BAB III ANALISIS DAN DESAIN SISTEM

(1)

38 III.1.Analisa Sistem yang Sedang Berjalan

Sistem yang sedang berjalan pada PT. Daeng Mas Inti Perkasa dalam merekrut tenaga kerja masih dengan sistem manual, hal ini diketahui apabila perusahaan merekrut tenaga kerja hanya melihat surat lamaran calon tenaga kerja, kemudian mewawancarai calon tenaga kerja tersebut jika dari hasil wawancara tersebut memenuhi syarat maka calon tenaga kerja tersebut diterima dan dipekerjakan.

III.1.1. Input

Proses inputan penerimaan calon tenaga kerja pada PT. Daeng Mas Inti Perkasa masih dengan sistem manual yaitu sebatas pengisian form aplikasi daftar calon tenaga kerja yang dilakukan oleh calon pelamar tenaga kerja. Adapun form aplikasi tersebut dapat dilihat pada gambar berikut ini :

(2)

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

(3)

III.1.2. Analisa Proses

Analisa proses yang terjadi dalam sistem perekrutan tenaga kerja pada perusahaan PT. Daeng Mas Inti Perkasa, dilakukan dengan beberapa tahapan dan juga dapat digambarkan dengan Flow Of Diagram ( FOD ).

Adapun tahapan - tahapannya adalah sebagai berikut :

1. Perusahaan perekrut calon tenaga kerja memberikan informasi bahwasannya perusahaan tersebut membuka sebuah lowongan kerja ke public melalui divisi Human Recruitment ( SDM) yang ditunjuk oleh perusahaan.

2. Calon tenaga kerja mengajukan lamaran kerja ke perusahaan yang akan merekrut calon tenaga kerja.

3. Human recruitment (SDM) menerima berkas dari calon tenaga kerja untuk diseleksi sesuai dengan permintaan pada perusahaan tersebut.

4. Langkah selanjutnya proses seleksi berkas calon kandidat yang memenuhi syarat.

5. Kemudian data calon karyawan tersebut diserahkan dan diproses pada divisi human resourch development (personalia) untuk menentukan pelamar yang memenuhi syarat .

6. Setelah proses penentuan pelamar yang memenuhi syarat, maka pelamar diterima sebagai karyawan.

7. Proses selanjutnya data hasil pelamar yang diterima diserahkan kepada bagian Human Recruitment (SDM) kemudian di informasikan kepada pelamar.

(4)

Human recruitment (SDM)

Calon Tenaga Kerja Human Resourch Development

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

Penerimaan berkas calon tenaga kerja Pengajuan berkas lamaran kerja Hasil seleksi berkas calon tenaga kerja Seleksi penerimaan berkas calon tenaga kerja Menentukan pelamar yang memenuhi syarat Pelamar yang memenuhi syarat Pelamar yang memenuhi syarat Pelamar yang memenuhi syarat Informasi lowongan kerja

(5)

III.1.3 Output

Proses analisa output atau proses keluaran data pada sistem ini, akan didapat data pelamar yang melakukan seleksi dan hasil dari penyeleksian calon tenaga kerja yang diterima.

III.2.Evaluasi Sistem yang Berjalan

Dari hasil pengamatan yang dilakukan oleh penulis didapat beberapa point yang ditemui yaitu :

1. Sering terjadi keterlambatan pengiriman tenaga kerja ke perusahaan rekanan. Hal ini disebabkan karena lambatnya sistem dalam perekrutan tenaga kerja.

2. Penerimaan calon tenaga kerja melalui prosedur standar tanpa adanya metode – metode dalam seleksi calon tenaga kerja.

Adapun solusi dari evaluasi sistem yang berjalan, penulis mengimplementasikan dengan merancang sebuah sistem aplikasi perekrutan calon karyawan dengan menggunakan aplikasi bahasa pemrograman micrososft visual basic 2008 dan sistem databasenya menggunakan sql server 2005.

III.3.Desain Sistem

Pada sub bab ini penulis akan membahas tentang secara umum menggunakan UML (Unified Modelling Language) yang terdiri dari use case diagram, class diagram, activity diagram, dan sequence diagram.

(6)

III.3.1 Use Case Diagram

Dalam mengidentifikasi yang dibutuhkan oleh sistem dari segi fungsinya, penulis menggunakan Use Case Diagram, hal ini dilakukan agar terlihat peran masing – masing actor atau pengguna yang akan dirancang. Adapun Use Case Diagram yang akan dirancang dapat terlihat pada gambar dibawah ini :

Login

Input Data Pelamar Ganti Password Kelola User Input NIlai Proses Nilai Hasil Admin User

(7)

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

Actor Input Use Case Deskripsi Use Case

Admin Dan User User name dan Password Login

Use Case ini berfungsi untuk melakukan login sebelum mengakses isi dari sistem Ganti

Password

Use Case ini berfungsi untuk mengganti password lama.

