Jurnal Pengembangan Teknologį Įnformasį dan Įlmu Komputer e-ĮSSN: 2548-964X

Vol. 2, No. 12, Desember 2018, hlm. 7338-7347 http://j-ptiik.ub.ac.id

Sistem Pendukung Keputusan Kelompok untuk Penilaian Kinerja Unit

Perusahaan Menggunakan Metode PROMETHEE II dan Borda
(Studi Kasus: Perum Jasa Tirta 1 Malang)
Dhea Azahria Mawarni1, Arief Andy Soebroto2

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1dhea.azahria12@gmail.com, 2ariefas@ub.ac.id

Abstrak
Penilaian kinerja unit perusahaan bertujuan untuk memudahkan dalam melakukan evaluasi terhadap
kinerja setiap unit. Kinerja yang buruk akan berdampak pada kualitas perusahaan, sehingga harus segera
diperbaiki dan ditingkatkan. Namun penilaian kinerja unit perusahaan di PJT 1 Malang dirasa kurang
efisien dikarenakan tidak adanya sistem untuk mengolah data penilaian kinerja KPI Unit. Hal ini
berdampak pada banyaknya tenaga dan waktu yang dibutuhkan dalam penilaian kinerja unit perusahaan.
Untuk mengatasi masalah tersebut dibutuhkan suatu sistem komputer berupa sistem pendukung
keputusan kelompok (SPKK) untuk membantu dalam penilaian kinerja unit perusahaan. Salah satu
metode Multi Criteria Decision Making yaitu PROMETHEE II digunakan untuk pengambilan
keputusan setiap decision maker (DM). Sedangkan metode voting yang digunakan adalah Borda.
Penelitian ini menggunakan 72 data alternatif dan lima kriteria penilaian. Berdasarkan hasil analisis
pengujian bobot, akurasi terbaik diperoleh pada percobaan ke-3, ke-4 dan ke-5 pada tingkat kepentingan
bobot keempat sebesar 83,3333% dengan menggunakan range 1. Sedangkan berdasarkan hasil analisis
pengujian jumlah data diperoleh akurasi tertinggi sebesar 86,1111% pada saat menggunakan data uji
sebanyak 36 data.
Kata kunci: SPKK, MCDM, penilaian kinerja, PROMETHEE II, Borda
Abstract
Assessment of unit performance of the company aims to facilitate in evaluating the performance of each
unit. Poor performance will have an impact on the quality of the company, so it needs to be improved
and upgraded. However, the assessment of company unit performance in PJT 1 Malang is less efficient
due to the absence of a system to process KPI Unit assessment data. This has an impact on the amount
of manpower and required time in the assessment of the company’s unit performance. To overcome
these problems, it requires a computer system in the form of group decision support system (SPKK) to
assist in the assessment of the company’s unit performance. One method of Multi Criteria Decision
Making is PROMETHEE II, used for decision making in every decision maker (DM). While Borda is
used for the voting method. This study uses 72 alternative data and five assessment criteria. Based on
the results of the weight test analysis, the best accuracy was obtained in the 3rd, 4th, and 5th experiments
at the level of importance of the fourth weight with value of 83.3333% using the first range. And the
highest accuracy based on the results of the amount of data test analysis obtained of 86, 1111% when
using 36 data test.
Keywords: GDSS, MCDM, performance assessment, PROMETHEE II, Borda

perusahaan (Widodo, 2011). Penilaian kinerja

1. PENDAHULUAN
Penilaian kinerja memiliki berbagai
manfaat bagi pihak internal maupun eksternal.
Salah satu manfaat bagi pihak internal adalah
pengambilan keputusan dalam penyusunan
strategi untuk meningkatkan kinerja suatu unit
merupakan penentuan berkala pada efektivitas
operasional suatu organisasi atau perusahaan
yang berdasarkan sasaran, standar dan parameter
yang telah ditentukan (Zudia, 2010).
Persaingan dunia usaha yang semakin ketat
mengakibatkan setiap perusahaan berusaha

