MODEL FUZZY INFERENSI UNTUK OPTIMASI PENGUKURAN KINERJA GURU DALAM MENENTUKAN PEMBERIAN KOMPENSASI MERIT PAY

Transkripsi

1 MODEL FUZZY INFERENSI UNTUK OPTIMASI PENGUKURAN KINERJA GURU DALAM MENENTUKAN PEMBERIAN KOMPENSASI MERIT PAY MODEL FUZZY INFERENCE FOR OPTIMIZATION THE MEASUREMENT DETERMINING PERFORMANCE TEACHER COMPENSATION MERIT PAY Herdianta 1, Herman Mawengkang 2, Zakarias Situmorang 3 Program S2 Teknik Informatika Universitas Sumatera Utara, Medan, Indonesia herdianta.tarigan@gmail.com ABSTRAK Untuk mengatasi kecemburuan sosial dikalangan guru yang disebabkan oleh kesamaan hak kompensasi untuk semua guru tanpa penyesuaian terhadap penilaian kinerja guru, pihak instansi pendidikan dewasa ini memberikan kompensasi dalam bentuk merit sehingga masalah kecemburuan sosial tersebut dapat teratasi dengan memberikan besaran kompensasi merit pay sesuai kinerja masing-masing guru. Berdasarkan Permennegpan &RB nomor 16 tahun 2009, dalam menentukan merit pay yang diberikan kepada guru, yang menjadi indikator penilaian dalam menilai kinerja guru sebagai pendidik dan pengajar adalah kompetensi pedagogik, kompetensi sosial, kompetensi keperibadian dan kompetensi profesional. Untuk mendapatkan solusi yang lebih optimal dalam penentuan pemberian kompensasi merit pay tersebut, pada penelitian ini peneliti menawarkan solusi menggunakan model fuzzy inferensi.. Kata Kunci : kinerja guru, merit pay, fuzzy inferensi ABSTRACT To overcome jealousy of the teachers by the equality of compensation for all teachers without adjusting the performance appraisal of teachers jealousy that school boards now offer compensation in the form of merit making jealousy problems by allowing them to pay appropriate compensation earnings amount each performance solved become a teacher. Based Permennegpan & RB No. 16 of 2009, given in determining merit pay for teachers, which is used as indicators for assessing the performance appraisal of teachers and teacher educators as a pedagogic competence, social competence, competence and expertise keperibadian. To an optimal solution in determining the merit pay, receive in this study, the researcher provides solutions with fuzzy inference models. Keywords: performance of teachers, merit pay, fuzzy inference PENDAHULUAN Dunia pendidikan dewasa ini sudah menerapkan produktifitas kerja yang professional untuk mengatasi kecemburuan sosial dikalangan guru dalam mendapatkan kompensasi dengan menggunakan metode kompensasi dalam bentuk merit pay yang mampu menghasilkan perbedaan pemberian kompensasi terhadap guru berdasarkan

2 kinerja dan loyalitas masing-masing individu guru tersebut. Berdasarkan undangundang nomor 14 tahun 2005, dalam menentukan merit pay yang diberikan kepada guru, yang menjadi indikator penilaian dalam menilai kinerja guru sebagai pendidik dan pengajar adalah kompetensi pedagogik, kompetensi sosial, kompetensi keperibadian dan kompetensi professional [3]. Pada penelitian sebelumnya [5], menerapkan logika fuzzy dalam menentukan pemberian merit pay untuk studi kasus Kalangan dosen, sementara penelitian tersebut tidak dapat diterapkan untuk guru, dikarenakan guru dan dosen memiliki kompetensi yang berbeda, sesuai Keputusan Dewan Perwakilan Rakyat Republik Indonesia dan Presiden,Undang-Undang Republik Indonesia No. 14 tahun 2005, tentang Guru dan Dosen. Untuk mengatasi masalah tersebut, pada penelitian ini, peneliti menawarkan model fuzzy inferensi untuk optimasi kinerja guru dalam menentukan pemberian kompensasi merit pay. PENELITIAN TERDAHULU Kompensasi Merit Pay Kompensasi adalah pemberian imbalan kepada pegawai dengan pembayaran finansial sebagai balas jasa untuk pekerjaan yang dilaksanakan dan sebagai motivator untuk pelaksanaan kegiatan di waktu yang akan datang [10], termasuk kedalam kompensasi ini adalah upah, gaji, insentif, komisi dan sebagainya yang memikat karyawan untuk bekerja. Merit pay merupakan imbalan (reward) yang dikaitkan dengan jasa atau prestasi kerja (kinerja) seseorang maupun manfaat yang telah diberikan oleh karyawan kepada organisasi. Secara sederhana, konsep merit pay merupakan sistem pembayaran yang mengaitkan imbalan (reward) dengan prestasi kerja seseorang karyawan (performance). Implikasi dari merit pay ini adalah bahwa seseorang yang memiliki kinerja yang baik, maka ia akan memperoleh imbalan yang lebih tinggi, begitu pula sebaliknya. Artinya semakin tinggi kinerja yang diraih karyawan akan semakin tinggi pula kenaikan imbalannya [9]. Konsep merit pay telah diterapkan dengan berbagai cara, namun semua program pembayaran jasa memiliki dua karakteristik. Pertama, sebagian pembayaran jasa karyawan didasarkan pada kinerjanya yang telah diberi

