Anda di halaman 1dari 15

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN DOSEN TELADAN MENGGUNAKAN METODE FUZZY ANALYTICAL HIERARCHY PROCESS(F-AHP) (STUDI KASUS : BPPM

UIN SUSKA RIAU)


Jasril1, Sonya Meitarice2
Universitas Islam Negeri Sultan Syarif Kasim Riau Jl. HR. Soebrantas No. 115 Km. 18 Panam Pekanbaru, Telp. 0761-83569937, Fax. 0761-859428 e-mail: faste@uin-suska.ac.id

Abstrak
Penilain dosen teladan dilakukan setiap tahun oleh tim khusus dari BPPM. Masalah yang dihadapi oleh tim ini adalah bagaimana menentukan keputusan dosen teladan dengan kriteria yang memiliki sifat subjektif atau tidak pasti dengan cepat. Sistem ini merupakan Sistem Pendukung Keputusan (SPK) yang dibangun menggunakan penggabungan metode Analitycal Hierarchi Process (AHP) dan pendekatan fuzzy yang disebut Fuzzy AHP (F-AHP). F-AHP menutupi kekurangan pada AHP dalam menangani data yang tidak pasti atau lebih banyak bersifat subjektif. Sistem ini dibangun dengan menggunakan bahasa pemograman berbasis web PHP dan Mysql. Dari hasil pengujian, pemilihan dosen teladan dengan F-AHP menunjukkan bahwa subjektifitas kriteria sangat diperhatikan dibandingkan dengan menggunakan AHP. Sehingga, rekomendasi keputusan ranking dari penggabungan dua metode (F-AHP) lebih mendekati perankingan manual di BPPM Uin Suska Riau. Kata Kunci : Analytical Hierarchy Process, Dosen, Fuzzy, Kriteria, Sistem Pendukung Keputusan.

Abstract
Exemplary lecturers assessment conducted every year by a special team of BPPM. The problem faced by this team is how to determine the lecturers decision criteria contained model with subjective or uncertain nature quickly. This system is a Decision Support System (DSS) are constructed using a method combining Analytical Hierarchy Process (AHP) and fuzzy approach called Fuzzy AHP (F-AHP). F-AHP cover the shortfall on the AHP in handling uncertain data or more subjective. The system is built using web-based programming language PHP and Mysql. From the test results, the selection of lecturers with the F-AHP model suggests that the subjectivity of criteria is considered in comparison with using AHP. Thus, the decision recommendation ranking of the merger of two methods (F-AHP) is closer to the manual ranking in the BPPM. Keywords : Analytical Hierarchy Process, Lecture, Fuzzy, Criteria, Decision Support System.

1. Pendahuluan Universitas Islam Negeri Sultan Syarif Kasim Riau merupakan salah satu perguruan tinggi negeri yang ada di Riau yang sedang melakukan upaya peningkatan dan pencapaian profesionalitas kinerja dosen khususnya Fakultas Sains dan Teknologi seperti yang dijelaskan di atas. Selain dengan terus melakukan evaluasi disetiap periode waktu yang ditentukan, salah satu cara yang dapat memotivasi dan meningkatkan kinerja dosen Fakultas Sains dan Teknologi ialah dengan melakukan kompetensi penyeleksian dosen teladan. Kompetensi penyeleksian dosen teladan ini dapat menentukan kualitas pelaksanaan Tridharma Perguruan Tinggi sebagaimana yang ditunjukkan dalam kegiatan professional dosen. Pemilihan dosen teladan dinilai oleh tim penilai BPPM (Badan Pengembangan dan Penjaminan Mutu) UIN Suska Riau. Jenis pemilihan dosen teladan ini dibagi atas dua tingkat yaitu universitas dan tingkat fakultas. Seleksi tingkat fakultas dimulai dengan pembuatan perangkingan 1-10 terbaik berdasarkan hasil penilaian mahasiswa dan laporan hasil kinerja pada masing-masing fakultas oleh Badan Penjaminan dan Pengembangan Mutu (BPPM) dan meminta tim fakultas untuk memberikan penilaian khusus. Selanjutnya seleksi dilanjutkan dengan seleksi tingkat universitas yang dilakukan oleh

