PENILAIAN KINERJA PEGAWAI DENGAN METODE TOPSIS DAN BACKPROPAGATION NEURAL NETWORK

Audi Bayu Yuliawan
M. Amin Hariyadi
Ririen Kusumawati
Cahyo Crysdian
Fresy Nugroho


DOI: https://doi.org/10.29100/jipi.v10i2.7826

Abstract


Transformasi digital melalui penerapan Industri 4.0 dan e-Government telah mengubah paradigma administrasi publik, sehingga menuntut sistem evaluasi kinerja pegawai yang lebih adaptif dan objektif. Penelitian ini bertujuan untuk mengklasifikasikan kinerja pegawai ke dalam lima kategori, yaitu "sangat baik", "baik", "cukup", "buruk", dan "sangat buruk", dengan menggunakan pendekatan Neural Network Backpropagation. Metodologi yang digunakan mencakup beberapa tahapan utama, dimulai dari proses preprocessing data yang menge-lompokkan kriteria penilaian ke dalam empat aspek: kualifikasi, kom-petensi, kinerja, dan disiplin. Selanjutnya, dilakukan seleksi fitur menggunakan metode Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS), dan hasilnya digunakan sebagai data pelatihan pada model Neural Network Backpropagation. Hasil pelati-han menunjukkan performa model yang cukup baik, dengan nilai loss dan Mean Squared Error (MSE) sebesar 0,000465, Mean Absolute Per-centage Error (MAPE) sebesar 19,59%, dan akurasi mencapai 80,41%. Sementara itu, hasil eksperimen dengan metode TOPSIS secara terpisah mencatat akurasi sebesar 81% dan nilai loss sebesar 0,377. Kombinasi metode TOPSIS dan Neural Network Backpropagation ter-bukti efektif dalam mengklasifikasikan kinerja pegawai secara konsis-ten. Temuan ini memberikan kontribusi terhadap pengembangan sis-tem evaluasi kinerja berbasis kecerdasan buatan yang lebih akurat dan adaptif terhadap tantangan administrasi publik modern.

Keywords


TOPSIS, Neural Network Backpropagation, Penilaian Kinerja Pegawai, Industri 4.0, e-Government

Full Text:

PDF

Article Metrics :

References


A. Ghosh, B. Woolf, S. Zilberstein, and A. Lan. (Dec., 2020). Skill-based Career Path Modeling and Recommendation. Proc. IEEE Int. Conf. Big Data (Big Data) [Online], pp. 1156–1165. Tersedia: https://doi.org/10.1109/BigData50022.2020.9377992

A. P. Widodo, S. Suhartono, E. A. Sarwoko, and Z. Firdaus. (2017). Akurasi Model Prediksi Metode Backpropagation Menggunakan Kombinasi Hidden Neuron Dengan Alpha. Jurnal Matematika [Online], vol. 20, no. 2, pp. 79–84. Tersedia: https://journal.unnes.ac.id/nju/index.php/matematika/article/view/10495

B. H. Hayadi, I. G. I. Sudipa, and A. P. Windarto. (2021). Model Peramalan Artificial Neural Network pada Peserta KB Aktif Jalur Pemerintahan Menggunakan Artificial Neural Network Back-Propagation. MATRIK: Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer [Online], vol. 21, no. 1, pp. 11–20. Tersedia: https://doi.org/10.30812/matrik.v21i1.1082

D. Dairoh, V. K. Bakti, and M. Naufal. (2021). Neural Network dan Particle Swarm Optimization untuk Penunjang Keputusan Antisipasi Mahasiswa Pra Lulus Bekerja Sesuai Bidang. MATRIK: Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer [Online], vol. 21, no. 1, pp. 151–158. Tersedia: https://doi.org/10.30812/matrik.v21i1.1163

E. B. Sifah, H. Xia, C. N. A. Cobblah, Q. Xia, J. Gao, and X. Du. (2020). BEMPAS: A Decentralized Employee Performance Assessment System Based on Blockchain for Smart City Governance. IEEE Access [Online], vol. 8, pp. 99528–99539. Tersedia: https://doi.org/10.1109/ACCESS.2020.2997650

E. Suryana. (2017). Pendugaan Tinggi Pasang Surut Laut Harian Menggunakan Jaringan Syaraf Tiruan Metode Backpropagation. Jurnal Ilmiah Betrik [Online], vol. 8, no. 2, pp. 70–82. Tersedia: http://ejournal.balikpapan.go.id/index.php/betrik/article/view/33

I. G. L. A. R. Putra and I. P. A. Swastika. (2016). Analisis Kerangka Kerja E-Governance Assessment Pada Situs Website Pemerintahan Daerah di Indonesia. Pros. Seminar Nasional Teknologi Informasi dan Komunikasi (SENTIKA) [Online], pp. 295–304. Tersedia: https://ejournal.stikom.edu/index.php/sentika/article/view/267

N. Iftiyani and A. D. Rumpak. (2019). Pengaruh Teknologi Smart City terhadap Kinerja Aparatur Pemerintah Kota Administrasi Jakarta Utara. Jurnal Sistem Informasi [Online]. Tersedia: https://doi.org/10.1109/SCORED.2016.7810034

N. Kaur and S. K. Sood. (Sept., 2017). A Game Theoretic Approach for an IoT-Based Automated Employee Performance Evaluation. IEEE Systems Journal [Online], vol. 11, no. 3, pp. 1385–1394. Tersedia: https://doi.org/10.1109/JSYST.2015.2469102

A. Mohammad Awadh and M. Saad. (2013). Impact of Organizational Culture on Employee Performance. European Journal of Business and Management [Online]. Tersedia: https://www.iiste.org/Journals/index.php/EJBM/article/view/14786

S. P. C. S. M. H. M. K. Vignesh S. (2021). An Intelligent Career Guidance System Using. Proc. Int. Conf. Adv. Comput. Commun. Syst. [Online], vol. 7, pp. 987–990. Tersedia: https://ieeexplore.ieee.org/document/9397152

H. J. Scholl and S. AlAwadhi. (June, 2016). Smart Governance as Key to Multi-Jurisdictional Smart City Initiatives: The Case of the eCi-tyGov Alliance. Social Science Information [Online], vol. 55, no. 2, pp. 255–277. Tersedia: https://doi.org/10.1177/0539018416629230

T. V. Yadalam, V. M. Gowda, V. S. Kumar, D. Girish, and N. M. (2020). Career Recommendation Systems Using Content-Based Filtering. Proc. 5th Int. Conf. Commun. Electron. Syst. (ICCES) [Online], pp. 660–665. Tersedia: https://doi.org/10.1109/ICCES48766.2020.9137992

K. Y. Wang and H. Y. Shun. (2016). Applying Back Propagation Neural Networks in the Prediction of Management Associate Work Re-tention for Small and Medium Enterprises. Universal Journal of Management [Online], vol. 4, no. 5, pp. 223–227. Tersedia: https://doi.org/10.13189/ujm.2016.040501

A. T. Wibowo Almais, C. Crysdian, K. Holle, and A. Roihan. (Sept., 2022). Smart Assessment Menggunakan Backpropagation Neural Network. MATRIK: Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer [Online], vol. 21, no. 3, pp. 525–540. Tersedia: https://doi.org/10.30812/matrik.v21i3.1469