Sistem Pendukung Keputusan Pemilihan Kepala Divisi Baru FBS Hotel Menara Lexus Menggunakan Metode ROC dan MABAC
Sarmalia Situmorang
Fakultas Ilmu Komputer dan Teknologi Informasi, Program Studi Teknik Informatika, Universitas Budi Darma, Medan, Indonesia Email : sarmaliasitumorang05@gmail.com
Abstrak-Hotel Menara Lexus merupakan salah satu usaha yang yang bergerak di bidang penginapan melalui penyediaan layanan kamar dan penyedia makanan dan minuman. FBS atau Food Bervarage Service merupakan bagian dari unit sektor perhotelan yang mengurus dan bertanggung jawab atas kebutuhan food service dan kebutuhan lainnya serta dikelola secara profesional dan komersial. Dalam pemilihan kepala divisi baru FBS pada Hotel Menara Lexus, terkadang sulit untuk memilih dan mengidentifikasi kandidat yang tepat melalui data langsung dan melakukan sistem evaluasi yang masih subjektif. Terkadang kesalahan dalam proses seleksi mengakibatkan hasil perkerjaan yang kurang optimal, yang dapat menjadi penghalang bagi kinerja karyawan. Dalam penyelesaian masalah yang ada maka digunakan metode ROC dan MABAC. Metode ROC digunakan sebagai cara dalam meyelesaikan permasalahan pencarian nilai bobot kriteria, sedangkan metode MABAC digunakan pada penyeleksian kandidat yang dipromosikan sebagai kepala divisi baru. Hasil dalam penelitian yang diadakan dengan menganalisis kedua metode yang digunakan bahwa penerapan metode ROC dan MABAC menghasilkan sebuah informasi kandidat yang memiliki skor nilai tertinggi yakni Nehemia dengan nilai 0,41 dalam proses penyeleksian berlangsung.
Kata Kunci : Sistem Pendukung Keputusan;Pemilihan;Kepala Divisi;ROC;MABAC
Abstract-Hotel Menara Lexus is a business engaged in the field of lodging through the provision of room service and food and beverage providers. FBS or Food Bervarage Service is part of the hotel sector unit that manages and is responsible for food service needs and other needs and is managed professionally and commercially. In selecting the head of the new FBS division at the Menara Lexus Hotel, it is sometimes difficult to select and identify the right candidate through direct data and conducting an evaluation system that is still subjective. Sometimes errors in the selection process result in less than optimal work result s, which can be a barrier to employee performance. In solving existing problems, the ROC and MABAC methods are used. The ROC method is used as a way to solve the problem of searching for criteria weight values, while the MABAC method is used in selecting candidates to be promoted as new division heads. The results in the research conducted by analyzing the two methods used were that the application of the ROC and MABAC methods produced a candidate information that had the highest score, namely Nehemia with a value of 0.41 in the selection process.
Keywords: Decision Support System;Election;Head of Division;ROC;MABAC
1. PENDAHULUAN
Sumber daya manusia yang baik tentunya dipengaruhi oleh segala aspek yang menunjang keberhasilan kinerja suatu perusahaan, terutama dalam hal kualitas sumber daya manusia yang meningkatkan produktivitas. Dalam hal ini diperlukan adanya sumber daya manusia yang dapat melaksanakan tugas sesuai dengan jabatan yang diperoleh. Divisi merupakan bagian dari suatu industri yang bertangung jawab atas area dan fungsi tertentu untuk masing-masing otoritas. Dalam sebuah perusahaan khususnya di bidang perhotelan tentunya dipimpin oleh seorang kepala divisi atau departemen yang bertanggung jawab atas pelaksanaan dan pengawasan divisi yang dipimpimya [1].
Hotel Menara Lexus merupakan salah satu usaha yang yang bergerak di bidang penginapan melalui penyediaan layanan kamar dan penyedia makanan dan minuman. FBS atau Food Bervarage Service merupakan bagian dari unit sektor perhotelan yang mengurus dan bertanggung jawab atas kebutuhan food service dan kebutuhan lainnya serta dikelola secara profesional dan komersial. Saat pemilihan kepala divisi baru FBS pada Hotel Menara Lexus, terkadang sulit untuk memilih dan mengidentifikasi kandidat yang tepat melalui data langsung dan melakukan sistem evaluasi yang masih subjektif. Terkadang kesalahan dalam proses seleksi mengakibatkan hasil perkerjaan yang kurang optimal, yang dapat menjadi penghalang bagi kinerja karyawan [1]-[2].
