Triwulandari Satitidjati Dewayana

Sistem pengukuran kinerja merupakan kunci untuk memandu dan menguji hasil dari proses perbaikan, tetapi tidak mengindikasikan bagaimana suatu proses harus di perbaiki. Salah satu pendekatan yang dapat membantu melengkapi hal tersebut adalah benchmarking. Dattakumar (2003) menyimpulkan bahwa pendekatan benchmarking dapat digunakan untuk perbaikan terus menerus.  Hasil review Grunberg (2003) terhadap metoda-metoda yang digunakan untuk perbaikan kinerja aktivitas operasional pada perusahaan manufaktur menunjukkan bahwa  pendekatan benchmarking juga memungkinkan untuk digunakan. Gleich et al. (2008) menyebutkan bahwa  benchmarking dapat digunakan untuk meningkatkan kinerja pada berbagai area.

Berbagai definisi benchmarking antara lain  1)  merupakan suatu proses untuk mengukur kinerja terhadap perusahaan yang terbaik dalam kelasnya, kemudian menggunakan analisis untuk memenuhi dan melebihi perusahaan tersebut (Pryor dan Katz 1993 dalam Yasin 2002), 2) pencarian praktek terbaik yang mengarah kepada kinerja yang sangat baik apabila praktek-praktek tersebut diterapkan (Partovi 1994), 3) proses identifikasi dan pembelajaran dari praktek terbaik dimanapun di dunia (Allan 1997 dalam Elmuti dan Yunus 1997), dan 4) perbandingan sistematis terhadap proses dan kinerja untuk menciptakan standar baru dan atau meningkatkan proses (Steven et al.2003).

Benchmarking dapat dipergunakan dalam berbagai industri, baik jasa dan manufaktur. Perusahaan-perusahaan melakukan benchmarking karena berbagai alasan. Alasan bisa umum, seperti peningkatan produktivitas atau bisa spesifik, seperti peningkatan desain tertentu. (Muschter 1997 dalam Elmuti dan Yunus 1997). Alasan-alasan yang digunakan pada dasarnya merupakan upaya organisasi dalam rangka perbaikan kinerja. Berdasarkan hal tersebut, maka metode benchmarking dapat digunakan untuk melakukan analisis perbaikan kinerja.

Aplikasi benchmarking dalam perbaikan kinerja telah banyak dilakukan.  Di mulai pada akhir 1970 oleh  Xerox Corporation yang memutuskan untuk membandingkan operasional perusahaannya dengan L.L. Bean yang memiliki produk yang berbeda namun memiliki karakteristik fisik yang sama (Tucker et al. 1987 dalam Elmuti dan Yunus 1997). Oleh karena itu, pengelompokan organisasi yang memiliki karakteristik yang serupa perlu dilakukan sebelum proses benchmarking.

Hasil yang dicapai melalui penerapan praktek terbaik dari L.L. Bean adalah peningkatan efisiensi dan produktivitas (Tucker et al. 1987 dalam Yasin 2002). Selain itu, menurut Dragolea dan Cotirlea (2009) manfaat benchmarking antara lain yaitu  1) perbaikan terus menerus untuk mencapai kinerja yang lebih baik menjadi budaya organisasi, 2) meningkatkan pengetahuan terhadap kinerja produk dan jasa, dan 3) membantu dalam memfokuskan sumberdaya untuk mencapai target.

Perkembangan konsep benchmarking dapat diklasifikasikan ke dalam lima generasi (Watson 1996; Ma’arif dan Hendri 2003; Denkena et al. 2006; Martin 2008; Anand dan Kodali 2008; Dragolea dan Cotirlea 2009; Moriarty dan Smallman 2009) yaitu 1) Reverse engineering (berorientasi pada produk yang meliputi perbandingan karakteristik, kegunaan dan kinerja produk) ; 2) Competitive benchmarking (berorientasi pada efisiensi dalam menghasilkan produk); 3) Process benchmarking (berorientasi pada proses-proses bisnis tertentu yang menjadi sasaran analisis); 4) Strategic benchmarking (berorientasi pada perubahan yang mendasar  dengan mengadaptasi strategi-strategi sukses); dan 5) Global benchmarking (berorientasi pada perbedaan-perbedaan budaya serta proses perencanaan strategis). Williams (2008) mengkategorikan benchmarking ke dalam dua tipe yaitu 1) internal benchmarking, dan 2) eksternal benchmarking.

Pierre dan Delisle (2006) mengusulkan sistem diagnosa berbasis pengetahuan pakar untuk melakukan benchmarking kinerja. Organisasi atau perusahaan yang berbeda memiliki metoda benchmarking sendiri, namun apapun metode yang digunakan, langkah-langkah utamanya adalah sebagai berikut : 1) pengukuran kinerja dari varibel-variabel kinerja terbaik pada kelompoknya relatif terhadap kinerja kritikal; 2) penentuan bagaimana tingkat-tingkat kinerja dicapai; dan 3)  penggunaan informasi untuk pengembangan dan implementasi dari rencana peningkatan (Omachonu dan Ross 1994 dalam Elmuti dan Yunus 1997).

Pustaka :

Anand G, Kodali R. 2008.  Benchmarking the Benchmarking Models. Benchmarking : An International Journal 15 (3) : 257 – 291.
Dattakumar R, Jagadeesh R. 2003. A Review of Literature on Benchmarking. Benchmarking : An International Journal 10 (3) : 176 – 209.
Denkena  B, Apitz R, Liedtke C. 2006. Knowledge-based  Benchmarking  of  Production  Performance. Benchmarking : An International Journal 13 (1/2) : 190 – 199.
Dragolea L, Cotirlea D. 2009. Benchmarking – A Valid Strategy for the Long Term ?. Annales Universitatis Apulensis Series Oeconomica 11 (2) : 813 – 826.
Elmuti D, Yunus K. 1997. An Overview of Benchmarking Process : A Tool for Continuous Improvement and Competitive Advantage. Benchmarking for Quality Management & Technology  4 ( 4): 229-243.
Grundberg T. 2003. A Review of Improvement Methods in Manufacturing Operations. International Journal of  Productivity and Performance Management 52 (2) : 89-93.
Ma’arif  MS., Hendri T. 2003. Manajemen Operasi. Jakarta : PT. Grasindo.
Martin F. 2008. A Performance Technologist’s Approach to Process Performance Improvement. International Society for Performance Improvement. 47 (2) : 30 – 40.
Moriarty JP, Smallman C. 2009.  En Route a Theory of Benchmarking. Benchmarking : An International Journal  16 (4) : 484 – 503.
Pierre JS, Delisle S. 2006. An Expert Diagnosis System for the Benchmarking of SME’s Performance.  Benchmarking : An International Journal  13 (1/2) : 106 – 119.
Steven et al. 2003. Key Management Models : The Management Tools and Practices that will Improve Your Business. London : Prentice Hall.
Watson GH. 1996. Strategic Benchmarking : How to Rate Your Company’s Performance against the World’s Best. Terjemahan. Jakarta : PT. Gramedia Pustaka Utama.
Williams SE. 2008. What has Benchmarking go to do with Evaluation ?. Di dalam : Mini Workshop AES International Conference. Perth.
Yasin MM. 2002. The Theory and Practice of Benchmarking : Then and Now. Benchmarking : An International Journal  9 (3) : 217-243.