3 rating dalam periode sebelumnya. Kedua, peningkatan jasa yang diberikan dalam satu periode evaluasi masuk ke dalam gaji pokok untuk periode evaluasi mendatang. Logika Fuzzy Logika yang hanya berdasarkan atas dua nilai kebenaran TRUE (1) dan FALSE (0) kurang lengkap untuk menyatakan logika berpikir manusia, sehingga dikembangkan logika yang tidak hanya bernilai 0 atau 1 tapi menggunakan logika yang memliki interval nilai antara 0 dan 1 yang disebut dengan logika samar (Fuzzy logic). Logika fuzzy diperkenalkan pada tahun 1995 oleh Lotfi A. Zadeh, seorang Profesor di bidang ilmu komputer,dari Universitas California Berkeley. Logika fuzzy dipakai untuk menyatakan data atau informasi yang bersifat tidak pasti atau samar [7]. Ide dari logika dengan nilai tak berhingga diperkenalkan oleh Zadeh dalam tulisannya yang berjudul Fuzzy sets (himpunan fuzzy), disertai dengan penjelasan matematik teori Himpunan Fuzzy dan juga tentang Logika Fuzzy. Dalam tulisan tersebut juga dijelaskan tentang pembentukan Fungsi keanggotaan (membership function) yang beroperasi pada range nilai antara 0 dan 1. Disamping itu juga diusulkan tentang operasi operasi logika matematika yang pada prinsipnya merupakan pengembangan dari logika klasik. Logika Fuzzy sudah memberikan perubahan dalam pengambilan keputusan, dimana kemampuan berpikir manusia yang tidak pasti dapat digunakan dalam sistem berbasis pengetahuan. Teori logika fuzzy menyediakan teori matematika untuk menampung ketidakpastian proses berpikir manusia. Beberapa ciri dari logika fuzzy [8] adalah : Dalam logika fuzzy, logika pasti (exact) dianggap sebagai kasus terbatas dari logika tidak pasti (approximate). Dalam logika fuzzy, segala sesuatu (pernyataan) ditentukan berdasarkan tingkatan (degree). Dalam logika fuzzy, pengetahuan merupakan kumpulan dari batasan-batasan yang elastis atau tidak pasti (fuzzy). Pengambilan keputusan adalah proses peralihan dari batasan-batasan elastis atau tidak pasti. Semua sistem logika dapat dibuat menjadi samar (fuzzy)

4 Ada dua ciri utama dari sistem fuzzy sehingga sistem ini dapat diterapkan dengan baik pada beberapa aplikasi tertentu : Sistem fuzzy sangat cocok untuk logika berfikir yang tidak pasti, khususnya untuk sistem yang sulit dimodelkan secara matematika. Logika fuzzy membolehkan pengambilan keputusan dengan nilai perkiraan atau berdasarkan informasi yang tidak lengkap atau tidak pasti. Himpunan Fuzzy Himpunan fuzzy (fuzzy set) adalah generalisasi dari konsep fungsi karakteristik. Sebuah himpunan fuzzy adalah sekelompok objek yang didefinisikan berdasarkan tingkat derajat keanggotaan yang ditandai oleh fungsi keanggotaan yang dimiliki setiap objek dengan derajat keanggotaan berkisar antara nol dan satu [1]. Himpunan fuzzy dapat dinotasikan sebagai berikut : A{(x,µA(x))/xЄ X}. Himpunan fuzzy dituliskan sebagai psangan berurutan, dengan elemen pertama menunjukkan nama elemen dan elemen kedua menunjukkan nilai keanggotaannya. Fungsi keanggotaan yang dimiliki masing-masing elemen dengan derajat keanggotaan antara 0 dan 1 [2]. µa(x):x [0,1] Dengan µa(x) merupakan fungsi keanggotaan dari himpunan fuzzy A dalam himpunan semesta X. Besaran yang lain dari himpunan fuzzy A berdasarkan urutannya adalah : A={(x,µA(x));x Є X, µa(x) Є [0,1]} Gambar fungsi keanggotaan dari himpunan fuzzy dapat dilihat pada gambar 1 seperti dibawah ini: Gambar 1 Fungsi keanggotaan himpunan fuzzy Sumber : Karray and Silva, 2004

