PENILAIAN KINERJA KARYAWAN DI IFUN JAYA TEXTILE
DENGAN METODE FUZZY SIMPLE ADDITIVE WEIGHTED
Much. Rifqi Maulana
Jl. Patriot 25 Pekalongan
Pengukuran kinerja suatu perusahaan sangat penting guna evaluasi dan perencanaan masa depan. Penilaian
prestasi karyawan mutlak harus dilakukan untuk mengetahui prestasi yang hendak dicapai setiap karyawan.
Untuk itu setiap perusahaan mempunyai cara yang berbeda dalam melakukan penilaian prestasi kerja
karyawan. Dalam praktiknya, kegiatan penilaian atas prestasi kerja para karyawan harus dilakukan dengan
metode yang baik dan tepat, sehingga tidak terjadi kesalahan dalam penilaian. Hasil penilaian yang dilakukan
harus dapat menjamin perlakuan yang adil serta memuaskan bagi para karyawan yang dinilai, sehingga pada
gilirannya menumbuhkan loyalitas dan semangat kerja. Ada beberapa alat bantu yang sudah umum digunakan
untuk melakukan penilaian prestasi kerja karyawan, yaitu dengan metode performance apparsial. Akan tetapi
metode ini memiliki beberapa masalah diantaranya adalah penilaian masih bersifat samar, terjadi efek halo,
kecenderungan terpusat, dipengaruhi umur, ras dan jenis kelamin. Sistem pendukung keputusan merupakan alat
bantu yang dapat digunakan untuk melakukan penilaian prestasi kerja karyawan dengan cara memperbaiki
metode penilaian dari performance apparsial. Metode Fuzzy Simple Additive Weighting dipilih untuk melakukan
penilaian dan perangkingan prestasi kerja karyawan. Dari hasil pengujian dapat disimpulkan bahwa aplikasi
ini dapat diimplementasikan untuk penilaian prestasi kerja karyawan kontrak di Ifun Jaya Textile.
Kata Kunci: Sistem Pendukung Keputusan, FSAW, Prestasi Kerja Karyawan
1. PENDAHULUAN
Pengukuran kinerja suatu perusahaan sangat penting guna evaluasi dan perencanaan masa depan.
Penilaian prestasi karyawan mutlak harus dilakukan untuk mengetahui prestasi yang hendak dicapai setiap
karyawan. Apakah prestasi yang dicapai setiap karyawan baik, sedang atau kurang. Penilaian prestasi penting
bagi perusahaan untuk menetapkan tindakan kebijaksanaan selanjutnya (1). Untuk itu setiap perusahaan
mempunyai cara yang berbeda dalam melakukan penilaian prestasi kerja karyawan. Penilaian ini tergantung
pada kebijakan perusahaan.
Ifun Jaya Textile merupakan sebuah perusahaan yang bergerak dibidang produksi kain tenun.
Perusahaan ini memiliki karyawan yang jumlahnya selalu meningkat, hal ini dikarenakan jumlah permintaan
produksi yang semakin bertambah. Kondisi saat ini, penilaian dilakukan dengan mengamati karyawan kemudian
data diolah secara manual, dimana masih banyak terjadinya kesalahan dalam penginputan data karyawan dan
penilaian prestasi kerja serta membutuhkan waktu yang relatif lebih lama.
Terdapat beberapa pendekatan untuk menyelesaikan permasalahan penilaian prestasi karyawan, antara
lain dengan menggunakan Multi Attribute Decision Making (MADM) dengan metode Simple Additive Weighting
(SAW), Weighted Product (WP), ELECTRE, TOPSIS, Analytic Hierarchy Process (AHP).
Menurut Afshari Alireza, Mojahed Majid dan Mohd Yusuff Rosnah dalam “Simple Additive Weighting
Approach to Personnel Selection Problem” keterbatasan dari makalah tersebut adalah adalah bahwa SAW
mengabaikan fuzziness of executivesselama proses pengambilan keputusan. Selain itu, beberapa kriteria dapat
memiliki struktur kualitatif atau memiliki struktur yang tidak pasti dan tidak dapat diukur dengan tepat (2).
