perancangan sistem pendukung keputusan untuk penempatan...
TRANSCRIPT
1
Perancangan Sistem Pendukung Keputusan untuk Penempatan
Mahasiswa Magang pada Unit Kerja Divisi Information
Technology PT. XYZ Berbasis Web dengan Menggunakan
Algoritma Iterative Dichotomiser Three (ID3)
Artikel Ilmiah
Peneliti:
Kurniawan Eko Yulianto (672015121)
Pratyaksa Ocsa Nugraha Saian, S. Kom., M.T.
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
Maret 2019
2
3
4
5
6
7
Perancangan Sistem Pendukung Keputusan untuk Penempatan
Mahasiswa Magang pada Unit Kerja Divisi Information
Technology PT. XYZ Berbasis Web dengan Menggunakan
Algoritma Iterative Dichotomiser Three (ID3)
1Kurniawan Eko Yulianto, 2Pratyaksa Ocsa Nugraha Saian
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Jl. Diponegoro 52-60, Salatiga 50711, Indonesia
Email : 1) [email protected], 2) [email protected]
Abstract Process of placing student internships in the work unit of Information Technology
division's PT. XYZ is still done by making placement decisions directly by the recruitment
team. The results of making decisions directly have an impact on the mismatch between the
placement of work units and expertise mastered by students. This affects the performance
and work productivity of a company. This study designed a decision support system that
helped in the process making recommendations for placement of student internships in
work units using the Iterative Dichotomiser Three algorithm. The results of this study are
a web-based application design to determine the placement student internships in the work
unit of Information Technology division with the aim to minimizing mismatches between
the placement internships and the expertise possessed by students. 85% respondents stated
that this application was able to help the recruitment team in the process placement
students in the work unit of Information Technology division PT. XYZ.
Keywords : Internship, Decision Support System, ID3 Algorithm
Abstrak Proses penempatan mahasiswa magang pada unit kerja divisi Information
Technology PT. XYZ masih dilakukan dengan cara membuat keputusan penempatan
secara langsung oleh tim rekrutmen. Hasil dari membuat keputusan secara langsung
berdampak pada ketidaksesuaian antara penempatan unit kerja dengan keahlian yang
dikuasai mahasiswa. Hal tersebut mempengaruhi kinerja dan produktivitas kerja suatu
perusahaan. Penelitian ini merancang sistem pendukung keputusan yang membantu dalam
proses membuat rekomendasi penempatan mahasiswa magang pada unit kerja dengan
menggunakan algoritma Iterative Dichotomiser Three. Hasil dari penelitian ini adalah
rancangan aplikasi berbasis web untuk menentukan penempatan mahasiswa magang pada
unit kerja divisi Information Technology dengan tujuan untuk meminimalisir
ketidaksesuaian antara penempatan magang dengan keahlian yang dimiliki mahasiswa.
85% responden menyatakan bahwa aplikasi ini mampu membantu tim rekrutmen dalam
proses penempatan mahasiswa pada unit kerja divisi Information Technology PT. XYZ.
Kata kunci : Magang, Sistem Pendukung Keputusan, Algoritma ID3
1) Mahasiswa Program Studi Teknik Informatika Fakultas Teknologi Informasi, Universitas
Kristen Satya Wacana. 2) Staff Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana.
1
1. Pendahuluan
Magang (internship) merupakan salah satu proses yang harus ditempuh
oleh mahasiswa sebagai bentuk dari upaya mengenalkan mahasiswa pada
lingkungan kerja sesungguhnya. Magang dilakukan melalui praktek dan
implementasi keterampilan serta kemampuan yang diperoleh di bangku
perkuliahan dengan tujuan untuk meningkatkan ilmu dan pengalaman kerja.
PT. XYZ merupakan perusahaan yang bergerak dibidang perbankan
dimana perusahaan tersebut memiliki program magang (internship) dalam
usaha meningkatkan kualitas perusahaan dan sumber daya manusia. Salah satu
divisi pada PT. XYZ yang menampung peserta dari program tersebut yaitu
divisi Information Technology (IT). Divisi IT terdiri dari lima unit kerja yaitu
Application, API, Networking, Database, dan Scrum. Usaha penempatan
mahasiswa magang pada unit kerja divisi Information Technology masih
dilakukan dengan cara membuat keputusan penempatan secara langsung oleh
tim rekrutmen. Membuat keputusan penempatan mahasiswa pada unit kerja
divisi secara langsung tentu saja akan mengurangi keakuratan data yang
dihasilkan. Kurangnya tingkat keakuratan data mengakibatkan ketidaksesuaian
antara penempatan mahasiswa magang pada unit kerja divisi dengan keahlian
yang dikuasai mahasiswa. Penempatan sumber daya manusia yang kurang
tepat pada suatu divisi akan mempengaruhi kinerja atau produktivitas kerja
suatu perusahaan [1].
Dalam usaha peningkatan produktivitas perusahaan salah satu hal penting
yang harus diperhatikan adalah mengenai penempatan sumber daya manusia
yang sesuai dengan keahlian, minat, dan didasarkan pada job description serta
job specification. Hal tersebut akan mempengaruhi perusahaan dalam
peningkatan produktivitas kerja karena memiliki sumber daya manusia yang
berkualitas [2].
Perkembangan teknologi yang sangat pesat dapat memungkinkan untuk
dimanfaatkan dalam berbagai bidang, di antaranya dimanfaatkan untuk
membuat suatu keputusan sesuai dengan kebutuhan secara cepat dan tepat.
Salah satu model yang dapat digunakan dalam klasifikasi untuk menghasilkan
rekomendasi keputusan penempatan mahasiswa magang pada unit kerja divisi
Information Technology adalah model Decision Tree. Model tersebut
menggambarkan dan membedakan beberapa kelas data sehingga dari
klasifikasi tersebut dapat menghasilkan prediksi kelas objek [3].
Bersumber dari permasalahan tersebut, diperlukan sistem pendukung
keputusan untuk membantu proses penempatan mahasiswa magang pada unit
kerja divisi Information Technology PT. XYZ. Sistem tersebut dirancang
dengan menerapkan metode Decision Tree untuk menghasilkan rekomendasi
penempatan unit kerja sesuai dengan keahlian yang dikuasai mahasiswa.
