PENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE AHP (STUDI KASUS : DI STMIK POTENSI UTAMA MEDAN) Ria Eka Sari, Alfa Saleh STMIK POTENSI UTAMA JL.KL.YOS SUDARSO KM 6.5 TANJUNG MULIA MEDAN ladiespure@gmail.com Abstrak Penilaian kinerja dosen pada universitas ataupun sekolah tinggi sangat diperlukan untuk melihat bagaimana baik buruknya kinerja dosen dalam menjalankan semua kegiatan proses belajar mengajar yang ada pada instansi dosen tersebut bekerja. Dalam mengevaluasi penilaian kinerja dosen diimplementasikan pada SPK dengan menggunakan AHP untuk mendapatkan peringkat tertinggi dari keempat dosen. Penggunaan perangkat lunak sistem pendukung keputusan (SPK) dengan metode Analytical Hierarchy Process(AHP) menggunakan Super Decisions ini terdiri dari 4 kriteria, yaitu kriteria kehadiran dosen, pengumpulan nilai, keterlambatan masuk pbm dan kecepatan masuk pbm pada suatu penilaian kinerja dosen dan yang menjadi alternatif 4 dosen yang setelah diakumulasikan mendapatkan nilai tertinggi diantara dosen lainnya. Setelah mengetahui parameter, langkah selanjutnya adalah menganalisis kebutuhan sistem, merekayasa pengetahuan, menerapkan metode dan pengujian sistem dengan menggunakan Software Super Decisions.Diharapkan metode ini dapat memudahkan untuk mendukung sesuatu keputusan dengan masalah yang kompleks. Kata Kunci : Sistem Pendukung Keputusan, AHP, Super Decisions, Kinerja Dosen 1. PENDAHULUAN Sebagai seorang professional, kinerja dosen juga perlu dinilai. Mulyadi (2007) menyatakan penilaian kinerja adalah penetuan secara periodic efektivitas operasional suatu organisasi, dan personalnya, berdasarkan sasaran strategic, standar, dan kriteria yang telah ditetapkan sebelumnya. Secara umum Penilaian Kinerja adalah proses dimana organisasi mengevaluasi perfoma atau kinerja karyawan dengan tujuan untuk meningkatkannya. Pada prinsipnya penilaian kinerja merupakan cara pengukuran kontribusi-kontribusi dari individu dalam instansi yang dilakukan terhadap organisasi. Nilai penting dari penilaian kinerja adalah menyangkut penentuan tingkat konntribusi individu atau kinerja yang diekspersikan dalam menyelesaikan tugas-tugas yang menjadi tanggung jawab. Penilaian kinerja dosen pada universitas ataupun sekolah tinggi sangat diperlukan untuk melihat bagaimana tingkat kinerja dosen dalam menjalankan semua kegiatan proses belajar mengajar yang ada pada instansi dosen tersebut bekerja. Tujuan penelitian ini dimana ingin mengetahui bagaimana pelaksanaan penilaian kinerja dosen yang dilakukan dalam pelaksanaan proses belajar mengajar, mengetahui pengaruh produktivitas kerja dosen terhadap perusahaan dan menentukan kinerja dosen yang terbaik dengan menggunakan metode AHP sesuai dengan kriteria yang telah ditetapkan[4]. Permasalah yang terjadi karena susahnya Top Management untuk menentukan dosen terbaik maka itu penulis mencoba untuk membuat system pendukung keputusan dengan menggunakan metode AHP yang kesimpulannya nantinya dapat menghasilkan urutan atau peringka dosen mana yang terbaik dari yang terbaik. hal penulis akan menganalisis dan menguji metode Analitycal Hierarchy Process (AHP) untuk pengolahan datanya yang nantinya informasi yang dihasilkan berguna untuk pihak Akademik dalam menentukan kinerja dosen terbaik dalam proses belajar mengajar. 