perancangan sistem pendukung keputusan untuk penempatan...

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

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.

mailto:[email protected]

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


S6 Sedang D3 Baik 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


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


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


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


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


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")){



"Cukup") && ($temp['project'] == "Pernah") && ($ipk == "Sangat Baik")){



"Cukup") && ($temp['project'] == "Pernah") && ($ipk == "Baik")){

$temp['status_application'] = "Ditolak";


"Cukup") && ($temp['project'] == "Pernah") && ($ipk == "Sedang")){



"Cukup") && ($temp['project'] == "Belum")){



"Kurang") && ($temp['project'] == "Pernah") &&

($temp['strata_pendidikan'] == "S1")){



"Kurang") && ($temp['project'] == "Pernah") &&

($temp['strata_pendidikan'] == "D3")){



"Kurang") && ($temp['project'] == "Belum")){


} else if ($temp['skill_1'] == "Kurang"){


}

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


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


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


penempatan mahasiswa magang

sesuai dengan unit kerja yang

dipimpin.

Valid

Lihat daftar

mahasiswa


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


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


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


dilakukan proses


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


dilakukan proses


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.

perancangan sistem pendukung keputusan untuk penempatan...

Documents