1. Penelitian ini mengimplementasikan algoritma backpropagation pada jaringan saraf tiruan untuk mengenali huruf Arab. 2. Huruf yang dikenali adalah huruf yang berdiri sendiri pada pembelajaran iqro. 3. Sistem diharapkan mampu mengenali pola huruf Arab dan merubahnya menjadi huruf Latin.
Edge Exploration of QR Code Technology Implementation
PENARIKAN HURUF ARAB
1. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
Pengenalan Pola Huruf Arab menggunakan Jaringan Syaraf Tiruan
dengan Metode Backpropagation
Tacbir Hendro P, Agus Komarudin, Dila Fadhilah
Universitas Jenderal Achmad Yani - Cimahi
Email: tacbir23501027@yahoo.com, adinmuflih@yahoo.co.id, fadhilah_d@ymail.com
Abstrak ide dasar untuk membuat suatu perangkat lunak
dengan bantuan komputer agar dapat mendapatkan
Dalam dunia nyata terdapat beberapa jenis informasi suatu kalimat dengan cepat.
pengenalan pola, diantaranya pengenalan pola Pengenalan pola merupakan teknik yang
wajah, sidik jari, tulisan tangan maupun pola bertujuan untuk mengklasifikasikan citra yang
karakter hasil cetakan. Dalam penelitian ini akan telah diolah sebelumnya berdasarkan kesamaan
dibahas mengenai pengenalan pola tulisan huruf atau kemiripan ciri yang dimilikinya.
arab dengan menggunakan jaringan saraf tiruan Pengenalan pola pun dapat diterapkan pada
dimana metode yang digunakan adalah berbagai macam bentuk seperti huruf gambar,
backpropagation. Backpropagation merupakan sidik jari dan lain sebagainya.
teknik dalam jaringan saraf tiruan yang Huruf arab merupakan huruf atau karakter
termasuk ke dalam kategori pembelajaran yang digunakan dalam bahasa arab, huruf arab
terselia (supervised learning) dan umumnya memiliki bentuk-bentuk khusus seperti setiap huruf
menggunakan arsitektur Multilayer Feed Forward mempunyai dua sampai empat bentuk tulisan yang
untuk mengubah bobot-bobot antar neuronnya. berbeda tergantung pada posisi huruf pada suatu
Kemudian keluaran error digunakan untuk kata.
mengubah nilai bobot-bobotnya dalam arah Terdapat beberapa cara untuk melakukan
mundur, sehingga error yang dihasilkan oleh pengenalan huruf dalam bentuk citra. Salah satunya
bagian keluaran ke bagian tersembunyi pada saat dengan cara membedakan huruf dengan jumlah
proses pembelajaran dilakukan akan di putaran dan arah cekungan. Cara lain adalah
backpropagation. Proses ini akan dilakukan terus dengan menggunakan algoritma
hingga error yang dihasilkan bisa ditolerir. backpropagation.
Penelitian ini mengimplementasikan arsitektur Salah satu algoritma pembelajaran dalam JST
jaringan saraf tiruan backpropagation untuk adalah backpropagation yang termasuk ke dalam
pengenalan pola huruf arab untuk media kategori algoritma supervised learning.
pembelajaran iqro, huruf yang dikenali yaitu Sistem yang dibangun diharapkan mampu
huruf yang berdiri sendiri beradaptasi terhadap perubahan pola yang terjadi
dan dapat memandu dalam hal menentukan tepat
Kata Kunci : Huruf Arab, Jaringan Syaraf Tiruan, tidaknya penulisan huruf arab menterjemahkan
Backpropagation tulisan arab ke dalam huruf latin. Dengan sistem
yang dibangun, kesulitan user dalam membedakan
1. Pendahuluan huruf yang satu dengan huruf yang lainnya akan
cepat terselesaikan.
1.1. Latar Belakang Masalah
Huruf merupakan informasi terkecil dari suatu 1.2. Rumusan Masalah
kalimat yang perlu didefinisikan dengan baik agar Berdasarkan latar belakang di atas,
informasi yang ada dalam kalimat tersebut dapat permasalahan yang akan dibahas dalam penelitian
lebih dipahami. Huruf memiliki bentuk yang unik ini adalah bagaimana cara untuk mengenali objek
antara satu dengan yang lain, untuk yang dapat diterjemahkan ke huruf latin, sehingga
membedakannya disesuaikan dengan karakteristik user dapat belajar memahami dan membaca huruf
dari masing-masing huruf tersebut. Proses arab dalam pembelajaran iqro dengan tanda baca
klasifikasi dan indentifikasi yang paling yang benar.
sederhana dan langsung yaitu dengan
menggunakan penglihatan. Hal tersebut menjadi
Artificial Intelligence 1-1
2. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
1.3. Batasan Masalah biner dalam sistem yang akan dibangun digunakan
metoda global thresholding yang bisa
Batasan masalahnya adalah sebagai berikut: mendapatkan nilai threshold T yang tepat.
1. Citra yang akan dikenali berformat bitmap atau Dengan setiap piksel di dalam citra dipetakan
bmp dan berukuran 50x50 pixel per huruf. dengan dua nilai, satu (1) atau nol (0) dengan
2. Objek yang akan dikenali adalah huruf yang fungsi pengambangan sebagai berikut :
{ }
terdapat pada pembelajaran iqro 1.
0, f ( x, y ) < T
3. Input berupa huruf tunggal tidak menangani g ( x, y ) =
huruf sambung atau huruf kaligrafi. 1, f ( x, y ) ≥ T
4. Sistem ini digunakan untuk user yang dapat
menggunakan komputer. 2.4 Segmentasi
1.4. Manfaat Segmentasi merupakan suatu proses yang
membagi citra atau memotong ke dalam beberapa
Manfaat yang dapat diberikan dalam bagian yang diperlukan dan bagian yang tidak
penelitian ini adalah sistem diharapkan mampu diperlukan. Segmentasi citra merupakan suatu
mengenali pola huruf arab sebagai media proses pengelompokkan citra menjadi beberapa
pembelajaran dan keluaran yang dihasilkan sistem region berdasarkan kriteria tertentu, untuk
yaitu sistem dapat merubah file citra menjadi teks menemukan karakteristik khusus yang dimiliki
atau huruf latin dari huruf arab sebagai media suatu citra.
pembelajaran.
2.5 Normalisasi
2. Tinjauan Pustaka
Normalisasi ukuran adalah proses untuk
Citra bitmap sering disebut juga dengan mengubah ukuran suatu citra ke bentuk citra
gambar raster merupakan kumpulan kotak-kotak normal yang sesuai dengan kebutuhan. Teknik
kecil (pixel). Titik-titik pixel tersebut ditempatkan normalisasi pada citra ada dua cara, yaitu interpolsi
pada lokasi-lokasi tertentu dengan nilai-nilai dan replication. Replication bekerja dengan cara
warna tersendiri yang secara keseluruhan akan menggandakan piksel sejumlah faktor skala K.
membentuk sebuah tampilan. Interpolasi bekerja dengan cara memperhalus
tingkat gradasi dari intensitas citra yang berdekatan
2.1. Tahap Pengolahan Citra sebesar faktor skala K.
Tahapan yang harus dilakukan dalam proses 2.6 Jaringan Syaraf Tiruan
pengolahan citra dapat dilihat seperti diagram di
bawah ini : Jaringan syaraf tiruan (artificial neural
network) atau disingkat JST adalah sistem
komputasi dimana arsitektur dan operasi komputer
yang diilhami dari pengetahuan tentang sel syaraf
Gambar 2.1 Tahap Pra Processing biologi di dalam otak. JST dapat digambarkan
sebagai model matematis dan komputasi untuk
2.2. Grayscale fungsi aproksimasi nonlinear, klasifikasi data,
cluster dan regresi non parametric atau sebagai
Grayscale adalah teknik yang digunakan untuk sebuah simulasi dari koleksi model syaraf
mengubah citra berwana menjadi tingkat keabuan biologi.
(dari hitam - putih). Pengubahan dari citra
berwarna ke bentuk grayscale yaitu dengan
mengubah representasi nilai-nilai intensitas
2.7 Fungsi Aktivasi JST
komponen RGB (Red, Green, Blue), dengan cara Fungsi aktivasi dalam jaringan syaraf tiruan
menentukan nilai grayscale (Lo). digunakan untuk menetukan keluaran suatu
neuron. Nilai hasil dari hasil penjumlahan bobot
2.3 Thresholding akan dibandingkan dengan suatu nilai ambang
tertentu melalui fungsi aktivasi setiap neuron.
