SISTEM REKOMENDASI PENCARIAN PEKERJAAN BERBASIS WEB MENGGUNAKAN METODE HYBRID-BASED RECOMMENDATION
SKRIPSI
NURUL KHADIJAH 091402060
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
SISTEM REKOMENDASI PENCARIAN PEKERJAAN BERBASIS WEB MENGGUNAKAN METODE HYBRID-BASED RECOMMENDATION
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
NURUL KHADIJAH 091402060
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : SISTEM REKOMENDASI PENCARIAN PEKERJAAN
BERBASIS WEB MENGGUNAKAN METODE HYBRID-BASED RECOMMENDATION
Kategori : SKRIPSI
Nama : NURUL KHADIJAH
Nomor Induk Mahasiswa : 091402060
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI (FASILKOMTI) UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, Agustus 2013
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Sarah Purnamawati, S.T, M.Sc Dr. Erna Budhiarti Nababan, M.IT. NIP. 19830226 201012 2 003 NIP. -
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
PERNYATAAN
SISTEM REKOMENDASI PENCARIAN PEKERJAANBERBASIS WEB MENGGUNAKAN METODE HYBRID-BASED RECOMMENDATION
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Agustus 2013
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan kehadirat Allah SWT, serta shalawat dan salam
kepada junjungan kita nabi Muhammad SAW yang telah memberikan rahmat dan
hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara. Untuk itu penulis mengucapkan terima kasih kepada :
1. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen serta pegawai di Program Studi S1 Teknologi Informasi.
2. Ketua dan Sekretaris Program Studi Teknologi Informasi, Prof. Dr. Opim Salim Sitompul, M.Sc. dan Drs. Sawaluddin, M.IT.
3. Seluruh dosen Departemen Teknologi Informasi dan Ilmu Komputer USU yang telah mengajarkan dan memberikan dukungan, arahan dan bantuannya dalam menyelesaikan tugas akhir ini.
4. Kepada Ibu Dr. Erna Budhiarti Nababan, M.IT selaku pembimbing satu dan Ibu Sarah Purnamawati, S.T, M.Sc selaku pembimbing dua yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis. Ucapan terima kasih juga ditujukan kepada Dedy Arisandi, S.T., M.Kom dan Baihaqi Siregar, S.Si, M.IT. yang telah bersedia menjadi dosen pembanding.
dan membesarkan penulis. Untuk adik penulis Nurul Aisyah yang selalu memberikan dorongan dan dukungan kepada penulis.
6. Penulis juga mengucapkan terimakasih kepada teman-teman yang selalu memberikan dukungan, Diza Fathamira Hamzah, Aditya Rahandi, Julia Annisa Sitepu, Ammar Adianshar, Ibnu Setiawan, Ridzuan Ikram Fajri, Mhd Kurniawan, Fadli Rizki, Rizki Mulki, Alvin Rizki, Annifa Iqramitha, serta seluruh angkatan 09, teman – teman TA, serta teman-teman mahasiswa Teknologi Informasi lainnya yang tidak dapat penulis sebutkan satu persatu.
7. Dan yang selalu mendukung, mendengarkan, memberikan saran dan kritik kepada penulis selama penulis dalam pengerjaan skripsi ini.
ABSTRAK
Aktivitas utama yang dilakukan sehari – hari seorang individu untuk mencari uang adalah dengan cara bekerja. Mencari pekerjaan yang sesuai dengan latar belakang pendidikan yang kita tekuni tidaklah mudah. Banyak individu yang tidak mengetahui kemampuan diri mereka sendiri dan keterbatasan informasi lowongan pekerjaan juga menjadi hambatan bagi pelamar yang ingin mencari pekerjaan. Karena itu, diperlukan satu ‘alat bantu’ yang dapat memberi rekomendasi bidang pekerjaan apa yang sesuai dengan belakang pendidikan yang bersangkutan. Metode hybrid approach adalah dengan menggabungkan teknik collaborative-filtering (algoritma decision tree) dan content-based (algoritma nearest neighbor). Algoritma decision tree digunakan untuk pengklasifikasian bidang pekerjaan sedangkan untuk rekomendasi pekerjaan, digunakan algoritma nearest neighbor. Pada nearest neighbor digunakan rumus
similarity untuk menghitung kedekatan antara pelamar dan lowongan pekerjaan berdasarkan pencocokan bobot dan atribut yang ada. Output yang dihasilkan dari sistem ini berupa daftar rekomendasi pekerjaan yg sesuai dengan latar belakang pendidikan pelamar.
ABSTRACT
The main activity of an individual performed everyday to make money is by working. Looking for a job that match with our background education is not an easy task. Many individuals are not aware of their own capabilities and limited job information is also an obstacle for applicants who want to find a job. Therefore, we need a ‘tool’ that can give an occupation’s recommendation that relevant according to the educational background. Hybrid approach method is a method that combine collaborative-filtering techniques (decision tree algorithm) dan content-based techniques (nearest neighbor algorithm). Decision tree algorithm is used to clasify occupations, while for occupation’s recommendation use nearest neighbor algorithm. On nearest neighbor similarity formula is being used to calculate adjacency between job applicant and jobs by matching the weight and existing attributes. Output from the system is in the form of a list of job recommendation in accordance with the applicant’s education background.
DAFTAR ISI
Persetujuan i
Pernyataan ii
Pernghargaan iii
Abstrak v
Abstract vi
Daftar isi vii
Daftar tabel x
Daftar gambar xii
Bab 1 Pendahuluan 1
1.1 Latar Belakang 1
1.2 Rumusan Masalah 3
1.3 Batasan Masalah 3
1.4 Tujuan Penelitian 4
1.5 Manfaat Penelitian 4
1.6 Metode Penelitian 4
1.7 Sistematika Penulisan 5
Bab 2 Landasan Teori 7
2.1 Basis Data 7
2.1.1 Database Management System (DBMS) 8
2.2 Sistem Rekomendasi 8
2.2.1 Content Based Filtering 9
2.2.2 Collaborative Filtering 9
2.2.3 Hybrid Based Filtering 9
2.3 Metode Nearest Neighbor 10
2.4 Metode Decision tree 11
2.5 Penelitian Terdahulu 13
Bab 3 Analisis dan Perancangan 16
3.1 Data yang digunakan 16
3.2 Analisis Data 16
3.2.2 Data pada Content-based Filtering 19 3.2.3 Data pada Collaborative Filtering 20
3.3 Metode Hybrid 22
3.3.1 Proses Metode Content-based Filtering 23 3.3.2 Proses Metode Collaborative-based Filtering 26
3.4 Hasil dari metode Hybrid Approch 32
3.5 Perancangan Sistem 33
3.5.1 Use Case 33
3.5.2 Data Flow Diagram 34
3.5.2.1 DFD Level 0 35
3.5.2.2 DFD Level 1 36
3.5.2.3 DFD Level 2 37
3.5.3 Flow Chart perancangan algoritma Nearest Neighbor 39
3.5.4 Sitemap Aplikasi 40
3.5.5 Database 42
3.5.6 Antarmuka Sistem 43
Bab 4 Implementasi dan Pengujian Sistem 48
4.1 Implementasi Sistem 48
4.1.1 Lingkungan Implementasi 48
4.2 Implementasi perancangan antarmuka 49
4.2.1 Halaman Home 49
4.2.2 Halaman Daftar 50
4.2.3 Halaman tampil Lowongan pekerjaan 52
4.2.4 Halaman login 53
4.2.4.1 Halaman Login admin 54
4.2.4.2 Halaman Login Pelamar 56
4.2.4.3 Halaman Login Perusahaan 59
4.3 Implementasi data 63
4.4 Pengujian Sistem 62
4.4.1 Rencana Pengujian Sistem 63
4.4.2 Kasus dan Hasil Pengujian Sistem 64
4.4.2.1 Pengujian input data 64
4.4.2.3 Pengujian login 66 4.4.2.4 Pengujian Rekomendasi pencarian pekerjaan 67 4.4.2.5 Pengujian menampilkan profil dan edit data 68
4.4.3 Pengujian Kinerja Sistem 71
4.4.4 Pengujian data 74
Bab 5 Kesimpulan dan Saran 76
5.1 Kesimpulan 76
5.2 Saran 77
Daftar Pustaka 78
DAFTAR TABEL
Halaman
Tabel 2.1 Penelitian Terdahulu 13
Tabel 3.1 Sumber Data 16
Tabel 3.2 Parameter rekomendasi pada metode Collaborative-based 17
Tabel 3.3 Variabel dan Atribut 18
Tabel 3.4 Sampel data latar belakang pendidikan 20
Tabel 3.5 Sampel data lowongan pekerjaan 21
Tabel 3.6 Sampel data 22
Tabel 3.7 Sampel data pelamar 23
Tabel 3.8 Penentuan Nilai bobot 26
Tabel 3.9 Bobot variabel 27
Tabel 3.10 Sampel data nilai atribut jenis pendidikan 27