Dalam proses penyelesaian masalah yang ada, penulis menggunakan metode Multi-Attributive Border Approximation Area Comparison (MABAC) dalam menyeleksi kandidat kepala divisi baru FBS pada Hotel Menara Lexus. Metode Multi-Attributive Border Approximation Area Comparison (MABAC) merupakan salah satu metode dalam pengambilan keputusan yang dapat melakukan perbandingan multikriteria dengan jenis keputusan multi alternatif. Metode MABAC digunakan karena memiliki nilai solusi yang stabil (konsisten) dan sangat baik dalam mendukung pengambilan keputusan yang rasional [3].
Pada proses pemilihan kepala divisi baru tentunya melibatkan beberapa kriteria yang akan dijadikan sebagai indikator dalam penilaian kandidat, hal tersebut metode Rank Order Centroid (ROC) digunakan sebagai metode dalam pembobotan nilai pada setiap kriteria. Pembobotan kriteria menggunakan Rank Order Centroid (ROC) dinilai dari seberapa mudah memberikan bobot pada kriteria. Indikator penilaian kandidat digunakan sesuai dengan aturan pada Hotel Menara Lexus, sehingga kriteria ini akan menjadi tolak ukur untuk mengvaluasi pemilihan kandidat [4].
2. METODOLOGI PENELITIAN
2.1 Kerangka Kerja Penelitian
Kerangka kerja merupakan suatu bentuk prosedur penelitian yang dapat digunakan sebagai pendekatan dalam pemecahan masalah. Adapun kerangka kerja penelitian yang dapat digambarkan sebagai berikut :
Gambar 1. Tahapan Penelitian 2.2 Sistem Pendukung Keputusan
Sistem pendukung keputusan merupakan suatu informasi yang berbasis komputer menghasilkan berbagai altenatif keputusan untuk membantu manajemen dalam menangani berbagai permasalahan yang terstruktur maupun tidak terstruktur dengan menggunakan data dan model [5]. Sistem pendukung keputusan merupakan sebuah sistem informasi spesifik yang tertuju dalam membantu manajemen untuk mengambil keputusan yang berkaitan dengan persoalan yang bersifat semi terstruktur [6].
2.3 Divisi
Divisi adalah bagian-bagian di dalam industri yang menanggulangi satu bidang tertentu serta mempunyai fungsi serta kewenangannya masing-masing. Divisi dalam industri dimaksud dengan unit bisnis. Divisi di dalam perusahaan dipandu oleh kepala divisi yang bertugasa buat melaksanakan serta menjalankan pengawasan terhadap divisi yang dipimpinya[7].
2.4 Food and Beverage Service (FBS)
Food and Bevarage Service adalah suatu bagaian yang bertugas dan bertanggung jawab terhadapa pelayanan makanan dan minuman bagi para tamu.
Adapun beberapa fungsi F & B Service anatar lain:
1) Melayani makanan dan minuman. Pelayanan ini dilakukan direstoran, bar, kamar tamu, dan di luar hotel (cattering).
2) Mendatangkan dan meningkatkan keuntungan bagi pihak manajemen.
3) Memelihara kebersihan dan keutuhan peralatan di F&B yang dilakukan oleh seksi steward.
4) Memberikan pelayanan dan menjaga hubungan yang baik dan harmonis kepada semua tamu yang datang ke hotel.
2.5 Metode Rank Order Centroid (ROC)
Teknik ROC memberikan bobot terhadap setiap kriteria sesuai pada rangking penilaian berdasarkan tingkat yang diutamakan. Kelebihan pembobotan ROC yaitu pengambilan keputusan dapat menentukan urutan tingkat prioritas tersebut dimulai dari urutan peringkat ke-1 dan seterusnya yang menunjukkan kriteria yang lebih diprioritaskan hingga akhir kriteria [8]-[9]. Misalnya terdapat n kriteria, dengan “kriteria 1 lebih penting dari kriteria 2, kriteria 2 lebih penting dari kriteria 3” dan selanjutnya sampai pada kriteria ke-n, maka w1 ≥ w2 ≥ w3 ≥ ... ≥ wn.
