu) THEN Penilaian = 70
[R7]
IF (PTJ Baik) AND (TK Baik) AND (PP Kurang Baik) AND (Kp Mampu) THEN Penilaian = 90
[R8]
IF (PTJ Baik) AND (TK Baik) AND (PP Kurang Baik) AND (Kp Cukup Mampu) THEN Penilaian = 70
9
[R9]
IF (PTJ Baik) AND (TK Baik) AND (PP Kurang Baik) AND (Kp Kurang Mampu) THEN Penilaian = 70
[R10] IF (PTJ Baik) AND (TK Cukup Baik) AND (PP Baik) AND (Kp Mampu) THEN Penilaian = 90 [R11] IF (PTJ Baik) AND (TK Cukup Baik) AND (PP Baik) AND (Kp Cukup Mampu) THEN Penilaian = 70 [R12] IF (PTJ Baik) AND (TK Cukup Baik) AND (PP Baik) AND (Kp Kurang Mampu) THEN Penilaian = 70 [R13] IF (PTJ Baik) AND (TK Cukup Baik) AND (PP Cukup Baik) AND (Kp Mampu) THEN Penilaian = 70 [R14] IF (PTJ Baik) AND (TK Cukup Baik) AND (PP Cukup Baik) AND (Kp Cukup Mampu) THEN Penilaian = 70 [R15] IF (PTJ Baik) AND (TK Cukup Baik) AND (PP Cukup Baik) AND (Kp Kurang Mampu) THEN Penilaian = 70 [R16] IF (PTJ Baik) AND (TK Cukup Baik) AND (PP Kurang Baik) AND (Kp Mampu) THEN Penilaian = 70 [R17] IF (PTJ Baik) AND (TK Cukup Baik) AND (PP Kurang Baik) AND (Kp Cukup Mampu) THEN Penilaian = 70 [R18] IF (PTJ Baik) AND (TK Cukup Baik) AND (PP Kurang Baik) AND (Kp Kurang Mampu) THEN Penilaian = 50 [R19] IF (PTJ Baik) AND (TK Kurang Baik) AND (PP Baik) AND (Kp Mampu) THEN Penilaian = 90 [R20] IF (PTJ Baik) AND (TK Kurang Baik) AND (PP Baik) AND (Kp Cukup Mampu) THEN Penilaian = 70 [R21] IF (PTJ Baik) AND (TK Kurang Baik) AND (PP Baik) AND (Kp Kurang Mampu) THEN Penilaian = 70 [R22] IF (PTJ Baik) AND (TK Kurang Baik) AND (PP Cukup Baik) AND (Kp Mampu) THEN Penilaian = 70 [R23] IF (PTJ Baik) AND (TK Kurang Baik) AND (PP Cukup Baik) AND (Kp Cukup Mampu) THEN Penilaian = 70 [R24] IF (PTJ Baik) AND (TK Kurang Baik) AND (PP Cukup Baik) AND (Kp Kurang Mampu) THEN Penilaian = 50 [R25] IF (PTJ Baik) AND (TK Kurang Baik) AND (PP Kurang Baik) AND (Kp Mampu) THEN Penilaian = 70 [R26] IF (PTJ Baik) AND (TK Kurang Baik) AND (PP Kurang Baik) AND (Kp Cukup Mampu) THEN Penilaian = 50 [R27] IF (PTJ Baik) AND (TK Kurang Baik) AND (PP Kurang Baik) AND (Kp Kurang Mampu) THEN Penilaian = 30
10
[R28] IF (PTJ Cukup Baik) AND (TK Baik) AND (PP Baik) AND (Kp Mampu) THEN Penilaian = 90 [R29] IF (PTJ Cukup Baik) AND (TK Baik) AND (PP Baik) AND (Kp Cukup Mampu) THEN Penilaian = 70 [R30] IF (PTJ Cukup Baik) AND (TK Baik) AND (PP Baik) AND (Kp Kurang Mampu) THEN Penilaian = 70 [R31] IF (PTJ Cukup Baik) AND (TK Baik) AND (PP Cukup Baik) AND (Kp Mampu) THEN Penilaian = 70 [R32] IF (PTJ Cukup Baik) AND (TK Baik) AND (PP Cukup Baik) AND (Kp Cukup Mampu) THEN Penilaian = 70 [R33] IF (PTJ Cukup Baik) AND (TK Baik) AND (PP Cukup Baik) AND (Kp Kurang Mampu) THEN Penilaian = 70 [R34] IF (PTJ Cukup Baik) AND (TK Baik) AND (PP Kurang Baik) AND (Kp Mampu) THEN Penilaian = 70 [R35] IF (PTJ Cukup Baik) AND (TK Baik) AND (PP Kurang Baik) AND (Kp Cukup Mampu) THEN Penilaian = 70 [R36] IF (PTJ Cukup Baik) AND (TK Baik) AND (PP Kurang Baik) AND (Kp Kurang Mampu) THEN Penilaian = 50 [R37] IF (PTJ Cukup Baik) AND (TK Cukup Baik) AND (PP Baik) AND (Kp Mampu) THEN