Sistem Pakar Fuzzy merupakan penggabungan sistem pakar dan sistem Fuzzy. Penerapan sistem Fuzzy dalam sistem pakar bertujuan untuk merepresentasikan pengetahuan pakar pada lingkungan yang tidak pasti, tidak lengkap, dan sangat kompleks (Kandel 2001, Marimin 2005). Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamik serta memiliki kemampuan untuk mengembangkan sistem intelijen dalam lingkungan yang tidak pasti dan tidak tepat. Sistem fuzzy menduga suatu fungsi dengan logika fuzzy yang digunakan untuk menangani konsep derajat kebenaran, yaitu nilai kebenaran antara benar dan salah. Oleh karena itu, logika fuzzy sering menggunakan informasi linguistik dan verbal.

Sistem Pakar Fuzzy mengembangkan sistem pakar yang menggunakan logika fuzzy secara keseluruhan (Negnevitsky 2005; Bukley dan Siler 2005), yang meliputi gugus fuzzy, aturan fuzzy if- then, serta proses inferensi. Gugus fuzzy merupakan perangkat yang tepat untuk mengekspresikan ke-ambiguity-an yang diperlukan oleh komputer untuk mengerti bahasa manusia yang tidak dapat diselesaikan dengan logika biasa.

Pada umumnya, sistem Pakar Fuzzy terdiri dari dua modul utama yaitu basis pengetahuan (knowledge base) dan mesin penyimpul (inference engine) serta modul tambahan yang disebut memori kerja (working memory). Basis pengetahuan digunakan untuk menangkap keahlian pakar sedangkan mesin penyimpul mencontoh cara dan proses penalaran pakar. Memori kerja akan menampung fakta yang diberikan oleh pengguna dan menjadi perantara kesimpulan yang diambil dari prosedur inferensi.

Sistem pakar atau sistem berbasis pengetahuan kecerdasan (Intelligent Knowledge Based System) merupakan salah satu bagian dari kecerdasan buatan (Artificial Intelligent) yang memungkinkan komputer dapat berpikir dan mengambil kesimpulan dari sekumpulan aturan. Tujuan dari pengembangan sistem pakar adalah untuk menghasilkan suatu sistem yang dapat membantu pekerjaan manusia, terutama yang berhubungan dengan pemanfaatan keahlian dan pengalaman di suatu bidang tertentu secara lebih efektif dan efisien.

Sistem pakar akan menyimpan dan mengelola keahlian atau pengetahuan dari seorang pakar. Pengetahuan yang ada pada sistem pakar juga dapat berasal dari buku, majalah, atau sumber-sumber tertulis lainnya. Pengetahuan yang dimiliki sistem pakar akan digunakan untuk mengolah fakta-fakta dari pengguna sehingga dapat dihasilkan suatu kesimpulan yang akan diberikan kembali kepada penggunanya. Kesimpulan itu dapat dianggap sebagai hasil dari konsultasi yang diberikan oleh seorang pakar.

Marimin (2005) menyebutkan bahwa pada prinsipnya, sistem pakar tersusun dari beberapa komponen yang mencakup 1) fasilitas akuisisi pengetahuan, 2) sistem berbasis pengetahuan (Knowledge  Based  System)  , 3) mesin inferensi (inference engine), 4) fasilitas untuk penjelasan dan justifikasi, dan 5) penghubung antara pengguna dan sistem pakar (user interface). Tahapan pembentukan sistem pakar pada dasarnya disusun oleh tiga unsur utama sistem yaitu 1) basis pengetahuan, 2) mesin inferensi, dan 3) implementasi.

Akuisisi pengetahuan merupakan salah satu tahap penting dalam pengembangan sistem pakar. Pada tahap ini, dilakukan proses pengumpulan pengetahuan dari pakar oleh perekayasa pengetahuan (knowledge engineer). Sebagai salah satu elemen dalam sistem pakar, fasilitas akuisisi pengetahuan digunakan sebagai alat untuk mengisi atau mendapatkan pengetahuan, fakta, aturan, dan model yang diperlukan oleh sistem pakar dari berbagai sumber (Marimin  2007) seperti : akuisisi pengetahuan dari para pakar, pengorganisasian dari beberapa buku, jurnal, data, dasar dan media lain yang relevan dengan ruang lingkup sistem pakar yang akan dikembangkan, penyeleksian hasil deduksi dan induksi dari pengetahuan yang sudah tersimpan dalam sistem pakar atau yang berupa pengalaman langsung.

Terdapat tiga cara akuisisi pengetahuan (Buchanan dan Shorliffe 1984 dalam Fu 1994 di dalam Yuliasih dan Marimin 2003) yaitu : 1) handcrafting, dimana pengembang sistem mengkodekan pengetahuan (knowledge) langsung ke dalam program, 2) knowledge engineering, dimana akuisisi pengetahuan pakar dilakukan dengan cara kerjasama dengan pakar domain baik secara langsung maupun tidak, agar diperoleh pola dan bentuk pengetahuan yang nantinya disusun ke dalam basis pengetahuan, dan 3) machine learning, dimana pengetahuan diekstrak dari contoh-contoh pelatiham yang diujikan pada komputer.

Representasi pengetahuan merupakan bagian yang memuat obyek-obyek pengetahuan serta hubungan yang dimiliki antar obyek tersebut. Menurut Reichgelt (1991) dalam Fu (1994) di dalam Yuliasih dan Marimin (2003) ada empat tingkat representasi pengetahuan, yaitu : 1) level implementasi, berkaitan dengan kemungkinan pembuatan program pengetahuan bagi bahasa representasi pemrograman, 2) level logic, berhubungan dengan sifat-sifat fisik bahasa pengetahuan (seperti : makna suatu ekspresi, prosedur inferensi yang berkaitan), 3) level epistemologikal, berkaitan dengan struktur pengetahuan (misalnya jaringan semantik) dan strategi inferensi bahasa representasi pengetahuan, dan 4) level konseptual, berkaitan dengan hal-hal dasar yang aktual (misalnya konsep, obyek dan lainnya) dari bahasa representasi pengetahuan.

Mesin inferensi merupakan komponen dalam sistem pakar yang akan memanipulasi dan mengarahkan pengetahuan pada basis pengetahuan untuk memperoleh kesimpulan. Mesin inferensi dikategorikan dalam dua tipe (Fu, 1994 dalam Yuliasih dan Marimin 2003) yaitu : 1) mesin inferensi yang tidak menghitung tingkat kepercayaan untuk setiap kesimpulan yang dihasilkan, dan 2) mesin inferensi yang menghitung tingkat kepercayaan untuk setiap kesimpulan yang dihasilkan. Kesimpulan yang dihasilkan oleh sistem pakar diperoleh melalui pengujian fakta dan kaidah yang ada pada basis pengetahuan. Jika diperlukan, mesin inferensi juga dapat menambahkan fakta baru ke dalam basis pengetahuan.