5 Fuzzy Inferensi Model TSK (Takagi Sugeno Kang) Sistem inferensi fuzzy metode Takagi-Sugeno-Kang (TSK) merupakan metode inferensi fuzzy untuk aturan yang direpresentasikan dalam bentuk IF THEN, dimana output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Metode ini diperkenalkan oleh Takagi Sugeno Kang pada tahun Ada 2 model pada metode TSK, yaitu: a. Metode TSK orde-0 Secara umum bentuk model inferensi fuzzy Motode TSK Orde-0 adalah: IF (x1 is A1) o (xi is A22) o... o (xn is AN) THEN z = k dengan x adalah variabel input ke-j, Aji adalah himpunan fuzzy ke-i pada variabel x, dan k adalah suatu konstanta (bersifat crisp) sebagai konsekuen. b. Metode TSK orde-1 Secara umum bentuk model inferensi fuzzy Motode TSK Orde-1 adalah: IF (x1 is A1) o (xi is A22) o... o (xn is AN) THEN z = p1*x + + pn*xn + q dengan x adalah variabel input ke-j, Aj adalah himpunan fuzzy ke-i pada variabel xj, pj adalah suatu konstanta (bersifat crisp) sebagai koefisien untuk variabel x dan q merupakan konstanta untuk persamaan linear dalam konsekuen suatu aturan. Apabila fire strength (r) dan nilai z untuk setiap aturan ke-r telah diperoleh (r = 1,..., R), selanjutnya akan dilakukan proses komposisi aturan. Proses komposisi dilakukan dengan cara melakukan penjumlahan hasil perkalian antara fire strength dengan nilai z tersebut. Proses penegasan (defuzzy) dilakukan dengan menggunakan konsep ratarata tertimbang (weighted average) [6], seperti terlihat pada persamaan berikut : Metodologi Penelitian Tujuan dalam penelitian ini adalah membangun suatu model yang dapat melakukan optimasi dalam penilaian kinerja guru mata pelajaran, dimana variabel kinerja akan menentukan apakah seorang guru mata pelajaran berhak mendapatkan merit pay atau tidak Penggabungan fungsi keanggotaan himpunan fuzzy dan pohon keputusan

6 merupakan model yang optimal dalam menentukan kinerja guru berdasarkan kompetensi yang dimilikinya, dan dalam penelitian ini digunakan fuzzy inferensi sistem metode Takagi Sugeno Kang dan Pohon Keputusan, pada gambar berikut akan terlihat rancangan model secara garis besar dalam bentuk diagram alir. Start Data Survei dan Identifikasi Varibel Kinerja Guru (Pedagogik, Kepribadian, Sosial, Profesional) Fuzzyfikasi Rule Inferensi Defuzzyfikasi Optimasi Merit Pay Stop Gambar 2. Diagram Rancangan Model Identifikasi Variabel Variabel yang akan menjadi penentu dalam menentukan besarnya kompensasi yang diberikan kepada guru mata pelajaran, adalah variabel kompetensi pedagogik, kompetensi kepribadian, kompetensi sosial dan kompetensi profesional [4]. a. Kompetensi Pedagogik, terdiri dari: Mengenal karakteristik anak didik Menguasai teori belajar dan prinsip-prinsip pembelajaran yang mendidik Pengembangan kurikulum Kegiatan pembelajaran yang mendidik Memahami dan mengembang potensi Komunikasi dengan pesera didik Penilaian dan evaluasi b. Kompetensi Kepribadian Bertindak sesuai dengan norma agama, hukum, sosial dan kebudayaan nasional

