Kertas Kerja EMON

Bulan April Tahun 2025

Author

Wihelmus Wedo dari April Pilar Manajemen SDM

Pendahuluan

Selamat datang di Kertas Kerja EMON bulan april 2025. Bulan ini terdapat beberapa pengembangan script dari bulan lalu.

knitr::opts_chunk$set(
  message = FALSE, warning = FALSE
)

library(tidyverse)
library(readxl)
library(here)
library(magrittr)

bulan <- "april"
tahun <- "2025"

Input Data

data_presensi <- here("data/Rekap Presensi Satker 1746141517697.xlsx")
data_response <- here("data/Form Penilaian Employee Of The Month BPS Kabupaten Sikka(1-707).xlsx")

tbl_presensi_all <- 
read_xlsx(data_presensi, skip = 6) |>
  janitor::clean_names()

tbl_response_raw <-
read_xlsx(data_response) |> 
  janitor::clean_names() |>
  # tanggal surat pemilihan emon april diterbit
  filter(waktu_mulai >= "2025-04-28") |> 
  #rename karena namanya panjang
  rename(
    pegawai = pegawai_yang_dinilai_masing_masing_ketua_tim_menilai_anggotanya,
    mutu = mutu_hasil_kerja,
    pengetahuan = pengetahuan_tentang_tugas_dan_tanggung_jawab,
    produktivitas = produktivitas_jam_kerja
  ) 

# Periksa jika terdapat double entry
tbl_response_raw |> 
  count(pegawai) |>
  arrange(desc(n)) |>
  knitr::kable()

pegawai	n
Cornelia Christina Temu A.Md.Stat.	3
Imelda Sandrawati Ambot S.Si	3
Maria Carlin Bepsi Costa SST	3
Maryo Yoseph Ambarto Dwi Sili Osan A.Md.Stat	3
Neka Putri Fardila,S.Tr.Stat.	3
Valentinus Nong Sina Gharu	3
Alvino Alexandro Yappy A.Md	2
Choirunnisa Jati Safitri,S.Tr.Stat	2
Clementine Mursitadewi Riantoby A.Md.Stat.	2
Felia Tifani Cornelia Klau A.Md.Stat.	2
Juliana Marbun A. Md	2
Maria Megachita Da Silva A.Md.Stat	2
Sekolastika Maria Filipensa Naru SE	2
Yohanes Lada Regaletha	2
Averinus Emanuel S.Kom	1
Fransiskus Saverius Soba S.Si	1
Kasianus Vinsensius Wero S.E	1
Klara Yosefa Edralin Paoe S.E	1
Maria Diaz De Rozari	1
Maria Helionora Yulinda Sair S.E.	1
Wihelmus Wedo S.Tr.Stat	1
Yoseph Yakobus Dedo S.E	1

Tabel pembantu

Tabel ini dipakai sebab variabel nama pegawai dari file presensi dan file response tidaklah sama. file presensi menggunakan nama yang tidak menganduk gelar, sedangkan file response menggunakan nama yang memiliki gelar

emon_db_pegawai <- here("data/emon_db_pegawai.xlsx") |> read_xlsx()

cleaning

terdapat beebrapa nama pegawai yang nilai jumlah penilaiannya lebih banyak dati jumlah tim pmo, dapat dipaskan bahwa terdapat penilaian ganda/double sehingga kita perlu menghapusnya. Penilaian yang lebih ini, bisa dilihat dari kolom belum.

tbl_pegawai <- emon_db_pegawai |> select(nama_response, n_pmo)

