Implementasi Metode Topsis Untuk Pemilihan Karyawan Terbaik

(1)

Implementasi Metode Topsis Untuk Pemilihan Karyawan Terbaik

Nezard Dafian Nugraha, Arief Wibowo

Program Studi Teknik Informatika,

Universitas Budi Luhur

[email protected], [email protected]

Abstract

Kemajuan teknologi informasi dan komunikasi terus berkembang. Perkembangan akan selalu hadir untuk memudahkan manusia dalam berbagai pekerjaan dan kegiatan sehari-hari. Tidak terkecuali dalam hal pengambilan keputusan. Pengambilan keputusan bukanlah hal yang sulit namun selalu ada tanggung jawab yang besar dalam sebuah keputusan. Sistem pendukung keputusan pemilihan karyawan terbaik ini diharapkan dapat membantu suatu perusahaan dalam proses pemilihan karyawan terbaik dalam setiap keputusan yang diambil. Proses ini dilakukan dengan berbagai tujuan, yaitu meningkatkan semangat kerja karyawan dalam perkerjaan-nya agar terus termotivasi untuk maju. agar setiap karyawan terus berlomba untuk menjadi karyawan terbaik diperusahaan.

Keywords: Sistem Pendukung Keputusan, metode topsis (Technique For Order

Preference By Similiarity To Ideal Solution), Pemilihan Karyawan Terbaik.

1. Pendahuluan

Kualitas karyawan pada sebagian besar perusahaan merupakan suatu permasalahan yang sangat penting. Dengan adanya karyawan - karyawan yang berkualitas membuat suatu perusahaan dapat berdiri dengan kokoh, tumbuh dan berkembang dengan pesat serta kompetitif. Kinerja karyawan cukup berpengaruh dalam usaha pengembangan perusahaan dan secara tidak langsung juga mempengaruhi kesejahteraan karyawan. Untuk memacu kinerja karyawan, maka suatu perusahaan melakukan pemilihan karyawan berprestasi setiap periodenya dengan memberikan bonus atau kenaikan gaji pada setiap karyawan yang telah terpilih. Salah satu metode yang digunakan dalam pengambilan keputusan karyawan terbaik ini adalah TOPSIS (Technique for Order Preference by Similarity

to Ideal Solution). Dalam hal ini di karenakan metode TOPSIS mampu melakukan

perangkingan terhadap alternatif terpilih. Menurut Nofriansyah (2014:54) Metode TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) dapat digunakan sebagai cara untuk menyelesaikan permasalahan multi criteria decision

making (MCDM). Selain itu metode TOPSIS mempunyai konsep yang sederhana

dan mudah dipahami, komputasinya efisien dan mempunyai kemampuan untuk mengukur kinerja relatif dari alternatif-alternatif keputusan.

Metode TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) sering dipakai dalam pembuatan sistem pendukung keputusan. Metode Technique for

Order Preference by Similarity to Ideal Solution (TOPSIS) merupakan suatu bentuk

metode pendukung keputusan yang di dasarkan pada konsep bahwa alternatif yang terbaik tidak hanya memiliki jarak terpendek dari solusi ideal positif, tetapi juga memiliki jarak terpanjang dari solusi ideal negatif yang dalam hal ini akan memberikan rekomendasi kepala departemen yang sesuai dengan yang diharapkan. Kelebihan dari metode ini adalah memiliki konsep yang sederhana, mudah dipahami, dan komputasinya sederhana serta mampu mengambil solusi paling ideal [1]. Penelitian dilakukan untuk membangun model penilaian karyawan menggunakan metode TOPSIS yang diharapkan memiliki hasil yang akurat dan dapat dipertanggung jawabkan serta dapat diimplementasikan dalam bentuk aplikasi pemilihan karyawan terbaik.

