Evaluasi Kinerja Karyawan Kontrak Menggunalan Metode Fuzzy Tsukamoto

(1)

Evaluasi Kinerja Karyawan Kontrak Menggunalan Metode Fuzzy Tsukamoto

Kartika Sari^*, Rosma Siregar

Program Sistem informasi, STMIK Triguna Dharma, Medan, Indonesia Email: ^1,*[email protected], ²[email protected]

Email Penulis Korespondensi: [email protected]

Abstrak−Karyawan kontrak merupakan pegawai yang berkerja secara kontak dengan perjanjian waktu tertentu. Namun ada kalanya karyawan kontak dengan kinerja yang baik akan berubah statusnya menjadi karyawan tetap. Untuk menetapkan karyawan kontrak menjadi karyawan tetap dibutukannya evaluasi apakah kinerja karyawan tersebut layak untuk dianggkat menjadi karyawan tetap. Namun untuk melakukan evaluasi tersebut dibutuhkan variabel untuk melakukan penilaian. Dalam penilaian evaluasi kinerja tersebut tidak mudah untuk mentukan nilai dari setiap variabel. Untuk membantu seorang HRD dalam mentukan dianggkatnya karyawan kontak menjadi karyawan tetap diperlukan sistem pendukung keputusan untuk mempermudah perkejaan HRD. Sistem pendukung keputusan dibuat menggunakan metode fuzzy logic tsukamoto dikarenakan fuzzy tsukamoto memiliki toleransi terhadap nilai data. Hasil penelitian yang didapat adalah karyawan tersebut dapat diangkat menjadi karyawan tetap dengan nilai 93.4. Adapun tujuan dari sistem pendukung keputusan ini adalah untuk mengetahui layak atau tidaknya karyawan kontrak menjadi karyawan tetap berdasarkan alternatif kedisiplinan, cara kerja dan perilaku.

Kata Kunci: Fuzzy, Tsukamoto; Evaluasi Karyawan

Abstract−Contract employees are employees who work in contact with a certain time agreement. However, there are times when contact employees with good performance will change their status to permanent employees. To determine whether an employee is a permanent employee, an evaluation of whether the employee's performance is worthy of being appointed as a permanent employee is required. However, to carry out this evaluation, a variable is needed to make an assessment. In the performance evaluation it is not easy to determine the value of each variable. To assist an HRD in determining the appointment of a contact employee to become a permanent employee, a decision support system is needed to facilitate HRD work. The decision support system is made using the Tsukamoto fuzzy logic method because the Tsukamoto fuzzy has a tolerance for value data. The result of the research is that the employee can be appointed as a permanent employee with a value of 93.4. The purpose of this decision support system is to determine whether or not contract employees are eligible to become permanent employees based on alternative disciplines, ways of working and behavior.

Keywords: Fuzzy; Tsukamoto; Employee Evaluation

1. PENDAHULUAN

Sumber Daya Manusia (SDM) merupakan faktor penting bagi sebuah perusahaan. Manajemen SDM merupakan aspek penting dari kesuksesan sebuah perusahaan. Dengan pengelolaan yang baik terhadap kinerja karyawan, diharapkan perusahaan dapat menjalankan seluruh proses bisnis dengan baik. Penilaian kinerja karyawan biasanya bersifat subjektif [1]. Pemilihan karyawan tetap menjadi acuan yang objektif untuk menentukan progres kinerja perusahaan kedepannya [2]. Sistem pendukung keputusan adalah sistem informasi berbasis komputer yang menghasilkan berbagai alternatif keputusan yang membantu pihak tertentu menangani masalah data dan model [3]–[5]. Pendukung keputusan merupakan hasil proses seleksi dari berbagai alternatif kebijakan perilaku dan dapat dipilih melalui mekanisme tertentu dengan tujuan untuk mengambil keputusan yang terbaik [6][7].