Fakultas Ilmu Komputer

Universitas Brawijaya 7338
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
meningkatkan kemampuan bersaingnya untuk
menjadi perusahaan yang mempunyai daya saing
unggul di kelas dunia (Estuningsari, et al., 2013).
Kriteria Penilaian Kinerja Unggul (KPKU)
merupakan program unggulan yang berfungsi
sebagai suatu sistem pengelolaan dan
pengendalian kinerja perusahaan di Badan
Usaha Milik Negara (BUMN). KPKU juga
diterapkan pada Perum Jasa Tirta (PJT) 1
Malang yang digunakan untuk pengukuran
kinerja perusahaan secara menyeluruh
(korporat). Kriteria-kriteria dalam KPKU akan
dijadikan sebagai acuan untuk menentukan
perspektif pada Key Performance Indicators
(KPI) Unit yang nantinya akan digunakan dalam
penilaian kinerja unit perusahaan.
Penilaian kinerja unit perusahaan sangat
penting dilakukan untuk memudahkan dalam
melakukan evaluasi terhadap kinerja setiap unit
berdasarkan pencapaian yang telah didapatkan.
Namun penilaian kinerja unit perusahaan di PJT
1 Malang dirasa kurang efisien dikarenakan
tidak adanya sistem untuk mengolah data
penilaian kinerja KPI Unit. Hal ini berdampak
pada banyaknya tenaga dan waktu yang
dibutuhkan dalam penilaian kinerja unit
perusahaan. Selain itu, penilaian secara manual
membuat data tidak tersimpan dengan baik
sehingga sangat sulit mencari data pada tahun-
tahun sebelumnya untuk keperluan analisis
trend. Oleh karena itu, PJT 1 Malang
membutuhkan suatu alternatif untuk
memudahkan dalam melakukan penilaian
kinerja unit perusahaan.
Berbagai aplikasi telah dibangun dan
dikembangkan untuk menyelesaikan
permasalahan dalam penilaian kinerja, mulai
dari tingkat korporat hingga tingkat karyawan.
Salah satunya adalah sistem pendukung
keputusan yang dibangun oleh (Apriliani, et al.,
2015) dengan judul “Implementasi Metode
PROMETHEE dan Borda dalam Sistem
Pendukung Keputusan Pemilihan Lokasi
Pembukaan cabang Baru Bank”. Keluaran yang
dihasilkan menunjukkan bahwa alternatif lokasi
yang memiliki jumlah poin terbanyak
merupakan rekomendasi lokasi terbaik
(Apriliani, et al., 2015).
PROMETHEE dipilih karena metode ini
mampu menyelesaikan permasalahan yang
sifatnya multi kompleks yaitu terdiri atas banyak
alternatif dan multicriteria (Doumpos &
Zoponudis, 2010)(Imandasari & Windarto,
2017). Selain itu metode ini menyediakan
banyak fungsi preferensi yang dapat
Fakultas Ilmu Komputer, Universitas Brawijaya
7339
menyelesaikan berbagai permasalahan sesuai
dengan karakteristik data (Akafpour & Hamidi,
2013). Metode Borda dipilih karena secara
konseptual sederhana dan merupakan metode
peringkat ordinal yang mudah diterapkan
(Fishburn & Gehrlein, 1976) (Newenhizen,
1992) (Lansdowne & Woodward, 1996).
Berdasarkan penelitian-penelitian yang
telah dilakukan sebelumnya, maka penulis
mengusulkan sebuah penelitian dengan judul
Sistem Pendukung Keputusan Kelompok untuk
Penilaian Kinerja Unit Perusahaan
Menggunakan Metode PROMETHEE II dan
Borda.
2. METODE
2.1. Preference Ranking Organization Method
for Enrichment Evaluation
(PROMETHEE)
PROMETHEE merupakan salah satu
metode perangkingan (urutan) dalam analisis
multikriteria. Metode ini dapat dikatakan
sebagai metode yang simple, efisien, dan mudah
untuk diimplementasikan (Prabowo, 2011).
Langkah-langkah metode PROMETHEE terdiri
atas lima langkah (Behzadian, et al., 2009) yaitu:
1. Menentukan deviasi berdasarkan
perbandingan berpasangan
Dalam (Behzadian, et al., 2009), rentang
penyimpangan (deviasi) alternatif pada setiap
kriteria berdasarkan perbandingan berpasangan
dapat ditunjukkan pada Persamaan (1).
𝑑𝑗 (𝑎, 𝑏) = 𝑔𝑗 (𝑎) − 𝑔𝑗 (𝑏) (1)
Dimana:
𝑑𝑗 (𝑎, 𝑏) = perbedaan evaluasi alternatif a dan b
