JURNAL MATEMATIKA “MANTIK” Vol. 01 No. 02. Mei 2016. ISSN: 2527-3159 E-ISSN: 2527-3167 17 SISTEM PENDUKUNG KEPUTUSAN PENETAPAN TUNJANGAN PRESTASI DENGAN MENGGUNAKAN METODE FUZZY-TSUKAMOTO (Studi Kasus Di PT.Boxtime Indonesia) Yusron Rijal 2) , Yus Amalia 1) S1/Jurusan Teknik Informatika, STIMIK YADIKA BANGIL Email : yusronrijal@stmik-yadika.ac.id, yus@mhs.stmik-yadika.ac.id Abstract : The high quality of human resourches according the expertise and competence is needed for increasing factory productivity. According the employee’s expertise and competence, it’s required for giving appreciation for the working achievement for motivated to increase the working achievement. In awarding the decision of giving appreciation, in this case feat allowance required for the performance appraisal is expected to assist in delivering the right decisions and avoid subjectivity. Employees deserve appreciation if the result of the performance evaluation meets the criteria specified by the company, the job performance, work quality, dicipline, responsibilities, absenteeism and konduite. Decision support systems is apt to be applied in the decision giving appreciation. The decision support system performance allowance is using fuzzy Tsukamoto. The result showed that the reasoning in the process of data input and output can analyze whether or not the provision of benefits achievement, this system can help accurately make decisions feasibility of providing allowances achievement with the accuracy of 100% and the amount of allowances achievement of 94.71% using the method of system testing the Black Box Testing. Keywords : Decision Support System, Performance evaluation, Feat Allowance, Fuzzy Logic, Fuzzy Tsukamoto 1. Pendahuluan PT. Boxtime Indonesia merupakan sebuah perusahaan yang bergerak dalam bidang pembuatan kotak / kemasan dan display untuk jam tangan dan perhiasan dengan kualitas ekspor. PT. Boxtime Indonesia merupakan persahaan tunggal di Indonesia dengan jumlah karyawan mencapai 550 orang. Pemberian apresiasi terhadap kinerja karyawan berupa pemberia tunjangan prestasi atau premi merupakan salah satu faktor yang dapat meningkatkan kualitas kinerja karyawan dalam suatu perusahaan. Sistem yang digunakan untuk penilaian kinerja karyawan pada PT. Boxtime Indonesia saat ini masih bersifat manual dan belum secara maksimal memanfaatkan teknologi dalam mengembangkan proses bisnis, serta penigkatan efektifitas dalam pekerjaan mereka. Hal ini disebabkan oleh sistem penilaian yang terbangun belum didasarkan pada kompetensi individu. Selain itu proses penilaian membutuhkan waktu lama dan dokumentasi tidak teratur. Untuk megatasi hal tersebut, maka akan dirancang sebuah sistem penilaian kinerja karyawan dengan menggunakan metode logika fuzzy tsukamoto untuk menentukan besarnya tunjangan prestasi atau premi yang akan diterima oleh masing – masing karyawan. Logika fuzzy adalah teknologi berbasis aturan yang mengizinkan ketidakakuratan dan bahkan menggunakannya untuk menyelesaikan masalah yang belum pernah dipecahkan sebelumnya[1]. Dengan mengekspresikan logika menggunakan beberapa ketidakakuratan yang sudah ditetapkan dengan cermat sebelumnya, logika fuzzy menjadi lebih dekat