Tabel 3.11 Tabel kasus lama (daftar pekerjaan) 27
Tabel 3.12 Tabel kasus baru (data pelamar pekerjaan) 27 Tabel 3.13 Kedekatan Nilai atribut jenis pendidikan 28
Tabel 3.14 Bobot Variabel 28
Tabel 3.15 Kedekatan nilai atribut kualifikasi pendidikan 28
Tabel 3.16 Bobot variabel 29
Tabel 3.17 Kedekatan nilai atribut IP 29
Tabel 3.18 Bobot Variabel 30
Tabel 3.19 Kedekatan Nilai atribut kemampuan komputer 30
Tabel 3.20 Bobot Variabel 30
Tabel 3.21 Hasil perhitungan similarity 32
Tabel 3.22 Hasil berupa rangking rekomendasi pekerjaan 32
Tabel 3.23 Entitas DFD 34
Tabel 4.1 Rencana pengujian sistem 63
Tabel 4.2 Pengujian Sistem (Input data pelamar) 64
Tabel 4.3 Pengujian Sistem (Input data) 65
Tabel 4.4 Pengujian Sistem (Penampilan Lowongan) 65
Tabel 4.6 Pengujian sistem (rekomendasi) 66
Tabel 4.7 Pengujian sistem (pengiriman berkas) 67
Tabel 4.8 Pengujian sistem penampilan berkas 67
Tabel 4.9 Pengujian sistem untuk login admin 68
Tabel 4.10 Pengujian sistem untuk login pelamar 69
Tabel 4.11 Pengujian sistem (login perusahaan) 70
Tabel 4.12 Sampel data lowongan pekerjaan 71
Tabel 4.13 Rule Decision Tree 72
DAFTAR GAMBAR
Halaman
Gambar 2.1 Kedekatan Kasus 10
Gambar 2.2 Decision tree 12
Gambar 3.1 Penetuan parameter 18
Gambar 3.2 Penggunaan variabel dan atribut pada nearest neighbor 19
Gambar 3.3 Kombinasi sekuensial 22
Gambar 3.4 Node Akar 24
Gambar 3.5 Pembentukan Akar 1 24
Gambar 3.6 Pembentukan Akar 2 25
Gambar 3.7 Pembentukan Akar 3 25
Gambar 3.8 Usecase Spesification Program 33
Gambar 3.9 DFD Level 0/Diagram Konteks 34
Gambar 3.10 DFD Level 1 35
Gambar 3.11 DFD Level 2 : Mengelola data pelamar 36 Gambar 3.12 DFD Level 2 : Mengelola data perusahaan dan lowonga pekerjaan 37
Gambar 3.13 DFD Level 2 : Proses Login 37
Gambar 3.14 DFD Level 2 : Melihat data 38
Gambar 3.15 DFD Level 2 : Rekomendasi Pekerjaan 38
Gambar 3.16 Flow Chart sistem rekomendasi 39
Gambar 3.17 Site Map sistem rekomendasi 41
Gambar 3.18 Database sistem rekomendasi 42
Gambar 4.1 Halaman Home 50
Gambar 4.2 Halaman Daftar 50
Gambar 4.3 Halaman Daftar pelamar 51
Gambar 4.4 Halaman Daftar pekerjaan 52
Gambar 4.5 Halaman lowongan pekerjaan (pilih bidang) 52 Gambar 4.6 Halaman lowongan pekerjaan (tampil lowongan ) 53
Gambar 4.7 Halaman login 54
Gambar 4.8 Halaman login admin 54
Gambar 4.10 Halaman login admin (profil perusahaan) 55
Gambar 4.11 Halaman login pelamar 56
Gambar 4.12 Halaman login pelamar (profil pelamar) 57 Gambar 4.13 Halaman login pelamar (rekomendasi) 57 Gambar 4.14 Halaman login pelamar (seluruh rekomendasi) 58 Gambar 4.15 Halaman login pelamar (pengiriman resume) 59
Gambar 4.16 Halaman login perusahaan 59
Gambar 4.17 Halaman login perusahaan (menu profil) 60 Gambar 4.18 Halaman login perusahaan (menu view pelamar) 61 Gambar 4.19 Halaman login perusahaan (data lengkap pelamar) 61
Gambar 4.20 Rule indeks prestasi 72
Gambar 4.21 Rule tipe pekerjaan 73
Gambar 4.22 Rule fresh graduate 73
Gambar 4.23 10 rekomendasi pekerjaan dengan nilai tertinggi 74
ABSTRAK
Aktivitas utama yang dilakukan sehari – hari seorang individu untuk mencari uang adalah dengan cara bekerja. Mencari pekerjaan yang sesuai dengan latar belakang pendidikan yang kita tekuni tidaklah mudah. Banyak individu yang tidak mengetahui kemampuan diri mereka sendiri dan keterbatasan informasi lowongan pekerjaan juga menjadi hambatan bagi pelamar yang ingin mencari pekerjaan. Karena itu, diperlukan satu ‘alat bantu’ yang dapat memberi rekomendasi bidang pekerjaan apa yang sesuai dengan belakang pendidikan yang bersangkutan. Metode hybrid approach adalah dengan menggabungkan teknik collaborative-filtering (algoritma decision tree) dan content-based (algoritma nearest neighbor). Algoritma decision tree digunakan untuk pengklasifikasian bidang pekerjaan sedangkan untuk rekomendasi pekerjaan, digunakan algoritma nearest neighbor. Pada nearest neighbor digunakan rumus
similarity untuk menghitung kedekatan antara pelamar dan lowongan pekerjaan berdasarkan pencocokan bobot dan atribut yang ada. Output yang dihasilkan dari sistem ini berupa daftar rekomendasi pekerjaan yg sesuai dengan latar belakang pendidikan pelamar.
ABSTRACT
The main activity of an individual performed everyday to make money is by working. Looking for a job that match with our background education is not an easy task. Many individuals are not aware of their own capabilities and limited job information is also an obstacle for applicants who want to find a job. Therefore, we need a ‘tool’ that can give an occupation’s recommendation that relevant according to the educational background. Hybrid approach method is a method that combine collaborative-filtering techniques (decision tree algorithm) dan content-based techniques (nearest neighbor algorithm). Decision tree algorithm is used to clasify occupations, while for occupation’s recommendation use nearest neighbor algorithm. On nearest neighbor similarity formula is being used to calculate adjacency between job applicant and jobs by matching the weight and existing attributes. Output from the system is in the form of a list of job recommendation in accordance with the applicant’s education background.
BAB I
PENDAHULUAN
1.1Latar Belakang
Pekerjaan merupakan aktivitas utama yang dilakukan manusia dengan menyelesaikan suatu tugas atau kerja yang menghasilkan uang bagi seseorang. Pekerjaan biasa disebut juga dengan profesi. Profesi pada zaman sekarang terdapat bermacam – macam bidang. Contoh bidang profesi yang ada contohnya seperti bidang ekonomi, kesehatan, pendidikan, teknologi, ilmu pengetahuan dan masih banyak yang lainnya.
Mencari pekerjaan yang sesuai dengan minat, bakat dan latar belakang pendidikan yang kita tekuni itu tidak mudah. Banyak individu yang tidak mengerti atau mengetahui kemampuan diri mereka sendiri. Selain itu, keterbatasan informasi lowongan pekerjaan juga menjadi hambatan bagi pelamar yang ingin mencari pekerjaan. Faktor - faktor tersebut menjadi hambatan bagi seorang pelamar untuk mencari pekerjaan yang sesuai dengan kemampuan dan latar belakang mereka, terutama untuk seorang fresh graduate yang masih belum mempunyai pengalaman pekerjaan.
Sistem rekomendasi didefinisikan sebagai aplikasi untuk mengusulkan informasi dan menyediakan fasilitas yang diinginkan pengguna dalam membuat suatu keputusan (Ricci, 2002). Menurut Adomavicius dan Tuzilin (2005)Sistem rekomendasi dibagi 3 jenis yaitu content-based recommendation, Collaborative recommendationdan hybrid approaches. Hybrid approches adalah metode yang menggabungkan teknik
collaborative dan content-based recommendation
Beberapa metode untuk sistem rekomendasi yang sudah digunakan oleh penulis terdahulu antara lain; sistem rekomendasi bursa elektronis telepon genggam (Sanjoyo, 2008), metode analisis rekomendasi (Purwanto, 2009), sistem rekomendasi pada toko film digital (Hidayat, 2007) yang menggunakan collaborative-filtering dan Akhiro (2008) yang membuat sistem bursa tenaga kerja menggunakan metode Multi Criterian Decision Making (MCDM).
Metode hybrid approaches sudah digunakan oleh beberapa penelitian terdahulu yaitu digunakan oleh Maulana (2010) yang membuat sistem rekomendasi berita berbahasa Indonesia berbasis pilihan personal menggunakan penggabungan algoritma clustering dan algoritma tf-idf. Kemudian juga digunakan pada sistem rekomendasi bidang minat mahasiswa (Diahpangastuti, 2012) yang menggunakan gabungan metode Association Rule dan algoritma Apriori.
