Optimalisasi TOPSIS untuk Perankingan Data Terklasifikasi Uyock Saputro 1, Hafiz Ridha Pramudita 2, Anna Baita 3

Transkripsi

1 Optimalisasi TOPSIS untuk Perankingan Data Terklasifikasi Uyock Saputro 1, Hafiz Ridha Pramudita 2, Anna Baita 3 1,2 Sistem Informasi, MTI STMIK AMIKOM Yogyakarta 3 STMIK AMIKOM Yogyakarta, Jl. Ring Road Utara, Condong Catur, Depok, Sleman, Yogyakarta. 1 soul.uyox@gmail.com, 2 me@hafizridha.net, 3 annanatsir@yahoo.com Abstrak Tujuan dari penelitian ini adalah memaksimalkan hasil dari metode TOPSIS yang digunakan untuk melakukan perankingan data terklasifikasi. Penelitian ini diimplementasian pada proses seleksi penerimaan karyawan, sehingga dapat memetakan posisi calon karyawan sesuai dengan bidang kompetensinya. TOPSIS merupakan salah satu metode yang digunakan pada sistem pendukung keputusan. Hasil TOPSIS yang digunakan untuk memetakan posisi calon karyawan belum maksimal. Hasil TOPSIS tidak dapat memetakan posisi seorang karyawan yang memiliki urutan ranking yang sama pada beberapa posisi jabatan. Untuk itu penelitian ini mengusulkan normalisasi hasil TOPSIS untuk mendapatkan ranking hasil TOPSIS yang telah diklasifikasikan berdasarkan bidang kompetensi. Hasil dari penelitian ini membuktikan bahwa optimalisasi TOPSIS dapat memetakan jabatan karyawan sesuai bidang kompetensinya. Kata kunci : TOPSIS, Optimalisasi, Klasifikasi, Karyawan 1. Pendahuluan Pengambilan keputusan bukan merupakan hal yang sederhana ketika dihadapkan dengan banyak kriteria untuk diperhitungkan. Setiap kriteria tersebut memiliki bobot masing-masing sebagai bahan pertimbangan pengambilan keputusan. Untuk itu perlu sebuah metode untuk dapat membantu dalam pengambilan keputusan. TOPSIS merupakan salah satu metode yang cukup praksis yang digunakan untuk memecahkah masalah dalam melakukan pengambilan keputusan pada banyak atribut (multiple atribut decision making/madm), yang berasal dari konsep penempatan titik ideal yang memiliki jarak terpendek dari solusi ideal positif [1]. Terdapat beberapa penelitian yang telah membahas tentang TOPSIS. Dalam penelitian Zhai Yan[6], topsis digunakan untuk melakukan evaluasi performa kinerja dari Lithium-Ion Power Battery. TOPSIS dapat menunjukkan baterai mana yang terbaik dan baterai mana yang terburuk kinerjanya. Penelitian Lixian Xing[4] mengusulkan fuzzy TOPSIS berdasarkan Vague Set. Metode ini diimplementasikan dalam evaluasi kinerja dari Resiko Proyek IT. Pada penelitian Nuri[5] TOPSIS digunakan pada sistem rekomendasi pemberian beasiswa. Penelitian ini hanya hanya membahas pemberian rekomendasi satu jenis beasiswa pada peserta didik. Pada realitanya dalam sebuah instansi pendidikan seringkali menyediakan beragam beasiswa dengan berbagai persyaratan yang beragam pula. Sesuai dengan kriteria yang diberikan oleh pemberi beasiswa. Peserta didik seharusnya hanya berhak mendapatkan satu macam beasiwa saja, agar manfaat dari beasiswa ini lebih merata. Penelitian ini belum dapat menyelesaikan permasalahan tersebut. Penelitian Lestari[3] membahas tentang penerapan fuzzy TOPSIS untuk seleksi penerimaan karyawan. Penelitian ini memberikan rekomendasi karyawan yang diterima dalam sebuah