pada cara berfikir orang yang sebenarnya daripada aturan-aturan tradisional IF-THEN [2]. Himpunan fuzzy pertama kali dikembangkan pada tahun 1965 oleh Prof. Lofti A. Zadeh dari California Unerersity USA. Logika fuzzy adalah suatu cara yang tepat memetakan suatu ruang input ke dalam ruang output [3]. Proses-proses dalam fuzzy logic adalah fuzzification, penalaran (Inferensi), dan defuzzifikasi [4]. mailto:yusronrijal@stmik-yadika.ac.id mailto:yus@mhs.stmik-yadika.ac.id JURNAL MATEMATIKA “MANTIK” Vol. 01 No. 02. Mei 2016. ISSN: 2527-3159 E-ISSN: 2527-3167 18 Gambar 1.1 Proses perhitungan metode fuzzy Dalam sistem ini perhitungan keputusan pengajuan kredit akan menggunakan metode tsukamoto karena menurut analisis penulis metode tersebut layak dan tepat digunakan untuk menyelesaikan permasalahan di PT.Boxtime Indonesiar. Pada metode penarikan kesimpulan samar Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-THEN harus direpresentasikan dengan suatu himpunan samar dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil penarikan kesimpulan (inference) dari tiap- tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil akhir diperoleh dengan menggunakan rata- rata berbobot (weight average)[5]. Metode Penelitian A. Disain Sistem Perancangan sistem ini adalah tahap awal dalam perancangan perangkat lunak, perancangan sistem ini dilakukan untuk mengetahui gambaran keseluruhan dari sistem. Gambar 2.1 Context Diagram / DFD Level 0 Sistem Pendukung Keputusan Penetapan Tunjangan Prestasi dengan menggunakan Metode Fuzzy – Tsukamoto Gambar 2.1 menjelaskan bahwa Sistem Pendukung Keputusan Penetapan Tunjangan Prestasi di PT.Boxtime Indonesia terdapat 3 external entity yaitu Administrator, HRD, dan Kepala Bagian. Sedangkan detail sub sistem dijelaskan melalui DFD Level 1 pada Gambar 2.2 Gambar 2.2 DFD Level 1Sistem Pendukung Keputusan Penetapan Tunjangan Prestasi dengan menggunakan Metode Fuzzy – Tsukamoto Aturan F uzz y Informas i Data Karyawan Data Penilaian Karyawan Data User & Hak Aks es Batas Himpunan F uzz y Informas i Has il Rekomendasi Data Karyawan 1 SPK Penetapan T unjangan Prestas i + Human Resourches Department(HRD) Administrator Kepala Bag ian Informas i Has il Rekomendasi Data Karyawan Aturan F uzz y Hak Akses Sistem Hak Akses Sistem Hak Akses Sistem Hak Akses Sistem Data Aturan F uzz y Data Aturan F uzz y Data Has il Rekomendasi Informas i Data Karyawan Data Penilaian Karyawan Informas i Data Karyawan Informas i Data Login All User Data Karyawan Data Login User KABAG Data Login User HRD Data Login All User Data User & Hak Aks es Human Res ourc hes Department(HRD) Administrator Kepala Bag ian 1 Peng olahan Data User & Hak Akses + 1 T _LoginUs er 2 Sis tem Log in Us er + 3 Peng olahan Data Karyawan + 2 T _Master_Kar yawan 5 SIST EM PENDUKUNG KEPUT USAN PENET APAN T UNJANGAN PREST ASI 5 T _Rekomendasi 6 Peng olahan Data Aturan F uzz y + 6 t_aturan JURNAL MATEMATIKA “MANTIK” Vol. 01 No. 02. Mei 2016. ISSN: 2527-3159 E-ISSN: 2527-3167 19 Sistem pendukung keputusan penerimaan pengajuan kredit dengan menggunakan metode fuzzy - mamdani pada Gambar 2.2 ini terdapat 5 sub sistem antara lain : sub sistem pengolahan data user & hak akses, sub sistem login user, sub sistem pengolahan data karyawan, sub sistem pengolahan data aturan fuzzy, dan sub sistem pendukung keputusan penetapan tunjangan prestasi. B. Analisis Variabel Input dan Variabel Output Berdasarkan hasil wawancara yang dilakukan dengan bagian HRD, didapatkan beberapa kriteria yang dapat dijadikan variabel input dan variabel output dalam himpunan fuzzy. Berikut ini adalah variabel input dan variabel output yang akan digunakan dalam logika fuzzy. 