Algoritma nearest neighbor merupakan algoritma untuk menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pencocokan bobot dari sejumlah atribut yang ada (Kusrini dan Emha. 2009). Kelebihan dari Nearest Neighbor yaitu dapat mengidentifikasi kategori dari data yang berbasis pada kedekatan dari kelas yang sudah diketahutui terlebih dahulu (Bhatia and Vandana, 2010). Algorima Nearest Neighbor akan digunakan untuk menentukan rangking pada sistem rekomendasi ini. Hayati (2011) menggunakan metode Nearest Neighbor untuk sistem rekomendasi pariwisata,
Oleh karena itu, dalam penelitian ini penulis akan menerapkan metode hybrid approaches dengan menggabungkan algoritma decision tree dan nearest neighbor.
Metode ini akan diaplikasikan pada sistem rekomendasi pencarian pekerjaan yang memberikan rekomendasi pekerjaan yang sesuai dengan latar belakang pendidikan, minat dan bakat pelamar.
1.2Rumusan Masalah
Mencari pekerjaan yang sesuai dengan minat, bakat dan latar belakang pendidikan yang kita tekuni itu tidak mudah. Keterbatasan informasi lowongan pekerjaan juga menjadi hambatan bagi pelamar yang ingin mencari pekerjaan.
Maka dari itu, diperlukan suatu pendekatan yang dapat digunakan untuk memberikan rekomendasi bagi pelamar pekerjaan dalam menentukan pekerjaan yang sesuai dengan minat dan bakat pelamar terutama latar belakang pendidikan pelamar.
1.3Batasan Masalah
Batasan masalah dalam penelitian ini adalah :
1. Minimum pendidikan pelamar adalah SMA/SMK
2. Terdapat 7 bidang pekerjaan: teknologi, ekonomi, teknik, pertanian, kedokteran, MIPA, ilmu budaya dan umum
1.4Tujuan Penelitian
Penelitian ini bertujuan untuk menerapkan metode hybrid-based recommendation
untuk memberikan informasi lowongan pekerjaan dan rekomendasi pekerjaan yang sesuai dangan latar belakang pendidikan, minat dan bakat seorang pelamar menggunakan algoritma decision tree dan nearest neighbor.
1.5Manfaat Penelitian
Manfaat Penelitian ini adalah sebagai berikut :
1. Menyediakan informasi lowongan pekerjaan yang diperoleh dari perusahaan – perusahaan yang ingin mencari karyawan baru
2. Membantu pelamar mengetahui atau menemukan pekerjaan yang sesuai dengan latar belakang pendidikan, minat dan bakat mereka
1.6Metode Penelitian
Tahapan - tahapan yang akan dilakukan pada penulisan skripsi ini adalah sebagai berikut :
1. Studi Literatur
Studi literatur dilakukan dengan cara mengumpulkan bahan referensi yaitu dari buku, artikel, paper, jurnal, makalah, maupun situs-situs dari internet. Studi literatur yang dilakukan berkaitan dengan Sistem Rekomendasi, metode nearest neighbor, metode decision tree, informasi yang berkaitan dengan pekerjaan dan lowongan
2. Idetifikasi Masalah
Pada tahap ini, dilakukan identifikasi masalah yang akan diselesaikan pada aplikasi ini 3. Analisis
4. Perancangan Sistem
Pada tahap ini dilakukan perancangan arsitektur, perancangan data dan perancangan antarmuka. Proses perancangan dilakukan berdasarkan hasil analisis studi literatur yang telah didapatkan.
5. Implementasi Sistem
Pada tahap ini dilakukan proses implementasi pengkodean program dalam aplikasi komputer menggunakan bahasa pemrograman yang telah dipilih yang sesuai dengan analisis dan perancangan yang sudah dilakukan.
6. Pengujian
Pada tahap ini dilakukan proses pengujian dan percobaan terhadap sistem sesuai dengan kebutuhan yang ditentukan sebelumnya serta memastikan program yang dibuat berjalan seperti yang diharapkan.
7. Dokumentasi
Pada tahap ini dilakukan pembuatan dokumentasi sistem, lengkap dengan analisis yang diperoleh, hasil analisis dan implementasi dari konsep metode hybrid NN (Nearest Neighbor) dan Decision Tree pada sistem rekomendasi.
1.7. Sistematika Penulisan
Penulisan skripsi ini terdiri dari lima bab dengan masing-masing bab secara singkat dijelaskan sebagai berikut:
Bab 1 : Pendahuluan
Bab ini berisi berisikan latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan sistematika penulisan.
Pada bab ini dibahas mengenai teori-teori pendukung penelitian skrispsi yaitu teori sistem rekomendasi, content-based recommendation, collaborative recommendation, metode hybrid, algoritma nearest neighbor (NN), algoritma Decision Tree.
Bab 3 : Analisis dan Perancangan Sistem
Pada bab ini berisikan paparan analisis terhadap permasalahan dan penyelesaian persoalan terhadap metode hybrid pada sistem rekomendasi serta identifikasi kebutuhan perancangan sistem.
Bab 4 : Implementasi dan Pengujian Sistem
Pada bab ini berisi implementasi perancangan sistem dari hasil analisis dan perancangan yang sudah dibuat, serta menguji sistem untuk menemukan kelebihan dan kekurangan pada sistem rekomendasi yang dibuat.
Bab 5 : Kesimpulan dan saran
BAB II
LANDASAN TEORI
Di dalam landasan teori ini, akan dibahas tentang teori – teori dan konsep dasar yang mendukung pembahasan dari sistem yang akan dibuat.
2.1Basis Data (Database)
Basis data diperlukan dalam pembuatan sebuah sistem sebagai inti dari sistem tersebut. Beberapa definisi lain tentang basis data adalah sebagai berikut:
1. Basis data adalah sebuah model dari beberapa aspek realitas pada sebuah organisasi (Kent, 1978).
2. Menurut Connolly dan Begg (2002), basis data adalah kumpulan dari data yang sering digunakan oleh sebuah sistem pada suatu organisasi.
3. Basis data menurut Sutanta (2004) adalah pengorganisasian sebuah kumpulan data yang saling terkait atau berhubungan sehingga memudahkan memperoleh informasi.
4. Database adalah sebuah struktur repositori dari suatu data.
2.1.1 Database Management System (DBMS)
Database management system (DBMS) adalah sebuah set dari fasilitas yang terorganisir untuk mengakses dan mempertahankan satu atau banyak basis data. Penggunaan DBMS dilakukan di dalam integrasi dari suatu sistem yang menggunakan data tersebut dalam sebuah perangkat lunak (Beynon-Davies, 2004). Menurut Beynon-Davies, DBMS dibagi atas 4 jenis yaitu:
1. Data definition : fungsinya yaitu pendefinisian struktur data baru yang masuk ke dalam sebuah database, menghapus struktur data dasi sebuah basis data dan memodifikasi struktur dari data yang sudah ada.
2. Data maintenance : fungsinya yaitu menyisipkan data baru, memperbaharui data dan menghapus data pada sebuah data struktur yang telah ada.
3. Data retrival : fungsinya yaitu, melakukan query pada data yang telah ada dan mengambil data untuk digunakan pada sebuah sistem.
4. Data Control : fungsinya yaitu, menciptakan dan memonitoring user dari basis data, membatasi akses data, dan memonitoring performa database.
2.2Sistem Rekomendasi (Recommender System)
Ada beberapa macam definisi dari sistem rekomendasi. Menurut Mahmood dan Ricci, Sistem Rekomendasi adalah peralatan perangkat lunak dan teknik yang menyediakan saran untuk items yang bisa digunakan oleh user. Secara general sistem rekomendasi didefinisikan sebagai sistem pendukung yang membantu user untuk mencari informasi, produk dan servis (buku, film, music dll) dengan menggabungkan dan menganalisa saran dari user lain, yang berarti meninjau dari beberapa pihak dan user
atribut (Frias-Martinex, 2006).
user (Melville dan Sindhwani, 2010). Sistem Rekomendasi menurut Melville dan Sindhwani, terbagi atas 3 jenis, yaitu:
1. Content-based Filtering 2. Collaborative Filtering 3. Hybrid-based Filtering
2.2.1 Content Based Filtering
Content-based filtering adalah sistem yang belajar untuk memberikan rekomendasi
item yang sama kepada user baru dengan membandingkan user yang terdahulu (Mahmod dan Ricci, 2009). Yang dimaksud dengan user yang baru dan user yang lama di sini adalah user baru sebagai data yang baru masuk dan user lama sebagai data yang telah masukkan dan sudah tersimpan di dalam database. Teknik – teknik yang digunakan dalam content-based seperti Bayesian Classifiers, Cluster analysis, decision trees dan artificial neural networks. Teknik – teknik tersebut dapat mengestimasi probabilitas perbandingan data lama dengan data baru.
2.2.2 Collaborative Filtering
Implementasi termudah dan original dari pendekatan rekomendasi ini untuk user aktif yang mempunyai kesamaan dengan user yang terdahulu (Schafer dkk, 2007). Kesamaan data pada 2 user dikalkulasi berdasarkan kesamaan history dari user.
Metode ini membandingkan koleksi data yang sama ataupun tidak sama dengan data yang baru dan kemudian dikalkulasi agar dapat diberikannya rekomendasi kepada
user. Teknik – teknik yang sering dipakai dalam metode ini adalah teknik tf-idf, nearest neighbor dan pearson Correlation.