tim khusus dan selekasi akhir merupakan hasil perpaduan antara penilaian institusional (tingkat fakultas) dengan penilaian kinerja tingkat universitas.Bagi dosen yang memiliki jumlah nilai tertinggi, maka dosen tersebut berhak menjadi dosen teladan dan mendapatkan penghargaan. Permasalahan muncul pada ketidaktepatan tim penilai (BPPM) dan mahasiswa dalam memberikan penilaian kepada dosen karena adanya beberapa kriteria yang bersifat subjektifitas. Sehingga penilain diberikan masih bersifat tidak pasti dan tidak jelas. Adanya ketidaktepatan dalam memberikan nilai kepada dosen berdampak pada hasil keputusan yang diberikan menjadi kurang tepat. Permasalahan di atas dapat diperbaiki dengan membangun sebuah Sistem Pendukung Keputusan (SPK) dengan menerapkan metode Analytical Hierarchy Process (AHP). Analytical Hierarchy Process (AHP) merupakan salah satu metode pengambilan keputusan yang secara ekstensif sering digunakan pada keputusan dengan banyak kriteria (multi kriteria). Salah satu keuntungan utama dari metode ini adalah relatif mudah dalam menangani keputusan dengan beberapa kriteria. AHP melibatkan prinsip-prinsip dekomposisi, perbandingan berpasangan, dan generasi prioritas vektor serta sintesis. Meskipun begitu, AHP masih belum bisa mencerminkan gaya pemikiran manusia yang banyak mengandung pengaruh subjektifitas. Oleh karena itu, fuzzy-AHP, sebuah perpanjangan fuzzy dari AHP, dikembangkan untuk memecahkan masalah diatas. Dalam prosedur fuzzy-AHP, pernyataan perbandingan pada AHP dijadikan sebagai himpunan fuzzy dalam perbandingan F-AHP. Pada kasus pemilihan dosen teladan ini terdapat sifat subjektif yang cukup mempengaruhi penilaian. Oleh karena itu, metode yang dapat diterapkan dalam penyelasian dari masalah ini adalah Fuzzy Analytical Hierarchy Process (F-AHP). Dimana masing-masing kriteria dalam hal ini faktor- faktor penilaian dan alternatif dalam hal ini para dosen dibandingkan satu dengan yang lainnya sehingga memberikan keluaran nilai intensitas prioritas yang menghasilkan suatu sistem yang memberikan penilaian terhadap setiap dosen. F-AHP telah banyak diteliti oleh beberapa ahli. Beberapa jurnal menjelaskan tetang penerapan FAHP dan penyelesaian masalahnya dengan beberapa model pembobotan, diantaranya adalah Raharjo,dkk (2002) yang meneliti aplikasi F-AHP dalam seleksi karyawan dengan model pembobotan non-additive. Karrahman, dkk (2004) yang meneliti pemilihan layanan perusahaan katering menggunakan F-AHP dengan teori pembobotan yang dikembangkan oleh Chang. Pendekatan fuzzy-AHP dan BSC untuk evaluasi pekerjaan pada departemen IT di Taiwan oleh Lee, dkk (2008). Pemilihan dosen teladan dengan menerapkan metode F-AHP diharapkan dapat membantu BPPM (Badan Pengenbangan dan Penjaminan Mutu) UIN Suska Riau dalam mengambil keputusan pemilihan dosen teladan yang dapat dilakukan secara adil dan tepat sasaran. 2. Metode Penelitian Metodologi yang digunakan dalam penelitian ini dapat dilihat pada gambar 1 berikut. Pada dasarnya untuk memabangun sebuah sistem pendukung keputusan secara umum ada beberapa tahapan yang harus dilakukan yang dibagi menjadi tiga tahapan yaitu input, proses dan output. Pada tahapan inputan yang dibutuhkan adalah data-data kriteria penilaian yang dalam hal ini diperoleh melalui pengumpulan data yaitu wawancara maupun obervasi. Selanjutnya inputan diproses yang meliputi proses analisa sistem, design sistem serta penghitungan atau proses implementasi, hingga menghasilkan oputput berupa perangkingan alternative dosen teladan yang diurutkan mulai dari bobot tertinggi hingga terendah.