Sistem pakar dapat diterapkan untuk berbagai permasalahan yang bersifat cukup kompleks dan permasalahan yang memiliki algoritma kurang jelas dalam pemecahannya sehingga dibutuhkan kemampuan seorang atau beberapa pakar untuk mencari sistematika penyelesaiannya secara evolutif. Oleh karena itu, sistem pakar dapat digunakan untuk permasalahan bersifat analitik, sintesis, dan integratif yang dihadapi oleh berbagai industri.

Pustaka :

Bukley JJ, Siler W. 2005. Fuzzy Expert Systems and Fuzzy Reasoning. New Jersey : John Wiley & Sons.
Kandel A. 2001. Fuzzy Expert System. Florida : CRC Press.
Marimin. 2005. Teori dan aplikasi Sistem Pakar dalam teknologi manajerial. Bogor : IPB Press.
Negnevitsky M. 2005. Artificial Intelligence : A Guide to Intelligent Systems. London : Addison-Wesley.
Yuliasih I,  Marimin.  2003. Desain Perlakuan Pasca Panen Terhadap Kesegaran Bunga Potong Lili Dengan Pendekatan Sistem Pakar Fuzzy. Jurnal Teknik Industri Pertanian 12 (1) : 14 – 22.

Sistem Fuzzy merupakan penduga numerik yang terstruktur dan dinamik yang memiliki kemampuan untuk mengembangkan sistem intelijen dalam lingkungan yang tidak pasti, dengan menduga suatu fungsi menggunakan logika fuzzy.

Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input  ke dalam suatu ruang output. Menurut Kusumadewi (2004) pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan  µ_A [x], memiliki dua  kemungkinan, yaitu : 1) 1 ( Satu), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, dan 2) 0  (Nol), yang berarti bahwa suatu item tidak menjadi anggota suatu himpunan

Dalam memahami sistem fuzzy, terdapat beberapa hal yang perlu diketahui  (Kusumadewi dan Hari  2004) yaitu :

1. Variabel fuzzy

Variabel  fuzzy merupakan variabel yang akan dibahas dalam suatu sistem fuzzy. Contoh variabel  fuzzy yaitu umur, temperatur, dan sebagainya.

2. Himpunan fuzzy

Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Jika pada himpunan crisp nilai keanggotaannya hanya ada dua kemungkinan, yaitu 0 atau 1, pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Terkadang kemiripan antara keanggotaan fuzzy dengan probabilitas menimbulkan kerancuan. Akan tetapi sesungguhnya keduanya memiliki intepretasi yang berbeda.

Keanggotaan fuzzy memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan probabilitas mengidikasikan proporsi terhadap keseringan suatu hasil bernilai benar dalam jangka panjang. Terdapat dua atribut dalam himpunan fuzzy, yaitu linguistik dan numerik. Linguistik merupakan penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami. Numeris yaitu suatu angka yang menunjukkan ukuran dari suatu variabel.

Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang dapat digunakan (Kusumadewi & Hari, 2004) : 1)  Representasi linier, 2) Representasi kurva segitiga, 3) Representasi kurva trapesium, 4)  Representasi kurva bentuk bahu, 5) Representasi kurva-S, 6) Representasi kurva bentuk lonceng

3. Semesta pembicaraan

Semesta pembicaraan merupakan keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif.

4. Domain

Domain merupakan keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Domain merupakan himpunan bilangan real yang senantiasa naik secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif.

Terdapat beberapa proses dalam logika fuzzy, yaitu : penentuan gugus fuzzy, penerapan aturan if-then, proses inferensi fuzzy.

Defuzzifikasi merupakan transformasi yang menyatakan kembali output dari domain fuzzy ke dalam domain crisp. Keluaran fuzzy diperoleh melalui eksekusi dari beberapa fungsi keanggotaan fuzzy. Terdapat tujuh metode yang dapat digunakan pada proses defuzzifikasi (Ross 1995) yaitu : 1) Height method (Max-membership principle), dengan mengambil nilai fungsi keanggotaan terbesar dari keluaran fuzzy yang ada untuk dijadikan sebagai nilai defuzzifikasi, 2) Centroid (Center of Gravity) method, mengambil nilai tengah dari seluruh fungsi keanggotaan keluaran fuzzy yang ada untuk dijadikan nilai defuzzifikasi, 3) Weighted Average Method, hanya dapat digunakan jika keluaran fungsi keanggotaan dari beberapa proses fuzzy mempunyai bentuk yang sama, 4) Mean-max membership, mempunyai prinsip kerja yang sama dengan metode maximum tetapi lokasi dari fungsi keanggotaan maximum tidak harus unik, 5) Center of sums, mempunyai prinsip kerja yang hampir sama dengan Weighted Average Method tetapi nilai yang dihasilkan merupakan area respektif dari fungsi keanggotaan yang ada, 6) Center of largest area, hanya digunakan jika keluaran fuzzy mempunyai sedikitnya dua sub-daerah yang convex sehingga sub-daerah yang digunakan sebagai nilai defuzzifikasi adalah daerah yang terluas, 7) First (or last) of maxima, menggunakan seluruh keluaran dari fungsi keanggotaan.

Pustaka :

Kusumadewi S, Hari P. 2004. Aplikasi logika Fuzzy untuk Pendukung Keputusan. Yogyakarta : Penerbit Graha Ilmu.

Ross TJ. 2004.  Fuzzy Logic with engineering applications. England : John Wiley & Sons Ltd.

Sebagai tambahan terhadap sistem penunjang  keputusan yang tradisional, teknik-teknik yang dikembangkan dalam intelijen buatan (artificial intelligence) telah diadopsi untuk membuat sistem penunjang keputusan yang intelijen. Sistem ini melibatkan sistem pakar berbasis aturan (rule-based) atau sistem intelijen dengan menggunakan logika fuzzy, Jaringan syaraf tiruan dan algoritma genetika. Turban (2005) mendefinisikan Sistem Penunjang Keputusan Intelijen sebagai SPK yang melibatkan satu atau lebih dari komponen-komponen suatu sistem pakar atau artificial intelligence technology. Dengan komponen-komponen tersebut Sistem Penunjang Keputusan menjadi lebih baik  atau lebih intelijen.

Seperti halnya sistem yang lain, sistem pakar dan SPK juga memiliki kelebihan dan kelemahan. Salah satu kelemahan SPK yaitu SPK hanya berfungsi secara pasif dalam interaksi manusia – komputer. SPK mengeksekusi perhitungan, menampilkan data dan merespon perintah standar, namun tidak dapat berfungsi sebagai asisten intelijen terhadap pengambil keputusan.  Sedangkan sistem pakar, memiliki kecerdasan pada ranah yang jelas. Oleh karena itu, integrasi antara sistem pakar dan SPK akan menghasilkan suatu sinergi yang dapat mengatasi kelemahan dalam sistem pakar dan SPK  (Turban 1990; Turban et al. 2006). Hasil yang diperoleh melalui integrasi antara sistem pakar dan SPK lebih baik jika dibandingkan dengan dengan penggunaan sistem pakar atau SPK saja.