Thresholding digunakan untuk mengatur Apabila input tersebut melewati suatu nilai ambang
jumlah derajat keabuan yang ada pada citra, untuk tertentu, maka neuron tersebut akan diaktifkan, tapi
proses pengubahan citra keabuan menjadi citra kalau tidak, maka neuron tersebut tidak akan
1-2 Artificial Intelligence
3. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
diaktifkan. Ada beberapa fungsi aktivasi JST yang maka iterasi dihentikan. Akan tetapi apabila
sering digunakan antara lain adalah fungsi aktivasi kesalahan masih lebih besar dari batas
sigmoid biner, fungsi aktivasi linear, fungsi aktivasi toleransinya, maka bobot setiap garis dalam
bipolar dan fungsi aktivasi sigmoid bipolar. Dalam jaringan akan dimodifikasi untuk mengurangi
penelitian ini fungsi aktivasi yang digunakan kesalahan yang terjadi. Langkah pada tahap I atau
adalah fungsi aktivasi sigmoid bipolar. disebut tahap feedforward adalah sebagai berikut:
1. Inisialisasi bobot (ambil bobot awal dengan
2.8 Multilayer Perceptron (MLP) nilai random yang cukup kecil).
2. Kerjakan langkah-langkah berikut selama
Multilayer Perceptron adalah jaringan syaraf kondisi berhenti bernilai salah.
tiruan yang memiliki kumpulan unit-unit 3. Untuk tiap-tiap pasangan elemen yang akan
pemrosesan yang meliputi lapisan input, satu atau dilakukan pembelajaran, kerjakan:
lebih lapisan tersembunyi dan sebuah lapisan
output. Sinyal input terhubung ke jaringan dalam Feedforward
arah maju (forward). Sebuah neuron pada lapisan a. Tiap-tiap unit input (Xi, i=1,2,3,...,n)
hidden dikoneksikan ke setiap neuron pada layar di menerima sinyal x i dan meneruskan sinyal
atasnya dan di bawahnya. tersebut ke semua unit pada lapisan yang
ada di atasnya (lapisan tersembunyi).
2.9 Backpropagation b. Tiap-tiap unit pada suatu lapisan
tersembunyi (Zj,j=1,2,3,...,p) menjumlahkan
Backpropagation merupakan algoritma sinyal-sinyal input terbobot :
pembelajaran yang terawasi dan biasanya n
digunakan oleh perceptron dengan banyak lapisan z _ in j = v0 j + Σ xi vij
untuk mengubah bobot-bobot yang terhubung i =1
dengan neuron - neuron yang ada pada lapisan gunakan fungsi aktivasi untuk menghitung
tersembunyinya. sinyal output :
Pelatihan sebuah jaringan yang
menggunakan backpropagation terdiri dari 3 dan kirimkan sinyal tersebut ke semua
langkah, yaitu : unit di lapisan atasnya (unit-unit output) dan
pelatihan pola input secara feedforward, dilakukan sebanyak jumlah lapisan
perhitungan dan backpropagation dari kumpulan tersembunyi.
kesalahan dan penyesuaian bobot. Sesudah c. Tiap-tiap unit output (Yk, k=1,2,3,...,m)
pelatihan, aplikasi dari jaringan hanya terdiri menjumlahkan sinyal-sinyal input terbobot.
dari tahap feedforward. Bahkan, jika pelatihan
menjadi lambat, sebuah jaringan yang dilatih dapat
menghasilkan outputnya sendiri secara cepat.
gunakan fungsi aktivasi untuk menghitung
2.10 Pelatihan Standar Backpropagation sinyal output :
Pelatihan Backpropagation meliputi tiga
tahap. dan kirimkan sinyal tersebut ke semua
unit di lapisan atasnya (unit-unit output).
Tahap I : Propagasi maju (Feedforward)
Selama propagasi maju, sinyal masukan (xi) Tahap II : Propagasi mundur
dipropagasikan ke layar tersembunyi menggunakan (Backpropagation)
fungsi aktivasi yang ditentukan. Keluaran dari Berdasarkan kesalahan tk- yk , dihitung faktor
setiap unit layar tersembunyi (zj) tersebut δ k (k = 1,2 , ... , m) yang dipakai untuk
selanjutnya dipropagasikan maju lagi ke layar mendistribusikan kesalahan di unit yk ke semua
tersembunyi di atasnya menggunakan fungsi unit tersembunyi yang terhubung langsung
aktivasi yang tentukan. Demikian seterusnya dengan yk . δk juga dipakai untuk mengubah
hingga menghasilkan keluaran jaringan (yk). bobot garis yang berhubungan langsung dengan
Berikutnya, keluaran jaringan (yk) dibandingkan unit keluaran. Dengan cara yang sama, dihitung
dengan target yang harus dicapai (tk). Selisih tk- yk faktor δj di setiap unit di layar tersembunyi
adalah kesalahan yang terjadi. Jika kesalahan ini sebagai dasar perubahan bobot semua garis yang
lebih kecil dari batas toleransi yang ditentukan,
Artificial Intelligence 1-3
4. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
berasal dari unit tersembunyi pada layar di 3. Analisa dan Perancangan Sistem
bawahnya. Demikian seterusnya hingga semua
faktor δ di unit tersembunyi yang berhubungan Process Modeling menggunakan Data Flow
langsung dengan unit masukan dihitung. Pada tahap Diagram (DFD).
ini juga perubahan bobot terjadi setelah semua
faktor δ dihitung, bobot semua garis dimodifikasi 3.1. Data Flow Diagram
bersamaan. Perubahan bobot suatu garis
DFDtahap awal adalah Context diagram
didasarkan atas faktor δ neuron di layar atasnya.
seperti pada Gambar 1.
Sebagai contoh, perubahan bobot garis yang
menuju ke layar keluaran didasarkan atas δk yang
ada di unit keluaran. Langkah pada tahap II atau
tahap Backpropagation adalah sebagai berikut:
a. Tiap-tiap unit output (Yk , k=1,2,3,...,m)
menerima target pola yang berhubungan
dengan pola input pembelajaran, hitung
informasi errornya :
δ2k = (tk - yk ) f '(y_ink )
kemudian hitung koreksi bobot yang nantinya
akan digunakan untuk memperbaiki nilai wjk ): Gambar 3.1. Contex Diagram SPPHA
Terdapat empat proses utama dalam
SPPHA, yaitu Image Processing, Pelatihan,
Langkah ini juga dilakukan sebanyak jumlah Pengujian dan Tutorial. Entitas yang berhubungan
lapisan tersembunyi, yaitu menghitung langsung adalah entitas user dan trainer. Data yang
informasi error dari suatu lapisan tersembunyi mengalir dari entitas user adalah data gambar uji,
ke lapisan tersembunyi sebelumnya. data yang mengalir dari proses ke user adalah data
b. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) informasi pengujian. Sedangkan data yang mengalir
menjumlahkan delta input (dari unit-unit yang dari entitas trainer ke proses adalah data gambar
berada pada lapisan di atasnya) : latih dan uji, data yang mengalir dari proses ke
trainer adalah data informasi pelatihan dan data
grafik pembelajaran. DFD level 1 seperti pada
kalikan nilai ini dengan turunan dari fungsi Gambar 2.
aktivasinya untuk menghitung informasi error :
kemudian hitung koreksi bobot (yang nantinya
akan digunakan untuk memperbaiki nilai vij ) :
hitung juga koreksi bias (yang nantinya akan
digunakan untuk memperbaiki nilai v0j ) :
c. Tiap-tiap unit output (Yk,k=1,2,3,.,m)
memperbaiki bias dan bobotnya (j=0,1,2,...,p) :
wjk (baru) = wjk (lama) + ∆wjk Gambar 3.2 DFD Level 1 SPPHA
Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p)
memperbaiki bias dan bobotnya (i=0,1,2,...,n) : Pada proses 1 Level 1 terdapat empat proses,
vij (baru) = vij (lama) + ∆vij yaitu grayscale, tresholding, segmentasi,
Proses tersebut diulang terus hingga kondisi normalisasi. Hasil dari proses normalisasi ini akan
penghentian dipenuhi. Iterasi akan dihentikan dialirkan ke dua entitas yaitu user dan trainer dan
jika jumlah iterasi yang dilakukan sudah dua proses yaitu proses 3 dan proses 2, data yang
melebihi jumlah maksimum iterasi yang dialirkan dari proses normalisasi ke entitas user
ditetapkan, atau jika kesalahan yang terjadi dan trainer adalah data informasi vektor biner
sudah lebih kecil dari batas toleransi yang sedangkan dari proses normalisasi ke proses 2 dan
diijinkan. proses 3 adalah data vektor biner. Alirannya seperti
pada gambar 3.
1-4 Artificial Intelligence
5. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
Pada proses 2.2 level 2 terdapat enam proses,
yaitu proses feed forward, proses cek error, proses
backpropagation, simpan hasil training, proses 2.1
dan proses 2.3. Data yang mengalir dari proses
2.1 yaitu data parameter sedangkan data keluaran
dari proses backpropagation adalah data hasil
training. Alirannya seperti pada gambar 6.
Gambar 3.3. Level 2. Proses 1 SPPHA
Pada proses 2 level 1terdapat lima proses,
yaitu proses pengisian parameter, training, info
hasil training, simpan hasil training proses 1 dan
proses 3. Data yang mengalir dari proses 1yaitu
data vektor biner. Entitas yang berhubungan dalam
proses ini adalah entitas trainer. Gambar Proses
2 level 1 seperti pada gambar 3. Gambar 3.6. Level 2. Proses 2.2 SPPHA
Pada proses 3.2 level 2 terdapat lima proses,
yaitu proses feed forward, proses cek bobot,
proses 1, proses 3.3 dan proses 2.4. Data yang
mengalir dari proses 1 adalah data vektor biner
sedangkan data yang mengalir dari proses cek
bobot ke proses 3.3 adalah data hasil testing.
Alirannya seperti pada gambar 7.
Gambar 3.4. Level 2. Proses 2 SPPHA
Pada proses 3 level 1 terdapat lima proses,
yaitu proses input data tes, testing, info hasil
testing, simpan hasil training dan proses 1. Data
yang mengalir dari proses 1 yaitu data vektor
biner. Entitas yang berhubungan dalam proses ini
adalah entitas trainer dan user, dimana data yang
diterima trainer dan user adalah data informasi
pengujian. Alirannya seperti gambar 5.
