scholarly journals Penerapan Sistem Pendukung Keputusan Penilaian Karyawan Terbaik Dengan Metode Simple Additive Weighting

2021 ◽  
Vol 10 (2) ◽  
pp. 75-81
Author(s):  
Ainun Zumarniansyah ◽  
Rian Ardianto ◽  
Yuris Alkhalifi ◽  
Qudsiah Nur Azizah
Keyword(s):  
Data Mining ◽  
Simple Additive Weighting

Intisari— Dalam Penilaian Karyawan Terbaik pada PT. Berkah Jaya Motor, ada beberapa faktor yang menjadi penilaian dan berdasarkan penilaian kinerja karyawan diperusahaan. Penilaian karyawan di PT. Berkah Jaya Motor masih mengalami kendala karena masih menggunakan sistem Penilaian dengan cara Perundingan. Demi efisiensi kerja maka pengambilan keputusan yang tepat sangat diperlukan. Dengan tujuan untuk membangun dan memberikan alternatif. Untuk Penilaian karyawan terbaik dengan menggunakan metode Simple Additive Weighting (SAW). dimana ada beberapa kriteria yang masing-masing memiliki bobot penilaian sehingga memberikan hasil penilaian karyawan yang akurat terhadap setiap kinerja karyawan terbaik. Hasil akhir diperoleh dari proses perhitungan, yaitu penjumlahan dari matriks ternormalisasi dengan bobot per kriteria yang menunjukan rangking pemilihan karyawan terbaik dari pertama hingga yang terakhir dari kriteria. Dari penilaian tersebutlah menjadi alternatif yang kemudian mendapat Karyawan Terbaik. Kata Kunci— Sistem Pendukung Keputusan, Karyawan Terbaik, Simple Additive Weighting Referensi : [1]  A. G. Anto, H. Mustafidah, and A. Suyadi, “Sistem Pendukung Keputusan Penilaian Kinerja Karyawan Menggunakan Metode SAW (Simple Additive Weighting) di Universitas Muhammadiyah Purwokerto,” JUITA, vol. 4, pp. 193–200, 2015, Accessed: Jun. 18, 2021.[Online]. Available: http://www.jurnalnasional.ump.ac.id/index.php/JUITA/article/view/876 [2]  A. T. Widiyanto and Y. Erliani, “Sistem Pendukung Keputusan Dalam Menentukan Karyawan Terbaik Pada PTt. Tembaga Mulia Semanan Dengan Metode Topsis,” 2016. [3]  I. Pratama, Sistem Informasi dan Implementasinya. 2019. [4]  D. I. Sabanayo, “Sistem Pendukung Keputusan Pemilihan Karyawan Terbaik Menggunakan Metode SAW Pada PT. Berkah Cahaya Muria Kudus,” 2015. [5]  T. Syahputra, M. Yetri, and S. D. Armaya, “Sistem Pengambilan Keputusan Dalam Menentukan Kualitas Pemasukan Pangan Segar Metode Smart,” JURTEKSI, vol. 04, no. 01, 2017, Accessed: Jun. 18, 2021. [Online]. Available: https://jurnal.stmikroyal.ac.id/index.php/jurteksi/article/view/19/18 [6]  I. Fahmi, Teori dan Teknik Pengambilan Keputusan Kualitatif dan Kuantitatif . 2016. [7]  S. Mallu, “Sistem Pendukung Keputusan Penentuan Karyawan Kontrak Menjadi Karyawan Tetap Menggunakan Metode TOPSIS,” JITTER, vol. 01, no. 02, 2015, Accessed: Jun. 18, 2021. [Online]. Available: http://journal.widyatama.ac.id/index.php/jitter/article/view/53 . 2021 [8] K. Safitri, F. Tinus Waruwu, and Mesran, “Sistem Pendukung Keputusan Pemilihan Karyawan Berprestasi Dengan Menggunakan Metode Analytical Hieararchy Process Process Studi Case PT.Capella Dinamik Nusantara Takengon vol. 1, no. 1, pp. 12–16, 2017, Accessed: Jun. 18,  ,” vol. 1, no. 1, pp. 12–16, 2017, Accessed: Jun. 18, 2021. [Online]. Available: https://ejurnal.stmik budidarma.ac.id/index.php/mib/article/view/317/268 [9]  G. Taufiq, “Implementasi Logika Fuzzy Tahani Untuk Model Sistem Pendukung Keputusan Evaluasi Kinerja Karyawan,” Jurnal Pilar Nusa Mandiri, vol. XII, no. 1, 2016, Accessed: Jun. 18, 2021. [Online]. Available: http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/254/224 [10] D. Nofriansyah, Konsep Data Mining Vs Sistem Pendukung Keputusan, I. Yogyakarta: Deepublish, 2014. [11] D. Fatihudin, Metode Penelitian untuk Ekonomi, Manajemen dan Akuntansi. 2015. [12]  J. Hartono, Analisis & Desain Sistem Informasi Pendekatan Terstruktur Teori Dan Praktik Aplikasi Bisnis. 2014. [13]  I. G. B. Subawa, I. M. A. Wirawan, and I. M. G. Sunarya, “Pengembangan Sistem Pendukung Keputusan Pemilihan Pegawai Terbaik Menggunakan Metode Simple Additive Weighting (SAW) Di PT Tirta Jaya Abadi Singaraja,” Karmapati, vol. 4, no. 5, 2015, Accessed: Jun. 18, 2021. [Online]. Available: https://ejournal.undiksha.ac.id/index.php/KP/article/view/6623/4511