Integrasi antara SPK dan sistem pakar (Turban 1990; Turban et al. 2006; Turban et al. 2007) dapat dilakukan dengan 1) sistem pakar dimasukkan ke dalam komponen-komponen SPK, 2) sistem pakar sebagai komponen yang terpisah dari SPK, 3) sistem pakar berbagi dengan proses SPK, 4) sistem pakar memberikan solusi alternatif bagi SPK, dan 5) pendekatan kesatuan (a unified approach). Teng et al. dalam Turban (1990) mengusulkan pendekatan kesatuan untuk mengintegrasikan SPK dan sistem pakar yang dinamakan SPK Intelijen.

SPK Intelijen diklasifikasikan ke dalam dua jenis yaitu SPK aktif dan SPK berevolusi sendiri. SPK aktif atau simbolik merupakan SPK yang dirancangbangun agar dapat mengambil inisiatif dalam pertanyaan dan perintah standar, sedangkan SPK berevolusi sendiri dirancangbangun untuk siaga dalam penggunaan dan secara otomatis beradaptasi dengan kebutuhan pengguna. SPK aktif dapat mengerjakan tugas, memahami domain (seperti terminologi, parameter, dan interaksi), memformulasikan permasalahan, memaparkan permasalahan, menginterpretasikan hasil, dan menjelaskan hasil dan keputusan (Mill 1990 dalam Turban et al. 2006). Dalam mengerjakan  tugas-tugas tersebut diperlukan komponen intelijen.

Pustaka :

Turban  E. 1990. Decision Support Systems and Expert Systems. New Jersey: Prentice Hall. Englewood Cliffs.
Turban. E,  Aronson JE, Liang TP. 2006. Decision Support Systems and Intelligent Systems. United States of America : Prentice Hall.
Turban E, Aronson JE, Liang TP, Sharda R. 2007. Decision Support and Business Intelligent Systems. New Jersey : Prentice Hall.

Pendekatan sistem merupakan suatu  pendekatan  analisis yang memanfaatkan sifat-sifat dasar sistem seperti pencapaian tujuan, kesatuan usaha, keterbukaan terhadap lingkungan, transformasi,  hubungan antar bagian, dan mekanisme pengendalian sebagai dasar analisis. Pendekatan sistem ditandai dengan mencari semua faktor (bagian) yang penting dalam mendapatkan solusi permasalahan dan pembuatan suatu model kuantitatif untuk membantu keputusan yang rasional.  Kerjasama antara bagian yang interdependen satu sama lain dalam suatu sistem menunjukkan kompleksitas sistem, sedangkan orientasi pencapaian tujuan yang memberi ciri perubahan yang terus menerus dalam usaha mencapai tujuan merupakan sifat dinamis dari sistem. Oleh karena itu, pendekatan sistem dapat memberi landasan untuk pengertian yang lebih komprehensif mengenai faktor-faktor yang mempengaruhi perilaku sistem dan memberikan dasar untuk memahami berbagai penyebab dari suatu masalah dalam kerangka sistem.

Beberapa alasan perlunya pendekatan sistem dalam mengkaji suatu permasalahan (Simatupang 1995;  Eriyatno  1999), yaitu : 1) memastikan bahwa pandangan yang menyeluruh  telah dilakukan, 2) mencegah analis menerapkan secara dini definisi masalah yang spesifik, 3) mencegah analis menerapkan secara dini model tertentu, 4) agar lingkungan masalah  didefinisikan secara luas sehingga berbagai kebutuhan yang relevan dapat dikenali. Selanjutnya, Eriyatno (2003) dan Marimin (2005) menyatakan bahwa terdapat dua hal umum yang menandai pendekatan sistem, yaitu 1) dalam semua faktor penting yang ada dalam mendapatkan solusi yang baik untuk menyelesaikan masalah, dan 2) dibuat suatu model kuantitatif untuk membantu pengambilan keputusan secara rasional.

Metode untuk menyelesaikan permasalahan yang dilakukan melalui pendekatan sistem terdiri dari analisa sistem, rancangbangun model, implementasi rancangan, serta implementasi dan operasi sistem (Eriyatno 2003). Analisa sistem dilakukan dengan mengidentifikasi kondisi situasional, analisa kebutuhan, formulasi masalah, dan identifikasi sistem.  Rancangbangun model ditujukan untuk memberikan abstraksi dari keadaan nyata atau penyederhanaan sistem nyata dalam rangka memudahkan pengkajian suatu sistem.

Pendekatan secara sistem dalam pengambilan keputusan dikenal dengan istilah Sistem Penunjang Keputusan (SPK). SPK merupakan pengembangan lebih lanjut dari Sistem Informasi Manajemen terkomputerisasi yang dirancang sedemikian rupa sehingga bersifat interaktif dengan pemakainya (Turban 1990; Suryadi dan Ramdhani  2002). Kemudahan integrasi antara berbagai komponen dalam pengambilan keputusan, seperti : prosedur, kebijakan, teknik analisis, serta pengalaman dan wawasan manajerial guna membentuk suatu kerangka keputusan yang bersifat fleksibel merupakan maksud dari sifat interaktif.

Tiga  tujuan yang harus dicapai SPK (Marimin 2005) yaitu 1) membantu manajer membuat keputusan untuk memecahkan masalah semi terstruktur, 2) mendukung penilaian manajer bukan mencoba menggantikannya, dan 3) meningkatkan efektivitas pengambilan keputusan daripada efisiensinya. Tujuan-tujuan tersebut berhubungan dengan tiga prinsip dasar dari konsep SPK yaitu struktur masalah, dukungan keputusan, dan efektivitas masalah.

Model konseptual dari SPK adalah integrasi antara 1) Sistem Manajemen Basis Data, 2) Sistem Manajemen Basis Model, dan 3) Sistem Manajemen Dialog, dimana interaksinya diatur oleh Sistem Pengolahan Terpusat. Karakteristik pokok yang melandasi SPK menurut Minch dan Burns (1983) dalam Eriyatno (1999) adalah : 1) interaksi langsung antara komputer dengan pengambil keputusan, 2) dukungan menyeluruh (holistic) dari keputusan bertahap ganda, 3) suatu sintesa dari konsep yang diambil dari berbagai bidang, antara lain ilmu komputer, psikologi, intelligensia buatan (artificial intelligence), ilmu sistem dan ilmu manajemen, 4) mempunyai kemampuan adaptif terhadap perubahan kondisi dan kemampuan berevolusi menuju sistem yang lebih bermanfaat.

