BAB III ANALISIS DAN DESAIN SISTEM

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

39

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

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.

41

Human recruitment

Calon Tenaga Kerja

(SDM)

Informasi lowongan kerja

Human Resourch Development

Pengajuan berkas lamaran kerja

Penerimaan berkas calon tenaga kerja

Hasil seleksi berkas calon tenaga kerja

Menentukan pelamar yang memenuhi syarat

Pelamar yang memenuhi syarat

Seleksi penerimaan berkas calon

tenaga kerja



Gambar III.2. FOD Sistem Perekrutan Calon Tenaga Kerja pada PT. Daeng Mas Inti Perkasa

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 2005.

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.

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

44

Adapun penjelasan Use Case Diagram diatas adalah sebagai berikut : Tabel III.1. Penjelasan Use Case Diagram Actor

Input

Use Case

Deskripsi Use Case Use Case ini berfungsi untuk melakukan

Login login sebelum mengakses isi dari sistem

Admin

Ganti

Use Case ini berfungsi untuk mengganti

Password

password lama.

Input Data Use Case ini berfungsi untuk melakukan Dan Pelamar

inputan data calon pelamar

User name User

Use Case ini berfungsi untuk penginputan dan

Input Nilai nilai calon pelamar

Password Use Case ini berfungsi untuk melihat hasil Hasil pelamar yang memenuhi syarat. Kelola

Use Case ini berfungsi untuk menambah,

User

menghapus dan mengedit data.

Proses

Use Case ini berfungsi untuk memproses

Nilai

nilai data pelamar.

Admin

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

45

penjelasan detail tiap - tiap kelas didalam model desain dari suatu sistem. Adapun class diagram yang diusulkan dapat dilihat pada gambar berikut ini :

<> Form_inputdatapelamar

<> Form_login +input_username () +input_password () +validasi () +selesai ()

<<entity>> Login_admin

+GetData ()

<> Form_utama

<<entity>> Login_user

+GetData ()

+input_data () +GetData () +selesai ()

+form_pass () +form_kelolaPemakai () +form_dsstree () +form_pelamar () +form_nilai ( +form_hasil () +GetData () +Selesai ()

<> Form_inputnilai

<> Form_hasil

+input_nilai () +GetData () +selesai ()

+GetData () +selesai ()

<> Form_kelolapemakai +input_username () +input_password () +input_status () +GetData () +selesai ()

<> Form_gantipassword

<> Form_dssTree

+input_password () +validasi () +selesai ()

+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 :

46

III.3.3.1. Sequence Diagram Login

Admin

Login

Database

Menu

Login Validasi Login

Username,password tidak valid

Hasil

Username Valid

Gambar III.5. Sequence Diagram Login

III.3.3.2. 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)

47

III.3.3.3. Sequence Diagram Kelola Pemakai

Database

Form_kelolapemakai

Database

Kelola data Simpan data kelola pemakai

Informasi

Gambar III.7. Sequence Diagram Kelola Pemakai

III.3.3.4. Sequence Diagram Data Pelamar

Form_inputdata pelamar

Admin

Database

Data pelamar Simpan data input data pelamar

Informasi

Gambar III.8. Sequence Diagram Data Pelamar

48

III.3.3.5. Sequence Diagram Penginputan Nilai

Form_inputdata

Admin

Database

Data penilaian Simpan data penilaian

Informasi

Gambar III.9. Sequence Diagram Penginputan Nilai

III.3.3.6. 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

49

III.3.3.7. 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.3.4.1. 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.

50

III.3.4.1.1. Desain Output Tampilan Halaman Utama

XXXXXX Admin Area

Input KodeData Pelamar Pelamar

Input Nilai

Hasil

Keluar

Kelola User Proses Nilai

[Gambar]

Gambar III.12. Desain Tampilan Form Utama

III.3.4.1.2. Desain Output Proses Nilai

xxxx Load Sample Hitung IG

Konversi Nilai Proses aturan Dss

Batal

Tutup

[Data] Informasi Perhitungan

Root Atribut

Root Entropy

Gambar III.13. Desain Proses Nilai

Root IG

51

III.3.4.1.3. Desain Output Tampilan Hasil xxxx Bulan

Tahun

Kode Pelamar

Nama Pelamar

Nilai Pengalaman

Cetak Nilai Psikotes

Pencarian

Nilai Wawancara

Diterima

Hapus

Tanggal

Tutup

Gambar III.14. Desain Tampilan Hasil

III.3.4.1.4. 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 …………………...2012 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.

