Penerapan Metode MOOSRA Dalam Penentuan Penerimaan Frontliner Menggunakan Pembobotan Metode ROC
Mohammad Aldinugroho Abdullah1, Rima Tamara Aldisa2,*
1Fakultas Teknologi Informasi, Magister Ilmu Komputer, Universitas Budi Luhur, Jakarta, Indonesia
2Fakultas Teknologi Komunikasi dan Informatika, Informatika, Universitas Nasional, Jakarta, Indonesia Email: 1nugrohoaldi48@gmail.com, 2,*rimatamaraa@gmail.com
Email Penulis Korespondensi: rimatamaraa@gmail.com Submitted 03-02-2023; Accepted 27-02-2023; Published 27-02-2023
Abstrak
Dalam meningkatkan upaya pelayanan pada sebuah instansi ataupun perusahaan jasa, maka diperlukan seorang frontliner yang bertanggung jawab, cekatan, dapan berkomunikasi dengan baik terhadap konsumen sehingga membantu keperluan dari konsumen tersebut. Tidak sedikit frontliner yang tidak ramah dan juga membuat konsumen merasa tidak nyaman atas layanan yang diberikan oleh seorang frontliner sehingga dapat berdampak buruk terhadap instansi perusahaan tersebut. Oleh karena ini dibuatlah penelitian ini agar mempermudah pihak instansi perusahaan dalam merekrut frontliner yang ramah, sopan, cekatan dan bertanggung jawab.
Untuk mewujudkan hal tersebut maka diperlukan sebuah system yang efektif dan efisien dalam mengambil sebuah keputusan untuk merekrut frontliner yang berkompeten. System yang dibutuhkan disebut system pendukung keputusan. Dalam penerapan spk ada banyak metode yang dapat digunakan yaitu metode WP, SAW, Electree, PSI, WASPAS, MOOSRA, TOPSIS, MOORA dan ada juga metode yang terkhusu untuk mencari nilai bobot kepentingan dari setiap kriteria seperti ROC, AHP, Entrophy dan lainnya.
metode yang cocok digunakan pada permasalahan yang ada pada penelitian ini adalah metode yang digunakan untuk merekrut frontliner yaitu metode ROC dan MOOSRA. Adapun hasil setelah diterapkan metode ROC yang digunakan untuk membobotkan dan mencari nilai tingkat kepentingan dari setiap kriteria dan juga menggunakan metode MOOSRA yang di terapkan untuk mencari perangkingan dari setiap alternative yang mendaftar sebagai frontliner berdasarkan setiap kriteria. Setelah diterapkan kedua metode tersebut yaitu metode ROC dan MOOSRA, dihasilkan bahwa alternative terbaik adalah A8 dengan nilai preferensi 44,6195 dan diikuti oleh alternative A1 dengan nilai preferensi 40,2737 dan alternative A6 dengan nilai preferensi 39,8573. Jadi, yang berhak lulus menjadi frontliner atas nama Ratih, Moci, dan Aldi.
Kata Kunci: Sistem Pendukung Keputusan; Metode ROC; Metode MOOSRA; Frontliner Abstract
In improving service efforts in an agency or service company, a responsible, dexterous, and well-informed frontliner is needed to communicate well with consumers so as to help the needs of these consumers. Not a few frontliners are unfriendly and also make consumers feel uncomfortable with the services provided by a frontliner so that it can have a bad impact on the company's agency.
Therefore, this research was made to make it easier for company agencies to recruit frontliners who are friendly, polite, dexterous and responsible. To realize this, an effective and efficient system is needed in making a decision to recruit competent frontliners.
The required system is called a decision support system. In the application of spk there are many methods that can be used, namely the WP, SAW, Electree, PSI, WASPAS, MOOSRA, TOPSIS, MOORA methods and there are also specific methods to find the value of the importance weight of each criterion such as ROC, AHP, Entrophy and others. a suitable method used in the problems in this study is the method used to recruit frontliners, namely the ROC and MOOSRA methods. The results after applying the ROC method are used to weight and find the importance value of each criterion and also use the MOOSRA method which is applied to find the ranking of each alternative that registers as a frontliner based on each criterion. After applying the two methods, namely the ROC and MOOSRA methods, it was produced that the best alternative was A8 with a preference value of 44.6195 and followed by alternative A1 with a preference value of 40.2737 and alternative A6 with a preference value of 39.8573. So, those who are eligible to graduate become frontliners on behalf of Ratih, Moci and Aldi.
