BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI

Transkripsi

1 BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Penelitian mengenai sistem pengambilan keputusan dalam menentukan pegawai baru bukanlah hal yang baru pertama kali dilakukan. Banyak sekali penelitian-penelitian yang sudah dilakukan sebelumnya yang dilakukan dengan penerapan metode yang berbeda-beda. Sistem Pendukung Keputusan Penerimaan Pegawai Baru Pada Pt. Kanasritex Semarang. Penelitian ini dilakukan oleh Agustinus Tjahyono Widigdyo dan Anggara M (2010). Sistem Pendukung Keputusan (SPK) atau Decision Support System diharapkan dapat mempersingkat pelaksanaan sistem tersebut dengan hasil yang dapat dipercaya dan dipertanggungjawabkan. Sistem Pendukung Keputusan (SPK) dapat diterapkan dengan menggunakan alat bantu komputer sehingga dapat mengurangi kesalahan-kesalahan dalam melakukan evaluasi dan pengambilan keputusan. SPK juga dapat diharapkan melakukan proses pengevaluasian dalam waktu yang singkat. Pengambilan keputusan merupakan proses pemilihan alternatif tindakan untuk mencapai tujuan atau sasaran tertentu. Pengambilan keputusan dilakukan dengan pendekatan sistematis terhadap permasalahan melalui proses pengumpulan data menjadi informasi serta ditambah dengan faktor faktor yang perlu dipertimbangkan dalam pengambilan keputusan. Sistem Pendukung Keputusan Penerimaan Pegawai dengan Algoritma Simple Additive Weighting dan Fuzzy Logic. Penelitian ini dilakukan oleh M.Rizki Fahrurrozi dan Tjatur Kandaga Gautama (2013). Aplikasi yang dibuat menggunakan metode Algoritma Simple Additive Weighting (SAW) dan Fuzzy Logic untuk menentukan calon pegawai baru. Pemrosesan dengan algoritma Simple Additive Weighting (SAW) dan Fuzzy Logic pada contoh kasus yang diuji memberikan besaran hasil perhitungan yang berbeda, tetapi memberikan urutan rekomendasi calon pelamar yang sama sesuai dengan apa yang diharapkan. Kedua metode menggunakan proses dan cara perhitungan yang berbeda, tetapi secara umum memiliki prinsip yang sama dimana untuk setiap kriteria jika kemiripannya lebih tinggi akan memberikan nilai yang lebih besar. Sistem Pendukung Keputusan Penerimaan Pegawai Baru PT. PLN (Persero) Kantor Pusat Dengan Menggunakan Metode Simple Additive Weighting (SAW). Penelitian ini

2 dilakukan oleh Yasni Djamain dan Herlinda De Christin (2015). Sistem Pendukung Keputusan (SPK) yang diterapkan dibuat guna membantu membuat keputusan dalam penerimaan calon pegawai baru pada PT. PLN (Persero) Kantor Pusat berdasarkan hasil analisa sesuai dengan kriteria yang ditentukan. Model yang digunakan untuk sistem pendukung keputusan ini adalah model Multiple Attribute Decision Making (MADM) dengan metode Simple Additive Weighting (SAW). Metode ini dipilih karena metode ini menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perankingan yangakan menyeleksi alternatif terbaik. Penelitian dilakukan dengan mencari nilai bobot untuk setiap kriteria, dan kemudian membuat proses peringkat yang akan menentukan alternatif yang optimal adalah pelamar terbaik. Hasil dari aplikasi sistem pendukung keputusan ini adalah terpilihnya alternatif terbaik pelamar yang berhak diterima menjadi pegawai karena lulus seleksi secara terurut sesuai perankingan. Sistem Pendukung Keputusan Penerimaan Karyawan Pada Departemen Tertentu Di PT. PINDAD (PERSERO). Penelitian ini dilakukan oleh Wiwik Widiyasani. PT. Pindad (Persero) merupakan salah satu perusahaan badan usaha milik negara yang mengadakan penerimaan karyawan secara mandiri di lingkungan perusahaan. Pada penelitian ini akan diangkat suatu kasus yaitu mengadakan penerimaan karyawan dan penempatan karyawan pada departemen yang tersedia berdasarkan nilai hasil seleksi dan kriteria-kriteria yang telah ditentukan dengan menggunakan metode Fuzzy Logic. Metode ini dipilih karena mampu memberikan gambaran pendukung keputusan dalam penerimaan karyawan dan penempatan departemennya. Berdasarkan hasil pengujian, sistem yang dibangun dapat membantu bagian bidang administrasi dan keuangan untuk memberikan gambaran dalam melakukan penyeleksian penerimaan karyawan dan penempatan departemennya dengan lebih tepat dan efisien. Sistem Pendukung Keputusan Penerimaan Pegawai Dengan Metode Fuzzy MADM. Penelitian yang dilakukan oleh Denni Aldi Ramadhani dan Setia Astuti (2014). Dengan berhasilnya dibuat sistem pendukung keputusan penerimaan pegawai ini berarti membuktikan bahwa metode Fuzzy MADM yang diterapkan dalam system ini berhasil diimplementasikan dan telah dibuktikan pada saat tahap pengujian penelitian. Pengembangan ke depan dapat berupa penambahan fitur yang lebih lengkap, misalnya seperti fitur untuk grafik penerimaan pegawai dalam setiap periodenya, ditambahkan sistem pendukung keputusan lainnya yang

3 saling terintegrasidan diharapkan SPK ini dimasukkan ke dalam server kantor pusat, sehingga semua kantor cabang dapat menggunakannya. 2.2 Landasan Teori Karyawan Karyawan atau pegawai dapat diartikan sebagai setiap orang yang merupakan suatu bagian yang memberikan jasa kepada perusahaan ataupun organisasi yang membutuhkan jasa tenaga kerja, yang mana dari jasa tersebut, karyawan akan mendapatkan balas jasa berupa gaji dan kompensasi-kompensasi. Selain pengertian tersebut di atas, ada banyak sekali pengertian kata karyawan yang telah diutarakan oleh para ahli, seperti beberapa contohnya adalah sebagai berikut: Menurut subri (2002), karyawan merupakan setiap penduduk yang masuk ke dalam usia kerja (berusia di rentang 15 hingga 64 tahun), atau jumlah total seluruh penduduk yang ada pada sebuah negara yang memproduksi barang dan jasa jika ada permintaan akan tenaga yang mereka produksi, dan jika mereka mau berkecimpung/berpartisipasi dalam aktivitas itu. Menurut Hasibuan (2002), pengertian karyawan adalah setiap orang yang menyediakan jasa (baik dalam bentuk pikiran maupun dalam bentuk tenaga) dan mendapatkan balas jasa ataupun kompensasi yang besarannya telah ditentukan terlebih dahulu. Jika dikelompokkan berdasarkan statusnya, karyawan dalam perusahaan dapat dibagi menjadi dua jenis kelompok karyawan yaitu karyawan tetap dan karyawan tidak tetap. Karyawan tetap merupakan karyawan yang telah memiliki kontrak ataupun perjanjian kerja dengan perusahaan dalam jangka waktu yang tidak ditetapkan (permanent). Karyawan tetap biasanya cenderung memiliki hak yang jauh lebih besar dibandingkan dengan karyawan tidak tetap. Selain itu, karyawan tetap juga cenderung jauh lebih aman (dalam hal kepastian lapangan pekerjaan) dibandingkan dengan karyawan tidak tetap. Karyawan tidak tetap merupakan karyawan yang hanya dipekerjakan ketika perusahaan membutuhkan tenaga kerja tambahan saja. Karyawan tidak tetap biasanya dapat diberhentikan sewaktu-waktu oleh perusahaan ketika perusahaan sudah tidak membutuhkan tenaga tambahan lagi. Jika dibandingkan dengan karyawan tetap, karyawan tidak tetap cenderung memiliki hak yang jauh lebih sedikit dan juga cenderung sedikit tidak aman (dalam hal kepastian lapangan pekerjaan).

4 2.2.2 Sistem Menurut bahasa, sistem disebut sebut adalah gabungan kata yang berasal dari bahasa latin dan bahasa Yunani. Systema dan sustema ini kemudian dikenal luas sebagai sistem. Pengertian sistem secara umum adalah suatu paduan yang terdiri dari beberapa unsur yang tergabung satu sama lain agar mempermudah laju aliran informasi, energi ataupun materi hingga dapat mencapai tujuan tertentu. Sistem dapat dijumpai di dalam bidang ilmu apa pun karena menjadi cara menggambarkan interaksi suatu set entitas yang paling mudah. Termasuk membuat suatu model matematika yang rumit menjadi lebih sederhana. Tak hanya itu, sistem juga menjadi unsur perpaduan dari bagian- bagian yang terpisah agar saling berkaitan dan berhubungan dalam satu wilayah. Misalnya pada suatu negara agar suatu negara yang memiliki wilayah luas dapat terhubung dan menjadi kesatuan, dibutuhkan sistem negara. Menurut Notapozi (2009), sistem adalah satu himpunan komponen kerja yang saling berkaitan dan bekerjasama untuk mendapatkan alamat himpunan mereka. Sedangakan menurut Jogianto, sistem adalah gabungan dari berbagai elemen yang berhubungan dan berinteraksi untuk menyelesaikan tujuan tertentu. Sistem ini menggambarkan kejadian- kejadian dan kesatuan adalah obyek nyata. Misalnya, tempat, benda, dan orang -orang yang benar- benar ada dan nyata Sistem Penunjang Keputusan (SPK) Sistem pendukung keputusan atau dalam bahasa Inggris disebut decision support systems (DSS) adalah bagian dari sistem informasi berbasis komputer (termasuk sistem berbasis pengetahuan (manajemen pengetahuan)) yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan. Dapat juga dikatakan sebagai sistem komputer yang mengolah data menjadi informasi untuk mengambil keputusan dari masalah semi-terstruktur yang spesifik. Menurut Moore and Chang, Sistem Penunjang Keputusan (SPK) dapat digambarkan sebagai sistem yang berkemampuan mendukung analisis ad hoc data, dan pemodelan

5 keputusan, berorientasi keputusan, orientasi perencanaan masa depan, dan digunakan pada saat-saat tidak biasa. Tahapan SPK antara lain: definisi masalah, pengumpulan data atau elemen informasi yang relevan, pengolahan data menjadi informasi baik dalam bentuk laporan grafik maupun tulisan, dan menentukan alternatif-alternatif solusi (bisa dalam persentase). Sedangkan tujuan dari SPK yaitu: membantu menyelesaikan masalah semi-terstruktur, mendukung manajer dalam mengambil keputusan suatu masalah dan meningkatkan efektifitas bukan efisiensi pengambilan keputusan. Dalam pemrosesannya, SPK dapat menggunakan bantuan dari sistem lain seperti Artificial Intelligence, Expert Systems, Fuzzy Logic, dan lain-lain. Sistem Pendukung/Penunjang Keputusan (SPK) atau Decision Support System (DSS) adalah sebuah sistem yang mampu memberikan kemampuan pemecahan masalah maupun kemampuan pengkomunikasian untuk masalah dengan kondisi semi terstruktur dan tak terstruktur. Sistem ini digunakan untuk membantu pengambilan keputusan dalam situasi semi terstruktur dan situasi yang tidak terstruktur, dimana tak seorangpun tahu secara pasti bagaimana keputusan seharusnya dibuat (Turban, 2001) Kecerdasan Buatan (Artificial Intelligence) Dewasa ini kecerdasan buatan berkembang pesat melaju bersama kecepatan perkembangan teknologi komputer yang dari hari ke hari kian berkembang. Manusia selalu berupaya untuk memudahkan segala permasalahan yang dihadapi. Salah satunya membuat alat bantu untuk memudahkan pekerjaannya/memecahkan masalah yang dihadapi. Kecerdasan buatan dibuat agar komputer bisa berfikir layaknya manusia. Dan sistem pakarlah yang dirancang agar komputer menyelesaikan masalah layaknya seorang pakar yang ahli dalam bidangnya. Menurut McCarthy (1956), Artificial Intelligence (AI) adalah sebuah usaha yang bertujuan untuk mengetahui dan memodelkan proses-proses cara berpikir manusia dan mengimplementasikannya ke dalam sebuah mesin supaya mesin tersebut dapat menirukan perilaku manusia.

6 Kata cerdas berarti memiliki pengetahuan, pengalaman, penalaran (bagaimana mengambil sebuah keputusan dan tindakan) dan moral yang baik. Manusia cerdas menyelesaikan masalah karena manusia mempunyai pengetahuan dan pengalaman. Menurut Kusumadewi (2003), Kecerdasan Buatan merupakan salah satu bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia, bahkan bisa lebih baik daripada yang dilakukan manusia. Rich and Knight (1991) mendefinisikan Kecerdasan Buatan sebagai sebuah studi tentang bagaimana membuat komputer melakukan hal-hal yang dapat dilakukan lebih baik oleh manusia. Sementara ensiklopedi Britannica mendefinisikan Kecerdasan Buatan sebagai cabang dari ilmu komputer yang dalam representasi pengetahuan lebih banyak menggunakan bentuk simbol-simbol dari pada bilangan, dan memproses informasi berdasarkan metode heuristic atau dengan berdasarkankan sejumlah aturan. Ada tiga tujuan kecerdasan buatan yaitu : membuat komputer lebih cerdas, mengerti tentang kecerdasan, dan membuat mesin lebih berguna. Kecerdasan buatan berbeda dengan pemrograman konvensional. Pemrograman konvensional berbasis pada algoritma yang mendefinisikan setiap langkah dalam menyelesaikan masalah. Pemrograman konvensional dapat menggunakan rumus matematika atau prosedur sekuensial untuk menghasilkan solusi. Lain halnya dengan pemrograman dalam kecerdasan buatan yang berbasis pada representasi simbol dan manipulasi. Dalam kecerdaan buatan, sebuah simbol dapat berupa kalimat, kata atau angka yang digunakan untuk merepresentasikan obyek, proses dan hubungannya Naïve Bayes Classifier (NBC) Naïve Bayes Classifier (NBC) merupakan sebuah pengklasifikasi probabilitas sederhana yang mengaplikasikan Teorema Bayes dengan asumsi ketidak tergantungan (independent) yang tinggi. Keuntungan penggunan NBC adalah bahwa metode ini hanya membutuhkan jumlah data pelatihan (training data) yang kecil untuk menentukan estimasi parameter yang diperlukan dalam proses pengklasifikasian. Model Naïve Bayes Classifier Secara garis besar model NBC adalah sebagai berikut:

7 Persamaan 2.1 Model NBC Atau dengan kata lain persamaan diatas dapat digambarkan sebagai: Persamaan 2.2 Model Lain NBC Dalam penggunaannya dalam proses pengklasifikasian dokumen, maka model NBC dapat digambarkan sebagai berikut: Permasalahan: Mengklasifikasikan suatu dokumen berdasarkan isi atau kata-kata yang ada dalam dokumen tersebut. Sebagai contoh adalah apakah sebuah dokumen tersebut merupakan dokumen terkait bidang pendidikan atau tidak. Untuk itu, kita bayangkan bahwa sebuah dokumen-dokumen diambil dari suatu kelas dokumen (class of document) yang dapat dimodelkan sebagai sebuah himpunan kata-kata, dimana probabilitas (independen) bahwa suatu kata ke-i dalam suatu dokumen terdapat dalam sebuah dokumen yang berasal dari class C. Hal tersebut dapat digambarkan dengan: Persamaan 2.3 Class C (Atau untuk memudahkannya dapat kita asumsikan bahwa probabilitas suatu kata dalam suatu dokumen adalah independen terhadap ukuran suatu dokumen, atau dengan kata lain semua dokumen diasumsikan berukuran sama.) Selanjutnya probabilitas bahwa sebuah dokumen D, terhadap class C adalah: Berdasarkan aksioma probabilitas: Persamaan 2.4 Probabliliatas Dokumen D Persamaan 2.5 Aksioma Probabilitas D