52

III.3.5.1. Desain Input Pemakai (login) XXXXXX

Username Password Lama

Login

Tutup

Gambar III.16. Desain Input Pemakai (Login) III.3.5.2. Desain Input Data User (Ganti Password) XXXXXX

Username Password Lama

Password Baru Konfirmasi Password

Gambar III.17. Desain Input Data User (Ganti Password) III.3.5.3. Desain Input Kelola Pemakai (Pemakai Baru) XXXXXX

xxx

Username

Username

xxx Password

xxx Status

Password Status User Baru

Simpan

Edit

Update

Hapus

Batal

Tutup

Gambar III.18. Desain Input Kelola Pemakai (Pemakai Baru)

53

III.3.5.4. Desain Input Data Pelamar XXXXXX Kode Pelamar

Tanggal Lahir

Nama Pelamar

Alamat No. Telepon

Tempat Lahir

Keterangan Data Baru

Simpan

Edit

Update

Hapus

Batal

Tutup

Search Name

DATA

Gambar III.19. Desain Input Data Pelamar III.3.5.5. Desain Input Nilai XXXXXX Kode Pelamar

Pencarian Kode Nilai Nilai Nama Pelamar Pelamar Pengala Psikotes

Nama Pelamar

Nilai Wawanc

INPUT NILAI PELAMAR Nilai Pengalaman

DATA

Nilai Psikotes Nilai Wawancara

Nilai Baru

Tambah

Edit

Update

Hapus

Batal

Gambar III.20. Desain Input Nilai

Tutup

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.3.6.1. 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.3.6.2. 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

55

Nama Tabel

: tbl_hasil

Primary key

: kode_pelamar

Foreign key

:Tabel III.2. Hasil

Field Name

Type

Size

Description

kode_pel

Varchar

4

Primary key

Nama

Varchar

30

nil_pengalaman

int

nil_psikotes

int

nil_wawancara

int

Keterangan

varchar

Tgl

datetime

20

2. Tabel Nilai Tabel nilai berfungsi sebagai penginputan nilai calon tenaga kerja yang didapat dari beberapa test / pengujian terhadap calon tenaga kerja Database

: DSS

Nama Tabel

: tbl_nilai

Primary key

: kode_pelamar

Foreign key

:Tabel III.3. Nilai

Field Name

Type

Size

Description

kode_pel

Varchar

4

Primary key

56

Nama

Varchar

nil_pengalaman

int

nil_psikotes

int

nil_wawancara

int

30

3. Tabel Pelamar Tabel pelamar ini berfungsi sebagai penyimpanan data – data calon tenaga kerja. Database

: DSS

Nama Tabel

: tbl_pelamar

Primary key

: 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

int

Alamat

text

no_telp

varchar

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

: DSS

Nama Tabel

: tbl_catnilai

Primary key

: 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

10

5. Tabel Data Aturan Tabel data aturan berfungsi untuk membuat data rule menentukan target dari sebuah keputusan. Database

: DSS

Nama Tabel

: tbl_user

Primary key

: username

58

Foreign key

: Tabel III.6. Data Aturan

Field Name

Type

Size

Description

Kode_rule

varchar

20

Primary key

Aturan

varchar

20

6. Tabel User Tabel user berfungsi untuk penyimpanan data - data pengguna dengan membedakan hak akses terhadap penggunaan aplikasi. Database

: DSS

Nama Tabel

: tbl_user

Primary key

: username

Foreign key

: Tabel III.7. User

Field Name

Type

Size

Description

Username

varchar

20

Primary key

Password

varchar

20

Status

varchar

20

59

III.3.6.3. Entity Relational Diagram (ERD)

Tbl_Catnilai Kode_pelamar Nama pengalaman psikotes wawancara diterima Tanggal

Mengambil data

Mengambil data N

Tabel_Rule Kode_rule Aturan

N One two many

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 :

60

III.3.7.1. Activity Diagram Login

Login Username & Password tidak valid Username & Password valid Ya 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.3.7.2. Activity Diagram Data User (Ganti Password)

Input password lama Valid ? Tidak Ya Input password baru

konfirmasi password baru Valid ?

Tidak Ya

Simpan password

Gambar III.23. Activity Diagram Data User (Ganti Password)

