View of ANALISIS METODE PREFERENCE SELECTION INDEX DALAM MANAJERIAL EVALUASI KINERJA SUMBER DAYA MANUSIA

(1)

426

ANALISIS METODE PREFERENCE SELECTION INDEX DALAM MANAJERIAL EVALUASI KINERJA SUMBER DAYA MANUSIA

Angelus Aprianus Laia¹⁾, Siti Aisyah^2*), Aprianto Togatorop³⁾, Dolly Martin Marpaung4⁾

1-4 Fakultas Sains dan Teknologi, Universitas Prima Indonesia email: [email protected], [email protected],

Abstract

This research aims to solve the problem of performance assessment in a private company in the city of Medan. The quality of human resources (HR) is a key factor in achieving company goals, and performance appraisals often give rise to the effects of social jealousy among workers. To assist managerial parties in evaluating the performance of Human Resources, the Preference Selection Index (PSI) method is used to assist decision making. This research uses quantitative methods with employee data from the company's administration department as a sample by applying 4 assessment criteria such as performance, persistence, loyalty, discipline. Data collection involves interviews and direct visits to research locations. Data analysis was carried out by formulating a decision matrix, normalizing the data, calculating the normalized average value, preference variation value, determining the value in preferences, calculating the criteria weights, and calculating the overall preference value. The results showed that Individual 8 had the highest performance. This conclusion provides an overview of the extent to which employee performance meets the standards set by the company. This PSI method can be an effective tool in assisting management in making decisions regarding HR performance evaluation, by providing valuable information for understanding and increasing employee productivity.

Keywords: HR, Company, PSI, Quality, Criteria

1. PENDAHULUAN

Setiap perusahaan sangat membutuhkan sumber daya manusia yang berkualitas untuk mencapai tujuan perusahaan yang sudah di tentukan. Dalam pencapaian tujuan tersebut maka suatu perusahaan membutuhkan seorang pemimpin yang mampu mengelola sumber daya manusia yang ada di dalam perusahaan sehingga memiliki kualitas Sumber Daya Manusia (SDM) yang baik. Seringnya penilaian evaluasi dan penilaian yang terjadi memberikan efek kecemburuan sosial di tengah lingkungan para pekerja. Suatu organisasi maupun instansi tidak terlepas dari peranan SDM ataupun karyawan yang bekerja di dalamnya [1].

Kualitas sumber daya manusia merupakan salah satu faktor yang diperlukan untuk meningkatkan produktivitas kinerja suatu

instansi. Seorang pimpinan harus dapat menggambarkan area kinerja yang diinginkan dan dievaluasi sebagai wujud dari manajerial yang baik [2]. Banyak berkembangnya metode- metode yang dapat digunakan dalam sistem pendukung keputusan [3]–[13], [14]–[19].

Preference Selection Index (PSI) merupakan salah satu metode dalam cabang ilmu komputer yang dapat digunakan sebagai pendukung keputusan [20], . Metode indeks pemilihan preferensi dikembangkan dalam pengambilan keputusan multi-kriteria (MCDM) terhadap suatu masalah [21]. Dalam metode yang diusulkan ini tidak perlu untuk menetapkan kepentingan relatif antara atribut. Bahkan, tidak ada persyaratan menghitung bobot atribut yang terlibat dalam masalah pengambilan keputusan dalam metode ini [21]–[23].

(2)

427

Metode ini berguna ketika ada konflik dalam memutuskan kepentingan relatif di antara atribut. Dengan melihat latar belakang di atas, pada kesempatan ini penulis ingin melakukan analisis terkait metode PSI yang digunakan sebagai teknik pendukung keputusan.

Diharapkan dengan penelitian ini dapat memberikan pengetahuan baru terkait metode PSI serta hasilnya nanti juga dapat diterapkan di perusahaan sebagai media dalam melakukan evaluasi kinerja SDM. Maka 2 dari itu peneliti melakukan penelitian dengan judul analisis metode PSI dalam manajerial evaluasi kinerja SDM sebagai teknik pendukung keputusan.