Sistem ini dirancang berbasis web menggunakan bahasa pemrograman
Hypertext Preprocessor (PHP). Sistem berbasis web dimaksudkan agar dapat
mempermudah tim rekrutmen dalam melakukan rangkaian proses penempatan
mahasiswa magang. Ciri web yang dapat diakses melalui web browser
memungkinkan untuk dioperasikan menggunakan device dan platform yang
berbeda-beda.
2
2. Tinjauan Pustaka
Menurut penelitian yang dilakukan oleh Wijaya dan Azhari dengan judul
Sistem Pendukung Keputusan Penempatan Praktek Kerja Lapangan untuk
Mahasiswa dengan Menggunakan Metode Profile Matching membahas
tentang pencarian yang dilakukan untuk mencari profil mahasiswa yang
memiliki nilai profil sedekat mungkin dengan nilai profil yang diinginkan oleh
perusahaan atau instansi tempat praktek kerja lapangan [4].
Menurut penelitian yang dilakukan oleh Darwas dan Aris yang berjudul
Sistem Pendukung Keputusan Berbasis Web untuk Menentukan Penempatan
Karyawan dengan Menggunakan Metode Profile Matching membahas tentang
Perancangan Sistem Pendukung Keputusan yang dilakukan dengan
membandingkan antara nilai target yang harus dicapai karyawan dengan nilai
yang dimiliki berdasarkan potensi, sehingga menghasilkan selisih antara
perbandingan kedua nilai [5].
Menurut penelitian yang dilakukan oleh Setiawati dan Gunawan dengan
judul Sistem Pendukung Keputusan Penempatan Karyawan Berdasarkan Test
Dominant-Influence-Steady-Compliance (DISC) Menggunakan Metode
Profile Matching mengkaji tentang proses penempatan karyawan berdasarkan
Test Dominant-Influence-Steady-Compliance (DISC) menggunakan metode
Profile Matching dilakukan dengan cara membuat suatu perangkaian yang
merupakan perolehan dari perhitungan dengan metode profile matching pada
hasil tes DISC sebagai kriteria pendukung. Kriteria-kriteria dari aspek tes DISC
yaitu current style, pressure style, self style, juga aspek lainnya seperti
pendidikan, keterampilan komputer [6].
Menurut Penelitian yang dilakukan oleh Sari yang berjudul Sistem
Pendukung Keputusan Penempatan Tenaga Kerja Indonesia Dengan
Menggunakan Metode Simple Additive Weighting membahas tentang
perancangan sistem pendukung keputusan untuk penempatan tenaga kerja
Indonesia dengan menggunakan metode Simple Additive Weighting untuk
menyeleksi alternatif terbaik dari sejumlah alternatif yang ada, alternatif dalam
penelitian ini merupakan seseorang yang berhak menerima penempatan berdasarkan kriteria-kriteria yang telah ditentukan [7].
2.1. Sistem Pendukung Keputusan
Sistem pendukung keputusan atau Decision Support System (DSS)
merupakan sistem informasi interaktif yang menyediakan informasi,
pemodelan, dan memanipulasi data. Sistem itu digunakan untuk membantu
pengambilan keputusan dan situasi yang semiterstruktur dan situasi yang tidak
terstruktur, dimana tak seorang pun tahu secara pasti bagaimana keputusan
seharusnya dibuat [8].
Sistem pendukung keputusan merupakan bagian dari pengembangan
Sistem Informasi Manajemen terkomputerisasi yang dirancang sedemikian
rupa sehingga sistem tersebut interaktif terhadap setiap pemakai sistem dengan
tujuan untuk mempermudah integrasi antara berbagai komponen dalam proses
pengambilan keputusan seperti prosedur, kebijakan, analisis, pengalaman dan
wawasan manajer untuk mengambil keputusan yang lebih baik [9].
3
DSS biasanya digunakan untuk mendukung solusi atau suatu masalah atau
untuk mengevaluasi suatu peluang. Aplikasi DSS digunakan dalam
pengambilan keputusan. Aplikasi DSS menggunakan Computer Based
Information System (CBIS) yang fleksibel, interaktif, dan dapat di adaptasi,
yang dikembangkan untuk mendukung solusi atau maslah manajemen spesifik
yang tidak terstruktur [10].
2.2. Iterative Dichotomiser Three
Algoritma Interactive Dichotomiser Three merupakan algoritma yang
diperkenalkan pertama kali oleh Quinlan pada tahun 1979 dan dikembangkan
atas dasar sistem pembelajaran konsep (Concept Learning System) dari Hunt
et al. Tujuan dari sistem pembelajaran konsep adalah untuk menghasilkan
suatu pohon aturan yang mampu mengklasifikasi suatu objek. Dalam
mempresentasikan konsep-konsep algoritma ID3 membentuk pohon
keputusan, di mana aturan-aturan yang dihasilkan mempunyai relasi hirakis
seperti pohon [11].
Algoritma Iterative Dichotomiser Three menghitung training data sets
dengan menggunakan rumus pencarian nilai dari suatu entropy, yaitu ukuran
rata-rata bit yang dibutuhkan untuk mendapatkan suatu kelas positif atau
negatif dari suatu pernyataan yang memiliki nilai ketidakpastian dengan
berdasarkan pada variabel acak jumlah sampel dan information gain, yaitu
salah satu attribute selection measure yang digunakan untuk memilih test
attribute tiap simpul pada Tree [12]. Secara matematis, Algoritma Iterative
Dichotomiser Three memiliki persamaan sebagai berikut:
𝑬𝒏𝒕𝒓𝒐𝒑𝒚 (𝐒) = −𝑷𝒂 𝒍𝒐𝒈𝟐 𝑷𝒂 − 𝑷𝒃 𝒍𝒐𝒈𝟐 𝑷𝒃
Keterangan:
S : Ruang / data sampel yang digunakan dalam percobaan.