Penilaian = 70 [R38] IF (PTJ Cukup Baik) AND (TK Cukup Baik) AND (PP Baik) AND (Kp Cukup Mampu) THEN Penilaian = 70 [R39] IF (PTJ Cukup Baik) AND (TK Cukup Baik) AND (PP Baik) AND (Kp Kurang Mampu) THEN Penilaian = 70 [R40] IF (PTJ Cukup Baik) AND (TK Cukup Baik) AND (PP Cukup Baik) AND (Kp Mampu) THEN Penilaian = 70 [R41] IF (PTJ Cukup Baik) AND (TK Cukup Baik) AND (PP Cukup Baik) AND (Kp Cukup Mampu) THEN Penilaian = 50 [R42] IF (PTJ Cukup Baik) AND (TK Cukup Baik) AND (PP Cukup Baik) AND (Kp Kurang Mampu) THEN Penilaian = 50 [R43] IF (PTJ Cukup Baik) AND (TK Cukup Baik) AND (PP Kurang Baik) AND (Kp Mampu) THEN Penilaian = 70 [R44] IF (PTJ Cukup Baik) AND (TK Cukup Baik) AND (PP Kurang Baik) AND (Kp Cukup Mampu) THEN Penilaian = 50 [R45] IF (PTJ Cukup Baik) AND (TK Cukup Baik) AND (PP Kurang Baik) AND (Kp Kurang Mampu) THEN Penilaian = 50 [R46] IF (PTJ Cukup Baik) AND (TK Kurang Baik) AND (PP Baik) AND (Kp Mampu) THEN Penilaian = 70
11
[R47] IF (PTJ Cukup Baik) AND (TK Kurang Baik) AND (PP Baik) AND (Kp Cukup Mampu) THEN Penilaian = 70 [R48] IF (PTJ Cukup Baik) AND (TK Kurang Baik) AND (PP Baik) AND (Kp Kurang Mampu) THEN Penilaian = 50 [R49] IF (PTJ Cukup Baik) AND (TK Kurang Baik) AND (PP Cukup Baik) AND (Kp Mampu) THEN Penilaian = 70 [R50] IF (PTJ Cukup Baik) AND (TK Kurang Baik) AND (PP Cukup Baik) AND (Kp Cukup Mampu) THEN Penilaian = 50 [R51] IF (PTJ Cukup Baik) AND (TK Kurang Baik) AND (PP Cukup Baik) AND (Kp Kurang Mampu) THEN Penilaian = 50 [R52] IF (PTJ Cukup Baik) AND (TK Kurang Baik) AND (PP Kurang Baik) AND (Kp Mampu) THEN Penilaian = 50 [R53] IF (PTJ Cukup Baik) AND (TK Kurang Baik) AND (PP Kurang Baik) AND (Kp Cukup Mampu) THEN Penilaian = 50 [R54] IF (PTJ Cukup Baik) AND (TK Kurang Baik) AND (PP Kurang Baik) AND (Kp Kurang Mampu) THEN Penilaian = 30 [R55] IF (PTJ Kurang Baik) AND (TK Baik) AND (PP Baik) AND (Kp Mampu) THEN Penilaian = 90 [R56] IF (PTJ Kurang Baik) AND (TK Baik) AND (PP Baik) AND (Kp Cukup Mampu) THEN Penilaian = 70 [R57] IF (PTJ Kurang Baik) AND (TK Baik) AND (PP Baik) AND (Kp Kurang Mampu) THEN Penilaian = 70 [R58] IF (PTJ Kurang Baik) AND (TK Baik) AND (PP Cukup Baik) AND (Kp Mampu) THEN Penilaian = 70 [R59] IF (PTJ Kurang Baik) AND (TK Baik) AND (PP Cukup Baik) AND (Kp Cukup Mampu) THEN Penilaian = 70 [R60] IF (PTJ Kurang Baik) AND (TK Baik) AND (PP Cukup Baik) AND (Kp Kurang Mampu) THEN Penilaian = 50 [R61] IF (PTJ Kurang Baik) AND (TK Baik) AND (PP Kurang Baik) AND (Kp Mampu) THEN Penilaian = 70 [R62] IF (PTJ Kurang Baik) AND (TK Baik) AND (PP Kurang Baik) AND (Kp Cukup Mampu) THEN Penilaian = 50 [R63] IF (PTJ Kurang Baik) AND (TK Baik) AND (PP Kurang Baik) AND (Kp Kurang Mampu) THEN Penilaian = 30 [R64] IF (PTJ Kurang Baik) AND (TK Cukup Baik) AND (PP Baik) AND (Kp Mampu) THEN Penilaian = 70 [R65] IF (PTJ Kurang Baik) AND (TK Cukup Baik) AND (PP Baik) AND (Kp Cukup Mampu) THEN Penilaian = 70
12