Keywords: Decision Support System; ROC Method; MOOSRA Method; Frontliner
1. PENDAHULUAN
Dalam meningkatkan upaya pelayanan pada sebuah instansi ataupun perusahaan jasa, maka diperlukan seorang frontliner yang bertanggung jawab, cekatan, dapat berkomunikasi dengan baik terhadap konsumen sehingga membantu keperluan dari konsumen tersebut. Tidak sedikit frontliner yang tidak ramah dan juga membuat konsumen merasa tidak nyaman atas layanan yang diberikan oleh seorang frontliner sehingga dapat berdampak buruk terhadap instansi perusahaan tersebut. Oleh karena ini dibuatlah penelitian ini agar mempermudah pihak instansi perusahaan dalam merekrut frontliner yang ramah, sopan, cekatan dan bertanggung jawab.
Untuk mewujudkan hal tersebut maka diperlukan sebuah system yang efektif dan efisien dalam mengambil sebuah keputusan untuk merekrut frontliner yang berkompeten. System yang dibutuhkan disebut system pendukung keputusan. System pendukung keputusan adalah sebuah system yang terkomputerisasi dan terstruktur dalam penyelesaian masalah, dalam penerapan spk ada banyak metode yang dapat digunakan yaitu metode WP, SAW, Electree, PSI, WASPAS, MOOSRA, TOPSIS, MOORA da nada juga metode yang terkhusu untuk mencari nilai bobot kepentingan dari setiap kriteria seperti ROC, AHP, Entrophy dan lainnya[1][2]. Pada penelitian ini, setelah dilakukan studi literature bahwa metode yang cocok digunakan pada permasalahan yang ada pada penelitian ini adalah metode yang digunakan untuk merekrut frontliner yaitu metode ROC dan MOOSRA. Metode ROC diguankan sebagai pembobotan kriteria dan MOOSRA digunakan sebagai proses perangkingan [3].
Ada beberapa peneliti atau para ilmuwan yang telah melakukan penelitian dengan metode yang serupa dan bahkan ada juga permasalahan yang serupa juga, dengan adanya penelitian ini penulis dapat menjadikannya sebagai bahan pembelajaran agar mempermudah penyelesain dalam permasalahan ini. Adapun penelitian pertama yang dijadikan sebagai acuan dalam penyelesaian penelitian ini adalah peneliti Bernadus Gunawan Sudarsono, dkk. Pada tahun 2022, dalam penelitian tersebut mereka memaparkan metode yang digunakan dalam pemilihan lokasi usaha yang sesuai dengan kriteria yang dibutuhkan. Metode yang digunakan tersebut dianggap cocok dengan permasalahan yang dialami dikarenakan kedua metode tersebut merupakan metode yang sama proses penerapannya hanya saja pada saat perhitungan preferensi metode MOORA malakukan pengurangan antara kriteria benefit dengan cost, sedangkan MOOSRA dilakukan perbandingan atau dibagi antara benefit dengan cost. Adapun tempat usaha yang terbaik setelah diterapkan kedua metode tersebut adalah Alternatif A1 dengan nilai referensi 0,564[4].
Penelitian selanjutnya yang dilakukan pada tahun 2022 oleh Zulfi Azhar, dkk dengan penelitian yang membahas metode MOOSRA dalam mengambil keputusan untuk memilih E-Commerce Terbaik yang nantinya dapat memudahkan konsumen memilih e-comerce yang terpercaya dan juga terbaik dari yang lain, metode ini dinilai sesuai dengan permasalahan yang terjadi dimana menghasilkan alternative terbaik yaitu e-commerce lazada dengan nilai preferensi 3,26323[5]. Penelitian yang serupa juga dilakukan oleh Asnita Susilawati Nadeak pada tahun 2021 dengan menerapkan metode AHP sebagai pembobotan setiap kriteria dan MOOSRA diterapkan sebagai perangkingan dalam pemilihan kasir yang dinilai terbaik dari yang lainnya. Adapun alternative yang terbaik adalah alternative A1 dengan nilai perolehan sebesar 44.9[6].
2. METODOLOGI PENELITIAN
2.1 Tahapan penelitian
Berikut gambar 1 merupakan tahapan dari penelitian yang penulis lakukan.