61

III.3.7.3. Activity Diagram Kelola Pemakai Tidak

konfirmasi

Ya

Pilih Aksi

User

Ya

Input,Username,danStatus

Simpan Pengguna Tidak

Tidak Ubah

Ya

Pilih Username yang Akan Diubah

Ubah Password

Konfirmasi

Tidak Hapus

Ya

Pilih Username yang Akan Dihapus

Tidak

Konfirmasi Hapus Data

Ya

Hapus

Simpan

Update

Ya

Gambar III.24. Activity Diagram Kelola Pemakai

III.3.7.4. Activity Diagram Data Pelamar Tidak

konfirmasi

Ya

Pilih Aksi

Data Baru

Ya

Input Data

Simpan Data

Tidak Ubah

Ya

Pilih Data Pelamar yang akan diubah

Ubah Data

Tidak Hapus

Ya

Pilih Data Pelamar yang Akan Dihapus

Tidak

Hapus Data


Ya

Update

Ya

Gambar III.25. Activity Diagram Data Pelamar

Simpan

62

III.3.7.5. Activity Diagram Penginputan Nilai Tidak

konfirmasi

Ya

Pilih Aksi

Ya

Nilai

Input Kode

Input Nilai

Tidak Ya

Ubah

Pilih Data Pelamar yang akan diubah

Ubah Nilai

Tidak Hapus

Ya

Pilih Data Pelamar yang Akan Dihapus

Tidak

Hapus Data Nilai


Ya

Simpan

Ya

Gambar III.26. Activity Diagram Penginputan Nilai

III.3.7.6. 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

Simpan

63

III.3.7.7. Activity Diagram Hasil

Tampil Hasil

Gambar III.28. Activity Diagram Hasil

III.3.8. Metode Decision Tree III.3.8.1. 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.

64

B b

C

A

a

c

D d

Gambar III.29 Pohon (Tree)

III.3.8.2. 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)

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.3.8.3. 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 pInformation Gain

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 = 1.5 – 3.4

67

c. Kurang = 0 – 1.4 2. Psikotes : a. Tinggi = <=7.5 b. Sedang = 5.5 – 7.4 c. Rendah = 0 – 5.4 3. Wawancara : a. Baik = <=6.5 b. Buruk = 0 – 6.4 Tabel III.8. Tabel Parameter PESERTA P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11

PSIKOTES Tinggi Tinggi Tinggi Tinggi Sedang Sedang Sedang Sedang Rendah Rendah Rendah

PENGALAMAN Bagus Cukup Cukup Kurang Bagus Cukup Cukup Kurang Bagus Cukup Kurang

WAWANCARA Baik Baik Buruk Buruk Baik Baik Buruk Buruk Baik Buruk Baik

DITERIMA Ya Ya Ya Tidak Ya Ya Ya Tidak Ya Tidak Ya

III.3.9.1. 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

68

Dari tabel diatas misal atribut Diterima=‟ya‟ merupakan sampel (+), dan atribut Diterima=‟Tidak‟ 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

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) = 0,8454 – 0 – (5/11) 0,7219 – (3/11) 0,9183 = 0,8454 – 0,32814 – 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 ) = 0,8454 – 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

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‟ .

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

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) = 0,9710 – 0 – (3/5) 0,9183 – 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

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 „Tidak„. 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 = {}.

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 „Ya‟ , fungsi ini akan berhenti dan mengembalikan satu simpul tunggal Root dengan label „Ya‟. Selanjutnya proses akan kembali pada rekursi level 2 iterasi ke-3.

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 „Tidak‟, maka fungsi ini akan berhenti dan mengembalikan satu simpul tunggal root dengan label „Tidak‟ 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.

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 „Tidak‟ , maka fungsi ini akan berhenti dan mengembalikan satu simpul tunggal root dengan label „Tidak‟ 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.3.9.2. Pohon Keputusan Rekursi Level 0 iterasi ke - 1 Wawancara

Baik

Rekurasi Level 1 iterasi ke - 1 Wawancara

Baik

Ya

77

Rekurasi Level 0 iterasi ke – 2 Wawancara

Baik

Buruk

Ya


Baik

Buruk

Pengalaman Ya

Bagus

Tidak

Cukup

78


Baik

Buruk

Pengalaman Ya

Bagus

Cukup

Tidak

Psikotes

Tinggi


Baik

Buruk

Pengalaman Ya

Bagus

Tidak

Psikotes

Tinggi

Ya

Cukup

79


Baik

Buruk

Pengalaman

Bagus

Cukup

Tidak

Psikotes

Tinggi

Sedang

Ya


Baik

Buruk

Pengalaman Ya

Bagus

Tidak

Psikotes

Tinggi

Ya

Cukup

Sedang

Ya

80


Baik

Buruk

Pengalaman

Ya

Bagus

Cukup

Tidak

Psikotes

Tinggi

Ya

Sedang

Rendah

Ya


Baik

Buruk

Pengalaman Ya

Bagus

Tidak

Psikotes

Tinggi

Ya

Cukup

Sedang

Ya

Rendah

Tidak

81


Baik

Buruk

Pengalaman Ya

Bagus

Cukup

Tidak

Kurang

Psikotes

Tinggi

Ya

Sedang

Rendah

Ya

Tidak


Baik

Buruk

Pengalaman Ya

Bagus

Tidak

Kurang

Psikotes

Tinggi

Ya

Cukup

Sedang

Tidak

Rendah

Ya

Pohon keputusan akhir yang dihasilkan oleh fungsi ID3.

Tidak

BAB III ANALISIS DAN DESAIN SISTEM

Recommend Documents