# Periksa jika terdapat double entry
tbl_monitoring <- 
tbl_response_raw |> 
  count(pegawai, name = "sudah") |>
  arrange(desc(sudah)) |>
  left_join(tbl_pegawai, by = join_by(pegawai == nama_response)) |>
  mutate(belum = n_pmo - sudah) |>
  select(pegawai, jml_tim = n_pmo, sudah, belum)
  
tbl_monitoring |>
  arrange(belum, pegawai) |>  
  knitr::kable()

pegawai	jml_tim	sudah	belum
Imelda Sandrawati Ambot S.Si	2	3	-1
Maryo Yoseph Ambarto Dwi Sili Osan A.Md.Stat	2	3	-1
Alvino Alexandro Yappy A.Md	2	2	0
Averinus Emanuel S.Kom	1	1	0
Choirunnisa Jati Safitri,S.Tr.Stat	2	2	0
Clementine Mursitadewi Riantoby A.Md.Stat.	2	2	0
Cornelia Christina Temu A.Md.Stat.	3	3	0
Felia Tifani Cornelia Klau A.Md.Stat.	2	2	0
Fransiskus Saverius Soba S.Si	1	1	0
Juliana Marbun A. Md	2	2	0
Kasianus Vinsensius Wero S.E	1	1	0
Klara Yosefa Edralin Paoe S.E	1	1	0
Maria Carlin Bepsi Costa SST	3	3	0
Maria Diaz De Rozari	1	1	0
Maria Helionora Yulinda Sair S.E.	1	1	0
Maria Megachita Da Silva A.Md.Stat	2	2	0
Neka Putri Fardila,S.Tr.Stat.	3	3	0
Sekolastika Maria Filipensa Naru SE	2	2	0
Valentinus Nong Sina Gharu	3	3	0
Wihelmus Wedo S.Tr.Stat	1	1	0
Yohanes Lada Regaletha	2	2	0
Yoseph Yakobus Dedo S.E	1	1	0

tbl_response_raw |>
  filter(
    pegawai == "Imelda Sandrawati Ambot S.Si" | 
    pegawai == "Maryo Yoseph Ambarto Dwi Sili Osan A.Md.Stat"
  ) |>
    knitr::kable()

id	waktu_mulai	waktu_selesai	email	nama	pegawai	mutu	produktivitas	pengetahuan	kehandalan	ketepatan_waktu	inisiatif	kerja_sama	berorientasi_pelayanan	akuntabel	kompeten	harmonis	loyal	adaptif	kolaboratif	saran_untuk_pengembangan_kedepan
670	2025-04-30 13:13:22	2025-04-30 13:14:55	anonymous	NA	Imelda Sandrawati Ambot S.Si	Baik	Baik	Baik	Baik	Baik	Baik	Baik	Baik	Baik	Baik	Baik	Baik	Baik	Baik	Terima kasih sudah bekerja dengan baik, terus pantau komponen IKPA serta pengurusan terkait adm kepegawaian dengan baik. Persiapan ruang arsip dan terus pantau perkembangan usulan penghapusan
689	2025-04-30 20:54:54	2025-04-30 20:57:23	anonymous	NA	Maryo Yoseph Ambarto Dwi Sili Osan A.Md.Stat	Baik	Baik	Sangat Baik	Baik	Sangat Baik	Sangat Baik	Baik	Baik	Baik	Sangat Baik	Baik	Baik	Baik	Sangat Baik	NA
690	2025-04-30 20:54:55	2025-04-30 20:57:24	anonymous	NA	Maryo Yoseph Ambarto Dwi Sili Osan A.Md.Stat	Baik	Baik	Sangat Baik	Baik	Sangat Baik	Sangat Baik	Baik	Baik	Baik	Sangat Baik	Baik	Baik	Baik	Sangat Baik	NA
696	2025-05-02 08:41:31	2025-05-02 08:45:19	anonymous	NA	Maryo Yoseph Ambarto Dwi Sili Osan A.Md.Stat	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	sudah baik
701	2025-05-02 10:28:50	2025-05-02 10:29:44	anonymous	NA	Imelda Sandrawati Ambot S.Si	Baik	Baik	Sangat Baik	Baik	Sangat Baik	Baik	Sangat Baik	Sangat Baik	Baik	Sangat Baik	Sangat Baik	Baik	Baik	Sangat Baik	NA
702	2025-05-02 10:28:42	2025-05-02 10:34:46	anonymous	NA	Imelda Sandrawati Ambot S.Si	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Sangat Baik	Semoga kedepan kita semua tetap semangat dan saling membantu didalam melaksanakan tugas sebagai pengelola anggaran,sehinga pekerjaan kita dapat terselesaikan secara baik dan tepat waktu

semua penilaian tidak memiliki missing values kecuali di kolom catatan (yang memang opsional untuk diisi), oleh karena itu, saya akan menghapus baris/penilaian yang lama, yaitu baris nomor 670 dan 689.