(2)

2. Landasan Teori

Sistem Pendukung Keputusan (SPK) atau Decision Support System (DSS) adalah sebuah sistem yang mampu memberikan kemampuan pemecahan masalah maupun kemampuan pengkomunikasian untuk masalah dengan kondisi semi terstruktur dan tak terstruktur [2]. Sistem ini digunakan untuk membantu pengambilan keputusan dalam situasi semi terstruktur dan situasi yang tidak terstruktur, dimana tak seorangpun tahu secara pasti bagaimana keputusan seharusnya dibuat. Setiap orang sering dihadapkan pada suatu keadaan dimana orang tersebut harus memutuskan untuk memilih satu dari beberapa pilihan yang ada. Suatu masalah dalam kehidupan dapat diselesaikan dengan berbagai cara yang mungkin saja memberikan pemecahan masalah secara langsung atau memberikan beberapa alternatif solusi untuk pemecahan masalah [3]. Sistem pendukung keputusan adalah sistem informasi berbasis komputer yang interaktif, dengan cara mengolah data dengan berbagai model untuk memecahkan masalah-masalah yang tidak terstruktur sehingga dapat memberikan informasi yang bisa digunakan oleh para pengambil keputusan dalam membuat sebuah keputusan [4]. Konsep sistem pendukung keputusan (SPK)/ Decision Support System (DSS) adalah suatu sistem berbasis komputer yang ditujukan untuk membantu pengambil keputusan dengan memanfaatkan data dan model tertentu untuk memecahkan berbagai pesoalan yang bersifat semi terstruktur [5].

Peneliti lain menyatakan bahwa Sistem Penunjang Keputusan adalah suatu sistem yang berbasis komputer yang ditujukan untuk membantu pengambil keputusan dalam memanfaatkan data dan model tertentu untuk memecahkan berbagai persoalan yang bersifat semi terstruktur [6]. Dengan berbagai karakter khusus, SPK dapat memberikan berbagai manfaat atau keuntungan bagi pemakai, seperti dapat menunjang pembuatan keputusan manajemen dalam menangani masalah semi terstruktur dan tidak terstruktur, bahkan Sistem pendukung keputusan dapat melakukan adaptasi setiap saat yang bersifat fleksibel [7].

Langkah Penerapan TOPSIS Membuat matriks normalisasi

Persamaan yang digunakan untuk mentransformasikan setiap elemen xij adalah:

√∑

, (i = 1,2, ... ,n; j=1,2, … ,m) (1)

Menentukan matriks keputusan yang terbobot (y)

y = [ ] untuk yij (2)

Menentukan matriks solusi ideal positif dan negative

A+ = (y1 + y2 + …. ,+ yj+) A- = (y1 – y2 + …. , + yj-) Dengan Yj+ = { (3) Yj-- = {

(3)

Menentukan jarak solusi ideal positif dan negative

di +

= √∑ ( )2 (4)

keterangan :

yi+ = adalah elemen dari matriks solusi ideal positif (+)

di

= √∑ ( )2 (5)

keterangan :

Adalah elemen dari matriks solusi ideal negative (-)

3. Metodologi Penelitian

Langkah-langkah yang dilakukan dalam penelitian ini terlihat pada Gambar 1.

Gambar 1. Langkah – Langkah Penelitian

Terlihat pada Gambar 1, tahap penelitian dimulai dari identifikasi masalah. Pada tahapan ini dilakukan identifikasi masalah yang ada pada objek penelitian, identifikasi masalah dilakukan observasi secara langsung ke lapangan oleh kepala , prosesnya sendiri dilakukan melalui wawancara dengan puskesmas desa terkait.

Tahap kedua adalah Pengumpulan data. Proses pengumpulan data dilakukan di perusahaan yang dituju dan berupa form penilaian. Tahap berikutnya adalah Analisa dan perancangan sistem. Dalam tahapan ini peneliti mencoba menganalisa dan merancang sistem yang akan digunakan untuk menentukan karyawan terbaik.

Tahap berikutnya adalah pembuatan sistem.Pada tahap ini adalah proses pembuatan sistem yang mengacu dari hasil analisa dan perancangan sistem, serta perhitungan TOPSIS akan di impelementasikan kedalam sistem, untuk pembuatan sistem menggunakan bahasa pemrograman php dan database MySQL.

Tahap akhir adalah pengujian sistem. Pengujian sistem adalah elemen kritis dari jaminan kualitas perangkat lunak dan mempresentasikan kajian pokok dari spesifikasi, desain, dan pengkodean [8]. Tujuan dari pengujian ini adalah diharapkan dengan minimal tenaga dan waktu untuk menemukan berbagai potensi kesalahan dan cacat.Harus didasarkan pada kebutuhan berbagai tahap pengembangan, desain dan dokumen lain atau program yang dirancang untuk menguji struktur internal, dan menggunakan contoh-contoh ini untuk menjalankan program untuk mendeteksi kesalahan.