𝑃𝑎 : Jumlah yang memiliki solusi positif pada data sampel untuk
kriteria tertentu.
𝑃𝑏 : Jumlah yang memiliki solusi negatif pada data sampel untuk
kriteria tertentu.
𝑮𝒂𝒊𝒏 (𝐒, 𝐀) = 𝑬𝒏𝒕𝒓𝒐𝒑𝒚 (𝐒) – 𝐒 𝑬𝒏𝒕𝒓𝒐𝒑𝒚 (𝐒𝐯)
Keterangan:
A : Atribut.
V : Menyatakan suatu nilai yang mungkin untuk atribut A.
| Sv | : Jumlah seluruh data sampel untuk nilai V.
| S | : Jumlah seluruh data sampel.
𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (Sv) : Entropy sampel yang memiliki nilai V.
Nilai (A) : Himpunan yang mungkin untuk atribut A.
2.3. Hypertext Preprocessor
Hypertext Preprocessor atau biasa disebut dengan PHP merupakan bahasa
pemrograman yang digunakan untuk membuat aplikasi berbasis website. PHP
bersifat open source, dalam pengaplikasiannya, script PHP terintegrasi dengan
Hypertext Markup Language (HTML) dan berada pada server (server side
HTML embedded scripting). PHP banyak digunakan untuk membuat halaman
website yang bersifat dinamis yaitu halaman web yang akan ditampilkan saat
halaman tersebut diminta oleh client [13].
4
Secara mendasar PHP dapat mengerjakan seluruh proses yang dapat
dikerjakan program Common Gateway Interface (CGI). CGI merupakan detail
standar modul yang ditambahkan kepada server sebuah web dengan tujuan
supaya server web memiliki kemampuan untuk dapat memberikan layanan
secara interaktif atau tidak hanya sekedar melayani permintaan dokumen web
HTML saja [14].
PHP telah dikembangkan menjadi bahasa pemrograman script yang dapat
dioperasikan pada sistem operasi secara langsung dengan kata lain bahasa
pemrograman PHP dapat digunakan untuk membuat aplikasi desktop. Istilah
untuk PHP yang dapat dieksekusi dari sistem operasi adalah PHP Command
Line Interface (CLI) [14].
3. Metode Penelitian
Tahap atau langkah yang digunakan dalam perancangan sistem pendukung
keputusan ini dengan menggunakan metode Research and Development.
Metode penelitian ini terbagi dalam sepuluh tahap, yaitu: (1) Penelitian dan
pengumpulan data, (2) Perencanaan, (3) Pengembangan draf produk, (4) Uji
coba awal (5) Revisi hasil uji coba (6) Uji coba lanjutan (7) Penyempurnaan
produk (8) Uji pelaksanaan lapangan (9) Penyempurnaan produk akhir (10)
Diseminasi [15].
Gambar 1 Tahapan Penelitian Research and Development
Tahapan penelitian dijelaskan sebagai berikut. (1) Penelitian dan
pengumpulan data: pada tahap ini dilakukan proses penelitian terhadap
masalah yang terdapat dalam proses penempatan mahasiswa pada divisi serta
melakukan pengumpulan data mahasiswa magang; (2) Perencanaan: dilakukan
perencanaan proses bisnis pada aplikasi sistem pendukung keputusan; (3)
Pengembangan draf produk: produk dalam bentuk website yang dikembangkan
dengan bahasa pemrograman PHP dan memanfaatkan framework Codeigniter;
(4) Uji coba awal: tahap ini dilakukan uji coba website untuk mengetahui
tingkat kesesuaian sistem yang dirancang dengan metode Iterative
Dichotomiser Three (ID3); (5) Uji pelaksanaan lapangan: melakukan uji coba
sistem secara langsung dalam proses penempatan mahasiswa magang pada unit
kerja divisi Information Technology PT. XYZ; (6) Penyempurnaan produk:
melakukan perbaikan sistem dengan berdasarkan hasil uji coba awal; (7) Uji
coba lanjutan: melakukan uji coba lanjutan pada sistem pendukung keputusan
yang dibuat untuk melakukan pemeriksaan terhadap tingkat kesesuaian sistem
5
dengan metode yang digunakan; (8) Revisi hasil uji coba: melakukan perbaikan
terhadap tingkat kesesuaian sistem dengan metode yang digunakan; (9)
Penyempurnaan produk akhir: melakukan perbaikan sistem tahap akhir
berdasarkan saran dalam uji coba; (10) Diseminasi: melaporkan dan
menyebarluaskan hasil akhir dari produk melalui jurnal ilmiah.
Gambar 2 Use Case Diagram Sistem Pendukung Keputusan
Gambar 2 merupakan Use Case diagram Sistem Pendukung Keputusan
Penempatan Mahasiswa Magang pada Unit Kerja Divisi Information
Technology, pada Use Case di atas menjelaskan tentang aktivitas fungsional
masing-masing pihak yang mengakses aplikasi yakni admin, kepala biro, dan
mahasiswa. Dalam sistem pendukung keputusan ini admin dapat mengelola
data universitas meliputi fungsi tambah, edit, dan hapus data universitas. Admin
dapat mengelola data mahasiswa meliputi tambah, edit, hapus data mahasiswa.
Admin juga dapat mengelola data admin meliputi tambah dan edit data. Admin
mengelola data kabiro meliputi tambah, edit, dan hapus data. Admin juga dapat
mengelola data penempatan mahasiswa pada unit kerja divisi meliputi tambah,
edit, dan hapus data. Sedangkan kepala biro dan mahasiswa dapat melihat data
mahasiswa, data universitas, dan data penempatan mahasiswa.