Input Data Pelamar

Use Case ini berfungsi untuk melakukan inputan data calon pelamar

Input Nilai

Use Case ini berfungsi untuk penginputan nilai calon pelamar

Hasil

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

Admin

Kelola User

Use Case ini berfungsi untuk menambah, menghapus dan mengedit data.

Proses Nilai

Use Case ini berfungsi untuk memproses nilai data pelamar.

III.3.2. Class Diagram

Class diagram dirancang untuk membantu penulis dalam menvisualisasi struktur dari suatu sistem dan merupakan tipe diagram yang paling banyak dipakai untuk saat ini. Class diagram memperlihatkan hubungan antar kelas dan

(8)

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

<<boundary>> Form_login +input_username () +input_password () +validasi () +selesai () <<entity>> Login_admin +GetData () <<boundary>> Form_kelolapemakai +input_username () +input_password () +input_status () +GetData () +selesai () <<boundary>> Form_inputdatapelamar +input_data () +GetData () +selesai () <<boundary>> Form_hasil +GetData () +selesai () <<boundary>> Form_gantipassword +input_password () +validasi () +selesai () <<boundary>> Form_inputnilai +input_nilai () +GetData () +selesai () <<boundary>> Form_utama +form_pass () +form_kelolaPemakai () +form_dsstree () +form_pelamar () +form_nilai ( +form_hasil () +GetData () +Selesai () <<entity>> Login_user +GetData () <<entity>> Ganti_password +GetData () <<boundary>> Form_dssTree +GetData () +selesai ()

Gambar III.4. Class Diagram

III.3.3. Sequence Diagram

Sequence diagram menggambarkan urutan proses yang dilakukan dalam sistem untuk mencapai tujuan dari use case. Sequence diagram biasanya tersusun dari elemen objek, interaction dan message. Interaction menghubungkan 2 objek dengan pesannya. Diagram ini menjelaskan aspek dinamis dari sistem yang sedang dibangun. Berikut gambar dari sequence diagram :

(9)

III.3.3.1. Sequence Diagram Login

Login Database Menu

Login Hasil Validasi Login Username,password tidak valid Username Valid Admin

Gambar III.5. Sequence Diagram Login

III.3.3.2. Sequence Diagram Data User (Ganti Password)

Form_gantipassword Database Ganti password Informasi hasil Password valid Username,password tidak valid Admin

(10)

III.3.3.3. Sequence Diagram Kelola Pemakai Form_kelolapemakai Database Kelola data Informasi Simpan data kelola pemakai Database

Gambar III.7. Sequence Diagram Kelola Pemakai

III.3.3.4. Sequence Diagram Data Pelamar

Form_inputdata

pelamar Database

Data pelamar

Informasi Simpan data input

data pelamar Admin

(11)

III.3.3.5. Sequence Diagram Penginputan Nilai Form_inputdata Database Data penilaian Informasi Simpan data penilaian Admin

Gambar III.9. Sequence Diagram Penginputan Nilai

III.3.3.6. Sequence Diagram Proses Nilai

Form_dsstree Kategori Nilai Load data Admin Data_ Aturan Proses Nilai Konversi nilai Hitung IG Informasi hasil Form_ Hasil Tampil Hasil

(12)

III.3.3.7. Sequence Diagram Hasil Form_hasil Laporan Data kandidat calon karyawan Cetak hasil Admin Proses nilai

Gambar III.11. Sequence Diagram Hasil

III.3.4. Desain Sistem Secara Detail

Desain sistem pendukung keputusan seleksi calon karyawan pada PT. Daeng Mas Inti Perkasa ini adalah sebagai berikut:

III.3.4.1. Desain Output

Bentuk ouput (keluaran) dari sistem pendukung keputusan penerimaan calon tenaga kerja adalah tampilan menu utama sistem, tampilan laporan data pelamar, dan laporan hasil.