Suryadi dan Ramdhani (2002) menyebutkan bahwa tahapan rancang bangun SPK terdiri dari : 1) Identifikasi tujuan rancang bangun, yang bertujuan untuk menentukan arah dan sasaran yang hendak dicapai; 2) Perancangan pendahuluan, untuk merumuskan kerangka dan ruang lingkup SPK serta persyaratan unjuk kerja yang mesti dipenuhinya, memilih konsep-konsep, menganalisis dan mengaplikasi model pembuatan keputusan yang relevan dengan tujuan SPK yang akan dibangun, juga mengidentifikasi spesifikasi SPK; 3) Perancangan Sistem, yang diawali dengan analisis sistem untuk merumuskan spesifikasi SPK dilanjutkan dengan perancangan konfigurasi SPK, beserta perangkat keras serta perangkat lunak pendukungnya. Metode yang digunakan dalam perancangan dan pengembangan suatu aplikasi SPK umumnya mengacu pada tahapan pengembangan sistem.

Pustaka :

Eriyatno. 1999. Ilmu Sistem : Meningkatkan Mutu dan Efektivitas Manajemen. Bogor : IPB Press.
Eriyatno. 2003. Ilmu Sistem : Meningkatkan Mutu dan Efektivitas Manajemen. Bogor : IPB Press.
Marimin. 2005. Teori dan aplikasi Sistem Pakar dalam teknologi manajerial. Bogor : IPB Press.
Simatupang, TM. 1994. Pemodelan Sistem. Klaten : Penerbit Nindita.
Suryadi K, Ramdhani MA. 2002. Sistem Pendukung Keputusan : Suatu wacana struktur idealisasi dan implementasi konsep pengambilan keputusan. Bandung : PT. Remaja Rosdakarya.
Turban  E. 1990. Decision Support Systems and Expert Systems. New Jersey: Prentice Hall. Englewood Cliffs.

Root Cause Analysis (RCA) merupakan pendekatan terstruktur untuk mengidentifikasi faktor-faktor berpengaruh  pada satu atau lebih kejadian-kejadian yang lalu agar dapat digunakan untuk meningkatkan kinerja (Corcoran  2004).  Selain itu, pemanfaatan RCA dalam analisis perbaikan kinerja menurut Latino dan Kenneth (2006) dapat memudahkan pelacakan terhadap faktor yang mempengaruhi kinerja. Root Cause(s) adalah bagian dari beberapa faktor (kejadian, kondisi, faktor organisasional) yang memberikan kontribusi, atau menimbulkan kemungkinan penyebab dan diikuti oleh akibat yang tidak diharapkan.

Terdapat berbagai metode evaluasi terstruktur untuk mengidentifikasi akar penyebab (root cause) suatu kejadiaan yang tidak diharapkan (undesired outcome). Jing (2008) menjelaskan lima metode yang populer untuk mengidentifikasi akar penyebab (root cause) suatu kejadiaan yang tidak diharapkan (undesired outcome) dari yang sederhana sampai dengan komplek yaitu : 1) Is/Is not comparative analysis, 2) 5 Why methods, 3) Fishbone diagram, 4) Cause and effect matrix, dan 5) Root Cause Tree.

Is/Is not comparative analysis merupakan metoda komparatif yang digunakan untuk permasalahan sederhana, dapat memberikan gambaran detil apa yang terjadi dan telah sering digunakan untuk menginvestigasi akar masalah. 5 Why methods merupakan alat analisis sederhana yang memungkinkan untuk menginvestigasi suatu masalah secara mendalam. Fishbon  diagram merupakan alat analisis yang populer, yag sangat baik untuk menginvestigasi penyebab dalam jumlah besar. Kelemahan utamanya adalah hubungan antar penyebab tidak langsung terlihat, dan interaksi antar komponen tidak dapat teridentifikasi. Cause and effect matrix merupakan matrik sebab akibat yang dituliskan dalam bentuk tabel dan memberikan bobot pada setiap faktor penyebab masalah.  Root Cause Tree merupakan alat analisis sebab – akibat yang paling sesuai untuk permasalahan yang kompleks. Manfaat utama dari alat analisis  tersebut yaitu memungkinkan untuk mengidentifikasi hubungan diantara penyebab masalah.

Chandler (2004) dalam Ramadhani et. al (2007) menyebutkan bahwa dalam memanfaatkan RCA terdapat empat langkah yang harus dilakukan yaitu : 1) mengidentifikasi dan memperjelas definisi undesired outcome (suatu kejadiaan yang tidak diharapkan), 2) mengumpulkan data, 3) menempatkan kejadian-kejadian dan kondisi-kondisi pada event and causal factor table, dan 4) lanjutkan pertanyaan “mengapa” untuk mengidentifikasi root causes yang paling kritis.

Pustaka :

Jing GG. 2008. Digging for the Root Cause. ASQ Six Sigma Forum Magazine 7 (3) : 19 – 24.
Latino RJ, Kenneth CL. 2006. Root Cause Analysis : Improving Performance for Bottom – Line Results. Florida : CRC Press.
Ramadhani  M,  Fariza A, Basuki DK. 2007. Sistem Pendukung Keputusan Identifikasi Penyebab Susut Distribusi Energi Listrik Menggunakan Metode FMEA.

PROMETHEE merupakan salah satu metode yang digunakan untuk menentukan urutan atau prioritas dari beberapa alternatif dalam permasalahan yang menggunakan multi kriteria.  PROMETHEE mempunyai kemampuan untuk menangani banyak perbandingan dan memudahkan pengguna dengan menggunakan data secara langsung dalam bentuk tabel multikriteria sederhana. Pengambil keputusan hanya mendefinisikan skala ukurannya sendiri tanpa batasan, untuk mengindikasi prioritasnya dan preferensi untuk setiap kriteria dengan memusatkan pada nilai (value), tanpa memikirkan metoda perhitungannya.

Metodologi dalam mengimplementasikan PROMETHEE (Suryadi dan Ramdhani  2002)  adalah sebagai berikut: 1)  pengumpulan data nilai/ukuran relatif kriteria, 2) pemilihan dan penentuan tipe fungsi preferensi kriteria beserta parameternya, 3) perhitungan nilai preferensi (P) antar alternatif ditentukan berdasarkan, 4) perhitungan nilai indeks preferensi multikriteria ( ) antar alternatif, 5) perhitungan nilai leaving flow, entering flow, dan net flow pada masing-masing alternatif, dan 6) Menentukan ranking pada Promethee I (Partial Ranking) dan Promethee II (Complete Ranking). Fungsi preferensi kriteria yang dapat dipilih yaitu 1) kriteria biasa, 2) kriteria Quasi, 3) kriteria linier, 4) kriteria level, 5) kriteria level dengan area tidak berbeda , dan 6) kriteria Gaussian.

Dengan menggunakan fungsi preferensi kriteria biasa, tidak ada beda (sama penting) antara a dan b jika dan hanya jika f(a) = f(b); apabila nilai kriteria pada masing-masing alternatif memiliki nilai berbeda, pengambil keputusan membuat preferensi mutlak untuk alternative memiliki nilai yang lebih baik.