Update
Create
View
View
Create
Update
Delete
Mengelola Admin
<<extend>>
<<extend>>
<<extend>>
Mengelola Kabiro
<<extend>>
<<extend>>
<<extend>>
<<extend>>
Update
Create
Delete
Update
Create
Delete
Admin
Update
Create
Delete
Megelola Penempatan Div isi
<<extend>>
<<extend>>
<<extend>>
Mengelola Univ ersitas
<<extend>>
<<extend>>
<<extend>>
Mengelola Data Mahasiswa
<<include>><<extend>>
<<extend>>
Enter Password Enter Username
View
<<extend>>
View
<<extend>>
View <<extend>>
Login
<<include>> <<include>>
Kepala Biro
Memeriksa Hasil Penempatan
Mahasiswa
6
Gambar 3 Activity Diagram Penempatan
Gambar 3 merupakan activity diagram tentang proses penempatan
mahasiswa pada unit kerja divisi Information Technology yang dilakukan oleh
admin. Proses pertama kali yakni admin melakukan login terlebih dahulu,
sistem akan mengambil data dari database dan melakukan pengecekan pada
id dan password, jika id dan password tidak sesuai maka akan kembali ke
halaman login, jika id dan password sesuai maka proses selanjutnya yaitu
admin melakukan input data mahasiswa setelah itu admin memberikan
penilaian kepada mahasiswa kemudian sistem akan melakukan proses ID3 dan
akan memasukkan data hasil rekomendasi ke database, jika proses penempatan
telah selesai maka sistem akan menampilkan data penempatan mahasiswa.
Gambar 4 Sequence Diagram Penempatan
Gambar 4 merupakan Sequence Diagram data penempatan mahasiswa
menerangkan proses bagaimana admin mendata penempatan mahasiswa pada
divisi. Hal yang dilakukan yakni input data penempatan mahasiswa, controller
berfungsi untuk menyimpan record data penempatan dan mengambil fungsi
untuk menyimpan hasil record ke dalam database.
: Admin : Admin
: PenempatanUI : PenempatanUI : Penempatan_Controller : Penempatan_Controller : Penempatan_Entity : Penempatan_Entity
Input data penempatan
Save data penempatan
Add data penempatan
Return done
Return done
Ambil data ID dan
password
Start
Mengisi ID dan
password
Menginput data
mahasiswa
Memberikan penilaian
mahasiswa
Meminta data ID dan
password dari Database
Mengecek ID dan
password
Proses
ID3
Insert data rekomendasi
penempatan
Menampilkan data penempatan
mahasiswa
End
Simpan data rekomendasi
penempatan
Salah
Benar
DatabaseSystemAdmin
7
4. Pembahasan dan Hasil Pengujian
Penentuan kriteria penilaian pada masing-masing atribut pendukung
merupakan prosedur yang harus dilakukan pertama kali dalam pembahasan
aplikasi. Kriteria penilaian yang digunakan dalam masalah ini dapat dilihat
pada Tabel 1. Tabel 1 Tabel Kriteria Penerimaan Mahasiswa Magang pada Divisi
Atribut Value Keterangan
IPK Sangat Baik
Baik
Sedang
IPK yang diperoleh pada semester yang
sedang diambil atau IPK yang terakhir.
Strata
Pendidikan
S1
D3
Keahlian
Utama
Baik
Cukup
Kurang
Keahlian
Pendukung
Baik
Cukup
Kurang
Pengalaman
Project
Pernah
Belum
Pernah mengerjakan project dengan skala
tertentu, baik secara tim maupun individu.
Hasil Diterima
Ditolak
Tabel 1 merupakan kriteria yang digunakan sebagai acuan pada sistem
pendukung keputusan. Kriteria setiap atribut merupakan hasil dari wawancara
dengan biro rekrutmen PT. XYZ. Pada atribut IPK memiliki value Sangat Baik
yaitu IPK 3.51 sampai dengan 4.00, Baik yaitu 3.01 hingga 3.50, dan Sedang
2.75 sampai 3.00, karena syarat mengikuti program magang minimal memiliki
IPK 2.75. Sedangkan atribut strata pendidikan memiliki value S1 dan D3. Pada
atribut keahlian utama dan keahlian pendukung memiliki value Baik, Cukup,
serta Kurang. Pada kriteria penilaian atribut Pengalaman Project memiliki
value Pernah untuk mahasiswa magang yang telah memiliki pengalaman dalam
mengerjakan project dan value Belum untuk mahasiswa yang belum memiliki
pengalaman dalam mengerjakan suatu project. Atribut tujuan merupakan hasil
yang memiliki value Diterima atau Ditolak. Tabel 2 Tabel Data Sampel Penerimaan Mahasiswa Magang pada Divisi
Data Kategori
IPK Strata
Keahlian
Utama
Keahlian
Pendukung
Pengalaman
Project Hasil
S1 Sangat
Baik S1 Baik Baik Belum Diterima
S2 Sangat
Baik D3 Baik Baik Belum Diterima
S3 Baik S1 Kurang Kurang Belum Ditolak
S4 Baik S1 Cukup Baik Pernah Diterima
8
S5 Baik S1 Cukup Baik Pernah Diterima
S6 Sedang D3 Baik Baik Pernah Diterima
S7 Baik S1 Cukup Baik Pernah Diterima
S8 Sangat
Baik D3 Cukup Baik Belum Diterima
S9 Baik D3 Cukup Kurang Belum Ditolak
S10 Baik S1 Cukup Cukup Belum Ditolak
S11 Sangat
Baik S1 Baik Cukup Pernah Diterima
S12 Sangat
Baik S1 Cukup Cukup Pernah Diterima
S13 Baik D3 Cukup Cukup Belum Ditolak
S14 Baik D3 Cukup Baik Belum Diterima
S15 Baik S1 Cukup Kurang Belum Diterima
S16 Sangat
Baik S1 Baik Cukup Belum Diterima
S17 Baik D3 Baik Cukup Pernah Diterima
S18 Sangat
Baik S1 Baik Cukup Belum Diterima
S19 Sedang S1 Kurang Cukup Belum Ditolak
S20 Baik D3 Baik Baik Pernah Diterima
Perhitungan ID3 dilakukan dengan data sampel penerimaan mahasiswa
magang pada divisi PT. XYZ. Pada pembahasan ini dilakukan dengan
menggunakan 20 data sampel dimana data sampel tersebut akan diolah dan
dijadikan standar dalam sistem pendukung keputusan yang akan dibuat.
