Penilaian kinerja pegawai dengan Metode Topsis dan Backpropagation Neural Network

ABSTRAK

Kemajuan transformasi digital pada era Industri 4.0 serta penerapan e-Government telah membawa perubahan besar dalam sistem pengelolaan administrasi publik. Kondisi tersebut menuntut kehadiran sistem penilaian kinerja pegawai yang lebih adaptif, berbasis data, dan berlandaskan objektivitas. Pemanfaatan teknologi kecerdasan buatan menjadi salah satu pendekatan yang memiliki kemampuan besar untuk meningkatkan transparansi dan akuntabilitas dalam proses evaluasi kinerja aparatur sipil negara. Penelitian ini menawarkan model klasifikasi kinerja pegawai menjadi 5 tingkatan, ialah "sangat baik", "baik", "cukup", "buruk", terakhir ialah "sangat buruk", diterapkan ke metode Backpropagation NN. Tahapan riset dimulai melalui persiapan data dimana melakukan kurasi indikator penilaian menjadi 4 macam: kualifikasi, kompetensi, kinerja, terakhir disiplin. Untuk meningkatkan efektivitas pada data masukan, diterapkan seleksi fitur berbasis Technique for Order Preference by Similarity to Ideal Solution (TOPSIS), kemudian hasilnya dijadikan input pelatihan pada model Backpropagation Neural Network.
Integrasi kedua pendekatan tersebut memungkinkan evaluasi dilakukan secara lebih terstruktur dan mampu mengurangi unsur subjektivitas. Hasil pengujian menunjukkan bahwa model yang dilatih menggunakan data hasil seleksi TOPSIS memiliki performa yang baik dengan nilai loss dan Mean Squared Error (MSE) sebesar 0,000465. Sementara itu, pengujian Backpropagation Neural Network tanpa seleksi fitur menghasilkan nilai loss sebesar 0,026838. Temuan tersebut menunjukkan bahwa kombinasi TOPSIS dan BPNN mampu memberikan klasifikasi kinerja pegawai yang lebih stabil dan dapat diandalkan.
Kontribusi penelitian ini terletak pada development sistem evaluasi kinerja pengolahan kecerdasan buatan yang lebih presisi, juga responsif dalam menghadapi dinamika birokrasi modern. Pada tahap selanjutnya, pendekatan ini dapat diterapkan pada sistem manajemen kinerja digital secara real-time untuk mendukung proses pengambilan keputusan yang lebih cepat, tepat sasaran, serta sejalan dengan upaya mewujudkan reformasi birokrasi berkelanjutan.

ABSTRACT

The rise of Industry 4.0 along with the expansion of e-Government has reshaped public sector governance, generating increasing expectations for employee performance evaluation mechanisms that are data-driven, unbiased, and responsive to organizational change. Artificial intelligence (AI) becomes a key element in this shift by reinforcing transparency and enhancing accountability in measuring civil servant performance.
This study introduces an approach for classifying employee performance into five assessment groups “very good,” “good,” “adequate,” “poor,” and “very poor”—through the application of a Backpropagation Neural Network model. The research process involves several core stages, beginning with data preprocessing, in which evaluation parameters are organized into four principal dimensions: qualification, competence, job performance, and discipline. To guarantee that only essential and effective input variables are used, a feature selection mechanism is executed using TOPSIS, and filtered attributes are then utilized for training the neural network architecture. Through this integration, the evaluation procedure becomes more structured and reduces the influence of subjective interpretation. The network trained with TOPSIS-refined attributes shows strong predictive performance, yielding a low error and MSE: 0.000465. Conversely, testing the Backpropagation Neural Network without feature optimization generates a larger loss of 0.026838. These findings provide clear evidence that the incorporation of TOPSIS with the neural model enhances consistency and reliability when classifying employee performance categories.
In conclusion, this research supports the formation of an AI-supported performance assessment framework that delivers improved precision and adaptability to the evolving requirements of contemporary public management. Future deployment of this method within digital government performance platforms has the potential to enable real-time tracking and analytics, thereby facilitating faster and more accurate decision-making aligned with ongoing bureaucratic reform efforts.

مستخلص البحث

لقد غيّرت التحوّل الرقمي من خلال تطبيق الصناعة 4.0 والحكومة الإلكترونية نماذج الإدارة العامة، مما يتطلب نظام تقييم أداء الموظفين يكون أكثر تكيفًا وموضوعية ويعتمد على البيانات. في هذا السياق، توفر تقنية الذكاء الاصطناعي إمكانيات كبيرة لتعزيز الشفافية والمساءلة في تقييم أداء موظفي الحكومة. هدفت هذه الرسالة إلى تصنيف أداء الموظفين إلى خمس فئات، وهي: "جيد جدًا"، "جيد"، "مقبول"، "سيء"، و"سيء جدًا"، باستخدام طريقة شبكة الانتشار العكسي(Backpropagation Neural Network). يشمل المدخل المستخدم عدة مراحل رئيسية، بدءًا من عملية معالجة البيانات الأولية التي تقوم بتجميع معايير التقييم في أربعة جوانب: المؤهلات، والكفاءة، والأداء، والانضباط. لتعزيز ملاءمة وكفاءة إدخال البيانات، يتم إجراء اختيار الميزات باستخدام طريقة ترتيب التفضيل بناءً على التشابه مع الحل المثالي، ويتم استخدام النتائج كبيانات تدريب على نموذج شبكة الانتشار العكسي.تسمح هذه الطريقة بإجراء عملية التقييم بشكل أكثر تنظيمًا وتقليل الذاتية في التقدير. أظهرت نتائج التدريب أداءً جيدًا للنموذج، مع قيمة الخسارة و متوسط مربعات الخطأ (MSE) بمقدار 0.000465. في المقابل، سجلت نتائج التجربة باستخدام طريقة شبكة الانتشار العكسي بشكل قيمة الخسارة 0.026838. أثبت دمج بين طريقة تقنية ترتيب التفضيل عن طريق التشابه مع الحل المثالي وشبكة الانتشار العكسي فعاليتها في تصنيف أداء الموظفين بشكل متسق وموثوق. تساهم هذه النتائج في تطوير نظام تقييم الأداء المستند إلى الذكاء الاصطناعي بشكل أكثر دقة وقدرة على التكيف مع تحديات الإدارة العامة الحديثة. مستقبلًا، من المحتمل دمج الطريقتين في نظام إدارة الأداء الرقمي في بيئة الهيئات الحكومية بشكل لحظي، مما يدعم اتخاذ قرارات أسرع وأكثر دقة بهدف تحقيق إصلاح إداري مستدام.