Pengembangan Sistem Merit Berbasis Pengawasan Multi-Stakeholder dan Pemantauan Berbasis AI untuk Meningkatkan Kedisiplinan ASN

Abstract

Penelitian ini bertujuan untuk mengetahui kebijakan paling efektif untuk mengatasi ketidakdisiplinan pengawai Instansi Pemerintah Daerah Kabupaten Buleleng, sehingga dirumuskan kebijakan untuk meningkatkan kedisiplinan pegawai. Penelitian ini  merupakan penelitian kualitatif. Sumber data yang digunakan adalah data primer berupa hasil wawancara bersama responden dan data sekunder berupa hasil penelitian terdahulu serta data kebijakan penegakan kedisiplinan pegawai dari website resmi instansi pemerintah di Indonesia. Informan penelitian adalah pegawai masing-masing bidang BKPSDM Kabupaten Buleleng yang terdiri dari empat pegawai. Teknik pengumpulan data yang digunakan adalah wawancara bersama responden. Instrumen wawancara dibuat untuk menggali kebijakan paling efektif untuk mengatasi ketidakdisiplinan pengawai Instansi Pemerintah Daerah Kabupaten Buleleng. Teknik triangulasi yang digunakan adalah triangulasi sumber. Teknik analisis data yang digunakan adalah model Miles and Huberman. Hasil penelitian menunjukkan kebijakan yang dapat diambil yang pertama adalah pembuatan teknologi informasi mulai dari proses rekrutmen pegawai, penilaian kinerja pegawai, perhitungan tunjangan kinerja, pendidikan dan pelatihan, pengangkatan pangkat dan jabatan, termasuk disiplin hingga pemberhentian, dan pensiun. Kedua adalah penerapan sistem pemantauan berkala. Berdasarkan dua kebijakan tersebut, dapat dirancang kebijakan yang paling tepat untuk mengatasi masalah ketidakdisiplinan pegawai adalah penyempurnaan Sistem Merit dengan beberapa aspek yakni rincian perhitungan tunjangan, pada aspek kedisiplinan Sistem Merit dikombinasikan dengan sistem pengawasan multi-stakeholder yang melibatkan masyarakat karena kedisiplinan ASN juga penting dalam kehidupan bermasyarakat, kemudian Sistem Merit juga perlu dilengkapi dengan pemantauan berbasis AI,  dimana teknoligi AI dapat digunakan untuk menganalisis data kedisiplinan secara otomatis, seperti menganalisis pola absen pegawai yang berisiko melakukan pelanggaran disiplin, menganalisis laporan terkait ketidakdisiplinan pegawai, dan kemudian memberikan peringatan dini.

This study aims to determine the most effective policy to overcome the indiscipline of the Buleleng Regency Government Agency employees. This study is qualitative. The data sources used are primary data in the form of interviews with respondents and secondary data in the form of previous research results and data on employee discipline enforcement policies from the official websites of government agencies in Indonesia. The research informants were employees of each field of the Buleleng Regency BKPSDM, consisting of four employees. The data collection technique used was interviews with respondents. The interview instrument was created to explore the most effective policy to overcome the indiscipline of the Buleleng Regency Government Agency employees. The triangulation technique used is source triangulation. The data analysis technique used by the study uses the Miles and Huberman model. The study results show that the first policy that can be taken is the creation of information technology, starting from the employee recruitment process, employee performance assessment, calculation of performance allowances, education and training, promotion and position, including discipline to dismissal, and retirement. The second is the implementation of a periodic monitoring system.. Based on these two policies, the most appropriate policy to overcome the problem of employee indiscipline can be designed, namely the improvement of the Merit System with several aspects, namely the details of the calculation of allowances, in the element of discipline, the Merit System is combined with a multi-stakeholder monitoring system that involves the community because ASN discipline is also essential in community life, then the Merit System also needs to be equipped with AI-based monitoring where AI technology can be used to analyze discipline data automatically, such as analyzing employee absence patterns that are at risk of committing disciplinary violations, analyzing reports related to employee indiscipline, and then providing early warnings.