𝑔𝑗 (𝑎) = evaluasi alternatif a
𝑔𝑗 (𝑏) = evaluasi alternatif b
2. Penerapan fungsi preferensi
Penerapan fungsi preferensi menurut
(Behzadian, et al., 2009) dapat dihitung dengan
menggunakan Persamaan (2).
𝑃𝑗 (𝑎, 𝑏) = 𝐹𝑗 [𝑑𝑗 (𝑎, 𝑏)] 𝑗 = 1, … , 𝑘 (2)
Pj(a,b) = fungsi preferensi alternatif a
sehubungan dengan alternatif b
dj(a,b) = perbedaan antara evaluasi
alternatif a dan b
𝐹𝑗 [𝑑𝑗 (𝑎, 𝑏)] = fungsi selisih/perbedaan antara
evaluasi alternatif a dan b
Terdapat enam tipe fungsi preferensi
kriteria yang ada dalam PROMETHEE yaitu
(Brans, et al., 1986) (Arsita, 2013):
a. Kriteria Biasa (Usual Criterion)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Fungsi preferensi usual criterion type
digunakan pada kriteria kualitatif yang
menggunakan skala sampai lima tingkat (Giurca,
et al., 2014). Persamaan preferensi tipe kriteria
biasa ditunjukkan pada Persamaan (3).
0 jika 𝑑 ≤ 0
𝐻(𝑑) {
1 jika 𝑑 > 0
(3)
Dimana:
H(d) = fungsi selisih kriteria antar alternatif
d = selisih nilai kriteria {d = g(a)−g(b)}
Dalam tipe preferensi ini tidak ada
parameter yang harus ditentukan (Brans, et al.,
1986). Grafik fungsi preferensi kriteria biasa
ditunjukkan pada Gambar 1.
H(d)
1 pada Gambar 3.
d 1
0
Gambar 1. Preferensi biasa
b. Kriteria Quasi (U-shape criterion)
Persamaan preferensi tipe kriteria quasi
atau U-shape ditunjukkan pada Persamaan (4).
0 jika 𝑑 ≤ 𝑞
𝐻(𝑑) { (4)
1 jika 𝑑 > 𝑝
Dimana:
H(d) = fungsi selisih kriteria antar alternatif
d = selisih nilai kriteria {d = g(a)−g(b)}
q Fungsi preferensi level criterion digunakan
= nilai kecenderungan penolakan
(indifference) harus tetap
Jika para decision maker (DM) ingin
menggunakan quasi criterion, maka para DM
hanya perlu menentukan nilai q (Brans, et al.,
1986). Grafik fungsi untuk kriteria quasi
ditunjukkan pada Gambar 2.
H(d)
1 H(d)
d p
-q 0 q
Gambar 2. Preferensi quasi atau U-shape
c. Kriteria linier (V-shape criterion)
Fungsi preferensi linear criterion (V-shape)
umumnya digunakan dalam masalah kriteria
kuantitatif (Giurca, et al., 2014). Persamaan
preferensi tipe kriteria linier atau V-shape
ditunjukkan pada Persamaan (5).
Fakultas Ilmu Komputer, Universitas Brawijaya
7340
0 jika 𝑑 ≤ 0
𝑑
𝐻(𝑑) {𝑝 jika 0 < 𝑑 ≤ 𝑝 (5)
1 jika 𝑑 > 𝑝
Dimana:
H(d) = fungsi selisih kriteria antar alternatif
d = selisih nilai kriteria {d = g(a)−g(b)}
p = nilai kecenderungan penerimaan
(preference)
Selama d lebih rendah dari p, preferensi
pengambil keputusan meningkat secara linier
dengan d. Jika d lebih besar dari p, maka terjadi
situasi preferensi yang sempurna. Ketika
decision maker mengidentifikasi beberapa
kriteria, maka harus menentukan nilai threshold
preference (Brans, et al., 1986). Grafik fungsi
untuk kriteria linier atau V-shape ditunjukkan
H(d)
d
0 p
Gambar 3. Preferensi linier atau V-shape
Pada tipe ini terdapat dua jenis threshold
yaitu threshold Indifference (q) dan threshold
preference (p).
d. Kriteria Level
apabila kriteria kualitatif menggunakan skala
lebih dari lima tingkat (Giurca, et al., 2014).
Persamaan preferensi tipe kriteria level
ditunjukkan pada Persamaan (6).
0 𝑗𝑖𝑘𝑎 𝑑 ≤ 𝑞
𝐻(𝑑) = {0,5 𝑗𝑖𝑘𝑎 𝑞 < 𝑑 ≤ 𝑝 (6)
1 𝑗𝑖𝑘𝑎 𝑑 > 𝑝
Dimana:
= fungsi selisih kriteria antar alternatif
d = selisih nilai kriteria {d = g(a)−g(b)}
q = nilai kecenderungan penolakan
(indifference) harus tetap
= nilai kecenderungan penerimaan
(preference)
Dalam hal ini, nilai threshold indifference
(q) dan nilai threshold indifference (p) secara
bersamaan didefinisikan. Jika d terletak di antara
q dan p, maka terjadi situasi preferensi yang
lemah (H(d) = 1/2) (Brans, et al., 1986). Grafik
fungsi untuk kriteria level ditunjukkan pada
Gambar 4.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 7341