Operasi ini dapat dirumuskan dengan (jika ada K kriteria):
W1 ≥ W2 ≥ W3 ... ... ... ≥ Wk
W1 = (1 +
1
2 + 13 +⋯+ 1k)
𝑘
W2 = (0 +
1
2 + 13 +⋯ + 1k)
𝑘 (1)
W3 = (0 + 0+
1 3 +⋯ + 1k)
𝑘
Suatu batasan, jika K adalah jumlah kriteria, maka bobot pada setiap kriteria ke K adalah : Wk = 1
𝑘 ∑ 1
𝑖
𝑘𝑖=𝑘 (2)
Keterangan :
W = Nilai bobot kriteria K = Jumlah kriteria i = Nilai alternatif 2.6 Metode MABAC
Metode MABAC dikembangkan oleh Pamucar and Cirovic, Asumsi dasar dari Metode MABAC adalah tercermin dalam defenisi jarak kriteria dari setiap alternatif yang diamati dari perbatasan perkiraan area [10]-[7]. Dalam bagian tersebut disajikan prosedur pelaksanaan metode MABAC, yaitu formulasi matematis, yang terdiri dari 6 langkah sebagai berikut:
1. Membuat matriks keputusan awal (X).
Pada langkah ini adanya evaluasi alternatif dengan kriteria dimana alternatif disajikan dalam bentuk vektor.
C1 C2 ... Cn
A1 x11 x12 ... x1n
A2 x11 x22 ... x2n
X = ... ... ... ... ... (3)
Am x1m x2m ... xmn
Dimana :
m = nomor alternatif.
n = jumlah total kriteria.
2. Normalisasi elemen matriks awal (N).
Elemen matriks ternormalisasi (N) diperoleh dengan menerapkan rumus : Jenis Kriteria Untuk Benefit
tij = 𝑋𝑖𝑗− 𝑋𝑖
−
𝑋𝑖+− 𝑋+− (4)
Jenis Kriteria Untuk Cost : tij = 𝑋𝑖𝑗− 𝑋𝑖
+
𝑋𝑖−− 𝑋++ (5)
Dimana :
𝑋𝑖+ = Mewakili nilai maksimum dari kriteria yang diamati oleh alternatif.
𝑋𝑖− = Mewakili nilai minimum dari kriteria yang diamati oleh alternatif.
3. Perhitungan elemen matriks tertimbang (V).
Vij = (Wi * tij) + Wt (6)
Dimana :
Wi = Menyajikan koefisien bobot kriteria.
tij = Menyajikan elemen matriks yang dinormalisasikan.
4. Penentuan matriks area perkiraan perbatasan (G).
Gi = [∏𝑗=1𝑚 vij]1/m (7)
Dimana :
Vij = Menampilkan elemen matriks berbobot.
m = Menyajikan jumlah total alternatif.
5. Perhitungan elemen matriks jarak alternatif dari perkiraan perbatasan (Q).
Q = V – G (8)
6. Perengkingan alternatif.
Perhitungan nilai-nilai fungsi keriteria degan alternatif diperoleh sebagai jumlah dari jarak alternatif dari daerah perkiraan perbatasan. Menjumlahkan elemen matriks Q dengan garis diperoleh nilai akhir dari fungsi kriteria alternatif.
Si = ∑𝑛𝑗=1𝑞𝑖𝑗, 𝑗 = 1,2,3,4 … 𝑛, 𝑖 = 1,2, … … 𝑚 (9) Dimana :
n = menyajikan jumlah kriteria.
m = menyajikan sejumlah alternatif.
3. HASIL DAN PEMBAHASAN
3.1 Analisa Data
Data yang digunakan dalam penelitian ini yaitu data penilaian pada setiap kriteria pemilihan kepala divisi fbs baru.