2. METODE PENELITIAN

Jenis penelitian ini termasuk kedalam penelitian kuantitatif. Jenis penelitian ini muncul dalam bentuk angka atau mendiskripsikan fenomena atau fakta. Dapat juga mengumpulkan data secara mendalam dan lengkap untuk menjelaskan fenomena yang terjadi. Penelitian ini juga mengadopsi bentuk eksplorasi yaitu data yang diperoleh dari salah satu perusahaan swasta di kota Medan. Untuk memperoleh informasi lebih lanjut, penelitian ini meliputi tentang perilaku, persepsi, motivasi, dan perilaku yang digambarkan dalam kata–kata dan bahasa dalam konteks yang natural.

Kelengkapan dan kedalaman data yang diteliti sangatlah penting. Pengumpulan data yang dilakukan dalam penelitian ini melalui wawancara dan kunjungan ke lokasi penelitian secara langsung. Agar penelitian dapat berjalan dengan baik dan selesai dengan tepat waktu maka terdapat kerangka kerja penelitian.

Adapun kerangka kerja penelitian ini terlihat pada gambar 1.

Gambar 1. Kerangka Penelitian

Metode indeks pemilihan preferensi dikembangkan untuk menyelesaikan pengambilan keputusan multi-kriteria (MCDM) masalah [24].

Dalam hal ini tidak perlu menetapkan kepentingan relatif antara atribut. Bahkan, tidak ada persyaratan menghitung bobot atribut yang terlibat dalam masalah pengambilan keputusan dalam metode ini [25]. Metode ini berguna ketika ada konflik dalam memutuskan kepentingan relatif di antara atribut. Langkah- langkah yang terlibat dalam metode PSI adalah sebagai berikut:

a. Tentukan masalahnya: Tentukan tujuan dan mengidentifikasi atribut serta alternatif terkait yang terlibat dalam masalah pengambilan keputusan yang sedang dipertimbangkan.

b. Merumuskan matriks keputusan:

Langkah ini melibatkan konstruksi matriks berdasarkan semua informasi yang tersedia guna menggambarkan atribut masalah. Setiap deretan keputusan matriks dialokasikan untuk satu alternatif, dan setiap kolom untuk satu atribut. Oleh karena itu, elemen Xij dari matriks keputusan X memberikan nilai atribut j dalam nilai asli asli; bahwa adalah bentuk dan unit non-normal untuk alternatif ke-i. Jadi, jika jumlah alternatifnya adalah M dan jumlah atribut adalah N.

c. Normalisasi data: Keputusan multi- atribut menentukan metode yang diperlukan dalam membuat nilai atribut tanpa dimensi. Untuk tujuan ini, nilai atribut diubah menjadi 0 dan 1. Proses transformasi ini dikenal sebagai normalisasi, yang dilakukan berdasarkan jenis atribut. Jika atribut adalah tipe yang menguntungkan, maka nilai yang lebih besar diinginkan, dinormalisasi sebagai: 𝑁𝑖𝑗 = 𝑋𝑖j ….Persamaan (1) d. Hitung nilai rata-rata dari data yang

dinormalisasi: Dalam langkah ini, nilai rata-rata dari data yang dinormalisasi

(3)

428

dari setiap atribut

1

𝑛 ∑ 𝑁_𝑖𝑗

𝑛 𝑖=1

….Persamaan (2)

e. Hitung nilai variasi preferensi: Pada langkah ini, nilai variasi preferensi antara nilai-nilai setiap atribut ∅𝑗 = ∑ [𝑁_𝑖𝑗− 𝑁]²

𝑛

𝑖=1 ….Persamaan (3).

f. Langkah ke 6 tentukan penyimpangan dalam nilai preferensi: Dalam hal ini langkah, penyimpangan dalam nilai preferensi dihitung untuk setiap atribut 𝛺𝑗 = 1 − 𝛷𝑗 ….Persamaan (4).