[R66] IF (PTJ Kurang Baik) AND (TK Cukup Baik) AND (PP Baik) AND (Kp Kurang Mampu) THEN Penilaian = 50 [R67] IF (PTJ Kurang Baik) AND (TK Cukup Baik) AND (PP Cukup Baik) AND (Kp Mampu) THEN Penilaian = 70 [R68] IF (PTJ Kurang Baik) AND (TK Cukup Baik) AND (PP Cukup Baik) AND (Kp Cukup Mampu) THEN Penilaian = 50 [R69] IF (PTJ Kurang Baik) AND (TK Cukup Baik) AND (PP Cukup Baik) AND (Kp Kurang Mampu) THEN Penilaian = 50 [R70] IF (PTJ Kurang Baik) AND (TK Cukup Baik) AND (PP Kurang Baik) AND (Kp Mampu) THEN Penilaian = 50 [R71] IF (PTJ Kurang Baik) AND (TK Cukup Baik) AND (PP Kurang Baik) AND (Kp Cukup Mampu) THEN Penilaian = 50 [R72] IF (PTJ Kurang Baik) AND (TK Cukup Baik) AND (PP Kurang Baik) AND (Kp Kurang Mampu) THEN Penilaian = 30 [R73] IF (PTJ Kurang Baik) AND (TK Kurang Baik) AND (PP Baik) AND (Kp Mampu) THEN Penilaian = 70 [R74] IF (PTJ Kurang Baik) AND (TK Kurang Baik) AND (PP Baik) AND (Kp Cukup Mampu) THEN Penilaian = 50 [R75] IF (PTJ Kurang Baik) AND (TK Kurang Baik) AND (PP Baik) AND (Kp Kurang Mampu) THEN Penilaian = 30 [R76] IF (PTJ Kurang Baik) AND (TK Kurang Baik) AND (PP Cukup Baik) AND (Kp Mampu) THEN Penilaian = 50 [R77] IF (PTJ Kurang Baik) AND (TK Kurang Baik) AND (PP Cukup Baik) AND (Kp Cukup Mampu) THEN Penilaian = 50 [R78] IF (PTJ Kurang Baik) AND (TK Kurang Baik) AND (PP Cukup Baik) AND (Kp Kurang Mampu) THEN Penilaian = 30 [R79] IF (PTJ Kurang Baik) AND (TK Kurang Baik) AND (PP Kurang Baik) AND (Kp Mampu) THEN Penilaian = 30 [R80] IF (PTJ Kurang Baik) AND (TK Kurang Baik) AND (PP Kurang Baik) AND (Kp Cukup Mampu) THEN Penilaian = 30 [R81] IF (PTJ Kurang Baik) AND (TK Kurang Baik) AND (PP Kurang Baik) AND (Kp Kurang Mampu) THEN Penilaian = 30
Sedangkan untuk aturan-aturan absensi dirumuskan sebagai berikut: [R1]
IF (Abs is sgtdisiplin) THEN nilai_absensi = 30
[R2]
IF (Abs is disiplin) THEN nilai_absensi = 25
[R3]
IF (Abs is ckpdisiplin) THEN nilai_absensi = 20
13
[R4]
IF (Abs is krgdisiplin) THEN nilai_absensi = 15
[R5]
IF (Abs is tdkdisiplin) THEN nilai_absensi = 10
[R6]
IF (Abs is sgttdkdisiplin) THEN nilai_absensi = 5
3.4. Proses Defuzzifikasi Nilai dan kriteria yang dihasilkan berdasarkan perhitungan dalam aturan-aturan fuzzy di atas untuk selanjutnya menentukan α-predikat dengan mengambil nilai keanggotaan terkecil dalam himpunan yang bersangkutan. [Ri] α-predikati = min(µA[x], µB[y]) atau dapat juga dituliskan
(19)
[Ri] µA∩µA = min(µA[x], µB[y])
(20)
3.5. Perhitungan Bonus Untuk menghitung kinerja dan absensi, jika komposisi aturan menggunakan Metode Sugeno maka defuzzifikasi dilakukan dengan cara mencari nilai rata-rata (average method) yang diperoleh dari α-predikat dikalikan dengan nilai konsekuen tiap-tiap aturan (z). Hasil akhir dalam bentuk persen (%). Selanjutnya menentukan kriteria dari kinerja dan kriteria absensi dengan ketentuan yang dijelaskan dalam Tabel 3. dan Tabel 4. Perhitungan rata-rata tersebut dirumuskan:
α1z1+ α2z2+ . . . + αnzn Kinerja =
(21) α1+ α1+ . . . +αnzn
Tabel 3. Kriteria Penilaian Kinerja
No
Range
Kriteria Penilaian
1. 76 – 90
Sangat Baik
2. 61 – 75.99
Baik
3. 50 – 60.99
Cukup Baik
4. < 50
Kurang Baik
α1z1+ α2z2+ . . . + αnzn Absensi =
(22) α1+ α1+ . . . +αnzn
14