4. Hasil dan Pembahasan

Penelitian ini dilakukan di salah satu perusahaan distributor elektronik di Jakarta dengan jumlah karyawan 10 orang, dalam penelitian ini menggunakan 5 kriteria yang telah ditetapkan oleh perusahaan sebagaimana terlihat pada Tabel 1.

Identifikasi Masalah Pengumpulan Data

Analisa Dan Perancangan Sistem

Pembuatan Sistem Pengujian Sistem

(4)

Tabel 1. Kriteria

Kode Nama Kriteria KR1 Kejujuran KR2 Loyalitas KR3 Kedisiplinan KR4 Komitmen KR5 Kerjasama

Pada Tabel 1 terlihat data kriteria sebagai dasar penilaian untuk alternatif. Status kriteria bisa berupa cost atau benefit. Benefit berarti semakin besar nilai bobotnya semakin bagus, sedangkan jika cost semakin kecil nilai bobotnya semakin bagus. Bobot kriteria terlihat pada Tabel 2.

Tabel 2. Presentase Bobot Kriteria

Kode Kriteria Nama Kriteria Bobot Status KR1 Kejujuran 5 Benefit KR2 Loyalitas 4 Benefit KR3 Kedisiplinan 3 Benefit KR4 Komitmen 2 Benefit KR5 Kerjasama 1 Benefit

Untuk nilai target kriteria menggunakan Skala Likert yaitu nilainya dari satu sampai 5 (lima), dimana range nilai kriteria ini akan digunakan untuk tabel nilai alternatif (Arief Novianto, 2019), sebagaimana terlihat pada Tabel 3.

Tabel 3. Range Nilai

No Range Nilai Kriteria Nilai Target

1 <60 1

2 61 - 74 2

3 75 - 80 3

4 81 - 89 4

5 90 - 100 5

Dari Tabel 3 terlihat ada lima nilai targer diantaranya <60 dengan nilai target 1, kemudian 61 – 74 dengan nilai target 2, dan 75 – 80 dengan nilai target 3. Untuk nilai 81 – 89 memiliki nilai target 4 dan nilai kriteria 90 – 100 memiliki nilai target 5. Data Nilai Karyawan merupakan data sebelum dilakukan normalisasi. Adapun data nilai karyawan terlihat pada Tabel 4.

Tabel 4. Data Nilai Karyawan

No Nama Kriteria

Kejujuran Loyalitas Kedisiplinan Komitmen Kerjasama 1. Aditya Bagus Suwito 80 80 85 85 80 2. Aditya Fahrozi 80 75 85 85 80 3.. Agung Putro 80 80 80 85 80 4. Aap paijo 81 80 85 90 85 5. Cindy pracelia 82 80 90 88 85 6. Eveline Putri Saswita 80 80 85 82 85 7. Dzaki Justin 80 80 85 83 81 8. Fahri Ramadhan 80 75 94 86 82 9. Mabrur Khalid 78 70 85 90 83

(5)

No Nama Kriteria

Kejujuran Loyalitas Kedisiplinan Komitmen Kerjasama

10. Mevia Putri 80 80 94 90 88

Pada tahap selanjutnya memproses Data Nilai Karyawan Sesuai Range Nilai. Tahap ini merupakan pemrosesan data karyawan yang sudah di ubah dari puluhan ke data nilai range yang diatas, seperti terlihat pada Tabel 5.

Tabel 5. Nilai Karyawan Sesuai Range Nilai

No Nama

Kriteria

Kejujuran Loyalitas Kedisiplinan Komitmen Kerjasa

ma 1. Aditya Bagus Suwito 3 3 4 4 3 2. Aditya Fahrozi 3 3 4 4 3 3.. Agung Putro 3 3 3 4 3 4. Aap paijo 4 3 4 5 4 5. Cindy pracelia 4 3 5 4 4 6. Eveline Putri Saswita 3 3 4 4 4 7. Dzaki Justin 3 3 4 4 4 8. Fahri Ramadhan 3 3 5 4 4 9. Mabrur Khalid 3 2 4 5 4 10. Mevia Putri 3 3 5 5 4 Jumlah 104 85 180 187 139

Pada tahap berikutnya, yaitu menghitung normalisasi kuadrat dari Tabel 5, ilustrasi perhitungannya adalah sebagai contoh untuk nilai kejujuran sebesar 3, maka jika dikuadratkan menjadi 32 = 9, hasil normalisasi kuadrat terlihat pada Tabel 6.