2. DASAR TEORI 2.1 Sistem Pendukung Keputusan Konsep Sistem Pendukung Keputusan pertama kali diperkenalkan pada awal tahun 1970-an oleh Michael S. Scott Morton dengan istilah Management Decision System. Konsep pendukung keputusan ditandai dengan sistem interaktif berbasis komputer yang membantu pengambil keputusan memanfaatkan data dan model untuk menyelesaikan masalah-masalah yang tidak terstruktur. Pada dasarnya SPK diracang untuk mendukung seluruh tahap pengambilan keputusan mulai dari mengidentifikasi masalah, memilih data yang relevan, menentukan pendekatan yang digunakan dalam prosen pengambilan keputusan, sampai mengevaluasi pemilihan alternatif[1]. 108
Basis Data Interface Model Gambar 1. Komponen Sistem Pendukung Keputusan Gambar 1. memperlihatkan Sistem Pendukung Keputusan terdiri atas tiga komponen penting utama untuk menentukan kapabilitas teknis, yaitu: 1. Subsistem manajemen data, subsistem manajemen data memasukkan satu database yang berisi data yang relevan untuk situasi dan dikelola oleh perangkat lunak yang disebut sistem manajemen database (DBMS) 2. Subsistem manajemen model, merupakan paket perangkat lunak yang memasukkan model keuangan, statistik, ilmu manajemen atau model kuantitatif lainnya yang memberikan kapabilitas analitik dan manajemen perangkat lunak yang tepat. 3. Antarmuka Pengguna, pengguna berkomunikasi dengan memerintahkan DSS melalui subsistem ini[2]. 2.2 METODE AHP Analytical Hierarchy Process (AHP) dikembangkan oleh Thomas L. Saaty pada tahun 1970-an. Metode ini merupakan salah satu model pengambilan keputusan multikriteria yang dapat membantu kerangka berpikir manusia dimana faktor logika, pengalaman pengetahuan, emosi dan rasa dioptimasikan ke dalam suatu proses sistematis. Pada dasarnya, AHP merupakan metode yang digunakan untuk memecahkan masalah yang kompleks dan tidak terstruktur ke dalam kelompok kelompoknya, dengan mengatur kelompok tersebut ke dalam suatu hierarki, kemudian memasukkan nilai numerik sebagai pengganti persepsi manusia dalam melakukan perbandingan relatif. Dengan suatu hipotesa maka akan dapat ditentukan elemen mana yang mempunyai prioritas tertinggi[1]. 1. Tahapan Tahapan ( AHP ) Secara umum, tahapan-tahapan proses yang harus dilakukan dalam menggunakan AHP untuk memecahkan suatu masalah adalah sebagai berikut : 1. Mendefenisikan permasalahan dan menentukan tujuan. Bila AHP digunakan untuk memilih alternatif atau menyusun prioritas alternatif, maka tahap ini dilakukan pengembangan alternatif. 2. Menyusun masalah ke dalam suatu struktur hierarki sehingga permasalahan yang kompleks dapat ditinjau dari sisi yang detail dan terukur. 