Untuk mempermudah dalam mengevaluasi kinerja karyawan kontrak maka dibutuhkan sistem pendukung keputusan menggunakan metode fuzzy tsukamoto. Meode tsukamoto dipilih kerena konsep fuzzy gampang untuk dipahami. Konsep matematis yang mendasari penalaran fuzzy yang sederhana. Metode ini sangat fleksibel memiliki toleransi data-data yang tidak sempurna, dan mampu memodelkan setiap fungsi non linier yan sangat kompleks sebahai hasil, output inferensi dari tiap-tiap aturan diberikan secara tegas sesuai predikat, hasil akhirnya mamakai nilai rata-rata[8][9].

Beberapa peneltian terkait sebelumnya dengan peneltian ini yaitu penelitian oleh Maryaningsih et,al pada tahun 2013 [10] menggunakan metode fuzzy logic tsukamoto untuk melakukan pengambilan keputusan penerima beasiswa. Hasil penelitian tersebut menghasilkan fuzzy tsukamoto dapat memilih siapa yang dapat menerima beasiswa baru. Penelitian yang dilakukan oleh Rahman pada tahun 2014 [11] menggunakan fuzzy logic untuk klasifikasi penerimaan beasiswa di politeknik semarang. Hasil penelitian tersebut menghasilkan sistem yang dapat membantu untuk menghasilkan penerimaan beasiswa dengan akurasi 100% kesamaan dengan data.

Penelitan selanjutnya yang diteliti oleh Ika et,al pada tahun 2019 [12] menggunakan metode tsukamoto untuk mengdiagnosa penyakit autisme dimana penelitian ini berhasil mendiagnosa berdasarkan dari gejala-gejala yang dirasakan anak. Penelitian dengan metode tsukamoto yang diteliti oleh Siregar et,al pada tahun 2020 [13]

memilih jenis persalinan ibu berdasarkan indikasi ibu dan anak dimana hasil peneltian ini mampu memrprediksi jenis persalinan. Penelitian selanjutnya oleh Hadi dan Mahmudy tahun 2015 [14] menggunakan metode tsukamoto dalam menentukan karyawan berprestasi, dari penelitian tersebut ditemukan bahwa fuzzy tsukamoto bisa dipergunakan buat penilaian prestasi karyawan.

(2)

Dari adanya permasalan tersebut maka dibuatlah sistem penunjang keptusan, yang dimana dibuatnya penelitian ini untuk membantu penelitan ini membantu seorang HRD menganalisa kandidiat karyawan yang dipilih menjadi karyawan tetap.

2. METODOLOGI PENELITIAN

2.1 Tahapan Penelitian

Tapahan penelitian bertujuan untuk mempermudah memahami proses peneltian yang akan dibuat, adapun tahapan- tahapan yang akan dilakukan pada penelitain ini dapat dilihat pada gambar berikut :

Gambar 1. Tahapan Penelitian 2.2 Fuzzy Logic

Teori crips dikembangkan oleh Prof. LoftiZadeh pada tahun 1962, Zadeh berpendapat bahwa logika benar dan salah dalam logika konvensional tidak dapat mengatasi masalah gradasi yang ada di dunia nyata. Untuk mengatasi masalah gradasi tak hingga ini, Zadeh mengembangkan himpunan fuzzy. Berbeda dengan logika boolean, logika fuzzy memiliki nilai kontinu. Kabur dinyatakan dalam derajat keanggotaan dan derajat kebenaran. Oleh karena itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada saat yang bersamaan [15].

2.2 Fuzzy Tsukamoto

Fuzzy tsukamoto dipergunakan sebab beberapa alasan, antara lain ialah setiap nilai parameter konsekuen di hukum yang berbentuk IF-THEN direpresentasikan dengan suatu himpunan fuzzy yg fungsi keanggotaannya monoton.

menjadi hasilnya, keluaran yang akan terjadi inferensi pada setiap hukum didefinisikan sebagai nilai yg tegas (crips) berdasarkan bertenaga penyulutan aturan. holistik keluaran tersebut diperoleh memakai rata – rata berbobot [16]. Cara kerja metode fuzzy tsukamoto [17]:

a. Fuzzyfikasi

Proses fuzzifikasi artinya perhitungan nilai crisp atau input nilai ke dalam derajat keanggotaan. Proses perhitungan fuzzifikasi sesuai batasan fungsi keanggotaan Rumus:

µTurun[x]={

1;

(b-x)/(b-a) 0

x ≤ b b≤ x ≤a

x ≥ a

(1)

µBaik[x]= { 0;

(x-a)/(b-a) 1

x ≤ a a≤ x ≤b

x ≥ a (2)

b. Mesin Inferensi

Fuzzy Inference System (FIS) artinya sistem yang melakukan perhitungan sesuai konsep teori himpunan fuzzy, aturan fuzzy, serta konsep logika fuzzy. pada sistem inferensi fuzzy (FIS) ada input fuzzy berupa nilai-nilai

(3)

crip. Nilai crisp akan dihitung berdasarkan hukum yang telah dibuat buat menghasilkan besaran fuzzy yg dianggap proses Fuzzifikasi.

c. Proses defuzzifikasi himpunan fuzzy diturunkan dari susunan aturan fuzzy, sedangkan keluaran yang dihasilkan berupa bilangan pada domain himpunan fuzzy. Rumus defuzzyfikasi:

Z= ^{∑(𝛼_𝑝𝑖∗𝑧𝑖)}_{∑(𝛼_𝑝𝑖)} (3)

Dimana:

Z = nilai rata-rata defuzzyfikasi Α_p =nilai predikat alpha

3. HASIL DAN PEMBAHASAN

Untuk melakukan perhitungan fuzzy logic metode tsukamoto membutuhkan beberapa variabel yg menjadi input dan output berasal metode perhitungan. Adapun variabel input dan hasil yg digunakan buat menganalisis jenis persalinan dalam penelitian ini ialah menjadi berikut:

Tabel 1. Variabel Fuzzy

Fungsi Variabel Variabel Himpunan Nilai Variabel

Input Perilaku Buruk 50-90

Baik

Disiplin Buruk 50-90

Baik

Cara Kerja Buruk 50-90

Baik

Output Kinerja Buruk

Baik

<80

≥80

Untuk pegujian data secara manual akan menggunakan data yaitu, seorang karyawan kontrak pada sebuah perusahaan mempunya nilai perilaku 85, disiplin 95 dan cara kerja 90. Tentukan apakah karyawan pertama dapat diangkat menjadi karyawan tetap:

a. Fuzzyfikasi 1. Perilaku

Gambar 2. Variabel Perilaku Fungsi keanggotaan:

µBuruk[85]=(90-85)/(90-50)= 5/40=0.13 µBaik[85]= (85-50)/ (90-50)=35/40=0.87 2. Disiplin

Gambar 3. Variabel Disiplin Fungsi keanggotaan :

µBuruk[95]=0

(4)

µBaik[95]=1 3. Cara Kerja

Gambar 4. Variabel Cara Kerja Fungsi keanggotaan :

µBuruk[89]= (90-89)/(90-50)=1/40=0.025 µBaik[89]=(89-50)/(90-50)=39/40=0.975 4. Kinerja

Gambar 5. Kinerja Fungsi keanggotaan :

µBuruk[x]={

1;

(100-z)/(100-75) 0

x ≤ 75 50≤ x ≤90

x ≥ 100 µBaik[x]= {

0;

(z-75)/(100-75) 1

x ≤ 75 75≤ x ≤100

x ≥ 100 b. Pembentukan Rule

Rule yang akan digunakan pada penelitian ini dapat dilihat pada tabel berikut. Terdapat 8 rule yang akan digunakan.

Tabel 2. Rules

Rule Perilaku Disiplin Cara Kerja Kinerja

1 Baik Baik Baik Baik

2 Baik Baik Buruk Baik

3 Baik Buruk Baik Baik

4 Baik Buruk Buruk Buruk

5 Buruk Baik Baik Baik

6 Buruk Baik Buruk Buruk

7 Buruk Buruk Baik Buruk

8 Buruk Buruk Buruk Buruk

c. Mesin Inferensi

[R1]If Perilaku Baik AND Disiplin Baik AND Cara Kerja Baik THEN Kinerja Baik a-predikat1= min (0.87;1; 0.975) = 0.87

Lihat himpunan Kinerja Baik:

(z1-75)/(100-75)=0.87 Z1= 75+21.75 = 96.75

(5)

[R2]If Perilaku Baik AND Disiplin Baik AND Cara Kerja Buruk THEN Kinerja Baik a-predikat2 = min (0.87;1; 0.025)= 0.025

(z2-75)/(100-75)=0.025 Z2=75+0.625 =75.625

[R3]If Perilaku Baik AND Disiplin Buruk AND Cara Kerja Baik THEN Kinerja Baik a-predikat3 = min (0.87;0; 0.975)= 0

(z3-75)/(100-75)=0 Z2=75+0 =75

[R4]If Perilaku Baik AND Disiplin Buruk AND Cara Kerja BurukTHEN Kinerja Buruk a-predikat4 = min (0.87;0; 0.975)= 0

Lihat himpunan Kinerja Buruk:

(100-z4)/(100-75)=0 Z4=100-0=100

[R5]If Perilaku Buruk AND Disiplin Baik AND Cara Kerja Baik THEN Kinerja Baik a-predikat5 = min (0.13;1; 0.975)= 0.13

(z5-75)/(100-75)=0.13 Z5= 75+9.75=84.75

[R6]If Perilaku Buruk AND Disiplin Baik AND Cara Kerja Buruk THEN Kinerja Buruk a-predikat6 = min (0.13;1; 0.025)= 0.025

(100-z6)/(100-75)=0.025 Z6=100-74.975=25.025

[R7]If Perilaku Buruk AND Disiplin Buruk AND Cara Kerja Baik THEN Kinerja Buruk a-predikat7 = min (0.13;0; 0.975)= 0

(100-z7)/(100-75)=0 Z7=100-0=100

[R8]If Perilaku Buruk AND Disiplin Buruk AND Cara Kerja Buruk THEN Kinerja Buruk a-predikat8 = min (0.13;0; 0.025)= 0

(100-z8)/(100-75)=0 Z8=100-0=100 d. Defuzzyfikasi

Z = (0.87∗96.75)+(0.025∗75.625)+(0∗75)+(0∗100)+(0.13∗84.75)+(0.025∗25.0.25+(0∗100)+(0∗100) 0.87+0.025+0+0+0.13+0.025+0+0

= 84.2+1.9+0+0+11+0.6+0+0 0.87+0.025+0+0+0.13+0.025+0+0

=^97.7

1.05

=93.04

Hasil perhitungan manual untuk data tersebut mendapat nilai akhir yaitu 93.4 dimana dari penjelas tabel 1.

Variabel fuzzy dinyatakan layak menjadi karywan tetap jika mendapat nilai >80. Maka nilai dari evaluasi kerja karyawan kontrak tersebut dinyatakan layak untuk dianggat menjadi karyawan kontrak.

4. KESIMPULAN

Kesimpulan yang diperoleh dari analisis penelitian ini adalah fuzzy tsukamoto mampu membuat keputusan kinerja karyawan tetap dengan menggunakan input perilaku, disiplin dan cara kerja. Menggunakan fuzzy tsukamoto untuk memproses data dan menghasilkan keluaran layak atau tidaknya karyawan kontrak diangkat menjadi karyawan tetap menjadikan hasil evaluasi menjadi lebih adil bagi setiap kandidat karyawan yang akan mengikuti evaluasi, dengan demikian menjadikan fuzzy tsukamoto dapat dijadikan sebagai alat untuk diterapkan ke sistem penunjang keputusan dan bisa membantu keputusan HRD dalam memilih karyawan tetap.

REFERENCES

[1] M. Angeline, “Sistem Pendukung Keputusan Pemilihan Karyawan Terbaik Menggunakan Metode Profile Matching,” J.

Ilm. Smart, vol. 2, no. 2, pp. 45–51, 2018.

(6)

[2] F. Frieyadie, “Penggunaan Metode Profile Matching Untuk Sistem Penunjang Keputusan Kenaikan Jabatan Pada Instansi Pemerintah,” Paradig. Komput. dan Inform., vol. 18, no. 2, pp. 75–80, 2016.