perusahaan untuk sebuah jabatan. Pada realitanya sebuah perusahaan melakukan rekruitasi karyawan tidak hanya untuk satu posisi jabatan tertentu. Seleksi biasanya dilakukan dalam satu waktu untuk mendapatkan karyawan sesuai dengan posisi yang dibutuhkan perusahaan. Pada penelitian ini belum dapat menyelesaikan permasalahan rekruitasi karyawan dalam memetakan karyawan sesuai dengan komposisi jabatan yang dibutuhkan oleh perusahaan. Berdasarkan hal tersebut, maka penelitian ini mengusulkan optimalisasi metode TOPSIS untuk perankingan data terklasifikasi. Metode usulan tersebut diimplementasikan pada kasus pemetaan penerimaan karyawan baru yang disesuaikan antara posisi jabatan dengan kompetensi bidang yang dimiliki oleh calon karyawan. 2. Metode Penelitian 2.1 TOPSIS Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) didasarkan pada konsep dimana terpilih yang terbaik tidak hanya memiliki jarak terpendek dari solusi ideal positif, namun juga memiliki jarak terpanjang dari solusi ideal negatif [2]. Langkah-langkah penyelesaian masalah MADM dengan TOPSIS [2] : 77

2 a. Membuat matriks keputusan yang ternormalisasi (r) dengan metode Euclidean length of a vector. (1) Dimana : = hasil dari normalisasi matriks nilai i = 1,2,...m j = 1,2,...n Peserta Buat Matriks Keputusan Mulai Jabatan b. Membuat matriks keputusan yang ternormalisasi terbobot (weighted normalized decision matriks), dengan bobot (w) = (w1,w2,...,wn) Normalisasi Matriks Keputusan Bobot (2) c. Menentukan matriks solusi ideal positif A + & matriks solusi ideal negatif A -. Hitung matriks normalisasi terbobot Menentukan Solusi Ideal (3) Menentukan jarak Dimana : V ij = elemen matriks V baris ke-i, kolom ke-j J = berhubungan benefit kriteria J = berhubungan dengan cost criteria (4) d. Menentukan jarak (D) antara nilai setiap dengan matriks solusi ideal positif (D + ) & matriks solusi ideal negatif (D - ). i=1,2,...,m(5) i=1,2,...,m(6),dengan,dengan e. Menentukan nilai preferensi (V) untuk setiap. 2.2 Optimalisasi TOPSIS Proses optimasi TOPSIS untuk data terklasifikasi digambarkan dalam bagan berikut ini: (7) Optimalisasi TOPSIS Preferensi tiap Normalisasi preferensi Hitung rangkin peserta tiap posisi jabatan Selesai Gambar 1. Proses optimalisasi TOPSIS Pada gambar 1 dijabarkan bahwa proses optimalisasi TOPSIS dihitung menggunakan normalisasi dari hasil perhitungan TOPSIS dari masing-masing posisi Jabatan. Sehingga diperoleh karyawan sesuai dengan posisi jabatannya. Analisis model diilustrasikan pada gambar 2 dan Gambar 3 berikut ini: 78

3 Input data peserta Input nilai peserta Admin TOPSIS and rule based positioning for human resource selection Jenis Bidang Bobot kriteria tiap bidang Rangking Calon Berdasarkan Bidang kompetensi Decision maker Gambar 2. DFD Level 0 Gambar 2 menjelaskan tentang DFD level 0. User dalam sistem yang akan dibangun ada 2, yakni Admin sebagai penginput data, dan Kepala HRD sebagai Decision Maker. Decision maker dapat menginputkan kriteria dan kompetensi jabatan sesuai dengan kebutuhan perusahaan. DFD level 1 diperlihatkan oleh gambar berikut ini: Decision maker Bidang Kompetensi yang dibutuhkan Bobot kriteria tiap bidang Admin