Mulai

Perumusan Masalah

Pengumpulan Data: 1. Wawancara 2. Observasi 3. Studi Pustaka

Analisa Sistem : 1. Analisa Sistem Lama 2. Analisa Sistem Baru - Analisa Subsistem Data (ERD) -Analisa Subsistem Model (model F-AHP) -Analisa Subsistem Dialog (DFD)

2.2 Analisa Sistem Pemilihan dosen teladan dinilai oleh tim penilai BPPM (Badan Pengembangan dan Penjaminan Mutu) UIN Suska Riau. Jenis pemilihan dosen teladan ini dibagi atas dua tingkat yaitu universitas dan tingkat fakultas. Seleksi tingkat fakultas dimulai dengan pembuatan perangkingan 1-10 terbaik berdasarkan hasil penilaian mahasiswa dan Implementasi dan Pengujian sistem laporan hasil kinerja pada masing-masing fakultas oleh -Tabel pengujian F-AHP Badan Penjaminan dan Pengembangan Mutu (BPPM) dan -Black Box meminta tim fakultas untuk memberikan penilaian khusus. Selanjutnya seleksi dilanjutkan dengan seleksi tingkat universitas yang dilakukan oleh tim khusus dan selekasi akhir merupakan hasil perpaduan antara penilaian institusional (tingkat fakultas) dengan penilaian kinerja Kesimpulan dan saran tingkat universitas.Bagi dosen yang memiliki jumlah nilai tertinggi, maka dosen tersebut berhak menjadi dosen teladan dan mendapatkan penghargaan. Pada analisa sistem baru, akan dibangun suatu Selesai Sistem Pendukung Keputusan (SPK) pemilihan dosen teladan dengan menerapkan metode F-AHP. Sistem akan menerima input (data masukan) kriteria-kriteria dan nilai dosen (alternatif). Kemudian akan diproses dengan menerapkan perhitungan F-AHP dan menghasilkan output (data keluaran) perangkingan alternatif berupa bobot penilaian calon dosen teladan beserta hasil keputusannya berupa daftar ranking. Analisa yang dilakukan adalah analisa subsistem model, analisa subsistem basis data, dan analisa subsistem dialog.

Perancangan Perangkat Lunak: -Perancangan subsistem Data (Basis Data) -Perancangan Subsistem Model (Flowchart dan pseudocode) -Perancangan Dialog (struktur menu dan perancangan antar muka)

2.1 Pengumpulan Data Hasil wawancara yang dilakukan kepada Ibu Muhmidayeli selaku kepala BPPM (Badan Pengembangan dan Penjaminan Mutu) memberikan keterangan bahwa pemilihan dosen teladan dipilih dengan kriteria yang telah ditetapkan di UIN Suska Riau, yaitu: a. Penelitian dan karya ilmiah b. Pendidikan dan Pengajaran c. Pengabdian kepada masyarakat d. Pembuatan Rancangan Karya Teknologi e. Penilaian Mahasiswa f. Penilaian Atasan Langsung Pada masing-masing kriteria memiliki nilai intensitas kepentingan. Selanjutnya nilai intensitas kepentingan akan digunakan sebagai patokan dalam menilai unsur kepntingan pada setiap kriteria. Nilai kepentingan tersebut dapat mempengaruhi hasil keputusan akhir. Menurut Saaty (1993), menentukan intensitas kepentingan berdasarkan pada skala penilaian. Skala nilai dari 1 sampai 9 merupakan skala terbaik dalam mengekspresikan pendapat. Proses pemilihan dosen teladan UIN Suska Riau dilakukan dengan perhitungan yang manual, yaitu mengalikan nilai bobot setiap kriteria dengan nilai dosen dan dijumlahkan. Bagi dosen yang memiliki jumlah nilai tertinggi, maka dosen tersebut berhak menjadi dosen teladan dan mendapatkan penghargaan.

