Kalibrasi Performance Appraisal- Pair Comparison

Latar Belakang

Dari beberapa diskusi dengan kolega dan teman yang menanyakan bagaimana mengelola dan mengkalibrasi hasil penilaian kinerja atau performance Appraisal. Dalam tulisan ini saya mencoba mensharing metode yang sangat sederhana untuk melakukan kalibrasi atas penilaian kinerja secara keseluruhan. terlepas dari metodenya menggunakan KPi atau metode yang lainnya maka pada pair comparison prinsipnya membandingkan antara kinerja satu orang dengan yang lainnya pada sekumpulan agregasi data

Metode Pair Comparison

Metode ini sangat sederhana yakni dengan membandingkan antara individu dalam kinerja, kita contohkan dalam kasus ini ada 16 pekerja yang dinilai oleh atasannya maka akan didapatkan dapat ini :

##       P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15 P16
##  [1,] NA  0  0  0  1  0  0  1  0   0   0   0   0   0   0   0
##  [2,]  1 NA  0  0  0  0  0  0  0   0   1   0   0   1   0   0
##  [3,]  1  1 NA  1  1  1  0  0  0   0   1   0   0   0   0   0
##  [4,]  1  1  0 NA  1  0  1  0  1   0   0   0   0   0   0   0
##  [5,]  0  1  0  0 NA  0  1  1  0   1   0   1   0   1   0   0
##  [6,]  1  1  0  1  1 NA  1  1  0   0   0   0   0   0   1   0
##  [7,]  1  1  1  0  0  0 NA  1  0   0   1   0   0   0   0   0
##  [8,]  0  1  1  1  0  0  0 NA  1   0   1   1   1   1   0   0
##  [9,]  1  1  1  0  1  1  1  0 NA   1   0   1   1   1   1   0
## [10,]  1  1  1  1  0  1  1  1  0  NA   1   0   1   0   0   0
## [11,]  1  0  0  1  1  1  0  0  1   0  NA   0   0   0   1   0
## [12,]  1  1  1  1  0  1  1  0  0   1   1  NA   1   1   0   0
## [13,]  1  1  1  1  1  1  1  0  0   0   1   0  NA   0   0   0
## [14,]  1  0  1  1  0  1  1  0  0   1   1   0   1  NA   1   0
## [15,]  1  1  1  1  1  0  1  1  0   1   0   1   1   0  NA   0
## [16,]  1  1  1  1  1  1  1  1  1   1   1   1   1   1   1  NA

Artinya P1 jika dibandingkan dengan P2 jika lebih baik kinerja maka diberi nilai 1 sebaliknya jika lebih buruk maka diberikan nilai 0. Metode ini sangat mudah dan atasan dipaksa atau (“forced”) untuk menilai 1 atau 0 jika tidak bisa maka digunakan hukum kata “ter” dalam pembandingan kedua subyek tersebut

Cara Scoring dan Transformasi Data

Saya menggunakan 5 teknik scoring dan transformasi dari tabel diatas:

Latent berdasarkan penilaian latent variabelnya
Total adalah penjulahan dari nilai 1
Observed adalah nilai Rerata
Normed adalah berdasarkan standard normal
Konversi ke logit (transformasi logaritmik)

##    latent total  observed      normed       logi
## 1    -1.5     2 0.1333333 -1.11077162 -1.8718022
## 2    -1.3     3 0.2000000 -0.84162123 -1.3862944
## 3    -1.1     6 0.4000000 -0.25334710 -0.4054651
## 4    -0.9     5 0.3333333 -0.43072730 -0.6931472
## 5    -0.7     6 0.4000000 -0.25334710 -0.4054651
## 6    -0.5     7 0.4666667 -0.08365173 -0.1335314
## 7    -0.3     5 0.3333333 -0.43072730 -0.6931472
## 8    -0.1     8 0.5333333  0.08365173  0.1335314
## 9     0.1    11 0.7333333  0.62292572  1.0116009
## 10    0.3     9 0.6000000  0.25334710  0.4054651
## 11    0.5     6 0.4000000 -0.25334710 -0.4054651
## 12    0.7    10 0.6666667  0.43072730  0.6931472
## 13    0.9     8 0.5333333  0.08365173  0.1335314
## 14    1.1     9 0.6000000  0.25334710  0.4054651
## 15    1.3    10 0.6666667  0.43072730  0.6931472
## 16    1.5    15 1.0000000         Inf        Inf

Plot Grafik Latent

Plot Grafik Total score

Plot Grafik Rerata

Plot Grafik dengan transformasi ke Distribusi Normal

Plot Grafik dengan transformasi ke Logaritmik

Perbandingan metode Scoring dan Transformasi

Membandingkan metode scoring dan transformasi melalui SPLOM (Scatter Plot Matrix) metode- metode tersebut mendapatkan hasil :

Dari tabel diatas tampak keempat metode mempunyai korelasi yang kuat diatas (0.75) meski mungkin bentuk grafiknya secara detail berbeda.

Menguji Model

Good of Fitness metode Rerata

##          choice logistic normal
## latent     0.61     0.61   0.58
## total      0.63     0.65   0.62
## observed   0.63     0.57   0.61
## normed     0.66     0.66   0.67
## logistic   0.66     0.67   0.67

Dari nilai Good of fitness maka transformasi ke Latent lebih kita pilih dengan nilai kecocokan yang relatif tinggi dan dengan cara trasformasi ke bentuk Logistik untuk menilai appraisal untuk data-data di atas.

Kesimpulan

Dari simulasi data ini kalibrasi hasil penilaian appraisal dapat digunakan dengan teknik pair comparison, setelah itu duji kecocokan datanya untuk menentukan model pengukuran yang cocok untuk data tersebut. Tidak semua data cocok kita lakukan transformasi ke distribusi normal pada kasus ini akan lebih cocok jika dilakukan transformasi dengan cara logaritmik atau logistics.

Baroqoloh u fee kum

Depok 11 Januri 2016