3. Menyusun prioritas untuk tiap elemen masalah pada setiap hierarki. Prioritas ini dihasilkan dari suatu matriks perbandingan berpasangan antara seluruh elemen pada tingkat hierarki yang sama. 4. Melakukan pengujian konsistensi terhadap perbandingan antar elemen yang didapatkan pada tiap tingkat hierarki. Thomas L. Saaty membuktikan bahwa Indeks si dari matriks berordo n )[3]. Tabel 1. Penilaian Perbadingan Berpasangan Pada Kasus di STMIK Potensi Utama Medan Hubungan antara Kriteria dan Alternative dapat digambarkan sebagai berkut : GOAL KRITERIA ALTERNATIVE Penilaian Kinerja Dosen Kehadiran Dosen Pengumpulan Nilai Keterlambatan Masuk PBM Kecepatan Selesai PBM Dosen 1 Dosen 2 Dosen 3 Dosen 4 Gambar 2. Hirarki antara Kriteria dan Alternative 3. HASIL DAN PEMBAHASAN Pengujian menggunakan software Super Decisions menggunakan Ratings yang berfungsi 109
untuk menguji data perbandingan yang kita lakukan apakah konsisten atau tidak dan nantinya juga memudahkan kita untuk mendapat peringkat untuk mendukung keputusan nantinya. 1. Membuat Matriks Perbandingan Kriteria Tahapan ini pemberian bobot masing-masing kriteria menggunakan model AHP (Analytical Hieracrchy Process). Data kriteria didapatkan dari pihak perusahaan yang langsung membandingkan kriteria dan kriteria sesuai dengan tabel kepentingan dan sampel hasil matriks perbandingan berpasangan dapat dilihat pada tabel 2. Tabel 2. Matriks Perbandingan Berpasangan Kriteria Kriteria KH PN KMP KSP KH 1/1 4/1 7/1 7/1 PN 1/4 1/1 6/1 6/1 KMP 1/7 1/6 1/1 1/1 KSP 7/1 1/6 1/1 1/1 Tabel 3. Matriks Perbandingan Berpasangan Alternatif berdasarkan kriteria Kehadiran Dosen KD AM NS LN YS AM 1/1 3/1 2/1 1/1 NS 1/3 1/1 1/5 1/5 LN 1/2 5/1 1/1 2/1 YS 1/1 5/1 1/2 1/1 Tabel 4. Matriks Perbandingan Berpasangan Alternatif berdasarkan kriteria Pengumpulan Nilai PN AM NS LN YS AM 1/1 1/2 1/2 3/1 NS 2/1 1/1 2/1 4/1 LN 2/1 1/2 1/1 2/1 YS 1/3 1/4 1/2 1/1 Tabel 5. Matriks Perbandingan Berpasangan Alternatif berdasarkan kriteria Keterlambatan Masuk PBM KMP AM NS LN YS AM 1/1 1/2 3/1 2/1 NS 2/1 1/1 2/1 2/1 LN 1/3 1/2 1/1 2/1 YS 1/2 1/2 1/2 1/1 Tabel 6. Matriks Perbandingan Berpasangan Alternatif berdasarkan kriteria Kecepatan Selesai PBM KSP AM NS LN YS AM 1/1 1/1 3/1 3/1 NS 1/1 1/1 1/1 2/1 LN 1/3 1/1 1/1 2/1 YS 1/3 1/2 1/2 1/1 2. Hasil Analisa Metode AHP Hasil analisa bobot dari kriteria dan alternative yang sudah dihitung dapat dilihat pada gambar dibawah ini: Tabel 7. Hasil Analisa Kriteria K KD PN KMP KSP Eigen KD 1.000 4.000 7.000 7.000 0.6169 PN 0.250 1.000 6.000 6.000 0.2703 KM 0.143 0.167 1.000 1.000 0.0564 P KSP 0.143 0.167 1.000 1.000 0.0564 JM L 1.536 5.333 15.000 15.000 1.000 E-Maks = 4.080982 CI = 0.026994 dan CR = 0.029993 < 0.1 Tabel 8. Hasil Analisa Alternatif berdasarkan kriteria Kehadiran Dosen KD AM NS LN YS Eigen AM 1.000 3.000 2.000 1.000 0.3434 NS 0.333 1.000 0.2000 0.2000 0.0709 LN 0.500 5.000 1.000 2.000 0.3225 YS 1.000 5.000 0.500 1.000 0.2632 JM L 2.833 14.000 3.700 4.200 1.000 E-Maks = 4.264257 CI = 0.088086 dan CR = 0.097873 < 0.1 Tabel 9. Hasil Analisa Alternatif berdasarkan kriteria Pengumpulan Nilai PN AM NS LN YS Eigen AM 1.000 0.500 0.500 3.000 0.2066 NS 2.000 1.000 2.000 4.000 0.4295 LN 2.000 0.500 1.000 2.000 0.2649 YS 0.333 0.250 0.500 1.000 0.0999 JM L 5.333 2.250 4.000 10.000 1.000 E-Maks = 4.117842 CI = 0.039281 dan CR = 0.043645 < 0.1 110