2.1.1

Analisa Subsistem Model Dalam analisa subsistem model F-AHP ini, hal-hal yang akan dijelaskan yaitu proses-proses yang terjadi untuk mencapai tujuan secara optimal. Adapun tahap-tahap yang akan dilalui dalam analisa ini dapat digambarkan ke dalam flowchart di bawah ini. 2.1.1.1. AHP Membandingkan data antar kriteria dalam bentuk matriks berpasangan dengan menggunakan skala intensitas kepentingan AHP. Proses ini dilakukan untuk mengetahui nilai konsistensi ratio perbandingan (Consistence Ratio atau CR). Dimana syarat konsistensi harus kecil dari 10 % atau CR < 0.1. Perbandingan matriks berpasangan kriteria AHP dapat dilihat pada tabel 1 pada lampiran. Selanjutnya sebelum menghitung nilai bobot prioritas, nilai perbandingan pada tiap sel kolomnya dijumlahkan, langkah untuk menghitung nilai bobot prioritas adalah membagi setiap sel dengan jumlah pada kolomnya. Setelah diperoleh hasil pembagian tiap kolomnya, maka dapat dihitung eigenvector atau bobot prioritas. (dapat dilihat pada tabel 2 pada lampiran). Nilai bobot prioritas adalah nilai rata-rata dengan cara menjumlahkan nilai-nilai dari setiap baris dan membaginya dengan banyak elemen kriteria dan jika dijumlahkan akan bernilai satu. Setelah diperoleh prioritas kriterianya, maka dihitung nilai lamda maksimum ( maks) atau eigenvalue , yaitu menjumlahkan hasil perkalian bobot prioritas dengan jumlah kolom.

Mulai

Representasi struktur Hierarki

-Data Krteria (penelitian dan karya ilmiah, pendidikan, pengabdian masyarakat, rancangan teknologi, penilaian mahasiswa, penilaian atasan langasung) - Data nilai dosen

Nilai perbandingan matriks berpasangan antar kriteria, antar alternatif (dosen) terhadap kriteria, dengan : AHP

Tidak

CR = 0,1?

Ya

Nilai perbandingan matriks berpasangan AHP ke F-AHP

Perhitungan F-AHP kriteria dan dosen , terdiri dari : - Perhitungan nilai sintesis (Si) -Perhitungan nilai vector fuzzy (V) dan ordinat defuzzifikasi (d) -Perhitungan bobot vector fuzzy (w) -Normalisasi nilai bobot vertor fuzzy(w)

maks = (0.4262681 x 1.83) + (0.261722 x 4.68) + (0.122937 x 13.73) + (0.081479 x 16.53) + (0.044006 x 25.33) + (0.027175 x 30) = 6.264997
Selanjutnya dihitung nilai CI dengan persamaan rumus berikut.

CI CI

= (maks-n) / (n-1) = 6.264997-6 / 5 = 0.052999

dengan n = 6 (karena banyak kriterianya ada 7)


Perangkingan nilai bobot dosen yang optimal dan hasil keputusan.

selesai

Nilai RI untuk n = 6 adalah 1.24 (dapat dilihat pada tabel 3), sehingga dapat dihitung CR dengan persamaan rumus berikut :

Gambar 2

CR

= CI/ RI

CR = 0.052999 / 1.24 = 0.042741 (Konsistensi)


2.1.1.2 Nilai Perbandingan AHP ke F-AHP Setelah diketahui nilai CR < 0.1, maka nilai perbandingan matriks berpasangan AHP ( tabel 1 ) diubah ke dalam himpunan fuzzy segititga atau Triangular Fuzzy Number (TFN). Pada skala F-AHP memiliki tiga nilai, yaitu nilai terndah (lower,l), tengah (median, m), dan tertinggi (upper,u). Pada penelitian ini menggunakan teori chang (2996), sehingga tiap himpunan fuzzy akan dibagi 2, kecuali untuk himpunan perbandingan yang sama (just equal) atau dapat dilihat skala TFN pada tabel 4 pada lampiran. Misalnya perubahan nilai perbandingan matriks berpasangan untuk K1 dari AHP ke FAHP seperti tabel 5 berikut ini. Tabel 5 Skala Nilai Perbandingan AHP ke F-AHP Chang (1996) Perbandingan K1 K2 K3 K4 matriks berpasangan K1 AHP K1 FAHP 1 1 1 1 3 1 3/2 2 7 3 7/2 4 7 3 7/2 4

K5

K6

9 4 9/2 9/2

9 4 9/2 9/2

Dari tabel di atas, dapat digambarkan grafik fuzzy segitiganya seperti gambar 3 di bawah ini.