Tabel 4. Kriteria Penilaian Absensi Kriteria Penilaian
Range
No
1. > 25
Sangat Disiplin
2. 20 – 25
Disiplin
3. 15 – 19.99
Cukup Disiplin
4. 10 – 14.99
Kurang Disiplin
5. 5 – 9.99
Tidak Disiplin
6. < 5
Sangat Tidak Disiplin
Langkah terakhir adalah menghitung Bonus dengan rumus: Bonus = Kinerja + Absensi
(23)
3.6. Pengujian Data Validitas menunjukkan sejauh mana skor/nilai/ukuran yang diperoleh benar-benar menyatakan hasil pengukuran atau pengamatan yang ingin diukur. Hipotesis pada dasarnya merupakan suatu anggapan yang mungkin benar, dan sering digunakan sebagai dasar pembuatan keputusan atau pemecahan persoalan ataupun untuk dasar penelitian lebih lanjut. Untuk dapat diuji, suatu hipotesis haruslah dinyatakan secara kuantitatif (dalam bentuk angka). Pengujian hipotesis menggunakan data yang dikumpulkan dari sampel, sehingga merupakan data perkiraan (estimasi). Dalam penelitian ini pengujian validasi menggunakan koefisien varians (Coeficient Varians/CV) yang membandingkan dispersi relatif dari 2 (dua) jenis data, dalam hal ini membandingkan antara data perhitungan kinerja dan absensi karyawan menggunakan standar perhitungan P4 (real) dan perhitungan menggunakan fuzzy logic. Hasil perhitungan validasi ini diharapkan lebih kecil dari 5% (< 5%). Coeficient Varians merupakan ukuran normal dispersi dari suatu distribusi probabilitas yang didefinisikan sebagai rasio dari simpangan baku (standar deviasi) dengan rata-rata (mean), atau lebih jelasnya dirumuskan:
CV =
s x100% x
! dimana: ! s : standar deviasi sampel ! x : rata-rata sampel
(24)
4. Hasil dan Pembahasan 4.1. Perhitungan Variabel Misalkan ingin dihitung bonus seorang karyawan sebut saja X5 yang mempunyai nilai TPJ = 3.33, nilai TK = 3.00, nilai PP = 3.00, nilai Kp = 2.88, dan Abs = 49. Langkah pertama dilakukan fuzzifikasi input untuk mencari nilai derajat keanggotaan tiap variabel dalam setiap himpunan dengan menggunakan persamaan (2) dan (3) untuk menghitung variabel PTJ:
15
µPTJ_CukupBaik (3.33)
= (3.5 – 3.33) / (3.5 – 2.5) = 0.17
µPTJ_Baik (3.33)
= (3.33 – 2.5) / (4 – 2.5) = 0.5533
Gunakan persamaan (5) dan (6) untuk menghitung variabel TK. µTK_CukupBaik (3.00)
= (3.5 – 3) / (3.5 – 2.5) = 0.5
µTK_Baik (3.00)
= (3 – 2.5) / (4 – 2.5) = 0.3333
Gunakan persamaan (8) dan (9) untuk menghitung variabel PP. µPP_CukupBaik (3.00)
= (3 – 3) / (3 – 2) = 0
µPP_Baik (3.00)
= (3 – 2) / (4 – 2) = 0.5
Gunakan persamaan (11) untuk menghitung variabel Kp. µKp_CkpMampu (2.88) = (3.5 – 2.88) / (3.5 – 2.5) = 0.62 Gunakan persamaan (17) untuk menghitung variabel Abs. µAbs_TdkDisiplin (49)
= (80 – 49) / (80 – 48) = 0.9687
Langkah berikutnya dicari nilai α-predikat untuk setiap aturan yang sesuai dengan hasil di atas. Hanya ada 8 aturan yang memenuhi persyaratan dari hasil perhitungan α-predikat di atas. Karena operator yang digunakan dalam aturan fuzzy adalah AND, maka α-predikat diambil berdasarkan nilai keanggotaan terkecil (andMethod : min), dan nilai z berdasarkan ketentuan dalam Tabel 1. [R2]
α-predikat2
= min(µPTJ_Baik(3.33); µTK_Baik(3.00); µPP_Baik (3.00);µKp_CkpMampu (2.88)) = min(0.5533; 0.3333; 0.5; 0.62)