d = selisih nilai kriteria {d = g(a)−g(b)}

H(d)
σ = jarak antara titik asal dan titik
1 infleksi kurva
Nilai σ merupakan jarak antara titik asal dan
0.5
titik infleksi kurva (Brans & Vincke, 1985).
d
Fungsi ini tidak memiliki diskontinuitas untuk
-p -q 0 q p menjamin stabilitas hasil (Brans, et al., 1986).
Gambar 4. Preferensi level Grafik fungsi untuk kriteria gaussian
ditunjukkan pada Gambar 6.
e. Kriteria dengan Preferensi Linier dan Area
Indifference H(d)
Persamaan preferensi tipe kriteria dengan 1
preferensi linier dan area indifference
ditunjukkan pada Persamaan (7).
0 𝑗𝑖𝑘𝑎 𝑑 ≤ 𝑞
𝑑−𝑞 σ d
𝐻(𝑑) = {𝑝−𝑞 𝑗𝑖𝑘𝑎 𝑞 < 𝑑 ≤ 𝑝 (7) 0
1 𝑗𝑖𝑘𝑎 𝑑 > 𝑝 Gambar 6. Preferensi gaussian
Dimana: 3. Perhitungan indeks preferensi multikriteria
H(d) = fungsi selisih kriteria antar alternatif Indeks preferensi multikriteria (𝜋)
d = selisih nilai kriteria {d = g(a)−g(b)} kemudian didefinisikan sebagai rata-rata dari
q = nilai kecenderungan penolakan fungsi preferensi 𝑃𝑗 (Brans, et al., 1986) (Arsita,
(indifference) harus tetap
2013). Bobot yang digunakan menggambarkan
p = nilai kecenderungan penerimaan
nilai kepentingan suatu kriteria. Apabila semua
(preference)
kriteria mempunyai nilai kepentingan yang
Dalam hal ini, decision maker menganggap sama, maka decision maker dapat memberikan
bahwa nilai preferensinya meningkat secara bobot dengan nilai yang sama (Ali, 2013). Untuk
linear dari nilai kecenderungan penolakan ke menghitung persamaan indeks preferensi dapat
preferensi yang sempurna dengan area yang menggunakan Persamaan (9).
terletak antara threshold q dan p. Dua parameter
tersebut harus didefinisikan (Brans, et al., 1986). 𝜋(𝑎, 𝑏) = ∑𝑘𝑗=1 𝑤𝑖 × 𝑃𝑗 (𝑎, 𝑏) ∶ ∀𝑎, 𝑏 ∈ 𝐴 (9)
Grafik fungsi untuk tipe kriteria dengan Dimana:
preferensi linier dan area indifference wj = bobot kriteria bernilai lebih dari 0
ditunjukkan pada Gambar 5. Pj(a,b) = nilai derajat preferensi ketika a
H(d) dibandingkan dengan b
1 4. Perhitungan PROMETHEE I (partial
ranking)
Perankingan PROMETHEE I didasarkan
pada nilai leaving flow dan entering flow (Brans
d
-p -q 0 q p & Vincke, 1985). Arah preferensi dihitung
berdasarkan pertimbangan nilai leaving flow
Gambar 5. Preferensi linier dan area indifference (𝜑+ ), entering flow (𝜑− ), dan net flow (𝜑)
(Arsita, 2013). Penentuan urutan PROMETHEE
f. Kriteria Gaussian
I dilakukan dengan cara sebagai berikut:
Tipe preferensi ini membutuhkan a. Leaving flow
penentuan parameter σ, yang diperoleh dari
Perhitungan nilai leaving flow ditunjukkan
distribusi normal dalam statistik (Brans, et al.,
pada Persamaan (10).
1986). Persamaan preferensi tipe kriteria 1
gaussian ditunjukkan pada Persamaan (8). 𝜑 + (𝑎) = ∑𝑥 ∈ 𝐴 𝜋(𝑎, 𝑥) (10)
𝑛−1
0 jika 𝑑 ≤ 0 Dimana:
𝐻(𝑑) { 𝑑2 (8) 𝜑 + (𝑎) = leaving flow / positive outranking
1−𝑒− jika 𝑑 > 0
2𝜎 2
Dimana: flow
n = jumlah alternatif
H(d) = fungsi selisih kriteria antar alternatif
𝜋(𝑎, 𝑥) = menunjukkan preferensi bahwa

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 7342

alternatif a lebih baik dari 𝑏𝑖 = ∑𝑘 𝑁 − 𝑟𝑖𝑘 (13)

alternatif x Dimana:
∑𝑥 ∈ 𝐴 = jumlah nilai alternatif dari tabel bi = jumlah poin yang diterima setiap
indeks preferensi secara horizontal alternatif
b. Entering flow N = jumlah alternatif
𝑟𝑖𝑘 = peringkat alternatif
Perhitungan nilai entering flow ditunjukkan
pada Persamaan (11). Metode ini memiliki fitur tambahan untuk
1 dapat menetapkan bobot ke kriteria alternatif.
𝜑 − (𝑎) = ∑𝑥 ∈ 𝐴 𝜋(𝑥, 𝑎) (11)
𝑛−1 Metode voting Borda secara konseptual
Dimana: sederhana dan mungkin merupakan metode
𝜑 − (𝑎) = entering flow / negative peringkat ordinal yang paling mudah untuk
outranking flow diterapkan. Para ahli teori voting telah
n = jumlah alternatif menunjukkan bahwa metode Borda adalah
𝜋(𝑎, 𝑥) = menunjukkan preferensi bahwa metode voting yang optimal terhadap beberapa
alternatif a lebih baik dari standar, seperti meminimalkan jumlah dan jenis
alternatif x paradoks voting (Fishburn & Gehrlein, 1976)
∑𝑥 ∈ 𝐴 = jumlah nilai alternatif dari tabel (Newenhizen, 1992) (Lansdowne & Woodward,
indeks preferensi secara horizontal 1996).
c.