1) Variabel Input Terdapat 6 variabel input yang digunakan antara lain yaitu, prestasi kerja, mutu kerja, disiplin kerja, tanggungjawab, absesnsi dan konduite. a. Variabel Prestasi Kerja Pada variabel prestasi kerja dibagi menjadi 3 himpunan fuzzy, yaitu : kurang, cukup dan baik. Tabel keanggotaan prestasi kerja ditunjukkan pada Tabel 2.1. Gambar 2.3 merupakan fungsi keanggotaan prestasi kerja. Sedangkan persamaan 1, 2, dan 3 merupakan hasil dari pembentukan fungsi keanggotaan prestasi kerja. Tabel 2.1 Himpunan fuzzy untuk variabel prestasi kerja Variabel Domain Himpunan Fuzzy Prestasi Kerja 10-55 Kurang 60-75 Cukup 80-100 Baik Gambar 2.3 Fungsi Keanggotaan Prestasi Kerja [ ]{ - - ............... 1 [ ] { ( ) ( ) ( ) ( ) ............. 2 [ ]{ ( ) ............ 3 b. Variabel Mutu Kerja Pada variabel mutu kerja dibagi menjadi 3 himpunan fuzzy, yaitu : kurang, cukup dan baik. Tabel keanggotaan mutu kerja ditunjukkan pada Tabel 2.2. Gambar 2.4 merupakan fungsi keanggotaan mutu kerja. Sedangkan persamaan 5, 6, dan 7 merupakan hasil dari pembentukan fungsi keanggotaan mutu kerja. Tabel 2.2 Himpunan fuzzy untuk variabel mutu kerja Variabel Domain Himpunan Fuzzy Muu Kerja 10-55 Kurang 60-75 Cukup 80-100 Baik Gambar 2.4 Fungsi Keanggotaan Mutu Kerja [ ]{ - - ............... 5 [ ] { ( ) ( ) ( ) ( ) ........... 6 [ ]{ ( ) ............ 7 JURNAL MATEMATIKA “MANTIK” Vol. 01 No. 02. Mei 2016. ISSN: 2527-3159 E-ISSN: 2527-3167 20 c. Varriabel Disiplin Kerja Pada variabel disiplin kerja dibagi menjadi 3 himpunan fuzzy, yaitu : kurang, cukup dan baik. Tabel keanggotaan disiplin kerja ditunjukkan pada Tabel 2.3. Gambar 2.5 merupakan fungsi keanggotaan disiplin kerja. Sedangkan persamaan 8, 9, dan 10 merupakan hasil dari pembentukan fungsi keanggotaan disiplin kerja. Tabel 2.3 Himpunan fuzzy untuk variabel disiplin kerja Variabel Domain Himpunan Fuzzy Disiplin Kerja 10-55 Kurang 60-75 Cukup 80-100 Baik Gambar 2.5 Fungsi keanggotaan disiplin kerja [ ]{ - - ............... 8 [ ] { ( ) ( ) ( ) ( ) ……………9 [ ]{ ( ) ................. 10 d. Variabel Tanggungjawab Pada variabel tanggungjawab dibagi menjadi 2 himpunan fuzzy, yaitu : tidak tetap dan tetap. Tabel keanggotaan tanggungjawab ditunjukkan pada Tabel 2.4. Gambar 2.6 merupakan fungsi keanggotaan tanggungjawab. Sedangkan persamaan 11, 12 dan 13 merupakan hasil dari pembentukan fungsi keanggotaan tanggungjawab. Tabel 2.4 Himpunan fuzzy untuk variabel tanggungjawab Variabel Domain Himpunan Fuzzy Tanggung jawab 10-55 Kurang 60-75 Cukup 80-100 Baik Gambar 2.6 Fungsi keanggotaan tanggungjawab [ ]{ - - ............ 11 [ ] { ( ) ( ) ( ) ( ) ............. 12 [ ]{ ( ) ................. 