Dengan kriteria Quasi, dua alternatif memiliki preferensi yang sama penting selama selisih atau nilai H(d) dari masing-masing alternatif untuk kriteria tertentu  tidak melebihi nilai q, dan apabila selisih hasil evaluasi untuk masing-masing alternatif melebihi nilai q maka terjadi bentuk preferensi mutlak.

Kriteria linier dapat menjelaskan bahwa selama nilai     selisih memiliki nilai nilai yang lebih rendah dari p, preferensi dari pengambil keputusan meningkat secara linier dengan nilai d. Jika nilai d lebih besar dibandingkan dengan nilai p, maka terjadi preferensi mutlak.

Dengan kriteria level, kecenderungan tidak berbeda q dan kecenderungan preferensi p ditentukan secara simultan. Jika d berada diantara nilai q dan p, hal ini berarti situasi preferensi yang lemah.

Dengan kriteria linier dengan area tidak berbeda, pengambil keputusan mempertimbangkan peningkatan preferensi secara linier dari tidak berbeda hingga preferensi mutlak dalam area antara dua kecenderungan p dan q.

Dengan kriteria Gaussian, apabila telah ditentukan nilai σ, dimana   dapat dibuat berasarkan distribusi normal dalam statistik.

Perhitungan nilai preferensi (P) antar alternatif ditentukan berdasarkan penyampaian intensitas (P) dari preferensi alternatif a terhadap alternatif b sedemikian rupa sehingga :

P (a, b) = 0, berarti tidak ada beda (indefferent) antara a dan b, atau tidak ada preferensi dari a lebih baik dari b.

P (a, b) ~ 0, berarti lemah preferensi dari a lebih baik dari b.

P (a, b) ~ 1, berarti kuat preferensi dari a lebih baik dari b.

P (a, b) = 1, berarti mutlak preferensi dari a lebih baik dari b.

Dalam metode ini, fungsi preferensi seringkali menghasilkan nilai fungsi yang berbeda antara dua evaluasi, sehingga : P (a, b) = P (f (a) – f (b)).

Indeks preferensi multikriteria ditentukan berdasarkan rata-rata bobot dari fungsi preferensi P

Hal ini dapat disajikan dengan nilai antara 0 dan 1, dengan ketentuan sebagai berikut :

• (a, b) ≈ 0, menunjukkan preferensi yang lemah untuk alternatif a lebih baik dari  alternatif b berdasarkan semua kriteria.
• (a, b) ≈ 1, menunjukkan preferensi yang kuat untuk alternatif a lebih baik dari  alternatif b berdasarkan semua kriteria.

Perhitungan nilai leaving flow, entering flow, dan net flow pada masing-masing alternatif. Untuk setiap node a dalam grafik nilai outranking ditentukan berdasarkan leaving flow.

Promethee I berdasarkan karakter leaving flow dan entering flow, yaitu nilai terbesar dan terkecil sebagai alternatif terbaik. Sedangkan Promethee II berdasarkan karakter net flow dan nilainya diurutkan dari yang terbesar sampai yang terkecil.

Dibandingkan dengan metodologi-metodologi yang dapat digunakan untuk pengambilan keputusan dengan multi kriteria beberapa pendapat menyatakan bahwa metodologi PROMETHEE 1) paling efisien dan paling mudah penggunaannya Prvulovic et. al. (2008), 2) lebih fleksibel dalam menentukan preferensi (bobot) mana yang lebih baik dari pasangan yang dibandingkan (Amran dan Kiki 2005). Selain itu, Triyanti dan Gadis (2008) menyatakan bahwa metode PROMETHEE menyediakan banyak fungsi yang dapat mengakomodasi berbagai karakteristik data, sedangkan metode pengambilan keputusan yang lain, seperti Analytical Hierarchy Process (AHP) dan Analytical Network Process (ANP) mengasumsikan data dengan karakteristik linear mengingat semua pembobotan menggunakan normalisasi.

Pustaka :

Amran TG, Kiki S. 2005. Pemilihan Partner Potensial Bahan baku kimia produk Fatigon Kaplet berdasarkan metode AHP dan Promethee di PT. Dankos Laboratories TBK. Di dalam : Prosiding Seminar Nasional Manajemen Kualitas ke-5. ISSN : 1907-0101-9-771907-010119. Jakarta.
Prvulovic  S, Dragisa T, Zivan Z, Ljiljana R. 2008. Multi-Criteria Decision In The Choice Of Advertising Tools. Journal Of Facta Universitatis : Mechanical Engineering  6 (1) : 91 – 100.
Suryadi K, Ramdhani MA. 2002. Sistem Pendukung Keputusan : Suatu wacana struktur idealisasi dan implementasi konsep pengambilan keputusan. Bandung : PT. Remaja Rosdakarya.
Triyanti V, Gadis MT. 2008. Pemilihan Supplier Untuk Industri Makanan Menggunakan Metode PROMETHEE. Journal  of  Logistics and Supply Chain Management 1 (2) : 83 – 92.

Pengelompokan organisasi yang memiliki karakteristik yang serupa dapat dilakukan dengan menggunakan metode clustering. Xu dan Wunsch (2009) menyatakan bahwa pengelompokan (clustering) obyek kedalam beberapa kelompok  (cluster) yang mempunyai sifat yang homogen atau dengan variasi sekecil mungkin  diperlukan untuk memudahkan analisis data.

Ukuran untuk kesesuaian atau kemiripan diantara data-data yang akan dipilih menjadi beberapa cluster dinamakan interobject similarity. Cara untuk menentukan interobject similarity tergantung pada tujuan dan jenis data. Untuk data dengan tipe metic dapat digunakan correlational measures (tingginya korelasi menunjukkan kesesuaian dan rendahnya korelasi menunjukkan ketidak sesuaian) dan distance measures ( semakin tinggi nilainya semakin rendah kesesuaiannya). Sedangkan untuk tipe data non-metic (tipe ordinal) dapat menggunakan association measures.

Terdapat dua tahapan yang harus dilakukan dalam analisis cluster yaitu 1) memutuskan apakah jumlah cluster ditentukan atau tidak dan 2) menentukan algoritma yang akan digunakan dalam clustering. Untuk memutuskan berapa jumlah cluster yang akan dibentuk, Sadaaki  et al. (2008) menyebutkan bahwa terdapat dua pendekatan yang dapat digunakan yaitu 1) supervised (jika jumlah cluster ditentukan) dan unsupervised (jika jumlah cluster tidak ditentukan/alami).

Gan et al. (2007) menyatakan bahwa dalam melakukan analisis clustering dapat memilih satu diantara 2 pendekatan yaitu  1) Hard Clustering atau 2) Soft Clustering (dikenal juga sebagai fuzzy clustering). Pemilihan pendekatan yang digunakan tergantung jenis data yang akan dikelompokkan. Hard Clustering digunakan apabila data berbentuk Crips sedangkan soft clustering digunakan apabila data berbentuk fuzzy.