Pegawai yang tidak masuk dalam pernilaian EMON

Terdapat pegawai yang tidak diikutsertakan dalam penilaian EMON. Pegawai tersebut antara lain;

Afriani Niana Danus (NIP 340057264), sebab sedang menjalani Tugas Belajar
Kristanto Setyo Utomo (NIP 340019275), sebab jabatannya sebagai Kepala BPS Kabupaten Sikka.

Sehingga kita perlu membuang baris tersebut di dalam tabel presensi. Tabel response memang tidak mengikutsertakan Afriani Niana Danus maupun Kristanto Setyo Utomo, sehingga kita tidak perlu melakukan filtering.

tbl_presensi <- 
tbl_presensi_all |>
  filter(nip != "340057264" & nip != "340019275")

tbl_response_cleaned <- tbl_response_raw |> filter(!is_in(670, 689))

Hitung poin Presensi

Setelah, data presensi dan data response telah bersih, kita bisa lanjut untuk menghitung indeks emon. Kita mulai dengan menghitung poin presensi.

Kali ini kita akan lebih rigid dan mengikuti langkah-langkah dari KAK. Berdasarkan KAK Pemilihan EMON, nilai indeks emon dihitung menggunakan 3 kriteria besar.

Administrasi (bobot 20%)
Kinerja (bobot 40%)
Core Value ASN Berakhlak (bobot 40%)

Penilaian Administrasi

Administrasi terdiri dari 2 sub bagian penilaian yakni

Kedisiplinan, diukur dengan jumlahnya pelanggaran ringan, pelanggaran sedang, dan pelanggaran berat pada bulan maret.
kehadiran, diukur menggunakan kehadiran, keterlambatan (TL dan PSW) selama sebulan.

Kehadiran memiliki bobot sebesar 0,4 dan kedisiplinan bobotnya adalah 0,6.

Dalam aspek kedisiplinan, tidak ada surat pelanggaran yang dikeluarkan tim subbagian umum untuk bulan maret, sehingga semua pegawai mendapatkan poin penuh (a.k.a 3)

tbl_aspek_administrasi <- 
tbl_presensi |>
  select(nip, nama_presensi = nama, hk, psw, ht) |>
  # setting supaya hk, psw, dan ht bisa dilakukan operasi matematika
  mutate(
    hk = as.integer(hk),
    psw = as.integer(psw),
    ht = as.integer(ht)
  ) |>
  # hitung persentasi kehadiran.
  # ht = jumlah hari terlambat (TL)
  # psw = jumlah hari pulang sebelum waktu (PSW)
  # hk = jumlah hari kerja
  mutate(persen = 100 - ((ht + psw) / hk * 100)) |>
  # kehadiran < 95% dapat nilai 0
  # 95.0 < kehadiran < 99.99 dapat nilai 1
  # sisanya a.k.a kehadiran 100% dapat nilai 3
  mutate(
    kehadiran = case_when(
      persen <= 94.99 ~ 0, 
      persen |> between(95.00, 99.99) ~ 1, 
      .default = 3    
      ),
    kedisiplinan = 3 # semua pegawai tidak mendapatkan teguran ringan, sedang, maupun berat.
    ) |>
  mutate(
    aspek_administrasi = (kehadiran * 0.4 + kedisiplinan * 0.6) * 0.2 # bobot aspek 20%
    )

knitr::kable(tbl_aspek_administrasi)