Perhitungan ID3 dari data sampel di atas sebagai berikut:
Entropy(S)[15+, 5-] = - (15/20) log2 (15/20) – (5/20) log2 (5/20)
= 0.31127 + 0.5
= 0.81127 Tabel 3 Tabel Perhitungan Information Gain Tahap 1
Atribut Entropy Information Gain
IPK (S Sangat Baik)
(S Baik)
(S Sedang)
[7+, 0-]
[7+, 4-]
[1+, 1-]
0
0.94566
1
Gain (S, IPK) =
0.19116
Strata
Pendidikan
S1
D3
[9+, 3-]
[6+, 2-]
0.74808
0.81127
Gain (S, Strata
Pendidikan) = 0.03793
Keahlian
Utama
Baik
Cukup
Kurang
[8+, 0-]
[7+, 3-]
[0+, 2-]
0
0.81129
0
Gain (S, Keahlian
Utama) = 0.37063
Keahlian
Pendukung
Baik
Cukup
Kurang
[9+, 0-]
[5+, 3-]
[1+, 2-]
0
0.95443
0.91829
Gain (S, Keahlian
Pendukung) = 0.29176
Pengalaman
Project
Pernah
Belum
[8+, 0-]
[7+, 5-]
0
0.97986
Gain (S, Pengalaman
Project) = 0.22335
9
Berdasarkan perhitungan information gain tahap 1 yang ditunjukkan
Tabel 3, bahwa atribut Keahlian Utama memiliki nilai gain tertinggi. Gambar
5 adalah pohon keputusan yang terbentuk dari perhitungan gain tahap 1.
Gambar 5 Pohon Keputusan Tahap Pertama
Perhitungan tahap 2 dilakukan pada 10 data sampel yang memiliki
keahlian utama Cukup dengan Entropy (S Cukup) = 0.81129. Tabel 4 Tabel Perhitungan Information Gain Tahap 2
Atribut Entropy Information Gain
IPK (S Sangat Baik)
(S Baik)
(S Sedang)
[2+, 0-]
[5+, 3-]
[0+, 0-]
0
0.95443
0
Gain (S, IPK) =
0.04773
Strata
Pendidikan
S1
D3
[5+, 1-]
[2+, 2-]
0.65002
1
Gain (S, Strata
Pendidikan) = 0.04228
Keahlian
Pendukung
Baik
Cukup
Kurang
[5+, 0-]
[1+, 2-]
[1+, 1-]
0
0.91829
1
Gain (S, Keahlian
Pendukung) = 0.33581
Pengalaman
Project
Pernah
Belum
[4+, 0-]
[3+, 3-]
0
1
Gain (S, Pengalaman
Project) = 0.21129
Berdasarkan perhitungan information gain tahap 2 yang ditunjukkan pada
Tabel 4 didapatkan hasil bahwa keahlian pendukung merupakan atribut yang
paling berpengaruh terhadap hasil. Dari perhitungan tahap 2 diperoleh pohon
keputusan yang dapat dilihat pada Gambar 6.
Gambar 6 Pohon Keputusan Tahap Kedua
Perhitungan tahap 3 dilakukan pada 3 data sampel dari cabang keahlian
pendukung Cukup dengan Entropy (S Cukup) = 0.91829.
10
Tabel 5 Tabel Perhitungan Information Gain Tahap 3
Atribut Entropy Information Gain
IPK (S Sangat Baik)
(S Baik)
(S Sedang)
[1+, 0-]
[0+, 2-]
[0+, 0-]
0
0
0
Gain (S, IPK) =
0.91829
Strata
Pendidikan
S1
D3
[1+, 1-]
[0+, 1-]
0.66666
1
Gain (S, Strata
Pendidikan) = 0.25163
Pengalaman
Project
Pernah
Belum
[1+, 0-]
[0+, 2-]
0
0
Gain (S, Pengalaman
Project) = 0.91829
Berdasarkan perhitungan information gain tahap 3 yang ditunjukkan pada
Tabel 5, didapatkan hasil yang sama antara atribut IPK dengan atribut
pengalaman project dengan demikian atribut IPK dengan pengalaman project
memiliki tingkat pengaruh yang sama. Berikut merupakan pohon keputusan
yang terbentuk berdasarkan perhitungan informatif gain tahap 3, pohon
keputusan tersebut dapat dilihat pada Gambar 7.
Gambar 7 Pohon Keputusan Tahap Ketiga
Perhitungan tahap 4 dilakukan dengan 2 data dari atribut cabang keahlian
pendukung Kurang dengan Entropy (S Kurang) = 1. Tabel 6 Tabel Perhitungan Information Gain Tahap 4
Atribut Entropy Information Gain
IPK (S Sangat Baik)
(S Baik)
(S Sedang)
[0+, 0-]
[1+, 1-]
[0+, 0-]
0
1
0
Gain (S, IPK) = 0
Strata
Pendidikan
S1
D3
[1+, 0-]
[0+, 1-]
0
0
Gain (S, Strata
Pendidikan) = 1
11
Pengalaman
Project
Pernah
Belum
[1+, 0-]
[0+, 1-]
0
0
Gain (S, Pengalaman
Project) = 1
Berdasarkan perhitungan tahap 4 pada Tabel 6 didapatkan persamaan hasil
information gain yang sama antara strata pendidikan dengan pengalaman
project, dengan demikian kedua atribut tersebut merupakan atribut yang paling
berpengaruh pada hasil. Pohon keputusan yang dibentuk dari perhitungan
information gain tahap 4 dapat dilihat pada Gambar 8.