Armadyah Amborowati pada jurnalnya yang berjudul “Sistem Pendukung Keputusan Penilaian
Karyawan Berprestasi berdasarkan Kinerja” membangun sebuah sistem pendukung keputusan yang mempunyai
kemampuan analisa pemilihan karyawan berprestasi dengan menggunakan metode Analytic Hierarchy Process
(AHP), dimana masing-masing kriteria dalam hal ini faktor- faktor penilaian dan alternatif dalam hal ini para
karyawan dibandingkan satu dengan yang lainnya sehingga memberikan output nilai intensitas prioritas yang
menghasilkan suatu sistem yang memberikan penilaian terhadap setiap karyawan.
Sistem pendukung keputusan ini membantu melakukan penilaian setiap karyawan, melakukan
perubahan kriteria,dan perubahan nilai bobot. Hal ini berguna untuk memudahkan pengambil keputusan yang
terkait dengan masalah pemilihan karyawan berprestasi, sehingga akan di dapatkan karyawan yang paling layak
diberi reward atau penghargaan (3).
2 [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
Tabel 1. Related Research
1 Simple Additive
karyawan terbaik, namun SAW
kualitatif atau memiliki struktur yang tidak
pasti dan tidak dapat diukur dengan tepat (2).
2 Fuzzy Simple Additive
kriteria ini dapat berubah sesuai dengan
perjanjian manajemen (5).
Dari beberapa pendekatan yang memungkinkan, dipilih pendekatan Fuzzy Multi Attribute Decision
Making (FMADM) dengan metode Simple Additive Weighting (SAW). Metode ini dipilih karena metode ini
menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perangkingan yang akan
menyeleksi alternatif terbaik dari sejumlah alternatif, dalam hal ini alternatif yang dimaksud adalah yang berhak
menerima reward berdasarkan kriteria-kriteria yang ditentukan. Alasan lain penggunaan Fuzzy Multi Attribute
Decision Making (FMADM) dengan metode Simple Additive Weighting (SAW) karena data penilaian yang
diinput tidak harus berupa data crips, berbeda dengan metode Multi Attribute Decision Making (MADM) klasik,
dimana input data penilaian harus berupa data crips.
Tujuan dari penelitian ini adalah bagaimana melakukan penilaian kinerja karyawan di Ifun Jaya Textile
dengan memanfaatkan metode Fuzzy Simple Additive Weighting (FSAW). Diharapkan penilaian kinerja
karyawan dengan metode FSAW di Ifun Jaya Textile dapat dilakukan dengan lebih baik dan cepat, sehingga bisa
membantu manajemen dalam mengambil sebuah keputusan.
1.2 Landasan Teori
Pada dasarnya proses MADM dilakukan melalui 3 tahapan yaitu: penyusunan komponen-komponen situasi,
analisis dan sintesis informasi. Pada tahap penyusunan komponen, komponen situasi akan dibentuk tabel taksiran
yang berisi identifikasi alternatif dan spesifikasi tujuan, kriteria dan tribut. Salah satu cara untuk
menspesifikasikan tujuan situasi |Oi, i=1,...,t | adalah dengan cara mendaftar konsekuensi-konsekuensi yang
mungkin dari alternatif yang telah teridentifikasi | Ai, i=1,...,n|. Selain itu juga disusun atribut-atribut yang akan
digunakan |ak, k=1,...,n|.
a. Mendatangkan taksiran dari besaran yang potensial, kemungkinan dan ketidakpastian yang berhubungan
dengan dampak-dampak yang mungkin pada setiap alternatif.
b. Meliputi pemilihan dari preferensi pengambil keputusan untuk setiap nilai dan ketidakpedulian terhadap
resiko yang timbul.
Masalah Multi Attribute Decision Making (MADM) adalah mengevaluasi m alternatif Ai (i=1,2,...,m) terhadap
sekumpulan atribut atau kriteria Cj (j=1,2,...,n), dimana setiap atribut saling tidak bergantung satu dengan yang
lainnya. Matriks keputusan setiap alternatif terhadap setiap atribut X, diberikan sebagai:
[
]
Dimana Xij merupakan rating kinerja alternatif ke-i terhadap atribut ke-j. Nilai bobot yang menunjukkan tingkat
kepentingan relatif setiap atribut, sebagai W. W = {W1,W2,...,Wn}
Rating kinerja (X) dan nilai bobot (W) merupakan nilai utama yang merepresentasikan preferensi absolut dari
pengambil keputusan.
a. Tidak cukup efisien untuk menyelesaikan masalah-masalah pengambilan keputusan yang melibatkan data-
data yang tidak tepat, tidak pasti dan tidak jelas.
b. Biasanya diasumsikan bahwa keputusan akhir terhadap alternative-alternatif diekspresikan dengan bilangan
riil, sehingga tahap perangkingan menjadi kurang mewakili beberapa permasalahn tertentu dan penyelesaian
masalah hanya terpusat pada tahap agregasi.