nip	nama_presensi	hk	psw	ht	persen	kehadiran	kedisiplinan	aspek_administrasi
340018094	Yohanes Lada Regaletha	16	0	0	100.00	3	3	0.60
340018763	Valentinus Nong Sina Gharu	16	0	0	100.00	3	3	0.60
340019681	Maria Diaz De Rozari	16	0	0	100.00	3	3	0.60
340019825	Sekolastika Maria Filipensa Naru	16	0	0	100.00	3	3	0.60
340053753	Fransiskus Saverius Soba	16	0	0	100.00	3	3	0.60
340053757	Kasianus Vinsensius Wero	16	0	0	100.00	3	3	0.60
340053759	Klara Yosefa Edralin Paoe	16	0	0	100.00	3	3	0.60
340053779	Yoseph Yakobus Dedo	16	0	0	100.00	3	3	0.60
340055195	Averinus Emanuel	16	0	1	93.75	0	3	0.36
340055215	Imelda Sandrawati Ambot	16	1	0	93.75	0	3	0.36
340055228	Maria Helionora Yulinda Sair	16	0	0	100.00	3	3	0.60
340057474	Maria Carlin Bepsi Costa	16	0	0	100.00	3	3	0.60
340059028	Wihelmus Wedo	16	0	0	100.00	3	3	0.60
340059848	Clementine Mursitadewi Riantoby	16	0	0	100.00	3	3	0.60
340059849	Cornelia Christina Temu	16	0	0	100.00	3	3	0.60
340059855	Felia Tifani Cornelia Klau	16	0	0	100.00	3	3	0.60
340060406	Maria Megachita Da Silva	16	0	0	100.00	3	3	0.60
340060409	Maryo Yoseph Ambarto Dwi Sili Osan	16	0	0	100.00	3	3	0.60
340061169	Alvino Alexandro Yappy	16	0	0	100.00	3	3	0.60
340061365	Juliana Marbun	16	0	0	100.00	3	3	0.60
340062383	Choirunnisa Jati Safitri	16	0	0	100.00	3	3	0.60
340063388	Neka Putri Fardila	16	0	0	100.00	3	3	0.60

Aspek Kinerja

Mulai dari pemilihan emon bulan april, setiap pegawai dinilai menggunakan tim PMO, sehingga 1 pegawai bisa saja dinilai lebih dari 1 kali.

fx  <- function(x) {
  y <- 
  case_when(
    x == "Sangat Baik" ~ 3,
    x == "Baik" ~ 1,
    x == "Kurang Baik" ~ 0,
    .default = NA
  )
  return(y)
}


tbl_aspek_kinerja <- 
tbl_response_cleaned |>
  select(
    pegawai, 
    mutu,
    produktivitas,
    pengetahuan,
    kehandalan,
    ketepatan_waktu,
    inisiatif,
    kerja_sama
  ) |>
  mutate(
    mutu = mutu |> fx() |> multiply_by(0.1), # bobot 10%
    produktivitas = produktivitas |> fx() |> multiply_by(0.1), # bobot 10%
    pengetahuan = pengetahuan |> fx() |> multiply_by(0.1), # bobot 10%
    kehandalan = kehandalan |> fx() |> multiply_by(0.1), # bobot 10%
    ketepatan_waktu = ketepatan_waktu |> fx() |> multiply_by(0.3), # bobot 30%
    inisiatif = inisiatif |> fx() |> multiply_by(0.1), # bobot 10%
    kerja_sama = kerja_sama  |> fx() |> multiply_by(0.2) # bobot 20%
  ) |>
  mutate(
    aspek_kinerja = (mutu + produktivitas + pengetahuan + kehandalan + ketepatan_waktu + inisiatif + kerja_sama) * 0.4 # bobot 40%
  ) |>
  summarise(
    .by = pegawai,
    across(.fns = ~ mean(.x, na.rm = TRUE)) 
  )


knitr::kable(tbl_aspek_kinerja)