13 e. Variabel Absensi Pada variabel absensi dibagi menjadi 2 himpunan fuzzy, yaitu : kurang, cukup dan baik. Tabel keanggotaan absensi ditunjukkan pada Tabel 2.5. Gambar 2.7 merupakan fungsi keanggotaan absensi. Sedangkan persamaan 14, 15 dan 16 merupakan hasil dari pembentukan fungsi keanggotaan absensi. Tabel 2.5 Himpunan fuzzy untuk variabel absensi Variabel Domain Himpunan Fuzzy Absensi 20-60 Kurang 70-80 Cukup 85-100 Baik (2) JURNAL MATEMATIKA “MANTIK” Vol. 01 No. 02. Mei 2016. ISSN: 2527-3159 E-ISSN: 2527-3167 21 Gambar 2.7 Fungsi Keanggotaan absensi [ ]{ - - ............. 14 [ ] { ( ) ( ) ( ) ( ) .............. 15 [ ]{ ( ) .................. 16 f. Variabel Konduite Pada variabel konduite dibagi menjadi 3 himpunan fuzzy, yaitu : rendah, sedang dan tinggi. Tabel keanggotaan konduite ditunjukkan pada Tabel 2.6. Gambar 2.8 merupakan fungsi keanggotaan konduite. Sedangkan persamaan 17, 18 dan 19 merupakan hasil dari pembentukan fungsi keanggotaan konduite. Tabel 2.6 Himpunan fuzzy untuk variabel konduite Variabel Domain Himpunan Fuzzy Konduite 20-60 Kurang 70-80 Cukup 85-100 Baik Gambar 2.8 Fungsi keanggotaan konduite [ ]{ - - ............ 17 [ ] { ( ) ( ) ( ) ( ) ............. 18 [ ]{ ( ) ................. 19 2) Variabel Output Output dari sistem ini adalah rekomendasi penetapan tunjangan. Nilai dari variabel rekomendasi penetapan tunjangan ini adalah tidak layak dan layak. Tabel keanggotaan dapat dilihat pada Tabel 2.8. Gambar 2.10 merupakan fungsi keanggotaan variabel rekomendasi penetapan tunjangan Sedangkan persamaan 1 dan 2 merupakan hasil dari pembentukan fungsi keanggotaan rekomendasi penetapan tunjangan. Tabel 2.7 Himpunan fuzzy untuk rekomendasi penetapan tunjangan Variabel Domain Himpunan Fuzzy Keputusan 1 – 70 TIDAK LAYAK >70 - 100 LAYAK Gambar 2.9 Fungsi keanggotaan rekomendasi penetapan tunjangan [ ]{ ( ) ....................... 20 [ ]{ ( ) ................... .21 3. Hasil Dan Pembahasan A. Hasil Penelitian ini menjelaskan bagaimana proses pemberian rekomendasi penetapan tunjangan prestasi yang akan diberikan oleh sistem pendukung keputusan ini melalui aplikasi. Terdapat beberapa proses yang dilakukan pada JURNAL MATEMATIKA “MANTIK” Vol. 01 No. 02. Mei 2016. ISSN: 2527-3159 E-ISSN: 2527-3167 22 sistem ini yaitu fuzzifikasi, sistem inferensi dan defuzzifikasi. 1) Fuzzifikasi Fuzzifikasi yaitu proses pengkonversian input-input (yang berupa prestasi kerja, mutu kerja, disiplin kerja, tanggungjawab, absensi dan konduite) yang bersifat tegas (crips) ke dalam bentuk (fuzzy) variabel linguistik menggunakan fungsi keanggotaan tertentu[7]. Pada proses ini terdiri dari variabel prestasi kerja, mutu kerja, displin kerja, tanggungjawab, absensi dan konduite yang diambil dari data sampel penilaian. Prestasi Kerja (PK) = 76 Mutu Kerja (MK) = 80 Disiplin Kerja (DK) = 78 Tanggungjawab (TK) = 85 Absensi (AK) = 75 Konduite (KK) = 77 Dari inputan data (crips) tersebut, kemudian dikelompokkan menjadi bentuk fuzzy variabel linguistik dengan fungsi tertentu pada proses fuzzifikasi yang akan ditunjukkan sebagai berikut. Gambar 3.1 Proses Fuzzifikasi Dari inputan data (crips) tersebut, kemudian dikelompokkan menjadi bentuk fuzzy variabel linguistik dengan fungsi tertentu yang akan derajat keanggotaan 0,8 pada variabel linguistik cukup dan 0,2 pada variabel linguistik baik, derajat keanggotaan 1 pada variabel linguistik baik, derajat keanggotaan 1 pada variabel linguistik baik, derajat keanggotaan 0.4 pada variabel linguistik cukup dan 0.6 pada variabel linguistik baik, derajat keanggotaan 1 pada variabel linguistik cukup dan 1 pada variabel linguistik cukup. 