7 Menunjukkan pribadi yang dewasa dan teladan Etos kerja, tanggung jawab yang tinggi rasa bangga menjadi guru c. Kompetensi Sosial Bersikap inklusif, bertindak obyektif, serta tidak diskriminatif sebagai Guru kepada anak didik Komunikasi dengan sesama guru, tenaga kependidikan, orang tua, peserta didik, dan masyarakat d. Kompetensi Profesional Menguasai materi, struktur, konsep dan pola pikir keilmuan yang mendukung mata pelajaran yang anda ampu Mengembangkan keprofesionalan melalui tindakan yang reflektif Jumlah seluruh indikator diatas adalah 14 indikator, dimana nilai setiap indikator adalah 1-4 yang dihitung berdasarkan Permennegpan & RB no. 16 tahun Fuzzyfikasi Berdasarkan Permennegpan & RB no. 16 tahun 2009, ada empat kompetensi pembentuk variabel kinerka guru, dalam penelitian ini, keempat variabel tersebut dibentuk masing-masing kedalam 5 (lima) himpunan fuzzy. Variabel dan himpunan fuzzy yang dimaksud dapat dilihat pada tabel 1 berikut. Tabel 1. Varibel Himpunan fuzzy No Variabel Kompetensi Himpunan Fuzzy Kurang (K) Sedang (S) 1 Pedagogik Cukup (C) (B) (AB) Kurang (K) Sedang (S) 2 Kepribadian Cukup (C) (B) (AB) Kurang (K) Sedang (S) 3 Sosial Cukup (C) (B) (AB) Kurang (K) Sedang (S) 4 Profesional Cukup (C) (B) (AB)

8 a. Fuzzyfikasi Kompetensi Pedagogik Variabel kompetensi pedagogik terdiri dari tujuh instrument [4], dimana setiap instrument memiliki jawaban terendah 1 dan jawaban tertinggi adalah 4, sehingga didapat interval nilai 7 sampai dengan 28. dari total nilai dibentuk pembobotan fuzzy sebagai berikut : µx Gambar 3. Logika fuzzy untuk variable pedagogik (x1) i Kompetensi Pedagogik = i 7 1 ( a ( i)) / 28 x100 Himpunan Fuzzy Kompetensi Pedagogik : Kurang Sedang Cukup k x 0 40 x x 0 0 x 25 x 25 S x 0 40 x x x 40 x 40 C x 0 x x x 55 x 55 B x 0 x x x 70 x 70 AB x 0 x x x 100 x 100 b. Fuzzyfikasi Kompetensi Kepribadian Variabel kompetensi keperibadian terdiri dari tiga instrument [4], dimana setiap instrument memiliki jawaban terendah 1 dan jawaban tertinggi adalah 4, sehingga didapat interval nilai 3 sampai dengan 12. dari total nilai dibentuk pembobotan fuzzy sebagai berikut : µx Gambar 4. Logika fuzzy untuk variable kepribadian (x2)

9 i Kompetensi Kepribadian = 3 ( b ( i))/12x100 i1 Himpunan Fuzzy Kompetensi Kepribadian : Kurang Sedang Cukup K x 0 41,6 x 41, x 0 0 x 25 x 25 S x 0 x 25 41, x x 41,6 x 41,6 C x 0 x 41,6 58,3 41,6 1 x 41,6 41,6 x 58,3 x 58,3 B x 0 x 58, ,3 1 x 58,3 58,3 x 75 x 75 AB x 0 x x x 100 x 100 c. Fuzzyfikasi Kompetensi Sosial Variabel kompetensi sosial terdiri dari dua instrument [4], dimana setiap instrument memiliki jawaban terendah 1 dan jawaban tertinggi adalah 4, sehingga didapat interval nilai 2 sampai dengan 8, dari total nilai dibentuk pembobotan fuzzy sebagai berikut : µx Gambar 5. Logika fuzzy untuk variable sosial (x3) i Kompetensi Sosial = 2 ( c ( i)) /8x100 (4.13) i1 Himpunan Fuzzy Kompetensi Sosial : Kurang Sedang Cukup K x 0 43,7 x 43, x 0 0 x 25 x 25 S x 0 x 25 43, x x 43,7 x 43,7 C x 0 x 43,7 62,5 43,7 1 x 43,7 43,7 x 62,5 x 62,5