[3] N. Nurjannah, Z. Arifin, and D. M. Khairina, “Sistem pendukung keputusan pembelian sepeda motor dengan metode weighted product,” J. Inform. Mulawarman, vol. 10, no. 2, pp. 2–6, 2015.

[4] D. C. Oktavia, K. Aeni, and N. M. Saraswati, “SISTEM PENDUKUNG KEPUTUSAN MENU MAKANAN UNTUK PENDERITA PENYAKIT TIPES DAN DIABETES MENGGUNAKAN METODE TECHNIQUE FOR ORDER PREFERENCE BY SIMILARITY TO IDEAL SOLUTION (TOPSIS)(Studi Kasus: RSUM SA),” Indones. J.

Informatics Res., vol. 1, no. 1, pp. 8–13, 2020.

[5] R. A. B. SPK, “Sistem Pendukung Keputusan Berbasis Client Server untuk Penentuan Biaya Pembangunan Rumah (Studi Kasus pada PT Buana Nata Loka),” 2011.

[6] R. Yunitarini, “Sistem Pendukung Keputusan Pemilihan Penyiar Radio Terbaik,” J. Mikrotek, vol. 1, no. 1, pp. 43–52, 2013.

[7] H. Anwar, “Proses pengambilan keputusan untuk mengembangkan mutu madrasah,” Nadwa, vol. 8, no. 1, pp. 37–56, 2014.

[8] A. Z. Rakhman, H. N. Wulandari, G. Maheswara, and S. Kusumadewi, “Fuzzy Inference System Dengan Metode Tsukamoto Sebagai Pemberi Saran Pemilihan Konsentrasi (Studi Kasus: Jurusan Teknik Informatika Uii),” 2012.

[9] D. Selywita, “Sistem Pendukung Keputusan Pemilihan Supplier Obat Menggunakan Metode Fuzzy Tsukamoto,”

Sisfotenika, vol. 3, no. 1, pp. 21–30, 2013.

[10] M. Maryaningsih, S. Siswanto, and M. Mesterjon, “Metode Logika Fuzzy Tsukamoto Dalam Sistem Pengambilan Keputusan Penerimaan Beasiswa,” J. Media Infotama, vol. 9, no. 1, 2013.

[11] F. R. Ansori, “Klasifikasi Penerimaan Beasiswa Dengan Menggunakan Logika Fuzzy Tsukamoto (Studi Kasus Politeknik Kesehatan Kementrian Kesehatan Semarang),” Tek. Inform. Ilmu Komput., vol. 1, pp. 1–9, 2014.

[12] N. I. Kurniati, R. R. El Akbar, and P. Wijaksono, “Penerapan metode fuzzy tsukamoto pada sistem pakar untuk mendiagnosa autisme pada anak,” Innov. Res. Informatics, vol. 1, no. 1, 2019.

[13] R. Siregar, M. Zarlis, and Z. Situmorang, “Tsukamoto’s Fuzzy Logic Development Analysis to Predict Caesarean or Normal Delivery,” in 2020 3rd International Conference on Mechanical, Electronics, Computer, and Industrial Technology (MECnIT), 2020, pp. 152–157.

[14] H. N. Hadi and W. F. Mahmudy, “Penilaian Prestasi Kinerja Pegawai Menggunakan Fuzzy Tsukamoto,” J. Teknol. Inf.

dan Ilmu Komput., vol. 2, no. 1, pp. 41–48, 2015.

[15] A. S. Omar, M. Waweru, and R. Rimiru, “A literature survey: Fuzzy logic and qualitative performance evaluation of supply chain management,” Int. J. Engineeirng Sci., vol. 4, no. 5, pp. 56–63, 2015.

[16] F. Ariani and R. Y. Endra, “Implementation of fuzzy inference system with Tsukamoto method for study programme selection,” 2013.

[17] I. Wahyuni, W. F. Mahmudy, and A. Iriany, “Rainfall prediction in Tengger region Indonesia using Tsukamoto fuzzy inference system,” in 2016 1st International Conference on Information Technology, Information Systems and Electrical Engineering (ICITISEE), 2016, pp. 130–135.