Gambar 8 Pohon Keputusan Tahap Keempat
Gambar 8 merupakan pohon keputusan yang terbentuk dari perhitungan
information gain tahap akhir yang diimplementasikan pada program sistem
pendukung keputusan. Pohon keputusan tersebut diterapkan pada lima unit
kerja yaitu unit kerja Application, Application Programming Interface (API),
Network, Database, dan Scrum. Masing-masing unit kerja memiliki standar
keahlian utama dan keahlian pendukung yang berbeda, keahlian tersebut dapat
dilihat pada Tabel 7 sebagai berikut: Tabel 7 Rincian Keahlian Utama dan Keahlian Pendukung Unit Kerja
Unit Kerja Keahlian Utama Keahlian Pendukung
Application Penguasaan Bahasa
Pemrograman Java Penguasaan UI/UX
API Penguasaan Bahasa
Pemrograman Java Penguasaan Web Service
Network Penguasaan
Networking
Kemampuan
Troubleshooting
Database Penguasaan Query Logika Analitik
Scrum Pemahaman Scrum Logika Analitik
12
Susunan proses penempatan mahasiswa magang pada unit kerja divisi
Information Technology dimulai dari pendaftaran data mahasiswa pada sistem,
proses seleksi setiap unit kerja dengan ID3, hingga keluarnya hasil penempatan
akan dijelaskan sebagai berikut:
Gambar 9 Form Penilaian Mahasiswa Gambar 9 menunjukkan formulir untuk penilaian mahasiswa yang diisi
oleh admin untuk menilai mahasiswa magang berdasarkan kemampuan yang
dikuasainya, admin menilai mahasiswa magang dari beberapa kriteria yaitu
IPK, jenis strata pendidikan, kemampuan bahasa pemrograman Java, UI/UX,
Web Service, Networking, Troubleshooting, Query Database, Logika Analitik,
Pemahaman Scrum, dan Pengalaman Project. Setelah admin melakukan
penilaian terhadap mahasiswa magang, sistem akan memproses berdasarkan
proses ID3 untuk menghasilkan rekomendasi unit kerja divisi.
Gambar 10 Form Rekomendasi Unit Kerja
13
Gambar 10 merupakan tampilan dari hasil rekomendasi penempatan
mahasiswa pada unit kerja, pada tahap ini admin akan memilih salah satu unit
kerja untuk menempatkan mahasiswa sesuai dengan keahlian yang dimiliki.
Output aplikasi web sistem pendukung keputusan berupa rekomendasi
penempatan diambil dari pohon keputusan hasil perhitungan dengan algoritma
ID3 dan diaplikasikan dalam kode program Hypertext Preprocessor (PHP).
Berikut adalah kode program untuk mengambil keputusan rekomendasi
penempatan mahasiswa. Kode Program 1 Function Rekomendasi Penempatan 1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
if($temp['skill_1'] == "Baik"){
$temp['status_application'] = "Diterima";
} else if (($temp['skill_1'] == "Cukup") && ($temp['skill_2'] ==
"Baik")){
$temp['status_application'] = "Diterima";
} else if (($temp['skill_1'] == "Cukup") && ($temp['skill_2'] ==
"Cukup") && ($temp['project'] == "Pernah") && ($ipk == "Sangat Baik")){
$temp['status_application'] = "Diterima";
} else if (($temp['skill_1'] == "Cukup") && ($temp['skill_2'] ==
"Cukup") && ($temp['project'] == "Pernah") && ($ipk == "Baik")){
$temp['status_application'] = "Ditolak";
} else if (($temp['skill_1'] == "Cukup") && ($temp['skill_2'] ==
"Cukup") && ($temp['project'] == "Pernah") && ($ipk == "Sedang")){
$temp['status_application'] = "Ditolak";
} else if (($temp['skill_1'] == "Cukup") && ($temp['skill_2'] ==
"Cukup") && ($temp['project'] == "Belum")){
$temp['status_application'] = "Ditolak";
} else if (($temp['skill_1'] == "Cukup") && ($temp['skill_2'] ==
"Kurang") && ($temp['project'] == "Pernah") &&
($temp['strata_pendidikan'] == "S1")){
$temp['status_application'] = "Diterima";
} else if (($temp['skill_1'] == "Cukup") && ($temp['skill_2'] ==
"Kurang") && ($temp['project'] == "Pernah") &&
($temp['strata_pendidikan'] == "D3")){
$temp['status_application'] = "Ditolak";
} else if (($temp['skill_1'] == "Cukup") && ($temp['skill_2'] ==
"Kurang") && ($temp['project'] == "Belum")){
$temp['status_application'] = "Ditolak";
} else if ($temp['skill_1'] == "Kurang"){
$temp['status_application'] = "Ditolak";
}
Kode program 1 merupakan fungsi untuk menangani kondisi dari beberapa
variabel yang dimasukkan pada sistem pendukung keputusan oleh admin.
Logika pengecekan kondisi tersebut merupakan implementasi decicion tree
yang terbentuk dari perhitungan information gain tahap terakhir atau tahap
keempat. Kode program tersebut digunakan untuk pengecekan variabel dari
setiap mahasiswa magang sehingga akan menghasilkan output berupa
rekomendasi unit kerja berdasarkan keahlian yang dimiliki mahasiswa magang.
Sistem pendukung keputusan akan memberikan rekomendasi Diterima
jika mahasiswa magang memenuhi kriteria suatu unit kerja divisi Information
Technology sehingga mahasiswa dapat ditempatkan pada divisi yang sesuai
dengan keahlian mahasiswa, sedangkan sistem pendukung keputusan akan
memberikan rekomendasi Ditolak jika mahasiswa magang yang tidak
memenuhi kriteria suatu unit kerja divisi Information Technology sehingga
sistem tidak akan memperbolehkan admin untuk menempatkan mahasiswa
magang yang tidak memenuhi kriteria unit kerja divisi.
14
Pengujian sistem ini dilakukan dengan menggunakan teknik pengujian
Black Box Testing untuk menemukan masalah (error) atau ketidaksesuaian
pada fungsi-fungsi yang ada dalam sistem aplikasi. Untuk rincian pengujian
dapat dilihat pada tabel berikut:
a. Pengujian untuk bagian yang dapat diakses user mahasiswa pada sistem
pendukung keputusan ini meliputi login, lihat daftar penempatan, lihat
daftar mahasiswa, dan lihat daftar kepala biro dapat dilihat pada Tabel 8. Tabel 8 Pengujian Black Box untuk bagian yang diakses user mahasiswa
Aktivitas
dan Event Input Output
Status
Pengujian
Login ID dan
password
a. Jika berhasil maka akan masuk
ke menu utama.
b. Jika gagal maka akan
menampilkan notifikasi bahwa
id / password salah.