Gambar 1. Tahapan Penelitian Berdasarkan Gambar 1, berikut penjelasan yang dapat dipahami:
a. Analisa masalah
Analisa masalah merupakan tahap awal dalam penyelesain masalah pada penelitian ini, berdasarkan analisa masalah penulis dapat membuat sebuah keputusan yang akan dilakukan untuk menyelesaikan masalah tersebut.
b. Pengumpulan data
Tahap kedua yaitu mengumpulkan data yang diperlukan sebagai informasi dalam pemilihan yang berhak diterima sebagai frontliner di sebuah instansi.
c. Studi Pustaka
Pada tahapan ini, penulis melakukan studi pustaka guna mempermudah penyelesaian masalah dalam menentukan kriteria yang dibutuhkan dan metode yang tepat untuk diterapkan dalam merekrut frontliner.
d. Menerapkan metode ROC
Penulis menggunakan metode ROC sebagai pembobotan dari setiap kriteria, pembobotan ini dilakukan agar tingkat kepentingan dari kriteria ditentukan secara terstruktur dan tersistem sehingga lebih relevan di bandingkan dengan pembobotan yang ditentukan sendiri oleh penulis tanpa adanya sumber perolehan nilai bobot kriteria.
e. Menerapkan metode MOOSRA
Tahapan ini penulis menggunakan metode MOOSRA sebagai perangkingan dari setiap alternative yang mendaftar sebagai frontliner berdasarkan setiap kriteria yang telah ditentukan.
f. Kesimpulan
Tahapan terakhir setelah diterapkan metode ROC dan MOOSRA dengan menghasilkan staff frontliner yang sesuai dengan kriteria yang ditentukan, dengan nilai (hasil) tertinggi.
2.2 Sistem Pendukung Keputusan
Sistem adalah kumpulan elemen yang berkaitan antara satu dengan yang lain atau gabungan guna mencapai suatu tujuan. Elemen yang tidak memiliki tujuan tidakn bias dikatakan sebagai system, sedangkan keputusan adalah sebuah kesimpulan yang diperoleh berdasarkan proses yang telah dilalui sehingga menghasilkan keluaran berupa hasil dari yang diinginkan. System pendukung keputusan adalah sebuah system yang terkomputerisasi dan terstruktur dalam penyelesaian masalah dengan berkemampuan baik[7]. System pendukung keputusan memiliki banyak metode yang dapat diterapkan dalam mengambil sebuah keputusan untuk menyelesaiakan masalah diantaranya metode MAUT, MOOSRA, OCRA, ARAS, MOORA, PSI, TOPSIS, Electree, WASPAS, TOPSIS, AHP, dan WP. Sistem pendudkung keputusan juga memiliki metode yang dapat digunakan sebagai perbaikan bobot pada setiap kriteria yaitu metode AHP, ROC dan Entrophy[8]–[10].
2.3 Metode ROC
Metode ROC yaitu metode yang dapat menghasikan pembobotan pada sejumlah kriteria dengan tingkat kepentingan dari kriteria yang ditetapkan. Dengan menerapkan metode ini, peneliti tidak perlu lagi memikirkan nilai bobot kepentingan dari kriteria permasalahan yang dibutuhkan dan juga dengan menggunakan metode ini, maka penelitian lebih efektif dan relevan jika dibandingkan dengan nilai bobot yang ditentukan sendiri oleh peneliti. Metode pembobotan ini merupakan metode yang sangat mudah dan simple dibandingkan metode pembobotan yang lainnya, dimana proses kerjanya dalam menetukan tingkat kepentingan dari setiap kriteria ditetapkan berdasarkan kriteria yang pertama dinyatakan lebih penting dari pada kriteria yang kedua, begitu juga dengan kriteria kedua lebih penting disbanding kriteria ketiga, begitu juga seterusnya hingga kriteria terakhit[11]. Berikut rumus yang dapat digunakan untuk mencari nilai bobot kriteria menerapkan metode ROC[2], [12]–[14]:
1. Tingakat kepentingan dari setiap kriteria
Jika 𝐾1> 𝐾2> 𝐾3> 𝐾4> ⋯ > 𝐾𝑛 maka 𝑊1> 𝑊2 > 𝑊3> 𝑊4> ⋯ > 𝑊𝑛 (1) 2. Menghitung nilai bobot kriteria (Wn)
𝑊𝑛=1
𝑛∑ (1 +1
𝑖)
𝑛𝑖=1 (2)
Keterangan:
K : Kriteria
W : Nilai pembobotan kriteria n : Jumlah kriteria
i : Nilai perulangan 2.4 Metode MOOSRA
MOOSRA merupakan salah satu metode yang sering digunakan dalam penyelesaian masalah dalam proses pemilihan dan juga perekrutan. Metode MOOSRA memiliki kesamaan dengan salah satu metode yang ada dalam SPK yaitu metode MOORA, dimana kedua metode tersebut proses penyelesaian masalah sama, hanya saja di proses terakhir metode MOOSRA membandingkan antara kriteria berjenis benefit dengan kriteria jenis cost. Sedangkan metode MOORA proses pencarian preferensi dilakukan dengan mengurangkan kriteria benefit dengan kriteria cost.