5. Perhitungan PROMETHEE II (complete 2.3. Data Penelitian

ranking) Data yang digunakan dalam penelitian ini
Perankingan pada PROMETHEE II adalah data penilaian kinerja unit perusahaan
(peringkat lengkap) didasarkan pada nilai net menggunakan KPI pada bulan Januari 2017
flow (Brans & Vincke, 1985). Perhitungan nilai hingga bulan Desember 2017 di Perum Jasa Tirta
net flow ditunjukkan pada Persamaan (12). 1 Malang. Unit perusahaan yang digunakan
𝜑(𝑎) = 𝜑 + (𝑎) − 𝜑 − (𝑎) (12) berjumlah enam unit dari 18 unit perusahaan.
Pemilihan enam unit tersebut didasarkan pada
Dimana:
𝜑(𝑎) = Net flow
tupoksi masing-masing unit. Keenam unit ini
𝜑 + (𝑎) = leaving flow / positive outranking
nantinya dijadikan sebagai alternatif dengan
lima kriteria penilaian. Unit perusahaan atau
flow
𝜑 − (𝑎) = entering flow / negative outranking
alternatif yang digunakan ditunjukkan pada
Tabel 1.
flow
Tabel 1. Alternatif (unit perusahaan)
2.2. Borda
Kode Alternatif Nama Unit
Metode Borda adalah metode pemilihan A1 DJA I
posisi yang relatif sederhana untuk menentukan A2 DJA II
peringkat alternatif dengan mengevaluasi jumlah A3 DJA III
total poin yang ditetapkan untuk masing-masing A4 DJA IV
A5 DJA V
alternatif (Lansdowne & Woodward, 1996). A6 DJA VI
Dalam metode voting Borda, masing-masing
pengambil keputusan (decision maker) Sedangkan kriteria penilaian yang
menempatkan alternatif pilihan ke dalam digunakan dapat dilihat pada Tabel 2.
peringkat. Jika ada n alternatif pilihan, peringkat Tabel 2. Kriteria penilaian
pertama memiliki poin sebesar (n-1), peringkat Kode Kriteria Nama Kriteria
kedua memiliki poin sebesar (n–2), dan C1 Keuangan dan pasar
seterusnya, hingga peringkat terakhir memiliki C2 Fokus pelanggan
poin sebesar 0 (Lansdowne & Woodward, C3 Efektifitas produk dan proses
1996). Poin-poin yang dimiliki setiap alternatif C4 Fokus tenaga kerja
C5 Kepemimpinan, tata kelola, dan
dari masing-masing pengambil keputusan
tanggungjawab kemasyarakatan
dijumlahkan untuk menentukan pemenang.
Alternatif yang mendapat poin terbanyak 2.4. Pemodelan Sistem Pendukung
dianggap sebagai alternatif terbaik (Wang & Keputusan Kelompok (SPKK)
Leung, 2004). Perhitungan jumlah poin Borda Terdapat beberapa tahapan pada pemodelan
dapat dihitung dengan Persamaan 2.13. sistem pendukung keputusan kelompok untuk

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 7343

penilaian kinerja unit perusahaan menggunakan A

metode PROMETHEE II dan Borda. Tahapan-
tahapan tersebut yaitu:
Menentukan deviasi berdasarkan
1. Masing-masing decision maker mem- perbandingan berpasangan
berikan bobot pada setiap kriteria penilaian.
2. Bobot tersebut kemudian diproses meng- Penerapan Fungsi Preferensi
gunakan metode PROMETHEE II pada
setiap decision maker dengan tujuan
Menghitung Indeks Preferensi
memperoleh hasil perangkingan setiap
decision maker.
3. Hasil perangkingan setiap decision maker Perhitungan PROMETHEE I
Partial Ranking
diolah menggunakan metode Borda untuk
mendapatkan hasil akhir atau keputusan
kelompok. Perhitungan PROMETHEE II
Complete Ranking
Gambaran pemodelan sistem pendukung
keputusan kelompok untuk penilaian kinerja unit Perangkingan Alternatif
perusahaan ditunjukkan pada Gambar 7.
Direktur I (DM 1) Direktur II (DM 2) Selesai

Gambar 8. Diagram alir PROMETHEE II

PROMETHEE II PROMETHEE II
Borda
web
Hasil
Gambar 7. Pemodelan sistem pendukung keputusan
kelompok penilaian kinerja unit
2.5. Perancangan Algoritme
Metode yang digunakan dalam penelitian
ini yaitu PROMETHEE II dan metode Borda.
Untuk memudahkan dalam memahami proses
perhitungan digunakan diagram alir algoritme
PROMETHEE II yang ditunjukkan pada
Gambar 8.
Mulai
Metode Borda digunakan untuk
pengambilan keputusan kelompok ber-dasarkan
beberapa decision maker (DM). Berikut
merupakan diagram algoritme metode Borda
yang ditunjukkan pada Gambar 9.
Mulai
Hasil rangking DM1, Hasil rangking DM2
Memberikan Poin setiap Alternatif
pada masing-masing Decision Maker
Menjumlahkan Poin setiap Alternatif
dari semua Decision Maker
Perangkingan Alternatif

Output: Hasil Perangkingan

Data konversi alt, Bobot Kriteria Kelompok

Selesai
A

Gambar 9. Diagram alir Borda

3. PENGUJIAN DAN ANALISIS

Pengujian yang digunakan adalah
pengujian akurasi. Akurasi merepresentasikan
kedekatan atau kesesuaian nilai hasil
pengukuran terhadap nilai yang sebenarnya.
Perhitungan pengujian akurasi ditunjukkan pada
Persamaan (14).