scholarly journals Algoritma K-Means dalam Pemilihan Siswa Berprestasi dan Metode SAW untuk Prediksi Penerima Beasiswa Berprestasi

2020 ◽  
Vol 6 (2) ◽  
pp. 181
Author(s):  
Rini Sovia ◽  
Eka Praja Wiyata Mandala ◽  
Sitty Mardhiah
Keyword(s):  
Data Mining ◽  
Simple Additive Weighting

Beasiswa prestasi merupakan beasiswa yang diberikan kepada siswa berprestasi di sekolah agar dapat memberikan motivasi lebih giat dalam belajar. Namun, pemberian beasiswa sering tidak tepat sasaran dan ketersediaan dana beasiswa yang terbatas membuat banyak siswa yang berprestasi tidak dapat memperolehnya sehingga siswa yang berprestasi akan turun semangatnya untuk terus belajar. Agar lebih mudah dalam memilih siswa berprestasi, maka diperlukan pendekatan data mining untuk mengelompokkan siswa berprestasi dengan menggunakan Algoritma K-Means dan selanjutnya bisa dibuat sistem pendukung keputusan untuk melakukan perangkingan dengan metode Simple Additive Weighting (SAW) dari siswa berprestasi yang sudah dikelompokkan sehingga akan diperoleh siswa yang berprestasi yang berhak menerima beasiswa. Penelitian ini menggunakan 5 kriteria yaitu nilai rata-rata siswa, peringkat, nilai sikap, nilai ekstrakurikuler dan prestasi akademik maupun non akademik. Penelitian dilakukan di SMAN 2 Payakumbuh. Ada 20 data siswa yang mengajukan beasiswa digunakan dalam penelitian ini. Hasil penelitian ini dengan menggabungkan K-Means dan SAW, ternyata dapat mempermudah proses pengelompokkan data siswa berprestasi dan penetuan prediksi penerima beasiswa berprestasi karena lebih cepat dan lebih tepat sasaran. Dari 20 data siswa yang mengajukan beasiswa, dikelompokkan menjadi 10 siswa yang berprestasi dan dilakukan perangkingan sehingga hanya 6 siswa yang berhak menerima beasiswa.