Menurut Kusumadewi dan Hari (2004) yang dimaksud dengan Fuzzy Clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal Ecludian untuk jarak antar vektor. Suatu algoritma clustering dikatakan sebagai algoritma Fuzzy Clustering jika dan hanya jika algoritma tersebut menggunakan strategi adaptasi secara soft competitive (non-crisp). Sebagian besar  algoritma Fuzzy Clustering didasarkan atas optimasi fungsi obyektif  atau modifikasi dari fungsi obyektif tersebut (Kusumadewi  et al. 2006).

Metode yang dapat digunakan pada pendekatan Hard Clustering (Gan et al. 2007) yaitu 1) Non-Hierarchical clustering (Partitional Clustering) dan 2) Hierarchical Clustering.  Pada metode Non-Hierarchical clustering, terdapat 3 cara untuk mengelompokkan data dalam satu cluster yaitu 1) sequential threshold, 2) parallel threshold, dan 3) Optimization. Sedangkan dalam metode Hierarchical Clustering, Xu dan Wunsch (2009) menyatakan bahwa terdapat dua tipe dasar yaitu 1) penyebaran (divisive), dan 2) pemusatan (agglomerative). Tipe divisive memulai pengelompokkan dari cluster yang besar (terdiri dari semua data) kemudian data yang paling tinggi ketidaksesuaiannya dipisahkan dan seterusnya sedangkan tipe agglomerative memulai pengelompokkan dengan menganggap setiap data sebagai cluster kemudian dua cluster yang mempunyai kesesuaian digabungkan menjadi satu cluster dan seterusnya.

Terdapat lima cara untuk menggabungkan antar cluster yaitu 1) single linkage (berdasarkan jarak terkecil), 2) complete linkage (berdasarkan jarak terjauh), 3) centroid method (berdasarkan jarak centroid), 4) average linkage (berdasarkan berdasarkan rata-rata jarak), dan 5) ward’s method (berdasarkan total sum of square dua cluster). Pemilihan pendekatan ditentukan berdasarkan kesesuaian dengan permasalahan yang dihadapi.

Clustering merupakan metode yang sudah cukup dikenal dan banyak dipakai dalam data mining. Namun, mengingat metode yang dikembangkan saat ini masih bersifat heuristic maka upaya untuk menghitung jumlah cluster yang optimal dan pengklasteran yang paling baik masih terus dilakukan (Santosa 2007).

Pustaka :

Gan  G, Chaoqun M, Wu J. 2007. Data Clustering. United States of America : The America Statistic Association.
Kusumadewi S, Hari P. 2004. Aplikasi logika Fuzzy untuk Pendukung Keputusan. Yogyakarta : Penerbit Graha Ilmu.
Kusumadewi S, Hartati S, Harjoko S, Wardoyo R. 2006. Fuzzy Multi-attribute Decision Making. Yogyakarta : Penerbit Graha Ilmu.
Sadaaki M, Hidetomo I, Katsuhiro H. 2008. Algorithm for Fuzzy Clustering. Di dalam : Studies in Fuzziness and Soft Computing. ISSN :  1434-9922.
Santosa, Budi. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta : Graha Ilmu.
Xu R, Wunsch DC. 2009. Clustering. New Jersey : IEEE Press.

Untuk menentukan kinerja perlu dilakukan pengukuran kinerja. Pengukuran kinerja merupakan sub sistem dari manajemen kinerja (Cokins 2004; Halachmi 2005; Stiffler 2006; Baxter dan MacLeod 2008).  Pengukuran kinerja didefinisikan sebagai proses untuk mengkuantifikasi efisiensi dan efektivitas  dari suatu tindakan (Tangen 2004; Olsen et al. 2007; Cocca dan Alberti 2010). Tindakan yang dimaksud adalah tindakan masa lalu (Cocca dan Alberti 2010). Pengukuran kinerja adalah bagian dari analisa atau diagnosa terhadap proses untuk mengidentifikasi aktivitas mana yang diprioritaskan untuk diperbaiki.

Menurut pandangan tradisional, pengukuran kinerja adalah untuk memonitor kinerja bisnis dan mendiagnosa penyebab dari masalah.  Amaratunga dan David (2002) menyatakan bahwa fungsi utama dari sistem pengukuran kinerja adalah untuk mengontrol operasi dalam organisasi. Dalam model umpan balik tradisional, para manajer mengatur kinerja dengan monitoring output dan kemudian menyesuaikan input untuk mencapai suatu target dibanding mengendalikan suatu tugas dengan mempertimbangkan semua elemen data yang diperlukan untuk menguraikan status dari sistem (Bond 1999).

Dikaitkan dengan manajemen operasional, Radnor dan Barnes (2007) mendefinisikan pengukuran kinerja sebagai proses mengkuantifikasi input, output, dan tingkat aktivitas dari suatu proses.  Wibisono (1999) menyebutkan bahwa pengukuran kinerja di perusahaan manufaktur pada level manajemen operasi dapat dibagi menjadi tiga jenis yaitu 1) pengukuran kinerja taktis (competitive priorities), 2) pengukuran kinerja operasional (manufacturing task), dan 3) pengukuran kinerja strategis (resource availability). Hal yang sama juga dikemukakan oleh Craig dan Grant (2002) bahwa keunggulan bersaing suatu organisasi didukung oleh kemampuan sumber daya dan rutinitas organisasi.

Karim (2008) dalam Karim (2009) menyebutkan bahwa penentuan prioritas kompetisi merupakan elemen kunci dalam strategi manufaktur.  Prioritas kompetisi menunjukkan keunggulan kompetitif dan mewakili tujuan yang seharusnya dicapai (Rusjan 2005). Untuk menentukan prioritas kompetisi perusahaan manufaktur Leachman et al. (2006) mengusulkan ukuran kinerja berdasarkan pada  kualitas dan volume output.

Berdasarkan pengalaman implementasi pada beberapa perusahaan di Indonesia ditinjau dari aspek kepraktisan dan nilai tambah yang diberikan, Wibisono (2006) menyatakan bahwa pendekatan yang sesuai untuk diterapkan di Indonesia dalam menentukan variabel kinerja yang akan diukur adalah dengan melakukan identifikasi variabel kinerja dari 3 perspektif yaitu 1) keluaran organisasi (business results), 2) proses internal (internal business processes), dan 3) kemampuan atau ketersediaan sumber daya (resources availability).

Terdapat tiga  aspek formal dari pengukuran kinerja (Spitzer 2007) yaitu 1) ukuran-ukuran (variabel yang diukur), 2) proses pengukuran (tahapan yang menunjukkan bagaimana cara melakukan pengukuran), dan 3) infrastruktur teknis (berupa hardware dan software komputer yang digunakan untuk mendukung proses pengukuran). Tiga kriteria yang dapat digunakan untuk menilai keefektifan dari sistem pengukuran kinerja (Olsen et al. 2007) yaitu 1) keterkaitan, 2) perbaikan terus-menerus, dan 3) pengawasan proses.