2.2.3 Hybrid Based Filtering
Sistem rekomendasi ini berdasarkan oleh kombinasi dari content-based filtering dan
menggabungkan metode content-based filtering dengan collaborative filtering
mencoba menggunakan keunggulan dari content-based filtering untuk mengatasi masalah dari kekurangan collaborative filtering ataupun sebaliknya. Contohnya seperti pada metode content-based filtering hanya dapat mengklasifikasikan data. Tetapi sistem ingin memberikan rangking kepada user untuk rekomendasi item.
Maka dari itu sistem menggunakan metode collaborative filtering untuk mendapatkan perhitungan agar menghasilkan sebuah rangking rekomendasi yang dapat diberikan kepada user. Sehingga dengan menggabungkan dua metode tersebut, sistem akan memberikan hasil yang lebih baik dan lebih memuaskan kepada user.
2.3Metode Nearest Neighbor
Metode nearest neighbor langsung mengeksploitasi jarak antara data sampel untuk melakukan klasifikasi. Nearest neighbor secara independen mengevaluasi jarak antara data yang satu dengan data yang lain (Xu, Y. 2012). Rules nearest neighbor
mengidentifikasi katagori dari data poin yang baru (kasus baru) berdasarkan nearest neighbor dari data (kasus lama) yang telah diketahui nilainya (Vaidehi dan Vasuhi, 2008).
Gambar 2.1 Kedekatan kasus
Pada gambar 2.1 dapat dilihat bahwa terdapat dua kasus lama, yaitu kasus A dan kasus B. Pada saat kasus baru muncul, solusi yang digunakan untuk memcahkan kasus baru tersebut adalah dengan kasus lama A dikarenakan jarak 1 yaitu kasus baru dengan kasus A lebih dekat dibandingkan jarak 2 yaitu jarak kasus baru dengan kasus B. Maka diambil kesimpulan bahwa kasus baru dipecahkan oleh kasus A.
Untuk memperoleh rangking pada nearest neighbor, sistem melakukan perhitungan kedekatan (similarity) antara 2 kasus. Berikut adalah rumus dari yang digunakan di dalam metode nearest neighbor.
Dimana : T : Kasus baru
S : Kasus yang ada dalam memori/basisdata (kasus lama) n : Jumlah atribut dalam setiap kasus
i : atribut variabel antara 1 s/d n
f : fungsi similarity atribut i antara kasus T dan kasus S w : bobot yang diberikan pada atribut ke-i
Penentuan kedekatan biasanya berada pada nilai antara 0 s/d 1. Nilai 0 berarti bahwa kedua kasus mutlak tidak memiliki kesamaan, sebaliknya untuk nilai 1, berarti kasus tersebut mutlak memiliki kesamaan.
Klasifikasi data bisa dideskripsikan sebagai pengawas dari sebuah learning algoritm
di dalam proses mesin pembelajaran. Decision tree adalah sebuah representasi dari prosedur keputusan untuk menentukan kelas dan dikonstruksikan menjadi algoritma
non-incremental tree-induction atau algoritma incremental tree-induction (Utgoff, 1989).
dalam sistem pengambilan keputusan dan proses pembelajaran sistem yang menggunakan teknik prediksi modeling yang digunakan di dalam klasifikasi. Decision tree menggunakan teknik divide-conquer untuk memisahkan masalah menjadi bagian – bagian.
Gambar 2.2 Decision Tree
2.5Penelitian terdahulu
Di bagian ini akan dijabarkan beberapa penelitian terdahulu. Sistem rekomendasi telah banyak digunakan pada penelitian terdahulu. Seperti sistem rekomendasi pada bursa telepon genggam (2008) yang menggunakan content-based filtering dan sistem rekomendasi untuk sistem informasi toko film digital (2007) menggunakan metode
Untuk metode Hybrid-based filtering telah digunakan oleh (2010) pada sistem rekomendasi berita berbahasa indonesia yang menggunakan gabungan metode
[image:31.595.104.531.274.737.2]clustering dan algoritma tf-dif. Kemudian digunakan juga oleh (2012) untuk memperoleh rekomendasi minat bakat siswa yang menggunakan metode Association Rule dan algoritma Apriori. Untuk lebih jelasnya, pada tabel 2.1 Berikut akan dijelaskan penelitian – penelitian yang telah dibuat sebelumnya.
Tabel 2.1 Penelitian terdahulu No. Judul Tahun Metode yang
digunakan
Keterangan
1 Pembangunan
Perangkat Lunak Sistem
Rekomendasi Bursa
Elektronis Telepon
Genggam.
2008 content-based
filtering
Kelemahan :
ketidakmampuan sistem
memberikan rekomendasi
suatu informasi yang baru
karena rekomendasi
berdasarkan data yang lalu.
2 Metode Analisis
Rekomendasi Pada
Sistem Rekomendasi
(Contoh kasus
Pemanfaatan pada biro
wisata)
2009 knowledge-based, utility based user-based collaborative filtering, item-based collaborative filtering, dan association rules
Berdasarkan kepuasan
pelanggan (user
satisfaction) pemodelan
sistem rekomendasi
memiliki domain dan
wilayahnya masing-masing
dalam penyelesaian masalah
penentuan rekomendasi
Tabel 2.1 Penelitian terdahulu (lanjutan) No. Judul Tahun Metode yang
digunakan
Keterangan
3 Model Sistem Informasi
Toko Film Digital
Dengan Recommender
System
2007 Collaborative
Filtering
metode user
item
Keuntungan : dinamis dan
sederhana dalam
perhitungan rekomendasi
Kelemahan : masalah
akibat terlalu banyak item.
4 Studi Multi Criteria
Decision Making
(MCDM) untuk
Recommender System
Bursa Tenaga Kerja
2008 Multi Criterian
Decision
Making
(MCDM)
Kelebihan : metode
sederhana dan sesuai,
permasalahan pemilihan
alternatif yang jumlahnya
terbatas dan telah diketahui
sebelumnya.
5 Implementasi Sistem
Rekomendasi Berita
Berbahasa Indonesia
Berbasis Pilihan
Personal Menggunakan
Algoritma Hybrid
Filtering
2010 Algoritma
clustering dan
algoritma tf-dif
Algoritma clustering
digunakan untuk klasifikasi
berita
Keuntungan tf-dif :
pemberian bobot pada term
sehingga dapat mengetahui
term yang sering muncul
dalam dokumen secara
individu, namum jarang
dijumpai pada dokumen lain
6 Sistem Rekomendasi
Bidang Minat
Mahasiswa
menggunakan Metode
Association Rule dan
Algoritma Apriori
2012 metode
Association
Rule dan
algoritma
Apriori
Aturan yang telah diinput
sebelumnya menjadi acuan
rekomendasi terhadap minat
user sehingga sistem dapat
memberika rekomendasi
Tabel 2.1 Penelitian terdahulu (lanjutan) No. Judul Tahun Metode yang
digunakan
Keterangan
7 Perancangan Sistem
Pendukung Keputusan
(SPK) untuk
menentukan
2010 Metode
Decision tree
menggunakan
algoritma ID3
Kelemahan ID3 :
ketidakstabilan dalam
melakukan klasifikasi data
Kelaiklautan Kapal. perubahan pada data.
Kelebihan : dapat
menganalisa fungsi target
yang bernilai diskrit
8 Penerapan Data Mining
untuk menganalisa
kemungkinan
pengunduran diri calon
mahasiswa bar
2011 Algoritma
Decision tree
menggunakan
algoritma ID3
ID3 merupakan algoritma
dasar dalam decision tree
sehingga algoritma tersebut
lebih mudah dimengerti dan
digunakan
9 Metode HYBRID
(Content dan
Collaborative based) Nearest Neighbour untuk sistem
rekomendasi pariwisata
2011 Algoritma
Nearest
Neighbor dan
algoritma
Euclidean
Menanggulangi kelemahan
dari motede hybrid(content
dan collaborative) dengan
pendekatan baru yaitu
Algoritma Nearest Neighbor
10 Sistem rekomendasi
pembelian mobil
berbasis metode
Neuro-Fuzzy Classification
- metode
Neuro-Fuzzy
Classification
Penggabungan fuzzy logic
dengan neural network
untuk menanggulangi
kekurangan dari rule fuzzy
logic
11 Perbandingan metode
Nearest neigbor dan
algoritma C.45 untuk
menganalisis
kemungkinan
pengunduran diri calon
mahasiswa di STMIK
Yogyakarta
2009 Algoritma
Nearest
Neighbor dan
algoritma C4.5
Algoritma Nearest
Neighbor: tidak lebih akurat
dari C.45 tetapi pada saat
pengklasifikasian data
algoritma C.45
membutuhkan waktu yang
lebih lama dan proses yang
BAB III
ANALISIS DAN PERANCANGAN
Dalam penelitian ini digunakan metode hybrid-approches yang menggabungkan dua buah metode, yaitu metode content-based dan collaborative-based untuk Penggabungan dua buah metode ini dilakukan untuk mengatasi kelemahan dari masing – masing metode tersebut. Selanjutnya akan dibahas tentang perancangan
Data Flow Diagram (DFD) dan perancangan alur kerja sistem (flowchart) pada sistem.