Dalam memilih kepala divisi fbs, kriteria yang digunakan sebagai indikator penilaian antara lain : Tabel 1. Data Kriteria
Kode Keterangan C1 Kepemimpinan
C2 Kemampuan Problem Solving C3 Komunikasi
C4 Tanggung Jawab C5 Pendidikan
Berdasarkan masing-masing data sampel, maka perlu dilakukan pengkonversian data kedalam bentuk bilangan fuzzy seperti pada gambar dibawah ini:
Gambar 2. Grafik Fuzzy Keterangan:
SB : Sangat Baik B : Baik CB : Cukup Baik C : Cukup BK : Buruk
Berikut adalah nilai bilangan interval fuzzy seperti pada tabel dibawah : Tabel 2. Nilai Fuzzy
Keterangan Nilai Sangat Baik 5
Baik 4
Cukup Baik 3
Cukup 2
Buruk 1
3.2 Penerapan Metode Rank Order Centroid (ROC)
Dalam kriteria pemilihan kepala divisi baru fbs masih belum memiliki nilai bobot kriteria, maka digunakan metode Rank Order Centroid (ROC) sebagai pembobotan kriteria [11]-[12]. Langkah-langkah dalam pembobotan kriteria pemilihan dengan menggunakan rumus sebagai berikut:
Wk = 𝑘1 ∑ 1
𝑖 𝑘𝑖=𝑘
W1 = 1+
1
2 + 13 + 14 + 15 5 = 2,28
5 = 0,46 W2 = 0+
1
2 + 13 + 14 + 15 5 = 1,28
5 = 0,26 W3 = 0+ 0 +
1 3 + 14 + 15
5 = 0,78
5 = 0,16 W4 = 0+ 0 + 0 +
1 4 + 15
5 = 0,455 = 0,09 W5 = 0+ 0 + 0 + 0 + 15
5 = 0,2
5 = 0,04
Tabel 3. Pembobotan ROC Pada Kriteria
Kode Kriteria Tingkat Prioritas Bobot Jenis
C1 Kepemimpinan 1 0,46 Benefit
C2 Problem Solving 2 0,26 Benefit
C3 Komunikasi 3 0,16 Benefit
C4 Tanggung Jawab 4 0,09 Benefit
C5 Pendidikan 5 0,04 Benefit
3.3 Penerapan Metode MABAC
Dalam proses pengerjaan metode data sampel pada tabel 4, dikonversikan kedalam bilangan fuzzy. Langkah- langkah dalam menggunakan metode MABAC adalah sebagai berikut:
Tabel 4. Sampel Data Penilaian Kepala Divis FBS
Alternatif Kepemimpinan Problem Solving Komunikasi Tanggung Jawab Pendidikan
Elly Baik Cukup Sangat Baik Sangat Bertanggung Jawab S1
Nehemia Baik Baik Cukup Baik Bertanggung Jawab SMA
Putri Sangat Baik Sangat Baik Baik Cukup S1
Rinal Sangat Baik Cukup Sangat Baik Sangat Bertanggung Jawab S1
Theo Baik Sangat Baik Cukup Baik Cukup S1
Yanda Baik Sangat Baik Sangat Baik Cukup S1
1. Membuat matriks keputusan awal (X).
Matrik keputusan diperoleh dari hasil konversikan bilangan fuzzy pada tabel sampel data penilaian.
4 2 5 5 5
4 4 3 4 3
5 5 4 3 5
X = 5 2 5 5 5
4 5 3 3 5
4 5 5 3 5
Max 5 5 5 5 5 Min 4 2 3 3 3 2. Normalisasi elemen matriks awal (N).
Untuk jenis kriteria benefit menggunakan rumus sebagai berikut : tij = 𝑋𝑖𝑗− 𝑋𝑖
− 𝑋𝑖+− 𝑋+−
A1 = Elly t1,1 = 4 −4
5−4 = 0 t1,2 = 2 −2
5−2 = 0 t1,3 = 5 −3 5−5 = 0 t1,4 = 5 −3
5−5 = 0 t1,5 = 5 −3 5−5 = 0 A2 Nehemia t2,1 = 4 −4
5−4 = 0 t2,2 = 4 −2
5−4 = 2 t2,3 = 3 −3 5−3 = 0 t2,4 = 4 −3 5−4 = 1 t2,5 = 3 −3
5−3 = 0 A3 Putri t3,1 = 5 −4
5−5 = 0 t3,2 = 5 −2 5−5 = 0
t3,3 = 4 −3
5−4 = 1 t3,4 = 3 −3 5−3 = 0 t3,5 = 5 −3
5−5 = 0 A4 Rinal t4,1 = 5 − 4
5−5 = 0 t4,2 = 2 −2
5−2 = 0 t4,3 = 5 −3 5−5 = 0 t4,4 = 5 −3
5−5 = 0 t4,5 = 5 −3 5−5 = 0 A5 Theo t5,1 = 4 −4
5−4 = 0 t5,2 = 5 −2 5−5 = 0 t5,3 = 3 −3
5−3 = 0 t5,4 = 3 −3
5−3 = 0 t5,5 = 5 −3 5−5 = 0 A6 Yanda t6,1 = 4 −4
5−4 = 0 t6,2 = 2 −2 5−2 = 0 t6,3 = 5 −3
5−5 = 0 t6,4 = 5 −3 5−5 = 0 t6,5 = 5 −3
5−5 = 0
Hasil normalisasi matriks X :
