Efektivitas Pelatihan Berbasis Gamifikasi dalam Meningkatkan Pemahaman Karyawan Terhadap Konsep Good Manufacturing Practices
Keywords:
Efektifitas Pelatihan, gamifikasi dan Good Manufacturing PracticeAbstract
ABSTRAKManajemen sumber daya manusia merupakan salah satu bidang dari manajemen umum yang meliputi segi perencanaan, pengorganisasian, pelaksanaan, dan pengendalian. Bahkan di masa ekonomi yang memanjakan pelanggan, SDM tetap merupakan sumber daya nomor satu. Persaingan global akan menuntun perusahaan agar dapat memiliki Sumber Daya Manusia yang berkualitas sehingga nantinya bisa meningkatkan produktivitas perusahaan dan dapat bertahan maupun meningkatkan posisi pasar. Untuk mendapatkan tenaga kerja yang baik dan tepat perlu adanya pelatihan. Dapat dilakukan pendekatan melalui situational leadership. Tujuan dari program pelatihan ini adalah untuk meningkatkan kualitas kerja, keterampilan, produktivitas, dan pengetahuan dari setiap karyawan sesuai dengan keinginan perusahaan. Penelitian ini bertujuan untuk Mengetahui sejauh mana tingkat pemahaman karyawan terhadap konsep Good Manufacturing Practice dan Mengetahui pelaksanaan pelatihan Good manufacturing Practice berbasis gamifikasi serta Mengetahui efektivitas pelatihan berbasis gamifikasi terhadap pemahaman Good Manufacturing Practice karyawan di PT. RAK. Dengan hasil uji hipotesis pada 95 responden dengan menggunakan desain penelitian deskriptif kuantitatif dengan hasil Dari hasil perhitungan dengan bantuan program SPSS diperoleh nilai Sig. sebesar 0,000. Jika probabilitasnya (nilai sig) > 0.05 atau F hitung < F tabel maka H0 tidak ditolak. Keputusan yang diambil berdasarkan data diatas adalah H0 ditolak dan H1 diterima, Jika probabilitasnya (nilai sig) < 0.05 atau F hitung > F tabel maka H0 ditolak.Nilai sig = 0.000 < 0.05, sehingga H0 ditolak. Pernyataan ini mengandung makna bahwa Pelatihan Berbasis Gamifikasi berpengaruh signifikan terhadap Pemahaman Konsep Good Manufacturing Practice (Y) secara bersama-sama (simultan). Dengan demikian kedua variabel tersebut memiliki pengaruh tingkat keefektifan dan keterikatan. Salah satu faktor tersebut akan dapat mempengaruhi pencapaian Pemahaman Konsep Good Manufacturing Practice.
Kata Kunci: Efektifitas Pelatihan, gamifikasi dan Good Manufacturing Practice
References
Arifin, T. (2016). Analisa Perbandingan Metode Segmentasi Citra Pada Citra Mammogram , 156-163.
Aristyagama, Y. H. (2016). Pengenalan Karakter Sintaktik Mengguakan Algoritma Otsu dan Zhang-suen. Dipetik Juli 2017, 12, dari hhtp://www.researcehgate.net
Handayani, L., & Septa, I. I. (2014). Segmentasi Mamografi Kanker Payudara Dengan Algoritma Expectation Maximazation Segmentation (EM- SEGMENTATION) , 251-258.
Manajemen Modern dan Kesehatan
Herliana, A., Setiawan, V. A., & Prasetio, R. T. (2018). Penerapan Inferensi Backward Chaining Pada Sistem Pakar Diagnosa Awal Penyakit Tulang. Jurnal Informatika, 5(1), 50-60.
Munir, R. (2004). Pengolahan Citra Digital dengan Pendekatan Algoritra. Bandung: Informatika.
Prasetyo, E. (2011). Pengolahan Citra Dan aplikasinya Menggunakan Matlab. Togyakarta: ANDY.
Prasetio, R. T., & Riana, D. (2015, November). A comparison of classification methods in vertebral column disorder with the application of genetic algorithm and bagging. In 2015 4th international conference on instrumentation, communications, information technology, and biomedical engineering (ICICI-BME) (pp. 163-168). IEEE.
Prasetio, R. T., & Pratiwi, P. (2015). PENERAPAN TEKNIK BAGGING PADA ALGORITMA KLASIFIKASI UNTUK MENGATASI KETIDAKSEIMBANGAN KELAS DATASET MEDIS. Jurnal Informatika, 2(2).
Prasetio, R. T. (2014). Inventory Control Using Statistics Forecasting on Manufacture Company. Jurnal Informatika, 1(2).
Prasetio, R. T., & Ripandi, E. (2019). Optimasi Klasifikasi Jenis Hutan Menggunakan Deep Learning Berbasis Optimize Selection. Jurnal Informatika, 6(1), 100-106.
Prasetio, R. T., Rismayadi, A. A., & Anshori, I. F. (2018). Implementasi Algoritma Genetika pada k-nearest neighbours untuk Klasifikasi Kerusakan Tulang Belakang. Jurnal Informatika, 5(2), 186-194.
Prasetio, R. T., & Susanti, S. (2019). Prediksi Harapan Hidup Pasien Kanker Paru Pasca Operasi Bedah Toraks Menggunakan Boosted k-Nearest Neighbor. JURNAL RESPONSIF: Riset Sains & Informatika, 1(1), 64-69.
Prasetio, R. T. (2020). SELEKSI FITUR DAN OPTIMASI PARAMETER k-NN BERBASIS ALGORITMA GENETIKA PADA DATASET MEDIS. Jurnal Responsif: Riset Sains & Informatika, 2(2), 213-221.
Prasetio, R. T. (2020). Genetic Algorithm to Optimize k-Nearest Neighbor Parameter for Benchmarked Medical Datasets Classification. Jurnal Online Informatika, 5(2), 153-160.
Prasetio, R. T., Rismayadi, A. A., Suryana, N., & Setiady, R. (2020). Features Selection and k-NN Parameters Optimization based on Genetic Algorithm for Medical Datasets Classification. Heart Disease (SPECTF), 267(44), 2.
Pusat Data Dan Informasia Kementrian Kesehatan RI. (2016, Oktober). Dipetik Juni 13, 2017, dari Pusat Data Dan Informasia Kementrian Kesehatan Republik Indonesia: hhtp://www.depkes.go.id
Putra, D. (2010). Pengolahan Citra Digital. Yogyakarta: CV Andi offset.
Riana, D., Ramdhani, Y., Prasetio, R. T., & Hidayanto, A. N. (2018). Improving Hierarchical Decision Approach for Single Image Classification of Pap Smear. International Journal of Electrical and Computer Engineering (IJECE), 8(6), 5415–5424. https://doi.org/10.11591/ijece.v8i6.pp5415-5424
Syafi'i, S. I., Wahyuningrum, R. T., & Muntasa, A. (2015). Segmentasi Obyek Pada Citra Digital menggunakan Metode Otsu Thresholding , 1-8.