Salah satu cara yang dapat digunakan untuk menyelesaikan permasalahan tersebut adalah dengan menggunakan
Fuzzy Multi Attribute Decision Making (FMADM). Tahapan untuk penyelesaian masalah dengan FMADM :
a. Membuat rating pada setiap alternative berdasarkan agregasi derajat kecocokan pada semua kriteria.
b. Merangking semua alternative untuk mendapatkan alternative terbaik. Ada 2 (dua) cara yang digunakan,
yaitu defuzzy atau relasi preferensi fuzzy (7).
1.2.2. Simple Additive Weighting Method (SAW)
Metode ini sering dikenal dengan istilah metode penjumlahan terbobot. Konsep dasar metode ini adalah mencari
penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut (7). Metode ini membutuhkan
proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating
alternatif yang ada.
(1.1)
Dimana rij adalah rating kinerja ternormalisasi dari aloternatif Ai pada atribut Cj, i=1,2,...,m dan j=1,2,...,n. Nilai
preferensi untuk setiap alternatif (Vi) diberikan sebagai:
∑ (1.2)
Nilai Vi yang lebih besar mengidentifikasikan bahwa alternatif Ai lebih terpilih.
2. METODE PENELITIAN
2.1 Jenis Penelitian
Penelitian dilakukan di Ifun Jaya Textile dengan membandingkan antara penilaian kinerja karyawan
secara manual dengan penilaian kinerja karyawan dengan metode FSAW untuk mengetahui seberapa cepat,
akurat dan tepat proses perhitungan yang dilakukan. Untuk melakukan penelitian dilakukan observasi terlebih
dahulu di Ifun Jaya Textile dengan membagikan kuesioner dan melakukan wawancara kepada pemilik
perusahaan.
2.2 Populasi dan Sampel
Jumlah karyawan di Ifun Jaya Textile pada Desember tahun 2011 adalah 35 orang, adapun jumlah
detailnya adalah sebagai berikut :
Tahun
2011
Bulan
1 2 3 4 5 6 7 8 9 10 11 12
20 20 24 24 24 24 30 30 35 35 35 35
Dengan jumlah populasi yang hanya 35 orang, maka seluruh populasi akan digunakan dalam penelitian.
2.3 Metode Pengumpulan Data
Pengumpulan data dilakukan dengan memberikan kuesioner kepada 4 (empat) orang yang terdiri dari
pemilik perusahaan, manager operasional, mandor dan bendahara perusahaan. Berikut pertanyaan yang
disampaikan pada pre test :
4 [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
1. Penilaian kinerja karyawan yang saat ini berjalan dapat memberikan informasi yang akurat?
2. Penilaian kinerja karyawan yang saat ini berjalan dapat memberikan hasil yang cepat?
3. Penilaian kinerja karyawan yang saat ini berjalan dapat membantu perusahaan dalam pengambilan
keputusan?
4. Proses yang saat ini berjalan dapat memudahkan dalam melakukan penilaian kinerja karyawan?
5. Proses yang saat ini berjalan sudah memberikan analisis yang tepat dan akurat terhadap penilaian kinerja
karyawan?
