ABSTRAK
Persaingan bisnis yang semakin kompetitif memicu Perusahaan Muliadana untuk lebih inovatif dalam
meningkatkan kualitas perusahaan. Salah satu teknik yang digunakan manajemen perusahaan dalam
meningkatkan kualitas sumber daya manusia adalah dengan melakukan penilaian kinerja karyawan. Untuk itu
penulis mencoba membuat sistem penilaian dengan menggunakan metode Graphic Rating Scale (GRS), yaitu
suatu metode penilaian dengan skala grafik dengan membandingkan kinerja individu terhadap sebuah
standar yang absolute. Tujuan dari metode penilaian ini adalah untuk meminimalisir penilaian yang kurang
objektif dan dapat mengetahui perkembangan kinerja karyawan selama beberapa periode. Hasil dari penilaian
kinerja karyawan adalah perusahaan dapat memberikan umpan balik kepada para karyawan sehingga bisa
memutuskan langkah yang diambil dalam pengambilan keputusan seperti : promosi, kenaikan jabatan
maupun golongan, mutasi, degradasi maupun pelatihan terhadap karyawan yang membutuhkan.
ABSTRACT
No kriteria
Kepala Unit HRD Keterangan :
1 Achievement 30 30 Nilai Kriteria i = total nilai dari subkriteria ke-i
Nilai Subkriteria ij = nilai subkriteria dari kriteria ke-i
2 Ability 30 30 pada bobot ke-j
3 Attitude 40 40 Bobot ij = tingkat kepentingan (bobot) kriteria ke-j i =
1,2,3...n;
Tabel 2. Tabel Kriteria Penilaian n = jumlah kriteria j = 1,2,3...m;
m = jumlah bobot
deskripsi_ Presen-
No kriteria
kriteria tase (%)
Pencapaian 3. HASIL DAN PEMBAHASAN
1 Achievement 10
Target
Kualitas 3.1 Rancangan Sistem
2 Achievement 10
Pekerjaan
Form yang berasal dari Koperasi Simpan
Ketepatan
3 Achievement
Tugas
10 Pinjam Muliadana.
Pekerjaan
4 Ability 15
Sesuai SOP PENILAIAN KARYAWAN
II ABILITY (PROCESS)
1 Pekerjaan Sesuai SOP
2 Kemampuan dalam Team
3 Tanggungjawab Terhadap
Tabel 3 Tabel Bobot Jenis Penilai Pekerjaan
III
1 ATTITUDE
2 Kehadiran Karyawan
No Jenis Penilai Presentase (%) Ketepatan Waktu
TOTAl
1 Kepala Unit 100 PASSING GRADE
Gambar 2 ERD
4.1 Kesimpulan
a. Proses penilaian kinerja karyawan yang
biasanya dilakukan secara tradisional
dilakukan dengan komputer, sehingga
penilaian lebih objektif.
b. Aplikasi sistem informasi penilaian karyawan
menghasilkan nilai kinerja dan rekap nilai
untuk masing-masing karyawan sebagai
Gambar 5 Form Login ukuran kinerja untuk karyawan tiap
periodenya.
2. Proses input Nilai karyawan
4.2 Saran
a. Dalam proses penyimpanan dan penghitungan
hasil penilaian kinerja karyawan sebaiknya
membuat dan menggunakan program aplikasi
penilaian kinerja yang cepat, tepat, dan akurat
sehingga dapat mempermudah proses
pencatatan data nilai penilaian kinerja
karyawan.
b. Untuk menghasilkan informasi yang cepat dan
akurat dalam pencarian data maupun laporan
dari penilaian karyawan, perlu digunakan
komputer yg mampu menampung atau
menyimpan data penilaian kinerja karyawan
Gambar 6 Form input nilai karyawan
dalam jumlah besar.
3. Hasil sistem penilaian kinerja karyawan
Hasil dari preview dari Data Penilaian
DAFTAR PUSTAKA
Karyawan, dari form terdapat periode yang
menentukan kapan data awal yang dibutuhkan dan
Jurnal
berdasarkan NIK.
Harni Mukti Wahyuning. 2015. Sistem Pendukung
Keputusan Mutasi Anggota Kepolisian Polresta
Palembang Dengan Menggunakan Metode Graphic
Rating Scal. Jurnal Sistem Informasi : 1-11
Buku
Bangun, Wilson.(2012).Manajemen Sumber Daya
Manusia. Yogyakarta:Erlangga.
Hartono, Jogiyanto. (2008). Pengenalan Komputer :
Dasar Ilmu Komputer, Pemrograman, Sistem
Informasi dan Inteligensi Buatan Edisi Lima.
Yogyakarta: Andi.
Tata, Sutabri. (2004). Pemrograman Tersetruktur.
Yogyakarta: Andi.