=
0.3333
z2 = 90 [R5]
α-predikat5
= min(µPTJ_Baik(3.33); µTK_Baik(3.00); µPP_CukupBaik (3.00); µKp_CkpMampu (2.88)) = min(0.5533; 0.3333; 0; 0.62)
16
=
0
z5 = 70 [R11] α-predikat11
= min(µPTJ_Baik(3.33); µTK_CukupBaik(3.00); µPP_Baik (3.00); µKp_CkpMampu (2.88)) = min(0.5533; 0.5; 0.5; 0.62)
=
0.5
z11 = 70 [R14] α-predikat14
= min(µPTJ_Baik(3.33); µTK_CukupBaik(3.00); µPP_CukupBaik (3.00); µKp_CkpMampu (2.88)) = min(0.5533; 0.5; 0; 0.62)
=
0
z14 = 70 [R29] α-predikat29
= min(µPTJ_CukupBaik(3.33); µTK_Baik(3.00); µPP_Baik (3.00); µKp_CkpMampu (2.88)) = min(0.17; 0.3333; 0.5; 0.62)
=
0.17
z29 = 70 [R32] α-predikat32
= min(µPTJ_CukupBaik(3.33); µTK_Baik(3.00); µPP_CukupBaik (3.00); µKp_CkpMampu (2.88)) = min(0.17; 0.3333; 0; 0.62)
=
0
z32 = 70 [R38] α-predikat38
= min(µPTJ_CukupBaik(3.33); µTK_CukupBaik(3.00); µPP_Baik (3.00); µKp_CkpMampu (2.88)) = min(0.17; 0.5; 0.5; 0.62)
=
0.17
z38 = 70 [R41] α-predikat41
= min(µPTJ_CukupBaik(3.33); µTK_CukupBaik(3.00); µPP_CukupBaik(3.00); µKp_CkpMampu (2.88)) = min(0.17; 0.5; 0; 0.62)
=
0
z41 = 50 Sedangkan untuk mencari α-predikat dari vadiabel Abs hanya berdasarkan 1 aturan saja dan nilai z berdasarkan ketentuan dalam Tabel 2. [R5]
α-predikat5 Z5
= min(µAbs_TdkDisiplin(49)) = = 10
17
0.9687
Kriteria yang dihasilkan berdasarkan perhitungan di atas dijelaskan dalam tabel berikut:
Tabel 5. Hasil Fuzzifikasi Untuk Karyawan X5 No
Variabel Input
Nilai Input
Nilai Output
Kriteria
0.55
Baik
0.17
Cukup Baik
0.33
Baik
0.5
Cukup Baik
0.5
Baik
1.
PTJ
3.33
2.
TK
3
3.
PP
3
4.
Kp
2.88
0.62
Cukup Mampu
5.
Abs
49
0.97
Tidak Disiplin
0
Cukup Baik
Langkah berikutnya adalah defuzzifikasi dengan menerapkan persamaan (21).
α2.z2+α5.z5+α11.z11+α14.z14+α29.z29+α32.z32+α38.z38+α41.z41 Kinerja = α2+α5+α11+α14+α29+α32+α38+α41
Untuk memudahkan perhitungan hanya dihitung α-predikat yang tidak menghasilkan nol.
Kinerja
(0.3333 x90) + (0.5 x70) + (0.17 x70) + (0.17 x70) 0.3333 + 0.5 + 0.17 + 0.17 = !
(29.997) + (35) + (11.9) + (11.9) 88.797 1.1733 = ! = ! 1.1733
Sedangkan untuk menghitung Absensi digunakan persamaan (22).
0.9687 x10 Absensi = ! 0.9687 = 10
18
= 75.6814
Perhitungan Bonus dilakukan dengan menerapkan persamaan (23): Bonus = Kinerja + Absensi = 75.6814 + 10 = 85.6814
Hasil perhitungan di atas membuktikan bahwa ada perbedaan hasil Bonus yang diperoleh karyawan X5. Terlihat bahwa untuk penilaian Kinerja sebesar 75.68% dengan kriteria BAIK dan penilaian Absensi 10% dengan kriteria TIDAK DISIPLIN. Sementara untuk absensi tidak ada perbedaan hasil dikarenakan hanya 1 aturan yang memenuhi persyaratan dalam himpunan fuzzy. Tetapi hal ini cukup membuktikan bahwa sebesar apapun perbedaan nilai input akan diperhitungkan dalam nilai himpunan keanggotaannya yang diperlihatkan dalam Tabel 5.
4.2. Perbandingan Hasil Penilaian Kinerja Karyawan Dari hasil di atas terlihat bahwa perhitungan bonus dengan fuzzy logic akan menghasilkan nilai yang tidak konstan, seperti perhitungan standar P4 yang telah dilakukan oleh perusahaan.