3.1 Data yang digunakan
Data yang digunakan pada sistem ini diambil dari 2 sumber yaitu jobsdb untuk data lowongan pekerjaan dan Universitas Sumatera Utara untuk data jurusan universitas. Pada tabel 3.1 berikut akan dijabarkan sumber, jumlah data dan tahun dari data yang akan digunakan :
Tabel 3.1 Sumber data
No Sumber Jumlah data Bln/Tahun Data yang diambil
1 Jobsdb
(www.jobsdb.com)
1600 Januari 2013 – Maret
2013
data lowongan pekerjaan
2 Univesitas Sumatera
Utara (www.usu.ac.id)
58 Maret 2013 Data fakultas dan jurusan
yang ada di USU
Dapat dilihat pada tabel 3.1 bahwa data yang diambil pada website jobsdb adalah sebesar 1600 data. Yang diambil pada kurun waktu Januari 2013 – Maret 2013. Data yang diambil berupa data lowongan pekerjaan yang berisi tentang kualifikasi atau
selain dari website jobsdb, data yang digunakan untuk bidang pendidikan dan jurusan pendidikan diambil dari website Universitas Sumatera Utara (USU). Data yang diambil berjumlah 58 data, diakses pada bulan Maret 2013. Untuk bidang pendidikan diambil dari fakultas dan jurusan yang ada di Universitas Sumatera Utara.
3.2 Analisis data
3.2.1 Klasifikasi data
Data diklasifikasikan atas 3 jenis yaitu parameter, variabel dan atribut. Paramater digunakan pada teknik decision tree (content-based). Fungsi dari parameter tersebut untuk menentukan dan memberikan informasi jenis latar belakang pendidikan pelamar kepada sistem. Parameter pada teknik decision tree dibagi atas 7 jenis, dapat dilihat pada tabel 3.2 berikut.
Tabel 3.2 Parameter rekomendasi pada metode collaborative-based
No Parameter Keterangan
1 Ekonomi Untuk menentukan rekomendasi pada bidang ekonomi seperti bank
2 Pertanian Untuk menentukan rekomendasi pada bidang pertanian 3 Teknologi Untuk menentukan rekomendasi pada bidang komputer 4 Pendidikan (Ilmu
Budaya)
Untuk menentukan rekomendasi pada bidang pendidikan seperti kursus atau sekolah
5 Ilmu Pengetahuan (MIPA)
Untuk menentukan rekomendasi pada bidang ilmu pengetahuan seperti Laboratorium dsb
6 Kedokteran Untuk menentukan rekomendasi pada bidang kedokteran 7 umum Untuk menentukan rekomendasi pada kualifikasi bidang
umum
Gambar 3.1 Penentuan Parameter
Di dalam metode nearest neighbor (collaborative-based) pada sistem ini digunakan klasifikasi data yaitu variabel dan atribut. Variabel adalah suatu unsur data yang akan diolah sehingga menghasilkan rekomendasi. Sedangkan atribut adalah objek yang berada di dalam sebuah variabel. Penggunaan variabel dan atribut pada tabel 3.3 digunakan untuk perhitungan similarity agar menghasilkan menghasilkan sebuah rekomendasi.
Tabel 3.3 Variabel dan Atribut
No Variabel Atribut
1 Jenis pendidikan a. Informasi Teknologi (IT) b. Ilmu Komputer (Ilkom) 2 Kualifikasi pendidikan a. SMA
b. SMK
c. D3 (Diploma) d. S1 (Sarjana) e. S2 (Magister) 3 IP (Indeks Prestasi) a. C = 2,75 – 2,99
b. B = 3,00 – 3,50 c. A = 3,51 – 4,00 4 Kemampuan komputer a. Web
Penggunaan variabel dan atribut pada metode nearest neighbor akan dijelaskan pada gambar 3.2 berikut :
Gambar 3.2 Penggunan variabel dan atribut pada nearest neighbor
3.2.2 Data pada Content-based Filtering
Pada penelitian ini, data yang terkumpul dari sumber akan di analisis agar sesuai dengan kebutuhan sistem. Sehingga dapat diolah untuk menghasilkan suatu rekomendasi. Untuk memberikan rekomendasi yang sesuai dengan latar belakang pendidikan, maka dilakukan pengklasifikasian berdasarkan jurusan apa yang dibutuhkan perusahaan kemudian di seleksi dengan latar belakang pendidikan yang dimiliki oleh seorang pelamar. Pengklasifikasian data dilakukan dengan menggunakan metode decision tree.
Data jurusan yang digunakan dalam penelitian ini bersumber dari Universitas Sumatera Utara (USU). Data diambil melalui media internet yang diakses dari website
Tabel 3.4 Sampel data latar belakang pendidikan
No Kualifikasi Pendidikan Fakultas Jurusan
1 D3 MIPA Kimia
2 D3 Ilmu Budaya Sastra Inggris
3 D3 Ekonomi Akutansi
4 S1 MIPA Kimia
5 S1 FASILKOMTI Teknologi Informasi
... ... ... ...
35 S2 FASILKOMTI Teknologi Informasi
3.2.3 Data pada Collaborative Filtering
Setelah melakukan pengklasifikasian pada latar belakang pendidikan, maka dilakukannya rekomendasi pekerjaan kepada pelamar. Maka diperlukannya data lowongan pekerjaan yang dikeluarkan oleh perusahaan – perusahaan yang ingin mencari karyawan baru. Analisis data untuk merekomendasikan pekerjaan kepada pelamar dilakukan dengan menggunakan nearest neighbor. Data yang digunakan dalam penelitian ini bersumber dari data website pencarian pekerjaan yaitu jobsDB. Data yang diambil melalui media internet yang diakses dari website
http://id.jobsdb.com berupa informasi lowongan pekerjaan. Dari sumber yang sama juga digunakan data lowongan pekerjaan tahun 2010 – 2013.
Tabel 3.5 Sampel data lowongan pekerjaan
no Nama Pekerjaan Jenis
Pendidikan
Kualifikasi
Pendidikan
IP Fresh Graduate . . . lokasi
1 Web application
developer (maven lab
pte ltd)
Informasi
Teknologi
S1 2,75 ya . . . jakarta
2 ASP.Net Developers Ilmu
komputer
D3 3,00 ya . . . Jakarta
3 Temporary Payroll
Executive – PT
MindChamps
Indonesia
akutansi D3 2,75 ya . . . Jakarta
4
ekonomi D3 2,75 tidak . . . Surabaya
5
ekonomi S1 2,75 tidak . . . jakarta
6 Teknik industri, teknik kimia
S1 3,00 tidak . . . Medan
7 Account Manager
(Medical)
Carl Zeiss Pte. Ltd.
ekonomi S1 2,75 tidak . . . Jakarta
8 Elementary Teacher
YAY. LYLYS PERTIWI Informasi Teknologi, mipa, sastra inggris
S1 2,75 ya . . . Jakarta
Utara
9 Japanese Teacher
LIMKOKWING
AKADEMI
INNOVASI
KREATIVITAS, PT
Sastra jepang S1 2,75 tidak . . . Bali
10 DOSEN
YAYASAN LEMBAGA PENGEMBANGAN MANAJEMEN FIDEA Akutansi, manajemen, teknologi informasi, ilmu komputer
S2 2,75 ya . . . jakarta
. . . .
. . . .
. . . .
1000 Architects (ARC –
SML)
SINAR MAS LAND
Untuk pelamar yang menginginkan rekomendasi pekerjaan, sistem akan meminta pelamar tersebut untuk memasukkan data pribadi atau resume (CV). Resume tersebut digunakan sebagai kriteria perbandingan dalam mencari pekerjaan yang sesuai dengan
requirement sebuah perusahaan yang menyediakan lowongan pekerjaan. Adapun field
dan contoh data yang harus dimasukkan pelamar akan dijelaskan di tabel 3.6 berikut:
Tabel 3.6 Sampel data
1 Nama Nurul Khadijah
2 Alamat Jln Sei Beras No. 3
3 Jenis Pendidikan Informasi Teknologi
4 Kualifikasi Pendidikan S1
5 IP 3
6 Kemampuan Komputer Web
. . .
. . .
. . .
3.3 Metode Hybrid
Untuk membangun sistem rekomendasi pada penelitian ini, digunakan metode hybrid-approches. Metode hybrid-approches ini adalah gabungan dari 2 metode, metode
Content-based dan metode Collaborative Filtering. Metode pada Content-based
menggunakan teknik Decision Tree dan metode untuk Collaborative Filtering
menggunakan algoritma Nearest Neighbor. Pada gambar 3.3 berikut akan digambarkan tentang proses penggunaan metode – metode tersebut :
3.3.1 Proses Metode Content-based Filtering
Metode Content-based pada aplikasi ini digunakan untuk penyaringan data yang telah diinput oleh user sebelumnya. Jika pada metode Collaborative-based digunakan hanya untuk memberikan rangking kepada kasus – kasus yang telah diinput sebelumnya, maka metode Collaborative-based dilakukan pada penyaringan data yang telah diinput sebelumnya sehingga menghasilkan parameter – parameter yang sesuai untuk dilakukannya rangking.