2) Sistem Inferensi Sistem Inferensi Proses pengkonversian input-fuzzy (prestasi kerja, mutu kerka, disiplin kerja, tanggungjawab, absensi dan konduite) menggunakan aturan-aturan "If- Then" menjadi Output-Fuzzy (rekomendasi penetapan tunjangan prestasi)[8]. Dalam proses inferensi ditentukan variabel output yang akan dijadikan untuk rekomendasi penetapan tunjangan prestasi. Aturan fuzzy yang diperoleh dari aturan IF prestasi kerja AND mutu kerja AND disiplin kerja AND tanggungjawab AND absensi AND konduite THEN rekomendasi. Tabel 3.1 Aturan fuzzy Total Aturan Fuzzy = 3 x 3 x 3 x 3 x 3 x 3 = 729 ID_RULE PRESRASI KERJA MUTU KERJA DISIPLIN TANGGUNG JAWAB ABSENSI KONDUITE REKOMENDASI R-001 KURANG KURANG KURANG KURANG KURANG KURANG TIDAK LAYAK R-002 KURANG KURANG KURANG KURANG KURANG CUKUP TIDAK LAYAK R-003 KURANG KURANG KURANG KURANG KURANG BAIK TIDAK LAYAK R-004 KURANG KURANG KURANG KURANG CUKUP KURANG TIDAK LAYAK R-005 KURANG KURANG KURANG KURANG CUKUP CUKUP TIDAK LAYAK R-006 KURANG KURANG KURANG KURANG CUKUP BAIK TIDAK LAYAK R-007 KURANG KURANG KURANG KURANG BAIK KURANG TIDAK LAYAK R-008 KURANG KURANG KURANG KURANG BAIK CUKUP TIDAK LAYAK R-009 KURANG KURANG KURANG KURANG BAIK BAIK TIDAK LAYAK JURNAL MATEMATIKA “MANTIK” Vol. 01 No. 02. Mei 2016. ISSN: 2527-3159 E-ISSN: 2527-3167 23 ID_RULE PRESRASI KERJA MUTU KERJA DISIPLIN TANGGUNG JAWAB ABSENSI KONDUITE REKOMENDASI R-010 KURANG KURANG KURANG CUKUP KURANG KURANG TIDAK LAYAK .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... R-728 BAIK BAIK BAIK BAIK BAIK CUKUP LAYAK R-729 BAIK BAIK BAIK BAIK BAIK BAIK LAYAK Dari aturan fuzzy tersebut kemudian dicocokan dengan hasil yang telah diperoleh dari proses fuzzifikasi, sehingga dari 729 aturan didapatkan 4 aturan yang sesuai fuzifikasi, hasil dari aturan yang didapat ditunjukkan pada proses inferensi seperti pada Gambar 3.2. Tabel 3.2 Aturan yang sesuai fuzifikasi Setelah mendapatkan aturan yang sesuai , maka langkah selanutnya adalah mengambil derajat keanggotaan minimum (alpha) dan nilai z dari nilai linguistik yang ada dari setiap aturan, seperti ditunjukkan pada gambar 3.3 Tabel 3.3 Nilai Alpha dan Z masing – masing variabel 3) Defuzzifikasi Langkah terakhir dalam proses ini adalah defuzzifikasi. Defuzzifikasi yaitu proses pengkonversian Output-Fuzzy (rekomendasi penetapan tunjangan prestasi) dari sistem inferensi ke dalam bentuk tegas (crips) menggunakan fungsi keanggotaan menjadi sebuah nilai[9]. Metode yang digunakan dalam defuzzifikasi ini adalah metode average. Berikut adalah perhitungan defuzzyfikasi dengan metode average JURNAL MATEMATIKA “MANTIK” Vol. 01 No. 02. Mei 2016. ISSN: 2527-3159 E-ISSN: 2527-3167 24 (( ) ( ) ( ) ( )) ( ) z = (32,8 + 52,8 + 15,2 + 15,2 ) / 1,4 = 82,86 Jadi nilai akhir setelah defuzzyfikasi adalah 82,86 dengan rekomendasi layak. Untuk menentukan nilai tunjangan adalah dengan mengalikan hasil defuzzyfikasi dengan