Gambar 3 Grafik Himpunan Fuzzy Segitiga

2.1.1.3. F-AHP
Proses perhitungan F-AHP dimulai dari menghitung nilai sintesis fuzzy, vector fuzzy dan nilai ordinat, bobot vector F-AHP, dan normalisasi bobot prioritas sehingga akan diproleh bobot prioritas global (kriteria) dan bobot prioritas local (alternative) yang paling optimum. Langkah-langkah F-AHP: a. Nilai Sintesis Fuzzy Setelah nilai perbandingan AHP ditransformasikan ke nilai skala F-AHP, maka dihitung nilai sintesis fuzzy (Si). Perhitungan nilai sintesis fuzzy mengarah pada perkiraan keseluruhan nilai masing-masing kriteria, subkriteria, dan alternative yang diinginkan. Proses untuk mendapatkan nilai sintesis fuzzy menggunakan persamaan rumus berikut:

Dimana:

Si

= nilai sintesis fuzzy = menjumlahkan nilai sel pada kolom yang dimulai dari kolom 1 di

setiap baris matriks. = baris j = kolom Sehingga dapat disimpulkan hasil perhitungan nilai sintesis fuzzy sebagai berikut Tabel 6 Kesimpulan Perhitungan Nilai Sintesis Fuzzy (Si) Kriteria i Kriteria K1 K2 K3 K4 K5 K6 l 0.256 0.184 0.106 0.081 0.052 0.042 m 0.345 0.255 0.155 0.118 0.075 0.049 Si u 0.044 0.354 0.221 0.173 0.112 0.079

b. Setelah dilakukan perbandingan nilai sintesis fuzzy, akan diproleh nilai ordinat defuzzifikasi (d) yang nilai d minimum. Dari tabel penghitungan (tabel 6) di atas, dapat dihitung nilai v dan d. untuk menghitung V kita gunakan persamaan rumus berikut.

Berikut perhitungannya Pada perhitungan pencarian vektor berikut ini, kita membandingkan nilai sisntesis m pada kriteria 1(SiK1) dan nilai sintesis m pada kriteria 2 (SiK2). Jika nilai sisntesis m pada kriteria 1 lebih besar dari nilai sintesis m pada kriteria 2 maka nilai vektor yang di peroleh adalah 1. Setelah mendapatkan nilai vektor selanjutnya mendefinisikan nilai ordinat d a. d(VSK1) = min ( 1, 1, 1, 1, 1 ) b. d(VSK2) = min ( 0, 1, 1, 1, 1 ) c. d(VSK3) = min (0, 0.569, 1, 1, 1 ) d. d(VSK4) = min (0, 0, 1.359, 1, 1 ) e. d(VSK5) = min (0, 0, 1.898, 1.552, 1 ) f. c. d(VSK6) = min (0, 0, 0, 0, 0.333 ) =1 =0 =0 =0 =0 =0

Menghitung nilai bobot vector fuzzy (W) Perhitungan nilai bobot fuzzy menggunakan persamaan rumus berikut d (Ai) = min V (Si Sk) yaitu mengumpulkan nilai ordinat yang telah diperoleh sebelumnya, seperti di bawah ini. W = ( 1, 0, 0, 0, 0, 0 ) W = 1

d. Normalisasi nilai bobot vector fuzzy (W) Normalisasi nilai bobot vector diperoleh dengan persamaan rumus berikut, W = (d (A1), d

(A2), ...,d(An))T

dimana tiap elemen bobot vector dibagi jumlah bobot vector itu sendiri dan jumlah bobot yang telah dinormalisasi akan bernilai 1. Normalisasi nilai bobot vector fuzzy kriteria sama dengan nilai bobot prioritas global (yang menjadi tujuannya). W = ( 1, 0, 0, 0, 0, 0 )T W=1 Selanjutnya ialah melakukan perhitungan nilai alternative dimana langkah-langkah penyelesaian alternatif sama dengan langkah penyelesaian pada kriteria. Perancangan Subsistem Model Perancangan subsistem model ini terdiri dari perancangan dalam bentuk flowchart sistem dan pseudocode. Flowchart sistem mendeskripsikan proses aliran sistem yang terjadi dimulai dari awal menggunakan sistem hingga selesai. Pada gambar 5 dapat digambarkan flowchart sistem yang dibangun. 2.1.2 Analisa Subsistem Data Analisa subsistem data dilakukan untuk menganalisa data yang digunakan dalam membangun suatu basisdata agar sistem dapat berjalan sesuai harapan. Data-data yang akan diinputkan ke sistem saling berelasi antara data yang satu dengan data yang lainnya. Data-data yang dibutuhkan sistem pendukung keputusan pemilihan dosen teladan ini adalah sebagai berikut yang digamarkan dalam sebuah ERD:

Gambar 4 ERD Sistem

ADMIN

SISTEM

KEPALA BPPM

Mulai

Mulai

Login

Tidak_valid

Login

Cek Validasi Login?

valid ya Pengelolahan Data master (Data pengguna, jurusan, dosen) Ya

Data Master (jurusan, pengguna, dosen)

Pengelolahan Data master kriteria

Data Master Kriteria

Perbandingan matriks kriteria AHP

Perbandingan matriks kriteria FAHP

Perbandingan nilai sintesis FAHP nilai ektor, nilai ordinat.

Bobot ptiotitas kriteria

Perbandingan matriks alternatif (dosen) AHP Nilis Dosen

Perbandingan matriks dosen (FAHP)

Perhitungan nilai sintesis FAHP,nilai vektor,bobot vektor.

Bobot ptiotitas dosen

Bobot ptiotitas global dosen

Informasi keputusan dan rangking bobot dosen teladan

Selesai

Gambar 5 Flowchart Subsistem Model 2.1.3 Analisa Subsistem Dialog Pada tahap analisa susbsistem dialog dilakukan proses penganalisaan kebutuhan user terhadap sistem yang akan dibangun. Analisa ini akan berpengaruh untuk perancangan struktur dan tampilan menu berikutnya sehingga dalam menganalisa subsistem dialog haruslah benar-benar sesuai dengan keinginan user yang mudah dalam memahami dan mengaplikasikan sistem.

Gambar 7 DFD sistem 3. Hasil dan Pembahasan Sistem pendukung keputusan ini berbasis web yang dibangun khusus untuk user dalam memberikan rekoemendasi keputusan dosen teladan berdasarkan kriteria yang ditentukan di BPPM (Badan Pengembangan dan Penjaminan Mutu) Universitas Islam Negeri Sultan Syarif Kasim, Riau. Pada sistem terdapat menu utama yang dilengkapi dengan beberapa menu lainnya termasuk menu

perangkingan yang dilakukan dengan metode F-AHP untuk membantu proses perhitungan dan menghasilkan rekomendasi keputusan dosen teladan.Model persoalan pada sistem ini akan menghasilkan rekomendasi nama-nama dosen teladan yang diurutkan berdasarkan ranking nilai bobot global dosen. Penggunaan sistem sesuai model persoalan yang telah dijelaskan pada tahap analisa sebelumnya. Adapaun tampilan menu sistem ini sebagai berikut .

Menu perangkingan F-AHP merupakan menu untuk menampilkan tiap tiap proses perhitungan F-AHP, yaitu pada kriteria dan alternatif. Tampilan menu ini menggunakan beberapa tab dalam menampilkan tiap tiap proses perhitungannya dan pada tab terakhir ditempilkan rekomendasi nama dosen teladan berupa daftar ranking nilai beserta nama karyawan bersangkutan.Sebelum masuk ke menu perangkingan F-AHP, sistem akan menampilkan menu pilihan perhitungan dosen teladan yang digunakan untuk menampilkan perhitungan sesuai tahun yang diinginkan. Apabila tahun telah dipilih maka sistem akan menampilkan menu perangkingan F-AHP seperti pada gambar berikut ini.

