Sistem Pendukung Keputusan Kelompok untuk Penilaian Kinerja Unit Perusahaan Menggunakan Metode PROMETHEE II dan Borda (Studi Kasus: Perum Jasa Tirta 1 Malang)

  

Vol. 2, No. 12, Desember 2018, hlm. 7338-7347 http://j-ptiik.ub.ac.id

Sistem Pendukung Keputusan Kelompok untuk Penilaian Kinerja Unit

Perusahaan Menggunakan Metode PROMETHEE II dan Borda

  

(Studi Kasus: Perum Jasa Tirta 1 Malang)

₁

₂ Dhea Azahria Mawarni , Arief Andy Soebroto

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2} Email: dhea.azahria12@gmail.com, ariefas@ub.ac.id

  

Abstrak

  Penilaian kinerja unit perusahaan bertujuan untuk memudahkan dalam melakukan evaluasi terhadap kinerja setiap unit. Kinerja yang buruk akan berdampak pada kualitas perusahaan, sehingga harus segera diperbaiki dan ditingkatkan. Namun penilaian kinerja unit perusahaan di PJT 1 Malang dirasa kurang efisien dikarenakan tidak adanya sistem untuk mengolah data penilaian kinerja KPI Unit. Hal ini berdampak pada banyaknya tenaga dan waktu yang dibutuhkan dalam penilaian kinerja unit perusahaan. Untuk mengatasi masalah tersebut dibutuhkan suatu sistem komputer berupa sistem pendukung keputusan kelompok (SPKK) untuk membantu dalam penilaian kinerja unit perusahaan. Salah satu metode Multi Criteria Decision Making yaitu PROMETHEE II digunakan untuk pengambilan keputusan setiap decision maker (DM). Sedangkan metode voting yang digunakan adalah Borda. Penelitian ini menggunakan 72 data alternatif dan lima kriteria penilaian. Berdasarkan hasil analisis pengujian bobot, akurasi terbaik diperoleh pada percobaan ke-3, ke-4 dan ke-5 pada tingkat kepentingan bobot keempat sebesar 83,3333% dengan menggunakan range 1. Sedangkan berdasarkan hasil analisis pengujian jumlah data diperoleh akurasi tertinggi sebesar 86,1111% pada saat menggunakan data uji sebanyak 36 data.

  Kata kunci: SPKK, MCDM, penilaian kinerja, PROMETHEE II, Borda

Abstract

  

Assessment of unit performance of the company aims to facilitate in evaluating the performance of each

unit. Poor performance will have an impact on the quality of the company, so it needs to be improved

and upgraded. However, the assessment of company unit performance in PJT 1 Malang is less efficient

due to the absence of a system to process KPI Unit assessment data. This has an impact on the amount

of manpower and required time in the assessment of the company’s unit performance. To overcome

these problems, it requires a computer system in the form of group decision support system (SPKK) to

assist in the as sessment of the company’s unit performance. One method of Multi Criteria Decision

Making is PROMETHEE II, used for decision making in every decision maker (DM). While Borda is

used for the voting method. This study uses 72 alternative data and five assessment criteria. Based on

the results of the weight test analysis, the best accuracy was obtained in the 3rd, 4th, and 5th experiments

at the level of importance of the fourth weight with value of 83.3333% using the first range. And the

highest accuracy based on the results of the amount of data test analysis obtained of 86, 1111% when

using 36 data test.

  Keywords: GDSS, MCDM, performance assessment, PROMETHEE II, Borda

  perusahaan (Widodo, 2011). Penilaian kinerja 1. merupakan penentuan berkala pada efektivitas

   PENDAHULUAN

  operasional suatu organisasi atau perusahaan Penilaian kinerja memiliki berbagai yang berdasarkan sasaran, standar dan parameter manfaat bagi pihak internal maupun eksternal. yang telah ditentukan (Zudia, 2010). Salah satu manfaat bagi pihak internal adalah

  Persaingan dunia usaha yang semakin ketat pengambilan keputusan dalam penyusunan mengakibatkan setiap perusahaan berusaha strategi untuk meningkatkan kinerja suatu unit

  Fakultas Ilmu Komputer Universitas Brawijaya

7338 meningkatkan kemampuan bersaingnya untuk menjadi perusahaan yang mempunyai daya saing unggul di kelas dunia (Estuningsari, et al., 2013). Kriteria Penilaian Kinerja Unggul (KPKU) merupakan program unggulan yang berfungsi sebagai suatu sistem pengelolaan dan pengendalian kinerja perusahaan di Badan Usaha Milik Negara (BUMN). KPKU juga diterapkan pada Perum Jasa Tirta (PJT) 1 Malang yang digunakan untuk pengukuran kinerja perusahaan secara menyeluruh (korporat). Kriteria-kriteria dalam KPKU akan dijadikan sebagai acuan untuk menentukan perspektif pada Key Performance Indicators (KPI) Unit yang nantinya akan digunakan dalam penilaian kinerja unit perusahaan.