Gambar 3.7. Level 2. Proses 2.2 SPPHA
4. Implementasi Interface Sistem
4.1. Tampilan Form Utama
Tampilan Form Utama merupakan
tampilan awal sistem, dimana pada form utama ini
terdapat empat proses yaitu image processing,
pelatihan, pengujian dan tutorial. Dimana pada
image processing gambar diinput dan dicari nilai
berupa vektor untuk dapat dimasukan nilainya ke
Gambar 3.5. Lavel 2. Proses 3 SPPHA proses pelatihan dan pengujian, sedangkan menu
Artificial Intelligence 1-5
6. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
tutorial hanya berfungsi sebagai petunjuk
penggunaan aplikasi dan beberapa pengertian atau
definisi dari JST, backpropagation dan pengenalan
pola. Tampilan form utama dapat dilihat pada
Gambar 4.1.
Gambar 4.4. Tampilan Form Pelatihan Dalam
Menampilkan Nilai Bobot
4.3. Tampilan Form Proses Pengujian
Tampilan Form Pengujian merupakan proses
Gambar 4.1. Tampilan Form Utama untuk melakukan pengujian atau membandingan
hasil dari proses pelatihan. Disini user dituntut
4.2. Tampilan Form Proses Pelatihan untuk memasukan data gambar latih agar dapat
Tampilan Form Pelatihan merupakan proses diproses. Tampilan form pengujian dapat dilihat
untuk mengisi beberapa parameter pelatihan seperti pada gambar 4.5. samapi 4.6.
(Learning rate, Jumlah Hiden, Jumlah Epoch dan
Mean Square Error). Dalam proses pelatihan juga
user dapat melihat grafik pembelajaran pada
training, nilai bobot tiap neuron pada lapisan
output dan menampilkan error tiap neuron pada
lapisan output. Tampilan form pelatihan seperti
pada Gambar 4.2 sampai dengan 4.4.
Gambar 4.5. Tampilan Form Pengujian Dalam
Membuka File Gambar
Gambar 4.2. Tampilan Form Utama Pelatihan
Gambar 4.6. Tampilan Form Utama Pengujian
4.4. Tampilan Form Tutorial
Tampilan Form Tutorial merupakan
tampilan yang berfungsi untuk mempermudah user
Gambar 4.3. Tampilan Form Pelatihan Melihat menjalankan aplikasi. Disini user dapat melihat
Grafik beberapa petunjuk penggunaan aplikasi dan
1-6 Artificial Intelligence
7. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
beberapa pengertian tentang pengenalan pola, JST
dan backpropagation. Tampilan Form tutorial
seperti pada Gambar 4.7.
Gambar 4.7. Tampilan Form Tutorial Definisi JST
5. Kesimpulan
Berdasarkan dari hasil pelaksanaan penelitian
ini dapat disimpulkan bahwa sistem yang dibuat
untuk melakukan pengenalan pola huruf arab pada
pembelajaran iqro dapat dilakukan dengan
menggunakan algoritma backpropagation. Proses
training akan berhenti pada kondisi jumlah epoch
sama dengan maks epoch atau mean squarer error
lebih kecil sama dengan maks mean square error.
Jumlah epoch yang digunakan dalam penelitian ini
adalah 100 epoch dengan learning rate adalah
0,125. Dalam pengujian sistem data yang di uji
dibagi menjadi dua yaitu data yang sudah
melakukan pelatihan dan data yang belum sama
sekali melakukan pelatihan, untuk pengujian data
yang sudah mengalami pelatihan presentase gambar
yang dikenali adalah 100%.
Daftar Pustaka
[1] Sutikno, Pengenalan pola huruf arab gundul
dengan menggunakan metode jaringan syaraf
tiruan backpropagation, 2010
[2] Budhi, G.S, Gunawan, I, Jaowry S,. Metode
Jaringan Saraf Tiruan Backpropagation untuk
Pengenalan Huruf Cetak pada Citra Digital,
2010
[3] Sutikno., Pengenalan pola indentifikasi tanda
tangan dengan menggunakan jaringan syaraf
tiruan backpropagation, 2010
Artificial Intelligence 1-7
9. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
Pemanfaatan QRCode Sebagai Akses Cepat Verifikasi Ijazah UNIKOM
Irawan Afrianto, Andri Heryandi, Alif Finandhita
Jurusan Teknik Informatika - Fakultas Teknik Dan Ilmu Komputer
Universitas Komputer Indonesia
Abstrak 1. Pendahuluan
Ijazah merupakan salah satu surat berharga Ijazah merupakan surat tanda kelulusan yang
pada saat seseorang melamar pekerjaan. menunjukkan seseoarang telah menyelesaikan
Dikarenakan pentingnya ijazah tersebut, muncul pendidikan formalnya. Universitas Komputer
oknum-oknum yang mencoba untuk memalsukan Indonesia (UNIKOM) sebagai salah satu perguruan
ijazah . Hal ini pula yang terjadi di Universitas tinggi swasta setiap tahunnya mengeluarkan ijazah
Komputer Indonesia (UNIKOM), terdapatnya bagi para mahasiswa yang telah menyelesaikan
ijazah palsu tentunya sangat merugikan baik bagi masa studinya sebagai tanda kelulusan.
pihak Univeristas maupun dari pihak perusahaan Penggunaan ijazah yang lazim adalah sebagai
yang menerima ijazah palsu tersebut. syarat melamar suatu pekerjaan. Dikarenakan
Proses verifikasi ijazah pun masih sangat fungsinya yang sangat penting tersebut maka
lemah, masih menggunakan cara-cara kejahatan pemalsuan ijazah pun banyak dilakukan.
konvensional seperti pengecekan pada saat Seperti halnya beberapa waktu lampau di
legalisir mapun pengecekan melalui telepon dari internet muncul sebuah situs yang dengan terang-
perusahaan ke pihak Universitas, hal ini dilakukan terangan dapat membuatkan ijazah palsu bagi yang
dikarenakan belum adanya sistem yang mampu memerlukannya. Hal ini tentunya akan merugikan
secara cepat melakukan konfirmasi baik bagi perguruan tinggi yang ijazahnya
kebenaran/keaslian dari ijazah tersebut. dipalsukan maupun kepada perusahaan/instansi
Teknologi QR(Quick Response) Code yang menerima karyawan dengan ijazah yang
merupakan salah satu cara untuk dapat mengakses palsu.
informasi dengan cepat, disamping itu kemampuan Oleh karena ini diperlukan suatu sistem yang
QRcode dalam menampung data yang lebih besar dapat dengan cepat melakukan proses verifikasi
memungkin untuk dapat digunakan dalam ijazah. Salah satunya adalah dengan menggunakan
penyimpanan informasi ijazah dan pengaksesannya teknologi QR Code. Teknologi RQ Code digunakan
secara cepat. untuk melakukan akses cepat ke suatu data ( data
Diperlukan suatu sistem yang mampu teks, tautan dan sebagainya), dalam hal ini
mengolah data ijazah serta menghasilkan QRcode pemanfaatan QR Code akan disertakan pada setiap
yang nantinya digunakan sebagi media untuk ijazah UNIKOM, sehingga perusahaan/instansi
mengakses informasi ijazah secara cepat, sehingga dapat dengan cepat melakukan verifikasi terhadap
pengguna (perusahaan) dapat melakukan verifikasi ijazah UNIKOM tersebut.
ijalah lulusan UNIKOM dengan lebih cepat dan Berdasar latar berlakang tersebut maka peneliti
akurat. berkeinginan untuk mengembangkan suatu bentuk
Hasil penelitian yang dilakukan diperoleh propotipe aplikasi yang memanfaatkan QR Code
kesimpulan bahwa aplikasi pengolahan data ijazah guna akses cepat / verifikasi ke data ijazah yang
mampu menghasilkan QRcode sesuai dengan NIM dimiliki oleh UNIKOM.
lulusan yang tertera dalam ijazah, dan proses
pengaksesan dapat dilakukan melalui handphone 2. Tinjauan Pustaka
yang memiliki kemampuan membaca QCCode,
disamping itu terdapat fasilitas situs alumni 2.1. QR (Quick Response) Code
sebagai pendamping, yang dapat digunakan untuk
Kode QR adalah suatu jenis kode matriks atau
mengakses informasi ijazah secara online.
kode batang dua dimensi yang dikembangkan oleh
Denso Wave, sebuah divisi Denso Corporation
Kata kunci : QRCode, Verifikasi Cepat, Aplikasi yang merupakan sebuah perusahaan Jepang dan
pengolahan Ijazah, Sistem online, UNIKOM dipublikasikan pada tahun 1994 dengan
Artificial Intelligence 1-9
10. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
fungsionalitas utama yaitu dapat dengan mudah
dibaca oleh pemindai QR merupakan singkatan dari
quick response atau respons cepat, yang sesuai
dengan tujuannya adalah untuk menyampaikan
informasi dengan cepat dan mendapatkan respons
yang cepat pula.
Gambar 0.3. Cara kerja QR code
2.2 Internet
Internet adalah suatu jaringan komputer global
yang terbentuk dari jaringan-jaringan komputer
lokal dan regional yang memungkinkan komunikasi
Gambar 2.1 QRCode data antar komputer yang terhubung ke jaringan
tersebut.