Pada penyeleksian data menggunakan teknik decision tree, data yang telah diinput oleh user akan dibandingkan dengan kasus yang telah disimpan terlebih dahulu di database. Setelah data dibandingkan dan mendapatkan kecocokan antar data, akan menghasilkan parameter yang akan digunakan dalam perhitungan di
Collaborative-based. Misalkan pelamar menginput data (tabel 3.7) :
Tabel 3.7 Sampel data pelamar
1 Nama Nurul Khadijah
2 Alamat Jln Sei Beras No. 3
3 Bidang Pendidikan Teknologi
4 Jenis Pendidikan Informasi Teknologi 5 Kualifikasi Pendidikan S1
6 IP 3
7 Kemampuan Komputer Web
. . .
. . .
Gambar 3.4 Node Akar
Dari gambar 3.4 dapat dilihat bahwa kualifikasi pendidikan dibagi atas 4 node yaitu SMA, D3, S1 dan S2. Pada data resume, kualifikasi pelamar adalah S1. Maka dipilih S1 kemudian dilanjutkan ke bidang pendidikan. Pada gambar 3.5, bidang pendidikan pelamar adalah teknologi kemudian dilanjutkan ke node jurusan pendidikan.
Pada bidang pendidikan teknologi, jurusan pendidikan dibagi atas 2 jenis yaitu Ilmu komputer dan teknologi. Jurusan pendidikan pelamar adalah teknologi informasi, kemudian berlanjut ke node terakhir yaitu parameter (gambar 3.6).
Gambar 3.6 Pembentukan Akar 2
Pada gambar 3.7, node parameter untuk jurusan pendidikan informasi teknologi adalah parameter teknologi. Setelah mendapatkan parameter kemudian langkah selanjutnya adalah perhitungan yang akan dilakukan di metode content-based
menggunakan algoritma nearest neighbor yang akan menghasilkan rangking rekomendasi kepada pelamar.
3.3.2 Proses Metode Collaborative-based Filtering
Collaborative-based akan memberikan rekomendasi pekerjaan dengan menggunakan informasi rangking berdasarkan data yang telah masukkan oleh user. Data user yang dimasukkan akan dicari dan dibandingkan dengan data yang tersimpan terlebih dahulu di dalam database. Masing – masing data akan diberi bobot kemudian data tersebut akan dibandingkan dengan nilai – nilai dari bobot dan kedekatan di dalam variabel. Variabel – variabel tersebut akan dihitung kesamaannya (similarity) menggunakan algoritma Nearest Neighbor kemudian disaring atau di-rangking berdasarkan hasil jarak tersebar dari perhitungan bobot setiap variabel.
Pencarian jarak terbesar dengan algoritma Nearest Neighbor dengan melakukan perhitungan kedekatan nilai variabel dan bobot variabel. Berikut adalah langkah – langkah pencarian jarak terbesar menggunakan algoritma Nearest Neighbor:
1. Menentukan bobot dan kedekatan variabel :
a. Membuat tabel data dengan mengklasifikasikan variabel yang ada
Nilai bobot ditentukan berdasarkan korelasi pearson (Melville, P. Etc. 2002). Dimana bobot ditentukan dengan menghitung korelasi dari data yang masuk dengan data yang sudah ada yang mengandung tingkat hubungan. Ketika menentukan nilai korelasi, hal – hal yang dipertimbangkan adalah
− x menyebabkan y
− y menyebabkan x
− kumpulan faktor yang lain
Berikut adalah tabel penentuan nilai bobot:
Tabel 3.8 Penentuan nilai bobot
No Tingkat korelasi bobot
1 Nilai 1 sama dengan nilai 2 1
2 Nilai 1 sangat mendekati nilai 2 0,75 3 Nilai 1 tidak berpengaruh dengan nilai 2 0,5
4 Nilai 1 mendekati nilai 2 0,25
5 Nilai 1 tidak mendekati nilai 2 0
nilai 1 dan nilai 2. Disini nilai 1 sebagai kualifikasi dari pelamar dan nilai 2 sebagai requirement yang diminta oleh perusahaan.
Pada tabel 3.9 berikut adalah tabel kedekatan atribut dan bobot variabel pada sistem rekomendasi:
Tabel 3.9 Bobot Variabel
No Variabel Bobot
1 Jenis pendidikan 1 2 Kualifikasi pendidikan 0,75 3 IP (Indeks Prestasi) 0,5 4 Kemampuan komputer 1
b. Menentukan kedekatan nilai pada atribut – atribut dari variabel
Pada tabel 3.10 berikut adalah contoh penentuan nilai pada atribut : Tabel 3.10 Sampel nilai atribut jenis pendidikan
Nilai 1 Nilai 2 Bobot IT Ilkom 0,5
Ilkom IT 0,5
Ilkom Ilkom 1
IT IT 1
2. Menghitung kedekatan kasus baru dengan kasus lama Kasus Lama (daftar pekerjaan) :
Tabel 3.11 Tabel Kasus Lama (Daftar Pekerjaan)
No Jenis pendidikan Kualifikasi pendidikan IP Kemampuan komputer
1 IT S1 2,75 Web
2 IT D3 3,0 Prog
Kasus Baru (pelamar perkerjaan) :
Tabel 3.12 Tabel kasus baru (data pelamar pekerjaan)
No Jenis pendidikan Kualifikasi pendidikan IP Kemampuan komputer
1 IT S1 3,0 Web
Kemudian dilakukan langkah – langkah sebagai berikut untuk menentukan
similarity kasus baru dengan kasus sebelumnya:
a. Kedekatan nilai atribut jenis jenis pendidikan : IT – IT = 1
− Kasus lama jenis pendidikan = IT
− Kasus baru jenis pendidikan = IT
kemudian melakukan mambandingkan kedekatan atribut : Tabel 3.13 Kedekatan Nilai Atribut Jenis Pendidikan
Nilai 1 Nilai 2 Bobot IT Ilkom 0,5
Ilkom IT 0,5
Ilkom Ilkom 1
IT IT 1
Maka bobot dari : IT – IT = 1
b. Bobot atribut jenis pendidikan : 1
Tabel 3.14 Bobot Variabel
No Variabel Bobot
1 Jenis pendidikan 1 2 Kualifikasi pendidikan 0,75 3 IP (Indeks Prestasi) 0,5 4 Kemampuan komputer 1
c. Kedekatan nilai atribut Kualifikasi pendidikan : S1 – S1 = 1
- Kasus lama Kualifikasi pendidikan = S1
- Kasus baru Kualifikasi pendidikan = S1
Tabel 3.15 Kedekatan Nilai Atribut Kualifikasi Pendidikan Nilai 1 Nilai 2 Bobot
S2 S2 1
S1 S1 1
D3 D3 1
SMK SMK 1
S2 S1 0,75
S2 SMK 0,75
S1 S2 0,75
Tabel 3.15 Kedekatan Nilai Atribut Kualifikasi Pendidikan Nilai 1 Nilai 2 Bobot
S1 D3 0,75
S1 SMK 0,75
D3 S2 0,5
D3 S1 0,5
D3 SMK 0,5
SMK S2 0,5
SMK S1 0,25
SMK D3 0,25
Maka bobot dari : S1 – S1 = 1
d. Bobot atribut Kualifikasi pendidikan : 0.8
Tabel 3.16 Bobot Variabel
No Variabel Bobot
1 Jenis pendidikan 1 2 Kualifikasi pendidikan 0,75 3 IP (Indeks Prestasi) 0,5 4 Kemampuan komputer 1 e. Kedekatan nilai atribut jenis IP : 3,0 – 2,75 = 0.8
- Kasus lama IP = 3,0 (B)
- Kasus baru IP = 2,75 (C)
Tabel 3.17 Kedekatan Nilai Atribut IP Nilai 1 Nilai 2 Bobot
A A 1
B B 1
C C 1
A B 0,75
A C 0,5
B A 0,75
C A 0,5
C B 0,5
Ket : C = 2,75 – 2,99; B = 3,00 – 3,50; A = 3,51 – 4,00 Maka bobot dari : 3,0 – 2,75 = 0,75
f. Bobot atribut IP : 0.6
Tabel 3.18 Bobot Variabel
No Variabel Bobot
1 Jenis pendidikan 1 2 Kualifikasi pendidikan 0,75 3 IP (Indeks Prestasi) 0,5 4 Kemampuan komputer 1
g. Kedekatan nilai atribut Kemampuan komputer: web – web = 1
- Kasus lama Kemampuan komputer = web
- Kasus baru Kemampuan komputer = web
Tabel 3.19 Kedekatan Nilai Atribut Kemampuan Komputer
Nilai 1 Nilai 2 Bobot
Web web 1
Desain Desain 1
Jaringan Jaringan 1
Programing Programing 1
web Desain 0,5
. . .
. . .