10 B x 0 x 62,5 81,25 62,5 1 x 62,5 62,5 x 81,25 x 81,25 AB x 0 x 81, ,25 1 x 81,25 81,25 x 100 x 100 d. Fuzzyfikasi Kompetensi Profesional Variabel kompetensi profesional terdiri dari dua instrument [4], dimana setiap instrument memiliki jawaban terendah 1 dan jawaban tertinggi adalah 4, sehingga didapat interval nilai 2 sampai dengan 8, dari total nilai dibentuk pembobotan fuzzy sebagai berikut : µx Gambar 6. Logika fuzzy untuk variable profesional (x4) i Kompetensi Profesional = 2 ( c ( i))/8x100 i1 Himpunan Kompetensi Profesional : Kurang Cukup Sedang K x 0 43,7 x 43, x 0 0 x 43,7 x 25 S x 0 x 25 43, x x 43,7 x 43,7 C x 0 x43,7 62,5 43,7 1 x43,7 43,7 x62,5 x62,5 B x 0 x 62,5 81,25 62,5 1 x 62,5 62,5 x 81,25 x 81,25 AB x 0 x 81, ,25 1 x 81,25 81,25 x 100 x 100 Rule Inferensi Dalam tahapan rule inferensi yang dihitung adalah : 1. Perhitungan z dengan rule = (x1.kompetensi Pedagogik) + (x2.kompetensi Kepribadian) + (x3.kompetensi Sosial) + (x4.kompetensi Profesional)

11 2. Perhitungan α predikat dengan rule MIN (x1.kompetensi Pedagogik; x2.kompetensi Kepribadian ; x3.kompetensi Sosial ; x4.kompetensi Profesional) Untuk menghitung z dan α predikat diatas diperliukan nilai x1,x2,x3 dan x4, yang didapatkan berdasarkan konversi nilai keanggotaan himpunan fuzzy dari tabel 2 berikut : Tabel 2. Dasar Penentuan Konstanta Pada Rule No Kompetensi Cukup Sedang Kurang 1 Pedagogik (40%) (x1) 0,4 0,32 0,24 0,16 0,08 2 Kepribadian (15 %) (x2) 0,15 0,12 0,09 0,06 0,03 3 Sosial (15 %) (x3) 0,15 0,12 0,09 0,06 0,03 4 Profesional (30 %) (x4) 0,30 0,24 0,18 0,12 0,06 Defuzzyfikasi Dalam tahapan defuzzyfikasi dihitung Kinerja Guru (Z) = ( α Pred k x Zk) / αpred k) atau disebut juga Fuzzy, yang menentukan apakah seorang guru mata pelajaran berhak mendapatkan merit pay atau tidak, dengan mengkonversi nilai fuzzy (Z) menggunakan tabel 3 seperti di bawah ini: Tabel 3 Gambar 4..Konversi Fuzzy (Z) Menjadi Linguistik Z Linguistik Cukup Sedang Kurang Optimasi Merit Pay Untuk melakukan tahapan ini, terlebih dahulu ditentukan besaran pengali untuk masing-masing Linguistik, sebagai contoh seperti pada tabel 4 dibawah ini.

12 Tabel 4. Linguistik Linguistik Besaran Pengali (Biaya) Kurang Rp Sedang Rp Cukup Rp Rp Rp Kemudian untuk mendapatkan berapa besaran kompensasi merit pay yang diterima masing, masing guru adalah dengan mengalikan nilai fuzzy (Z) dengan biaya sesuai nilai linguistik guru tersebut (MP = Z/100 * Biaya) Hasil dan Pembahasan Data studi kasus dalam penelitian ini bersumber dari data SMK Negeri 1 Kutalimbaru, Kabupaten Deli Serdang, Sumatera Utara. Adapun data yang dimaksud terdapat pada tabel 5 dibawah ini. Tabel 5. Data Studi Kasus Data tabel diatas sesuai dengan rancangan model, pertama sekali akan mengalami proses fuzzyfikasi, sehingga dari hasil fuzzyfikasi yang dilakukan didapatkan hasil seperti pada tabel 6 berikut ini: Id Guru Pedagogik Kepribadian Sosial Tabel 6. Hasil Proses Fuzzyfikasi Profesional α 1 α 2 α 3 α 4 Ped Kep Sos Pro Cukup Kurang Kurang Cukup