Tidak seperti barcode yang hanya satu sisinya
saja yang mengandung data, QR Code mempunyai
dua sisi yang berisi data, dan ini membuat QR Code
lebih banyak memuat informasi dibandingkan bar
code. QR Code misalnya, dapat menampung
informasi berupa URL suatu website yang nantinya
dapat digunakan pada majalah, iklan, atau media
lainnya, sehingga ketika seorang pengguna
handphone berkamera dan mempunyai aplikasi Gambar 2.4 Internet
pembaca QR Code dapat langsung men-scan dan
masuk ke website yang dimaksud tanpa perlu
mengetikkan alamatnya. Kegunaan lain misalnya 2.3 Aplikasi Web
QR Code digunakan untuk menyimpan data teks
mengenai informasi produk atau hal lain, SMS, atau Pada awalnya aplikasi Web dibangun hanya
informasi kontak yang mengandung nama, nomor dengan menggunakan bahasa yang disebut HTML
telepon, dan alamat. (HyperText Markup Language). Pada
perkembangan berikutnya, sejumlah skrip dan
objek dikembangkan untuk memperluas
kemampuan HTML. Pada saat ini, banyak skrip
seperti itu, antara lain yaitu PHP dan ASP,
sedangkan contoh yang berupa objek adalah applet.
Aplikasi Web itu dapat dibagi menjadi Web statis
dan Web dinamis. Web statis dibentuk dengan
Gambar 2.2. Perbedaan QR code dan bar code menggunakan HTML saja.
QRCode adalah sebuah kode yang berisi
informasi, yang dapat dibaca dengan menggunakan
cara sebagai berikut :
1. Pembaca QR Code (QR Code Reader) melalui
kamera ponsel akan menyimpan informasi pada
QR Code. Ini tersebut diantaranya adalah
alamat web (URL), nomor telepon, teks, dan
SMS. Gambar 2.5 Client side programming
2. Setelah di scan, sebuah link URL berisi
informasi pada QR Code akan ditampilkan Kekurangan aplikasi seperti ini terletak pada
pada layar ponsel. keharusan untuk memelihara program secara terus-
menerus untuk mengikuti setiap perubahan yang
terjadi. Kelemahan ini diatasi dengan model Web
1-10 Artificial Intelligence
11. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
dinamis. Dengan menggunakan pendekatan Web perawatan. Disebut dengan waterfall karena
dinamis, dimungkinkan untuk membentuk sistem tahap demi tahap yang dilalui harus menunggu
informasi berbasis web. selesainya tahap sebelumnya dan berjalan
berurutan, sebagai contoh tahap desain harus
menunggu selesainya tahap sebelumnya yaitu
tahap requirement.
Gambar 2.6 Server side programming
3. Tujuan dan Manfaat Penelitian
3.1. Tujuan
Gambar 0.1. Metode Waterfall
Tujuan penelitian adalah mengembangkan
suatu propotipe aplikasi untuk mempercepat proses 4. Pembahasan
akses terhadap ijazah lulusan yang dikeluarkan oleh
UNIKOM dengan menggunakan QRCode. 4.1 Sistem yang sedang berjalan
Proses pembuatan ijazah dan transkrip
3.2. Manfaat UNIKOM dilakukan oleh bagian BAAK. Dimana
Manfaat penelitian ini adalah untuk didalam prosedurnya melibatkan beberapa bagian
mengetahui secara cepat validitas dari ijazah untuk melakukan proses pemasukan data hingga
alumni/lulusan UNIKOM hanya dengan ijazah siap diserahkan kepada lulusan.
menggunakan QRCode yang terdapat didalam Adapun Prosedur pembuatan transkrip dan Ijazah
ijazahnya. QRCode digunakan untuk menampung UNIKOM dapat dilihat pada gambar 4.1 dan
informasi berupa link ke situs verifikasi ijazah gambar 4.2
UNIKOM dimana data dari QRCode tersebut akan SEKRETARIAT JURUSAN BAAK KETUA JURUSAN DEKAN
dicocokkan dengan database alumni/lulusan mulai
UNIKOM, termasuk didalamnya untuk mengetahui Pengumpulan Photo
informasi yang berkaitan dengan lulusan tersebut.
dan transkrip
calon wisudawan
Dengan cara cepat ini, perusahaan/instansi dapat Transkrip dan photo
calon wisudawan
Pengolahan
Transkrip
dengan cepat mengetahui validitas dan profil yang dikumpulkan
alumni/lulusan UNIKOM. Pemberian nomor
seri transkrip
Pencetakan
3.3. Metode Penelitian Transkrip
Transkrip yang
Metodologi yang digunakan dalam penelitian sudah dicetak
ini adalah sebagai berikut : Penempelan
foto calon
1. Studi Literatur wisudawan
Metode studi pustaka merupakan kegiatan Transkrip yang
sudah ditempel foto
Penandatanganan
transkrip
pengumpulan data dengan mempelajari buku - Penempelan Transkrip yang
buku, karya ilmiah, koleksi perpustakaan dan hologram pada
transkrip
sudah ditandatangan
sumber dari internet yang berkaitan erat dengan Transkrip yang sudah
ditempel hologram
Penandatanganan
transkrip
materi bahasan dalam penelitian ini.
2. Tahap pembuatan perangkat lunak Photocopy transkrip
untuk arsip
Transkrip yang
sudah ditandatangan
Tahapan dalam pembuatan perangkat lunak ini
akan menggunakan model waterfall. Model ini
Penyerahan transkrip
ke panitia wisuda
melakukan pendekatan secara sistematis dan selesai
urut mulai dari level kebutuhan sistem lalu
menuju ke tahap pengumpulan data, analisis, Gambar 4.1. Prosedur pembuatan transkrip
perancangan, pengodean, pengujian, dan akademik UNIKOM
Artificial Intelligence 1-11
12. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
SEKRETARIAT JURUSAN BAAK DEKAN REKTOR
4.3 Analisis Arsitektur Sistem
mulai
Pengumpulan Photo
dan biodata
Analisis arsitektur sistem menggambarkan
calon wisudawan
secara umum alur sistem yang akan dikembangkan
Form biodata dan
photo calon
Pengolahan data
calon wisudawan
secara umum. Mulai dari sisi aplikasi back-end
(pengelolaan data ijazah ) hingga front-end cara
wisudawan
akses aplikasi (baik melalui QRcode maupun
Pemberian nomor
seri ijazah
Pencetakan
Website).
Ijazah
Ijazah yang
sudah dicetak
Penempelan
foto calon
wisudawan
Ijazah yang Penandatanganan
sudah ditempel foto Ijazah
Penempelan Ijazah yang
hologram pada sudah ditandatangan
ijazah
Ijazah yang sudah Penandatanganan
ditempel hologram ijazah
Photocopy ijazah
Ijazah yang
untuk arsip sudah ditandatangan
Penyerahan ijazah
ke panitia wisuda
selesai
Gambar 4.2. Prosedur pembuatan ijazah UNIKOM
4.2 Analisis Data
Data yang terdapat pada ijazah UNIKOM
meliputi :
a. Nomor Seri Ijazah Gambar 4.3. Arsitektur sistem usulan
b. Nama Lulusan
c. Tempat Tanggal Lahir 4.4 Analisis Kebutuhan Non Fungsional
d. NIM
Analisis non-fungsional merupakan analisis
e. Program
yang dibutuhkan untuk menentukan spesifikasi
f. Fakultas
kebutuhan sistem. Spesifikasi ini juga meliputi
g. Program Studi
elemen atau komponen-komponen apa saja yang
h. Tahun Masuk
dibutuhkan untuk sistem yang akan dibangun
i. Tanggal Kelulusan
sampai dengan sistem tersebut diimplementasikan.
j. Gelar Akademik
Analisis kebutuhan ini juga menentukan spesifikasi
Adapun analisis kebutuhan data tersebut
masukan yang diperlukan sistem, keluaran yang
meliputi :
akan dihasilkan sistem dan proses yang dibutuhkan
Tabel 4.1. Analisis kebutuhan data ijazah untuk mengolah masukan sehingga menghasilkan
Nama Data Ijazah
suatu keluaran yang diinginkan.
Deskripsi Berisi mengenai data ijazah Pada analisis kebutuhan sistem non fungsional
UNIKOM ini dijelaskan analisis mengenai analisis masukan,
Struktur Data No.Seri + Nama Lulusan + TTL + analisis keluaran, perangkat keras (hardware),
Program + Fakultas + Prodi + perangkat lunak (software), dan pengguna (user)
Tahun Masuk + Tgl. Kelulusan +
Gelar Akademik sebagai bahan analisis kekurangan dan kebutuhan
No.Seri {0..9|@} yang harus dipenuhi dalam perancangan sistem
Nama Lulusan {A..Z|a..z} yang akan diterapkan.
TTL {A..Z|a..z|0..9} a. Analisis masukan
Program {A..Z|a..z|0..9}
Fakultas {A..Z|a..z|0..9}
Analisis masukan dilakukan untuk mengetahui
Prodi {A..Z|a..z} masukan data apa saja yang diperlukan oleh
Tahun Masuk Tgl {0..9} sistem. Masukan data yang diperlukan oleh
Kelulusan { 0..9|@} sistem yaitu data lulusan yang mencakup data-
Gelar Akademik {A..Z|a..z|@}
data pada Tabel 4.1
1-12 Artificial Intelligence
13. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
b. Analisis keluaran Adalah pengguna umum yang dapat
Analisis keluaran dilakukan untuk mengetahui mengakses informasi lulusan dengan QRcode
keluaran dari sistem yang dibutuhkan oleh user Reader melalui handphone maupun
yaitu berupa QRcode link ke situs lulusan mengakses situs lulusan untuk mendapatkan
dengan membawa parameter data-data pada informasi lulusan.