  Penilaian kinerja unit perusahaan sangat penting dilakukan untuk memudahkan dalam melakukan evaluasi terhadap kinerja setiap unit berdasarkan pencapaian yang telah didapatkan. Namun penilaian kinerja unit perusahaan di PJT

  = evaluasi alternatif a

  (Brans, et al., 1986) (Arsita, 2013): a.

  = fungsi selisih/perbedaan antara evaluasi alternatif a dan b Terdapat enam tipe fungsi preferensi kriteria yang ada dalam PROMETHEE yaitu

  [ ( , )]

  = perbedaan antara evaluasi alternatif a dan b

  d j (a,b)

  = fungsi preferensi alternatif a sehubungan dengan alternatif b

  P ^{j (a,b)}

  ( , ) = [ ( , )] = 1, … , (2)

  Penerapan fungsi preferensi menurut (Behzadian, et al., 2009) dapat dihitung dengan menggunakan Persamaan (2).

  = evaluasi alternatif b 2. Penerapan fungsi preferensi

  ( )

  ( )

  1 Malang dirasa kurang efisien dikarenakan tidak adanya sistem untuk mengolah data penilaian kinerja KPI Unit. Hal ini berdampak pada banyaknya tenaga dan waktu yang dibutuhkan dalam penilaian kinerja unit perusahaan. Selain itu, penilaian secara manual membuat data tidak tersimpan dengan baik sehingga sangat sulit mencari data pada tahun- tahun sebelumnya untuk keperluan analisis

  = perbedaan evaluasi alternatif a dan b

  ( , ) = ( ) − ( ) (1) Dimana: ( , )

  1. Menentukan deviasi berdasarkan perbandingan berpasangan Dalam (Behzadian, et al., 2009), rentang penyimpangan (deviasi) alternatif pada setiap kriteria berdasarkan perbandingan berpasangan dapat ditunjukkan pada Persamaan (1).

  PROMETHEE merupakan salah satu metode perangkingan (urutan) dalam analisis multikriteria. Metode ini dapat dikatakan sebagai metode yang simple, efisien, dan mudah untuk diimplementasikan (Prabowo, 2011). Langkah-langkah metode PROMETHEE terdiri atas lima langkah (Behzadian, et al., 2009) yaitu:

  2.1. Preference Ranking Organization Method for Enrichment Evaluation (PROMETHEE)

  2. METODE

  Berdasarkan penelitian-penelitian yang telah dilakukan sebelumnya, maka penulis mengusulkan sebuah penelitian dengan judul Sistem Pendukung Keputusan Kelompok untuk Penilaian Kinerja Unit Perusahaan Menggunakan Metode PROMETHEE II dan Borda.

  PROMETHEE dipilih karena metode ini mampu menyelesaikan permasalahan yang sifatnya multi kompleks yaitu terdiri atas banyak alternatif dan multicriteria (Doumpos & Zoponudis, 2010)(Imandasari & Windarto, 2017). Selain itu metode ini menyediakan banyak fungsi preferensi yang dapat menyelesaikan berbagai permasalahan sesuai dengan karakteristik data (Akafpour & Hamidi, 2013). Metode Borda dipilih karena secara konseptual sederhana dan merupakan metode peringkat ordinal yang mudah diterapkan (Fishburn & Gehrlein, 1976) (Newenhizen, 1992) (Lansdowne & Woodward, 1996).

  ”. Keluaran yang dihasilkan menunjukkan bahwa alternatif lokasi yang memiliki jumlah poin terbanyak merupakan rekomendasi lokasi terbaik (Apriliani, et al., 2015).

  Berbagai aplikasi telah dibangun dan dikembangkan untuk menyelesaikan permasalahan dalam penilaian kinerja, mulai dari tingkat korporat hingga tingkat karyawan. Salah satunya adalah sistem pendukung keputusan yang dibangun oleh (Apriliani, et al., 2015) dengan judul “Implementasi Metode PROMETHEE dan Borda dalam Sistem Pendukung Keputusan Pemilihan Lokasi Pembukaan cabang Baru Bank

  membutuhkan suatu alternatif untuk memudahkan dalam melakukan penilaian kinerja unit perusahaan.

  trend . Oleh karena itu, PJT 1 Malang

  Kriteria Biasa (Usual Criterion)

  1 H(d)

  H(d)

  Selama d lebih rendah dari p, preferensi pengambil keputusan meningkat secara linier dengan d. Jika d lebih besar dari p, maka terjadi situasi preferensi yang sempurna. Ketika

  decision maker mengidentifikasi beberapa

  kriteria, maka harus menentukan nilai threshold

  preference (Brans, et al., 1986). Grafik fungsi

  untuk kriteria linier atau V-shape ditunjukkan pada Gambar 3.

  Gambar 3. Preferensi linier atau V-shape

  Pada tipe ini terdapat dua jenis threshold yaitu threshold Indifference (q) dan threshold

  preference (p).

  d.

  Kriteria Level Fungsi preferensi level criterion digunakan apabila kriteria kualitatif menggunakan skala lebih dari lima tingkat (Giurca, et al., 2014). Persamaan preferensi tipe kriteria level ditunjukkan pada Persamaan (6).