Maka bobot dari : web – web = 1
h. Bobot atribut Kemampuan komputer : 1
Tabel 3.20 Bobot Variabel
No Variabel Bobot
1 Jenis pendidikan 1
2 Kualifikasi pendidikan 0,75 3 IP (Indeks Prestasi) 0,5 4 Kemampuan komputer 1
Jarak =
Jarak = (1*1) + (1*0,75) + (0,5*0,5) + (1*1) 1 + 0,75 + 0,5 + 1
Jarak = 3,00 3,25 Jarak = 0,923
2. Menghitung kedekatan kasusbaru dengan kasus lama no.2 :
Setelah menghitung kasus 1, Kemudian dilakukan kembali perhitungan Similarity
untuk user ke-2. perhitungan kedekatan user baru dengan user no.2 yaitu :
a. Kedekatan nilai atribut jenis jenis pend : IT – IT = 1 b. Bobot atribut jenis pend : 1
c. Kedekatan nilai atribut Kualifikasi pend : S1 – D3 = 0,75 d. Bobot atribut Kualifikasi pend: 0.75
e. Kedekatan nilai atrinut jenis GPA : 3,0 – 3,0 = 1 f. Bobot atribut GPA: 0.75
g. Kedekatan nilai atribut Kemampuan komputer: web – prog = 0,75 h. Bobot atribut Kemampuan komputer : 1
Maka : Jarak =
Jarak = (1*1) + (1*0,5) + (1*0,5) + (0,75*1) 1 + 0,75 + 0,5 + 1
Jarak = 2,75 3,25 Jarak = 0,846
pekerjaan diberi bobot dan menghasilkan nilai. Untuk perhitungan di dalam skripsi ini, penulis hanya mencontohkan 4 parameter. Hasil nilai jarak dari perhitungan tersebut adalah:
Tabel 3.21 Hasil perhitungan similarity
No Nama hasil 1 Kasus 1 0,9471 2 Kasus 2 0,845
Dari langkah 1 – 2 dan tabel 3.21 dapat diketahui bahwa hasil perhitungan pada kasus no 1 adalah 0,9471 dan hasil perhitungan pada kasus 2 adalah 0,845. Dari kedua hasil tersebut, hasil perhitungan dari kasus 1 yaitu 0,9471 lebih mendekati ke nilai 1 dari pada hasil dari kasus 2 yaitu sebesar 0,845. Maka dari itu, user pada kasus baru memiliki kemiripan terdekat dengan kasus 1, sehingga hasil rekomendasi terbaik ada pada kasus 1.
3.4 Hasil dari metode Hybrid Approch
Dari penelitian ini akan dihasilkan output berupa rekomendasi pekerjaan yang sesuai dengan latar belakang dan bidang pendidikan seorang pelamar pekerjaan. Pelamar pekerjaan akan diberikan pilihan lowongan pekerjaan yang disusun berdasarkan rangking pekerjaan yang paling sesuai dengan pelamar.
Di daftar tersebut akan ditampilkan nama pekerjaan dan keterangan pekerjaan. seperti misalnya rekomendasi yang paling sesuai yaitu berupa pekerjaan di maven lab yang menerima pelamar baru lulus dari universitas dengan hasil perhitungan sebesar 0,923. Contoh hasil output selanjutnya dari aplikasi ini akan dijabarkan pada tabel 3.22 berikut ini:
1 Web Application Developer (MavenLab PTE LTD)
0,923 Menerima Fresh
Graduate
2 Programing developer 0,846 Menerima Fresh
Graduate
3 ASP.Net Developer 0 Tidak Menerima
Fresh Graduate 3.5Perancangan Sistem
3.5.1 Use Case
Pelamar Admin Perusahaan
Mengolah resume Pelamar
edit data Login
Mengolah lowongan pekerjaan
Rekomendasi pekerjaan
hapus data (khusus admin)
edit data hapus data
(khusus admin) Lihat lowongan
pekerjaan
Input data Pelamar Input data
lowongan pekerjaan
Database Rekomendasi
Login Login
Lihat Data Pelamar yang submit pekerjaan
Gambar 3.8 Usecase Spesification Program 3.5.2 Data Flow Diagram (DFD)
3.5.2.1DFD Level 0
DFD level 0 atau disebut juga diagram konteks adalah diagram sistem inti dari sebuah
Sistem rekomendasi pencarian pekerjaan
Pelamar Pekerjan Perusahaan
Admin - Input data Resume
- Edit Data Resume - Lihat Lowongan Pekerjaan - Memberikan Rekomendasi
Pekerjaan
- Lihat Pelamar yang mendaftar pekerjaan
- Input Data Lowongan Pekerjaan - Edit Data Lowongan Pekerjaan
- lihat lowongan pekerjaan - Lihat Pelamar
Pekerjaan - Edit lowongan
pekerjaan - Edit Pelamar Pekerjaan
Gambar 3.9 DFD Level 0/Diagram Konteks Diagram konteks diatas juga terdiri dari dua entitas luar sebagai berikut :
Tabel 3.23 Entitas DFD
No Entitas Luar Keterangan
1 Pelamar Kerja - Pelamar diharuskan untuk memasukkan data pribadi atau resume pekerjaan
- Pelamar dapat meng-edit data yang telah diinput setelah melakukan login
- Pelamar dapat melihat lowongan perkerjaan apa – apa saja yang ada
- Pelamar dapat meminta rekomendasi pekerjaan kepada sistem
2 Perusahaan - Perusahaan diharuskan mendaftar dan kemudian dapat melakukan peng-inputan lowongan
pekerjaan
- Perusahaan dapat meng-edit data yang telah dimasukkan
- Perusahaan dapat melihat siapa saja yang telah memasukkan resume ke perusahaan tersebut 3 Admin - Admin dapat mengedit data dari pelamar maupun
perusahaan 3.5.2.2DFD Level 1
Gambar 3.10 DFD Level 1
Dari gambar 3.10, dapat kita lihat bahwa alur sistem telah digambarkan pada data flow sistem (dfd) tersebut. Di dalam dfd terdapat 3 user yaitu pelamar, admin dan perusahaan. Untuk mendapatkan rekomendasi, user pelamar harus mendaftarkan diri dan mengisi resume pekerjaan yang telah disediakan kemudian data tersebut disimpan ke dalam database pelamar. Setelah proses pendaftaran berhasil, user pelamar dapat login dengan username dan password yang telah didaftarkan terlebih dahulu. Setelah validasi login berhasil, maka pelamar dapat melihat rekomendasi pekerjaan yang ada di dalam sistem.
3.5.2.3DFD Level 2
Berikut ini adalah gambar DFD level 2 hasil dari dekomposisi setiap proses alur sistem pada DFD level 1 :
2.1 Input data pelamar
5.1 edit data pelamar
5.2 hapus data pelamar
Tbl pelamar Tbl login
Pelamar
admin Input resume
Edit data Edit data
[image:55.595.186.452.201.450.2]Hapus data
Gambar 3.11 DFD Level 2 : Mengelola data pelamar
3.1 Input data perusahaan
5.1 edit data lowongan
kerja
5.2 hapus datalowonga
n pekerjaan
Tbl job list Tbl login
Perusahaan
admin Input resume
Edit data Edit data
Hapus data
Gambar 3.12 DFD Level 2 : Mengelola data perusahaan dan lowongan pekerjaan
Dapat kita lihat pada gambar 3.12 untuk mengelola data perusahaan, user yang dapat mengakses proses tersebut adalah user perusahaan dan user admin. Sebelum user perusahaan dan user admin mengelola data, terlebih dahulu user tersebut harus login terlebih dahulu. Kecuali untuk proses penginputan data lowongan pekerjaan.
4.1 Login Tbl login
Pelamar perusahaan
admin
Mengirim validasi data
Mengirim data Username
Password
Status login
[image:56.595.184.458.98.363.2]Status login Status login
Gambar 3.13 DFD Level 2 : Proses Login
harus menginput username dan password yang telah terdaftar kemudian divalidasi pada proses login
Pelamar
perusahaan
admin
1.1 lihat data lowongan pekerjaan
8.1 Lihat data pelamar
Tbl perusahaan
Tbl pelamar Melihat data pelamar
Melihat lowongan
Melihat data lowongan
Melihat data pelamar
Kirim data
Kirim data Melihat data
yg melamar
Meminta data lowongan
Meminta data pelamar
Gambar 3.14 DFD Level 2 : Melihat data
5.1 Rekomendasi
pekerjaan Pelamar
Tbl pelamar
Tbl job list
Tbl pembanding Minta rekomendasi Melihat rekomendasi Tbl parameter Tbl dt pendidikan Tbl temp Memberikan hasil rekomendasi Simpan hasil temp
[image:57.595.147.488.170.382.2]Kirim data
Gambar 3.15 DFD Level 2 : Rekomendasi Pekerjaan
temp. Kemudian hasil rekomendasi di panggil kembali dari tabel temp agar hasil rekomendasi dapat dilihat oleh pelamar.