Tabel 4.1 sehingga informasi lulusan dapat
diakses. 4.5. Analisis Kebutuhan Fungsional
c. Analisis kebutuhan perangkat keras (hardware)
Agar aplikasi dapat berjalan dengan baik, maka Pendefinisian layanan yang harus disediakan,
dibutuhkan perangkat keras yang sesuai dengan bagaimana reaksi sistem terhadap input dan apa
kebutuhan sistem. Tabel 5.2 adalah spesifikasi yang harus dilakukan sistem pada situasi khusus
minimum perangkat keras yang dibutuhkan agar (kebutuhan sistem dilihat dari sisi pengguna)
dapat digunakan untuk menjalankan aplikasi Diagram konteks adalah diagram yang terdiri
baik disisi back-end (pengolahan data) maupun dari suatu proses dan menggambarkan ruang
disisi front-end (akses informasi) lingkup suatu sistem. Diagram konteks merupakan
level tertinggi dari Data Flow Diagram (DFD)
Tabel 4.2. Kebutuhan perangkat keras yang menggambarkan seluruh input ke sistem atau
Komputer Spesifikasi perangkat keras output dari sistem.
Prosesor Prosesor 1.6 Ghz
Resolusi layar 1024 x 768 pixel
Memori Memori 256 Mb
Harddisk Harddisk 20 GB
Keyboard dan mouse -
Handphone Spesifikasi perangkat keras
jenis Smartphone
d. Analisis kebutuhan perangkat lunak (software)
Perangkat lunak yang dibutuhkan agar sistem
ini dapat berjalan dengan optimal dapat dilihat Gambar 4.4 Diagram konteks sistem ijazah online
pada Tabel 4.3.
Tabel 4.3. Kebutuhan perangkat lunak
Komputer Spesifikasi perangkat lunak
Sistem Operasi Windows Xp, Windows 7
Borland Delphi 7.0
Bahasa Pemograman
PHP
DBMS MySQL
Web Server (Server) WAMP
Internet Explorer, Mozilla Firefox,
Web Browser
Opera, Google Chrome
Handphone Spesifikasi perangkat lunak
Gambar 4.5. DFD level 1 sistem ijazah online
Sistem Operasi Symbian, Android, IOS
Aplikasi QRcode Reader
e. Analisis pengguna
Secara umum aplikasi ini mempunyai 2
pengguna (user), dimana masing-masing bagian
tersebut mempunyai hak akses dan kewenangan
yang berbeda
1. Operator
Bertugas memasukkan data lulusan, dapat
melakukan proses tambah data lulusan, edit
data lulusan, hapus data lulusan, cetak data
lulusan, dan cetak ijazah berQRCode.
2. Pengakses Gambar 4.6. DFD level 2 Proses pengolahan
data ijazah
Artificial Intelligence 1-13
14. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
4.6. Perancangan Sistem
Perancangan sistem merupakan keberlanjutan
dari analisis sistem yang telah dibuat, digunakan
untuk menunjukkan secara fisik rancangan data dan
aplikasi yang akan dibangun.
Perancangan Format QRCode
QRcode yang dirancang memiliki format berisi
alamat link situs dan NIM alumni.
Format link untuk QRCode :
Gambar 4.9. Rancangan form cetak QRcode
http://if.unikom.ac.id/alumni/?nim=[nim_mhs] alumni/lulusan
Contoh :
http://if.unikom.ac.id/alumni/?nim=10100001
Perancangan Database
Adapun tabel-tabel yang digunakan dalam
membangun aplikasi ini terdiri dari 4 tabel yaitu
tabel Alumni, tabel Prodi, tabel Jurusan dan tabel Gambar 4.10. Rancangan aplikasi frontend
Fakultas , yang ditunjukkan pada skema relasi pada ijazah (website)
Gambar 4.7
Gambar 4.7. Skema Relasi Tabel
Gambar 4.11. Rancangan detail ijazah
4.7. Perancangan Antarmuka
4.8. Ujicoba Sistem
Aplikasi ini dibagi menjadi dua bagian yaitu
aplikasi back end yang digunakan untuk Ujicoba dilakukan untuk memastikan apakan
memasukkan data lulusan, ijazah dan QRcode dan rancangan yang dibuat telah sesuai dengan
aplikasi front end untuk mengakses data lulusan kebutuhan serta dapat menghasilkan keluaran yang
dan ijazah dengan menggunakan QRcode yang diinginkan.
terdapat di Ijazah maupun secara online pada Aplikasi back end menyediakan fasilitas untuk
website verifikasi ijazah. mengolah data ijazah serta mencetak QRCode
masing-masing ijazah.
Gambar 4.8. Rancangan tampilan antar muka Gambar 4.12. Implementasi Aplikasi Back End
aplikasi backend ijazah Ijazah
1-14 Artificial Intelligence
15. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
Sementara jika aplikasi tidak menemukan data
lulusan yang dicari, maka akan mengeluarkan pesan
seperti pada gambar 4.17.
Gambar 4.17. Pesan Konfirmasi Data Tidak
Ditemukan
Gambar 4.13. Implementasi Form QRCode Ijazah
QRCode yang dihasilkan nantinya akan 5. Kesimpulan dan Saran
dicetak dan dimasukkan dalam ijazah, dan dapat
diakses melalui handphone yang memiliki aplikasi 5.1. Kesimpulan
QRCode reader.
1. QRCode dapat digunakan untuk menampung
informasi yang lebih besar berupa link situs
yang dapat dapat diakses melalui aplikasi
QRCode Reader.
2. Mempermudah pengaksesan informasi ijazah
UNIKOM melalui Smartphone .
3. QRCode dapat digunakan dengan cepat untuk
menverifikasi Ijazah lulusan Universitas
Komputer Indonesia dengan cepat dan akurat.
Gambar 4.14. Contoh QRCode Ijazah 4. Aplikasi Front End berbasis web digunakan
Sementara aplikasi front end berbasis web sebagai pendamping verifikasi ijazah UNIKOM,
dapat digunakan untuk mencari lulusan UNIKOM apabila pengguna tidak memiliki aplikasi
berdasar NIP pada ijazah yang dimilikinya. QRCode Reader.
5.2. Saran
1. Proses pencetakan QRCode sekiranya dapat
dilakukan dengan cara yang lebih efisien
sehingga dapat dimasukkan ke dalam ijazah
lulusan UNIKOM dengan lebih mudah.
Gambar 4.15. Implementasi Front End Aplikasi
2. Perlu dipikirkan dari sisi keamanan internet
Ijazah
seperti penggunaan SSL untuk mengenkripsi
data ijazah.
Gambar 4.16. Keluaran Informasi Ijazah
Daftar Pustaka
Artificial Intelligence 1-15
16. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
[1] Cintron, Dave Fast Track Web Programming .
Wiley, New York, 1999.
[2] Irawan, Budhi, Jaringan Komputer, Graha
Ilmu, Yogyakarta, 2005.
[3] Yue L., Ju Y., Mingjun L., "Recognition of QR
Code with Mobile Phones," Chinese Control
and Decision Conference, 2008, pp. 203 – 206
[4] Wakahara T., Yamamoto N., Ochi H., "Image
Processing of Dotted Picture in the QR Code of
Cellular Phone", 3PGCIC, 2010, pp. 454 - 458.
[5] http://en.wikipedia.org/wiki/QR_Code, diakses
pada 20 Agustus 2010 : 13.45
[6] http://qrcode.kaywa.com/ diakses pada 20
Agustus 2010 : 14.00.
[7] http://www.denso-wave.com/qrcode/qrfeature-
e.html diakses pada 20 Agustus 2010, 16.00.
[8] http://tekno.kompas.com/read/2009/06/15/
0850503/QR.Code.Kompas.Perkaya.Konten.bi.
Pembaca, diakses pada 20 Agustus 2010,
12.25.