Terkait dengan ukuran-ukuran (variabel) yang diukur, Medori dan Steeple (2000) menyatakan bahwa pada semua framework pengukuran kinerja yang telah dihasilkan, pada umumnya memiliki kelemahan dalam hal memberikan panduan terhadap pemilihan variabel kinerja yang akan diukur. Denton (2005) menyatakan bahwa meskipun banyak hal yang dapat diukur tetapi lebih penting untuk mengukur hal yang spesifik dan relevan.

Parmenter (2010) mengkategorikan ukuran kinerja dalam tiga kategori yaitu 1) KRI (Key Result Indikator), 2) KPI (Key Performance Indicator), dan 3) PI (Performance Indicator). Shahin dan Mahbod (2007) menyebutkan bahwa KPI dapat dirumuskan berdasarkan tujuan dari organisasi. Saunders et al. (2007) menegaskan pentingnya penguraian strategi organisasi ke dalam tindakan. Kaplan dan Norton dalam Parmenter (2010) merekomendasikan agar dalam pengukuran  kinerja tidak menggunakan lebih dari 20 ukuran kinerja. Selain itu, Hope dan Fraser dalam Parmenter (2010) menyarankan penggunaan ukuran kinerja kurang dari 10.

Radnor dan Barnes (2007) menyebutkan bahwa terdapat tiga kecenderungan umum dalam pengukuran kinerja yaitu 1) keluasan dari unit analisis (level  individu, stasiun kerja, lini produksi, unit bisnis, perusahaan), 2) kedalaman ukuran kinerja (keterkaitan variabel kinerja), 3) peningkatan range ukuran kinerja (misalnya dari efisiensi menjadi efisiensi dan efektivitas).

Berbagai ukuran kinerja dapat  diidentifikasi sesuai dengan kebutuhan. Heizer dan Render (2008) menyebutkan bahwa faktor-faktor penentu produktivitas  yaitu 1) tenaga kerja, 2) modal,  dan 3) manajemen. Namun, dalam pengukuran produktivitas dapat digunakan satu (single) atau lebih dari satu (multi) faktor. Gleich et al. (2008) menyebutkan bahwa untuk meningkatkan kinerja dapat digunakan indikator non finansial berupa volume, waktu siklus, dan kapasitas yang dimiliki. Martin (2008) mengidentifikasi ukuran-ukuran kinerja untuk menentukan efisiensi proses yaitu kualitas produk atau jasa, kapasitas atau kuantitas output, kuantitas dari produk cacat, kuantitas dari waste,  waktu siklus, waktu produksi, kepuasan pelanggan, dan kepuasan karyawan.

Kerangka kerja proses pengukuran kinerja  perlu diperbaiki secara kontinu dengan mempertimbangkan berbagai model pengukuran kinerja yang sesuai dengan permasalahan yang dihadapi (Nenadal 2008). Beheshti dan Lollar (2008) menyebutkan bahwa pengukuran  kinerja merupakan keputusan penting yang sering menggunakan informasi subyektif.

Terkait dengan infrastruktur yang digunakan dalam pengukuran kinerja, Santos et al. (2007) menunjukkan adanya variasi infrastruktur yaitu secara manual dan pemanfaatan sistem informasi. Raymond dan Marchand (2008) menunjukkan pergeseran dalam pemanfaatan sistem informasi untuk pengukuran kinerja, yaitu dari sistem informasi eksekutif (1980 – 1999) ke Sistem  Intelijen ( 2000 – saat ini). Selain itu, Denton (2010) menyebutkan bahwa  intranet dan internet dapat digunakan untuk meningkatkan pengelolaan dan pengukuran kinerja.

Pustaka :

Baxter LF, MacLeod AM. 2008. Managing Performance Improvement. New York : Routledge.
Beheshti HM,  Lollar JG. 2008. Fuzzy Logic and Performance Evaluation : Discussion and Application. International Journal of  Productivity and Performance Management  57 (3) : 237 – 246.
Bond T.C. 1999.  The Role of Performance Measurement in Continuous Improvement.  International Journal of Operations & Production Management 19 (12) : 1318-1334.
Cocca P, Alberti M. 2010. A Framework to Assess Performance Measurement Systems  in SMEs. International Journal of  Productivity and Performance Management 59 (2) : 186 – 200.
Cokins G. 2004. Performance Management : Finding the Missing Pieces (to Close the Intelligence Gap). New Jersey : John Wiley & Sons.
Craig JC, Robert MG. 2002. The Fast Track MBA Series Strategic Management. Jakarta :  PT Elex Media Komputindo.
Denton  DK. 2005. Measuring Relevant Things. International Journal of  Productivity and Performance Management 54 (4):278 – 287.
Denton DK. 2010. Performance Measurement and Intranets : A Natural Partnership. International Journal of  Productivity and Performance Management 59 (7) : 701 – 706.
Gleich R, Motwani J, Wald A. 2008. Process Benchmarking : A New Tool to Improve The Performance of Overhead Areas. Benchmarking : An International Journal 15 (3) : 242 – 256.
Halachmi A. 2005. Performance Measurement is Only One Way of Managing Performance. International Journal of  Productivity and Performance Management 54 (7) : 502 – 516.
Karim MA. 2009. A Conceptual Model for Manufacturing Peformance Improvement. Journal of Achievements in Materials and Manufacturing Engineering. 35 (1) : 87 – 94.
Marchand M, Raymond L. 2008. Researching Performance Measurement Systems : An Information Systems Perspective. International Journal of Operations & Production Management 28 (7) : 663 – 686.
Martin F. 2008. A Performance Technologist’s Approach to Process Performance Improvement. International Society for Performance Improvement. 47 (2) : 30 – 40.
Nenadal J. 2008. Process Performance Measurement in Manufacturing Organizations. International Journal of  Productivity and Performance Management 57 (6) : 460 – 467.
Olsen EO,  Zhou H, Lee DMS, Padunchwit P. 2007. Performance Measurement System and Relationships with Performance Results. International Journal of  Productivity and Performance Management 56 (7) : 559 – 582.
Parmenter  D. 2010. Key Performance Indicators. Jakarta : PT Elex Media Komputindo.
Radnor  ZJ, Barnes D. 2007. Historical analysis of performance measurement and management in operations management. International Journal of Productivity  and Performance Management  56 : 384 – 396.
Rusjan B. 2005. Model for Manufacturing Strategic Decision Making. International Journal of Operations & Production Management 25 (8) : 740 – 761.
Santos MF et al. 2007. Towards a Definition of a Business Performance Measurement System. International Journal of Operations & Production Management 27 (8) : 784 – 801.
Stiffler MA. 2006. Performance : Creating the Performance-Driven Organization. New Jersey : John Wiley & Sons Inc.
Tangen S. 2004. Performance Measurement : From Philosophy to Practice. International Journal of  Productivity and Performance Management 53 (8) : 726 – 737.
Wibisono D. 1999. Analisis Keterkaitan Variabel Kinerja dalam Perusahaan Manufaktur. Jurnal ISTMI  3 (2) : 27-35.
Wibisono  D. 2006.  Manajemen Kinerja : Konsep, Desain, dan Teknik Meningkatkan Daya Saing Perusahaan. Jakarta : Erlangga.