g. Menghitung bobot kriteria untuk preferensi yaitu dengan cari membagi nilai preferensi tiap atribut dengan total nilai preferensi keseluruhan.

h. Hitung nilai preferensi keseluruhan 𝜃𝑖= ∑^𝑀_𝐽=1𝑋𝑖𝑗. 𝑤𝑖𝑗 ...Persamaan(5).

i. Langkah: 8. Hitung indeks pemilihan preferensi: Sekarang, indeks pemilihan referensi dihitung untuk setiap alternative

j. Langkah: 9. Pilih alternatif yang sesuai untuk aplikasi yang diberikan:

Akhirnya, setiap alternatif diberi peringkat sesuai dengan menurun atau urutan naik untuk memfasilitasi manajerial interpretasi hasil. Alternatif memiliki yang tertinggi indeks pemilihan preferensi akan menempati peringkat pertama dan seterusnya.

3. HASIL DAN PEMBAHASAN

Adapun analisis masalah pada penelitian kali ini adalah melakukan penilaian kinerja karyawan yang di improvisasi menggunakan metode Preference Selection Index. Pada hal ini dilakukan analisa terkait PSI dalam pengolahan data terkait penilaian kinerja karyawan/SDM dan pengujian data menggunakan PSI yang divisualisasikan dengan menggunakan Library Python.

Adapun analisis yang akan digunakan pada penelitian ini adalah data karyawan bagian

administrasi salah satu perusahaan swasta di kota medan yang dimana pada hal ini di ambil sebanyak 15 data karyawan dari beberapa bagian tertentu.

3.1. Pengolahan Data Manual

Adapun yang digunakan pada penelitian ini adalah data karyawan bagian administrasi salah satu perusahaan swasta di kota medan yang dimana pada hal ini di ambil sebanyak 15 data karyawan dari beberapa bagian tertentu.

Setelah diperoleh sampel data yanga akan digunakan, maka untuk tahap selanjutnya kita melakukan pengolahan data dengan improvisasi metode Preference Selection Index.

Tabel 1. Data Karyawan

No Nama Bagian

1. Darman Kepala IDT

2. Anwar Karim Staff Adm IDT 3. Wandi Lim Kep. Pemasaran 4. Anita Dewi Staff Pemasaran 5. Puji Astuti Dewi Staff Pemasaran 6. Abdul Manaf Staff Pemasaran 7. Khairina Staff Pemasaran 8. Caroline Wijaya Kepala Keuangan 9. Rikardo Simanjuntak Keuangan 10. Yuni Purnama Keuangan

11. Kevin IT

12. Lukman Staff Adm IDT

13. Patricia Staff Adm IDT 14. Robert Sutanto IT

15. Bagas Siregar IT

1. Penentuan Kriteria dan Bobot Penilaian Pada penelitian ini jumlah kriteria yang digunakan ada empat yaitu kinerja, kerajinan, loyalitas, dan disiplin.

Keempat kriteria ini berdasarkan bentuk penilaian yang selama ini digunakan di perusahaan yang bersangkutan dengan kategori penilaian kurang, cukup baik, baik, dan sangat baik seperti yang tertera pada tabel 2 dan tabel 3.

(4)

