Sistem Pendukung Keputusan Penerimaan Pegawai dengan AlgoritmaSimple Additive Weighting danfuzzy Logic

Sistem Pendukung Keputusan Penerimaan Pegawai dengan AlgoritmaSimple Additive Weighting danFuzzy Logic

M.Rizki Fahrurrozi1), Tjatur Kandaga Gautama2) Jurusan S1 Teknik Informatika Fakultas Teknologi Informasi, Universitas Kristen Maranatha Jl. Prof. Drg. Surya Sumantri No. 65, Bandung 40164 email: [email protected]), [email protected])

Abstract Staff recruitment process for most organizations involves a lot of subjective judgements which leads to unappropriate decision making. Therefore we need a system to support decision making process by conducting more objective process and provide appropriate recommendations. Simple Additive Weighting (SAW) and Fuzzy Logic algorithms will be used to find out whether these algorithms suitableor could be used in decision support system for staff / employee recruitment. Both methods will encompass seven criterias in matching applicants data with job vacancy requirements, which are levels of education, education majors, age, work experiences, grade point average (GPA), gender and TOEFL score. Implemented application shows that Simple Additive Weighting and Fuzzy Logic algorithm give different scores for each applicants, but both give the same order of recommendation of preferred applicants. Keywords: Decsision Support System, Recommendation System, Job Vacancy, Simple Additive Weighting, Fuzzy Logic Algorithm.

1. PENDAHULUAN Proses penerimaan karyawan / pegawai seringkali merupakan proses yang banyak mengandung unsur subjektif. Hal ini salah satunya disebabkan karena kurangnya alat bantu atau metode yang dapat dijadikan patokan dasar untuk penilaian kecocokan antara kualifikasi yang dimiliki calon karyawan dengan spesifikasi keahlian yang dibutuhkan untuk suatu posisi / lowongan tertentu.

189

Jurnal Informatika, Vol. 9 No. 2, Desember 2013: 189 - 204

Salah satu alat yang umum dipakai yaitu psikotest. Psikotest cukup efektif untuk menilai karakter pribadi seseorang. Hasil psikotest dapat dijadikan salah satu parameter yang digunakan dalam proses seleksi karyawan baru. Parameterparameter yang biasa digunakan diantaranya: hasil psikotest, latar belakang pendidikan beserta indeks prestasinya, pengalaman kerja, usia, jenis kelamin, kemampuan komputer, kemampuan berbahasa asing, dan lain-lain. Proses melakukan penilaian kecocokan antara kualifikasi pelamar dengan spesifikasi lowongan / jabatan yang dibutuhkan perlu dibantu dengan sistem yang dapat membandingkan tingkat kecocokan untuk setiap parameter, dan menentukan pelamar mana yang lebih mendekati harapan. Penelitian ini mengambil studi kasus pada penerimaan karyawan khususnya guru di Stamford International School. Stamford International School terletak di kompleks Allegro Altura, Dago, Bandung. Stamford International School adalah sebuah sekolah yang mendasarkan kurikulum dan materi silabusnya dari University of Cambridge International Examination (CIE). Sekolah ini memiliki beberapa jenjang pendidikan yaitu diantaranya preschool department, primary department, secondary department, dan college department. Sistem pendukung keputusan yang dikembangkan diharapkandapat membantu untuk penerimaan guru baru, sehingga nantinya sistem yang akan merekomendasikan orang-orang yang cocok dengan posisi-posisi yang akan diisi/ditempati. Penelitian ini merupakan penelaahan lebih spesifik dari Tugas Akhir M. Rizki Fahrurrozi, yang berjudul Sistem Kepegawaian Stamford International School dengan Didukung Sistem Pendukung Keputusan Penerimaan Pegawai, yang merupakan sistem kepegawaian secara umum (Fahrurrozi, 2013). Penelitian ini lebih mengkhususkan diri pada pengembangan sistem pendukung keputusan dengan algoritma Simple Additive Weighting dan Fuzzy Logic. Tujuanpenelitian ini agar dapat membantu Stamford International School dalam mencari solusi menggunakan sistem pendukung keputusan yang akan membantu pihak sekolah dalam merekomendasikan calon guru terbaik. Aplikasi yang dikembangkan merupakan aplikasi berbasis desktop dan offline, yang akandioperasikan pada ruang lingkup jaringan internal sekolah. Aplikasi merupakan bagian dari sistem informasi kepegawaian yang mengelola informasi kehadiran, menyediakan informasi berita dan event bagi karyawan, dan menyediakan laporan-laporan dari seluruh karyawan.

