Implementas I Algoritma Simple Additive Weighting Untuk Sistem

Implementas. I Algoritma Simple Additive Weighting Untuk Sistem Pendukung Keputusan Penilaian Kinerja Pegawai Oleh Alfi Muhamad Rinaldi & Wendi Wirasta ST. , MT. alfimuhamad@fellow. ac. id & wendiwirasta@fellow. ac. id STMIK & POLITEKNIK LPKIA BANDUNG Latar Belakang Hasil Penelitian Metodologi Dalam teknik pengolahan data terdapat beberapa algoritma atau metode yang dapat digunakan sebagai pendukung keputusan terhadap suatu kasus atau lainnya untuk memperluas kapabilitas mereka. Pendukung keputusan tersebut ditujukan untuk keputusan -keputusan yang memerlukan penilaian atau pada keputusan-keputusan yang tidak terstruktur dimana tidak seorang pun tahu secara umum bagaimana keputusan tersebut dibuat. Sistem pendukung keputusan ini, dapat menentukan nilai perhitungan terhadap semua kriteria. Salah satu cara untuk mengolah sistem pendukung keputusan ini adalah dengan metode Simple Additive Weighting (SAW). Penilaian Kinerja merupakan suatu proses untuk penetapan pemahaman bersama tentang apa yang akan dicapai, dan suatu pendekatan untuk mengelola dan mengembangkan orang dengan cara peningkatan dimana peningkatan tersebut itu akan dicapai didalam waktu yang singkat ataupun lama. Begitu pula penilaian kinerja di Dapen Telkom sebagai anak perusahaan dari PT. Telekomunikasi Indonesia, di perusahaan tersebut ada beberapa permasalahan terhadap aspek penilaian kinerja pegawai, diantaranya yaitu penetapan penilaian kinerja yang tidak objektif hanya melihat dari lamanya waktu bekerja dan golongan atau pangkat jabatan. Sehingga secara tidak langsung menimbulkan perselisihan kecil antar pegawai. Dari hasil penelitian yang dibuat menghasilkan data sebagai berikut : Metode Simple Additive Weighting (SAW) sering juga dikenal istilah metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut (Fishburn, 1967) (Mac. Crimmon, 1968). Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada. Metode ini merupakan metode yang paling terkenal dan paling banyak digunakan dalam menghadapi situasi Multiple Attribute Decision Making (MADM). MADM itu sendiri merupakan suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu. Metode SAW ini mengharuskan pembuat keputusan menentukan bobot bagi setiap atribut. Skor total untuk alternatif diperoleh dengan menjumlahkan seluruh hasil perkalian antara rating (yang dapat dibandingkan lintas atribut) dan bobot tiap atribut. Rating tiap atribut haruslah bebas dimensi dalam arti telah melewati proses normalisasi matriks sebelumnya. Formula untuk melakukan normalisasi tersebut adalah : Identifikasi Persoalan • Penetapan penilaian kinerja karyawan yang tidak objektif hanya melihat dari lamanya waktu bekerja, golongan atau pangkat jabatan. • Pihak perusahaan tidak dapat mengetahui karyawan mana saja yang mengalami peningkatan dan penurunan kinerja dari tahun ke tahun. • Hasil perankingan karyawan dilakukan dengan cara menjumlahkan nilai yang di dapat dari setiap kriteria dan kemudian dibandingkan dengan karyawan lainnya. Tujuan • Menerapkan proses penilaian terhadap pegawai dengan menggunakan kriteria yang sudah ditentukan dan membuat pembobotan terhadap setiap kriteria dan diproses menggunakan metode Simple Additive Weighting (SAW) sehingga proses penilaian merata dan subjektif. • Menyediakan chart statistik karyawan yang tersedia didalam aplikasi, sehingga memudahkan untuk para petinggi perusahaan dalam memonitoring hasil kinerja karyawannya. • Proses perankingan karyawan dilakukan dengan menggunakan metode Simple Additive Weighting (SAW) sehingga hasil ke akurasiannya lebih tinggi dibanding perankingan manual sebelumnya. Nama Kriteria Kepemimpinan Skill Berkomunikasi Inovatif Kerjasama Tim Penyelesaian Masalah Inisiatif Tabel 1 : Kriteria Nilai Bobot 25 20 20 15 10 10 Nilai Crips (A 1) Kepemimpina n (Benefit) Skill Berkomunika si (Benefit) Inovatif (Benefit) 5 25 50 75 Sangat Buruk Cukup Baik Sangat Buruk Cukup Baik 100 Sangat Baik Kerjasam a Tim (Benefit) Sangat Buruk Cukup Baik Sangat Baik Tabel 3 : Input Nilai Data Alternaitf Nama Pendaftar Alfi M Rinaldi Dudung S Iis S Kriteria Kepemimpinan B BA BA Skill Berkomunikasi B C B Inovatif C B BA Kerjasama Tim BA C BA Penyelesaian Masalah SBA BA C Inisiatif B SBA C Keterangan C 1 C 2 C 3 C 4 C 5 C 6 Penyelesaian Masalah (Benefit) Sangat Buruk Cukup Baik Sangat Baik Inisiati f (Benefi t) Sangat Buruk Cukup Baik Sangat Baik Ani S B SBA B B C Tabel 4 : Rating kecocokan dari setiap alternatif pada setiap kriteria Kriteria Alternatif C 1 C 2 C 3 C 4 C 5 C 6 Alfi M Rinaldi 25 25 50 75 100 Dudung S 75 50 25 50 75 Iis S 75 25 75 75 50 Ani S 25 100 25 25 50 B 25 100 50 25 V 1 = (0, 33 * 25) + (0, 25 * 20) + (0, 67 * 20) + (1 * 15) + (1 * 10) + (0, 25 * 10) = 54, 17 V 2 = (1 * 25) + (0, 5 * 20) + (0, 33 * 20) + (0, 67 * 15) + (0, 75 * 10) + (1 * 10) = 69, 17 V 3 = (1 * 25) + (0, 25 * 20) + (1 * 15) + (0, 5 * 10) = 75 V 4 = (1 * 25) + (0, 5 * 20) + (0, 33 * 20) + (0, 67 * 15) + (0, 75 * 10) + (1 * 10) = 47, 5 Dimana : rij = rating kinerja ternormalisasi Maxij = nilai maksimum dari setiap baris dan kolom Minij = nilai minimum dari setiap baris dan kolom Xij = baris dan kolom dari matriks Dengan rij adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Cj; i =1, 2, …m dan j = 1, 2, …, n. Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai : Dimana : Vi = Nilai akhir dari alternatif wj = Bobot yang telah ditentukan rij = Normalisasi matriks Nilai Viyang lebih besar mengindikasikan bahwa alternatif. Ai lebih terpilih Kesimpulan • • Dapat melakukan proses penilaian terhadap pegawai dengan kriteria yang telah ditentukan, kepemimpinan, skill berkomunikasi, kehadiran, kerjasama tim dan penyelesaian masalah. Dengan menggunakan metode Simple Additive Weighting (SAW) dapat membuat aplikasi untuk melakukan penilaian kinerja.