pegawai	mutu	produktivitas	pengetahuan	kehandalan	ketepatan_waktu	inisiatif	kerja_sama	aspek_kinerja
Averinus Emanuel S.Kom	0.1000000	0.0000000	0.1000000	0.1000000	0.0	0.1000000	0.2000000	0.2400000
Choirunnisa Jati Safitri,S.Tr.Stat	0.2000000	0.2000000	0.2000000	0.1000000	0.6	0.2000000	0.4000000	0.7600000
Felia Tifani Cornelia Klau A.Md.Stat.	0.3000000	0.2000000	0.3000000	0.3000000	0.6	0.2000000	0.4000000	0.9200000
Fransiskus Saverius Soba S.Si	0.1000000	0.0000000	0.1000000	0.1000000	0.3	0.1000000	0.2000000	0.3600000
Imelda Sandrawati Ambot S.Si	0.1666667	0.1666667	0.2333333	0.1666667	0.7	0.1666667	0.4666667	0.8266667
Kasianus Vinsensius Wero S.E	0.0000000	0.1000000	0.1000000	0.1000000	0.3	0.1000000	0.2000000	0.3600000
Klara Yosefa Edralin Paoe S.E	0.1000000	0.1000000	0.1000000	0.1000000	0.3	0.1000000	0.2000000	0.4000000
Maria Carlin Bepsi Costa SST	0.3000000	0.2333333	0.3000000	0.3000000	0.7	0.2333333	0.4666667	1.0133333
Maria Helionora Yulinda Sair S.E.	0.1000000	0.1000000	0.1000000	0.1000000	0.3	0.1000000	0.2000000	0.4000000
Maria Megachita Da Silva A.Md.Stat	0.3000000	0.2000000	0.2000000	0.3000000	0.3	0.2000000	0.4000000	0.7600000
Sekolastika Maria Filipensa Naru SE	0.1000000	0.1000000	0.2000000	0.1000000	0.6	0.1000000	0.4000000	0.6400000
Wihelmus Wedo S.Tr.Stat	0.1000000	0.1000000	0.1000000	0.1000000	0.3	0.1000000	0.2000000	0.4000000
Yoseph Yakobus Dedo S.E	0.1000000	0.1000000	0.1000000	0.1000000	0.3	0.1000000	0.2000000	0.4000000
Valentinus Nong Sina Gharu	0.1666667	0.1666667	0.1666667	0.1666667	0.5	0.1666667	0.3333333	0.6666667
Yohanes Lada Regaletha	0.1000000	0.1000000	0.2000000	0.2000000	0.3	0.1000000	0.4000000	0.5600000
Clementine Mursitadewi Riantoby A.Md.Stat.	0.2000000	0.2000000	0.2000000	0.2000000	0.6	0.2000000	0.4000000	0.8000000
Juliana Marbun A. Md	0.2000000	0.3000000	0.3000000	0.3000000	0.9	0.3000000	0.6000000	1.1600000
Maria Diaz De Rozari	0.1000000	0.3000000	0.1000000	0.1000000	0.9	0.3000000	0.6000000	0.9600000
Alvino Alexandro Yappy A.Md	0.3000000	0.2000000	0.3000000	0.3000000	0.9	0.3000000	0.6000000	1.1600000
Neka Putri Fardila,S.Tr.Stat.	0.2333333	0.2333333	0.2333333	0.2333333	0.7	0.3000000	0.6000000	1.0133333
Maryo Yoseph Ambarto Dwi Sili Osan A.Md.Stat	0.1666667	0.1666667	0.3000000	0.1666667	0.9	0.3000000	0.3333333	0.9333333
Cornelia Christina Temu A.Md.Stat.	0.1666667	0.1666667	0.2333333	0.2333333	0.5	0.2333333	0.4666667	0.8000000

Aspek Core Value BerAKHLAK

Penilaian Nilai BerAKHLAK adalah penilaian yang diambil dari nilai-nilai core value ASN. Bobot untuk aspek ini adalah 40 persen. Untuk rincian bobot pembentuk aspek ini bisa dilihat di KAK.