Tampilan menu perangkingan F-AHP memiliki tab menu yang menampilkan secara detail proses F-AHP pada kriteria, alternatif dan hasil keputusan berupa perangkingan. Pada tab menu perangkingan ditampilkan daftar rekomendasi dosen teladan yang dapat dijadikan sebagai bahan pengambilan keputusan atau pertimbangan kepala BPPM dalam menentukan keputusan dosen teladan. Pada gambar diatas, diperoleh hasil rekomendasi keputusan dosen teladan tahun 2011. 4. Kesimpulan dan Saran Berikut ini adalah beberapa kesimpulan yang diperoleh dari penelitian ini yang menerapkan metode Fuzzy Analytical Hierarchy Process untuk pemilihan dosen teladan (studi kasus BPPM UIN Suska Riau). Adapun hasil penelitian ini diantaranya: 1. Sistem Pendukung Keputusan (SPK) pemilihan dosen teladan menggunakan metode F-AHP telah berhasil dibangun untuk menghasilkan keputusan berupa daftar perangkingan dosen teladan. 2. Bobot keputusan dosen teladan menggunakan metode F-AHP mendekati bobot keputusan perhitungan manual yang diterapkan BPPM UIN Suska Riau. 3. Data kriteria yang diinputkan bersifat statis di mana nilai bobot setiap kriteria tidak diinputkan ke dalam database. Sistem langsung mengakses nilai bobot setiap keriteria dari source code perhitungan F-AHP. Saran Saran yang dapat diberikan penulis untuk pengembangan selanjutnya yaitu : 1. Dapat dikembangkan dengan teori F-AHP dari para ahli lainnya, seperti Yudishtira dan Lee dengan studi kasus yang sama ataupun berbeda. Sehingga dapat dilihat perbandingan keputusan yang dihasilkan dari beberapa teori. 2. Dapat dikembangkan dengan nilai bobot setiap kriteria yang bersifat dinamis. Sehingga kriteria dan nilai bobot setiap kriteria dapat ditambah dan diubah kapan saja. Daftar Pustaka
[1] Chang, D. Y., Application of the Extent Analysis Method on Fuzzy AHP European Journal of Operational Research 95, hal. 649-655, 1996. [2] Departemen Pendidikan Nasional, Pedoman Umum Pemilihan Dosen Berprestasi, Hal 1-9. [3] Hameed, Ibrahim A., Claus G. Sorensen, Fuzzy Systems in Education: A More Reliable System for Student Evaluation. Edited by Ahmad Taher Azar, PhD, Modern Science and Arts University (MSA), hal. 1- 16.2010. [4] Kusumadewi, Sri, Artificial Intelegence, Graha Ilmu, Jogjakarta, 2004.

[5] Kahraman, Cengiz, Ufuk Cebeci, dan Da Ruan, Multi- Attribute Comparison of Catering Service Companies Using Fuzzy AHP: The Case of Turkey, International Journal of Production Economics 87, hal.171- 184, 2004. [6] Lee, Amy H.I, Wen-Chin Chen, dan Ching-Jan Chang, A Fuzzy AHP and BSC approach for EvaluatingPerformance of IT Department in Manufacturing Industry in Taiwan, Expert System with Applicatio 34, hal.96-107, 2008. [7] Mikhailov, L,. Tsvetinov, P., Evalution of Service using a fuzzy analtytic hierarchy process., Applied Soft Computing 5, hal.22-39, 2004. [8] Monalisa, Siti, SPK untuk Menentukan Kelayakan dalam Pengembangan Lahan Kelapa Sawit dengan Metode Logika Fuzzy, Tugas Akhir, Teknik Informatika, UIN Suska, 2008 [9] Pan, N. F, Fuzzy Ahp Approach For Selecting The Suitable Bridge Construction Method, Automation in Construction 17, hal. 958965, 2008. [10] Raharjo, Jani dan I Nyoman Sutapa, Aplikasi Fuzzy Analytical Hierarky Process dalam Seleksi Karyawan, Jurnal Teknik Industri. Vol. 4, no. 2, hal. 82-92, Desember 2002. [11] Saaty, T. L, The Analytic Hierarchy Process, New York : McGraw- Hill, 1980. [12] Subakti, Irfan, Sistem Pendukung Keputusan, Institut Teknologi Surabaya, 2002. [13] Supriyono, Wisnu A. W., dan Sudaryo, Sistem Pemilihan Pejabat Struktural dengan Metode AHP, Seminar Nasional III, Yogyakarta, 2007. [14] Suryadi, Kadarsah, Dr. Ir., Ir. Ali Ramdhani, M.T, Sistem Pendukung Keputusan, PT. Remaja Rosdakarya, 2000. [15]Turban Efraim, Ronson E Jay, Liang Ting-peng, Decission Suport System And Intelligent System Jilid 1, halaman 136-146, Yogyakarta : Penerbit Andi Jogjakarta, 2005. [16] Yudhistira, T., L. Diawati. The Deveploment of Fuzzy AHP using Non- Additive Weight and Fuzzy Score, INSAHP, Jakarta, 2000. [17]Zadeh, L. A., Fuzzy Sets And Application. Selected papers by L.A. Zadeh. Edited by R.R. Yoger, S. Ovchinnilov, R.M. Tong and HT. Nguyen., Canada, John Wiley & Sons, Inc., pp. 53- 79, 1987.