190

Sistem Pendukung Keputusan Penerimaan Pegawai dengan AlgoritmaSimple Additive Weighting dan Fuzzy Logic (M.Rizki Fahrurrozi, Tjatur Kandaga Gautama)

2. LANDASAN TEORI

Berikut ini dasar teori yang menjadi landasan penelitian yang digunakan dalam menyusun karya ilmiah ini. 2.1 Simple Additive Weighting (SAW) Metode Simple Additive Weighting (SAW) sering disebut juga sebagai metode penjumlahan terbobot. Metoda ini banyak dipakai untuk menyelesaikan persoalan Multiple Attribute Decision Making.Konsep dasar metode SAW adalah mencaripenjumlahan terbobot dari rating kinerja pada setiapalternatif pada semua atribut [4].Metode ini mengharuskan pembuat keputusan menentukan bobot bagi setiap atribut/parameter. Metode SAW membutuhkan proses normalisasimatriks keputusan. Metode SAW memiliki 2 kriteria atribut,yaitu kriteria keuntungan (benefit) dan kriteria biaya (cost). Pada kriteria benefit, jika kriteria tersebut mempunyai nilai semakin besar kecocokannya maka semakin baik, sedangkan kriteria cost semakin kecil nilainya maka semakin baik [3]. Adapun langkah penyelesaian dalam menggunakan SAW adalah: 1. Menentukan alternatif pilihan, yaitu Ai. 2. Menentukan kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Cj. 3. Membagi kriteria tersebut kedalam kriteria benefit dan cost. 4. Memberikan nilai rating kecocokan setiap alternatif pada setiap kriteria. 5. Menentukan bobot preferensi atau tingkat kepentingan (W) setiap kriteria. 6. Melakukan proses normalisasi pada seluruh nilai rating. 7. Mencari nilai V dari tiap Ai dengan cara menjumlahkan seluruh perkalian (W) dengan nilai rating yang sudah di normalisasi. Rumus untuk melakukan normalisasi tersebutadalah seperti pada rumus (i).

191

Jurnal Informatika,, Vol. 9 No. 2, Desember 2013: 189 - 204

…………(i) dengan rijadalah rating kinerja ternormalisasi darialternatif Aipada atribut Cj dengan i=1,2,...,m dan j=1,2,...,n, dimana terdapat m alternatif dan n kriteria. Nilai preferensi untuk setiap alternatif (Vi) diberikan seperti rumus (ii), dengan nilai Vi yang lebih besar menunjukkan bahwa alternatif Ai terpilih sebagai sebaga solusi.

……………………………………………..(ii) Keterangan: Vi = rangking untuk setiap alternatif wj = nilai bobot dari setiap kriteria rij = nilai rating setelah ternormalisasi 2.2 Sistem Pengambilan Keputusan Menurut [1],, sistem pendukung keputusan (SPK) adalah bagian dari sistem informasi berbasis komputer termasuk sistem berbasis pengetahuan atau 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. Keuntungan ngan SPK adalah sebagai berikut: berikut 1. SPK memperluas kemampuan untuk pengambil keputusan dalam memproses data/informasi data/inf bagi pemakainya. 2. SPK dapat menghasilkan solusi dengan lebih cepat serta hasilnya dapat diandalkan. 3. SPK membantu pengambil keputusan dalam hal penghematan waktu yang dibutuhkan untuk memecahkan masalah terutama berbagai masalah yang sangat kompleks komplek dan tidak terstruktur. 4. Walaupun suatu SPK mungkin saja tidak mampu memecahkan masalah yang dihadapi oleh pengambil keputusan, namun dapat menjadi