Skripsi
Gambar 7 Hasil Penilaian Kinerja karyawan Utomo, Heri Setyo, 2008. Sistem Pendukung
Keputusan Penilaian Kinerja Karyawan (Studi
Kasus di PT. EterindoNusa Graha Gresik),
4. Hasil Nilai Prestasi karyawan Tugas Akhir, STIKOM Surabaya.
ABSTRAK
Salah satu kriteria penilaian pada akreditasi program studi adalah penilaian terhadap lama studi
mahasiswa yang lulus tepat waktu. tidak sedikit mahasiwa yang menempuh masa studi melebihi standar
kelulusan yang telah ditetapkan. Sehingga penting bagi program studi untuk mengetahui mahasiswa mana
saja yang memiliki kemungkinan lulus tidak tepat waktu. Untuk itu diperlukan adanya prediksi lama studi
mahasiswa. Salah satu cara untuk dapat memprediksi lama studi mahasiswa adalah dengan membangun
model klasifikasi. Penelitian ini bertujuan untuk membangun model prediksi lama studi mahasiswa
menggunakan Decision Tree dengan algoritme NBTree. Data yang digunakan adalah data nilai akademik
serta data cuti akademik mahasiswa. Hasil yang diperoleh adalah model klasifikasi berupa Naïve Bayes
Decision Tree dengan akurasi 73,45%.
ABSTRACT
One of the assessment criteria for the accreditation of the study program is the assessment of the
duration of the study of students who graduated on time. not a few students who pursue the study period
exceeds the established standard of graduation. So it is important for the study program to know which
students have the possibility of passing is not timely. For that it is necessary to predict the length of student
study. One way to predict the length of a student's study is to build a classification model. This study aims to
build a long prediction model of student study using Decision Tree with NBTree algorithm. The data used are
academic value data and student academic leave data. The result obtained is a classification model of Naïve
Bayes Decision Tree with 73.45% accuracy.
Gambar 3. Model Klasifikasi Data Lama Studi Mahasiswa Program Studi Sistem Informasi STMIK Indonesia
Dari gambar 3 di atas, dapat dilihat bahwa dari dengan Persamaan (3). Pengitungan ini dilakukan
35 atribut yang digunakan, hanya 3 atribut yang untuk semua kelas yang ada. Untuk penentuan
muncul pada decision tree tersebut, yaitu cuti kelas, diambil berdasarkan nilai peluang suatu
kuliah, MKB5203 (Mata kuliah Sistem Operasi) dan record termasuk ke dalam suatu kelas yang paling
MPB2102 (Mata kuliah Komputer dan Masyarakat). tinggi.
Leaf node yang dihasilkan dari decision tree yang
dibentuk dari algoritme NBTree merupakan sebuah 3.3 Penghitungan Akurasi
model naïve bayes, dimana model ini berisi peluang Untuk menghitung akurasi dari model
untuk masing-masing kelas, dan peluang setiap klasifikasi yang terbentuk digunakan confusion
atribut terhadap masing-masing kelas. matrix. Confusion matrix yang diperoleh dari model
Berdasarkan decision tree yang terbentuk, klasifikasi tersebut terdapat pada Tabel 2.
dapat dibuat 10 aturan. Sebagai contoh, aturan
yang terbentuk dari decision tree pada Gambar 3, Tabel 2. Confusion matrix dari model klasifikasi
adalah sebagai berikut : Kelas yang diprediksi
Aturan 1: Kelas =
Jika nilai atribut cuti adalah YA, maka Kelas =
Tidak
Tepat
penentuan kelas dapat dihitung menggunakan Tepat
model naïve bayes 1. Kelas = Tepat 270 35
Kelas
Aturan 6: Aktual
Kelas = Tidak
115 145
Jika nilai atribut cuti adalah TIDAK, niali atribut Tepat
MKB5203 adalah B, dan nilai atribut MPB2012
adalah A, maka penentuan kelas dapat Penghitungan akurasi dengan menggunakan
dihitung menggunakan model naïve bayes 6. confusion matrix adalah sebagai berikut:
Nilai yang dihitung dengan menggunakan banyaknya prediksi yang benar
akurasi=
model naïve bayes adalah conditionally total banyaknya prediksi
independent antara satu atribut dan atribut lainnya Dengan menggunakan data pada tabel
dengan menggunakan persamaan (2). Kemudian confusion matrix, dapat dihitung akurasi dari model
dilakukan penghitungan peluang suatu record klasifikasi.
termasuk ke dalam setiap kelas yang dihitung
4.2 Saran
1. Data yang digunakan bisa ditambah lebih dari
3 tahun, agar penelitiannya agar model data
klasifikasinya lebih variatif.
2. Gunakan metode penelitian yang lain, agar
bisa membandingkan hasil penelitian NBTree