Tabel 6. Nilai Normalisasi Kuadrat

No Nama Kriteria

1. Aditya Bagus Suwito 9 9 16 16 9 2. Aditya Fahrozi 9 9 16 16 9 3.. Agung Putro 9 9 9 16 9 4. Aap paijo 16 9 16 25 16 5. Cindy pracelia 16 9 25 16 16 6. Eveline Putri Saswita 9 9 16 16 16 7. Dzaki Justin 9 9 16 16 16 8. Fahri Ramadha n 9 9 25 16 16 9. Mabrur Khalid 9 4 16 25 16

(6)

No Nama Kriteria

Putri

Jumlah 104 85 180 187 139

Pada tahap berikutnya, dilakukan penjumlahan pada kolom data nilai normalisasi kuadrat misalnya untuk faktor nilai kejujuran yaitu 9+9+9+16+16+9+9+9+9+9 sehingga didapatkan jumlah sebesar 104, selanjutnya total dari kolom kejujuran tersebut di akarkan menjadi √104=10.198039 , dengan demikian maka hasil normalisasi akhir diperoleh dengan membagi nilai kriteria dengan akar dari normalisasi kuadrat, yaitu 3/10.198039 = 0.2942. Hasil normalisasi akhir terlihat pada Tabel 7.

Tabel 7. Hasil Normalisasi

No Nama Kriteria

1. Aditya Bagus Suwito 0.2942 0.3254 0.2981 0.2925 0.2545 2. Aditya Fahrozi 0.2942 0.3254 0.2981 0.2925 0.2545 3.. Agung Putro 0.2942 0.3254 0.2236 0.2925 0.2545 4. Aap paijo 0.3922 0.3254 0.2981 0.3656 0.3393 5. Cindy pracelia 0.3922 0.3254 0.3727 0.2925 0.3393 6. Eveline Putri Saswita 0.2942 0.3254 0.2981 0.2925 0.3393 7. Dzaki Justin 0.2942 0.3254 0.2981 0.2925 0.3393 8. Fahri Ramadh an 0.2942 0.3254 0.3727 0.2925 0.3393 9. Mabrur Khalid 0.2942 0.2169 0.2981 0.3656 0.3393 10 . Mevia Putri 0.2942 0.3254 0.3727 0.3656 0.3393

Pada tahap berikutnya, yaitu nilai kejujuran yang sudah didapatkan sebelumnya dihitung untuk menjadi nilai normalisasi terbobot, sebagai contoh yaitu nilai bobot kejujuran 5 dan nilai normalisasi kejujuran 0.2942, maka hasil perhitungan menjadi 0.2942 x 5 = 1.471. Hasil lengkap normasliasi terbobot terlihat pada Tabel 8.

Tabel 8. Hasil Normalisasi Terbobot

No Nama Kriteria

1. Aditya Bagus Suwito 1.471 1.3016 0.8943 0.585 0.2545 2. Aditya Fahrozi 1.471 1.3016 0.8943 0.585 0.2545 3.. Agung Putro 1.471 1.3016 0.6708 0.585 0.2545 4. Aap 1.961 1.3016 0.8943 0.7312 0.3393

(7)

No Nama Kriteria

paijo 5. Cindy pracelia 1.961 1.3016 1.1181 0.585 0.3393 6. Eveline Putri Saswita 1.471 1.3016 0.8943 0.585 0.3393 7. Dzaki Justin 1.471 1.3016 0.8943 0.585 0.3393 8. Fahri Ramadh an 1.471 1.3016 1.1181 0.585 0.3393 9. Mabrur Khalid 1.471 0.8676 0.8943 0.7312 0.3393 10. Mevia Putri 1.471 1.3016 1.1181 0.7312 0.3393

Tahap akhir dari penelitian ini adalah implementasi sistem perhitungan dan penentuan karyawan terbaik ke dalam aplikasi program. Hasil tampilan layar awal program berupa login terlihat pada Gamar 2.