192


stimulan bagi pengambil keputusan dalam memahami persoalannya. Karena SPK mampu menyajikan berbagai alternatif. 5. SPK dapat menyediakan bukti tambahan untuk memberikan pembenaran sehingga dapat memperkuat posisi pengambil keputusan. Keterbatasan SPK adalah sebagai berikut: 1. Ada beberapa kemampuan manajemen dan bakat manusia yang tidak dapat dimodelkan, sehingga model yang ada dalam sistem tidak semuanya mencerminkan persoalan sebenarnya. 2. Kemampuan suatu SPK terbatas padapembendaharaan pengetahuan yang dimilikinya (pengetahuan dasar serta model dasar). 3. Proses-proses yang dapat dilakukan oleh SPK biasanya tergantung pada kemampuan perangkat lunak yang digunakannya. 2.3 Fuzzy Logic Menurut [5] Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output, mempunyai nilai kontinyu. Fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama.Konsep logika fuzzy pertama sekali diperkenalkan oleh Professor Lotfi A.Zadeh dari Universitas California, pada bulan Juni 1965. Logika fuzzy merupakan generalisasi dari logika klasik yang hanya memiliki dua nilai kenaggotaan antara 0 ddan 1. Dalam logika fuzzy, nilai kebenaran suatu pernyataan berkisar dari sepenuhnya benar sampai sepenuhnya salah. Dengan teori himpunan fuzzy, suatu objek dapat menjadi anggota dari banyak himpunan dengan derajat keanggotaan yang berbeda dalam masing-masing himpunan. Konsep ini berbeda dengan teori himpunan klasik (crisp). Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Suatu nilai dapat bernilai benar dan salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotaan yang memiliki rentang nilai 0 hingga 1. Berbeda dengan himpunan tegas yang memiliki nilai 0 atau 1. Namun berapa besar keberadaan dan kesalahan suatu variabel tergantung pada bobot keanggotaan yang dimilikinya. Logika fuzzy digunakan untuk menerjemahkan suatu besaran yang diekspresikan menggunakan bahasa, misalkan besaran pusing yang diderita pasien yang diekspresikan dengan sedikit pusing, pusing, sangat pusing. Dan logika fuzzy menunjukkan mana suatu nilai itu benar dan sejauh mana suatu nilai itu salah. Tidak seperti logika klasik, suatu nilai hanya mempunyai 2 kemungkinan yang merupakan suatu anggota himpunan atau tidak.

193


Alasan menggunakan logika fuzzy antara lain yaitu: 1. 2. 3. 4. 5. 6. 7.

Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti. Logika fuzzy sangat fleksibel. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks. Logika fuzzy dapat membangun dan mengaplikasikan pengalamanpengalaman para pakar secara langsung tanpa harus melalui proses pelatihan. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendari secara konvensional Logika fuzzy didasrkan pada bahasa alami.

3. ANALISIS DAN DESAIN Sistem rekomendasi yang akan diterapkan menggunakan metode Simple Additive Weighting (SAW) dan algoritma Fuzzy Logic. Algoritma sistem rekomendasi yang dikembangkan pada aplikasi ini bersifat dinamis, sehingga pihak sekolah dapat melakukan pengaturan pemberian bobot terhadap atribut yang dijadikan parameter dalam sistem rekomendasi. Dalam model SAW, sistem nantinya akan mengeluarkan nilai matching poin. Dalam algoritmaFuzzy Logic, sistem nantinya akan mengeluarkan penilaian "baik", “cukup”, ”kurang” dalam beberapa parameter tertentu. Use case diagramnya seperti terlihat pada gambar 1. Pada tahap ini dilakukan pengujian metode SAW dan Fuzzy Logic untuk beberapa data pelamar (tabel 1), dan satu lowongan kerja (tabel 2). Tabel 1 Data Pelamar No

Jurusan

Strata

Umur

P1

T.Informat ika Sistem Informasi

Sarjana

23

Diploma

26

T.Elektro

Sarjana

32

P2 P3

194

Pengalaman Kerja Programmer(3 thn) Guru Komputer (2thn) -

IPK 3.25 2.75

3.00

Jenis Kelamin LakiLaki LakiLaki

Nilai Toefl 350

Perempu an

375

475


Tabel 2 Data Lowongan Kerja Lowongan Pekerjaan Guru Komputer

Jurusan

Strata

Umur

T.Informatika

Sarjana

24-28

Pengalaman Kerja Guru Komputer (2 thn)