6. Penilaian kinerja karyawan yang saat ini berjalan menggunakan beberapa parameter/variabel?
7. Penilaian kinerja karyawan yang saat ini berjalan dapat memberikan keuntungan bagi perusahaan?
Hasil kuesioner tersebut diukur dengan skala Likert, yang merupakan bentuk skala penilaian antara 1
(satu) sampai 4 (empat) dengan deskripsi sebagai berikut :
Angka 1 (satu) menyatakan tidak setuju (TS)
Angka 2 (dua) menyatakan kurang setuju (KS)
Angka 3 (tiga) menyatakan setuju (S)
Angka 4 (empat) menyatakan sangat setuju (ST)
Tabel 3. Hasil Pre Test :
No Nama Karyawan Jabatan Pertanyaan
Total 1 2 3 4 5 6 7
1 H. Zabidin Pemilik Perusahaan 3 1 2 3 2 3 2 16
2 Saefun Naja Manager Operasional 3 2 2 2 3 2 3 17
3 M. Nizam Mandor 2 3 1 2 3 1 3 15
4 Talita Khusna Bendahara 2 2 2 3 1 3 2 15
Selain memberikan kuesioner, dilakukan pula wawancara terhadap pemilik perusahaan Ifun Jaya
Textile. Wawancara dilakukan untuk mengetahui apa yang menjadi kriteria penilaian kinerja karyawan dan
bagaimana pembobotan yang saat ini dilakukan. Dari hasil wawancara yang dilakukan, pemilik perusahaan
menetapkan beberapa kriteria dan bobot untuk penilaian kinerja karyawan, yaitu :
Tabel 4. Kriteria dan Bobot Penilaian Kinerja Karyawan di Ifun Jaya Textile
No Kriteria Penilaian Bobot Preferensi Keterangan
1 Kualitas dan
Sangat Tinggi Menilai berapa jumlah dan bagaimana kualitas pekerjaan yang
telah diselesaikan karyawan
2 Ketaatan Tinggi Menilai tanggung jawab terhadap seluruh proses pelaksanaan
tugas dan ketaatan terhadap aturan perusahaan
3 Kerjasama Cukup Menilai tingkat kemampuan bekerjasama dengan atasan dan
rekan kerja dalam melaksanakan tugas
4 Semangat kerja Cukup Menilai motivasi secara terus menerus dalam pelaksanaan tugas
dan antusiasme untuk pengembangan dirinya
5 Disiplin kerja Tinggi Menilai ketepatan hadir di tempat kerja
2.4 Teknik Pengolahan dan Analisa Data
Setelah data diperoleh, selanjutnya adalah melakukan perhitungan dengan data tesebut dengan metode
FSAW. Untuk menganalisis data hasil angket dilakukan langkah-langkah sebagai berikut:
1. Melakukan identifikasi kriteria.
C2 = Ketaatan
C3 = Kerjasama
C4 = Semangat Kerja
C5 = Disiplin Kerja
Dari bilangan fuzzy bobot yang telah ditentukan dapat dikonversikan ke bilangan crips : Sangat Rendah (SR)
=0; Rendah (R)=0,25; Cukup (C)=0,5; Tinggi (T)=0,75; dan Sangat Tinggi (ST)=1;