Kekurangan pada metode MOOSRA adalah metode ini harus memiliki kriteria yang berjenis cost dan benefit. Jika pada sebuah penelitian tidak ada kriteria berjenis cost maka metode MOOSRA tidak dapat digunakan karena hasil preferensinya tidak dapat ditentukan (tidak terhingga)[15][4]. Berikut lahkah-langkah perhitungan dengan menerapkan metode MOOSRA[3], [15]–[18]:
a. Membentuk matriks keputusan.
x11 x12 … x1n
Xij = x21 x22 … x2n
… … … …
xm1 xm2 … xmn
b. Lakukan proses normalisasi dengan mengubah nilai atribut kedalam rentang 0-1 𝑌𝑖 = 𝑋𝑖𝑗
√∑𝑚𝑖=1𝑥2 𝑖𝑗 (3)
c. Menghitung nilai preferensi dengan membagi kriteria benefit dengan cost. Berikut rumus yang dapat digunakan.
𝑌∗𝑖 = ∑ 𝑊𝑖𝑗 𝑋
∗𝑖𝑗 𝑔
𝑗=1
√∑𝑚𝑗=𝑔+1𝑊𝑖𝑗 𝑋∗𝑖𝑗 (4)
G merupakan jumlah atribut benefit sedangkan (n-g) adalah jumlah atribut cost.
2.5 Frontliner
Frontliner merupakan seorang pekerja yang berinteraksi langsung dengan konsumen atau tamu dan juga nasabah.
Seorang frontliner harus selektif, cekatan dan juga ramah karena kesan antara konsumen dengan perusahaan tergantung pada seorang frontliner. Frontliner juga dapat membantu konsumen dalam memberikan solusi atas keperluan seorang konsumen. Frontliner dapat menentukan kesan pertama konsumen atas kenyamanan dan juga pelayanan yang ada disebuah instansi dan dapat menentukan baik buruknya instansi tersebut. Frontliner yang dimaksud ini berupa seorang teller, customer servive dan juga satpam[19][20].
3. HASIL DAN PEMBAHASAN
Penentuan rekrutmen frontliner yang layak dan dipilih secera efektif dan efesien diperlukan metode pengambil keputusan dalam menghitung tingkat kelayakan yang akan menjadi atau yang terpilih sebagai frontliner. Metode yang digunakan dalam membuat keputusan tersebut adalah metode ROC yang digunakan sebagai metode perhitungan tingkat kepentingan dari bobot kriteria yang telah ditentukan, kemudian dihitung tingkat refrerensi atau dilakukan proses perangkingan menggunakan metode MOOSRA, metode MOOSRA diterapkan dengan menggunakan kriteria sebagai rules untuk perekrutan frontliner dari setiap alternative yang mendaftar sebagai calon frontliner di sebuah instansi. Pada tabel 1 merupakan kriteria yang digunakan dalam rekrutmen frontliner:
Tabel 1. Kriteria
Kode Kriteria Keterangan Jenis Kriteria
C1 Berkas Administrasi (Surat lamaran, CV, KTP, Pas photo) Benefit
C2 Pendidikan (SMA/SMK, D3, S1, S2) Benefit
C3 Tinggi Badan Benefit
C4 Hasil Tes TKD Benefit
C5 Wawancara Benefit
C6 Usia Cost
Tabel 2. Data alternatif
Alternatif Jenis Kelamin C1 C2 C3 C4 C5 C6
Moci (A1) Laki-laki Surat lamaran, CV, KTP, Pas photo S1 172 76 89 23 Cleo (A2) Perempuan Surat lamaran, CV, KTP, S1 161 80 85 25 Pije (A3) Laki-laki Surat lamaran, CV, KTP, Pas photo SMK 175 74 82 21 Lolly (A4) Perempuan Surat lamaran, KTP, Pas photo D3 164 86 79 23 Kei (A5) Perempuan Surat lamaran, KTP, Pas photo S1 160 82 80 22 Moley (A6) Perempuan Surat lamaran, CV, KTP, Pas photo S1 158 90 85 22