Tabel 6. Hasil Perbandingan Perhitungan P4 Dengan Fuzzy Logic Variabel Input NO
Hasil P4
Hasil Fuzzy
Kriteria
Nama PTJ
TK
PP
Kp
Abs
Rata2
Knj
Abs
Bonus
Knj
Abs
Bonus
Knj
Abs
1.
X1
3
2.67
2.83
2.38
66
2.72
50
5
55
69.26
8.87
78.13
B
TD
2.
X2
3.67
3.67
4
3.4
0
3.69
90
30
120
90
30
120
SB
SD
3.
X3
3.67
3.17
3.83
3.23
99
3.47
90
5
95
84.6
5
89.6
SB
STD
4.
X4
3.67
3.5
3.5
3.14
1
3.45
90
30
120
90
30
120
SB
SD
5.
X5
3.33
3
3
2.88
49
3.05
70
10
80
75.68
10
85.68
B
TD
6.
X6
3
3
3.5
3
11
3.13
70
25
95
74.44
24
98.44
B
D
7.
X7
3
3.2
3
3.08
9
3.07
70
25
95
76.85
25
101.9
SB
D
8.
X8
3
3.17
3
2.9
0
3.02
70
30
100
74.63
30
104.6
B
SD
9.
X9
3
3.33
3.83
3.14
5
3.33
70
30
100
79.46
30
109.46
SB
SD
10.
X10
3
3.2
3
3
2
3.05
70
30
100
74.76
30
104.76
B
SD
11.
X11
3.33
3.33
3.33
3.07
5
3.27
70
30
100
80.49
30
110.49
SB
SD
12.
X12
3
3.4
3.33
3
3
3.18
70
30
100
76.45
30
106.45
SB
SD
13.
X13
3
3
3
2.87
0
2.97
70
30
100
7.44
30
104.44
B
SD
14.
X14
2.67
2.17
2.5
2.43
0
2.44
70
30
100
61.24
30
91.24
B
SD
15.
X15
2.67
2.83
2.83
2.43
0
2.69
70
30
100
69.21
30
91.24
B
SD
16.
X16
3
2.33
3
2.5
0
2.71
70
30
100
70
30
100
B
SD
19
17.
X17
3.67
3.67
3.83
3.27
0
3.61
90
30
120
90
30
120
SB
SD
18.
X18
3
3
2.67
2.87
0
2.89
70
30
100
70.03
30
100.03
B
SD
19.
X19
2.67
2.67
2.17
2.4
12
2.48
70
25
95
60.13
23.5
83.63
CB
D
20.
X20
2.67
2.5
2.83
2.64
38
2.66
70
10
80
65.81
12.78
78.59
B
KD
21.
X21
2.33
2.33
2.5
2.29
15
2.36
50
20
70
56.67
22
78.67
CB
D
22.
X22
2.67
2.67
2.67
2.64
15
2.66
70
20
90
66.78
22
88.78
B
D
23.
X23
3.33
3
2.83
2.5
1
2.92
70
30
100
71.85
30
101.85
B
SD
24.
X24
3
2.83
3
3
22
2.96
70
20
90
73.46
18.64
92.1
B
CD
25.
X25
2.67
2.5
2.5
2.83
0
2.51
70
30
100
59.76
30
89.76
CB
SD
26.
X26
3
2.67
2.83
2.4
4
2.73
70
30
100
69.26
30
99.26
B
SD
27.
X27
3
2.33
2.33
2.53
43
2.55
70
10
80
62.41
11.39
73.8
B
KD
28.
X28
3
2.67
3
2.73
0
2.85
70
30
100
72.14
30
102.14
B
SD
29.
X29
2.67
2.33
2.5
2.5
0
2.50
70
30
100
61.42
30
91.42
B
SD
30.
X30
2
3
3
2.93
0
2.73
70
30
100
70
30
100
B
SD
31.
X32
3
2.67
2.67
2.67
23
2.75
70
20
90
67.57
18.18
85.75
B
CD
32.
X33
3
2.83
2.17
2.67
0
2.67
70
30
100
64.86
30
94.86
B
SD
33.
X33
3
2.67
2.8
2.67
0
2.79
70
30
100
68.91
30
98.91
B
SD
34.
X34
2.67
2.5
2.67
2.38
0
2.56
70
30
100
62.6
30
92.6
B
SD
35.
X35
2.67
2.5
3
2.67
0
2.71
70
30
100
10
30
100
B
SD
37.
X37
2.33
2.17
2.17
2.08
0
2.18
50
30
80
53.73
30
83.73
B
SD
38.
X38
3
2.33
2.83
2.29
0
2.61
70
30
100
66.32
30
96.32
B
SD
39.
X39
2.67
2.67
3
2.93
51
2.82
70
10
80
72.7
10
82.7
B
TD
40.