Tabel 5. Rating kecocokan dari setiap alternatif pada setiap kriteria
NO Alternatif Nilai Kriteria
[Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012] 5
1 Ahmad Sholeh Baik Baik Sangat Baik Cukup Baik
2 Eko Darmawanto Sangat Baik Baik Baik Baik Sangat Baik
3 Kiswandi Baik Sangat Baik Cukup Baik Baik
4 Ibnu Nugroho Cukup Baik Cukup Cukup Baik
5 Slamet Baik Baik Baik Baik Cukup
6 Lukman Hakim Baik Baik Cukup Cukup Cukup
7 Sudomo Baik Baik Baik Cukup Cukup
8 Kasmuri Kurang Baik Cukup Baik Baik
9 Carmun Kurang Cukup Baik Kurang Kurang
10 Setyadi Cukup Cukup Baik Cukup Cukup
11 Adi Kusumo Baik Cukup Cukup Cukup Kurang
12 Kurniawan Baik Sangat Baik Baik Baik Baik
13 Irham Baik Baik Cukup Cukup Cukup
14 Mulyono Baik Sangat Baik Baik Baik Baik
15 Condro Baik Cukup Cukup Baik Baik
16 Amat Ridho Baik Baik Baik Baik Sangat Baik
17 Miftahuddin Baik Cukup Baik Cukup Cukup
18 Mirza Cukup Baik Baik Cukup Cukup
19 Nurul Huda Baik Baik Sangat Baik Baik Baik
20 Zaenal Abidin Baik Cukup Cukup Baik Baik
21 Mustofa Baik Baik Cukup Baik Sangat Baik
22 Agus Salim Baik Sangat Baik Baik Baik Baik
23 Ahmad Dahlan Baik Cukup Cukup Baik Baik
24 Sobiyanto Baik Baik Sangat Baik Baik Sangat Baik
25 Sobirin Cukup Baik Kurang Baik Baik
26 Mustaqim Cukup Cukup Baik Kurang Kurang
27 Ismail Baik Cukup Baik Cukup Cukup
28 M. Zakaria Baik Cukup Cukup Cukup Kurang
29 Burhanuddin Cukup Baik Baik Cukup Cukup
30 Farid Sangat Baik Baik Baik Baik Baik
31 M. Taufiq Baik Cukup Cukup Baik Baik
32 Saefuddin Baik Baik Baik Baik Baik
NO Alternatif Nilai Kriteria
33 Ghufron Cukup Cukup Baik Kurang Kurang
6 [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
34 Junaidi Baik Cukup Baik Cukup Cukup
35 Yusron Baik Cukup Baik Sangat Baik Sangat Baik
2. Melakukan konversi bilangan fuzzy ke bilangan crips.
Semua kriteria terbagi atas 5 (lima) bilangan fuzzy, yaitu sangat kurang (SK), kurang (K), cukup (C), baik
(B), sangat baik (SB). Bilangan-bilangan fuzzy tersebut dapat dikonversikan ke bilangan crips : SK=0;
K=0,25; C=0,5; B=0,75; dan SB=1;
Tabel 6. Hasil konversi bilangan fuzzy kebilangan crips dari setiap alternatif pada setiap kriteria