Data peserta Nilai peserta Rangkin calon berdasar Bidang kompetensi 1 Jenis Bidang Kompetensi 2 3 Bobot kriteria tiap bidang 4 Input data pesera 5 Input Nilai peserta 6 Proses rangkin dengan TOPSIS pada tiap Bidang 7 Seleksi Rangking berdasarkan bidang kompetensi Gambar 3. DFD Level 1 Bidang Kompetensi Data peserta Nilai peserta Pada gambar 3 tersebut menjelaskan detil proses penyimpanan data. Proses pengambilan keputusan dengan metode TOPSIS digambarkan oleh proses 1-6. Proses ke 7 merupakan optimalisasi dari hasil TOPSIS. Struktur Relasi tabel dalam sistem ini adalah sebagai berikut: Gambar 4. Relasi tabel Gambar 4 merupakan struktur basis data yang digunakan untuk menyimpan peserta, kriteria dan kompetensi (jabatan) secara dinamis. Pemberian bobot kriteria pada masing-masing kompetensi (jabatan) dapat dilakukan secara subyektif oleh user sesuai kepentingannya. Sedangkan proses penghitungan TOPSIS, disimpan dalam tabel temporary. 3. Hasil dan Pembahasan Dalam penelitian ini menggunakan lima macam kriteria, yakni tes kepribadian(c1), tes logika(c2), tes komputer (C3), tes matematika(c4), dan tes bahasa Inggris(C5) untuk menentukan posisi jabatan pelamar kerja sesuai dengan kompetensi bidangnya. Jenis jabatan sesuai kompetensi yang digunakan dalam penelitian ini ada 3 macam, yakni: Programmer (K1), Administrator Jaringan (K2) dan Customer Service (K3). Tabel 1. Bobot kriteria tiap kompetensi K K K Pada tabel 1 dijabarkan bobot pada tiap-tiap kriteria yang dibutuhkan. Masing-masing kriteria memiliki bobot tersendiri untuk membedakan dengan kriteria lainnya. Data yang akan digunakan dapat dijabarkan pada tabel 2 yang berupa daftar peserta beserta dengan nilai tiap kriteria yang dimiliki peserta. Yang mana nilai tersebut digunakan sebagi acuhan penilaian. Data tersebut tersaji dalam tabel 2 sebagai berikut : 79

4 Tabel 2. Peserta beserta nilai tiap kriteria Adapun proses pembuatan sistem pendukung keputusan menggunakan TOPSIS adalah sebagai berikut: Pertama, melakukan normalisasi data tersebut, sehingga diperoleh hasil sesuai dengan tabel 3 sebagai berikut: Tabel 3. Normalisasi nilai tiap peserta Normalisasi Kedua, setelah mendapatkan hasil normalisasi yang dijabarkan pada tabel 3, maka dihitung normalisasi terbobot sesuai dengan nilai bobot kriteria masing-masing Jabatan, untuk kriteria jabatan 1 dapat dijabarkan dalam tabel 4. Kemudian menghitung nilai min dan max pada tiap kriteria tersebut. No Tabel 4. Normalisasi terbobot K1 Nilai Ujian No Nama 1 Uyock Hafiz Wahyu Ferian Ana Sharazita Yoga Hendra Yusha max min Ketiga, setelah mendapatkan hasil normalisasi terbobot seperti pada tabel 4 untuk kompetensi ke 1, kemudian dilakukan penghitungan nilai D+, D- dan V untuk masing-masing jabatan. Hasil perhitungan tersebut disajikan dalam tabel 5 berikut ini. Tabel 5. Nilai D+ D- dan V D+ D- v Dari tabel 5 tersebut dapat ditarik urutan ranking untuk tiap-tiap Jabatan sesuai nilai V. Tabel 6. Ranking peserta tiap jabatan Nama List Ranking K1 K2 K3 Uyock Hafiz Wahyu Ferian Ana Sharazita Yoga Hendra Yusha Pada tabel 6 telah didapatkan daftar ranking untuk tiap kompetensi jabatan, rangking tersebut digunakan untuk melakukan pemetaan posisi jabatan, dengan langkah sebagai berikut: 1. Cek nilai rangking peserta pada tiap jabatan. 