429

Tabel 2. Tabel Kriteria Kriteria Keterangan

Kinerja Benefit

Kerajinan Benefit Loyalitas Benefit

Disiplin Benefit

Tabel 3. Kategori Preference Kategori Nilai

Kurang 1

Cukup Baik 2

Baik 3

Sangat Baik 4

Tabel 4. Penilaian Alternatif Alternat

if

Kin erja

Kerajin an

Loy alita s

Dis ipli n Mirna

Devina

Individu 1

Sangat

Baik Baik Baik Cukup Guntur

Saputra

Individu

2 Baik Baik Baik Baik Sari

Anggrae ni

Individu

3 Baik Kurang Baik Baik Syamsul

Akbar

Individu 4

Sangat

Baik Kurang Sanga t Baik Baik Habil

Syahreji

Individu 5

Cukup

Baik Baik Baik Baik Kartika Individu

6

Cukup Baik

Sangat

Baik Baik Baik Toni

Siregar

Individu 7

Cukup

Baik Baik Baik Sangat Dahner

Marpaun g

Individu 8

Sangat Baik

Sanga t Baik Cukup Ahmad

Saputra

Individu

9 Baik Kurang Baik Baik Anju

Sagala

Individu

10 Baik Baik

Cuku p Baik

Sangat Raja Individu Baik Baik Baik Baik

Widiant o

11 Robert Siregar

Individu

12 Baik Kurang Baik Baik Pairen Individu

13 Baik Baik Baik Kurang Darman

khaidir

Individu

14 Kurang Sangat

Baik Baik Baik Dewi

Sartika

Individu

15 Baik Kurang Baik Baik Pada tabel 4 merupakan data penilaian yang diberikan pada karyawan. Kolom individu merupakan istilah yang digunakan nantinya untuk masing-masing karyawan. Bertujuan sebagai nama alternatif sehingga tidak lagi menggunakan identitas asli karyawan yang bersangkutan.

Tabel 5. Rating kecocokan dari setiap alternatif pada kriteria

C1 C2 C3 C4 Individu 1 4 3 3 2 Individu 2 3 3 3 3 Individu 3 3 1 3 3 Individu 4 4 1 4 3 Individu 5 2 3 4 3 Individu 6 2 4 3 3 Individu 7 2 3 3 3 Individu 8 4 4 4 4 Individu 9 3 1 3 2 Individu 10 3 3 2 3 Individu 11 3 3 3 4 Individu 12 3 1 3 3 Individu 13 3 3 3 1 Individu 14 1 4 3 3 Individu 15 3 1 3 3 2. Merumuskan Matriks

Pada bagian ini dilakukan perumusan matrik sekaligus menentukan nilai maksimal dan minimal dari masing-masing kolom kriteria yang ada, dimana nilai maksimal dan minimal tersebut digunakan pada saat mencari nilai normalisasi. Hasil matriks dan

(5)

430

nilai maksimal minimal dapat dilihat pada tabel 6.

Tabel 6. Rating Kecocokan Nilai Maksimal &

Minimal

C1 C2 C3 C4

Individu 1 4 3 3 2

Individu 2 3 3 3 3

Individu 3 3 1 3 3

Individu 4 4 1 4 3

Individu 5 2 3 4 3

Individu 6 2 4 3 3

Individu 7 2 3 3 3

Individu 8 4 4 4 4

Individu 9 3 1 3 2

Individu 10 3 3 2 3

Individu 11 3 3 3 4

Individu 12 3 1 3 3

Individu 13 3 3 3 1

Individu 14 1 4 3 3

Individu 15 3 1 3 3

Nilai Max 4 4 4 4

Nilai Min 1 1 2 1

3. Melakukan normalisasi

Normalisasi dilakukan memudahkan proses perhitungan untuk tujuan ini, nilai atribut diubah antara 0-1. Proses transformasi ini dikenal sebagai normalisasi, yang dilakukan berdasarkan jenis atribut. Jika atribut adalah tipe yang menguntungkan, maka nilai yang lebih besar diinginkan karena nilai angka yang digunakan tidak begitu besar dengan menggunakan persamaan pertama.

Tabel 7. Hasil Matriks Normalisasi

C1 C2 C3 C4

Individu 1 1 0.75 0.75 0.5 Individu 2 0.75 0.75 0.75 0.75 Individu 3 0.75 0.25 0.75 0.75

Individu 4 1 0.25 1 0.75

Individu 5 0.5 0.75 1 0.75 Individu 6 0.5 1 0.75 0.75 Individu 7 0.5 0.75 0.75 0.75

Individu 8 1 1 1 1

Individu 9 0.75 0.25 0.75 0.5 Individu 10 0.75 0.75 0.5 0.75 Individu 11 0.75 0.75 0.75 1 Individu 12 0.75 0.25 0.75 0.75 Individu 13 0.75 0.75 0.75 0.25 Individu 14 0.25 1 0.75 0.75 Individu 15 0.75 0.25 0.75 0.75 Jumlah 10.75 9.5 11.75 10.75

4. Menghitung nilai rata-rata normalisasi Dalam hal ini dilakukan pencarian nilai rata- rata dari setiap atribut atau kolom yang telah dinormalisasi dengan rumus formulasi persamaan 2.