Tabel 11. Hasil Analisa Alternatif berdasarkan kriteria Keterlambatan Masuk PBM KMP AM NS LN YS Eigen AM 1.000 0.500 3.000 2.000 0.3068 NS 2.000 1.000 2.000 2.000 0.3835 LN 0.333 0.500 1.000 2.000 0.1752 YS 0.500 0.500 0.500 1.000 0.1346 JML 3.833 2.500 6.500 7.000 1.000 tools Super decisions. Adapun tahap-tahapnya adalah sebagai berikut : 1. Tahap ini melakukan pengujian pada tool super decision berikut Setelah semua Cluster dihubungkan dengan semua Node, maka akan terlihat seperti apada gambar 3. E-Maks = 4.215817 CI = 0.071939 dan CR = 0.079932 < 0.1 Tabel 12. Hasil Analisa Alternatif berdasarkan kriteria Kecepatan Selesai PBM KSP AM NS LN YS Eigen AM 1.000 1.000 3.000 3.000 0.4015 NS 1.000 1.000 1.000 2.000 0.2719 LN 0.333 1.000 1.000 2.000 0.2069 YS 0.333 0.500 0.500 1.000 0.1197 JML 2.667 3.500 5.500 8.000 1.000 E-Maks = 4.117867 CI = 0.039289 dan CR = 0.043654 < 0.1 Tabel 13. Hasil Analisa Dss atau Ranking Perhitungan Manual KD PN KMP KSP Bob ot 0.6169 0.270 0.056 0.05 3 4 64 AM 0.3434 0.206 0.306 0.40 6 8 15 NS 0.0709 0.429 0.383 0.27 5 5 19 LN 0.3225 0.264 0.175 0.20 9 2 69 YS 0.2632 0.099 0.134 0.11 9 6 97 B.Fin al 0.307 6 0.200 3 0.292 1 0.203 5 Rank Didapatkan kesimpulan bahwa Abdul Meizar mendapat peringkat pertama Sebagai hasil keputusan sebagai dosen dengan penilaian kinerjanya paling baik. Labuan Nababan peringkat kedua, Yusfrizal peringkat ketiga dan Nita Sari peringkat keempat. 1. Abdul Meizar ( Peringkat Pertama ) 2. Labuan Nababan ( Peringkat Kedua ) 3. Yusfrizal ( Peringkat Ketiga ) 4. Nita Sari ( Peringkat Keempat) 1 4 2 3 Gambar 3. Cluster Yang Telah Terhubung Setelah semua Cluster terhubung, langkah selanjutnya adalah melakukan perbandingan antar Cluster dengan mengisi data pada jendela Questionnaire dengan mengklik menu Assess/Compare lalu klik Do Comparison untuk pengisian data seperti pada gambar 4. Gambar 4. Perbandingan Antara Cluster Pada langkah awal menentukan bobot kriteria, inputkan nilai matriks berpasangan ke software super decision seperti pada gambar 5. 3.2 Hasil Pengujian dengan Super Decisions Untuk menguji konsistensi nilai CR > 0.1 maka sebaiknya kita uji dengan menggunakan 111
Gambar 5. Input Nilai Matriks Berpasangan Perbandingan Kriteria Gambar 5. memperlihatkan, nilai matriks berpasangan yang didapatkan akan dimasukkan ke dalam software super decisions untuk dilakukan proses menentukan bobot kriteria. berdasarkan goal maka prioritas perbandingan kriteria dapat dijelaskan pada gambar 6. Gambar 7. Hasil Bobot Prioritas Perbandingan Alternatif Berdasarkan Kehadiran Dosen Gambar 6. Hasil Pembobotan Nilai Matriks Berpasangan Kriteria Gambar 8. Hasil Bobot Prioritas Perbandingan Alternatif Berdasarkan Kriteria Pengumpulan Nilai Dari hasil proses pembobotan nilai matriks berpasangan, maka didapatkan hasil perbandingan bobot prioritas yaitu : 1. Kehadiran Dosen menjadi prioritas utama dalam memilih kriteria untuk perbaikan jalan dengan bobot kriteria sebesar 0.6061. 2. Pengumpulan Nilai menjadi prioritas kedua yaitu dengan bobot prioritas sebesar 0.2734. 3. Keterlambatan Masuk PBM dan Kecepatan Selesai PBM mempunyai prioritas yang sama yaitu 0.060. Gambar 9. Hasil Bobot Prioritas Perbandingan Alternatif Berdasarkan Kriteria Keterlambatan Masuk PBM 112