  ( ) = { 0 ≤ 0,5 < ≤ 1 >

  (6) Dimana:

  = fungsi selisih kriteria antar alternatif

  {d = g(a)−g(b)} p

  d

  = selisih nilai kriteria

  {d = g(a)−g(b)} q

  = nilai kecenderungan penolakan (indifference) harus tetap

  p

  = nilai kecenderungan penerimaan (preference)

  Dalam hal ini, nilai threshold indifference (q) dan nilai threshold indifference (p) secara bersamaan didefinisikan. Jika d terletak di antara

  q dan p, maka terjadi situasi preferensi yang

  lemah (H(d) = 1/2) (Brans, et al., 1986). Grafik fungsi untuk kriteria level ditunjukkan pada Gambar 4.

  d

  1 H(d)

  1 H(d) p d

  = nilai kecenderungan penerimaan (preference)

  = selisih nilai kriteria

  Fungsi preferensi usual criterion type digunakan pada kriteria kualitatif yang menggunakan skala sampai lima tingkat (Giurca, et al., 2014). Persamaan preferensi tipe kriteria biasa ditunjukkan pada Persamaan (3).

  H(d)

  ( ) {0 jika ≤ 0 1 jika > 0 (3)

  Dimana:

  H(d)

  = fungsi selisih kriteria antar alternatif

  d

  = selisih nilai kriteria

  {d = g(a)−g(b)}

  Dalam tipe preferensi ini tidak ada parameter yang harus ditentukan (Brans, et al., 1986). Grafik fungsi preferensi kriteria biasa ditunjukkan pada Gambar 1.

  Gambar 1. Preferensi biasa b.

  Kriteria Quasi (U-shape criterion) Persamaan preferensi tipe kriteria quasi atau U-shape ditunjukkan pada Persamaan (4).

  ( ) {0 jika ≤ 1 jika > (4)

  Dimana:

  = fungsi selisih kriteria antar alternatif

  d

  d

  = selisih nilai kriteria

  {d = g(a)−g(b)} q

  = nilai kecenderungan penolakan (indifference) harus tetap

  Jika para decision maker (DM) ingin menggunakan quasi criterion, maka para DM hanya perlu menentukan nilai q (Brans, et al., 1986). Grafik fungsi untuk kriteria quasi ditunjukkan pada Gambar 2.

  Gambar 2. Preferensi quasi atau U-shape c.

  Kriteria linier (V-shape criterion) Fungsi preferensi linear criterion (V-shape) umumnya digunakan dalam masalah kriteria kuantitatif (Giurca, et al., 2014). Persamaan preferensi tipe kriteria linier atau V-shape ditunjukkan pada Persamaan (5).

  ( ) { 0 jika ≤ 0 jika 0 < ≤ 1 jika >

  (5)

  Dimana:

  H(d)

  = fungsi selisih kriteria antar alternatif

• q q d

  d

  = selisih nilai kriteria

  {d = g(a)−g(b)} H(d)

  = jarak antara titik asal dan titik

  σ

  1

  infleksi kurva Nilai

  σ merupakan jarak antara titik asal dan

  0.5 titik infleksi kurva (Brans & Vincke, 1985).

  Fungsi ini tidak memiliki diskontinuitas untuk

  d

• p -q q p menjamin stabilitas hasil (Brans, et al., 1986).

  Grafik fungsi untuk kriteria gaussian

  Gambar 4. Preferensi level ditunjukkan pada Gambar 6.

  e.

  Kriteria dengan Preferensi Linier dan Area

  H(d) Indifference

  1 Persamaan preferensi tipe kriteria dengan

  preferensi linier dan area indifference ditunjukkan pada Persamaan (7).

  0 ≤ d

  − σ (7)

  < ≤ ( ) = { −

  Gambar 6. Preferensi gaussian 1 >

  Dimana: 3.

  Perhitungan indeks preferensi multikriteria

  H(d)

  = fungsi selisih kriteria antar alternatif Indeks preferensi multikriteria (

  )

  d

  = selisih nilai kriteria

  {d = g(a)−g(b)}

  kemudian didefinisikan sebagai rata-rata dari

  q

  = nilai kecenderungan penolakan fungsi preferensi (Brans, et al., 1986) (Arsita, (indifference) harus tetap

  2013). Bobot yang digunakan menggambarkan

  p

  = nilai kecenderungan penerimaan nilai kepentingan suatu kriteria. Apabila semua (preference) kriteria mempunyai nilai kepentingan yang

  Dalam hal ini, decision maker menganggap sama, maka decision maker dapat memberikan bahwa nilai preferensinya meningkat secara bobot dengan nilai yang sama (Ali, 2013). Untuk linear dari nilai kecenderungan penolakan ke menghitung persamaan indeks preferensi dapat preferensi yang sempurna dengan area yang menggunakan Persamaan (9). terletak antara threshold q dan p. Dua parameter

  (9) ( , ) = ∑ × ( , ) ∶ ∀ , ∈ =1 tersebut harus didefinisikan (Brans, et al., 1986).