Tabel 8. Nilai Mean

C1 C2 C3 C4

Mean 0.716667 0.633333 0.783333 0.716667 5. Menghitung nilai variasi preference

Untuk menghitung nilai variasi preference menggunakan formulasi persamaan 3.

Tabel 9. Nilai Matrik variasi Preference

C1 C2 C3 C4

Individu 1

0.0802 78

0.01361 111

0.001111 111

0.04694 444 Individu

2

0.0011 11

0.01361 111

0.001111 111

3

0.0011 11

0.14694 444

0.001111 111

4

0.0802 78

0.14694 444

0.046944 444

5

0.0469 44

0.01361 111

0.046944 444

6

0.0469 44

0.13444 444

0.001111 111

7

0.0469 44

0.01361 111

0.001111 111

0.00111 111

(6)

431

Individu 8

0.0802 78

0.13444 444

0.046944 444

9

0.0011 11

0.14694 444

0.001111 111

10

0.0011 11

0.01361 111

0.080277 778

11

0.0011 11

0.01361 111

0.001111 111

12

0.0011 11

0.14694 444

0.001111 111

13

0.0011 11

0.01361 111

0.001111 111

14

0.2177 78

0.13444 444

0.001111 111

15

0.0011 11

0.14694 444

0.001111 111

0.00111 111 Jumlah 0.608 1.23333 0.23333 0.4833

6. Menentukan Nilai Dalam Preferensi Untuk menghitung nilai preferensi menggunakan pada persamaan keempat, apabila ditemukan nilai atribut pada matriks preferensi lebih besar dari 1.

Maka bentuk pencariannya dilakukan secara kebalikannya dan selanjutnya dilakukan penjumlahan setiap atribut. Untuk hasil perhitungan dapat dilihat pada tabel 10.

Tabel 10. Nilai dalam preferensi

C1 C2 C3 C4

Preferens 0.391 7

0.2333 33

0.7666

66667 0.5166667 Total

Nilai 1.908333333

7. Menentukan bobot kriteria

Cara menghitung bobot kriteria dilakukan dengan cara membagi nilai masing- masing atribut preferensi dengan total nilai penjumlahan keseluruhan preferensi dan jumlah dari nilai =1

Tabel 11. Nilai Bobot Kriteria

C1 C2 C3 C4

0.20524017 0.1223 0.401747 0.270742358

8. Menghitung nilai preferensi keseluruhan Hitung nilai preferensi keseluruhan:

Pada langkah ini Metode PSI, nilai preferensi keseluruhan ditentukan untuk setiap atribut menggunakan persamaan 6.