Gambar 10. Hasil Bobot Prioritas Perbandingan Alternatif Berdasarkan Kriteria Kecepatan Selesai PBM Gambar 13. Rankings Lengkap Hasil Analisa 4. KESIMPULAN Gambar 11. Hasil Hasil Prioritas Keseluruhan Kriteria Gambar 12. Hasil Synthesized Priorities dari Alternatives 1. Kriteria yang berpengaruh terhadap penentuan penilaian kinerja dosen pada STMIK Potensi Utama Medan adalah kriteria kehadiran dosen dengan nilai 0.6169 (61%), kemudian pengumpulan nilai 0.2703 (27%), keterlambatan masuk pbm 0.0564 (5%) dan kecepatan mengakhiri pbm 0.0564 (5%). 2. Dari hasil analisis matrik AHP diperoleh model keputusan, dengan prioritas yaitu untuk seluruh bobot / prioritas kriteria dan alternatif yang menjadi prioritas penilaian kinerja dosen di STMIK Potensi Utama Medan adalah peringkat 1 Abdul Meizar dengan nilai 0.3067 (30%), peringkat 2 Labuan Nababan dengan nilai 0.2877 (28%), peringkat 3 Yusfrizal dengan nilai 0.2054 (20%), peringkat 4 Nita Sari dengan nilai 0.2003 (20%). 3. Metode AHP ternyata dapat digunakan dalam proses penilaian kinerja dosen, karena metode tersebut mampu menyelesaikan masalah multikriteria yang belum terstruktur menjadi lebih terstruktur dan lebih mudah dipahami dengan hasil yang akurat. 4. Model sistem pendukung keputusan untuk penilaian kinerja dosen pada STMIK Potensi Utama Medan menggunakan metode AHP, mempunyai 4 kriteria yaitu kehadiran dosen, pengumpulan nilai, keterlambatan masuk pbm da kecepatan keluar pbm sedangkan untuk alternatif terdiri dari : Abdul meizar, Labuan Nababan, Nita Sari dan Yusfrizal 5. SARAN 1. Perlunya ketelitian saat melakukan perhitunggan berpasangan baik kriteria maupun alternatif, kesalahan pada pemasukan data dapat menyebabkan hasil akhir tidak terpenuhi dan mengembangkan permasalahan 113
dengan menambahkan sub kriteria agar permasalahan lebih kompleks. 2. Bagi para peneliti yang ingin mengembangkan lebih luas dan lebih dalam lagi untuk menentukan media informasi sistem pengambilan keputusan ini dapat ditingkatkan dengan menambahkan kriteria dan alternatifalternatif yang lebih banyak dan lebih bervariasi dengan melengkapi dan menambahkan cluster beserta node pada Super Decision untuk media penyampaian informasi pada masa yang akan datang. 3. Agar penelitian ini lebih baik lagi diharapkan bagi para peneliti bisa membuat aplikasi Sistem Pendukung Keputusan dengan metode AHP yang sudah dijelaskan oleh peneliti sebelumnya agar SPK ini lebih bermanfaat dan dapat digunakan dan dimengerti fungsi dan tujuan sistem ini oleh orang banyak DAFTAR PUSTAKA [1] Hilyah Magdalena., 2012, Sistem Pendukung Keputusan Untuk Menentukan Mahasiswa Lulusan Terbaik di Perguruan Tinggi, Jurnal Teknologi Informasi dan Komunikasi ISSN:2089-9815. Hal.50 sd 51. [2] [2] Efraim Turban, Jay E. Aronson, Ting Peng Liang.,2005, Decision Support System and Intelligent Systems Edisi 7 Jilid 1, Yogyakarta : Andi Offset. [3] Yusuf Anshori.,2012, Pendekatan Triangular Fuzzy Number Dalam Metode Analytical Hierarchy Process, Jurnal Ilmiah Foristek Vol.2 No.1. Hal.127. [4] Mulyadi, 2007. Sistem Perencanaan dan Pengendalian Manajemen, Penerbit Salemba Empat, Jakarta. 114