1-16 Artificial Intelligence
17. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
Analisis Kinerja Guru berdasarkan Perbandingan Nilai Ekspektasi
dengan Metode Fuzzy menggunakan Pendekatan Axiomatic Design
Yasohati Sarumaha
Mahasiswa S2 Teknik Informatika Universitas Sumatera Utara
Staf Pengajar pada SMK Negeri 1 Percut Sei Tuan
yas_sarumaha@yahoo.com
Abstrak Kinerja guru pada dasarnya merupakan unjuk
kerja yang dilakukan oleh guru dalam
Semakin menurunnya kinerja guru sudah melaksanakan tugasnya sebagai pendidik. Kualitas
seharusnya menjadi perhatian kita semua. kinerja guru akan sangat menentukan pada kualitas
Penurunan kinerja guru tentunya akan berdampak hasil pendidikan, karena guru merupakan oknum
pada kualitas proses pembelajaran yang pada yang paling banyak berinteraksi langsung dengan
akhirnya akan mempengaruhi kualitas lulusan. siswa dalam proses pendidikan/pembelajaran di
Semakin rendahnya kinerja guru mungkin satuan pendidikan.
disebabkan oleh banyak faktor. Penelitian ini Guru merupakan elemen kunci dalam sistem
bertujuan untuk menganalisis kinerja guru pendidikan, khususnya di sekolah. Semua
berdasarkan perbandingan nilai dari ekspektasi komponen lain, mulai dari kurikulum, sarana-
baik secara parsial maupun secara bersama-sama. prasarana, biaya, dan sebagainya tidak akan banyak
Dalam penelitian ini, penulis menggunakan metode berarti apabila esensi pembelajaran yaitu interaksi
Fuzzy Logic dengan pendekatan berupa Axiomatic guru dengan peserta didik tidak berkualitas. Semua
Design. Pendekatan axiomatic design digunakan komponen lain, terutama kurikulum akan “hidup”
dalam melakukan analisis proses untuk apabila dilaksanakan oleh guru. Begitu pentingnya
pengambilan keputusan khususnya dalam pemetaan peran guru dalam mentransformasikan input-input
suatu proses alur kerja yang terdiri dari beberapa pendidikan, sampai-sampai banyak pakar
sub proses yang bertingkat. Setiap sub proses menyatakan bahwa di sekolah tidak akan ada
terdiri dari beberapa variabel/atribut yang perubahan atau peningkatan kualitas tanpa adanya
berkaitan maupun saling independen. Axiomatic perubahan dan peningkatan kualitas guru.
Design diperlukan untuk menentukan Sayangnya, dalam kultur masyarakat
variabel/atribut yang terpenting tanpa mengurangi Indonesia sampai saat ini pekerjaan guru masih
makna dan arti masing-masing variabel/atribut. cukup tertutup. Bahkan atasan guru seperti kepala
sekolah dan pengawas sekalipun tidak mudah untuk
Kata Kunci : Guru, Kinerja, Fuzzy Logic, mendapatkan data dan mengamati realitas
Axiomatic Design, keseharian performance guru di hadapan siswa.
Memang program kunjungan kelas oleh kepala
1. Pendahuluan sekolah atau pengawas, tidak mungkin ditolak oleh
guru. Akan tetapi tidak jarang terjadi guru berusaha
1.1. Latar Belakang menampakkan kinerja terbaiknya, baik pada aspek
Dalam tataran mikro teknis, guru sebagai perencanaan maupun pelaksanaan pembelajaran
tenaga pendidik yang merupakan ujung tombak hanya pada saat dikunjungi. Selanjutnya ia akan
pelaku dan pemimpin dalam melaksanakan proses kembali bekerja seperti sedia kala, kadang tanpa
pendidikan serta menentukan proses pembelajaran persiapan yang matang serta tanpa semangat dan
di kelas. Peran kepemimpinan tersebut akan antusiasme yang tinggi.
tercermin dari bagaimana guru melaksanakan peran Suatu satuan pendidikan yang memiliki guru
dan tugasnya, ini berarti bahwa kinerja guru dalam jumlah besar proses evaluasi (penilaian)
merupakan faktor yang amat menentukan bagi mutu kinerja mutlak dilakukan sehingga institusi
pembelajaran/pendidikan yang akan berimplikasi memerlukan prosedur yang baku dalam melakukan
pada kualitas output pendidikan setelah penilaian kinerja guru pada satuan pendidikan
menyelasaikan sekolah. tersebut.
Artificial Intelligence 1-17
18. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
Dalam melakukan penilaian kinerja terhadap 1.5. Manfaat Penelitian
seorang guru saat ini pada umumnya dilakukan
dengan hanya melihat parameter tertentu saja, Hasil penelitian ini diharapkan bermanfaat
misalnya tingkat kehadiran guru tersebut dan untuk digunakan sebagai berikut:
kunjungan supervisi. Beberapa masalah yang terjadi 1. Bahan pertimbangan bagi satuan pendidikan,
dalam proses evaluasi (penilaian) seperti yang telah organisasi dan perusahaan untuk menerapkan
diungkapkan diatas sebelumnya. Jika proses ini konsep fuzzy sebagai sistem pengambil
dibantu oleh sebuah sistem pendukung keputusan, keputusan.
hal tersebut dapat dikurangi sehingga diharapkan 2. Rekomendasi pemanfaatan logika fuzzy kepada
guru dapat menampilkan kemampuan terbaik yang satuan pendidikan ataupun institusi lain dalam
cukup kompeten. melakukan evaluasi terhadap penilaian kinerja.
3. Sumbangan pemikiran bagi berbagai pihak
yang berminat dan ingin melakukan penelitian
1.2. Perumusan Masalah
yang lebih lanjut mengenai masalah
Berdasarkan latar belakang masalah yang pengolahan data.
diuraikan pada sub bab sebelumnya, maka terdapat
masalah utama dalam penelitian yang dapat 2. Tinjauan Teori
dirumuskan yaitu bagaimana mengevaluasi kinerja
guru dengan menerapkan konsep fuzzy untuk 2.1. Guru
menyajikan informasi hasil evaluasi penilaian
Guru merupakan faktor penentu yang sangat
kinerja kepada pihak manajemen sekolah dan dinas
dominan dalam pendidikan pada umumnya, karena
kabupaten/kota.
guru memegang peranan dalam proses
pembelajaran, di mana proses pembelajaran
1.3. Batasan Masalah merupakan inti dari proses pendidikan secara
Secara garis besar, penulis melakukan keseluruhan. Proses pembelajaran merupakan suatu
penelitian dengan menggunakan konsep proses yang mengandung serangkaian perbuatan
pengolahan data statistik dengan batasan masalah guru dan siswa atas hubungan timbal balik yang
berupa: berlangsung dalam situasi edukatif untuk mencapai
1. Penelitian dilakukan dalam ruang lingkup lokal tujuan tertentu, di mana dalam proses tersebut
yaitu SMK Negeri 1 Percut Sei Tuan terkandung multi peran dari guru. Peranan guru
kabupaten Deli Serdang. meliputi banyak hal, yaitu guru dapat berperan
2. Penilaian dalam melakukan evaluasi kinerja sebagai pengajar, pemimpin kelas, pembimbing,
guru. pengatur lingkungan belajar, peren-cana
3. Metode pengolahan data yang digunakan fuzzy pembelajaran, supervisor, motivator, dan sebagai
dengan pendekatan “Axiomatic Design” yang evaluator.
melibatkan ilmu sebagai dasar desain. Peranan guru berkaitan dengan kompetensi
guru, meliputi:
1.4. Tujuan Penelitian 1. Guru melakukan Diagnosa terhadap Perilaku
Awal Siswa
Berdasarkan uraian pada latar belakang 2. Guru membuat Perencanaan Pelaksanaan
masalah dan perumusan masalah di atas, maka Pembelajaran (RPP)
tujuan yang ingin dicapai dalam penelitian ini 3. Guru Melaksanakan Proses Pembelajaran
adalah : 4. Guru sebagai Pelaksana Administrasi Sekolah
1. Mengetahui kinerja secara terukur sebagai 5. Guru sebagai Komunikator
dasar evaluasi penilaian kinerja. 6. Guru Mampu Mengembangkan Keterampilan
2. Mengetahui penerapan fuzzy pada Diri
permasalahan evaluasi penilaian kinerja guru 7. Guru dapat Mengembangkan Potensi Anak
untuk proses peningkatan mutu pada satuan (Ditjen PMPTK, 2008).
pendidikan berdasarkan parameter yang telah
ditentukan.
3. Mengetahui parameter mana yang memiliki
2.2. Kinerja Guru
pengaruh dominan terhadap penerapan sistem Kinerja adalah performance atau unjuk kerja.
informasi penilaian kinerja guru. Kinerja dapat pula diartikan prestasi kerja atau
pelaksanaan kerja atau hasil unjuk kerja. (LAN,
1992). Menurut August W. Smith, Kinerja adalah
1-18 Artificial Intelligence
19. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
performance is output derives from processes, 2. Fuzzy logic adalah fleksibel, dalam arti dapat
human otherwise, artinya kinerja adalah hasil dari dibangun dan dikembangkan dengan mudah
suatu proses yang dilakukan manusia. Dari tanpa harus memulainya dari “nol”.
pendapat di atas dapat disimpulkan bahwa kinerja 3. Fuzzy logic memberikan toleransi terhadap
merupakan suatu wujud perilaku seseorang atau ketidakpresisian data. Hal ini sangat cocok
organisasi dengan orientasi prestasi. Kinerja dengan fakta sehari-hari. Segala sesuatu di alam
seseorang dipengaruhi oleh beberapa faktor seperti: ini relatif tidak presisi.
ability, capacity, held, incentive, environment dan 4. Pemodelan/pemetaan untuk mencari hubungan
validity (Noto Atmojo, 1992). data input-output dari sembarang sistem black
box dapat dilakukan dengan memakai sistem
2.3. Fuzzy fuzzy.
5. Pengetahuan atau pengalaman dari para pakar
Menurut Lotfi Zadeh (1995), Fuzzy logic dapat dengan mudah dipakai untuk membangun
adalah suatu cara yang cocok untuk memetakan fuzzy logic.
suatu ruang input kedalam ruang output (Gambar 6. Fuzzy logic dapat diterapkan dalam desain
2.1). Inilah contohnya: anda memberitahukan sistem kontrol tanpa harus menghilangkan
kepada saya seberapa bagus pelayanan di sebuah teknik desain sistem kontrol konvensional yang
restoran, dan saya akan memberitahukan kepada sudah terlebih dahulu ada.
anda seberapa besar tip yang seharusnya diberikan; 7. Fuzzy logic berdasar pada bahasa manusia.
anda mengatakan seberapa panas air yang anda Alasan terakhir mungkin merupakan yang
inginkan, dan saya akan menyesuaikan keran-keran terpenting. Metode Fuzzy Logic dilakukan karena
air secara benar; anda menyebut seberapa jauh sering kali pembobotan suatu criteria bersifat
subyek fotografi anda, dan saya akan memfokuskan subyektif seperti kurang puas, sangat baik, cukup
lensa untuk anda; anda meminta seberapa cepat tinggi, dan lain sebagainya. Oleh karena itu, disini
mobil berjalan dan seberapa keras motor bekerja, dicoba untuk mengubah kriteria yang bersifat
dan saya akan mengatur gigi-giginya untuk anda. subyektif tersebut menjadi bentuk yang lebih
obyektif sehingga lebih mudah untuk diukur.