IPK 3.00

Jenis Kelamin LakiLaki

Nilai Toefl 400

195


Gambar1 Diagram Use Case Sistem Informasi SDM

196


Pengujian dengan menggunakan metode SAW dilakukan dengan tujuh buah kriteria seperti terlihat pada tabel 3. Tabel 3 Kriteria pada SAW No 1 2 3 4 5 6 7

Kriteria C1 C2 C3 C4 C5 C6 C7

Keterangan Strata Jurusan Umur Pengalaman Kerja IPK Jenis Kelamin Nilai Toefl

Pengguna menetapkan nilai maksimum dan minimum dan bobot untuk setiap kriteria. Tabel 4 menunjukkan contoh pembobotan yang diberikan oleh pengguna. Tabel 4 Nilai dan BobotUntuk Setiap Kriteria Kriteria (Parameter) Nilai Maksimum Nilai Minimum Strata 20 7 Jurusan 20 7 Nilai TOEFL 10 IPK 15 Pengalaman Kerja 10 4 Umur 15 3 Jenis Kelamin 10 5 Total poin 100

Bobot 0.20 0.15 0.15 0.10 0.20 0.10 0.10 1

Langkah berikutnya adalah membandingkan antara data pelamar yang ada pada tabel 1 dengan data lowongan pekerjaan yang ada pada tabel 2menggunakan patokan bobot dari tabel 4. Sebagian besar kriteria akan masuk kategori benefit kecuali umur yang dapat dimasukkan sebagai cost, karena semakin tua umur pelamar semakin tidak menguntungkan, tetapi dalam hal ini umur tetap dimasukkan sebagai benefit tetapi dengan pemberian bobot yang terbalik, dimana umur yg lebih muda mendapatkan nilai yang lebih tinggi. Untuk mengoptimalkan hasil, maka penetapan rating untuk IPK dan nilai TOEFL menggunakan perhitungan. Untuk IPK jika jurusan pelamar sesuai dengan

197


jurusan lowongan pekerjaan, sistem akan membagi nilai IPK pelamar dengan IPK lowongan pekerjaan dengan rumus ((IPK pelamar/ IPK lowongan pekerjaan) * nilai maksimum), jika jurusan tidak sesuai maka sistem akan memberikan nilai 0. Untuk TOEFL sistem akan membagi nilai TOEFL pelamar dengan nilai TOEFL lowongan pekerjaan dengan rumus ((nilai TOEFL pelamar / nilai TOEFL lowongan pekerjaan) * nilai maksimum). Setelah membandingkan setiap kriteria akan mendapatkan nilai rating yang hasilnya dapat dilihat pada tabel 5.

Tabel 5 Hasil Pemberian Rating untuk Setiap Data Pelamar Pelamar (Altern atif) P1 P2 P3

Jurusan

Strata

Umur

Pengalaman Kerja

IPK

Jenis Kelamin

Nilai TOEFL

20 7 0

20 7 20

15 15 3

4 10 4

15 0 0

10 10 5

8.75 10 9.375

pelamar

untuk

Kemudian dilakukan proses normalisasi nilai rating setiapkriterianya: Jurusan [P1] = 20 / max{20;7;0} = 20/20 = 1 Jurusan [P2] = 7 / max{20;7;0} = 7/20 = 0.35 Jurusan [P3] = 0 / max{20;7;0} = 0/20 = 0 Strata [P1] = 20 / max{20;7;20} = 20/20 = 1 Strata [P2] = 7 / max{20;7;20} = 7/20 = 0.35 Strata [P3] = 20 / max{20;7;20} = 20/20 = 1 Umur [P1] = 15 / max{15;15;3} = 15/15 = 1 Umur [P2] = 15 / max{15;15;3} = 15/15 = 1 Umur [P3] = 3 / max{15;15;3} = 3/15 = 0.2 PengalamaKerja [P1] = 4 / max{4;10;4} = 4/10 = 0.4 PengalamaKerja [P2] = 10 / max{{4;10;4} = 10/10 = 1 PengalamaKerja [P3] = 4 / max{4;10;4} = 4/10 = 0.4 IPK [P1] = 15 / max{15;0;0} = 15/15 = 1 IPK [P2] = 0 / max{15;0;0} = 0/15 = 0 IPK [P3] = 0 / max{15;0;0} = 0/15 = 0