Lucy (A7) Perempuan Surat lamaran, KTP S1 160 72 84 24
Ratih (A8) Laki-laki Surat lamaran, CV, KTP, Pas photo D3 177 70 82 21 Aldi (A9) Laki-laki Surat lamaran, CV, KTP, Pas photo SMK 169 78 87 21 Nugroho (A10) Perempuan Surat lamaran, CV, KTP D3 160 88 90 24 Tamara (A11) Perempuan Surat lamaran, CV, KTP, Pas photo S1 163 84 85 25 Poppy (A12) Laki-laki Surat lamaran, KTP, Pas photo SMK 166 80 83 22 Berdasarkan tabel 2, ada TIGA kriteria yang dikelompokkan menjadi data linguistic yaitu C1 (berkas administrasi), C2 (pendidikan) dan C3 (Tinggi badan) sehingga perlu dilakukan perbaikan bobot. Tinggi badan dilakukan perbaikan bobot karena ada dua rule dimana masing-masing memiliki ketentuannya masing-masing diantaranya untuk wanita minimal tinggi badan 158 cm, sedangkan untuk laki-laki minimal tinggi badan adalah 165 cm, oleh karena itu keduanya harus di pisah untuk ketentuan nilainya. Kriteria C4 (Hasil Tes TKD), C5 (Hasil Wawancara) dan C6 (Usia) tidak perlu dilakukan perbaikan bobot karena datanya sudah memiliki nilai (angka).
Berikut pada tabel 3-5 merupakan bobot dari kriteria yang akan digunakan:
Tabel 3. Perbaikan bobot kriteria C1
Berkas Keterangan Nilai
4 dokumen Lengkap 5
3 dokumen Cukup lengkap 3 2 dokumen Kurang lengkap 1
Tabel 4. Perbaikan bobot kriteria C2 Keterangan Nilai
S1 5
D3 3
SMK 1
Tabel 5. Perbaikan bobot kriteria C3 Jenis Kelamin Skala Tinggi Badan Nilai
Laki-laki
177-180 4
173-176 3
169-172 2
165-168 1
Wanita
170-173 4
166-169 3
162-165 2
158-161 1
3.1 Penerapan Metode ROC
Penentuan tingkat kepentiangan dari setiap kriteria yang ditentukan, berikut perhitungan metode ROC yang diterapkan dalam pembobotan nilai kriteria:
W1=1+
1
2+13+14+15+16+
6 = 0,4083 W2=0+
1
2+13+14+15+16
6 = 0,2417 W3=0+0+
1 3+14+15+16
6 = 0,1583 W4=0+0+0+
1 4+15+16
6 = 0,1028 W5=0+0+0+0+
1 5+16
6 = 0,0611 W6=0+0+0+0+0+
1 6
6 = 0,0278
Berdasarkan perhitungan dengan metode ROC diatas, berikut tabel 5 merupakan kriteria yang telah di bobotkan:
Tabel 5. Nilai bobot kriteria
Kode Kriteria Keterangan Jenis Kriteria Bobot Kriteria C1 Berkas Administrasi Benefit 0,4083
C2 Pendidikan Benefit 0,2417
C3 Tinggi Badan Benefit 0,1583
C4 Hasil Tes TKD Benefit 0,1028
C5 Wawancara Benefit 0,0611
C6 Usia Cost 0,0278
3.2 Penerapan Metode MOOSRA
Setelah data yang dibutuhkan telah lengkap (data alternative dan data kriteria), maka perlu dilakukan pencocokan antara data alternative dengan perbaikan bobot kriteria sehingga dibentuk sebuah rating kecocokan. Berikut tabel 6 merupakan rating kecocokan yang akan digunakan sebagai proses perhitungan metode MOOSRA:
Tabel 6. Rating kecocokan dari setiap alternatif