X40
2.67
2.67
2.83
2.5
0
2.67
70
30
100
69.1
30
99.1
B
SD
41.
X41
3.67
3.6
3.33
3.07
5
3.42
70
30
100
90
30
120
SB
SD
42.
X42
3
3.2
3
3
1
3.05
70
30
100
74.76
30
104.76
B
SD
43.
X43
3.33
3.2
3.5
3
3
3.26
70
30
100
78.43
30
108.43
SB
SD
44.
X44
3.33
2.8
3.33
3
9
3.12
70
25
95
73.85
25
98.85
B
D
45.
X45
2.67
2.6
2.67
2.5
12
2.61
70
25
95
65.45
23.5
88.95
B
D
46.
X46
3.33
2.8
2.67
3
23
2.95
70
20
90
70.34
18.18
88.52
B
CD
47.
X47
3
3
3
2.9
5
2.98
70
30
100
74.44
30
104.44
B
SD
48.
X48
3
2.8
3
2.8
17
2.90
70
20
90
73.24
21
94.24
B
D
49.
X49
3
3
3
3
11
3.00
70
25
95
74.44
25
98.44
B
D
50.
X50
3
3
3
3
7
3.00
70
25
95
74.44
27.5
101.94
B
SD
51.
X51
3
2.8
3
3
38
2.95
70
10
80
73.24
12.78
86.02
B
KD
52.
X52
3
2.6
3
2.8
40
2.85
70
10
80
71.38
12.22
83.6
B
KD
53.
X63
3
2.8
3.33
2.9
19
3.01
70
20
90
73.24
20
93.24
B
CD
Keterangan: SB : Sangat Baik
B
: Baik
CB : Cukup Baik
SD : Sangat Disiplin
20
D
: Disiplin
CD : Cukup Disiplin
KD : Kurang Disiplin
STD : Sangat Tidak Disiplin
4.3. Uji Validasi Pengujian dilakukan untuk mengetahui 2 (dua) sampel yang berbeda, yaitu dengan mencari standar deviasi terhadap Bonus hasil perhitungan P4 dan Bonus hasil perhitungan Fuzzy untuk selanjutnya akan diperoleh CV dengan perhitungan sebagai berikut: a. Variance (s2)
sx
2
=
!
sy !
2
=
∑ ( xi − x )
2
n −1 ∑ ( yi − y ) n −1
=
4664.87 = 89.71 52
=
6365.53 = 122.41 52
2
b. Standar Deviasi (s) ! sx
= sx 2 = 89.71 = 9.47
! sy
= sy 2 = 122.41 = 11.06
c. Coeficient Varians (CV)
!
!
cvx =
sx 9.47 ×100 = ×100 = 9.87 x 95.94
cvy =
sy 11.06 ×100 = ×100 = 11.39 y 97.13
Berdasarkan perhitungan di atas dapat disimpulkan bahwa secara relatif hasil perhitungan dengan Fuzzy Logic lebih bervariasi daripada hasil perhitungan dengan P4 pada 53 orang karyawan yang diambil secara acak.
5.1. Kesimpulan a. Fuzzy logic akan menghasilkan output paling tidak dengan 2 kriteria yang berbeda dari masukan yang sama. Dengan fuzzy logic, output akan bernilai antara 0 dan 1, tapi dalam perhitungan biasa output bersifat tegas (crisp) yang bernilai 0 atau 1. b. Penilaian kinerja karyawan sekarang menggunakan perhitungan standar perusahaan yaitu Penilaian Potensi Prestasi Personil (P4) yang hasilnya berupa bilangan konstan. Perhitungan bonus menghasilkan nilai yang monoton dan tidak bervariasi sehingga sulit ditentukan kriteria yang tepat bagi penilaian tersebut.
21
c. Hasil perbandingan perhitungan (antara P4 dengan fuzzy) diharapkan dapat menjadi motivasi karyawan untuk dapat meningkatkan prestasi kerjanya, karena berapapun besarnya nilai input akan dihasilkan nilai yang berbeda walaupun masih dalam jangkauan nilai yang sama. Terbukti dari variasi hasil bonus yang dihitung dengan fuzzy logic, yang berarti nilai tersebut sesuai dengan kinerja karyawan.
5.2. Saran Berdasarkan kesimpulan yang telah dijelaskan di atas, maka penulis memberikan saran yang mungkin dapat berguna bagi pihak perusahaan. Adapun saran yang ingin disampaikan adalah: a. Perlu dirancang kembali mengenai perhitungan kinerja karyawan yang bersifat monoton, karena dapat mengakibatkan isu negatif di lingkungan internal perusahaan. Alangkah baiknya perhitungan dengan bobot konstan menjadi bahan pertimbangan sehingga dapat menilai kinerja karyawan yang sebenarnya secara obyektif. b. Format penilaian karyawan yang ada sekarang ini alangkah baiknya diberikan catatan (remark) dengan menuliskan jangkauan/skala dan kriteria (baik, cukup baik, kurang baik), sehingga penilai tidak mengalami kesulitan apabila ingin memberikan rekomendasi terhadap penilaian seseorang.