198


Jenis Kelamin [P1] = 15 / max{10;10;5}= 10/10 = 1 Jenis Kelamin [P2] = 0 / max{10;10;5} = 10/10 = 1 Jenis Kelamin [P3] = 0 / max{10;10;5} = 5/10 = 0.5 Nilai TOEFL [P1] = 8.75 / max{8.75;10;9.375}= 8.75/10 =0.875 Nilai TOEFL [P2] = 10 / max{8.75;10;9.375} = 10/10 = 1 Nilai TOEFL [P3] = 9.375 / max{8.75;10;9.375} = 9.375/10 = 0.9375 Terakhir dilakukan perhitungan nilai ranking V untuk setiap pelamar: V = wjurusan *rjurusan + wstrata * rstrata + wumur * rumur + wpengalamanKerja*rpengalamanKerja +wipk * ripk + wjenisKelamin + rjenisKelamin+ wTOEFL * rTOEFL V(P1) = 0.20 * 1 + 0.15 *1 + 0.15 * 1+ 0.10 * 0.4+ 0.20* 1+ 0.10* 1+ 0.10*0.875 = 0.927 V(P2)= 0.20 * 0.35 + 0.15 *0.35 + 0.15 *1 + 0.10 *1 + 0.20*0 + 0.10 *1+ 0.10 *1 = 0.5725 V(P3) = 0.20 * 0 + 0.15 *1+ 0.15 *0.2 + 0.10 *0.4 + 0.20 * 0 + 0.10 * 0.5 + 0.10 * 0.9375= 0.3648 Berdasarkan hasil akhir ranking poin, maka dapat direkomendasikan urutan kesesuaian pelamar terhadap lowongan kerja, yaitu P1,P2dan P3. Pengujian untukFuzzy Logicdilakukan dengan data pelamar (tabel 1) dan lowongan kerja (tabel 2) yang sama. Pengguna menetapkan bobot Fuzzy untuk setiap kriteria, contohnya seperti pada tabel 6.

Tabel 6 Bobot Fuzzy Kriteria IPK Toefl Umur(Tahun) Pengalaman(Tahun)

Bobot Bawah 2.5 320 24 1

Bobot Tengah 2.8 370 26 3

Bobot Atas 3.00 400 28 5

Langkah berikutnya adalah membandingkan antara data pelamar yang ada pada tabel1 dengan data lowongan pekerjaan yang ada pada tabel2menggunakan bobot fuzzy yang ada pada tabel 6. Contoh untuk IPK, jika jurusan pelamar seusai dengan data lowongan, sistem akan melakukan pengecekan data nilai ipk