Alternatif C1 C2 C3 C4 C5 C6
Moci (A1) 5 5 2 76 89 23
Cleo (A2) 3 5 2 80 85 25
Pije (A3) 5 1 3 74 82 21
Lolly (A4) 3 3 2 86 79 23
Kei (A5) 3 5 1 82 80 22
Aldi (A6) 5 5 1 90 85 22
Lucy (A7) 1 5 1 72 84 24
Ratih (A8) 5 3 4 70 82 21
Moley (A9) 5 1 2 78 87 21
Nugroho (A10) 3 3 2 88 90 24
Tamara (A11) 5 5 2 84 85 25
Poppy (A12) 3 1 1 80 83 22
Berikut langkah-langkah penyelesaian metode MOOSRA dalam merekrut frontliner yang sesuai dengan kriteria yang telah ditentukan oleh pihak instansi:
a. Membuat matriks keputusan
Xij =
5 5 2 76 89 23 3 5 2 80 85 25 5 1 3 74 82 21 3 3 2 86 79 23 3 5 1 82 80 22 5 5 1 90 85 22 1 5 1 72 84 24 5 3 4 70 82 21 5 1 2 78 87 21 3 3 2 88 90 24 5 5 2 84 85 25 3 1 1 80 83 22 b. Normalisasi matriks x
C1=√52+ 32+ 52+ 32+ 32+ 52+ 12+ 52+ 52+ 32+ 52+ 32= 14 X11 = 5/14 = 0,3571
X21 = 3/14 = 0,2143 X31 = 5/14 = 0,3571 X41 = 3/14 = 0,2143 X51 = 3/14 = 0,2143 X61 = 5/14 = 0,3571 X71 = 1/14 = 0,0714 X81 = 5/14 = 0,3571 X91 = 5/14 = 0,3571 X101 = 3/14 = 0,2143 X111 = 5/14 = 0,3571 X121 = 3/14 = 0,2143
C2=√52+ 52+ 12+ 32+ 52+ 52+ 52+ 32+ 12+ 32+ 52+ 12= 13,4164 X12 = 5/13,4164 = 0,3725
X22 = 5/13,4164 = 0,3725 X32 = 1/13,4164 = 0,0745 X42 = 3/13,4164 = 0,2236 X52 = 5/13,4164 = 0,3725 X62 = 5/13,4164 = 0,3725 X72 = 5/13,4164 = 0,3725 X82 = 3/13,4164 = 0,2236 X92 = 1/13,4164 = 0,0745 X102 = 3/13,4164 = 0,2236 X112 = 5/13,4164 = 0,3725 X122 = 1/13,4164 = 0,0745
Lakukan perhitungan mencari normalisasi matriks x diatas hingga kriteria ke-6 (C6). Berikut matriks Xij yang terbentuk setelah dilakukan perhitungan terhadap semua kriteria.
Xij =
0,3571 0,3727 0,2747 0,2735 0,3047 0,2913 0,2143 0,3727 0,2747 0,2879 0,2910 0,3166 0,3571 0,0745 0,4121 0,2663 0,2808 0,2660 0,2143 0,2236 0,2747 0,3094 0,2705 0,2913 0,2143 0,3727 0,1374 0,2950 0,2739 0,2786 0,3571 0,3727 0,1374 0,3238 0,2910 0,2786 0,0714 0,3727 0,1374 0,2591 0,2876 0,3039 0,3571 0,2236 0,5494 0,2519 0,2808 0,2660 0,3571 0,0745 0,2747 0,2807 0,2979 0,2660 0,2143 0,2236 0,2747 0,3166 0,3082 0,3039 0,3571 0,3727 0,2747 0,3022 0,2910 0,3166 0,2143 0,0745 0,1374 0,2879 0,2842 0,2786
Perhitungan perkalian matriks Xij dengan Wj (0,4083 0,2417 0,1583 0,1028 0,0611 0,0278)
Xij*Wj =
0,1458 0,0901 0,0435 0,0281 0,0186 0,0081 0,0875 0,0901 0,0435 0,0296 0,0178 0,0088 0,1458 0,0180 0,0652 0,0274 0,0172 0,0074 0,0875 0,0540 0,0435 0,0318 0,0165 0,0081 0,0875 0,0901 0,0217 0,0303 0,0167 0,0077 0,1458 0,0901 0,0217 0,0333 0,0178 0,0077 0,0292 0,0901 0,0217 0,0266 0,0176 0,0084 0,1458 0,0540 0,0870 0,0259 0,0172 0,0074 0,1458 0,0180 0,0435 0,0289 0,0182 0,0074 0,0875 0,0540 0,0435 0,0326 0,0188 0,0084 0,1458 0,0901 0,0435 0,0311 0,0178 0,0088 0,0875 0,0180 0,0217 0,0296 0,0174 0,0077 c. Pengoptimalan Atribut
𝑌∗𝑖 = ∑ 𝑊𝑖𝑗 𝑋
∗𝑖𝑗 𝑔
𝑗=1
√∑𝑚𝑗=𝑔+1𝑊𝑖𝑗 𝑋∗𝑖𝑗
𝑌1 =0,1458+0,0901+0,0435+0,0281+0,0186