2.4. Pendekatan Axiomatic Design
Axiomatic Design atau desain aksiomatik
adalah desain sistem metodologi menggunakan
metode matriks untuk menganalisis sistematis
transformasi kebutuhan pelanggan ke dalam
Gambar 2.1. Konsep “Black Box” persyaratan fungsional, parameter desain, dan
variabel proses.
Sistem apa yang paling cocok untuk Metode ini mendapatkan namanya dari
menggantikan posisi black box tersebut? Ada penggunaan prinsip-prinsip desain atau desain
banyak alternatif yang dapat dipakai, seperti: logika Aksioma (yaitu, diberikan tanpa bukti) yang
fuzzy, sistem linier, sistem pakar, jaringan saraf mengatur analisis dan proses pengambilan
tiruan, persamaan diferensial, database pemetaan, keputusan dalam mengembangkan produk
dan lain-lain. berkualitas tinggi atau desain sistem. Desain
Dari sekian banyak alternatif yang tersedia, aksiomatik dianggap sebuah metode desain yang
logika fuzzy seringkali menjadi pilihan terbaik. membahas isu-isu fundamental dalam metode
Lotfi Zadeh (1995), yang dikenal sebagai “Bapak Taguchi.
Logika Fuzzy”, menyebutkan bahwa dalam hampir Metodologi ini dikembangkan oleh Dr Suh
setiap kasus anda dapat membangun produk yang Nam Pyo di MIT, Departemen Teknik Mesin sejak
sama tanpa logika fuzzy, tetapi fuzzy adalah lebih tahun 1990. Serangkaian konferensi akademik telah
cepat dan lebih murah. Selain alasan itu, berikut ini diadakan untuk menyajikan perkembangan saat ini
dirangkum beberapa alasan mengapa menggunakan metodologi. Konferensi Internasional paling baru
fuzzy logic: pada Desain aksiomatik (ICAD) diadakan pada
1. Konsep fuzzy logic adalah sangat sederhana tahun 2009 di Portugal (Wikipedia, Januari 2012).
sehingga mudah dipahami. Kelebihannya
dibanding konsep yang lain bukan pada
kompleksitasnya, tetapi pada naturalness
pendekatannya dalam memecahkan masalah.
Artificial Intelligence 1-19
20. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
3. Pembahasan dan Hasil Tabel 3.1. Bilangan Fuzzy untuk Mengukur
Kepentingan Kriteria
3.1. Analisa Sistem
Intensitas Bilangan
Definisi
Pada pembahasan ini dijelaskan mengenai Kepentingan Fuzzy
9 Mutlak paling penting (8,9,10)
analisa sistem yang digunakan sebagai salah satu 7 Lebih penting (6,7,8)
metode yang dapat memberikan referensi dalam 5 Penting (4,5,6)
mengambil keputusan sebagai pengamatan 3 Relatif penting (2,3,4)
mengenai penilaian kinerja guru di SMK Negeri 1 1 Sama penting (1,1,2)
Percut Sei Tuan Kabupaten Deli Serdang. Pada
Untuk menilai kelayakan alternatif terhadap
analisa ini diuraikan secara jelas mengenai
berbagai kriteria, pengambil keputusan dapat
perancangan model sistem dalam menganalisa
menggunakan himpunan peringkat linguistik
kinerja guru dengan menggunakan sistem fuzzy
berdasarkan tabel 3.2. Guru sebagai alternatif dalam
dengan pendekatan axiomatic design.
sistem ini diberi peringkat pada masing-masing
Penelitian ini melibatkan siswa, ketua jurusan,
kriteria dengan menggunakan nilai linguistik
wakil kepala sekolah bidang personalia. Dan ada
tersebut.
sepuluh guru yang akan diuji dalam penelitian ini
dengan inisial-inisial yaitu: A, B, C, D, E, F, G, H, Tabel 3.2. Bilangan Fuzzy untuk Mengukur
I, J. Peringkat Alternatif
Penelitian ini menggunakan lima kriteria
Kriteria Peringkat Alternatif Bilangan
penilaian yakni: Fuzzy
1. Penilaian kinerja guru dalam perencanaan
Rendah; Penyelesaian (0.0 , 0.1 , 0.3)
pembelajaran, dalam hal ini dinotasikan dengan tugas jauh lebih lama
C1 dari deadline times
2. Penilaian kinerja guru dalam proses Sedang; Penyelesaian (0.3 , 0.5 , 0.7)
pembelajaran, dinotasikan dengan C2 tugas sedikit lama dari
3. Penilaian kinerja guru dalam menguasai materi Perencanaan deadline times
pelajaran, dinotasikan dengan C3 pembelajaran Tinggi; Penyelesaian (0.7 , 0.9 , 1.0)
4. Penilaian kinerja guru dalam menggunakan tugas selalu tercapai
media pembelajaran, dinotasikan dengan C4 sesuai deadline times
5. Penilaian kinerja guru dalam melakukan evaluasi Sangat Tinggi; (0.9 , 1.0 , 1.0)
pembelajaran, dinotasikan dengan C5 Penyelesaian tugas lebih
cepat dari deadline times
Analisa dan rancangan sistem pada penelitian
Rendah; Kesalahan kerja (0.0 , 0.1 , 0.3)
ini diperoleh melalui hasil obsevasi dan kuisioner hampir tidak
beserta kajian literatur yang mempertimbangkan mempengaruhi proses
belajar-mengajar
kebijakan-kebijakan yang berlaku.
Sedang; Kesalahan kerja (0.3 , 0.5 , 0.7)
sedikit mempengaruhi
3.2. Konstruksi Penilaian Fuzzy Proses proses belajar-mengajar
pembelajaran Tinggi; Kesalahan kerja (0.7 , 0.9 , 1.0)
Variabel linguistik adalah suatu variabel yang mempengaruhi proses
memiliki nilai-nilai dalam bentuk kata-kata atau belajar-mengajar
kalimat. Bilangan fuzzy segitiga dan variabel Sangat Tinggi; (0.9 , 1.0 , 1.0)
linguistik adalah dua konsep dasar yang digunakan Kesalahan kerja sangat
dalam penelitian ini untuk menilai peringkat mempengaruhi proses
preferensi variabel-variabel linguistik. belajar-mengajar
Kriteria digunakan sebagai parameter acuan Rendah; Jam kerja (0.0 , 0.1 , 0.3)
dalam pengambilan keputusan untuk menentukan Penguasaan sangat kurang dari jam
materi kerja kampus (<144
suatu dasar kesimpulan untuk suatu permasalahan jam/bulan)
yang diangkat. Dasar penentuan himpunan
Sedang; Jam kerja (0.3 , 0.5 , 0.7)
keanggotaan fuzzy untuk menilai kepentingan suatu kurang dari jam kerja
kriteria adalah seperti pada tabel 3.1. kampus (144- <192
jam/bulan)
Tinggi; Jam kerja sesuai (0.7 , 0.9 , 1.0)
jam kerja kampus (144-
216 jam/bulan)
1-20 Artificial Intelligence
21. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
(0.9 + 4*1+1)
Kriteria Peringkat Alternatif Bilangan C4: 6 = 5.9
6 = 0.883
Fuzzy
(0.9 + 4*1+1)
Sangat Tinggi; Jam kerja (0.9 , 1.0 , 1.0) C5: 6 = 5.9
6 = 0.983
di atas jam kerja kampus
(>216 jam/bulan)
Tabel 3.4. Peringkat Alternatif Fuzzy
Rendah; Rutinitas biasa (0.0 , 0.1 , 0.3)
tidak ada pembelajaran Nilai Fuzzy
Guru
Sedang; Rutinitas biasa (0.3 , 0.5 , 0.7) C1 C2 C3 C4 C5
ada perkembangan (0.9,1.0 (0.9,1.0 (0.7,0. (0.7,0.9 (0.9,1.0
G1
Penggunaan Tinggi; Rutinitas bersifat (0.7 , 0.9 , 1.0) ,1.0) ,1.0) 9,1.0) ,1.0) ,1.0)
media analisis atau solusi
G2 (0.7,0.9 (0.9,1.0 (0.7,0. (0.7,0.9 (0.9,1.0
pembelajaran
Sangat Tinggi; Rutinitas (0.9 , 1.0 , 1.0) ,1.0) ,1.0) 9,1.0) ,1.0) ,1.0)