13 Id Guru Pedagogik Kepribadian Sosial Profesional α 1 α 2 α 3 α 4 Ped Kep Sos Pro Cukup Cukup Cukup Cukup Cukup Cukup Cukup Cukup Cukup Cukup Cukup Cukup Cukup Cukup Cukup Cukup Selanjutnya data tabel 6 diatas sesuai dengan rancangan model, dilakukan proses rule inferensi atas data tersebut, sehingga dari hasil proses rule inferensi yang dilakukan didapatkan hasil seperti pada tabel 7 sebagai berikut: Tabel 7. Hasil Proses Rule Inferensi Id Guru Ped Kep Sos Pro x1 x2 x3 x4 z α 1 α 2 α 3 α 4 αpred 835 B B B C B B B B B B AB C B B AB B B AB B C B AB B B B AB AB C B AB AB B AB B B C AB B B B AB B AB C AB B AB B AB AB B C AB AB B B AB AB AB C AB AB AB B AB AB AB AB

14 Selanjutnya data tabel 8 diatas sesuai dengan rancangan model, dilakukan proses defuzzzyfikasi, yakni perhitungan nilai Z ( Fuzzy), sehingga dari hasil proses defuzzyfikasi yang dilakukan didapatkan hasil seperti pada tabel 8 sebagai berikut: Tabel 8 Hasil Proses Defuzzyfikasi Setelah didapatkan hasil proses defuzzyfikasi pada tabel 8 diatas, langkah terakhir adalah mengukur optimasi merit pay, yakni menhitung besaran pemberian kompensasi merit pay masing-masing guru sesuai linguistik dan nilai fuzzy (Z) yang didapatkannya, hasilnya dapat dilihat pada tabel 9 seperti di bawah ini : Tabel 9. Optimasi Merit Pay id Fuzzy(z) Lingustik Biaya Merit Pay ,5496 Cukup Rp Rp ,9184 Sedang Rp Rp ,0013 Rp Rp ,0002 Rp Rp ,1593 Rp Rp ,5853 Cukup Rp Rp ,377 Cukup Rp Rp ,4054 Rp Rp ,7339 Rp Rp Rp Rp ,753 Cukup Rp Rp ,3037 Cukup Rp Rp ,6394 Cukup Rp Rp ,7581 Cukup Rp Rp ,6179 Cukup Rp Rp ,9116 Cukup Rp Rp ,3434 Cukup Rp Rp

15 SIMPULAN Berdasarkan hasil pengujian dan pembahasan, khususnya hasil pemberian kompensasi merit pay pada tabel 9 terlihat bahwa model yang diusulkan berhasil menjadikan pemberian kompensasi merit pay lebih objektif sesuai kinerja masingmasing guru mata pelajaran. Dari nilai kinerja guru yang di dapat dari masing-masing guru akan dijadikan rekomendasi kepada pimpinan untuk penilaian satu guru dalam hal mengambil suatu keputusan dalam pembayaran kompensasi marit pay. DAFTAR PUSTAKA [1] Kantardzic, M Data Mining, Concepts, Models, Methods and Algorithm. Universitas of Louisville. IEEE Press, Wiley Interscience [2] Karray, F.O. & Silva, C.D Soft Computing and Intelligent Systems Design Theory, Tools and Applications. England. Pearson Addison Wesley. [3] Keputusan Dewan Perwakilan Rakyat Republik Indonesia dan Presiden,Undang- Undang Republik Indonesia No. 14 tahun 2005, tentang Guru dan Dosen. [4] Peraturan Menteri Negara Pendayagunaan Aparatur Negara dan Reformasi Birokrasi No. 16/2009 tentang Jabatan Fungsional Guru dan Angka Kreditnya [5] Purba, D Model Evaluasi Kinerja Dosen Tetap Dalam Menentukan Kompensasi Merit Pay Dengan Menggunakan Logika Fuzzy. Tesis. Universitas Sumatera Utara. [6] Sugeno, M. & G, T, Kang Fuzzy Sets and Systems 18. Journal [7] Zadeh, L.A Fuzzy Sets Information and Control 8. Journal [8] Zadeh, L.A Discussion Forum University of California at Berkeley, USA Jerry Mendel [9] Gil-Anton, M The Merit Pay System in a Mexican University: The Case of Metropolitan Autonomous University. Journal of The Professoriate [10] Handoko, T. H Manajemen Personalia dan Sumber Daya Manusia, Edisi Keempat, BPFE, Yogyakarta.