  Grafik fungsi untuk tipe kriteria dengan Dimana: preferensi linier dan area indifference

  w j

  = bobot kriteria bernilai lebih dari 0 ditunjukkan pada Gambar 5.

  P j (a,b)

  = nilai derajat preferensi ketika a dibandingkan dengan b

  H(d) 4.

  Perhitungan PROMETHEE I (partial

  1 ranking )

  Perankingan PROMETHEE I didasarkan pada nilai leaving flow dan entering flow (Brans

  d

• p -q q p & Vincke, 1985). Arah preferensi dihitung

  berdasarkan pertimbangan nilai leaving flow

  − +

  ( ), entering flow ( ), dan net flow (

  Gambar 5. Preferensi linier dan area indifference

  ) (Arsita, 2013). Penentuan urutan PROMETHEE f. Kriteria Gaussian

  I dilakukan dengan cara sebagai berikut: Tipe preferensi ini membutuhkan a.

  Leaving flow penentuan parameter

  σ, yang diperoleh dari

  Perhitungan nilai leaving flow ditunjukkan distribusi normal dalam statistik (Brans, et al., pada Persamaan (10). 1986). Persamaan preferensi tipe kriteria

  1

• (10)

  ∑ ( ) = ( , )

  gaussian ditunjukkan pada Persamaan (8). ∈

  −1 0 jika ≤ 0

  Dimana:

• + (8)

  ( ) {

  2

  = leaving flow / positive outranking

  ( ) 1 − − jika > 0 2 2 flow

  Dimana:

  n

  = jumlah alternatif

  H(d)

  = fungsi selisih kriteria antar alternatif = menunjukkan preferensi bahwa

  ( , )

  (12) Dimana:

  = jumlah nilai alternatif dari tabel indeks preferensi secara horizontal _c.

  = ∑ −

  = jumlah poin yang diterima setiap alternatif

  N

  = jumlah alternatif = peringkat alternatif

  Metode ini memiliki fitur tambahan untuk dapat menetapkan bobot ke kriteria alternatif. Metode voting Borda secara konseptual sederhana dan mungkin merupakan metode peringkat ordinal yang paling mudah untuk diterapkan. Para ahli teori voting telah menunjukkan bahwa metode Borda adalah metode voting yang optimal terhadap beberapa standar, seperti meminimalkan jumlah dan jenis paradoks voting (Fishburn & Gehrlein, 1976) (Newenhizen, 1992) (Lansdowne & Woodward, 1996).

  2.3. Data Penelitian

  Data yang digunakan dalam penelitian ini adalah data penilaian kinerja unit perusahaan menggunakan KPI pada bulan Januari 2017 hingga bulan Desember 2017 di Perum Jasa Tirta

  1 Malang. Unit perusahaan yang digunakan berjumlah enam unit dari 18 unit perusahaan. Pemilihan enam unit tersebut didasarkan pada tupoksi masing-masing unit. Keenam unit ini nantinya dijadikan sebagai alternatif dengan lima kriteria penilaian. Unit perusahaan atau alternatif yang digunakan ditunjukkan pada Tabel 1.

  − ( )

  ( ) =

  flow (Brans & Vincke, 1985). Perhitungan nilai net flow ditunjukkan pada Persamaan (12).

  II (peringkat lengkap) didasarkan pada nilai net

  Perankingan pada PROMETHEE

  ranking )

  ∑ ∈

  b i

  1 −1 ∑ ( , )

  alternatif a lebih baik dari alternatif x

  ∑ ∈

  = jumlah nilai alternatif dari tabel indeks preferensi secara horizontal b.

  Entering flow Perhitungan nilai entering flow ditunjukkan pada Persamaan (11).

  − ( ) =

  ∈

  = menunjukkan preferensi bahwa alternatif a lebih baik dari alternatif x

  (11) Dimana:

  − ( )

  = entering flow / negative

  outranking flow n

  = jumlah alternatif

  ( , )

  (13) Dimana:

5. Perhitungan PROMETHEE II (complete

• ( ) −

  Metode Borda adalah metode pemilihan posisi yang relatif sederhana untuk menentukan peringkat alternatif dengan mengevaluasi jumlah total poin yang ditetapkan untuk masing-masing alternatif (Lansdowne & Woodward, 1996). Dalam metode voting Borda, masing-masing pengambil keputusan (decision maker ) menempatkan alternatif pilihan ke dalam peringkat. Jika ada n alternatif pilihan, peringkat pertama memiliki poin sebesar (n-1), peringkat kedua memiliki poin sebesar (n

  flow

  = entering flow / negative outranking

  ( )

  flow −

  ( ) = Net flow

• ( ) = leaving flow / positive outranking

  Tabel 1. Alternatif (unit perusahaan) Kode Alternatif Nama Unit

2.2. Borda

  A1 DJA I A2 DJA II A3 DJA III A4 DJA IV A5 DJA V A6 DJA VI

  Sedangkan kriteria penilaian yang digunakan dapat dilihat pada Tabel 2.