Lampiran Tabel 1 Perbandingan matriks berpasangan kriteria AHP K1 K1 K2 K3 K4 K5 K6 Keterangan: Nilai perbandingan matriks segitiga bawah Nilai perbandingan matriks segitiga atas (pencerminan atau kebalikan dari nilai segitiga bawah) Tabel 2. Bobot Prioritas Kriteria K1 K2 K3 K4 K5 K6 Bobot Prioritas K1 0.546448 0.641026 0.509832 0.423472 0.35531 0.3 0.462681 1 0.3 0.14 0.14 0.11 0.11 K2 3 1 0.2 0.2 0.14 0.14 K3 7 5 1 0.33 0.2 0.2 K4 7 5 3 1 0.33 0.2 K5 9 7 5 3 1 0.33 K6 9 7 5 5 3 1

0.546448+0.641026+0.509832+0.423472+0.35531+0.3 6 K2 0.180328 0.213675 0.364166 0.30248 0.276352 0.233333

0.180328+0.213675+0.364166+0.30248+0.276352+0.233333 6 K3 0.076503 0.042735 0.072833 0.181488 0.197394 0.166667

0.261722

0.076503 + 0.042735+0.072833+0.181488+0.197394+0.166667 6 K1 K2 K3 K4 K5 K6

0.122937

Bobot Prioritas

K4

0.076503

0.042735

0.024035

0.060496

0.118437

0.166667 0.081479

0.076503+0.042735+0.024035+0.060496+0.118437+0.166667 6 K5 0.060109 0.029915 0.014567 0.019964 0.039479 0.1

0.060109+0.029915+0.014567+0.019964+0.039479+0.1 6 K1 K2 K3 K4 K5 K6

0.044006

Bobot Prioritas

K6

0.060109

0.029915

0.014567

0.012099

0.013028

0.033333 0.027175

0.060109+0.029915+0.014567+0.012099+0.013028+0.033333 = 6 Jumlah Tabel 3 Nilai Indeks Random Ukuran Matriks 1,2 3 4 5 6 7 8 9 10 11 12 13 14 15 Nilai RI 0,00 0,58 0,90 1,12 1,24 1,32 1,41 1,45 1,49 1,51 1,48 1,56 1,57 1,59

Tabel 4 Skala Nilai Fuzzy Segitiga (Chang, 1996) Intensitas Kepentingan AHP 1 Perbandingan elemen yang sama (Just Equal) 2 3 Pertengahan (Intermediate) Elemen satu cukup penting dari yang lainnya (moderately important) (1/2,1,3/2) (1,3/2,2) (2/3,1,2) (1/2,2/3,1) Himpunan Linguistik Triangular Fuzzy (TFN) (1,1,1) (1,1,1) Number Reciprocal (kebalikan)

Pertengahan

(Intermediate)

elemen

(3/2,2,5/2)

(2/5,1/2,2/3)

satu lebih cukup penting dari yang lainnya. 5 Elemen satu kuat pentingnya dari yang lain (strongly important) 6 7 Pertengahan (Intermediate) Elemen satu lebih kuat pentingnya dari yang lain (Very Strong) 8 9 Pertengahan (Intermediate) Elemen satu mutlak lebih penting dari yang lainnya (Extremely strong) (7/2,4,9/2) (4,9/2,9/2) (2/9,1/4,2/7) (2/9,2/9,1/4) (5/2,3,7/2) (3,7/2,4) (2/7,1/3,2/5) (1/4,2/7,1/3) (2,5/2,3) (1/3,2/5,1/2)