DAFTAR PUSTAKA
Bernandin, H. John, & Joyce E.A. Russell. (1993). Human Resource Management, Singapore: McGraw-Hill, Inc. Bezdek, James C., & Sankar K. Pal. (1994). Fuzzy Models for Pattern Recognition. UK: Prentice-Hall International. Gomes, Faustino Cardoso. (2003). Manajemen Sumber Daya Manusia. Yogyakarta: ANDI Offset. Handojo, Andreas., Octavia, Tanti & Buliali, Joko Lianto (n.d). Design Performance Appraisal Application for University Employee with Analytical Hierarchy Process and Fuzzy. http:// fportfolio.petra.ac.id/user_files/00016/-ICSIIT-%20Employee-%20Appraisal%20Andreas %20H.pdf. 3 Desember 2010. Hasiholan, Liston, & Sudradjat (Desember 2008). Evaluasi Kinerja Karyawan Menggunakan Metode Pemrograman Linier Fuzzy. Makalah Seminar Nasional Matematika, Bandung: ITB. http://pustaka.unpad.ac.id/wp-content/uploads/-2010/08/ evaluasi_kinerja_karyawan_fuzzy.pdf. 2 Desember 2010. Islam, Rafikul & Shuib bin Mohd Rasad (2005, July 8-10). Employee Performance Evaluation By AHP : A Case Study. Paper of dISAHP 2005, Honolulu, Hawaii. Desember 1, 2010. http://www.superdecisions.com/~saaty/-ISAHP2005/Papers/ IslamR_RasadEmployeePerformanceEvaluation.pdf.
22
Kusumadewi, Sri. (2002). Analisis & Desain Sistem Fuzzy Menggunakan Tool Box Matlab. Yogyakarta: Graha Ilmu. Kusumadewi, Sri. & Hari Purnomo. (2002). Aplikasi Logika Fuzzy: Untuk Mendukung Keputusan (Edisi 2). Yogyakarta: Graha Ilmu. Kusumadewi, Sri. (Juni 2004). Fuzzy Quantification Theory Untuk Analisis Hubungan Antara Penilaian Kinerja Dosen Oleh Mahasiswa, Kehadian Dosen, Dan Nilai Kelulusan Mahasiswa. Journal Media Informatika. Vol. 2, No. 1, 1-10. 1 Desember 2010. http:// journal.uii.ac.id/index.php/mediainformatika/-article/viewFile/1/1. McNel, F. Martin, & Ellen Thro. (1994). Fuzzy Logic: a Practical Approach. USA: Academic Press, Inc. Naba, Agus. (2009). Belajar Cepat Fuzzy logic Menggunakan Matlab. Yogyakarta: ANDI Offset. Nurmianto, Eko., Siswanto, Nurhadi, & Sapuwan, Sanusi. (Juni 2006). Perancangan Penilaian Kinerja Karyawan Berdasarkan Kompetensi Spencer Dengan Metode Analytical Hierarchy Process (Studi Kasus di Sub Dinas Pengairan, Dinas Pekerjaan Umum, Kota Probolinggo). Jurnal Teknik Industri, Institut Teknologi Sepuluh Nopember, Vol. 8. No. 1, 40-53. http:// repository.usu.ac.id/bitstream/123456789/ 17093/5/Chapter%201.pdf. 3 Desember 2010. Pandjaitan, Lanny W. (2007). Dasar-Dasar Komputasi Cerdas. Yogyakarta: ANDI Offset. Peranginangin, Kasiman. (2006). Pengenalan Matlab. Yogyakarta: ANDI Offset. Ramli, Nazirah & Mohamad, Daud. (2009). A Centroid-Based Performance Evaluation Using Aggregated Fuzzy Numbers. Applied Mathematical Science, Vol. 3, No. 48 (2369-2381). December 1, 2010. http://www.m-hikari.com/ams/ams-password-2009/amspassword45-48-2009/ramliAMS45-48-2009.pdf Supranto, J. (2001). Statistik: Teori dan Aplikasi. Edisi keenam. Jakarta: Erlangga. Walpole, Ronald E. (1995). Pengantar Statistika. Edisi ke-3. Jakarta: Gramedia. Yuniarsih, Tjutju & Suwatno. (2008). Manajemen Sumber Daya Manusia: Teori, Aplikasi dan Isu Penelitian. Bandung: Alfabeta. Zadeh, Lotfi A. (2002). Fuzzy Logic Toolbox: For Use With Matlab. User’s Guide of MathWork. October 21, 2010. http://www.mathworks.com/products/-fuzzylogic.
23