0 0 0 0 0
0 2 0 1 0
0 0 1 0 0
N = 0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
3. Perhitungan elemen matriks tertimbang (V).
Persamaan rumus yang digunakan sebagai berikut:
Vij = (Wi * tij) + Wt
A1 Elly
V1,1 = (0,46 * 0 ) + 0,46 = 0,46 V1,1 = (0,26 * 0) + 0,26 = 0,26 V1,1 = (0,16 * 0) + 0,16 = 0,16 V1,1 = (0,09 * 0) + 0,09 = 0,09 V1,1 = (0,04 * 0) + 0,04 = 0,04 A2 Nehemia
V2,1 = (0,46 * 0 ) + 0,46 = 0,46 V2,1 = (0,26 * 2) + 0,26 = 0,78 V2,1 = (0,16 * 0) + 0,16 = 0,16 V2,1 = (0,09 * 1) + 0,09 = 0,18 V2,1 = (0,04 * 0) + 0,04 = 0,04 A3 Putri
V3,1 = (0,46 * 0 ) + 0,46 = 0,46
V3,1 = (0,26 * 0) + 0,26 = 0,26 V3,1 = (0,16 * 1) + 0,16 = 0,32 V3,1 = (0,09 * 0) + 0,09 = 0,09 V3,1 = (0,04 * 0) + 0,04 = 0,04 A4 Rinal
V4,1 = (0,46 * 0 ) + 0,46 = 0,46 V4,1 = (0,26 * 0) + 0,26 = 0,26 V4,1 = (0,16 * 0) + 0,16 = 0,16 V4,1 = (0,09 * 0) + 0,09 = 0,09 V4,1 = (0,04 * 0) + 0,04 = 0,04 A5 Theo
V5,1 = (0,46 * 0 ) + 0,46 = 0,46 V5,1 = (0,26 * 0) + 0,26 = 0,26 V5,1 = (0,16 * 0) + 0,16 = 0,16 V5,1 = (0,09 * 0) + 0,09 = 0,09 V5,1 = (0,04 * 0) + 0,04 = 0,04 A6 Yanda
V6,1 = (0,46 * 0 ) + 0,46 = 0,46 V6,1 = (0,26 * 0) + 0,26 = 0,26 V6,1 = (0,16 * 0) + 0,16 = 0,16 V6,1 = (0,09 * 0) + 0,09 = 0,09 V6,1 = (0,04 * 0) + 0,04 = 0,04 Hasil matriks tertimbang:
0,46 0,26 0,16 0,09 0,04 0,46 0,78 0,16 0,18 0,04 0,46 0,26 0,32 0,09 0,04 V = 0,46 0,26 0,16 0,09 0,04 0,46 0,26 0,16 0,09 0,04 0,46 0,26 0,16 0,09 0,04 4. Penentuan matriks area perkiraan perbatasan (G).
Persamaan rumus yang digunakan sebagai berikut : Gi = [∏𝑗=1𝑚 vij]1/m
Kriteria C1
G1 = 0,46 * 0,46 * 0,46 * 0,46 * 0,46 * 0,46 G1= 0,0095 1/6
G1= 0,46 Kriteria C2
G2 = 0,26 * 0,78 * 0,26 * 0,26 * 0,26 * 0,26 G2= 0,00091/6
G2= 0,31 Kriteria C3
G3 = 0,16 * 0,16 * 0,32 * 0,16 * 0,16 * 0,16 G3= 0,000031/6
G3= 0,18 Kriteria C4
G4 = 0,09 * 0,18 * 0,09 * 0,09 * 0,09 * 0,09 G4= 0,00000121/6
G4= 0,10 Kriteria C5
G5 = 0,04 * 0,04 * 0,04 * 0,04 * 0,04 * 0,04 G5= 0,00000000411/6
G= 0,04
Tabel 5. Nilai Perkiraan Perbatasan (G) C1 C2 C3 C4 C5
G 0,46 0,31 0,18 0,10 0,04 5. Perhitungan elemen matriks jarak alternatif dari perkiraan perbatasan (Q).