tbl_aspek_berakhlak <- 
tbl_response_cleaned |>
  select(
    pegawai,
    berorientasi_pelayanan,
    akuntabel,
    kompeten,
    harmonis,
    loyal,
    adaptif,
    kolaboratif
  ) |>
  mutate(
    berorientasi_pelayanan = berorientasi_pelayanan |> fx() |> multiply_by(0.1), # bobot 10% 
    akuntabel = akuntabel |> fx() |> multiply_by(0.1), # bobot 10% 
    kompeten = kompeten |> fx() |> multiply_by(0.1), # bobot 10% 
    harmonis = harmonis |> fx() |> multiply_by(0.1), # bobot 10% 
    loyal = loyal |> fx() |> multiply_by(0.1), # bobot 10% 
    adaptif = adaptif |> fx() |> multiply_by(0.3), # bobot 30% 
    kolaboratif = kolaboratif  |> fx() |> multiply_by(0.2) # bobot 20% 
  ) |>
  mutate(
    aspek_berakhlak = (berorientasi_pelayanan + akuntabel + kompeten + harmonis + loyal + adaptif + kolaboratif) * 0.4 # bobot aspek 40%
  ) |>
  summarise(
    .by = pegawai,
    across(.fns = ~ mean(.x, na.rm = TRUE)) 
  )

knitr::kable(tbl_aspek_berakhlak)

pegawai	berorientasi_pelayanan	akuntabel	kompeten	harmonis	loyal	adaptif	kolaboratif	aspek_berakhlak
Averinus Emanuel S.Kom	0.1000000	0.1000000	0.1000000	0.1000000	0.1000000	0.3	0.2000000	0.4000000
Choirunnisa Jati Safitri,S.Tr.Stat	0.1000000	0.1000000	0.1000000	0.1000000	0.1000000	0.3	0.2000000	0.4000000
Felia Tifani Cornelia Klau A.Md.Stat.	0.3000000	0.2000000	0.2000000	0.2000000	0.2000000	0.6	0.4000000	0.8400000
Fransiskus Saverius Soba S.Si	0.1000000	0.1000000	0.1000000	0.1000000	0.0000000	0.3	0.2000000	0.3600000
Imelda Sandrawati Ambot S.Si	0.2333333	0.1666667	0.2333333	0.2333333	0.1666667	0.5	0.4666667	0.8000000
Kasianus Vinsensius Wero S.E	0.1000000	0.0000000	0.1000000	0.1000000	0.1000000	0.3	0.2000000	0.3600000
Klara Yosefa Edralin Paoe S.E	0.1000000	0.1000000	0.1000000	0.1000000	0.1000000	0.3	0.2000000	0.4000000
Maria Carlin Bepsi Costa SST	0.2333333	0.2333333	0.3000000	0.2333333	0.2333333	0.7	0.4666667	0.9600000
Maria Helionora Yulinda Sair S.E.	0.1000000	0.1000000	0.1000000	0.1000000	0.1000000	0.3	0.2000000	0.4000000
Maria Megachita Da Silva A.Md.Stat	0.2000000	0.2000000	0.2000000	0.2000000	0.2000000	0.6	0.4000000	0.8000000
Sekolastika Maria Filipensa Naru SE	0.2000000	0.2000000	0.2000000	0.2000000	0.1000000	0.3	0.4000000	0.6400000
Wihelmus Wedo S.Tr.Stat	0.1000000	0.1000000	0.1000000	0.1000000	0.1000000	0.3	0.2000000	0.4000000
Yoseph Yakobus Dedo S.E	0.1000000	0.1000000	0.1000000	0.1000000	0.1000000	0.3	0.2000000	0.4000000
Valentinus Nong Sina Gharu	0.1666667	0.1666667	0.1666667	0.1666667	0.1666667	0.5	0.3333333	0.6666667
Yohanes Lada Regaletha	0.2000000	0.3000000	0.1000000	0.2000000	0.2000000	0.6	0.6000000	0.8800000
Clementine Mursitadewi Riantoby A.Md.Stat.	0.3000000	0.3000000	0.3000000	0.3000000	0.3000000	0.9	0.6000000	1.2000000
Juliana Marbun A. Md	0.2000000	0.3000000	0.2000000	0.3000000	0.3000000	0.9	0.6000000	1.1200000
Maria Diaz De Rozari	0.3000000	0.3000000	0.1000000	0.3000000	0.3000000	0.3	0.6000000	0.8800000
Alvino Alexandro Yappy A.Md	0.2000000	0.2000000	0.2000000	0.2000000	0.2000000	0.6	0.4000000	0.8000000
Neka Putri Fardila,S.Tr.Stat.	0.2333333	0.2333333	0.2333333	0.2333333	0.2333333	0.7	0.4666667	0.9333333
Maryo Yoseph Ambarto Dwi Sili Osan A.Md.Stat	0.1666667	0.1666667	0.3000000	0.1666667	0.1666667	0.5	0.6000000	0.8266667
Cornelia Christina Temu A.Md.Stat.	0.1666667	0.1666667	0.1666667	0.1666667	0.1666667	0.5	0.3333333	0.6666667