bersifat kompleks (0.7,0.9 (0.9,1.0 (0.7,0. (0.7,0.9 (0.7,0.9
gabungan analisis, G3
,1.0) ,1.0) 9,1.0) ,1.0) ,1.0)
solusi, penelitian, dan
decision G4 (0.7,0.9 (0.7,0.9 (0.3,0. (0.3,0.5 (0.3,0.5
,1.0) ,1.0) 5,0.7) ,0.7) ,0.7)
Rendah; Loyalitas dan (0.0 , 0.1 , 0.3)
tanggung jawab sangat G5 (0.7,0.9 (0.7,0.9 (0.7,0. (0.3,0.5 (0.3,0.5
kurang ,1.0) ,1.0) 9,1.0) ,0.7) ,0.7)
Sedang; Loyalitas dan (0.3 , 0.5 , 0.7) G6 (0.7,0.9 (0.7,0.9 (0.7,0. (0.3,0.5 (0.7,0.9
tanggung jawab kurang ,1.0) ,1.0) 9,1.0) ,0.7) ,1.0)
Evaluasi (0.7,0.9 (0.7,0.9 (0.3,0. (0.7,0.9 (0.9,1.0
pembelajaran Tinggi; Loyalitas dan (0.7 , 0.9 , 1.0) G7
tanggung jawab sudah ,1.0) ,1.0) 5,0.7) ,1.0) ,1.0)
mumpuni G8 (0.7,0.9 (0.9,1.0 (0.3,0. (0.7,0.9 (0.3,0.5
,1.0) ,1.0) 5,0.7) ,1.0) ,0.7)
Sangat Tinggi; Loyalitas (0.9 , 1.0 , 1.0)
dan tanggung jawab G9 (0.7,0.9 (0.7,0.9 (0.3,0. (0.7,0.9 (0.7,0.9
sangat mumpuni ,1.0) ,1.0) 5,0.7) ,1.0) ,1.0)
G10 (0.7,0.9 (0.7,0.9 (0.7,0. (0.3,0.5 (0.9,1.0
,1.0) ,1.0) 9,1.0) ,0.7) ,1.0)
3.3. Agregat Bobot Kepentingan
Batasan penelitian ini antara lain melibatkan Tabel 3.5. Crisp Terhadap Kriteria
satu orang pengambil keputusan saja terutama
Nilai Crisp
dalam hal konstruksi penilaian fuzzy. Oleh karena Guru
itu, nilai agregat bobot kepentingan kriteria yang C1 C2 C3 C4 C5
ditentukan dalam penelitian ini adalah seperti pada G1 0.983 0.983 0.883 0.883 0.983
Tabel 3.3. G2 0.883 0.983 0.883 0.883 0.983
Tabel 3.3. Bobot Kepentingan Kriteria G3 0.883 0.983 0.883 0.883 0.883
Intensitas G4 0.883 0.883 0.500 0.500 0.500
Kriteria Definisi
Kepentingan
C1 5 Penting G5 0.883 0.883 0.883 0.500 0.500
C2 3 Relatif penting (moderat) G6 0.883 0.883 0.883 0.500 0.883
C3 5 Penting
C4 3 Relatif penting (moderat) G7 0.883 0.883 0.500 0.883 0.983
C5 7 Lebih penting
G8 0.883 0.983 0.500 0.883 0.500
Pendefinisian dari pada nilai bobot kepentingan G9 0.883 0.883 0.500 0.883 0.883
tersebut dilakukan berdasarkan tabel 3.1.
G10 0.883 0.883 0.883 0.500 0.983
3.4. Agregat Peringkat Alternatif Sebagaimana halnya pada hasil agregat bobot
kepentingan, nilai agregat peringkat alternatif
Sebagai sampel, dengan tingkat presisi
dalam penelitian ini ditentukan oleh seorang
desimal 3, nilai crisp peringkat guru G1 diperoleh
pengambil keputusan. Tabel 3.5 ini sekaligus
melalui cara:
(0.9 + 4*1+1) merupakan manifestasi daripada matriks keputusan.
C1: 6 = 5.9
6 = 0.983
(0.9 + 4*1+1)
C2: 6 = 5.9
6 = 0.983
(0.7 + 4*0.9 +1)
C3: 6 = 5.3
6 = 0.883
Artificial Intelligence 1-21
22. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
3.5. Matriks Keputusan Ternormalisasi terlihat pada tabel 4.7. Sebagai sampel, dengan
tingkat presisi desimal 3, jarak terbobot terhadap
Matriks keputusan ternormalisasi dapat solusi ideal positif untuk Guru G1 diperoleh
dikalkulasikan dan ditampilkan pada tabel 3.6 melalui cara:
berikut ini. Sebagai sampel, dengan tingkat presisi
desimal 3, elemen matriks keputusan ternormalisasi
Guru G1 diperoleh melalui cara:
C1: = 0.000
Sedangkan jarak terbobot terhadap solusi ideal
= 0.348 negatif untuk Guru G1 diperoleh melalui cara:
C2:
= 0.336 = 0.672
C3: Tabel 3.7. Ukuran Jarak Terbobot
Guru d+ d-
= 0.371 G1 0,000 0,672
G2 0,078 0,667
G3 0,127 0,598
C4:
G4 0,672 0,000
= 0.371 G5 0,567 0,360
G6 0,312 0,526
G7 0,373 0,559
C5: G8 0,608 0,285
G9 0,386 0,474
G10 0,296 0,603
= 0.373
Tabel 3.6. Hasil Perhitungan Matriks Keputusan 3.7. Hasil Urutan Preferensi
Ternormalisasi Pada tahap fuzzy yang terakhir ini, terlebih
dahulu yang harus dilakukan adalah penentuan
Guru C1 C2 C3 C4 C5
koefisien kedekatan relatif, setelah itu dilakukan
G1 0.348 0.336 0.371 0.371 0.373 perangkingan urutan preferensi.
G2 0.313 0.336 0.371 0.371 0.373
Perhitungan koefisien kedekatan relatif (RCC)
terhadap guru secara keseluruhan ialah:
G3 0.313 0.336 0.371 0.371 0.335
0.672
G4 0.313 0.302 0.210 0.210 0.190 RCC(G1) : 0.000 + 0.672 = 1.000
0.598
G5 0.313 0.302 0.371 0.210 0.190 RCC(G3) : 0.127 + 0.598 = 0.825
0.000
G6 0.313 0.302 0.371 0.210 0.335 RCC(G4): 0.672 + 0.000 = 0.000
0.360
G7 0.313 0.302 0.210 0.371 0.373 RCC(G5) : 0.567 + 0.360 = 0.388
0.526
G8 0.313 0.336 0.210 0.371 0.190 RCC(G6) : 0.312 + 0.526 = 0.628
G9 0.313 0.302 0.210 0.371 0.335 0.559
RCC(G7) : 0.373+ 0.559 = 0.600
G10 0.313 0.302 0.371 0.210 0.373 0.285
RCC(G8) : 0.608+ 0.285 = 0.319
0.559
RCC(G9) : 0.373+ 0.559 = 0.551
3.6. Jarak Terbobot Alternatif
0.603
RCC(G10) : 0.296 + 0.603 = 0.671
Pengkalkulasian jarak Euclidean terbobot
terhadap solusi ideal positif dan solusi ideal negatif
1-22 Artificial Intelligence
23. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6
Tabel 3.8. Hasil Urutan Preferensi Daftar Pustaka
Guru RCC Rangking [1] Bayu Aji Seta, et al.,. Implementasi Fuzzy
Database Untuk Memberikan Rekomendasi di
G1 1.000 1
Jalur Peminatan Mahasiswa. Seminar Nasional
G2 0.895 2 Sistem dan Informatika, 2007.
G3 0.825 3 [2] Eliyani, et al., Decision Support System Untuk
G4 0.000 10 Pembelian Mobil Menggunakan Fuzzy
G5 0.388 8 Database Model Tahani. SNATI, 2009.
G6 0.628 5 [3] Juan Manuel Dodero, et al., A Fuzzy
G7 0.600 6 Aggregation-Based Reputation Model for e-
G8 0.319 9 Learning Exploitation of Public Domain
G9 0.551 7 Resources (draft), 2000.
G10 0.671 4 [4] Kusumadewi Sri., Basisdata Fuzzy untuk
Pemilihan Bahan Pangan Berdasarkan
Kandungan Nutrien, 2006.
4. Kesimpulan [5] Kusumadewi Sri., 2004. Fuzzy Logic.
Dari pembahasan yang telah dilakukan pada [6] Sukaria Sinulingga., Metode Penelitian. USU
bab-bab sebelumnya, dapat disimpulkan, antara Press, 2011
lain: [7] Zadeh., Fuzzy Sets.Information And Control.
1. Dengan menerapkan konsep fuzzy, dapat 1965
menganalisa kinerja guru untuk menyajikan [8] Dharma Surya, Penilaian Kinerja Guru,
informasi sebagai hasil evaluasi penilaian Jakarta, 2008
kinerja guru kepada pihak manajemen sekolah [9] http://en.wikipedia.org/wiki/Axiomatic_design
dan dinas kabupaten/kota. (diakses Januari 2012).
2. Dari hasil pengurutan preferensi Axiomatic
design dapat memudahkan untuk setiap
pengambilan keputusan apabila dilakukan
dengan cara dan prosedur yang benar
3. Pengaruh reduksi variabel dengan axiomatic
design sangat baik dalam mempengaruhi
pengambilan keputusan, karena tidak ada
variabel yang hilang.
Artificial Intelligence 1-23