Valid
Lihat daftar
penempatan
Menampilkan semua daftar
penempatan mahasiswa magang
sesuai dengan universitas.
Valid
Lihat daftar
mahasiswa
Menampilkan semua daftar
mahasiswa magang sesuai dengan
universitas.
Valid
Lihat daftar
kepala biro
Menampilkan seluruh daftar kepala
biro dari masing-masing unit kerja.
Valid
b. Pengujian untuk bagian yang dapat diakses oleh user kepala biro meliputi
login, lihat daftar penempatan, lihat daftar mahasiswa, dan lihat daftar
kepala biro dapat dilihat pada Tabel 9. Tabel 9 Pengujian Black Box untuk bagian yang diakses user kepala biro
Aktivitas
dan Event Input Output
Status
Pengujian
Login ID dan
password
a. Jika berhasil maka akan masuk
ke menu utama.
b. Jika gagal maka akan
menampilkan notifikasi bahwa
id / password salah.
Valid
Lihat daftar
penempatan
Menampilkan semua daftar
penempatan mahasiswa magang
sesuai dengan unit kerja yang
dipimpin.
Valid
Lihat daftar
mahasiswa
Menampilkan semua daftar
mahasiswa magang.
Valid
Lihat daftar
kepala biro
Menampilkan seluruh daftar kepala
biro dari masing-masing unit kerja.
Valid
15
c. Pengujian pada fitur yang dapat diakses admin diperoleh kesimpulan
bahwa semua fungsi telah berjalan dengan baik sesuai dengan use case
yang dibuat dapat dilihat pada gambar 10. Tabel 10 Pengujian Black Box untuk bagian yang diakses admin
Aktivitas
dan Event Input Output
Status
Pengujian
Admin
tambah data
penempatan
IPK, Strata
pendidikan,
Skill Java,
UI/UX, Web
Service,
Networking,
Trouble-
shooting,
Query
Database,
Logika
Analitik,
Scrum,
Pengalaman
Project, unit
kerja.
Jika berhasil maka akan masuk
ke halaman rekomendasi unit
kerja, dan setelah memilih unit
kerja akan masuk ke halaman
detail profil mahasiswa. Data
penempatan otomatis tersimpan
dalam database.
Valid
Admin
tambah data
admin
Nama,
email,
jabatan, foto
a. Jika data baru berhasil
dimasukkan maka akan
dilakukan proses
penambahan data pada
daftar admin.
b. Jika gagal dimasukkan, data
baru tidak tersimpan dan
muncul notifikasi gagal.
Valid
Admin
tambah data
mahasiswa
Nama,
tanggal
lahir, jenis
kelamin,
kota asal,
fakultas,
universitas,
nomor
handphone,
email, foto.
a. Jika data baru mahasiswa
berhasil dimasukkan maka
akan dilakukan proses
penambahan data pada
daftar mahasiswa.
b. Jika gagal dimasukkan, data
baru tidak tersimpan dan
muncul notifikasi gagal.
Valid
Admin
tambah data
universitas
Nama
universitas,
email,
telephone,
fax,
a. Jika data berhasil
dimasukkan maka akan
dilakukan proses
penambahan data pada
daftar universitas.
Valid
16
website,
alamat.
b. Jika data gagal dimasukkan,
maka data tidak akan
tersimpan dan muncul
notifikasi gagal.
Admin
tambah data
Kepala
Nama,
email,
nomor
handphone,
divisi, foto.
a. Jika data berhasil
dimasukkan maka akan
dilakukan proses
penambahan data pada
daftar kepala.
b. Jika data gagal dimasukkan,
maka data tidak akan
tersimpan dan muncul
notifikasi gagal.
Valid
Berdasarkan pengujian yang dilakukan diperoleh hasil bahwa masing-
masing fungsi pada aplikasi sistem pendukung keputusan dan output yang
dihasilkan sudah sesuai dengan yang diharapkan.
Pengujian beta merupakan pengujian yang dilakukan oleh suatu kelompok
yang tidak terlibat dalam pembuatan sistem, pengujian ini bertujuan untuk
mengetahui apakah sistem telah memenuhi kebutuhan pengguna. Hasil dari
pengujian beta dapat diketahui dengan kuesioner yang diberikan kepada
pengguna sistem. Pertanyaan dalam kuesioner dapat dilihat pada Tabel 11. Tabel 11 Tabel Daftar Pertanyaan Kuesioner
Nomor Pertanyaan
1 Website sistem pendukung keputusan mudah digunakan?
2 Pada saat pengoperasian sistem aplikasi mudah dipahami?
3
Website Sistem Pendukung Keputusan berjalan sesuai dengan
kebutuhan, yakni menghasilkan output berupa rekomendasi
penempatan mahasiswa pada unit kerja berdasarkan keahlian?
4 Website Sistem Pendukung Keputusan membantu proses
penempatan mahasiswa pada unit kerja?
5 Penggunaan sistem berbasis web ini mempermudah proses
penempatan magang pada unit kerja?
Tanggapan dari masing-masing responden yang telah mengisi kuesioner
kemudian dihitung dengan menggunakan skala likert dengan pilihan jawaban
Tidak Setuju (TS) bernilai 1, Kurang Setuju (KS) bernilai 2, Setuju (S) bernilai
3, dan Sangat Setuju (SS) bernilai 4. Skala likert merupakan skala yang
digunakan untuk mengukur pendapat atau persepsi seseorang maupun
kelompok mengenai sebuah peristiwa atau fenomena sosial [16].
Data kuesioner diisi oleh para responden yang terdiri dari 30 mahasiswa,
5 kepala biro, dan 5 tim rekrutmen, diketahui jumlah jawaban untuk setiap
nomor dapat dilihat pada Tabel 12.