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 7344
∑ 𝑑𝑎𝑡𝑎 − ∑ 𝑑𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖 Tabel 4.Tingkat kepentingan pada pengujian bobot 1
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = ∑ 𝑑𝑎𝑡𝑎
× 100% (14)
Bobot DM1 DM2
Pengujian dilakukan dengan cara Tingkat kepentingan 1 C3 > C1 > C2 C1 > C2 > C3
membandingkan hasil keputusan kelompok > C4 = C5 > C4 = C5
yaitu jumlah poin borda dengan skor KPI yang Tingkat kepentingan 2 C3 > C1 > C2 C1 > C2 > C3
> C4 > C5 > C4 > C5
diperoleh dari PJT 1 Malang. Penilaian kinerja Tingkat kepentingan 3 C3 > C1 > C4 C1 > C2 > C4
unit menggunakan KPI memiliki dua rentang > C2 > C5 > C3 > C5
nilai dalam pencapaian kinerja, yaitu untuk skor
a. Tingkat kepentingan 1
KPI kurang dari 100 maka pencapaian kinerja
yang diperoleh adalah “Tidak Tercapai”, Pada pengujian ini menggunakan tingkat
sehingga jika skor KPI lebih atau sama dengan kepentingan bobot pada masing-masing DM
100 maka pencapaian kinerjanya adalah yaitu C3 > C1 > C2 > C4 dan C4 = C5 untuk
“Tercapai”. DM1, dan tingkat kepentingan bobot pada DM2
adalah C1 > C2 > C3 > C4 dan C4 = C5. Grafik
Pengujian pada penelitian ini mengusulkan
pengujian bobot pada tingkat kepentingan 1
lima range nilai untuk mencapai pencapaian
ditunjukkan pada Gambar 10.
kinerja yang didasarkan pada jumlah alternatif.
Penentuan range ini bertujuan untuk mengetahui 100
batas nilai dalam pencapaian kinerja sehingga 90
dapat dikatakan kinerja “Tercapai” atau “Tidak
AKURASI (%)
80
Tercapai”. Penentuan range pencapaian kinerja
70
ditunjukkan Tabel 3.
60
Tabel 3. Range skor Borda dan range KPI
50
Prestasi Kinerja
Range Skor 40
Tidak Tercapai Tercapai
R1 R2 R3 R4 R5
Range 1 0−1 2 – 10
Range 2 0–2 3 – 10 RANGE
Range 3 0–3 4 – 10 w1 w2 w3 w4 w5
Range 4 0–4 5 – 10
Range 5 0–5 6 – 10 Gambar 10. Rata-rata akurasi tingkat kepentingan 1
Range KPI < 100 ≥ 100
b. Tingkat kepentingan 2
Pengujian dilakukan dalam dua tahapan
yaitu pengujian bobot dan pengujian jumlah Pada pengujian ini menggunakan tingkat
data. kepentingan bobot pada masing-masing DM
yaitu C3 > C1 > C2 > C4 > C5.untuk DM1, dan
3.1. Pengujian Bobot tingkat kepentingan bobot pada DM2 adalah C1
Pengujian bobot dibagi dalam dua skenario > C2 > C3 > C4 > C5. Grafik pengujian bobot
yaitu skenario uji coba 1 dan skenario uji coba 2. pada tingkat kepentingan 2 ditunjukkan pada
3.1.1. Skenario Uji Coba 1 Gambar 11.
Skenario uji coba pertama dilakukan 100
dengan mengubah bobot pada masing-masing 90
AKURASI (%)

Decision Maker (DM) dengan mengacu pada 80

bobot KPI PJT 1 Malang dan pembobotan pada 70
unit eksternal perusahaan. DM1 merupakan
60
Direktur I yang menangani unit eksternal
sehingga penentuan bobot mengacu pada 50
pembobotan unit eksternal. DM2 merupakan 40
R1 R2 R3 R4 R5
Direktur II yang menangani unit internal
sehingga penentuan bobot didasarkan pada RANGE
w1 w1 w3 w4 w5
pembobotan pada PJT 1 Malang.
3.1.1.1 Pengujian Bobot 1 Gambar 11. Rata-rata akurasi tingkat kepentingan 2
Pada pengujian bobot 1 terdiri atas tiga c. Tingkat kepentingan 3
macam tingkat kepentingan bobot masing-
masing DM. Tingkat kepentingan tersebut Pada pengujian ini menggunakan tingkat
ditunjukkan pada Tabel 4. kepentingan bobot pada masing-masing DM
yaitu C3 > C1 > C4 > C2 > C5 untuk DM1, dan

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 7345

tingkat kepentingan bobot pada DM2 adalah C1 100

> C2 > C4 > C3 > C5. Grafik pengujian bobot
pada tingkat kepentingan 3 ditunjukkan pada 90

AKURASI (%)
Gambar 12. 80
100 70
90 60
AKURASI (%)

80
50
70 R1 R2 R3 R4 R5
60 RANGE
50 w1 w2 w3 w4 w5
40
R1 R2 R3 R4 R5
Gambar 14. Rata-rata akurasi tingkat kepentingan 5
RANGE 3.1.1.3. Pengujian Bobot 3
w1 w2 w3 w4 w5
Pada pengujian ini menggunakan tingkat
Gambar 12. Rata-rata akurasi tingkat kepentingan 3
kepentingan bobot pada masing-masing DM
yaitu C1 > C3 > C2 ≥ C4 > C5 untuk DM1, dan
3.1.1.2. Pengujian Bobot 2 tingkat kepentingan bobot pada DM2 adalah C1
Pada pengujian bobot 2 dibagi menjadi dua > C3 > C2 dan C4 = C5. Grafik pengujian bobot
tingkat kepentingan yaitu: pada tingkat kepentingan 6 ditunjukkan pada
a. Tingkat kepentingan 4 Gambar 15.
Pada pengujian ini menggunakan tingkat 100
kepentingan bobot pada masing-masing DM 90
yaitu C3 > C1 > C2 > C4 dan C4 = C5 untuk
AKURASI (%)