(13)

III.3.4.1.1. Desain Output Tampilan Halaman Utama

[Gambar] Kelola User

XXXXXX

Kode Pelamar

Admin Area Input Data Pelamar Input Nilai Hasil

Proses Nilai

Keluar

Gambar III.12. Desain Tampilan Form Utama

III.3.4.1.2. Desain Output Proses Nilai

xxxx

[Data]

Konversi Nilai Load Sample Informasi Perhitungan Proses aturan Dss Hitung IG Batal Tutup

Root Atribut Root Entropy Root IG

(14)

III.3.4.1.3. Desain Output Tampilan Hasil xxxx Cetak Bulan Tahun Kode Pelamar Nama Pelamar Nilai Pengalaman Nilai Psikotes Nilai

Wawancara Diterima Tanggal

Tutup

Pencarian Hapus

Gambar III.14. Desain Tampilan Hasil

III.3.4.1.4. Desain Output Tampilan Laporan Hasil

xxxx Kode Pelamar Nama Pelamar Nilai Pengalaman Nilai Psikotes Nilai

Wawancara Diterima Tanggal

Diketahui oleh,

PT. DAENG MAS INTI PERKASA

PERUSAHAAN JASA TENAGA KERJA DALAM NEGERI JL. GUNUNG KRAKATAU NO. 11 F MEDAN LAPORAN HASIL PERIODE ………...2012

Dibuat oleh,

(……….) (………)

Gambar III.15. Desain Output Tampilan Laporan Hasil

III.3.5. Desain Input

Adapun yang menjadi inputan pada sistem pendukung keputusan seleksi penerimaan calon karyawan adalah login pengguna, kelola pemakai, data input pelamar, data input nilai, dan data hasil.

(15)

III.3.5.1. Desain Input Pemakai (login) Username Password Lama XXXXXX Tutup Login

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

Username Password Lama Password Baru Konfirmasi Password

XXXXXX

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

Username Password Status

Simpan

User Baru Edit

Username Password Status xxx xxx xxx

XXXXXX

Tutup Update Hapus Batal

(16)

III.3.5.4. Desain Input Data Pelamar

Simpan

Data Baru Edit

XXXXXX Tutup Kode Pelamar Nama Pelamar Tempat Lahir Tanggal Lahir Alamat No. Telepon Keterangan DATA Search Name Hapus Batal Update

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

Nilai Baru

Hapus

XXXXXX

Tutup INPUT NILAI PELAMAR

Kode Pelamar Nama Pelamar Nilai Pengalaman Pencarian DATA Nilai Psikotes Nilai Wawancara Edit Kode

Pelamar Nama Pelamar

Nilai Wawanc Nilai Psikotes Nilai Pengala Update Tambah Batal

(17)

III.3.6. Desain Database

Adapun desain database yang dibuat oleh penulis meliputi kamus data, desain tabel dan Entity Relasional Diagram (ERD) yang akan dibahas sebagai berikut :

III.3.6.1. Kamus Data

Hasil =kode_pelamar+,nama+, nilai_pengalaman+, nilai_etika+, nilai_psikotes+, nilai_wawancara+, keterangan+, tanggal+ Nilai =kode_pelamar+, nama+, nilai_pengalaman+,nilai_etika+, nilai_psikotes+, nilai_wawancara +

Pelamar = kode_pelamar+, nama+, tgl_lahir+, alamat+, no_telp+, keterangan +

Data Aturan = kode_rule+, aturan+

Kategori Nilai =kode_pelamar+, nama+, pengalaman+, psikotes+, wawancara+, diterima +

User = username+, password+, status+ III.3.6.2. Desain Tabel

Perancangan tabel database yang digunakan oleh penulis dalam sistem pendukung keputusan perekrutan calon karyawan pada PT. Daeng Mas Inti Perkasa adalah sebagai berikut :

1. Tabel Hasil

Tabel hasil berfungsi sebagai penyimpanan data record calon tenaga kerja yang telah diseleksi.

(18)

Nama Tabel : tbl_hasil Primary key : kode_pelamar Foreign key : -

Tabel III.2. Hasil

Field Name Type Size Description

kode_pel Varchar 4 Primary key

Nama Varchar 30 nil_pengalaman int nil_psikotes int nil_wawancara int Keterangan varchar 20 Tgl datetime 2. Tabel Nilai

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

Database : DSS

Nama Tabel : tbl_nilai Primary key : kode_pelamar Foreign key : -

Tabel III.3. Nilai

(19)

Nama Varchar 30 nil_pengalaman int

nil_psikotes int nil_wawancara int

3. Tabel Pelamar

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

Database : DSS

Nama Tabel : tbl_pelamar Primary key : kode_pelamar Foreign key : -

Tabel III.4. Pelamar

kode_pel varchar 4 Primary key

Nama varchar 30 tempat_lhr varchar 30 tgl_lhr int Alamat text no_telp varchar 20 Keterangan text

(20)

4. Tabel Kategori Nilai

Tabel kategori nilai berfungsi untuk menkonversi nilai calon tenaga kerja yang didapat dari tabel nilai yang sebelumnya dilakukan beberapa test / pengujian terhadap calon tenaga kerja

Database : DSS

Nama Tabel : tbl_catnilai Primary key : kode_pelamar Foreign key : -

Tabel III.5. Kategori Nilai

kode_pel Varchar 10 Primary key

nama Varchar 30

nil_pengalaman Varchar 10

nil_psikotes Varchar 10

nil_wawancara Varchar 10

diterima Varchar 10

5. Tabel Data Aturan

Tabel data aturan berfungsi untuk membuat data rule menentukan target dari sebuah keputusan.