2. Pilih jabatan yang memiliki ranking terbaik(nilai terkecil) 3. Hapus nama peserta dari keanggotaan jabatan, yang tidak terpilih Dari penghitungan TOPSIS pada tabel 6, maka Yoga akan menempati posisi yang sama pada K1 dan K3. Sistem tidak bisa merekomendasikan posisi jabatan yang tepat untuk Yoga. Untuk itu diperlukan satu metode untuk dapat merekomendasikan seseorang apabila seseorang memiliki nilai yang sama untuk tiap 80

5 jabatan. Penelitian ini mengusulkan normalisasi dari hasil TOPSIS yang telah didapat, untuk menghitung kembali nilai V tiap peserta. Proses normalisasi dijabarkan dalam langkah keempat dan kelima. Langkah Keempat: melakukan optimalisasi TOPSIS dengan menghitung nilai normalisasi dari V hasil TOPSIS untuk masing-masing jabatan. Tabel 7. Optimalisasi TOPSIS tiap Jabatan Nama Programer (K1) List Ranking Jaringan (K2) CS(K3) Uyock Hafiz Wahyu Ferian Ana Sharazita Yoga Hendra Yusha Optimalisasi yang dilakukan dan dihasilkan pada tabel 7 diperlukan untuk mengetahui jabatan yang paling sesuai berdasarkan nilai maksimalnya. Kelima: melakukan perangkingan dengan memilih nilai max untuk masing-masing peserta, sehingga diperoleh jabatan yang sesuai. Kemudian mengurutkan perolehan nilai untuk masing-masing jabatan sehingga diperoleh hasil sebagai berikut ini: Dari optimalisasi TOPSIS pada gambar 5, maka dapat diperoleh solusi pemetaan calon karyawan sesuai dengan bidang kompetensi yang dibutuhkan perusahaan. calon karyawan hanya dapat menempati satu jabatan. Rekomendasi diperoleh berdasarkan urutan bobot kriteria yang dikehendaki perusahaan. 4. Kesimpulan dan Saran Metode TOPSIS yang dioptimalisasi dengan proses normalisasi hasil TOPSIS dapat digunakan untuk melakukan perankingan data multi kriteria yang sudah diklasifikasikan. Metode usulan ini akan eror apabila ada peserta yang memiliki nilai yang 100% sama pada tiap kriteria, untuk itu pada penelitian selanjutnya diharapkan dapat menambahkan kriteria seperti data diri untuk mengurangi potensi kesamaan hasil. Metode ini tidak memiliki limit kuota masing-masing jabatan yang diperlukan, sehingga akan memungkinkan surplus ataupun defisit peserta untuk tiap jabatan. Daftar Pustaka: [1] Fu, Yang, & Lu, 2007, An extended TOPSIS for belief group decision making, IEEE Journal. [2] Kusumadewi, dkk Fuzzy Multi- Atribute Decision Making (MADM). Graha Ilmu, Yogyakarta. [3] Lestari, s dan Priyodiprodjo,w, 2011, Implementasi Metode Fuzzy Topsis Untuk Seleksi Penerimaan Karyawan, IJCCS, Vol.5 No.2 [4] Lixian Xing, Keran Tu, Ling Ma, 2009, The performance evaluation of IT project risk based on TOPSIS and Vague set, IEEE Journal [5] Perdana, Nuri Guntur dan Widowo, Tri, 2013, Sistem Pendukung Keputusan Pemberian Beasiswa Kepada Peserta Didik Baru Menggunakan Metode TOPSIS, Seminar Nasional Teknologi Informasi & Komunikasi Terapan [6] Zhai Yan, Zhang Weige, Sun Bing-xiang, Zheng Fang, and Zhang Man, 2014, The application of TOPSIS in the study of the comprehensive performance of lithium-ion power battery, IEEE Journal Gambar 5. Hasil akhir rangking tiap jabatan 81