Persamaan rumus yang digunakan sebagai berikut : Q = V – G
A1 Elly
Q1 = 0,46 – 0,46 = 0 Q1 = 0,26 – 0,31 = -0,05 Q1 = 0,16 – 0,18 = -0,02 Q1 = 0,09 – 0,10 = -0,01 Q1 = 0,04 – 0,04 = 0 A2 Nehemia
Q2 = 0,46 – 0,46 = 0 Q2 = 0,78 – 0,31 = 0,47 Q2 = 0,16 – 0,18 = -0,02 Q2 = 0,18 – 0,10 = 0,08 Q2 = 0,04 – 0,04 = 0 A3 Putri
Q3 = 0,46 – 0,46 = 0 Q3 = 0,26 – 0,31 = -0,05 Q3 = 0,32 – 0,18 = 0,14 Q3 = 0,09 – 0,10 = -0,01 Q3 = 0,04 – 0,04 = 0 A4 Rinal
Q4 = 0,46 – 0,46 = 0 Q4 = 0,26 – 0,31 = -0,05 Q4 = 0,16 – 0,18 = -0,02 Q4 = 0,09 – 0,10 = -0,01 Q4 = 0,04 – 0,04 = 0 A5 Theo
Q5 = 0,46 – 0,46 = 0 Q5 = 0,26 – 0,31 = -0,05 Q5 = 0,16 – 0,18 = -0,02 Q5 = 0,09 – 0,10 = -0,01 Q5 = 0,04 – 0,04 = 0 A6 Yanda
Q6 = 0,46 – 0,46 = 0 Q6 = 0,26 – 0,31 = -0,05 Q6 = 0,16 – 0,18 = -0,02 Q6 = 0,09 – 0,10 = -0,01 Q6 = 0,04 – 0,04 = 0 Hasil matriks jarak alternatif:
0 -0,05 -0,02 -0,01 0 0 -0,47 -0,02 -0,08 0 0 -0,05 0,14 -0,01 0 Q = 0 -0,05 -0,02 -0,01 0 0 -0,05 -0,02 -0,01 0 0 -0,05 -0,02 -0,01 0 6. Perangkingan altenatif (S).
Persamaan rumus yang digunakan sebagai berikut : Si = ∑𝑛𝑗=1𝑞𝑖𝑗, 𝑗 = 1,2,3,4
A1 Elly
S1 = 0 + (-0,05) + (-0,02) + (-0,01) + 0 S1 = -0,08
A2 Nehemia
S2 = 0 + (-0,47) + (-0,02) + (-0,08) + 0 S2 = 0,41
A3 Putri
S3 = 0 + (-0,05) + 0,14 + (-0,01) + 0 S3 = 0,08
A4 Rinal
S4 = 0 + (-0,05) + (-0,02) + (-0,01) + 0 S4 = -0,08
A5 Theo
S5 = 0 + (-0,05) + (-0,02) + (-0,01) + 0 S5 = -0,08
A6 Yanda
S6 = 0 + (-0,05) + (-0,02) + (-0,01) + 0 S6 = -0,08
Tabel 6. Perangkingan Kode Alternatif Q →S Rank
A2 Nehemia 0,41 1
A3 Putri 0,08 2
A1 Elly -0,08 3
A4 Rinal -0,08 4
A5 Theo -0,08 5
A6 Yanda -0,08 6
Berdasarkan hasil proses penyelesaian di atas, maka dapat diketahui bahwa A2 yaitu Nehemia memiliki nilai skor 0,41 sebagai nilai tertinggi.
4. KESIMPULAN
Berdasarkan analisa dan pembahasan pada bab sebelumnya maka penulis dapat menarik kesimpulan bahwa Pemilihan kepala divisi baru fbs pada Hotel Menara Lexus yang masih bersifat manual dengan metode penilaian secara subjektif dikembangakan dengan sebuah sistem yang dirancang menggunakan tools micorosoft visual basic memberikan kemudahan memproses pengolahan data serta meminimalisi dalam pemilihan yang bersifat subjektif. Penerapan metode ROC dan MABAC berdasarkan studi kasus yang diangkat bahwa alternatif A2 yaitu Nehemia memiliki nilai skor tertinggi dalam pemilihan kepala divisi baru fbs, Melalui rancangan sebuah sistem pendukung keputusan memberikan hasil informasi yang lengkap dan akurat sehingga memudahkan pengambilan keputusan yang berkualitas.