NO Alternatif Nilai Kriteria
1 Ahmad Sholeh 0.75 0.75 1 0.5 0.75
2 Eko Darmawanto 1 0.75 0.75 0.75 1
3 Kiswandi 0.75 1 0.5 0.75 0.75
4 Ibnu Nugroho 0.5 0.75 0.5 0.5 0.75
5 Slamet 0.75 0.75 0.75 0.75 0.5
6 Lukman Hakim 0.75 0.75 0.5 0.5 0.5
7 Sudomo 0.75 0.75 0.75 0.5 0.5
8 Kasmuri 0.25 0.75 0.5 0.75 0.75
9 Carmun 0.25 0.5 0.75 0.25 0.25
10 Setyadi 0.5 0.5 0.75 0.5 0.5
11 Adi Kusumo 0.75 0.5 0.5 0.5 0.25
12 Kurniawan 0.75 1 0.75 0.75 0.75
13 Irham 0.75 0.75 0.5 0.5 0.5
14 Mulyono 0.75 1 0.75 0.75 0.75
15 Condro 0.75 0.5 0.5 0.75 0.75
16 Amat Ridho 0.75 0.75 0.75 0.75 1
17 Miftahuddin 0.75 0.5 0.75 0.5 0.5
18 Mirza 0.5 0.75 0.75 0.5 0.5
19 Nurul Huda 0.75 0.75 1 0.75 0.75
20 Zaenal Abidin 0.75 0.5 0.5 0.75 0.75
21 Mustofa 0.75 0.75 0.5 0.75 1
22 Agus Salim 0.75 1 0.75 0.75 0.75
23 Ahmad Dahlan 0.75 0.5 0.5 0.75 0.75
24 Sobiyanto 0.75 0.75 1 0.75 1
25 Sobirin 0.5 0.75 0.25 0.75 0.75
NO Alternatif Nilai Kriteria
26 Mustaqim 0.5 0.5 0.75 0.25 0.25
[Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012] 7
27 Ismail 0.75 0.5 0.75 0.5 0.5
28 M. Zakaria 0.75 0.5 0.5 0.5 0.25
29 Burhanuddin 0.5 0.75 0.75 0.5 0.5
30 Farid 1 0.75 0.75 0.75 0.75
31 M. Taufiq 0.75 0.5 0.5 0.75 0.75
32 Saefuddin 0.75 0.75 0.75 0.75 0.75
33 Ghufron 0.5 0.5 0.75 0.25 0.25
34 Junaidi 0.75 0.5 0.75 0.5 0.5
35 Yusron 0.75 0.5 0.75 1 1
3. Membuat matriks keputusan.
[
]
Dari matriks keputusan (X) tersebut kemudian dilakukan proses normalisasi ke suatu skala yang dapat
diperbandingkan dengan semua rating alternatif yang ada sesuai dengan persamaan 1.1 :
Tabel 7. Hasil normalisasi matriks keputusan :
NO Alternatif Nilai Kriteria
1 Ahmad Sholeh 0.75 0.75 1 0.5 0.75
2 Eko Darmawanto 1 0.75 0.75 0.75 1
3 Kiswandi 0.75 1 0.5 0.75 0.75
4 Ibnu Nugroho 0.5 0.75 0.5 0.5 0.75
5 Slamet 0.75 0.75 0.75 0.75 0.5
6 Lukman Hakim 0.75 0.75 0.5 0.5 0.5
7 Sudomo 0.75 0.75 0.75 0.5 0.5
8 Kasmuri 0.25 0.75 0.5 0.75 0.75
9 Carmun 0.25 0.5 0.75 0.25 0.25
10 Setyadi 0.5 0.5 0.75 0.5 0.5
11 Adi Kusumo 0.75 0.5 0.5 0.5 0.25
12 Kurniawan 0.75 1 0.75 0.75 0.75
13 Irham 0.75 0.75 0.5 0.5 0.5
14 Mulyono 0.75 1 0.75 0.75 0.75
15 Condro 0.75 0.5 0.5 0.75 0.75
16 Amat Ridho 0.75 0.75 0.75 0.75 1
NO Alternatif Nilai Kriteria
17 Miftahuddin 0.75 0.5 0.75 0.5 0.5
18 Mirza 0.5 0.75 0.75 0.5 0.5
8 [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
19 Nurul Huda 0.75 0.75 1 0.75 0.75
20 Zaenal Abidin 0.75 0.5 0.5 0.75 0.75
21 Mustofa 0.75 0.75 0.5 0.75 1
22 Agus Salim 0.75 1 0.75 0.75 0.75
23 Ahmad Dahlan 0.75 0.5 0.5 0.75 0.75
24 Sobiyanto 0.75 0.75 1 0.75 1
25 Sobirin 0.5 0.75 0.25 0.75 0.75
26 Mustaqim 0.5 0.5 0.75 0.25 0.25
27 Ismail 0.75 0.5 0.75 0.5 0.5
28 M. Zakaria 0.75 0.5 0.5 0.5 0.25
29 Burhanuddin 0.5 0.75 0.75 0.5 0.5
30 Farid 1 0.75 0.75 0.75 0.75
31 M. Taufiq 0.75 0.5 0.5 0.75 0.75
32 Saefuddin 0.75 0.75 0.75 0.75 0.75
33 Ghufron 0.5 0.5 0.75 0.25 0.25
34 Junaidi 0.75 0.5 0.75 0.5 0.5
35 Yusron 0.75 0.5 0.75 1 1
4. Melakukan Perangkingan.
Setelah proses normalisasi, kemudian dihitung nilai preferensi untuk setiap alternatif (Vi) dengan vector
bobot W = [1; 0,75; 0,5; 0,5; 0,75] sesuai dengan persamaan 1.2 :
Tabel 8. Hasil perangkingan dengan FSAW :
Vi C1 C2 C3 C4 C5 Nilai V
Ahmad Sholeh 0.75 0.56 0.50 0.25 0.56 2.63
Eko Darmawanto 1.00 0.56 0.38 0.38 0.75 3.06
Kiswandi 0.75 0.75 0.25 0.38 0.56 2.69