  Tabel 2. Kriteria penilaian Kode Kriteria Nama Kriteria

  C1 Keuangan dan pasar C2 Fokus pelanggan C3 Efektifitas produk dan proses C4 Fokus tenaga kerja C5 Kepemimpinan, tata kelola, dan tanggungjawab kemasyarakatan

• –2), dan seterusnya, hingga peringkat terakhir memiliki poin sebesar 0 (Lansdowne & Woodward, 1996). Poin-poin yang dimiliki setiap alternatif dari masing-masing pengambil keputusan dijumlahkan untuk menentukan pemenang. Alternatif yang mendapat poin terbanyak dianggap sebagai alternatif terbaik (Wang & Leung, 2004). Perhitungan jumlah poin Borda dapat dihitung dengan Persamaan 2.13.

  2.4. Pemodelan Sistem Pendukung Keputusan Kelompok (SPKK)

  Terdapat beberapa tahapan pada pemodelan sistem pendukung keputusan kelompok untuk penilaian kinerja unit perusahaan menggunakan

  A

  metode PROMETHEE II dan Borda. Tahapan- tahapan tersebut yaitu:

  Menentukan deviasi berdasarkan 1.

  Masing-masing decision maker mem- perbandingan berpasangan berikan bobot pada setiap kriteria penilaian.

2. Bobot tersebut kemudian diproses meng-

  Penerapan Fungsi Preferensi

  gunakan metode PROMETHEE II pada setiap decision maker dengan tujuan

  Menghitung Indeks Preferensi

  memperoleh hasil perangkingan setiap decision maker .

  Perhitungan PROMETHEE I 3.

  Hasil perangkingan setiap decision maker

  Partial Ranking

  diolah menggunakan metode Borda untuk mendapatkan hasil akhir atau keputusan

  Perhitungan PROMETHEE II kelompok.

  Complete Ranking

  Gambaran pemodelan sistem pendukung keputusan kelompok untuk penilaian kinerja unit

  Perangkingan Alternatif perusahaan ditunjukkan pada Gambar 7. Direktur I (DM 1) Direktur II (DM 2) Selesai

  Gambar 8. Diagram alir PROMETHEE II

  Metode Borda digunakan untuk

PROMETHEE II PROMETHEE II

  pengambilan keputusan kelompok ber-dasarkan beberapa decision maker (DM). Berikut

  Borda

  merupakan diagram algoritme metode Borda

  web yang ditunjukkan pada Gambar 9.

  Hasil Mulai

  Gambar 7. Pemodelan sistem pendukung keputusan kelompok penilaian kinerja unit Hasil rangking DM1, Hasil rangking DM2

2.5. Perancangan Algoritme

  Memberikan Poin setiap Alternatif

  Metode yang digunakan dalam penelitian

  pada masing-masing Decision Maker ini yaitu PROMETHEE II dan metode Borda.

  Untuk memudahkan dalam memahami proses

  Menjumlahkan Poin setiap Alternatif

  perhitungan digunakan diagram alir algoritme

  dari semua Decision Maker

  PROMETHEE II yang ditunjukkan pada Gambar 8.

  Perangkingan Alternatif Mulai Output: Hasil Perangkingan Data konversi alt, Bobot Kriteria Kelompok

  Selesai A Gambar 9. Diagram alir Borda

  3. PENGUJIAN DAN ANALISIS

  Pengujian yang digunakan adalah pengujian akurasi. Akurasi merepresentasikan kedekatan atau kesesuaian nilai hasil pengukuran terhadap nilai yang sebenarnya. Perhitungan pengujian akurasi ditunjukkan pada Persamaan (14).

  ∑ − ∑ Tabel 4.Tingkat kepentingan pada pengujian bobot 1

  (14)

  = × 100% ∑

  Bobot DM1 DM2

  Pengujian dilakukan dengan cara Tingkat kepentingan 1 C3 > C1 > C2 C1 > C2 > C3

  > C4 = C5 > C4 = C5

  membandingkan hasil keputusan kelompok

  Tingkat kepentingan 2 C3 > C1 > C2 C1 > C2 > C3

  yaitu jumlah poin borda dengan skor KPI yang

  > C4 > C5 > C4 > C5

  diperoleh dari PJT 1 Malang. Penilaian kinerja

  Tingkat kepentingan 3 C3 > C1 > C4 C1 > C2 > C4

  unit menggunakan KPI memiliki dua rentang

  > C2 > C5 > C3 > C5

  nilai dalam pencapaian kinerja, yaitu untuk skor a.

  Tingkat kepentingan 1

  KPI kurang dari 100 maka pencapaian kinerja Pada pengujian ini menggunakan tingkat yang diperoleh adalah “Tidak Tercapai”, kepentingan bobot pada masing-masing DM sehingga jika skor KPI lebih atau sama dengan yaitu C3 > C1 > C2 > C4 dan C4 = C5 untuk 100 maka pencapaian kinerjanya adalah DM1, dan tingkat kepentingan bobot pada DM2 “Tercapai”. adalah C1 > C2 > C3 > C4 dan C4 = C5. Grafik

  Pengujian pada penelitian ini mengusulkan pengujian bobot pada tingkat kepentingan 1 lima range nilai untuk mencapai pencapaian ditunjukkan pada Gambar 10. kinerja yang didasarkan pada jumlah alternatif. Penentuan range ini bertujuan untuk mengetahui

  100

  batas nilai dalam pencapaian kinerja sehingga

  90 )

  80 (%

  dapat dikata kan kinerja “Tercapai” atau “Tidak

  I S

  Tercapai”. Penentuan range pencapaian kinerja

  70 ditunjukkan Tabel 3.