199


pelamar ke dalam batas bobot bawah, bobot tengah dan bobot atas dan akan menghasilkan bilangan fuzzy 0-1 untuk derajat keangotaannya pada setiap hasil fuzzy. Karena tidak bersifat numerik, maka untuk data jenis kelamin, jurusan dan strata perhitungannya dilakukan dengan cara: 1. Jenis kelamin: jika jenis kelamin pelamar sesuai dengan jenis kelamin pada lowongan pekerjaan, sistem akan memberikan nilai 1, jika tidak sistem akan memberikan nilai 0.5. 2. Jurusan: jika jurusan pelamar sesuai dengan jurusan pada lowongan pekerjaan, sistem akan memberikan nilai 1, jika berbeda jurusan tetapi fakultas yang sama sistem akan memberikan nilai 0.5, jika fakultasnya berbeda maka jurusan akan memberikan nilai 0. 3. Strata: jika strata pelamar sesuai dengan strata pada lowongan pekerjaan, sistem akan memberikan nilai 1, jika berbeda sistem akan meberikan nilai 0. Contoh perhitungan menggunakan metode Fuzzy Logic untuk pelamar 1: =0 BobotBawahIpk (P1) BobotTengahpk (P1) =0 =1 BobotAtasIpk (P1) BobotBawahToefl (P1) = (BatasTengahTeofl Toefl(P1)) / (BatasTengahToefl-BatasBawahToefl) = ( 370 – 350) / (370 – 320) = 0,4 = (Toefl(P1) – BatasBawahTeofl) / BobotTengahToefl (P1) (BatasTengahToefl-BatasBawahToefl)= (350 – 320) / (370 – 320) = 0,6 BobotAtasToefl (P1) =0 =1 BobotBawahUmur (P1) BobotTengahUmur (P1) =0 =0 BobotAtasUmur (P1) BobotBawahPengalaman (P1) = 0 BobotTengahPengalaman (P1) = 0 BobotAtasPengalaman (P1) = 0 JenisKelamin (P1) =1 Strata (P1) =1 Jurusan (P1) =1 Hasil perhitungan untuk pelamar 1, pelamar 2, dan pelamar 3 dapat dilihat pada tabel 7 s/d tabel 9.

200


Tabel 7 Hasil P1 Bobot IPK Toefl Umur(Tahun) Pengalaman(Tahun) Jenis Kelamin Strata Jurusan

Bobot Bawah 0 0,4 1 0 1 1 1

Bobot Tengah 0 0,6 0 0

Bobot Atas 1 0 0 0

Tabel 8 Hasil P2 Bobot IPK Toefl Umur(Tahun) Pengalaman(Tahun) Jenis Kelamin Strata Jurusan

Bobot Bawah 0 0 0 0,5 1 0,5 0,5

Bobot Tengah 0 0 1 0,5

Bobot Atas

Bobot Tengah 0 0,83 0 0

Bobot Atas

0 1 0 0

Tabel 9 Hasil P3

Bobot IPK Toefl Umur(Tahun) Pengalaman(Tahun) Jenis Kelamin Strata Jurusan

Bobot Bawah 0 0 0 0 0,5 1 0

1 0,167 1 0

Untuk hasil terbaik dari setiap kriteria penilaian pada setiap pelamar, dilakukan perhitungan nilai Pelamar =bobotAtasIPK + bobotAtasToefl + bobotBawahUmur + bobotAtasPengalaman + JenisKelamin+ Strata + Jurusan, diperoleh: P1= 1 + 0 + 1+ 0 + 1+ 1 +1 =5

201


P2 = 0+1+0+0+1+0.5+0.5 =3 P3=0+0,167+ 0 +0 + 0.5+ 1 + 0 = 1.667 Berdasarkan hasil akhir perhitungan fuzzy, maka dapat direkomendasikan pelamar yang paling sesuai dengan lowongan pekerjaan, yaitu P1,P2dan P3.

4. HASIL PENELITIAN Pada bagian ini dibahas implementasi aplikasi yang dikembangkan sebagai bagian dari hasil penelitian. Gambar 2 merupakan halaman data pelamar yang betujuan untuk memasukkan data pelamar untuk sebuah lowongan pekerjaan tertentu. Pada halaman ini dapat mengisi field-field nama pelamar, alamat pelamar, telepon pelamar, upload field data diri, nilai toefl, email, date picker tanggal lahir, radiobutton jenis kelamin dan drop down list jenis pekerjaan. Pengguna juga bisa menambahkan data pendidikan,pengalaman kerja pada tab pendidikan dan pengalaman kerja.

Gambar 2 Halaman Utama Data Pelamar

202


Gambar 3 merupakan halaman utama bobot SAW yang bertujuan untuk menampilkan data bobot dari setiap lowongan kerja yang sudah ada di dalam database. Pengguna juga dapat menambahkan bobot dengan mengisi field – field yang ada. Pengguna juga dapat mengubah data bobot, menghapus data bobot, dan mencari data bobot.