Tabel 12. Hasil Nilai Preferensi

C1 C2 C3 C4

Individu 1

0.205 2

0.0917 03

0.3013100 44

0.13537 12 Individu

2

0.153 9

0.0917 03

0.3013100 44

0.20305 68 Individu

3

0.153 9

0.0305 68

0.3013100 44

0.20305 68 Individu

4

0.205 2

0.0305 68

0.4017467 25

0.20305 68 Individu

5

0.102 6

0.0917 03

0.4017467 25

0.20305 68 Individu

6

0.102 6

0.1222 71

0.3013100 44

0.20305 68 Individu

7

0.102 6

0.0917 03

0.3013100 44

0.20305 68 Individu

8

0.205 2

0.1222 71

0.4017467 25

0.27074 24 Individu

9

0.153 9

0.0305 68

0.3013100 44

0.13537 12 Individu

10

0.153 9

0.0917 03

0.2008733 62

0.20305 68 Individu

11

0.153 9

0.0917 03

0.3013100 44

0.27074 24 Individu

12

0.153 9

0.0305 68

0.3013100 44

0.20305 68 Individu

13

0.153 9

0.0917 03

0.3013100 44

0.06768 56 Individu

14

0.051 3

0.1222 71

0.3013100 44

0.20305 68 Individu

15

0.153 9

0.0305 68

0.3013100 44

0.20305 68 Setelah didapatkan nilai masing-masing preferensi maka selanjutnya dilakukan penjumlahan untuk tiap nilai dari masing-masing atribut sehingga didapatkan hasil pada tabel 13.

Tabel 13. Hasil Akhir Perhitungan Nilai Individu 1 0.7336

Individu 2 0.75

(7)

432

Individu 3 0.6889 Individu 4 0.8406 Individu 5 0.7991 Individu 6 0.7293 Individu 7 0.6987

Individu 8 1

Individu 9 0.6212 Individu 10 0.6496 Individu 11 0.8177 Individu 12 0.6889 Individu 13 0.6146 Individu 14 0.6779 Individu 15 0.6889 3.2. Visualisasi Data

Setelah dilakukan pengolahan data secara manual dengan improvisasi metode PSI maka pada kali ini dilakukan juga pengolahan data menggunakan machine learning pada Library Phyton.

Gambar 2. Visualisasi Data

Pada gambar 2 terlihat hasil yang didapatkan sesuai dengan perhitungan manual yang dilakukan yaitu individu 8, akan tetapi besaran nilai yang ada memiliki perbedaan. Hal

ini dikarenakan pada pengolahan data metode PSI yang dilakukan di pengkodingan tidak melalui tahapan normalisasi sehingga angka yang dihasilkan memiliki perbedaan. Akan tetapi untuk setiap individu memiliki hasil perangkingan ataupun pengurutan yang sama.

Gambar 3. Grafik Perankingan

Pada gambar 3 terdapat grafik perangkingan untuk tiap individu sesuai dengan nilai yang dimiliki dari hasil pengolahan data.

Pada tampilan grafik jelas terlihat bahwa individu 8 memiliki model grafik yang paling panjang dan sekaligus juga sebagai individu yang memiliki bentuk penilaian terbaik.

Berdasarkan hasil perhitungan pengolahan data menggunakan improvisasi metode Preference Selection Index didapatkan hasil terbaik dan tertinggi pada individu 8.

3.3. Hasil

Berdasarkan hasil pengolahan data yang dilakukan menggunakan metode Preference Selection Index didapatkan hasil yang sama bahwa nilai tertinggi dimiliki oleh karyawan atau individu 8 sedangkan urutan terendah

dimiliki oleh individu 13.

(8)

433

4. KESIMPULAN

Berdasarkan hasil pengolahan data menggunakan PSI, diperoleh nilai PSI untuk masing-masing individu. Hasil menunjukkan Individu 8 memiliki performa tertinggi dengan nilai PSI sebesar 3.9984, mengindikasikan bahwa individu ini memiliki performa terbaik sesuai kriteria yang diukur. Selain itu, Individu 4 dan Individu 5 juga menunjukkan performa yang baik dengan PSI masing-masing 3.3611 dan 3.1955.

Di sisi lain, Individu 9 dan Individu 13 memiliki PSI terendah dengan nilai 2.4837 dan 2.4574, menandakan bahwa keduanya memiliki performa yang lebih rendah dibandingkan dengan individu lain dalam kriteria yang diukur.

Kesimpulan ini didasarkan pada peringkat PSI masing-masing individu, yang memberikan gambaran tentang sejauh mana performa mereka sesuai dengan standar yang ditetapkan. Dengan demikian, data PSI memberikan informasi yang berharga untuk mengevaluasi dan memahami performa individu dalam konteks yang diukur.

5. REFERENSI

[1] Edy Sutrisno, Manajemen sumber daya manusia. Kencana, 2016.