80
DM1, dan tingkat kepentingan bobot pada DM2
adalah C1 > C3 > C2 > C4 dan C4 = C5. Grafik 70
pengujian bobot pada tingkat kepentingan 4 60
ditunjukkan pada Gambar 13.
50
100 R1 R2 R3 R4 R5
90 RANGE
w1 w2 w3 w4 w5
AKURASI (%)

80
70 Gambar 15. Rata-rata akurasi tingkat kepentingan 6
60
Berdasarkan pengujian bobot pada tingkat
50 kepentingan ke-1 sampai ke-6 yang telah
40 dilakukan pada skenario pertama, dapat
R1 R2 R3 R4 R5
disimpulkan bahwa akurasi tertinggi dicapai
RANGE pada range 1. Semakin tinggi range yang
w1 w2 w3 w4 w5 digunakan maka akurasi yang didapat semakin
menurun. Akurasi terbaik yang diperoleh yaitu
Gambar 13. Rata-rata akurasi tingkat kepentingan 4 sebesar 83,3333% pada tingkat kepentingan 4.
b. Tingkat kepentingan 5 3.1.2. Skenario Uji Coba 2
Pada pengujian ini menggunakan tingkat Uji coba skenario kedua dilakukan dengan
kepentingan bobot pada masing-masing DM mengkombinasikan bobot DJA yang telah
yaitu C3 > C1 > C2 > C5 > C4 untuk DM1, dan ditetapkan pada setiap unit perusahaan.
tingkat kepentingan bobot pada DM2 adalah C1 Sehingga terdapat enam kombinasi bobot untuk
> C3 > C2 ≥ C4 > C5. Grafik pengujian bobot penentuan bobot pada DM1 dan DM2.
pada tingkat kepentingan 5 ditunjukkan pada a. DJA I dan DJA II-IV
Gambar 14. b. DJA I dan DJA V
c. DJA I dan DJA VI
d. DJA II-IV dan DJA V
e. DJA II-IV dan DJA VI

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 7346

f. DJA V dan DJA VI Berdasarkan grafik pada Gambar 17

Keenam kombinasi bobot di atas kemudian
dihitung nilai akurasi pada setiap range yang
ditunjukkan pada Tabel 3 sehingga didapatkan
rata-rata akurasi selama satu tahun pada setiap
range. Grafik hasil uji coba bobot pada skenario
1 ditunjukkan pada Gambar 16.
100
menunjukkan bahwa akurasi terbaik sebesar
86,1111% dicapai pada saat menggunakan data
uji dengan jumlah 36. Besar kecilnya akurasi
yang didapatkan dipengaruhi oleh persebaran
data yang digunakan kurang merata. Hal ini
mengakibatkan akurasi yang dicapai mengalami
kondisi fluktuatif.

90 4. KESIMPULAN
AKURASI (%)

80 Berdasarkan hasil penelitian yang telah

dilakukan pada sistem pendukung keputusan
70
kelompok penilaian kinerja unit perusahaan
60 menggunakan metode PROMETHEE II dan
Borda, maka kesimpulan yang didapatkan
50
RANGE 1 RANGE 2 RANGE 3 RANGE 4 RANGE 5 adalah metode PROMETHEE II dan Borda
RANGE dapat diterapkan untuk penilaian kinerja unit
w1 w2 w3 w4 w5 w6 perusahaan di PJT 1 Malang.
Berdasarkan hasil analisis pengujian bobot,
Gambar 16. Rata-rata akurasi kombinasi bobot DJA akurasi terbaik diperoleh pada percobaan ke-3,
Berdasarkan Grafik 16 dapat disimpulkan ke-4 dan ke-5 pada tingkat kepentingan bobot
bahwa ketika range dinaikkan, maka akurasi keempat sebesar 83,3333% dengan
cenderung menurun. Sehingga dapat dikatakan menggunakan range 1. Semakin besar range
akurasi terbaik dicapai ketika menggunakan yang digunakan, maka akurasi yang diperoleh
range 1. Akurasi tertinggi dicapai pada semakin menurun. Tingkat kepentingan bobot
percobaan bobot w3, w4, dan w5 sebesar 75%. kriteria pada C1 dan C3 mempunyai pengaruh
yang besar pada masing-masing decision maker.
3.2. Pengujian Jumlah Data Sedangkan berdasarkan hasil analisis pengujian
Pengujian jumlah data dilakukan untuk jumlah data diperoleh akurasi tertinggi sebesar
mengetahui akurasi terbaik berdasarkan jumlah 86,1111% pada saat menggunakan data uji
data uji yang digunakan. Pengujian dilakukan sebanyak 36 data. Akurasi mengalami kondisi
pada beberapa kali percobaan dengan jumlah fluktuatif dikarenakan persebaran data uji yang
data uji sebanyak 18, 36, 54, dan 72. Bobot kurang merata.
terbaik dan range terbaik pada pengujian
sebelumnya digunakan untuk menguji jumlah 5. SARAN
data. Bobot yang digunakan ditunjukkan pada Saran yang dapat disampaikan untuk
Tabel 5. pengembangan penelitian selanjutnya adalah:
Tabel 5. Bobot terbaik pada pengujian bobot a. Sistem dapat menambahkan kriteria
C1 C2 C3 C4 C5 penilaian beserta sub kriteria apabila terjadi
DM1 0,350 0,150 0,400 0,050 0,050 penambahan kriteria kedepannya. Penentuan
DM2 0,400 0,150 0,350 0,050 0,050 bobot kriteria dapat dilakukan menggunakan
Grafik pengujian jumlah data ditunjukkan salah satu metode pembobotan.
pada Gambar 17. b. Sistem dapat melakukan penilaian kinerja
unit semua perusahaan, baik unit internal
100 86,11111 83,33333
maupun eksternal. Sehingga unit perusahaan
77,77777 111 79,62962 yang memiliki tupoksi yang tidak serupa
90 333
963
Akurasi (%)