Database : DSS

Nama Tabel : tbl_user Primary key : username

(21)

Foreign key :

Tabel III.6. Data Aturan

Kode_rule varchar 20 Primary key

Aturan varchar 20

6. Tabel User

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

Database : DSS

Nama Tabel : tbl_user Primary key : username Foreign key :

Tabel III.7. User

Username varchar 20 Primary key

Password varchar 20

(22)

III.3.6.3. Entity Relational Diagram (ERD) Tabel_username Username Password Status Tbl_nilai Kode_pelamar Nama Nil_pengalaman Nil_psikotes Nil_wawancara Tbl_pelamar Kode_pelamar Nama Tgl_lahir Alamat No.telepon Keterangan Tbl_Catnilai Kode_pelamar Nama pengalaman psikotes wawancara diterima Tanggal N Mengambil data N

One two many One two many

Mengambil data

N One two many

Tbl_hasil Kode_pelamar Nama pengalaman psikotes wawancara Diterima Tanggal Tabel_Rule Kode_rule Aturan N N Mengambil data Mengambil data One two many One two many

Gambar III.21. Entity Relational Diagram

III.3.7. logika Program / Activity Diagram

Dalam perancangan sistem yang sedang dibangun, activity diagram sangat dibutuhkan untuk menggambarkan proses alir aktivitas berawal, proses kemungkinan yang akan terjadi dan bagaimana proses dari sebuah sistem itu berakhir. Adapun proses activity diagram sebagai berikut :

(23)

III.3.7.1. Activity Diagram Login

Login

Login Ganti Password Input Data Pelamar

Input Nilai Hasil Login

Ganti Password Kelola User Input Data Pelamar

Input Nilai Proses Nilai Hasil Username & Password valid Username & Password tidak valid

Pilih Type User Ya

Admin User

Gambar III.22. Activity Diagram Login

III.3.7.2. Activity Diagram Data User (Ganti Password)

Input password lama Valid ? Tidak Ya Input password baru konfirmasi password baru Simpan password Tidak Ya Valid ?

(24)

III.3.7.3. Activity Diagram Kelola Pemakai Pilih Aksi User Ubah Hapus Input,Username,danStatus

Pilih Username yang Akan Diubah

Pilih Username yang Akan Dihapus

Simpan Pengguna Ubah Password Hapus Hapus Data Update Simpan konfirmasi Konfirmasi Ya Ya Ya Tidak Tidak Tidak Ya Tidak Ya Tidak Konfirmasi Ya

Gambar III.24. Activity Diagram Kelola Pemakai

III.3.7.4. Activity Diagram Data Pelamar

Pilih Aksi Data Baru Ubah Hapus Input Data

Pilih Data Pelamar yang akan diubah

Pilih Data Pelamar yang Akan Dihapus

Simpan Data Hapus Data Hapus Data Update Simpan konfirmasi Konfirmasi Ya Ya Ya Tidak Tidak Tidak Ya Tidak Ya Ya Ubah Data

(25)

III.3.7.5. Activity Diagram Penginputan Nilai Pilih Aksi Nilai Ubah Hapus Input Kode

Pilih Data Pelamar yang akan diubah

Pilih Data Pelamar yang Akan Dihapus

Input Nilai

Hapus Data Nilai

Hapus Data Simpan Simpan konfirmasi Konfirmasi Ya Ya Ya Tidak Tidak Tidak Ya Tidak Ya Ya Ubah Nilai

Gambar III.26. Activity Diagram Penginputan Nilai

III.3.7.6. Activity Diagram Proses Nilai

Load Data

Konv.Nilai

Tampil Data Aturan Tampil Informasi Aturan

Tampil Data Sample

Hitung Informasi IG Load Sample Tampilan Informasi Range

Validasi Proses Aturan DSS Tampil Hasil Simpan Data Validasi

(26)

III.3.7.7. Activity Diagram Hasil

Tampil Hasil

Gambar III.28. Activity Diagram Hasil

III.3.8. Metode Decision Tree III.3.8.1. Pohon ( