Rancang Bangun Sistem Seleksi Penerimaan Calon Karyawan Baru Menggunakan Metode Iterative Dichotomizer Three dan Analytic Hierarchy Process

Transkripsi

1 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) Rancang Bangun Sistem Seleksi Penerimaan Calon Karyawan Baru Menggunakan Metode Iterative Dichotomizer Three dan Analytic Hierarchy Process Ananta Pratama Chrisna Putra, Siti Rochimah, dan Dwi Sunaryono Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya Indonesia siti@its-sby.edu Abstrak Proses seleksi calon karyawan merupakan salah satu bagian terpenting dalam jalannya sebuah perusahaan, salah satunya Perusahaan BUMN Pabrik Gula Pagottan PTPN XI. Sebuah perusahaan selalu mencari karyawan-karyawan yang unggul dan sesuai dengan kriteria kebutuhan perusahaan. Pihak HRD yang bertanggung jawab dalam proses perekrutan calon karyawan baru. Namun permasalahan yang ada yaitu sistem yang digunakan HRD dalam melakukan penilaian masih kurang standar. Selain itu, proses pembobotan nilai pun juga kurang seimbang. Hal ini disebabkan oleh tidak adanya metode penghitungan standar yang sistematis untuk menilai kelayakan calon karyawan. Guna menyelesaikan permasalahan tersebut, dibuatlah sebuah sistem informasi yang didukung dengan kecerdasan buatan. Kecerdasan buatan ini akan memberikan sebuah rekomendasi kelolosan calon karyawan, sekaligus memberi pembobotan secara sistematis. Algoritma yang digunakan untuk membentuk kecerdasan buatan adalah ID3 dan AHP. Algoritma ID3 digunakan pada tahap tes administrasi. Sedangkan Algoritma AHP digunakan pada tes psikotes dan teknis. Sistem informasi memberikan opini kedua yang membantu pemangku kepentingan di semua tahapan seleksi dalam memberikan penilaian dan keputusannya. Hal ini terbukti setelah dilakukan pengujian. Tingkat akurasi Algoritma ID3 sebesar 0,9896 dalam skala pengujian metode klasifikasi biner. Sedangkan tingkat akurasi Algoritma AHP sebesar 94% berdasarkan pembandingan hasil penghitungan sistem dengan data latih. Kata Kunci AHP, ID3. I. PENDAHULUAN Teknologi dunia bisnis berkembang sangat pesat saat ini. Pengambilan suatu keputusan merupakan salah satu faktor penting yang menentukan arah jalannya perusahaan di masa depan. Teknologi informasi saat ini yang tersedia telah banyak digunakan perusahaan untuk mengolah proses bisnisnya. Proses bisnis yang dilakukan antara lain mengumpulkan, meyimpan, dan memproses data untuk menghasilkan informasi. Informasi yang diperoleh ini kemudian dapat membantu perusahaan dalam melakukan perancangan strategi dan pengambilan suatu keputusan yang efektif secara komputerisasi. Salah satunya perusahaan BUMN (Badan Usaha Milik Negara) Pabrik Gula Pagottan PTPN (Perseroan Terbatas Perkebunan Nusantara) XI yang berlokasi di Desa Pagottan di Kabupaten Madiun. Perusahaan ini bergerak di bidang bisnis pembuatan bahan pangan berupa gula. Salah satu faktor terpenting dari perusahaan ini adalah karyawan. Memiliki karyawan yang berkualitas dan berkompeten membantu meningkatkan kinerja produksi perusahaan. Bagian yang bertanggung jawab dalam seleksi karyawan adalah HRD (Human Resources Department). HRD ini berperan penting dalam menentukan kinerja perusahaan. HRD harus melakukan seleksi calon karyawan baru sesuai standar yang dibutuhkan perusahaan di tiap periode perusahaan membutuhkan karyawan baru. Tujuannya mendapatkan karyawan yang berkualitas dan berkompeten. HRD harus cermat melihat semua potensi yang dimiliki calon karyawan dan tepat memilih calon karyawan yang cocok untuk bekerja di perusahaan. Permasalahan paling penting dalam seleksi calon karyawan saat ini, seringkali keputusan yang diambil bersifat subjektif dan berdasarkan perspektif dari tim penilai. Hal ini disebabkan oleh tidak adanya metode penghitungan standar yang sistematis untuk menilai kelayakan calon karyawan. Perlu dibuat sebuah SPK (Sistem Pendukung Keputusan) yang dapat membantu perusahaan untuk memberikan sebuah solusi, sebagai opini kedua dari sebuah permasalahan yang ada. Sistem ini dibangun menjadi sebuah SPK untuk membantu pihak HRD dalam pengambilan keputusan kelolosan calon karyawan. Algoritma yang digunakan yaitu ID3 (Iterative Dichotomizer Three) dan AHP (Analytic Hierarchy Process). Algoritma ID3 dipilih karena dapat menentukan nilai bobot dari setiap atribut penilai, yang dilanjutkan dengan menentukan seleksi alternatif terbaik dari banyak alternatif yang tersedia. Alternatif yang dimaksud adalah calon karyawan yang akan diterima berdasarkan kriteriakriteria yang telah ditentukan. Algoritma ID3 ini digunakan sebagai kecerdasan sistem untuk memberi rekomendasi di tahap tes administrasi. Algoritma AHP dipilih karena dapat menerima nilai bobot untuk atribut penilai, berdasarkan persepsi dari seorang ahli. Ahli yang dimaksud adalah psikolog dan karyawan bagian. Penilaian subjektif dari psikolog dan karyawan bagian dapat terukur secara kuantitatif. Hal ini dikarenakan, pembobotan atribut penilai telah ditentukan perusahaan untuk calon karyawan baru. Algoritma AHP ini digunakan sebagai kecerdasan sistem untuk memberi rekomendasi di tahap tes psikotes dan tes teknis. II. TINJAUAN PUSTAKA Bagian ini membahas tinjauan pustaka yang menjadi dasar dalam pembuatan aplikasi ini. Tinjauan pustaka membahas mengenai dasar teori kecerdasan yang

2 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) dimasukkan di dalam sistem. Pada bagian ini akan menjelaskan mengenai Algoritma ID3 dan Algoritma AHP. A. Algoritma ID3 Algoritma ID3 merupakan salah satu metode untuk klasifikasi menggunakan pohon keputusan. ID3 adalah suatu metode induksi aturan yang digunakan untuk menghasilkan konsep atau model dari suatu kumpulan data [1]. ID3 dapat menentukan nilai bobot dari setiap atribut yang bersifat kategorikal. bobot kemudian disusun ke sebuah pohon keputusan untuk menentukan alternatif terbaik dari berbagai alternatif yang ada. Pohon keputusan inilah yang nantinya akan menjadi aturan yang menentukan kelas untuk sampel yang terlibat. Membentuk pohon keputusan ID3 membutuhkan contoh kasus yang cukup untuk membedakan pola yang valid dari peluang suatu kejadian. Oleh karena itu, sebelum membentuk pohon keputusan, perlu dilakukan analisis dari data-data sebelumnya. Tugas Akhir ini menggunakan laporan penerimaan calon karyawan Pabrik Gula Kedawung PTPN XI tahun 2013 sebagai acuan pembuatan pohon keputusan. Proses cara penghitungan menggunakan Algoritma ID3 sebagai berikut. 1. Tentukan nilai entropi(s) Tujuan mencari nilai entropi dari semua sampel alternatif yang ada supaya mendapatkan nilai keseimbangan dari semua sampel alternatif. Proses ini melakukan pembandingan antara solusi positif dengan solusi negatif untuk memperoleh nilai yang seimbang dari kedua solusi tersebut. Cara untuk menentukan nilai entropi seperti pada persamaan (1). ( ) (1) S merupakan ruang sampel yang digunakan untuk data latih. pa merupakan jumlah yang bersolusi positif (mendukung) pada data sampel untuk kriteria tertentu. pb merupakan jumlah yang bersolusi negatif (tidak mendukung) pada data sampel untuk kriteria tertentu. Jika entropi(s) = 0, maka semua contoh pada S berada dalam kelas yang sama. Jika entropi(s) = 1, maka jumlah contoh positif dan contoh negatif dalam S adalah sama. Jika 0 < entropi(s) < 1, maka jumlah contoh positif dan negatif dalam S tidak sama. 2. Tentukan nilai Gain(S,A) Tujuan mencari nilai Gain yakni untuk menyusun prioritas atribut di pohon keputusan. Hasil prioritas atribut ini nantinya akan menjadi aturan dalam menentukan keputusan dari permasalahan yang ada. Tiap atribut dicari nilai information gain berdasarkan kriteria nilai kategorikal yang telah disediakan, misalnya baik, kurang, atau cukup. Bergantung pada asumsi penilaian yang telah ditentukan. Kemudian dicari nilai gain dari hasil penghitungan entropi dari semua atribut dengan nilai information gain yang diperoleh dari tiap nilai kategorikal, kemudian tiap atribut akan memiliki nilai gain masing-masing. Atribut yang memiliki nilai gain tertinggi akan menjadi akar dari pohon keputusan. Kemudian diteruskan dengan atribut selanjutnya yang menjadi urutan kedua hingga akhirnya semua atribut tersusun menjadi sebuah pohon keputusan, seperti pada persamaan (2). ( ) ( ) ( ) (2) A merupakan atribut. V merupakan nilai yang mungkin untuk atribut. Sv merupakan jumlah sampel untuk nilai V. S merupakan jumlah seluruh sampel data. entropi (Sv) merupakan entropi untuk sampel-sampel yang dimiliki nilai V. Diagram alir proses penghitungan menggunakan Algoritma ID3 diilustrasikan pada Gambar 1. entropi Mulai Menentukan nilai entropi information gain Menentukan nilai gain Gain Menentukan prioritas berdasarkan Gain Selesai information gain Gambar 1. Diagram Alir Algoritma Pohon Keputusan ID3 B. Algoritma AHP Algoritma AHP merupakan metode untuk memecahkan suatu situasi kompleks tidak terstruktur ke dalam beberapa komponen dalam susunan yang hirarkis, dengan memberi nilai subjektif tentang pentingnya setiap variabel secara relatif, dan menetapkan variabel yang memiliki prioritas paling tinggi guna mempengaruhi hasil pada situasi tersebut [2]. Algoritma AHP memperbolehkan memberi nilai bobot pada atribut-atribut penilainya sesuai dengan asumsi seorang ahli atau hasil survei yang telah dilakukan. Dari penghitungan AHP inilah nantinya akan dihasilkan nilai bobot baru untuk tiap atribut penilai yang diolah.

3 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) Langkah-langkah penghitungan menggunakan metode ini sebagai berikut. 1. Membuat matriks perbandingan berpasangan. 2. Memberikan penilaian terhadap atribut yang dibandingkan dalam matriks. Tiap atribut dibandingkan tingkat prioritasnya kemudian disusun di dalam matriks. 3. normalisasi matriks. Terdiri dari dua proses, yakni: a. menjumlahkan tiap baris matriks; dan b. tiap sel dibagikan dengan jumlah baris matriks berdasarkan nilai tiap barisnya. 4. Eigen Vector atau bobot. Terdiri dari dua proses, yakni: a. menjumlahkan tiap kolom pada matriks yang telah ternormalisasi; dan b. tiap sel dibagikan dengan jumlah kolom matriks berdasarkan nilai tiap kolomnya. 5. Eigen maksimal (λmaks). Caranya dengan menjumlahkan semua nilai atribut pada matriks perbandingan berpasangan yang telah dikalikan dengan nilai Eigen Vector atribut tersebut, seperti pada persamaan (3). 8. Menguji nilai Indeks Konsistensi. Jika nilai CR < 10%, maka ketidakkonsistenan masih bisa diterima, sedangkan jika CR > 10%, maka ketidakkonsistenan tidak bisa diterima dan perlu dilakukan pembobotan ulang. Diagram alir proses penghitungan menggunakan Algoritma AHP diilustrasikan pada Gambar 2. Jumlah nilai baris Jumlah nilai kolom Mulai Memasukkan nilai perbandingan pada matriks berpasangan jumlah nilai baris matriks normalisasi matriks berpasangan normalisasi matriks jumlah nilai kolom matriks (3) λmaks merupakan nilai Eigen Vector maksimal. α merupakan penjumlahan jumlah atribut dengan nilai Eigen Vector atribut. 6. Indeks Konsistensi (CI). Caranya dengan mengurangi nilai Eigen Vector maksimal dengan n sejumlah atribut yang terlibat dibagi dengan n sejumlah atribut yang terlibat dikurangi satu, seperti pada Persamaan 4. Tabel Rasio Indeks (RI) nilai Eigen Vector nilai Eigen Vector maksimum Indeks Konsistensi (CI) Rasio Konsistensi (CR) Eigen Vector CI >10% (4) CR CI merupakan nilai Indeks Konsistensi. λmaks merupakan nilai Eigen Vector maksimal. n merupakan jumlah atribut yang terlibat. 7. Rasio Konsistensi (CR). Caranya dengan membagi nilai Indeks Konsistensi dengan nilai Indeks Konsistensi Random (RI) sesuai dengan jumlah n atribut yang terlibat, seperti pada Persamaan 5. (5) CR merupakan nilai Rasio Konsistensi. CI merupakan nilai Indeksi Konsistensi. RI merupakan nilai berdasarkan Tabel Indeks Konsistensi Random. RI dapat dilihat di Tabel 1. Tabel 1. Tabel RI sesuai nilai n [3] n RI 0 0 0,58 0,9 1,12 N RI 1,24 1,32 1,41 1,45 1,49 n RI 1,51 1,48 1,56 1,57 1,59 <10% Selesai Gambar 2. Diagram Alir Algoritma Pembobotan AHP III. PENGUJIAN DAN EVALUASI Pengujian dilakukan untuk memperoleh nilai akurasi dari penggunaan algoritma untuk aplikasi ini. Caranya dengan membandingkan antara hasil penghitungan manual berdasarkan laporan penerimaan calon karyawan Pabrik Gula Kedawung PTPN XI tahun 2013 dengan hasil penghitungan di dalam sistem. Pada bagian akan dijelaskan hasil pengujian Algoritma ID3 dan Algoritma AHP. A. Hasil Pengujian Algoritma ID3 Pada bagian ini akan menjelaskan pengujian Algoritma ID3. Sebelumnya dilakukan penghitungan jumlah karyawan yang lolos dan tidak lolos berdasarkan hasil penghitungan manual dengan penghitungan sistem. Di dalam sistem, REKOMENDASI berarti LOLOS dan TIDAK DIREKOMENDASIKAN berarti GAGAL jika dibandingkan dengan data mentah hasil

4 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) penghitungan manual perusahaan Dari hasil penghitungan, didapatkan 145 calon karyawan DIREKOMENDASIKAN dan 47 calon karyawan TIDAK DIREKOMENDASIKAN. Sedangkan berdasarkan penghitungan manual dari laporan perusahaan, didapatkan 190 calon karyawan LOLOS dan 2 calon karyawan GAGAL. Hasil penghitungan tersebut kemudian diuji menggunakan metode klasifikasi biner untuk menghitung nilai akurasi. Klasifikasi biner merupakan metode mengklasifikasikan unsur-unsur himpunan menjadi dua kelompok berdasarkan aturan klasifikasi [4]. Persamaan akurasi di dalam metode klasifikasi biner dapat dilihat pada persamaan (6). (6) (akurasi) merupakan nilai akurasi perbandingan penghitungan manual dengan penghitungan sistem. true positives merupakan nilai positif dari sampel. true negatives merupakan nilai negatif dari sampel. Total population merupakan jumlah sampel. Dari data didapatkan nilai true positives adalah 145 dan nilai true negatives adalah 45. Berikut cara penghitungan nilai akurasi dapat dilihat pada Gambar nilai true positives + nilai true negatives Total population Gambar 3. Penghitungan akurasi Algoritma ID3 Dari penghitungan di atas, disimpulkan perbandingan kemampuan penghitungan sistem dengan penghitungan manual didapatkan nilai akurasi sebesar menggunakan metode klasifikasi biner. B. Hasil Pengujian Algoritma AHP Pada bagian ini akan menjelaskan pengujian Algoritma AHP. Pengujian menggunakan sampel 100 calon karyawan yang berada di peringkat 100 besar berdasarkan penghitungan sistem dan penghitungan manual. Kemudian dibandingkan seberapa banyak calon karyawan yang sama-sama berada pada peringkat 100 besar dari 2 metode penghitungan tersebut. Kemudian hasilnya dihitung nilai akurasi. Persamaan akurasi dapat dilihat pada persamaan (7). (akurasi) merupakan nilai akurasi perbandingan penghitungan manual dengan penghitungan sistem. jumlah sampel benar merupakan jumlah sampel yang benar. jumlah sampel jumlah semua sampel. Dari hasil penghitungan, didapatkan 6 calon karyawan yang berbeda antara penghitungan sistem (7) dengan penghitungan manual. Sehingga nilai Jumlah sampel benar adalah 94. Berikut cara penghitungan nilai akurasi dapat dilihat pada Gambar jumlah sampel benar x 100 Jumlah sampel 94 x Gambar 4. Penghitungan akurasi Algoritma AHP Dari penghitungan di atas, disimpulkan perbandingan kemampuan penghitungan sistem dengan penghitungan manual didapatkan nilai akurasi sebesar 94%. IV. KESIMPULAN DAN SARAN Dari hasil selama proses perancangan, implementasi, serta pengujian dapat diambil kesimpulan sebagai berikut. 1. Menerapkan Algoritma ID3 membantu memberikan rekomendasi yang cocok sesuai dengan syarat yang dibutuhkan perusahaan. Cara yang dilakukan dengan melakukan data latih pada laporan penerimaan calon karyawan Pabrik Gula Kedawung pada tahun Laporan ini memiliki terdiri dari 192 sampel, empat atribut, dan satu kelas yang dijadikan sebagai bahan data latih. Hasil data latih ini kemudian disusun menjadi sebuah pohon keputusan yang menjadi aturan rekomendasi kelolosan calon karyawan. Rekomendasi di dalam sistem disusun mengunakan kueri bersarang sesuai dengan hasil data latih. Berdasarkan hasil penghitungan menggunakan metode klasifikasi biner, akurasi yang didapatkan sebesar 0,9896. Penghitungan ini diperoleh dengan membandingkan hasil penghitungan rekomendasi di dalam sistem dengan hasil penghitungan manual dari laporan sebelumnya. 2. Menerapkan Algoritma AHP membantu dalam memberi pembobotan atribut penilai. Permasalahan sebelumnya adalah tidak adanya sistematika pemberian bobot pada atribut penilai. Pemberian nilai hanya berdasarkan asumsi penilai. Dari kebiasaan ini, dipilih Algoritma AHP untuk membantu dalam pemberian bobot. Algoritma AHP sangat mudah digunakan digunakan, karena cukup membandingkan prioritas kepentingan antar atribut penilaian. Kemudian diolah dan menghasilkan sebuah nilai bobot untuk tiap atribur penilai. Berdasarkan hasil penghitungan, akurasi yang didapatkan sebesar 94%. Penghitungan ini diperoleh dengan membandingkan hasil penghitungan perangkingan di dalam sistem dengan hasil penghitungan manual dari laporan sebelumnya. 3. Menerapkan Algoritma ID3 dan AHP membantu HRD dalam proses pemberian keputusan dan memberikan pembobotan yang sistematis. Kedua algoritma ini dimasukkan di dalam sistem sebagai pemberi rekomendasi dan pemberian peringkat. Kemudian keputusan kelolosan atau tidaknya tetap berdasarkan keputusan brainware. Brainware yang dimaksud adalah pemangku kepentingan di dalam sistem.

5 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) UCAPAN TERIMA KASIH Penulis Ananta Pratama, mengucapkan terima kasih kepada pihak HRD Pabrik Gula Pagottan XI PTPN XI yang telah membantu penulis dalam menyediakan data serta banyak membantu dalam menyelesaikan penelitian ini. DAFTAR PUSTAKA [1] Ninik Kristiyanti, "Sistem Pendukung Keputusan dengan Menggunakan Algoritma Iterative Dischotomizer," vol. 6 Nomor 1, [2] Wikipedia. (2014) Definisi AHP (Analytic Hierarchy Process). [Diakses 24 Desember 2013]. [3] (2014) Tabel RI pada AHP. [Online]. ahp.blogspot.com/2013/02/pengertian-analitycalhierarchy-process.html. [Diakses 10 Juni 2014]. [4] (2014, June) Binary Classification. [Online]. [Diakses 27 Juni 2014].