Ibnu Nugroho 0.50 0.56 0.25 0.25 0.56 2.13
Slamet 0.75 0.56 0.38 0.38 0.38 2.44
Lukman Hakim 0.75 0.56 0.25 0.25 0.38 2.19
Sudomo 0.75 0.56 0.38 0.25 0.38 2.31
Kasmuri 0.25 0.56 0.25 0.38 0.56 2.00
Carmun 0.25 0.38 0.38 0.13 0.19 1.31
Setyadi 0.50 0.38 0.38 0.25 0.38 1.88
Adi Kusumo 0.75 0.38 0.25 0.25 0.19 1.81
Kurniawan 0.75 0.75 0.38 0.38 0.56 2.81
Irham 0.75 0.56 0.25 0.25 0.38 2.19
Mulyono 0.75 0.75 0.38 0.38 0.56 2.81
Condro 0.75 0.38 0.25 0.38 0.56 2.31
Amat Ridho 0.75 0.56 0.38 0.38 0.75 2.81
Miftahuddin 0.75 0.38 0.38 0.25 0.38 2.13
Mirza 0.50 0.56 0.38 0.25 0.38 2.06
Vi C1 C2 C3 C4 C5 Nilai V
Nurul Huda 0.75 0.56 0.50 0.38 0.56 2.75
Zaenal Abidin 0.75 0.38 0.25 0.38 0.56 2.31
Mustofa 0.75 0.56 0.25 0.38 0.75 2.69
Agus Salim 0.75 0.75 0.38 0.38 0.56 2.81
Ahmad Dahlan 0.75 0.38 0.25 0.38 0.56 2.31
[Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012] 9
Sobiyanto 0.75 0.56 0.50 0.38 0.75 2.94
Sobirin 0.50 0.56 0.13 0.38 0.56 2.13
Mustaqim 0.50 0.38 0.38 0.13 0.19 1.56
Ismail 0.75 0.38 0.38 0.25 0.38 2.13
M. Zakaria 0.75 0.38 0.25 0.25 0.19 1.81
Burhanuddin 0.50 0.56 0.38 0.25 0.38 2.06
Farid 1.00 0.56 0.38 0.38 0.56 2.88
M. Taufiq 0.75 0.38 0.25 0.38 0.56 2.31
Saefuddin 0.75 0.56 0.38 0.38 0.56 2.63
Ghufron 0.50 0.38 0.38 0.13 0.19 1.56
Junaidi 0.75 0.38 0.38 0.25 0.38 2.13
Yusron 0.75 0.38 0.38 0.50 0.75 2.75
3. HASIL DAN PEMBAHASAN
Setelah penilaian kinerja karyawan dengan metode FSAW diimplementasikan di Ifun Jaya Textile, disebar
kuesioner tahap kedua dengan responden yang sama untuk mengukur dampak implementasi sistem dengan
pertanyaan dan hasil sebagai berikut :
1. Apakah sistem pendukung keputusan penilaian kinerja karyawan dengan metode FSAW dapat memberikan
informasi yang lebih akurat?
2. Apakah sistem pendukung keputusan penilaian kinerja karyawan dengan metode FSAW dapat lebih efektif
untuk menilai kinerja karyawan?
3. Apakah sistem pendukung keputusan penilaian kinerja karyawan dengan metode FSAW dapat membantu
perusahaan dalam pengambilan keputusan?
4. Apakah sistem pendukung keputusan penilaian kinerja karyawan dengan metode FSAW dapat digunakan
secara mudah dalam melakukan penilaian prestasi kerja karyawan?
5. Apakah sistem pendukung keputusan penilaian kinerja karyawan dengan metode FSAW dapat memberikan
analisis yang lebih tepat dan akurat?
6. Apakah sistem pendukung keputusan penilaian kinerja karyawan dengan metode FSAW dapat digunakan
untuk menilai kinerja karyawan dengan menggunakan beberapa parameter?
7. Apakah sistem pendukung keputusan penilaian kinerja karyawan dengan metode FSAW dapat memberikan
keuntungan bagi perusahaan?
Total 1 2 3 4 5 6 7
1 H. Zabidin Pemilik Perusahaan 3 3 4 3 3 4 3 23
2 Saefun Naja Manager Operasional 3 3 3 4 4 4 3 24
3 M. Nizam Mandor 3 3 3 3 3 4 3 22
4 Talita Khusna Bendahara 3 3 4 3 3 4 3 23
Dari hasil pre test dan post test tersebut, bisa dirangkum dalam table berikut :
Tabel 10. Hasil Pre Test dan Post Test
No Nama Karyawan Jabatan Pre Test Post Test
1 H. Zabidin Pemilik Perusahaan 16 23
2 Saefun Naja Manager Operasional 17 24
3 M. Nizam Mandor 15 22
4 Talita Khusna Bendahara 15 23
Apabila table hasil pre test dan post test tersebut digambarkan dalam bentuk grafik, akan tampak perbedaan yang
signifikan terhadap penggunaan sistem pendukung keputusan penilaian kinerja kerja karyawan dengan metode
FSAW.