8 Dan Persamaan 2.6 Aksioma Probabilitas C Selanjutnya Teorema Bayes digunakan untuk memanipulasi pernyataan probabilitas tersebut diatas menjadi sebuah terminologi likelihood / kemiripan: Persamaan 2.7 Terminologi Likehood Untuk menjawab permasalahan sebelumnya diatas, maka kita asumsikan bahwa hanya terdapat dua kelas, yaitu kelas Spam (S) dan Bukan Spam (~S). Dengan demikian model dapat digambarkan menjadi: Dan Persamaan 2.8 Kelas Spam S Persamaan 2.9 Kelas Spam ~S Dari Teorema Bayes tersebut diatas, dapat kita tuliskan menjadi: Persamaan 2.10 Model Teorema Bayes 1 Persamaan 2.10 Model Teorema Bayes 2 Dengan membagi satu dengan yang lainnya dapat kita gambarkan menjadi: Persamaan 2.11 Model Teorema Bayes Model tersebut dapat di-refactor-kan menjadi:

9 Persamaan 2.12 Refactor Teorema Bayes Akhirnya, rasio probabilitas dari p(s D) / p( S D) dapat diekspresikan dalam suatu terminologi series of likelihood-ratio / rasio kemiripan beruntun. Selanjutnya, probabilitas aktual dari p(s D) dapat dengan mudah dihitung melalui log (p(s D) / p( S D)), berdasarkan pernyataan bahwa p(s D) + p( S D) = 1. Dengan mengambil logaritma dari keseluruhan rasio tersebut, maka kita dapatkan: Persamaan 2.13 Logaritma Keseluruhan Rasio (tehnik menggunakan log likehood / kemiripan logariitma ini sangat umum digunakan digunakan dalam statistik). Akhirnya, dokumen dapat diklasifikasikan sebagai berikut: Dokumen tersebut merupakan Spam apabila : Persamaan 2.14 Dokumen Spam Dan sebaliknya apabila < 0, maka dokumen tersebut Bukan Spam Proses Pengambilan Keputusan Proses pengambilan keputusan dalam penelitian ini menggunakan model Simon (1960) yang mempunyai 4 tahap, yaitu: intelegensi, desain, pemilihan, dan implementasi. Dari 4 tahap proses pengambilan keputusan ini dapat diketahui bahwa dalam mengambil keputusan paling tidak ada 4 tahapan yang harus dilakukan sebelum pengambilan keputusan dilakukan. Pengambilan keputusan ini sangatlah penting dalam suatu manajemen, ini dikarenakan manajemen yang baiklah yang mampu bertanggung jawab atas setiap keputusan-keputusan yang telah ditetapkan oleh perusahaan atau organisasi, agar perusahaan atau organisasi tersebut mampu menjalankan proses dan fungsinya sesuai dengan tujuan awal perusahaan itu didirikan.

10 Sistem pendukung keputusan secara garis besar seorang pengambil keputusan dalam melakukan pengambilan keputusan melewati beberapa alur/ proses seperti ditunjukkan pada Gambar 2.1: Gambar 2.1 Proses Pengambilan Keputusan (Turban, 2005) Alur/proses pemilihan alternatif tindakan/keputusan biasanya terdiri dari langkahlangkah berikut: 1. Tahap Inteligensi. Suatu tahap proses seseorang dalam rangka pengambil keputusan. Pengumpulan informasi untuk mengindetifikasikan permasalahan yang terdiri dari data pelamar kerja. Data masukan diperoleh, diuji dalam rangka mengidentifikasi masalah. 2. Tahap Desain. Tahap proses pengambil keputusan setelah tahap intellegensi. Tahap perancangan solusi dalam bentuk alternative pemecahan masalah meliputi kriteria, nilai bobot, DFD, Flowchart, dan interface sistem. 3. Tahap Pemilihan. Tahap memilih dari solusi dari alternative yang disediakan. Pada tahap ini dilakukan proses pemilihan diantara berbagai alternatif tindakan yang mungkin dijalankan. Yaitu menggunakan metode Naïve Bayes Classifier (NBC) yang diimplementasikan dalam sebuah sistem dengan menggunakan bahasa pemrograman PHP. 4. Tahap Implementasi. Pada tahap ini analisis yang sudah dibuat akan diimplementtasi ke sebuah prototype sistem. Tahap melaksanakan keputusan dan melaporkan hasilnya.

11