  60 KURA A Tabel 3. Range skor Borda dan range KPI

  50 Prestasi Kinerja Range Skor

  40 Tidak Tercapai Tercapai R 1 R 2 R 3 R 4 R 5

  Range 1

  2 0 − 1 – 10 RANGE

  Range 2

  3

• – 2 – 10

  Range 3

  4

• – 3 – 10 w1 w2 w3 w4 w5

  Range 4

  5

• – 4 – 10

  Range 5

  6

• – 5 – 10 Gambar 10. Rata-rata akurasi tingkat kepentingan 1

  Range KPI < 100 ≥ 100 b.

  Tingkat kepentingan 2

  Pengujian dilakukan dalam dua tahapan Pada pengujian ini menggunakan tingkat yaitu pengujian bobot dan pengujian jumlah kepentingan bobot pada masing-masing DM data. yaitu C3 > C1 > C2 > C4 > C5.untuk DM1, dan

3.1. Pengujian Bobot

  tingkat kepentingan bobot pada DM2 adalah C1 Pengujian bobot dibagi dalam dua skenario

  > C2 > C3 > C4 > C5. Grafik pengujian bobot yaitu skenario uji coba 1 dan skenario uji coba 2. pada tingkat kepentingan 2 ditunjukkan pada Gambar 11.

3.1.1. Skenario Uji Coba 1

  100

  Skenario uji coba pertama dilakukan

  90

  dengan mengubah bobot pada masing-masing

  ) Decision Maker (DM) dengan mengacu pada

  80 (%

  I S

  bobot KPI PJT 1 Malang dan pembobotan pada

  70

  unit eksternal perusahaan. DM1 merupakan

  KURA

  60 A

  Direktur I yang menangani unit eksternal

  50

  sehingga penentuan bobot mengacu pada

  40

  pembobotan unit eksternal. DM2 merupakan

  R 1 R 2 R 3 R 4 R 5

  Direktur II yang menangani unit internal

  RANGE

  sehingga penentuan bobot didasarkan pada

  w1 w1 w3 w4 w5 pembobotan pada PJT 1 Malang.

3.1.1.1 Pengujian Bobot 1

  Gambar 11. Rata-rata akurasi tingkat kepentingan 2

  Pada pengujian bobot 1 terdiri atas tiga c.

  Tingkat kepentingan 3

  macam tingkat kepentingan bobot masing- Pada pengujian ini menggunakan tingkat masing DM. Tingkat kepentingan tersebut kepentingan bobot pada masing-masing DM ditunjukkan pada Tabel 4. yaitu C3 > C1 > C4 > C2 > C5 untuk DM1, dan tingkat kepentingan bobot pada DM2 adalah C1 > C2 > C4 > C3 > C5. Grafik pengujian bobot pada tingkat kepentingan 3 ditunjukkan pada Gambar 12.

  Gambar 12. Rata-rata akurasi tingkat kepentingan 3

  80

  60

  70

  80

  90 100 R 1 R 2 R 3 R 4 R 5 A KURA S

  I (% )

  RANGE w1 w2 w3 w4 w5

  50

  60

  70

  90 100 R 1 R 2 R 3 R 4 R 5 A KURA S

  40

  I (% )

  RANGE w1 w2 w3 w4 w5

  50

  60

  70

  80

  90 100 R 1 R 2 R 3 R 4 R 5 A KURA S

  I (% )

  RANGE w1 w2 w3 w4 w5

  50

  RANGE w1 w2 w3 w4 w5

3.1.1.2. Pengujian Bobot 2

  Gambar 15. Rata-rata akurasi tingkat kepentingan 6 f.

  Tingkat kepentingan 4 Pada pengujian ini menggunakan tingkat kepentingan bobot pada masing-masing DM yaitu C3 > C1 > C2 > C4 dan C4 = C5 untuk DM1, dan tingkat kepentingan bobot pada DM2 adalah C1 > C3 > C2 > C4 dan C4 = C5. Grafik pengujian bobot pada tingkat kepentingan 4 ditunjukkan pada Gambar 13.

  Gambar 13. Rata-rata akurasi tingkat kepentingan 4 b.

  Tingkat kepentingan 5

  Pada pengujian ini menggunakan tingkat kepentingan bobot pada masing-masing DM yaitu C3 > C1 > C2 > C5 > C4 untuk DM1, dan tingkat kepentingan bobot pada DM2 adalah C1 > C3 > C2

  ≥ C4 > C5. Grafik pengujian bobot pada tingkat kepentingan 5 ditunjukkan pada Gambar 14.