Gambar 1. Grafik hasil pre test dan post test
3.2 Pembahasan
kriteria, sehingga didapatkan nilai total dari setiap karyawan. Adapun contoh penilaian karyawan kontrak yang
dilakukan secara manual adalah sebagai berikut :
Tabel 11. Hasil penilaian karyawan secara manual
Nama Karyawan Kualitas &
Kiswandi 8 9 7 8 8 40.00
Ibnu Nugroho 6 7 6 6 7 32.00
Slamet 8 8 8 8 7 39.00
Lukman Hakim 7 7 6 6 6 32.00
Sudomo 8 8 8 7 7 38.00
Kasmuri 5 7 6 7 7 32.00
Carmun 6 7 8 6 6 33.00
Setyadi 6 6 7 6 6 31.00
Adi Kusumo 7 6 6 6 5 30.00
Kurniawan 7 8 7 7 7 36.00
Irham 8 8 7 7 7 37.00
Mulyono 7 8 7 7 7 36.00
Condro 7 6 6 7 7 33.00
Amat Ridho 7 7 7 7 8 36.00
Miftahuddin 7 6 7 6 6 32.00
Mirza 7 8 8 7 7 37.00
Nurul Huda 7 7 8 7 7 36.00
Zaenal Abidin 7 6 6 7 7 33.00
Mustofa 8 8 7 8 9 40.00
Agus Salim 7 8 7 7 7 36.00
Ahmad Dahlan 8 7 7 8 8 38.00
Sobiyanto 7 7 8 7 8 37.00
Sobirin 7 8 6 8 8 37.00
Mustaqim 6 6 7 5 5 29.00
Ismail 8 7 8 7 7 37.00
M. Zakaria 7 6 6 6 5 30.00
Burhanuddin 7 8 8 7 7 37.00
Farid 8 7 7 7 7 36.00
M. Taufiq 7 6 6 7 7 33.00
Saefuddin 8 8 8 8 8 40.00
Ghufron 6 6 7 5 5 29.00
Junaidi 8 7 8 7 7 37.00
Yusron 7 6 7 8 8 36.00
Dari hasil perhitungan secara manual dan dengan menggunakan sistem pendukung keputusan terdapat perbedaan
dalam hasil perangkingan yang dilakukan. Hal ini dikarenakan pada perhitungan manual nilai total didapat
0
5
10
15
20
25
30
Pemilik
Perusahaan
Manager
Perusahaan
dengan menjumlahkan semua nilai pada setiap kriteria, sedangkan pada perhitungan dengan sistem pendukung
keputusan, dilakukan pembobotan terlebih dahulu untuk setiap kriteria, kemudian dilakukan penjumlahan nilai
dari setiap kriteria. Perbedaan perangkingan tersebut bisa dilihat pada table dibawah ini.
Tabel 12. Perbedaan perangkingan manual dengan perhitungan FSAW
Nama Karyawan Rangking Perhitungan Manual Rangking Perhitungan FSAW
Ahmad Sholeh 1 12
Eko Darmawanto 8 1
Simple Additive Weighting tersebut digambarkan dalam bentuk grafik, akan tampak hasil sebagai berikut :
12 [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
Gambar 2. Perbedaan perangkingan manual dengan perhitungan FSAW
4. Kesimpulan
kerjasama, semangat kerja dan disiplin kerja menggunakan algoritma Fuzzy Simple Additive Weighting sudah
berjalan dengan baik dan dapat menghasilkan analisis dan informasi yang akurat dan cepat terlihat dibandingkan
dengam perhitungan manual sehingga Ifun Jaya Textile dapat mempergunakannya sebagai alat bantu untuk
pengambilan keputusan.
5. Daftar Pustaka
1. Malayu SH. Manajemen Sumber Daya Manusia Edisi Revisi Jakarta: Bumi Aksara; 2009.
2. Alireza A, Majid M, Rosnah MY. Simple Additive Weighting approach to Personnel Selection problem. 2010.
3. Amborowati A. Sistem Pendukung Keputusan Penilaian Karyawan Berprestasi berdasarkan Kinerja. 2007.
4. Modarres M, S. SN. Fuzzy Simple Additive Weighting Method by Preference Ratio. Intelligent Automation
and Soft Computing. 2005; 11: p. 235-244.
5. Taufiq R. Rancang Bangun Sistem Pendukung Keputusan Penilaian Kinerja Karyawan menggunakan Metode
Analytical Hierarchi Process. .
6. Sezhian MV. Performance Measurement in a Public Sector Passenger Bus Transport Company using Fuzzy
Topsis, Fuzzy AHP and ANOVA. IJEST. 2011 Feb; 3.
7. Kusumadewi S. Fuzzy Multi-Attribute Decision Making Yogyakarta: Graha Ilmu; 2006.
0
5
10
15
20
25
30
35
u d
a Za
en al
A b
id in
M u
st o
fa A
gu s
Sa lim
A h
m ad
D ah
la n
So b
iy an
to So
b ir
in M
u st
aq im
Is m
ai l
M . Z
ak ar
ia B
u rh
an u
d d
in Fa
ri d
M . T
au fi
q Sa
e fu
d d
in G
h u
fr o
n Ju
n ai
d i
Yu sr
o n
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
Perhitungan Manual Perhitungan FSAW