Gambar 2. Tampilan Login

Gambar 3 menunjukkan tampilan dashboard sekaligus beberapa fitur yang tersedia diantaranya ada data master, hitung nilai dan laporan.

Gambar 3. Tampilan Dashboard

Gambar 4 menunjukkan tampilan perhitungan nilai dengan metode TOPSIS untuk menentukan karyawan terbaik.

(8)

Gambar 4. Hasil Penghitungan dengan Metode TOPSIS

Gambar 5 menunjukkan hasil penghitungan dengan metode topsis dalam bentuk matriks normalisasi dan normalisasi terbobot.

Gambar 5. Hasil Penghitungan Dengan Metode TOPSIS

Gambar 6 menunjukkan output dari hasil proses penghitungan berupa keputusan.

Gambar 6. Hasil Keputusan

Dari seluruh fitur-fitur yang dikembangkan, seluruh fungsi yang tersedia pada program aplikasi penentuan karyawan terbaik telah bisa dijalankan dengan baik. Hasil perhitungan

(9)

yang diberikan adalah akurat, setelah dibandingkan dengan metode perhitungan secara manual.

5. Kesimpulan

Berdasarkan hasil penelitian diatas dapat ditarik kesimpulan bahwa dengan penerapan metode TOPSIS berhasil mendapatkan keputusan tentang karyawan terbaik. Pada contoh pengujian yang dilakukan, diperoleh kandidat karyawan terbaik dari alternatif ke-5 atas nama Cindy Pracelia.dengan nilai 0.8450. Hasil perhitungan sistem telah divalidasi dengan perhitungan manual didapatkan hasil yang sama, dan dapat dikatakan bahwa sistem yang telah menerapkan metode TOPSIS untuk menentukan karyawan terbaik telah berjalan dengan baik dan sesuai.

Daftar Pustaka

[1] F. Riandari, P. M. Hasugian, dan I. Taufik, “Sistem Pendukung Keputusan Menggunakan Metode TOPSIS Dalam Memilih Kepala Departemen Pada Kantor Balai Wilayah Sungai Sumatera II Medan,” Journal Of Informatic Pelita Nusantara, vol. Vol. 2, no. 1, hal. 6–13, 2017.

[2] H. T. Sigit dan D. A. Permana, “Sistem Pendukung Keputusan Pemilihan Karyawan Terbaik Menggunakan Simple Additive Weighting,” Jurnal Sistem Informasi, vol. 4, no. 1, hal. 1–17, 2017. [3] D. Gustina dan D. Mutiara, “Sistem Penunjang Keputusan Pemilihan Router Mikrotik Dengan

Menggunakan Metode AHP (Analitycal Hierarchy Process),” Jurnal Ilmiah FIFO, vol. 9, no. 1, hal. 68, 2017.

[4] A. A. Chamid, “Penerapan Metode Topsis Untuk Menentukan Prioritas Kondisi Rumah,” Simetris :

Jurnal Teknik Mesin, Elektro dan Ilmu Komputer, vol. 7, no. 2, hal. 537, 2016.

[5] A. Munthafa dan H. Mubarok, “Penerapan Metode Analytical Hierarchy Process Dalam Sistem Pendukung Keputusan Penentuan Mahasiswa Berprestasi,” Jurnal Siliwangi, vol. 3, no. 2, hal. 192– 201, 2017.

[6] Salmon, “Penerapan Metode Analytical Hierarcy Process ( Ahp ) Pada Pemilihan Staf Laboratorium Komputer Stmik Widya Cipta,” Sistem Informasi, hal. 22–29, 2011.

[7] Basri, “Metode Weightd Product (Wp) Dalam Sistem Pendukung Keputusan Penerimaan Beasiswa Prestasi,” Jurnal INSYPRO (Information System and Processing), vol. 2, no. 1, hal. 1–6, 2017. [8] R. Ishak, “Sistem Pendukung Keputusan Pemilihan Penyuluh Lapangan Keluarga Berencana Teladan