778 dapat dinilai berdasarkan kriteria yang telah

80
disediakan.
70 c. Untuk pengembangan penelitian selanjutnya
60 dapat digunakan metode Multi Criteria
50 Decision Making lainnya. Metode voting
18 36 54 72 lainnya juga dapat dilakukan pada penelitian
Jumlah Data selanjutnya.
Gambar 17. Grafik akurasi pengujian jumlah data

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 7347

6. DAFTAR PUSTAKA Simple Majority Principle. Public Choice,

28(1), pp. 79-88.
Akafpour, A. & Hamidi, N., 2013. Improved
techniques PROMETHEE preference for Giurca, I., Aschilean, I., Safirescu, C. O. &
the changed conditions. Technical Journal Muresan, D., 2014. Choosing Photovoltaic
of Engineering and Applied Sciences, pp. Panels Using the PROMETHEE Method.
3681-3687. Bucharest, In Proceedings Of The 8th
International Management Conference.
Ali, G., 2013. Sistem Pendukung Keputusan
Penentuan Jabatan Struktural Imandasari, T. & Windarto, A. P., 2017. Sistem
Menggunakan Metode PROMETHEE. Pendukung Keputusan dalam
Eksplora Informatika, pp. 181-192. Merekomendasikan Unit Terbaik di
PDAM Tirta Lihou Menggunakan Metode
Apriliani, D., Adi, K. & Gernowo, R., 2015.
PROMETHEE. Jurnal Teknologi dan
Implementasi Metode Promethee dan
Sistem Komputer, V(4), pp. 159-165.
Borda Dalam Sistem Pendukung
Keputusan Pemilihan Lokasi Pembukaan Lansdowne, L. F. & Woodward, B. S., 1996.
Cabang Baru Bank. Jurnal Sistem Applying the Borda Ranking Method.
Informasi Bisnis, pp. 145-150. SPRING: Air Force Journal & Logistics,
XX(2), pp. 27-29.
Arsita, R., 2013. Sistem Pendukung Keputusan
Penerima Jaminan Kesehatan Masyarakat Newenhizen, J. V., 1992. The Borda Method Is
(JAMKESMAS) dengan Metode Most Likely to Respect the Condorcet
PROMETHEE (Studi Kasus: Tegal Sari Principle. Springer, 2(1), pp. 69-83.
Mandala-I). Pelita Informatika Budi
Prabowo, F. H., 2011. Penerapan Metode
Darma, IV(2), pp. 1-9.
PROMETHEE dalam Menentukan
Behzadian, M., Kazemzadeh, R. B., Albadvi, A. Prioritas Pinjaman Kredit Pemilikan
& Aghdasi, M., 2009. PROMETHEE: A Rumah (KPR IB) Kepada Nasabah
Comparison Literature Review on Debitur. pp. 1-13.
Methodologies and Applications.
Wang, C. W. & Leung, H. L., 2004. A secure and
European Journal of Operational
fully private borda voting protocol with
Research 200 (2010), pp. 198-215.
universal verifiability. s.l., COMPSAC.
Brans, J. P. & Vincke, P. H., 1985. A Preference
Widodo, I., 2011. Analisis Kinerja Perusahaan
Ranking Organization Method (The
dengan Menggunakan Pendekatan
Promethee Method for Multiple Criteria
Balanced Scorecard (Studi Kasus Pada
Decision Making). Management Scient,
Perusahaan Mebel PT. Jansen Indonesia).
31(6), pp. 647-656.
Semarang: Universitas Diponegoro.
Brans, J. P., Vincke, P. & Mareschal, B., 1986.
Zudia, M., 2010. Analisis Penilaian Kinerja
How to Select and How to Rank Projects:
Organisasi dengan Menggunakan Konsep
The PROMETHEE Method. European
Balanced Scorecard pada PT Bank Jateng
Journal of Operational Research, pp. 228-
Semarang. Semarang: Universitas
238.
Diponegoro.
Doumpos, M. & Zoponudis, C., 2010. A
multicriteria decision support system for
bank rating. Decision Support Systems,
Issue 50, pp. 50-63.
Estuningsari, E. R., Setyanto, N. W. & Efranto,
R. Y., 2013. Pengukuran Kinerja
Perusahaan Berbasis Kriteria Penilaian
Kinerja Unggul (KPKU) BUMN (Studi
Kasus: Perum Jasa Tirta 1 Malang). pp.
476-487.
Fishburn, P. C. & Gehrlein, W. V., 1976. Borda's
Rule, Positional Voting, and Condorcet's

Fakultas Ilmu Komputer, Universitas Brawijaya