[2] F. D. S. B. GINTING, “PENGARUH GAYA KEPEMIMPINAN TERHADAP KINERJA KARYAWAN PADA PT KOENTOKOESNIOHADI AGENCY BEKASI,” Akademi Sekretari dan Manajemen BSI Jakarta, 2018.

[3] S. Sonang, A. T. Purba, and V. M. M.

Siregar, “SISTEM PENDUKUNG

KEPUTUSAN KELAYAKAN

PEMBERIAN PINJAMAN KREDIT MENGGUNAKAN METODE TOPSIS

PADA CUM CARITAS HKBP

PEMATANGSIANTAR,” J. Tek. Inf.

dan Komput., vol. 3, no. 1, p. 25, Sep.

2020, doi: 10.37600/tekinkom.v3i1.131.

[4] H. Sugara, V. M. M. Siregar, K. Sinaga, M. A. Hanafiah, and H. D. Pardede,

“SAW and Electre Methods

Implementation for Scholarship Awardee Decision,” IOTA, vol. 01, no. 4, pp. 209–

220, 2021, doi: 10.31763/iota.v1i4.496.

[5] V. M. M. Siregar and E. D. Siringo- Ringo, “Decision Support System to Determine Scholarship Recipients using Analytical Hierarchy Process Method,”

COSTA J. (Computer Sci. Technol. Appl.

Journal), vol. 1, no. 1, pp. 39–49, 2023, doi: 10.35335/idss.v4i2.67.

[6] V. M. M. Siregar, S. Sonang, and E.

Damanik, “SISTEM PENDUKUNG

KEPUTUSAN PENENTUAN

PELANGGAN TERBAIK

MENGGUNAKAN METODE

WEIGHTED PRODUCT,” J. Tek. Inf.

dan Komput., vol. 4, no. 2, p. 239, Dec.

2021, doi: 10.37600/tekinkom.v4i2.392.

[7] V. M. M. Siregar, M. A. Hanafiah, N. F.

Siagian, K. Sinaga, and M. Yunus,

“Decision Support System For Selecting The Best Practical Work Students Using MOORA Method,” IOTA, vol. 02, no. 4, pp. 270–278, 2022, doi:

10.31763/iota.v2i4.562.

[8] N. A. Sinaga et al., “Decision support system with MOORA method in selection of the best teachers,” in AIP Conference Proceedings, 2022, p.

030020. doi: 10.1063/5.0094437.

[9] V. M. M. Siregar and H. Sugara,

“SISTEM PENDUKUNG KEPUTUSAN

PEMILIHAN SEPEDA MOTOR

BEKAS MENGGUNAKAN METODE WASPAS,” J. Tek. Inf. dan Komput., vol.

5, no. 2, p. 263, Dec. 2022, doi:

10.37600/tekinkom.v5i2.393.

[10] V. M. M. Siregar et al., “Decision support system for selection of food aid recipients using SAW method,” in AIP Conference Proceedings, 2022, p.

030019. doi: 10.1063/5.0094385.

[11] V. Marudut and M. Siregar, “Best Employee Selection Using The Additive Ratio Assesment Method,” vol. 03, 2023, doi: 10.31763/iota.v3i1.589.

(9)

434

[12] V. Marudut, M. Siregar, K. Sinaga, E.

Sirait, A. S. Manalu, and M. Yunus,

“Classification of Customer Satisfaction Through Machine learning : An Artificial Neural Network Approach,” IOTA, vol.

03, no. 3, pp. 273–282, 2023, doi:

10.31763/iota.v3i3.643.

[13] V. M. M. Siregar, “Decision Support System for Determining the Priority of Procurement of Goods with Electre Method,” Comput. Sci. Technol. Appl. J., vol. 1, no. 2, pp. 49–59, 2023.

[14] W. S. Wardana, V. Sihombing, and D.

Irmayani, “SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN LOKASI USAHA KULINER DI DAERAH

BAGAN BATU DENGAN

MENGGUNAKAN METODE TOPSIS,”

J. Tek. Inf. dan Komput., vol. 4, no. 2, p.

151, Dec. 2021, doi:

10.37600/tekinkom.v4i2.260.