0,0081 = 40,2737
𝑌12 =0,0875+0,0901+0,0435+0,0296+0,0178
0,0088 = 30,4976
𝑌3 =0,1458+0,0180+0,0652+0,0274+0,0172
0,0074 = 37,0053
𝑌4 =0,0875+0,0540+0,0435+0,0318+0,0165
0,0081 = 28,8191
𝑌5 =0,0875+0,0901+0,0217+0,0303+0,0167
0,0077 = 31,8095
𝑌6 =0,1458+0,0901+0,0217+0,0333+0,0178
0,0077 = 39,8573
𝑌7 =0,0292+0,0901+0,0217+0,0266+0,0176
0,0084 = 21,9169
𝑌8 =0,1458+0,0540+0,0870+0,0259+0,0172
0,0074 = 44,6191
𝑌9 =0,1458+0,0180+0,0435+0,0289+0,0182
0,0074 = 34,4058
𝑌10 =0,0875+0,0540+0,0435+0,0326+0,0188
0,0084 = 27,9782
𝑌11 =0,1458+0,0901+0,0435+0,0311+0,0178
0,0088 = 37,2927
𝑌12 =0,0875+0,0180+0,0217+0,0296+0,0174
0,0077 = 22,4914
Tabel 7. Ranking
Alternatif Preferensi Rank
A1 40,2734 2
A2 30,4976 8
A3 37,0053 5
A4 28,8191 9
A5 31,8095 7
A6 39,8573 3
A7 21,9169 12
A8 44,6195 1
A9 34,4058 6
A10 27,9782 10
A11 37,2927 4
A12 22,4914 11
Setelah diterapkan kedua metode tersebut yaitu metode ROC dan MOOSRA, berdasarkan tabel 7 terlihat bahwa alternative terbaik adalah A8 dengan nilai preferensi 44,6195 dan diikuti oleh alternative A1 dengan nilai preferensi 40,2737 dan alternative A6 dengan nilai preferensi 39,8573. Jadi, yang berhak lulus menjadi frontliner atas nama Ratih, Moci dan Moley
4. KESIMPULAN
Kesimpulan yang dapat dibuat setelah diterapkan metode ROC yang digunakan untuk membobotkan dan mencari nilai tingkat kepentingan dari setiap kriteria dan juga menggunakan metode MOOSRA yang di terapkan untuk mencari perangkingan dari setiap alternative yang mendaftar sebagai frontliner berdasarkan setiap kriteria. Setelah diterapkan kedua metode tersebut yaitu metode ROC dan MOOSRA, dihasilkan bahwa alternative terbaik adalah A8 dengan nilai preferensi 44,6195 dan diikuti oleh alternative A1 dengan nilai preferensi 40,2737 dan alternative A6 dengan nilai preferensi 39,8573. Jadi, yang berhak lulus menjadi frontliner atas nama Ratih, Moci dan Aldi
REFERENCE
[1] N. P. Rizanti, L. T. Sianturi, and M. Sianturi, “Sistem Pendukung Keputusan Pemilihan Siswa Pertukaran Pelajar Menggunakan Metode PSI (Preference Selection Index),” Semin. Nas. Teknol. Komput. dan Sains, pp. 263–269, 2019.
[2] Di. P. U. Samuel Damanik, “Implementasi Metode ROC (Rank Order Centroid) Dan Waspas Dalam Sistem Pendukung Keputusan Pemilihan Kerjasama Vendor,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 1, no. 1, pp. 242–241, 2020.
[3] F. Saidah, N. Hasibuan, and E. Pratiwi, “Sistem Pendukung Keputusan Penerapan Metode MOOSRA Rekrutmen PPNPN Pada Kantor Pertanahan Kota Medan,” SNASTIKOM, vol. 1, no. 01, pp. 89–97, 2022.
[4] B. G. Sudarsono, I. Zulkarnain, E. Buulolo, and D. P. Utomo, “Analisa Penerapan Metode MOOSRA dan MOORA dalam Keputusan Pemilihan Lokasi Usaha,” Build. Informatics, Technol. Sci., vol. 4, no. 3, pp. 1456–1463, 2022.