Jawaban kuesioner dihitung menggunakan persamaan skala likert dengan
tujuan untuk mengetahui persentase dari masing-masing jawaban kuesioner,
persamaan skala likert menurut Sugiyono [16], sebagai berikut:
17
𝑃 = ∑ 𝑆 𝑥 𝑇
𝑆(𝑚𝑎𝑘𝑠) 𝑥 𝑅 𝑥 100 %
P = Skala likert
S = Pilihan skor likert
T = Total responden yang memilih
S(maks) = Skor likert tertinggi
R = Total responden
Tabel 12 Tabel Jumlah Jawaban Kuesioner Pengujian Beta
Pertanyaan
Keterangan
Jawaban Σ S x T S(Maks) R P
SS S KS TS
1 20 18 2 0 138 4 40 86,25 %
2 13 25 2 0 131 4 40 81,88 %
3 21 19 0 0 141 4 40 88,13 %
4 18 20 2 0 136 4 40 85 %
5 20 17 3 0 137 4 40 85,63 %
Berdasarkan hasil pengujian beta yang telah dilakukan sehingga dapat
disimpulkan bahwa pertanyaan pertama 86,25% responden memberi pendapat
aplikasi ini mudah digunakan. Pertanyaan kedua 81,88% responden memberi
pendapat bahwa aplikasi mudah dipahami pada saat pengoperasian. Pertanyaan
ketiga dapat disimpulkan bahwa 88,13% responden menyatakan sistem telah
berjalan sesuai dengan kebutuhan yaitu memberikan rekomendasi keputusan
penempatan mahasiswa magang pada unit kerja divisi Information Technology.
Pertanyaan keempat dapat disimpulkan bahwa 85% responden menyatakan
aplikasi ini membantu proses penempatan mahasiswa pada unit kerja divisi
Information Technology. Pertanyaan kelima 85,63% responden menyatakan
bahwa sistem berbasis web ini mempermudah proses penempatan mahasiswa
magang.
5. Simpulan
Berdasarkan masalah yang telah diuraikan maka dilakukan perancangan
sistem pendukung keputusan untuk membantu proses penempatan mahasiswa
magang dengan menerapkan metode Decision Tree dalam menentukan
rekomendasi penempatan mahasiswa magang pada unit kerja divisi
Information Technology PT. XYZ sesuai dengan keahlian yang dikuasai.
Bersumber dari hasil pembahasan dan pengujian yang telah dilakukan
maka dapat diambil kesimpulan bahwa sebanyak 85% responden menyatakan
bahwa sistem pendukung keputusan yang dirancang dapat dimanfaatkan untuk
membantu proses penempatan mahasiswa magang pada unit kerja divisi
Information Technology PT. XYZ sesuai dengan keahlian yang dimiliki dan
sebanyak 85,63% responden menyatakan sistem yang dirancang berbasis web
mempermudah dalam melakukan rangkaian proses penempatan mahasiswa
magang karena web dapat diakses pada device dan platform yang berbeda-
beda.
18
6. Daftar Pustaka
[1] Wibowo, Manajemen Kinerja. Jakarta: PT. Raja Grafindo Parsada, 2007.
[2] M. S. P. Hasibuan, Manajemen Sumber Daya Manusia. Jakarta: PT. Bumi
Aksara, 2007.
[3] J. Han and M. Kamber, Data Mining Concept and Tehniques. San Fransisco:
Morgan Kauffman, 2006.
[4] V. Wijaya and Azhari, “Sistem Pendukung Keputusan Berbasis Web
Penempatan Praktek Kerja Lapangan Mahasiswa Menggunakan Metode
Profile Matching,” Univ. Gajah Mada, 2014.
[5] Rahmadini Darwas and Aris Subadi, “Sistem Pendukung Keputusan
Penempatan Karyawan Menggunakan Metode Profile Matching,” Sekol.
Tinggi Manaj. Inform. dan Komput. Indones. Padang, 2017.
[6] Irma Setiawati and Gunawan Abdillah, “Sistem Pendukung Keputusan
Penempatan Karyawan Berdasarkan Test Dominant-Influence-Steady-
Compliance (Disc) Menggunakan Metode Profile Matching,” Univ. Jendral
Achmad Yani, 2016.
[7] A. Sari, “Sistem Pendukung Keputusan Penempatan Tenaga Kerja Indonesia
Dengan Menggunakan Metode Simple Additive Weighting,” Sekol. Tinggi
Manaj. Inform. dan Komput. Pringsewu Lampung, 2016.
[8] N. H. Sutrikanti and Situmorang, “Implementasi Pendukung Keputusan
Dalam Pemilihan Calon Peserta Cerdas Cermat Tingkat SMA Menerapkan
Metode VIKOR,” JURIKOM, vol. 5, no. 2407–389X, pp. 109–113, 2018.
[9] K. M. Suryadi and Ali Ramdhani, Sistem Pendukung Keputusan. Bandung:
PT Remaja Rosdakarya, 2010.
[10] A. A. Sembiring, A. S. Sembiring, and S. R. Siregar, “Sistem Pendukung
Keputusan Penentuan Prioritas Pengembangan Industri Kecil Menengah di
Kabupaten Karo Menggunakan Metode Topsis,” Maj. Ilm. INTI, vol. 13, no.
2, p. 199, 2018.
[11] Danny Manongga, “Teori & Aplikasi Iterative Dichotomizer Three Dalam
Pembelajaran Mesin,” Univ. Kristen Satya Wacana, 2005.
[12] A. K. Nugroho and Dadang Iskandar, “Algoritma Iterative Dichotomizer 3
(ID3) Pengambilan Keputusan,” Univ. Jendral Soedirman, 2015.
[13] Anhar, Panduan Menguasai PHP & MySQL Secara Otodidak. Jakarta:
Mediakita, 2010.
[14] B. Sidik, Pemrograman Web dengan PHP Revisi Kedua. Bandung:
Informatika Bandung, 2014.
[15] W. R. Borg and M. D. Gall, Educational Research: An Introduction (5th
Edition). New York: Longman, 1989.
[16] Sugiyono, Metode Penelitian Kuantitatif, Kualitatif, dan R&D. Bandung:
Alfabeta, 2017.