[15] S. Sumaizar, K. Sinaga, E. D. Siringo- ringo, and V. M. M. Siregar,

“Determining Goods Delivery Priority for Transportation Service Companies Using SAW Method,” J. Comput.

Networks, Archit. High Perform.

Comput., vol. 3, no. 2, pp. 256–262, Nov.

2021, doi: 10.47709/cnahpc.v3i2.1154.

[16] T. Purnamasari, M. Nasution, and G. J.

Yaris, “Analisis Minat Belajar Mahasiswa Pada Masa Perkuliahan Online Menggunakan Rougt Set,”

JURTEKSI (Jurnal Teknol. dan Sist.

Informasi), vol. VII, no. 3, pp. 251–258, 2021, [Online]. Available:

https://jurnal.stmikroyal.ac.id/index.php/j urteksi/article/view/1062

[17] V. Marudut, M. Siregar, S. Sonang, and E. Damanik, “Sistem Pendukung Keputusan Penentuan Pelanggan Terbaik Menggunakan Metode Weighted Product,” J. TEKINKOM, vol. 4, no. 2, pp. 239–244, 2021.

[18] S. H. Musti, D. Irmayani, and G. J.

Yanris, “ANALYSIS OF THE ELECTRE METHOD IN DECISION

SUPPORT SYSTEMS FOR

DETERMINING AREAS OF

EXPERTISE FOR,” Infokum, vol. 9, no.

2, pp. 184–190, 2021.

[19] F. R. Nasution, D. Irmayani, and V.

Sihombing, “PEMILIHAN PROPOSAL

KEGIATAN MAHASISWA

WIRAUSAHA MERDEKA TERBAIK

MENGGUNAKAN METODE

MOORA,” J. Tek. Inf. dan Komput., vol.

5, no. 2, p. 232, Dec. 2022, doi:

10.37600/tekinkom.v5i2.608.

[20] M. Mesran, R. Rusiana, and M. Sianturi,

“Decision Support System for Termination of Employment using Elimination and Choice Translation Reality Method,” J. Teknol. dan Sist.

Komput., vol. 6, no. 4, pp. 135–138,

2018, doi:

10.14710/jtsiskom.6.4.2018.135-138.

[21] R. Attri and S. Grover, “Application of Preference Selection Index method for decision making over the design stage of production system life cycle,” J. King Saud Univ. - Eng. Sci., vol. 27, no. 2, pp.

207–216, Jul. 2015, doi:

10.1016/j.jksues.2013.06.003.

[22] Mesran, K. Tampubolon, R. D. Sianturi, F. T. Waruwu, and A. P. U. Siahaan,

“Determination of Education Scholarship Recipients Using Preference Selection Index,” Int. J. Sci. Res. Sci. Technol., vol.

3, no. 6, pp. 230–234, 2017.

[23] B. Vahdani, S. M. Mousavi, and S.

Ebrahimnejad, “Soft computing-based Preference Selection Index method for human resource management,” J. Intell.

Fuzzy Syst., vol. 26, no. 1, pp. 393–403, 2014, doi: 10.3233/IFS-120748.

[24] Y. Ali and Aprina, “Penerapan Metode Preference Selection Index ( PSI ) Dalam Pemberian Dana BOS Pada Siswa Kurang Mampu,” Semin. Nas. Teknol.

Komput. Sains, no. 1, pp. 590–597, 2019.

[25] M. Mesran, N. Huda, S. N. Hutagalung, K. Khasanah, and A. Iskandar, “Sistem

(10)

435

Pendukung Keputusan Pemilihan Supervisor Terbaik Pada Bagian Perencanaan Pt. Pln (Persero) Area Medan Menerapkan Preference Selection Index,” KOMIK (Konferensi Nas. Teknol.

Inf. dan Komputer), vol. 2, no. 1, pp.

403–409, 2018, doi:

10.30865/komik.v2i1.966.