  Gambar 14. Rata-rata akurasi tingkat kepentingan 5

  3.1.1.3. Pengujian Bobot 3

  Pada pengujian ini menggunakan tingkat kepentingan bobot pada masing-masing DM yaitu C1 > C3 > C2

  ≥ C4 > C5 untuk DM1, dan tingkat kepentingan bobot pada DM2 adalah C1 > C3 > C2 dan C4 = C5. Grafik pengujian bobot pada tingkat kepentingan 6 ditunjukkan pada Gambar 15.

  Pada pengujian bobot 2 dibagi menjadi dua tingkat kepentingan yaitu: a.

  I (% )

  3.1.2. Skenario Uji Coba 2

  Uji coba skenario kedua dilakukan dengan mengkombinasikan bobot DJA yang telah ditetapkan pada setiap unit perusahaan. Sehingga terdapat enam kombinasi bobot untuk penentuan bobot pada DM1 dan DM2.

  a.

  DJA I dan DJA II-IV b. DJA I dan DJA V c. DJA I dan DJA VI d. DJA II-IV dan DJA V e. DJA II-IV dan DJA VI

  40

  50

  60

  70

  80

  90 100 R 1 R 2 R 3 R 4 R 5 A KURA S

  Berdasarkan pengujian bobot pada tingkat kepentingan ke-1 sampai ke-6 yang telah dilakukan pada skenario pertama, dapat disimpulkan bahwa akurasi tertinggi dicapai pada range 1. Semakin tinggi range yang digunakan maka akurasi yang didapat semakin menurun. Akurasi terbaik yang diperoleh yaitu sebesar 83,3333% pada tingkat kepentingan 4.

  DJA V dan DJA VI Keenam kombinasi bobot di atas kemudian dihitung nilai akurasi pada setiap range yang ditunjukkan pada Tabel 3 sehingga didapatkan rata-rata akurasi selama satu tahun pada setiap

  50

  70

  80

  90 100 R A N G E 1 R A N G E 2 R A N G E 3 R A N G E 4 R A N G E 5 A KURA S

  I (% )

  RANGE w1 w2 w3 w4 w5 w6

  77,77777 778 86,11111 111

  79,62962 963 83,33333 333

  60

  range . Grafik hasil uji coba bobot pada skenario 1 ditunjukkan pada Gambar 16.

  70

  80

  90 100

  18

  36

  54

  ra si (% )

  Jumlah Data

  60

  50

  Untuk pengembangan penelitian selanjutnya dapat digunakan metode Multi Criteria Decision Making lainnya. Metode voting lainnya juga dapat dilakukan pada penelitian selanjutnya.

  c.

  Gambar 16. Rata-rata akurasi kombinasi bobot DJA

  Berdasarkan Grafik 16 dapat disimpulkan bahwa ketika range dinaikkan, maka akurasi cenderung menurun. Sehingga dapat dikatakan akurasi terbaik dicapai ketika menggunakan

  range

  1. Akurasi tertinggi dicapai pada percobaan bobot w3, w4, dan w5 sebesar 75%.

  Pengujian jumlah data dilakukan untuk mengetahui akurasi terbaik berdasarkan jumlah data uji yang digunakan. Pengujian dilakukan pada beberapa kali percobaan dengan jumlah data uji sebanyak 18, 36, 54, dan 72. Bobot terbaik dan range terbaik pada pengujian sebelumnya digunakan untuk menguji jumlah data. Bobot yang digunakan ditunjukkan pada Tabel 5.

  Tabel 5. Bobot terbaik pada pengujian bobot

  DM1 0,350 0,150 0,400 0,050 0,050 DM2 0,400 0,150 0,350 0,050 0,050

  Grafik pengujian jumlah data ditunjukkan pada Gambar 17.

  Berdasarkan grafik pada Gambar 17 menunjukkan bahwa akurasi terbaik sebesar 86,1111% dicapai pada saat menggunakan data uji dengan jumlah 36. Besar kecilnya akurasi yang didapatkan dipengaruhi oleh persebaran data yang digunakan kurang merata. Hal ini mengakibatkan akurasi yang dicapai mengalami kondisi fluktuatif.

  4. KESIMPULAN

  Berdasarkan hasil penelitian yang telah dilakukan pada sistem pendukung keputusan kelompok penilaian kinerja unit perusahaan menggunakan metode PROMETHEE II dan Borda, maka kesimpulan yang didapatkan adalah metode PROMETHEE II dan Borda dapat diterapkan untuk penilaian kinerja unit perusahaan di PJT 1 Malang.

  Berdasarkan hasil analisis pengujian bobot, akurasi terbaik diperoleh pada percobaan ke-3, ke-4 dan ke-5 pada tingkat kepentingan bobot keempat sebesar 83,3333% dengan menggunakan range 1. Semakin besar range yang digunakan, maka akurasi yang diperoleh semakin menurun. Tingkat kepentingan bobot kriteria pada C1 dan C3 mempunyai pengaruh yang besar pada masing-masing decision maker. Sedangkan berdasarkan hasil analisis pengujian jumlah data diperoleh akurasi tertinggi sebesar 86,1111% pada saat menggunakan data uji sebanyak 36 data. Akurasi mengalami kondisi fluktuatif dikarenakan persebaran data uji yang kurang merata.