[5] Z. Azhar, N. Mulyani, J. Hutahaean, and A. Mayhaky, “Sistem Pendukung Keputusan Pemilihan E-Commerce Terbaik Menggunakan Metode MOOSRA,” J. MEDIA Inform. BUDIDARMA, vol. 6, no. 4, pp. 2346–2351, 2022.
[6] A. S. Nadeak, “Implementasi Ahp Dan Moosra Pemilihan Kasir Terbaik (Studi Kasus: Suzuya Departement Store),” Pelita Inform. Inf. dan …, vol. 9, pp. 189–196, 2021.
[7] G. Surya, K. Yota, and E. Aryanto, “SPK Penentuan Lokasi ATM Menggunakan Metode AHP dan SAW,” vol. 01, pp. 49–
56, 2019.
[8] J. Afriany, K. Tampubolon, and R. Fadillah, “Penerapan Metode TOPSIS Penentuan Pemberian Mikro Faedah Bank Syariah Indonesia (BSI),” TIN Terap. Inform. Nusant., vol. 2, no. 3, pp. 129–137, 2021.
[9] T. A. Sundara, I. Stephane, and M. Fadli, “SPK Penilihan Guru Terbaik Dengan Metode WP Pada MAN 1 Pariaman,” J.
Inform., vol. 6, no. 2, pp. 310–321, 2019.
[10] T. Limbong et al., Sistem Pendukung Keputusan: Metode & Implementasi. Medan: Yayasan Kita Menulis, 2020.
[11] A. Yunaldi, “Sistem Pendukung Keputusan Seleksi Bantuan Siswa Miskin Menerapkan Kombinasi Metode SAW dan ROC,”
J. Media Inform. Budidarma, vol. 3, no. 4, p. 376, 2019.
[12] M. Badaruddin, “Sistem Pendukung Keputusan Penilaian Kinerja Karyawan Menerapkan Kombinasi Metode Simple Additive Weighting (SAW) dengan Rank Order Centroid (ROC),” J. Media Inform. Budidarma, vol. 3, no. 4, p. 366, 2019.
[13] M. Mesran, T. M. Diansyah, and F. Fadlina, “Implemententasi Metode Rank Order Cendroid (ROC) dan Operational Competitiveness Rating Analysis (OCRA) dalam Penilaian Kinerja Dosen Komputer Menerapkan (Studi Kasus: STMIK Budi Darma),” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. 0, p. 822, Sep. 2019.
[14] R. Khalida, B. Bangun, M. Mesran, and N. Oktari, “Penerapan Metode ROC dan Weighted Aggregated Sum Product Assesment (WASPAS) dalam Penerimaan Asisten Perkebunan,” J. Media Inform. Budidarma, vol. 5, no. 3, p. 937, 2021.
[15] D. Febrina and I. Saputra, “Penerapan Multiobjective Optimization on the Basis of Simple Ratio Analysis (MOOSRA) Dalam Pemilihan Konten Lokal Terbaik,” J. Comput. Syst. Informatics, vol. 2, no. 3, pp. 10–19, 2021.
[16] H. Haeruddin, “Pemilihan Peserta Olimpiade Matematika Menggunakan Metode MOORA dan MOOSRA,” Build.
Informatics, Technol. Sci., vol. 3, no. 4, pp. 489–494, 2022.
[17] M. Mesran and F. T. Waruwu, “Comparative Analysis of MOORA and MOOSRA Methods in Determining Prospective Students Recipient of the Indonesian Smart Card (KIP),” J. Inf. Syst. Res., vol. 3, no. 4, pp. 499–506, 2022.
[18] Haeruddin, “Pemilihan Peserta Olimpiade Matematika Menggunakan Metode MOORA dan MOOSRA,” Build. Informatics, Technol. Sci., vol. 3, no. 4, pp. 489–494, 2022.
[19] A. F. Vidyandari, M. P. Hutagaol, and J. Affandi, “Analisis Kepuasan Nasabah Terhadap Pelayanan Frontliner Bank X Kantor Cabang Khusus Sudirman,” J. Apl. Bisnis dan Manaj., vol. 7, no. 1, pp. 1–10, 2021.
[20] T. Ismawanto, R. G. Setianegara, and S. Rahmani, “Pengaruh Kualitas Pelayanan Dan Kinerja Karyawan Frontliner Terhadap Kepuasan Nasabah PT Bank Rakyat Indonesia (Persero), Tbk Kantor Cabang Balikpapan Sudirman Unit Klandasan,” J.
Bisnis dan Kewirausahaan, vol. 16, no. 1, pp. 1–11, 2020.