Indeks EMON

Setelah menghitung nilai masing-masing aspek, kita bisa menghitung nilai Indeks EMON. Untuk itu, kita perlu melakukan join.

tbl_aspek_joined <- 
tbl_aspek_kinerja |> 
  full_join(tbl_aspek_berakhlak, by = join_by(pegawai)) |>
  left_join(emon_db_pegawai, by = join_by(pegawai == nama_response)) |>
  full_join(tbl_aspek_administrasi, by = join_by(nip, nama_presensi))

tbl_emon <- 
tbl_aspek_joined |>
  mutate(indeks_emon = aspek_administrasi + aspek_kinerja + aspek_berakhlak) |>
  select(nama_presensi, contains("aspek"), indeks_emon) |>
  arrange(desc(indeks_emon))

knitr::kable(tbl_emon)

nama_presensi	aspek_kinerja	aspek_berakhlak	aspek_administrasi	indeks_emon
Juliana Marbun	1.1600000	1.1200000	0.60	2.880000
Clementine Mursitadewi Riantoby	0.8000000	1.2000000	0.60	2.600000
Maria Carlin Bepsi Costa	1.0133333	0.9600000	0.60	2.573333
Alvino Alexandro Yappy	1.1600000	0.8000000	0.60	2.560000
Neka Putri Fardila	1.0133333	0.9333333	0.60	2.546667
Maria Diaz De Rozari	0.9600000	0.8800000	0.60	2.440000
Felia Tifani Cornelia Klau	0.9200000	0.8400000	0.60	2.360000
Maryo Yoseph Ambarto Dwi Sili Osan	0.9333333	0.8266667	0.60	2.360000
Maria Megachita Da Silva	0.7600000	0.8000000	0.60	2.160000
Cornelia Christina Temu	0.8000000	0.6666667	0.60	2.066667
Yohanes Lada Regaletha	0.5600000	0.8800000	0.60	2.040000
Imelda Sandrawati Ambot	0.8266667	0.8000000	0.36	1.986667
Valentinus Nong Sina Gharu	0.6666667	0.6666667	0.60	1.933333
Sekolastika Maria Filipensa Naru	0.6400000	0.6400000	0.60	1.880000
Choirunnisa Jati Safitri	0.7600000	0.4000000	0.60	1.760000
Klara Yosefa Edralin Paoe	0.4000000	0.4000000	0.60	1.400000
Maria Helionora Yulinda Sair	0.4000000	0.4000000	0.60	1.400000
Wihelmus Wedo	0.4000000	0.4000000	0.60	1.400000
Yoseph Yakobus Dedo	0.4000000	0.4000000	0.60	1.400000
Fransiskus Saverius Soba	0.3600000	0.3600000	0.60	1.320000
Kasianus Vinsensius Wero	0.3600000	0.3600000	0.60	1.320000
Averinus Emanuel	0.2400000	0.4000000	0.36	1.000000

Semua pegawai telah dihitung nilai indeks EMON-nya dan diurutkan. Interpretasi nilai emon adalah sebagai berikut :

Nilai 0 - 0.99 : secara rata-rata ada di antara kurang baik dan baik
Nilai 1 - 2.99 : secara rata-rata ada diantara Baik dan sangat baik
Nilai 3 : nilai sempurna a.k.a sangat baik

emon_winner <- "Juliana Marbun"

Employee of the Month untuk bulan april tahun 2025 adalah Juliana Marbun.

Other Formats