Data Mining and Machine Learning

2020 ◽  
Author(s):  
Mohammed J. Zaki ◽  
Wagner Meira, Jr
Keyword(s):  
Machine Learning ◽  
Data Mining

Heart Rate Variability, Emotions, and Music

2010 ◽  
Vol 24 (2) ◽  
pp. 112-119 ◽  
Author(s):  
F. Riganello ◽  
A. Candelieri ◽  
M. Quintieri ◽  
G. Dolce
Keyword(s):  
Data Mining ◽  
Heart Rate ◽  
Heart Rate Variability ◽  
Vegetative State ◽  
Low Frequency ◽  
Emotional Reactions ◽  
Heart Beat ◽  
Healthy Controls ◽  
Frequency Spectra ◽  
Emotional Value

The purpose of the study was to identify significant changes in heart rate variability (an emerging descriptor of emotional conditions; HRV) concomitant to complex auditory stimuli with emotional value (music). In healthy controls, traumatic brain injured (TBI) patients, and subjects in the vegetative state (VS) the heart beat was continuously recorded while the subjects were passively listening to each of four music samples of different authorship. The heart rate (parametric and nonparametric) frequency spectra were computed and the spectra descriptors were processed by data-mining procedures. Data-mining sorted the nu_lf (normalized parameter unit of the spectrum low frequency range) as the significant descriptor by which the healthy controls, TBI patients, and VS subjects’ HRV responses to music could be clustered in classes matching those defined by the controls and TBI patients’ subjective reports. These findings promote the potential for HRV to reflect complex emotional stimuli and suggest that residual emotional reactions continue to occur in VS. HRV descriptors and data-mining appear applicable in brain function research in the absence of consciousness.

Post, Mine, and Be Disturbed: Social Media Data Mining

PsycCRITIQUES ◽  
2016 ◽  
Vol 61 (51) ◽  
Author(s):  
Daniel Keyes
Keyword(s):  
Data Mining ◽  
Social Media ◽  
Social Media Data ◽  
Media Data

Challenges and Cloud Computing Environments Towards Big Data

2014 ◽  
pp. 203-208
Author(s):  
Kiran Kumar S V N Madupu
Keyword(s):  
Data Mining ◽  
Cloud Computing ◽  
Big Data ◽  
Technology Development ◽  
Computing Environments ◽  
Modern Technologies

Big Data has terrific influence on scientific discoveries and also value development. This paper presents approaches in data mining and modern technologies in Big Data. Difficulties of data mining as well as data mining with big data are discussed. Some technology development of data mining as well as data mining with big data are additionally presented.

Penerapan Data Mining Untuk Prediksi Penjualan Mobil Menggunakan Metode K-Means Clustering

2020 ◽  
Vol 3 (3) ◽  
pp. 187-201
Author(s):  
Sufajar Butsianto ◽  
Nindi Tya Mayangwulan
Keyword(s):  
Data Mining ◽  
Clustering Data ◽  
Cluster 2

Penggunaan mobil di Indonesia setiap tahunnya selalu meningkat dan membuat perusahaan otomotif berlomba-lomba dalam peningkatan penjualannya. Tujuan dari penelitian ini untuk mengelompokan data penjualan kedalam sebuah cluster dengan metode Data Mining Algoritma K-Means Clustering. Data Penjualan nantinya akan dikelompokan berdasarkan kemiripan data tersebut sehingga data dengan karakteristik yang sama akan berada dalam satu cluster. Atribut yang digunakan adalah brand dan penjualan. Cluster yang terbentuk setelah dilakukan proses K-Means Clustering terbagi menjadi tiga cluster yaitu Cluster 0 jumlah anggota 235 dengan presentase 26% dikategorikan Laris, Cluster 1 jumlah anggota 604 dengan presentase 67% dikategorikan Kurang Laris, dan Cluster 2 jumlah angota 61 dengan presentase 7% dikategorikan Paling Laris, dari proses clustering diatas dapat diperoleh validasi DBI (Davies Bouldin Index) dengan nilai 0,341

Sign in / Sign up

Export Citation Format

Share Document