BAB III ANALISIS DAN DESAIN SISTEM

Transkripsi

1 BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa Sistem yang Sedang Berjalan Sistem yang sedang berjalan pada PT. Daeng Mas Inti Perkasa dalam merekrut tenaga kerja masih dengan sistem manual, hal ini diketahui apabila perusahaan merekrut tenaga kerja hanya melihat surat lamaran calon tenaga kerja, kemudian mewawancarai calon tenaga kerja tersebut jika dari hasil wawancara tersebut memenuhi syarat maka calon tenaga kerja tersebut diterima dan dipekerjakan. III.1.1. Input Proses inputan penerimaan calon tenaga kerja pada PT. Daeng Mas Inti Perkasa masih dengan sistem manual yaitu sebatas pengisian form aplikasi daftar calon tenaga kerja yang dilakukan oleh calon pelamar tenaga kerja. Adapun form aplikasi tersebut dapat dilihat pada gambar berikut ini : 38

2 39 Gambar III.1. Formulir Pendaftaran Calon Tenaga Kerja Sumber : PT. Daeng Mas Inti Perkasa

3 40 III.1.2. Analisa Proses Analisa proses yang terjadi dalam sistem perekrutan tenaga kerja pada perusahaan PT. Daeng Mas Inti Perkasa, dilakukan dengan beberapa tahapan dan juga dapat digambarkan dengan Flow Of Diagram ( FOD ). Adapun tahapan - tahapannya adalah sebagai berikut : 1. Perusahaan perekrut calon tenaga kerja memberikan informasi bahwasannya perusahaan tersebut membuka sebuah lowongan kerja ke public melalui divisi Human Recruitment ( SDM) yang ditunjuk oleh perusahaan. 2. Calon tenaga kerja mengajukan lamaran kerja ke perusahaan yang akan merekrut calon tenaga kerja. 3. Human recruitment (SDM) menerima berkas dari calon tenaga kerja untuk diseleksi sesuai dengan permintaan pada perusahaan tersebut. 4. Langkah selanjutnya proses seleksi berkas calon kandidat yang memenuhi syarat. 5. Kemudian data calon karyawan tersebut diserahkan dan diproses pada divisi human resourch development (personalia) untuk menentukan pelamar yang memenuhi syarat. 6. Setelah proses penentuan pelamar yang memenuhi syarat, maka pelamar diterima sebagai karyawan. 7. Proses selanjutnya data hasil pelamar yang diterima diserahkan kepada bagian Human Recruitment (SDM) kemudian di informasikan kepada pelamar.

4 41 Human recruitment (SDM) Calon Tenaga Kerja Human Resourch Development Informasi lowongan kerja Pengajuan berkas lamaran kerja Hasil seleksi berkas calon tenaga kerja Penerimaan berkas calon tenaga kerja Menentukan pelamar yang memenuhi syarat Seleksi penerimaan berkas calon tenaga kerja Pelamar yang memenuhi syarat Pelamar yang memenuhi syarat Pelamar yang memenuhi syarat Gambar III.2. FOD Sistem Perekrutan Calon Tenaga Kerja pada PT. Daeng Mas Inti Perkasa

5 42 III.1.3 Output Proses analisa output atau proses keluaran data pada sistem ini, akan didapat data pelamar yang melakukan seleksi dan hasil dari penyeleksian calon tenaga kerja yang diterima. III.2. Evaluasi Sistem yang Berjalan Dari hasil pengamatan yang dilakukan oleh penulis didapat beberapa point yang ditemui yaitu : 1. Sering terjadi keterlambatan pengiriman tenaga kerja ke perusahaan rekanan. Hal ini disebabkan karena lambatnya sistem dalam perekrutan tenaga kerja. 2. Penerimaan calon tenaga kerja melalui prosedur standar tanpa adanya metode metode dalam seleksi calon tenaga kerja. Adapun solusi dari evaluasi sistem yang berjalan, penulis mengimplementasikan dengan merancang sebuah sistem aplikasi perekrutan calon karyawan dengan menggunakan aplikasi bahasa pemrograman micrososft visual basic 2008 dan sistem databasenya menggunakan sql server III.3. Desain Sistem Pada sub bab ini penulis akan membahas tentang secara umum menggunakan UML (Unified Modelling Language) yang terdiri dari use case diagram, class diagram, activity diagram, dan sequence diagram.

6 43 III.3.1 Use Case Diagram Dalam mengidentifikasi yang dibutuhkan oleh sistem dari segi fungsinya, penulis menggunakan Use Case Diagram, hal ini dilakukan agar terlihat peran masing masing actor atau pengguna yang akan dirancang. Adapun Use Case Diagram yang akan dirancang dapat terlihat pada gambar dibawah ini : Login Ganti Password Kelola User Input Data Pelamar Admin User Input NIlai Proses Nilai Hasil Gambar III.3. Use Case Diagram

7 44 Adapun penjelasan Use Case Diagram diatas adalah sebagai berikut : Tabel III.1. Penjelasan Use Case Diagram Actor Input Use Case Deskripsi Use Case Login Use Case ini berfungsi untuk melakukan login sebelum mengakses isi dari sistem Ganti Use Case ini berfungsi untuk mengganti Admin Password password lama. Dan User User name dan Password Input Data Pelamar Input Nilai Hasil Use Case ini berfungsi untuk melakukan inputan data calon pelamar Use Case ini berfungsi untuk penginputan nilai calon pelamar Use Case ini berfungsi untuk melihat hasil pelamar yang memenuhi syarat. Kelola Use Case ini berfungsi untuk menambah, Admin User Proses menghapus dan mengedit data. Use Case ini berfungsi untuk memproses Nilai nilai data pelamar. III.3.2. Class Diagram Class diagram dirancang untuk membantu penulis dalam menvisualisasi struktur dari suatu sistem dan merupakan tipe diagram yang paling banyak dipakai untuk saat ini. Class diagram memperlihatkan hubungan antar kelas dan

8 45 penjelasan detail tiap - tiap kelas didalam model desain dari suatu sistem. Adapun class diagram yang diusulkan dapat dilihat pada gambar berikut ini : <<entity>> Login_admin +GetData () <<boundary>> Form_login +input_username () +input_password () +validasi () +selesai () <<entity>> Login_user +GetData () <<boundary>> Form_utama +form_pass () +form_kelolapemakai () +form_dsstree () +form_pelamar () +form_nilai ( +form_hasil () +GetData () +Selesai () <<boundary>> Form_inputdatapelamar +input_data () +GetData () +selesai () <<boundary>> Form_kelolapemakai +input_username () +input_password () +input_status () +GetData () +selesai () <<boundary>> Form_inputnilai +input_nilai () +GetData () +selesai () <<boundary>> Form_hasil +GetData () +selesai () <<boundary>> Form_gantipassword +input_password () +validasi () +selesai () <<boundary>> Form_dssTree +GetData () +selesai () <<entity>> Ganti_password +GetData () Gambar III.4. Class Diagram III.3.3. Sequence Diagram Sequence diagram menggambarkan urutan proses yang dilakukan dalam sistem untuk mencapai tujuan dari use case. Sequence diagram biasanya tersusun dari elemen objek, interaction dan message. Interaction menghubungkan 2 objek dengan pesannya. Diagram ini menjelaskan aspek dinamis dari sistem yang sedang dibangun. Berikut gambar dari sequence diagram :

9 46 III Sequence Diagram Login Admin Login Database Menu Login Validasi Login Username,password tidak valid Hasil Username Valid Gambar III.5. Sequence Diagram Login III Sequence Diagram Data User (Ganti Password) Admin Form_gantipassword Database Ganti password Password valid Username,password tidak valid Informasi hasil Gambar III.6. Sequence Diagram Data User (Ganti Password)

10 47 III Sequence Diagram Kelola Pemakai Database Form_kelolapemakai Database Kelola data Simpan data kelola pemakai Informasi Gambar III.7. Sequence Diagram Kelola Pemakai III Sequence Diagram Data Pelamar Admin Form_inputdata pelamar Database Data pelamar Simpan data input data pelamar Informasi Gambar III.8. Sequence Diagram Data Pelamar

11 48 III Sequence Diagram Penginputan Nilai Admin Form_inputdata Database Data penilaian Simpan data penilaian Informasi Gambar III.9. Sequence Diagram Penginputan Nilai III Sequence Diagram Proses Nilai Admin Form_dsstree Kategori Nilai Data_ Aturan Form_ Hasil Load data Konversi nilai Proses Nilai Tampil Hasil Hitung IG Informasi hasil Gambar III.10. Sequence Diagram Proses Nilai

12 49 III Sequence Diagram Hasil Admin Form_hasil Laporan Data kandidat calon karyawan Proses nilai Cetak hasil Gambar III.11. Sequence Diagram Hasil III.3.4. Desain Sistem Secara Detail Desain sistem pendukung keputusan seleksi calon karyawan pada PT. Daeng Mas Inti Perkasa ini adalah sebagai berikut: III Desain Output Bentuk ouput (keluaran) dari sistem pendukung keputusan penerimaan calon tenaga kerja adalah tampilan menu utama sistem, tampilan laporan data pelamar, dan laporan hasil.

13 50 III Desain Output Tampilan Halaman Utama XXXXXX Admin Area Input Kode Data Pelamar Pelamar Input Nilai Hasil Keluar Kelola User Proses Nilai [Gambar] Gambar III.12. Desain Tampilan Form Utama III Desain Output Proses Nilai xxxx Konversi Nilai Proses aturan Dss Load Sample Hitung IG Batal Tutup [Data] Informasi Perhitungan Gambar III.13. Desain Proses Nilai Root Atribut Root Entropy Root IG

14 51 III Desain Output Tampilan Hasil xxxx Bulan Tahun Cetak Kode Pelamar Nama Pelamar Nilai Pengalaman Nilai Psikotes Nilai Wawancara Diterima Tanggal Pencarian Hapus Tutup Gambar III.14. Desain Tampilan Hasil III Desain Output Tampilan Laporan Hasil xxxx PT. DAENG MAS INTI PERKASA PERUSAHAAN JASA TENAGA KERJA DALAM NEGERI JL. GUNUNG KRAKATAU NO. 11 F MEDAN LAPORAN HASIL PERIODE Kode Pelamar Nama Pelamar Nilai Pengalaman Nilai Psikotes Nilai Wawancara Diterima Tanggal Diketahui oleh, Dibuat oleh, ( ) (.) Gambar III.15. Desain Output Tampilan Laporan Hasil III.3.5. Desain Input Adapun yang menjadi inputan pada sistem pendukung keputusan seleksi penerimaan calon karyawan adalah login pengguna, kelola pemakai, data input pelamar, data input nilai, dan data hasil.

15 52 III Desain Input Pemakai (login) XXXXXX Username Password Lama Login Tutup Gambar III.16. Desain Input Pemakai (Login) III Desain Input Data User (Ganti Password) XXXXXX Username Password Lama Password Baru Konfirmasi Password Gambar III.17. Desain Input Data User (Ganti Password) III Desain Input Kelola Pemakai (Pemakai Baru) XXXXXX Username Password xxx xxx xxx Username Password Status Status User Baru Simpan Edit Update Hapus Batal Tutup Gambar III.18. Desain Input Kelola Pemakai (Pemakai Baru)

16 53 III Desain Input Data Pelamar XXXXXX Kode Pelamar Nama Pelamar Tempat Lahir Tanggal Lahir Alamat No. Telepon Keterangan Data Baru Simpan Edit Update Hapus Batal Tutup Search Name DATA III Desain Input Nilai Gambar III.19. Desain Input Data Pelamar XXXXXX Kode Pelamar Nama Pelamar INPUT NILAI PELAMAR Nilai Pengalaman Nilai Psikotes Pencarian Kode Nilai Nama Pelamar Pelamar Nilai Pengala DATA Nilai Psikotes Wawanc Nilai Wawancara Nilai Baru Tambah Edit Update Hapus Batal Tutup Gambar III.20. Desain Input Nilai

17 54 III.3.6. Desain Database Adapun desain database yang dibuat oleh penulis meliputi kamus data, desain tabel dan Entity Relasional Diagram (ERD) yang akan dibahas sebagai berikut : III Kamus Data Hasil =kode_pelamar+,nama+, nilai_pengalaman+, nilai_etika+, nilai_psikotes+, nilai_wawancara+, keterangan+, tanggal+ Nilai =kode_pelamar+, nama+, nilai_pengalaman+,nilai_etika+, nilai_psikotes+, nilai_wawancara + Pelamar = kode_pelamar+, nama+, tgl_lahir+, alamat+, no_telp+, keterangan + Data Aturan = kode_rule+, aturan+ Kategori Nilai =kode_pelamar+, nama+, pengalaman+, psikotes+, wawancara+, diterima + User = username+, password+, status+ III Desain Tabel Perancangan tabel database yang digunakan oleh penulis dalam sistem pendukung keputusan perekrutan calon karyawan pada PT. Daeng Mas Inti Perkasa adalah sebagai berikut : 1. Tabel Hasil Tabel hasil berfungsi sebagai penyimpanan data record calon tenaga kerja yang telah diseleksi. Database : DSS

18 55 Nama Tabel Primary key : tbl_hasil : kode_pelamar Foreign key : - Tabel III.2. Hasil Field Name Type Size Description kode_pel Varchar 4 Primary key Nama Varchar 30 nil_pengalaman nil_psikotes nil_wawancara int int int Keterangan varchar 20 Tgl datetime 2. Tabel Nilai Tabel nilai berfungsi sebagai penginputan nilai calon tenaga kerja yang didapat dari beberapa test / pengujian terhadap calon tenaga kerja Database Nama Tabel Primary key : DSS : tbl_nilai : kode_pelamar Foreign key : - Tabel III.3. Nilai Field Name Type Size Description kode_pel Varchar 4 Primary key

19 56 Nama Varchar 30 nil_pengalaman nil_psikotes nil_wawancara int int int 3. Tabel Pelamar kerja. Tabel pelamar ini berfungsi sebagai penyimpanan data data calon tenaga Database Nama Tabel Primary key : DSS : tbl_pelamar : kode_pelamar Foreign key : - Tabel III.4. Pelamar Field Name Type Size Description kode_pel varchar 4 Primary key Nama varchar 30 tempat_lhr varchar 30 tgl_lhr Alamat int text no_telp varchar 20 Keterangan text

20 57 4. Tabel Kategori Nilai Tabel kategori nilai berfungsi untuk menkonversi nilai calon tenaga kerja yang didapat dari tabel nilai yang sebelumnya dilakukan beberapa test / pengujian terhadap calon tenaga kerja Database Nama Tabel Primary key : DSS : tbl_catnilai : kode_pelamar Foreign key : - Tabel III.5. Kategori Nilai Field Name Type Size Description kode_pel Varchar 10 Primary key nama Varchar 30 nil_pengalaman Varchar 10 nil_psikotes Varchar 10 nil_wawancara Varchar 10 diterima Varchar Tabel Data Aturan Tabel data aturan berfungsi untuk membuat data rule menentukan target dari sebuah keputusan. Database Nama Tabel Primary key : DSS : tbl_user : username

21 58 Foreign key : Tabel III.6. Data Aturan Field Name Type Size Description Kode_rule varchar 20 Primary key Aturan varchar Tabel User Tabel user berfungsi untuk penyimpanan data - data pengguna dengan membedakan hak akses terhadap penggunaan aplikasi. Database Nama Tabel Primary key : DSS : tbl_user : username Foreign key : Tabel III.7. User Field Name Type Size Description Username varchar 20 Primary key Password varchar 20 Status varchar 20

22 59 III Entity Relational Diagram (ERD) Tbl_Catnilai Kode_pelamar Nama pengalaman psikotes wawancara diterima Tanggal Mengambil data N One two many Tabel_Rule Kode_rule Aturan Mengambil data N One two many Tbl_hasil Kode_pelamar Nama pengalaman psikotes wawancara Diterima Tanggal One two many N Mengambil data Tbl_nilai Kode_pelamar Nama Nil_pengalaman Nil_psikotes Nil_wawancara Mengambil data N One two many Tbl_pelamar Kode_pelamar Nama Tgl_lahir Alamat No.telepon Keterangan N One two many Tabel_username Username Password Status Gambar III.21. Entity Relational Diagram III.3.7. logika Program / Activity Diagram Dalam perancangan sistem yang sedang dibangun, activity diagram sangat dibutuhkan untuk menggambarkan proses alir aktivitas berawal, proses kemungkinan yang akan terjadi dan bagaimana proses dari sebuah sistem itu berakhir. Adapun proses activity diagram sebagai berikut :

23 60 III Activity Diagram Login Login Username & Password tidak valid Username & Password valid Pilih Type User Admin User Login Ganti Password Kelola User Input Data Pelamar Input Nilai Proses Nilai Hasil Login Ganti Password Input Data Pelamar Input Nilai Hasil Gambar III.22. Activity Diagram Login III Activity Diagram Data User (Ganti Password) Input password lama Valid? Input password baru konfirmasi password baru Valid? Simpan password Gambar III.23. Activity Diagram Data User (Ganti Password)

24 61 III Activity Diagram Kelola Pemakai Pilih Aksi konfirmasi User Input,Username,danStatus Simpan Pengguna Ubah Pilih Username yang Akan Diubah Ubah Password Konfirmasi Hapus Pilih Username yang Akan Dihapus Hapus Simpan Konfirmasi Update Hapus Data Gambar III.24. Activity Diagram Kelola Pemakai III Activity Diagram Data Pelamar Pilih Aksi konfirmasi Data Baru Input Data Simpan Data Ubah Pilih Data Pelamar yang akan diubah Ubah Data Hapus Pilih Data Pelamar yang Akan Dihapus Hapus Data Simpan Konfirmasi Update Hapus Data Gambar III.25. Activity Diagram Data Pelamar

25 62 III Activity Diagram Penginputan Nilai Pilih Aksi konfirmasi Nilai Input Kode Input Nilai Ubah Pilih Data Pelamar yang akan diubah Ubah Nilai Hapus Pilih Data Pelamar yang Akan Dihapus Hapus Data Nilai Simpan Konfirmasi Simpan Hapus Data Gambar III.26. Activity Diagram Penginputan Nilai III Activity Diagram Proses Nilai Load Data Validasi Konv.Nilai Tampilan Informasi Range Load Sample Validasi Tampil Data Sample Simpan Data Hitung Informasi IG Tampil Data Aturan Tampil Informasi Aturan Proses Aturan DSS Tampil Hasil Gambar III.27. Activity Diagram Proses Nilai

26 63 III Activity Diagram Hasil Tampil Hasil Gambar III.28. Activity Diagram Hasil III.3.8. Metode Decision Tree III Pohon ( Tree ) Pohon merupakan sebuah graf terhubung yang tidak mengandung sirkuit.konsep pohon (tree) dalam teori grafmerupakan konsep yang sangat penting, karena terapannya diberbagai bidang ilmu. Oleh karenanya antara pohon (tree) sangat erat hubungannya dengan teori graf. Definisi pohon adalah graf tak berarah terhubung yang tidak mengandung sirkuit, menurut definisi tersebut, ada dua sifat penting pada pohon yaitu terhubung dan tidak mengandung sirkuit. Pohon (tree) merupakan graf dimana dua simpul memiliki paling banyak satu lintasan yang menghubungkannya. Pohon seringkali memiliki akar, karena setiap simpul pada pohon hanya memiliki satu lintasan akses dari setiap simpul lainnya, maka tidak mungkin bagi sebuah lintasan untuk membentuk simpul (loop) atau siklus (cycle) yang secara berkesinambungan melalui serangkaian simpul.

27 64 B b a A C c D d Gambar III.29 Pohon (Tree) III Algoritma ID3 Iterative Dichotomicer 3 (ID3) adalah algoritma decision tree learning (algoritma pembelajaran pohon keputusan) yang paling dasar. Algoritma ini melakukan pencarian secara rakus /menyeluruh (greedy) pada semua kemungkinan pohon keputusan. Salah satu algoritma induksi pohon keputusan yaitu ID3 (Iterative Dichotomiser 3). ID3 dikembangkan oleh J. Ross Quinlan. Algoritma ID3 dapat diimplementasikan menggunakan fungsi rekursif (fungsi yang memanggil dirinya sendiri). Algoritma ID3 berusaha membangun decision tree (pohon keputusan) secara top-down (dari atas ke bawah), mulai dengan pertanyaan : atribut mana yang pertama kali harus dicek dan diletakkan pada root? pertanyaan ini dijawab dengan mengevaluasi semua atribut yang ada dengan menggunakan suatu ukuran statistic (yang banyak digunakan adalah information gain) untuk mengukur efektivitas suatu atribut dalam mengklasifikasikan kumpulan sampel data. Decision Tree adalah sebuah struktur pohon, dimana setiap node pohon merepresentasikan atribut yang telah diuji, setiap cabang merupakan suatu pembagian hasil uji, dan node daun (leaf)

28 65 merepresentasikan kelompok kelas tertentu. Level node teratas dari sebuah decision tree adalah node akar (root) yang biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas tertentu. III Entropy dan Information Gain Sebuah obyek yang diklasifikasikan dalam pohon harus dites nilai entropinya. Entropy adalah ukuran dari teori informasi yang dapat mengetahui karakteristik dari impuryt,dan homogenity dari kumpulan data. Dari nilai entropy tersebut kemudian dihitung nilai information gain (IG) masing-masing atribut. Entropy(S) = - p+ log2p + -p -log2p dimana : S adalah ruang (data) sample yang digunakan untuk training. P+ adalah jumlah yang bersolusi positif (mendukung) pada data sample untuk kriteria tertentu. P+ adalah jumlah yang bersolusi negatif (tidak mendukung) pada data sample untuk kriteria tertentu. Dari rumus entropy diatas dapat disimpulkan bahwa definisi entropy (S) adalah jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak suatu kelas (+ atau -) dari sejumlah data acak pada suatu ruang sampel S. Entropy bisa dikatakan sebagai kebutuhan bit untuk menyatakan suatu kelas. Semakin kecil nilai entropy maka semakin baik digunakan dalam mengekstraksi suatu kelas. Panjang kode untuk menyatakan informasi secara optimal adalah log2p bits untuk messages yang mempunyai probabilitas p. Sehingga jumlah bit yang diperkirakan untuk mengekstraksi S ke dalam kelas adalah : - p+log2 p+ - p- log2 p- Information Gain

29 66 Setelah mendapat nilai entropy untuk suatu kumpulan data, maka kita dapat mengukur efektivitas suatu atribut dalam mengklasifikasikan data. Ukuran efektifitas ini disebut information gain. Secara matematis, infomation gain dari suatu atribut A,dituliskan sebagai berikut : Gain(S,A) = Entropy(S) Entropy(Sv), dimana : A : atribut V : suatu nilai yang mungkin untuk atribut A Values (A) : himpunan yang mungkin untuk atribut A Sv : jumlah sampel untuk nilai v S : jumlah seluruh sampel data Entropy(Sv): entropy untuk sampel-sampel yang memiliki nilai v III.3.9. Pembahasan Data penerimaan seleksi calon karyawan terdapat sampel 11 orang calon karyawan yang mengikuti seleksi penerimaan seleksi calon karyawan baru dengan memperhatikan 3 parameter / atribut penilaian. Tiga parameter / atribut yaitu : 1. Pengalaman dikelompokkan dalam 3 kategori ( bagus, cukup, kurang ) 2. Psikotes dikelompokkan dalam 3 kategori ( tinggi, sedang, rendah ) 3. Wawancara dikelompokkan dalam 2 kategori (baik dan buruk) Untuk range penilaian dapat dikelompokkan sebagai berikut : 1. Pengalaman : a. Bagus = <=3.5 b. Cukup =

30 67 c. Kurang = Psikotes : a. Tinggi = <=7.5 b. Sedang = c. Rendah = Wawancara : a. Baik = <=6.5 b. Buruk = Tabel III.8. Tabel Parameter PESERTA PSIKOTES PENGALAMAN WAWANCARA DITERIMA P1 Tinggi Bagus Baik P2 Tinggi Cukup Baik P3 Tinggi Cukup Buruk P4 Tinggi Kurang Buruk P5 Sedang Bagus Baik P6 Sedang Cukup Baik P7 Sedang Cukup Buruk P8 Sedang Kurang Buruk P9 Rendah Bagus Baik P10 Rendah Cukup Buruk P11 Rendah Kurang Baik III Analisis Informastion Gain Pada data penerimaan calon karyawan, jumlah kelas adalah 2, yaitu : ya dan tidak (c = 2 ). Jumlah sampel kelas 1 ( ya ) adalah 8 dan jumlah sampel untuk kelas 2 ( tidak ) adalah 3, jadi p1 = 8 dan p2 = 3. Dengan demikian entropy untuk kumpulan sampel data S adalah : Entropy (S) = - ( 8/11) log2 ( 8/11) (3/11) log2 (3/11) = 0,8454

31 68 Dari tabel diatas misal atribut Diterima= ya merupakan sampel (+), dan atribut Diterima= merupakan sampel (-), dari sampel data pada tabel didapat : Values (nil.psikotes) = Tinggi, Sedang, Rendah S = [ 8+, 3- ], S = 11 STinggi = [ 3+, 1- ], STinggi = 4 Ssedang = [ 3+, 1- ], Ssedang = 4 SRendah = [ 2+, 1- ], SRendah = 3 Hitung entropy STinggi, Ssedang, SRendah dan Information Gain Untuk nilai Psikotes adalah : Entropy (S) = 0,8454 Entropy (STinggi) = (-3/4) log2 (3/4) - (1/4) log2 (1/4) = 0,8113 Entropy (Ssedang ) = (-3/4) log2 (3/4) - (1/4) log2 (1/4) = 0,8113 Entropy (SRendah) = (-2/3) log2 (2/3) - (1/3) log2 (1/3) = 0,9183 Information Gain (S, Nil.Psikotes) =Entropy(S) = 0,8454 (4/11)0,8113 (4/11)0,8113 (3/11) 0,9183 = 0,8454 0,2950 0,2950 0,25044 = 0,0049 Values( Pengalaman) = Bagus, Cukup, Kurang SBagus = [ 3+, 0- ], SBagus = 3 SCukup = [ 4+, 1- ], SCukup = 5 SKurang = [ 1+, 2- ], SKurang = 3 Entropy (SBagus) = (-3/3) log2 (3/3) - (0/3) log2 (0/3) = 0

32 69 menunjukkan entropy minimum karena jumlah sampel pada salah satu kelas adalah = 0 (keberagaman data minimum). Entropy (SCukup) = (-4/5) log2 (4/5) - (1/5) log2 (1/5) = 0,72192 Entropy (SKurang) = (-1/3) log2 (1/3) - (2/3) log2 (2/3) = 0,91829 IG(S,Pengalaman)=Entropy(S) = 0, (5/11) 0,7219 (3/11) 0,9183 = 0,8454 0, ,25044 = 0,26682 SBaik = [ 6+, 0- ], SBaik = 6 SBuruk = [ 2+, 3- ], SBuruk = 5 Entropy (SBaik) = (-6/6) log2 (6/6) (0/6) log2 (0/0) = 0 ( keberagaman data minimum ). Entropy (SBuruk) = (-2/5) log2 (2/5) (3/5) log2 (3/5) = 0,97094 IG ( S, Wawancara ) = 0, (5/11) 0,97094 = 0,8454 0,44134 = 0,40406 Dari perhitugan diatas didapat nilai Information Gain dari ketiga atribut ( Nil.Psikotes, Pengalaman, dan Wawancara ) IG ( S, Nil.Psikotes) = 0,0049 IG ( S, Pengalaman) = 0,26682 IG ( S, Wawancara) = 0,40406

33 70 Dari ketiga nilai Information Gain diatas Gain (S, Wawancara ) adalah yang terbesar sehingga atribut Wawancara merupakan the best classifier dan harus diletakkan sebagai root. Rekursi Level 0 iterasi ke-1 Memanggil fungsi ID3 dengan kumpulan sampel berupa semua sampel data = [ 8+, 3-]; Atribut target = Diterima dan kumpulan atribut [nil.psikotes, Pengalaman, Wawancara] Hitung entropy dan Information Gain untuk menentukan the best classifier dan meletakkannya sebagai root. Dari penjelasan sebelumnya didapat nilai Information Gain (S, Wawancara ) sebagai the best classifier karena IG nya terbesar. Setelah mendapat the best classifier langkah selanjutnya adalah setiap nilai pada atribut wawancara akan di cek apakah perlu dibuat subtree di level berikutnya atau tidak, atribut wawancara, ada 2 sampel ( baik dan buruk ). Untuk nilai Baik terdapat 6 sampel, berarti sampel baik tidak kosong. Sehingga perlu memanggil fungsi ID3 dengan kumpulan sampel berupa sampel baik = [6+, 0-], atribut target = Diterima dan kumpulan atribut ={nil.psikotes, Wawancara } Rekursi level 1 iterasi ke 1 Memanggil fungsi ID3 dengan kumpulan sampel berupa sampel baik [6+, 0-] atribut target = Diterima dan kumpulan atribut (nilai Psikotes, Pengalaman). Semua sampel baik termasuk dalam kelas ya maka fungsi ini akan berhenti dan mengembalikan satu simpul tunggal Root dengan label ya.

34 71 Rekursi level 0, Itersi ke 2 Pada proses rekursi level 0, iterasi ke 1, sudah dilakukan pengecekan untuk atribut Wawancara dengan nilai baik. Untuk nilai buruk, terdapat 5 sampel, berarti Sampelburuk tidak kosong. Sehingga, perlu memanggil fungsi ID3 dengan kumpulan sampel berupa Sampelburuk = [ 2+, 3- ], AtributTarget = Diterima, dan KumpulanAtribut = { nil.psikotes,pengalaman }. Rekursi level 1 iterasi ke 2 Memanggil fungsi ID3 dengan kumpulan sampel berupa Sampelburuk = [2+, 3-], AtributTarget = Diterima, dan KumpulanAtribut = { nil.psikotes, Wawancara }. Pada tahap ini dilakukan perhitungan Information Gain untuk atribut nil.psikotes dan Pengalaman, tetapi kumpulan sampel yang diperhitungkan adalah Sampelburuk dengan 5 sampel data, yaitu [ 2+, 3- ]. Dengan kata lain S = Sampelburuk. Value (nil.psikotes) = Tinggi, Sedang, Rendah S = Sampelburuk = [2+, 3- ], S = 5 STinggi = [1+, 1-], STinggi = 2 SSedang = [1+, 1-], SSedang = 2 SRendah = [0+, 1-], SRendah = 1 Hitung nilai entropy untuk S, STinggi, SSedang, SRendah dan Information Gain untuk nil.psikotes adalah : Entropy (S) = - ( 2/5) log2 (2/5) (3/5) log2 (3/5 = 0,9710 Entropy (STinggi) = - (1/2) log2 (1/2) (1/2) log2 (1/2) = 1 Entropy (SSedang) = - (1/2) log2 (1/2) (1/2) log2 (1/2) = 1

35 72 Entropy (SRendah) = - (0/1) log2 (0/1) (1/1) log2 (1/1) = 0 Gain (S, nil.psikotes) = Entropy (S) Entropy (Sv) = Entropy (S) (2/5) Entropy (STinggi) (2/5)Entropy (SSedang) (1/5) Entropy (SRendah) = 0,9710 (2/5) 1 (2/5)1 0 = 0,1710 Value (Pengalaman) = Bagus, Cukup, Kurang S = SampleBuruk = [2+, 3-], S = 5, Entropy (S) = 0,9710 SBagus = [ 0+, 0-], SBagus = 0 SCukup = [2+, 1-], SCukup = 3 SKurang = [0+, 2-], SKurang = 2 Entropy (SBagus) = 0 Entropy (SCukup)= - (2/3) log2 (2/3) (1/3) log2 (1/3) = 0,9183 Entropy (SKurang) = 0 Gain (S, Pengalaman) = Entropy (S) entropy (Sv) = Entropy (S) (0/5) Entropy (STinggi) (3/5)Entropy (SSedang) (2/5)Entropy (SRendah) = 0, (3/5) 0, = 0,4200 Dari kedua nilai Information Gain diatas, Gain (S, Pengalaman) adalah yang terbesar. Sehingga Pengalaman adalah atribut yang merupakan the best classifier dan harus diletakkan sebagai simpul dibawah simpul Wawancara pada

36 73 cabang nilai buruk. Selanjutnya, setiap nilai pada atribut Pengalaman akan dicek apakah perlu dibuat subtree dilevel berikutnya atau tidak. Untuk nilai bagus ( pada kumpulan sample berupa SampleBuruk = [2+, 3-] ) terdapat 0 sample berarti SampleBagus kosong. Sehingga, perlu dibuat satu simpul daun (leaf node, simpul yang tidak punya anak dibawahnya). Dengan label yang paling sering muncul pada SampelBuruk, yaitu. Kemudian dilakukan pengecekan untuk atribut Pengalaman bernilai Cukup. Untuk nilai Cukup ( pada kumpulan sampel berupa SampelBuruk = [2+, 3-] ). Terdapat 3 sampel, berarti yakni Cukup tidak kosong. Sehingga perlu memanggil fungsi ID3 dengan kumpulan Sample berupa SampleCukup = [2+, 1-], AtributTarget = Diterima. Dan kumpulan Atribut = { nil.psikotes}. Rekursi level 2 iterasi ke-1 Memanggil fungsi ID3 dengan kumpulan Sample berupa SampleCukup = [2+, 1-] AtributTarget = Diterima, dan Kumpulan Atribut = {nil.psikotes}. karena kumpulan atribut hanya berisi satu atribut { yaitu nilai Psikotes }, maka atribut yang menjadi the best classifier adalah nilai Psikotes dan harus diletakkan sebagai simpul dibawah simpul Pengalaman pada cabang nilai Cukup. Selanjutnya setiap nilai pada atribut nilai Psikotes akan dicek apakah dibuat subtree dilevel berikutnya atau tidak. Untuk nilai Tinggi ( pada kumpulan berupa SampleCukup = [2+, 1-] ), terdapat 1 sampel, berarti SampleTinggi tidak kosong. Sehingga, perlu memanggil fungsi ID3 dengan kumpulan sample berupa SampleTinggi = [ 1+, 0-], AtributTarget = Diterima dan kumpulan atribut = {}.

37 74 Rekursi level 3 iterasi ke-1 Memanggil fungsi ID3 dengan kumpulan sample berupa SampleTinggi = [ 1+, 0-], AtributTarget = Diterima dan kumpulan atribut = { }. Karena semua sample pada SampleTinggi termasuk dalam kelas ya, maka fungsi ini akan berhenti dan mengembalikan satu simpul Root dengan label ya. Selanjutnya, proses akan kembali ke rekursi level 2 iterasi ke-2. Rekursi level 2 iterasi ke-2 Pengecekan atribut nilai Psikotes untuk nilai Tinggi sudah dilakukan pada rekursi level 2 iterasi ke-1. Selanjutnya, pengecekan dilakukan pada atribut nilai Psikotes untuk nilai Sedang, ternyata terdapat 1 sampel pada kumpulan sampel dimana psikotest bernilai Buruk dan Pengalaman bernilai Cukup. karena SampleSedang tidak kosong maka perlu memanggil fungsi ID3 dengan Kumpulan Sampel berupa SampleSedang = [ 1+, 0- ], AtributTarget = Diterima, dan KumpulanAtribut = {}. Rekursi level 3 iterasi ke-2 Memanggil fungsi ID3 dengan KumpulanSampel berupa SampleSedang = [ 1+, 0- ], AtributTarget = Diterima, dan KumpulanAtribut = {}. Karena sample pada SampleSedang termasuk kedalam kelas, fungsi ini akan berhenti dan mengembalikan satu simpul tunggal Root dengan label. Selanjutnya proses akan kembali pada rekursi level 2 iterasi ke-3.

38 75 Rekursi level 2 iterasi ke-3 Pada rekursi level 2 iterasi ke-1 dan ke-2, sudah dilakukan pengecekan atribut nilai Psikotes untuk nilai Tinggi dan Sedang. Selanjutnya, pengecekan dilakukan pada Atribut nil. Psikotes untuk nilai Rendah. Ternyata terdapat 1 sample pada KumpulanSample dimana Psikotest bernilai Buruk dan Pengalaman bernilai Cukup. karena SampleRendah tidak kosong, maka perlu memanggil fungsi ID3 dengan KumpulanSample berupa SampleRendah = [ 0+, 1-], AtributTarget = Diterima, dan KumpulanAtribut = {}. Rekursi level 3 iterasi ke-3 Memanggil fungsi ID3 dengan kumpulan Sample berupa SampleKurang = [ 0+, 1- ], AtributTarget = Diterima, dan kumpulan Atribut = {}. Karena semua sample pada SampleKurang termasuk dalam kelas, maka fungsi ini akan berhenti dan mengembalikan satu simpul tunggal root dengan label Rekursi level 1 iterasi ke-3 Pengecekan atribut Pengalaman untuk nilai Bagus dan Cukup yaitu pada rekursi level 1 iterasi ke-2. Selanjutnya pengecekan dilakukan pada atribut Pengalaman untuk nilai Kurang, ternyata terdapat 2 sample pada Kumpulan Sample dimana Wawancara bernilai Buruk dan Pengalaman bernilai Rendah. Karena sample rendah tidak kosong sehingga perlu memanggil fungsi ID3 dengan kumpulan sample berupa SampleRendah = [ 0+, 2- ], atribut target = Diterima, dan kumpulan atribut = {} Selanjutnya proses akan kembali ke rekursi level 2 iterasi ke-4.

39 76 Rekursi level 2 iterasi ke-4 Memanggil fungsi ID3 dengan kumpulan sample berupa SampleRendah = [ 0+, 2- ], atribut target = Diterima, dan kumpulan atribut = {Psikotes }. Karena semua sample pada SampleRendah termasuk kedalam kelas, maka fungsi ini akan berhenti dan mengembalikan satu simpul tunggal root dengan label Dilihat dari langkah-langkah diatas bahwa ID3 melakukan strategis pencarian yaitu dimulai dari pohon kosong, kemudian secara progresif berusaha menemukan sebuah pohon keputusan yang mampu mengklasifikasikan sampel - sampel data secara akurat tanpa kesalahan. III Pohon Keputusan Rekursi Level 0 iterasi ke - 1 Wawancara Baik Rekurasi Level 1 iterasi ke - 1 Wawancara Baik

40 77 Rekurasi Level 0 iterasi ke 2 Wawancara Baik Buruk Rekurasi Level 1 iterasi ke 2 Wawancara Baik Buruk Pengalaman Bagus Cukup

41 78 Rekurasi Level 2 iterasi ke 1 Wawancara Baik Buruk Pengalaman Bagus Cukup Psikotes Tinggi Rekurasi Level 3 iterasi ke 1 Wawancara Baik Buruk Pengalaman Bagus Cukup Psikotes Tinggi

42 79 Rekurasi Level 2 iterasi ke 2 Wawancara Baik Buruk Pengalaman Bagus Cukup Psikotes Tinggi Sedang Rekurasi Level 3 iterasi ke 2 Wawancara Baik Buruk Pengalaman Bagus Cukup Psikotes Tinggi Sedang

43 80 Rekurasi Level 2 iterasi ke 3 Wawancara Baik Buruk Pengalaman Bagus Cukup Psikotes Tinggi Sedang Rendah Rekurasi Level 3 iterasi ke 3 Wawancara Baik Buruk Pengalaman Bagus Cukup Psikotes Tinggi Sedang Rendah

44 81 Rekurasi Level 1 iterasi ke 3 Wawancara Baik Buruk Pengalaman Bagus Cukup Kurang Psikotes Tinggi Sedang Rendah Rekurasi Level 2 iterasi ke 4 Wawancara Baik Buruk Pengalaman Bagus Cukup Kurang Psikotes Tinggi Sedang Rendah Pohon keputusan akhir yang dihasilkan oleh fungsi ID3.