3.5.3 Flow Chart perancangan algoritma nearest neighbor
Flowchart algoritma nearest neighbor pada sistem yang akan menghasilkan sebuah rekomendasi :
Gambar 3.16 Flow Chart sistem rekomendasi
Langkah – langkah di dalam proses perhitungan algoritma nearest neighbor untuk mendapatkan nilai similarity yang akan menghasilkan sebuah rekomendasi seperti gambar 3.4 tersebut yaitu:
1. Input data pelamar
2. Menentukan similarity pada nearest neighbor
a. Menghitung kedekatan data pelamar dengan data lowongan pekerjaan b. Mencari bobot dengan perbandingan kedekatan nilai
3. Hitung jarak similarity yang kemudian Hasil Jarak atau similarity di simpan di database sementara
4. Jika data lowongan pekerjaan masih ada dan memenuhi kriteria parameter, lakukan perulangan pada langkah 2. Jika tidak ada lanjutkan ke langkah 5 5. Tampilkan Rekomendasi dengan mengambil dari database sementara.
3.5.4 Sitemap Aplikasi
Sitemap merupakan rancangan gambaran awal dimana user akan menggunakan aplikasi, menu apa saja yang akan diakses dan bagaimana cara mengakses atau menggunakan aplikasi.
Pada gambar 3.17 dapat kita lihat bahwa terdapat 4 menu dibawah menu home dari sistem. Menu tersebut adalah pendaftaran, lowongan pekerjaan, login dan about me. Pada menu pendaftaran terdapat dua fungsi. Fungsi pertama adalah pendaftaran untuk pelamar pekerjaan dan fungsi kedua adalah pendaftaran untuk perusahaan yang ingin mendaftarkan lowongan pekerjaan.
Kemudian terdapat menu login untuk 3 user yaitu pelamar, perusahaan dan admin. Untuk mendapatkan rekomendasi lowongan pekerjaan, user harus login username dan
password pelamar.
[image:60.595.113.525.278.690.2]Menu terakhir yaitu menu about me. Pada menu tersebut ditampilkan profil pembuat sistem ini. Untuk lebih jelasnya, site map dapat dilihat pada gambar 3.17 berikut :
3.5.5 Database
Pada database sistem rekomendasi ini terdapat 8 tabel. Tabel tersebut adalah pelamar, job list, parameter, dt pendidikan, login, pembanding, submit job dan temp. Untuk pendaftaran dan login digunakan tabel pelamar, job list dan login. Untuk menampilkan lowongan pekerjaan diperlukan tabel job list yang menyimpan informasi lowongan pekerjaan.
[image:61.595.83.541.395.648.2]Pada rekomendasi pekerjaan diperlukan tabel dt pendidikan dan parameter untuk pengklasifikasian data, tabel job list dan pembanding untuk perhitungan rekomendasi dan tabel temp untuk penyimpanan data sementara. Tabel submit job disini berfungsi untuk melamar pekerjaan secara internal yang telah diberikan oleh sistem rekomendasi ini. Untuk lebih jelasnya, dapat dilihat pada gambar 3.18.
3.5.6 Antarmuka Sistem
Interface (antarmuka sistem) diperlukan untuk mempermudah seorang user dalam menggunakan atau mengakses sebuah aplikasi. Antarmuka sistem merupakan sebuah alur komunikai antara user dengan sistem.
Dengan kata lain antarmuka sistem digunakan sebagai media antara user dan komputer agar dapat berinteraksi satu sama lain. Sehingga user dapat lebih mudah mengerti dan menggunakan sistem tersebut.
Disini akan dijabarkan tentang rancangan halaman dan menu pada sistem yang akan dibuat. Berikut adalah gambar rancangan dasar antarmuka dari sistem rekomendasi pencarian pekerjaan :
2. Rancangan Halaman Pencarian manual lowongan kerja
3. Rancangan halaman pendaftaran
5. Rancangan Halaman Profile (Login Pelamar)
8. Rancangan halaman data pelamar (Login Perusahaan)
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
Pada bab ini akan dijelaskan implementasi algoritma nearest neighbor dan metode decision tree pada sistem sesuai perancangan sistem yang telah dijabarkan pada Bab 3. Kemudian dilakukannya pengujian pada sistem yang telah dibangun.
4.1 Implementasi Sistem
Implementasi sistem merupakan proses pengubahan perancangan dan spesifikasi sistem menjadi sebuah sistem yang dapat digunakan. Implementasi sistem pada perancangan dan analisis ini berbasis web menggunakan bahasa pemrograman PHP dan database MySQL.
4.1.1 Lingkungan Implementasi
Lingkungan inplementasi merupakan proses penerapan sistem pada lingkungan perangkar keras (hardware) dan perangkat lunak (Software) yang digunakan dalam skripsi tersebut.
1. Hardware
1. Processor C60 AMD Dual-Core with Turbo CORE Technology up to 1.333 GHz.
2. 2 GB RAM DDR3 (Memory) 3. Mouse
4. Keyboard
5. Hard Disk 320 GB
2. Software
Proses implementasi sistem dijalankan pada spesifikasi software sebagai berikut : 1. Operating Sistem Windows 7 ultimate
2. XAMPP versi 1.7.4 3. Mysql versi 5.0.7
4.2 Implementasi perancangan antarmuka
Untuk menjalankan sistem rekomendasi pencarian pekerjaan berbasis web menggunakan hybrid-based recommendation, terlebih dahulu melakukan instalasi XAMPP pada komputer (PC) atau laptop anda. Kemudian melakukan copy folder program kedalam folder htdocs (C:\xampp\htdocs\) serta import database (*.sql) ke dalam phpmyadmin. Setelah semua instalasi proses selesai, buka sistem melalui browser.
4.2.1 Halaman Home
Gambar 4.1 Halaman Home
4.2.2 Halaman daftar
Halaman daftar merupakan halaman dimana user pelamar atau user dari perusahaan melakukan pendaftaran kepada sistem sebelum melakukan proses selanjutnya. Pada halaman ini user mempunyai 2 pilihan pendaftaran. Pertama pendaftaran untuk pelamar pekerjaan (tombol daftar pelamar) dan kedua untuk perusahaan (tombol daftar perusahaan) dapat dilihat pada gambar 4.2
[image:69.595.110.523.504.743.2]Untuk user pelamar, menu yang dipilih adalah daftar pelamar. Pada gambar 4.3, dapat dilihat halaman daftar pelamar terdapat field untuk mengisi biodata atau resume pelamar seperti no ktp, nama, alamat, kualifikasi pendidikan, jurusan pendidikan dan
[image:70.595.109.525.230.468.2]username password yang ditujuakan untuk user pelamar agar dapat memasuki halaman login pelamar. Pada halaman daftar pelamar, user pelamar diharuskan mengisi semua field sebelum melanjutkan ke halaman login.
Gambar 4.3 Halaman daftar pelamar
Untuk user perusahaan, menu yang dipilih adalah daftar perusahaan. Pada halaman ini terdapat field kosong kualifikasi dan username password untuk validasi ke dalam halaman login perusahan yang harus diisi oleh user perusahaan.
Gambar 4.4 Halaman daftar perusahaan 4.2.3 Halaman Tampil Lowongan pekerjaan
Pada halaman lowongan pekerjaan (gambar 4.5), berisi tentang informasi lowongan pekerjaan apa saja yang tersedia di dalam sistem rekomendasi pencarian pekerjaan. Untuk menampilkan informasi pekerjaan, user dapat memilih bidang apa yang ingin dilihat dan menekan tombol pilih.
[image:71.595.107.525.500.734.2]Pada halaman lowongan pekerjaan, user dapat melihat informasi lowongan pekerjaan yang berisi bidang, nama pekerjaan dan lokasi pekerjaan tersebut. Untuk menampilkan lowongan pekerjaan, terlebih dahulu user diharuskan memilih bidang pekerjaan yang diinginkan (contoh : teknologi) kemudian menekan tombol pilih. sistem kemudian akan memproses pilihan bidang pekerjaan tersebut dan akan menampilkan lowongan pekerjaan sesuai dengan bidang pekerjaan yang dipiliih yang telah ada di dalam database sistem tersebut. Untuk halaman lowongan pekerjaan dapat dilihat pada gambar 4.6 berikut.
Gambar 4.6 Halaman lowongan pekerjaan (tampil lowongan)
4.2.4 Halaman Login
Halaman Login adalah halaman pembuka sebelum user dapat melakukan suatu proses. Dalam sistem ini, halaman login terbagi 3 fungsi. Pertama halaman login untuk pelamar, Kedua halaman login untuk perusahaan dan ketiga halaman login untuk
administrator. Pada halaman login, user diwajibkan untuk mengisi username dan
Gambar 4.7 Halaman login
4.2.4.1 Halaman Login admin
Setelah user memasukkan username dan password untuk admin, maka halaman login
akan mengalihkan user ke menu utama untuk admin (gambar 4.8). di halaman login
admin, terdapat 2 fungsi yaitu melakukan fungsi tambah, ubah, menghapus data pelamar dan dat perusahaan.
[image:73.595.107.525.501.736.2]Pada gambar 4.9, di tampilkan tabel yang berisi data pelamar. Admin mempunyai akses untuk melihat, mengubah dan menghapus data dari pelamar yang telah mendaftarkan diri ke sistem tersebut.
Gambar 4.9 Halaman login admin (profil pelamar)
Pada gambar 4.10, di tampilkan tabel yang berisi data perusahaan. Admin mempunyai akse