3.2. Pengujian Jumlah Data

  5. SARAN

  Saran yang dapat disampaikan untuk pengembangan penelitian selanjutnya adalah: a.

  Sistem dapat menambahkan kriteria penilaian beserta sub kriteria apabila terjadi penambahan kriteria kedepannya. Penentuan bobot kriteria dapat dilakukan menggunakan salah satu metode pembobotan.

C1 C2 C3 C4 C5

  b.

  Sistem dapat melakukan penilaian kinerja unit semua perusahaan, baik unit internal maupun eksternal. Sehingga unit perusahaan yang memiliki tupoksi yang tidak serupa dapat dinilai berdasarkan kriteria yang telah disediakan.

72 Aku

  Gambar 17. Grafik akurasi pengujian jumlah data

6. DAFTAR PUSTAKA

  Rule, Positional Voting, and Condorcet's Simple Majority Principle. Public Choice, 28(1), pp. 79-88.

  Organisasi dengan Menggunakan Konsep Balanced Scorecard pada PT Bank Jateng Semarang. Semarang: Universitas Diponegoro.

  Semarang: Universitas Diponegoro. Zudia, M., 2010. Analisis Penilaian Kinerja

  dengan Menggunakan Pendekatan Balanced Scorecard (Studi Kasus Pada Perusahaan Mebel PT. Jansen Indonesia).

  Widodo, I., 2011. Analisis Kinerja Perusahaan

  fully private borda voting protocol with universal verifiability. s.l., COMPSAC.

  Wang, C. W. & Leung, H. L., 2004. A secure and

  Prabowo, F. H., 2011. Penerapan Metode PROMETHEE dalam Menentukan Prioritas Pinjaman Kredit Pemilikan Rumah (KPR IB) Kepada Nasabah Debitur. pp. 1-13.

  Newenhizen, J. V., 1992. The Borda Method Is Most Likely to Respect the Condorcet Principle. Springer, 2(1), pp. 69-83.

  SPRING: Air Force Journal & Logistics, XX(2), pp. 27-29.

  Applying the Borda Ranking Method.

  Lansdowne, L. F. & Woodward, B. S., 1996.

  Pendukung Keputusan dalam Merekomendasikan Unit Terbaik di PDAM Tirta Lihou Menggunakan Metode PROMETHEE. Jurnal Teknologi dan Sistem Komputer, V(4), pp. 159-165.

  Bucharest, In Proceedings Of The 8th International Management Conference. Imandasari, T. & Windarto, A. P., 2017. Sistem

  Giurca, I., Aschilean, I., Safirescu, C. O. & Muresan, D., 2014. Choosing Photovoltaic Panels Using the PROMETHEE Method.

  Akafpour, A. & Hamidi, N., 2013. Improved techniques PROMETHEE preference for the changed conditions. Technical Journal of Engineering and Applied Sciences, pp. 3681-3687. Ali, G., 2013. Sistem Pendukung Keputusan

  Penentuan Jabatan Struktural Menggunakan Metode PROMETHEE.

  Estuningsari, E. R., Setyanto, N. W. & Efranto, R. Y., 2013. Pengukuran Kinerja Perusahaan Berbasis Kriteria Penilaian Kinerja Unggul (KPKU) BUMN (Studi Kasus: Perum Jasa Tirta 1 Malang). pp.

  Doumpos, M. & Zoponudis, C., 2010. A multicriteria decision support system for bank rating. Decision Support Systems, Issue 50, pp. 50-63.

  Journal of Operational Research, pp. 228- 238.

  How to Select and How to Rank Projects: The PROMETHEE Method. European

  Brans, J. P., Vincke, P. & Mareschal, B., 1986.

  Brans, J. P. & Vincke, P. H., 1985. A Preference Ranking Organization Method (The Promethee Method for Multiple Criteria Decision Making). Management Scient, 31(6), pp. 647-656.

  European Journal of Operational Research 200 (2010), pp. 198-215.

  & Aghdasi, M., 2009. PROMETHEE: A Comparison Literature Review on Methodologies and Applications.

  Behzadian, M., Kazemzadeh, R. B., Albadvi, A.

  Darma, IV(2), pp. 1-9.

  Arsita, R., 2013. Sistem Pendukung Keputusan Penerima Jaminan Kesehatan Masyarakat (JAMKESMAS) dengan Metode PROMETHEE (Studi Kasus: Tegal Sari Mandala-I). Pelita Informatika Budi

  Implementasi Metode Promethee dan Borda Dalam Sistem Pendukung Keputusan Pemilihan Lokasi Pembukaan Cabang Baru Bank. Jurnal Sistem Informasi Bisnis, pp. 145-150.

  Apriliani, D., Adi, K. & Gernowo, R., 2015.

  Eksplora Informatika, pp. 181-192.

  476-487. Fishburn, P. C. & Gehrlein, W. V., 1976. Borda's