koefisien Rp.100. Hasi tunjangan yang didapat adalah Rp.8,286 / hari. Selanjutnya untuk mengetahui presentase LAYAK, nilai 82,86 akan dimasukkan kedalam fungsi keanggotaan output layak, yaitu : ( ) ( ) ( ) Jadi, rekomendasi keputusan kreditnya adalah LAYAK dengan presentase sebesar 42.87%. Gambar 3.2 Hasil proses defuzzifikasi 2. Pembahasan Pembahasan pada penelitian ini akan membahas hasil perbandingan rekomendasi penetapan tunjangan prestasi data analisia evaluasi kinerja yang dilakukan oleh pihak perusahaan dengan rekomendasi yang diberikan oleh aplikasi sistem pendukung keputusan. Data evaluasi kinerja karyawan untuk penetapan tunjangan prestasi sebanyak 10 data. Tujuan dari perbandingan ini adalah untuk mengetahui tingkat akurasi uji reliabilitas dalam menentukan rekomendasi penetapan tunjangan prestasi yang ditunjukkan pada tabel dibawah ini. Tabel 3.5 Hasil perbandingan keputusan JURNAL MATEMATIKA “MANTIK” Vol. 01 No. 02. Mei 2016. ISSN: 2527-3159 E-ISSN: 2527-3167 25 Berdasarkan tabel diatas, maka tingkat akurasi sistem dengan uji reliabilitas bahwa tingkat akurasi aplikasi sebesar 100%, tingkat akuransi output rekomendasi sistem sebesar 100%, sedangkat tingkat akuransi output tunjangan sebesar 94.71%. Nilai tingkat akuransi output diperoleh dari pengurangan 100% dengan penjumlahan persentase error tsukamoto dibagi dengan banyaknya jumlah data sample yaitu sebesar 5.29%. 3. Simpulan Berdasarkan hasil penelitian dan perancangan Sistem Pendukung Keputusan Penetapan Tunjangan Prestasi dengan menggunakan Metode Fuzzy Tsukamoto, dapat disimpulkan bahwa : 1. Aplikasi telah berhasil dibangun secara terintegrasi berdasarkan perancangan sistem pendukung keputusan penetapan tunjangan prestasi dengan pendekatan metode fuzzy tsukamoto. 2. Sistem pendukung keputusan penerimaan penetapan tunjangan prestasi telah mampu memberikan rekomendasi kelayakan karyawan dalam penerimaan tunjangan prestasi dengan tepat menggunakan metode fuzzy tsukamoto pada PT.Boxtime Indonesia dengan tingkat akurasi 100%. Sistem Pendukung Keputusan Penetapan Tunjangan Prestasi dengan Metode Fuzzy Tsukamoto Studi Kasus PT.Boxtime Indonesia ini masih dapat dikembangkan lebih lanjut untuk mencapai tahap yang lebih tinggi dan kinerja sistem yang lebih baik. Berikut adalah beberapa saran untuk pengembangan lebih lanjut : 1. Diharapkan agar tampilan lebih menarik. 2. Diharapkan dapat dikembangkan menjadi sistem yang bebasis client- server. 3. Diharapkan agar sistem dapat terintegrasi dengan sistem presensi dan sistem penggajian karyawan. Daftar Pustaka [1] Laudon, Kenneth C dan Laudon, Jane P. 2004. Penterjemah Erwin Philippus, Management Information Systems, Managing the Digital Firm, Eighth Edition, Yogyakarta : ANDI [2] Laudon, Kenneth C dan Laudon, Jane P. 2004. Penterjemah Erwin Philippus, Management Information Systems, Managing the Digital Firm, Eighth Edition, Yogyakarta : ANDI [3] Kusumadewi, Sri. 2011. Artificial Intelligence (Teknik dan Aplikasinya), Yogyakarta : Graha Ilmu. [4] Kusumadewi, Sri. 2011. Artificial Intelligence (Teknik dan Aplikasinya), Yogyakarta : Graha Ilmu. [5] Kusumadewi, Sri. 2011. Artificial Intelligence (Teknik dan Aplikasinya), Yogyakarta : Graha Ilmu.