Gambar 3 Halaman Bobot SAW Gambar 4 merupakan halaman bobot Fuzzy Logic yang bertujuan untuk menampilkan data bobot dari setiap lowongan kerja yang sudah ada di dalam database. Pengguna juga dapat menambahkan bobot dengan mengisi field – field yang ada. Pengguna juga dapat mengubah data bobot, menghapus data bobot, dan mencari data bobot.

203


Gambar 4 Halaman Bobot Fuzzy Logic

Pengujian pada aplikasi yang dihasilkan telah dilakukan untuk algoritma Simple Additive Weighting dan Fuzzy Logic,dan memberikan hasil yang sesuai dengan hasil analisis yang telah dilakukan.

5. SIMPULAN DAN SARAN Simpulan dari hasil analisis, perancangan dan aplikasi yang diimplementasikanadalah sebagai berikut: 1. Algoritma Simple Additive Weighting dan Fuzzy Logic berhasil digunakan untuk membangun sistem pendukung keputusan penerimaan pegawai yang dapat memberikan rekomendasi calon karyawan yang paling sesuai dengan lowongan kerja yang tersedia. 2. Pemrosesan dengan algoritma Simple Additive Weighting dan Fuzzy Logic pada contoh kasus yang diuji memberikan besaran hasil perhitungan yang berbeda, tetapi memberikan urutan rekomendasi calon pelamar yang sama, sesuai yang diharapkan. Kedua metode menggunakan proses dan cara perhitungan yang berbeda, tetapi secara umum memiliki prinsip yang sama

204


dimana untuk setiap kriteria jika kemiripannya lebih tinggi akan memberikan nilai yang lebih besar. 3. Proses normalisasi rating pada algoritma Simple Additive Weighting memungkinkan kita untuk membandingkan nilai-nilai dalam satu kriteria yang sama / intra kriteria maupun antar kriteria, karena nilai yang diberikan diubah menjadi nilai relatif terhadap nilai maksimum dari masing-masing kriteria. Saran untuk pengembangan penelitian lebih lanjut antara lain: 1. Analisis sederhana yang dilakukan belum dapat membedakan metode mana yang lebih baik diantara kedua metode yang digunakan, sehingga dibutuhkan penelitian lanjutan yang dapat mengidentifikasi metode mana yang lebih baik ketika hasil rekomendasi dari kedua metode berbeda. 2. Penetapan bobot untuk setiap kriteria pada algoritma Simple Additive Weighting maupun pada Fuzzy Logicyang dilakukan oleh user belum memiliki dasar acuan, sehingga dapat dilakukan penelitian untuk membantu user dalam menetapkan bobot yang sesuai. Jika perusahaan sudah memiliki banyak data karyawan beserta kinerjanya, dapat digunakan case based reasoning untuk membantu menetapkan bobot setiap kiteria, atau melakukan pengujian besarnya tingkat pengaruh setiap kriteria terhadap kinerja karyawan dengan menggunakan metode regresi pada statistika. 3. Jika untuk sebuah lowongan kerja perusahaan menerima lebih dari satu karyawan yang direkomendasikan sistem, maka setelah beberapa lama bekerja dapat dilakukan evaluasi untuk melihat apakah perbandingan kinerja masing-masing karyawan sesuai dengan rekomendasi awal, atau tidak.

DAFTAR PUSTAKA [1]

Basyaib, Fachmi (2006). Teori Pembuatan Keputusan., PT Grasindo.

[2]

Fahrurrozi, M. Rizki (2013). Sistem Kepegawaian Stamford International School dengan Didukung Sistem Pendukung Keputusan Penerimaan Pegawai. Tugas Akhir Jurusan S1 Teknik Informatika UK. Maranatha, 2014.

[3]

Fibriani, Charitas. (2010). Fuzzy Multiple Attribute Decision Making. Universitas Kristen Satya Wacana.

[4]

Fishburn, P.C. (1967). Methods of estimating additive utilities. Management Science, Vol. 13, No. 7.

[5]

Kusumadewi, S., Purnomo, H. (2004). Aplikasi Logika Fuzzy untuk Pendukung Keputusan., Graha Ilmu..

205

Sistem Pendukung Keputusan Penerimaan Pegawai dengan AlgoritmaSimple Additive Weighting danfuzzy Logic

Recommend Documents