REFERENCE
[1] N. F. Insani, “Perancangan Aplikasi Mobile Pencarian Hotel Kota Bandung,” J. Inform., vol. 1, pp. 1–4, 2016.
[2] D. I. Božanić, D. S. Pamučar, and S. M. Karović, “Application the MABAC method in support of decision-making on the use of force in a defensive operation,” Tehnika, vol. 71, no. 1, pp. 129–136, 2016.
[3] S. R. Purba, “Sistem Pendukung Keputusan Pemilihan Dokter Terbaik di Dinas Kesehatan Kab. Simalungun Menggunakan Metode MABAC,” Pelita Inform. Inf. dan Inform., vol. 9, no. 2, pp. 129–135, 2020.
[4] S. Damanik and D. P. Utomo, “Implementasi Metode ROC (Rank Order Centroid) Dan Waspas Dalam Sistem Pendukung Keputusan Pemilihan Kerjasama Vendor,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 4, no. 1, 2020.
[5] R. Y. Simanullang, M. Melisa, and M. Mesran, “Sistem Pendukung Keputusan Penerima Bantuan Covid-19 Menggunakan Metode Simple Additive Weighting (SAW),” TIN Terap. Inform. Nusant., vol. 1, no. 9, pp. 451–458, 2021.
[6] F. Setiawan and P. S. Ramadhan, “Penerapan Kombinasi Metode MOORA dengan Pembobotan Rank Order Centroid Dalam Penentuan Guru Terbaik,” vol. 6, no. 2015, pp. 222–228, 2022, doi: 10.30865/mib.v6i1.3374.
[7] M. D. Saefudin and A. Mirza, “Sistem Penunjang Keputusan Penilaian Guru Terbaik Dengan Metode Multi-Attributive Border Approximation (MABAC),” OKTAL J. Ilmu Komput. dan Sains, vol. 1, no. 06, pp. 609–619, 2022.
[8] N. Astiani, D. Andreswari, and Y. Setiawan, “Aplikasi Sistem Pendukung Keputusan Tanaman Obat Herbal Untuk Berbagai
Penyakit Dengan Metode Roc (Rank Order Centroid) Dan Metode Oreste Berbasis Mobile Web,” J. Teknol. Komput. dan Inf., vol. 12, no. 2, pp. 125–140, 2016.
[9] L. Sarumaha, E. Buulolo, A. M. H. Sihite, and D. P. Utomo, “Sistem Pendukung Keputusan Penempatan Mentor Pada Pusat Pengembangan Anak IO 558 Sangkakala Medan Menggunakan Metode CPI dan ROC,” KOMIK (Konferensi Nas. Teknol.
Inf. dan Komputer), vol. 4, no. 1, 2020.
[10] N. Ndruru, M. Mesran, F. T. Waruwu, and D. P. Utomo, “Penerapan Metode MABAC Untuk Mendukung Pengambilan Keputusan Pemilihan Kepala Cabang Pada PT. Cefa Indonesia Sejahtera Lestari,” Resolusi Rekayasa Tek. Inform. dan Inf., vol. 1, no. 1, pp. 36–49, 2020.
[11] M. Ickhsan, D. Anggraini, R. Haryono, S. H. Sahir, and R. Rohminatin, “Sistem Pendukung Keputusan Pemberian Kredit Usaha Rakyat Menggunakan Metode Weighted Aggregated Sum Product Assesment (WASPAS),” JURIKOM (Jurnal Ris.
Komputer), vol. 5, no. 2, pp. 97–102, 2018.
[12] M. Mesran, J. Afriany, and S. H. Sahir, “Efektifitas Penilaian Kinerja Karyawan Dalam Peningkatan Motivasi Kerja Menerapkan Metode Rank Order Centroid (ROC) dan Additive Ratio Assessment (ARAS),” in Prosiding Seminar Nasional Riset Information Science (SENARIS), 2019, vol. 1, pp. 813–821.
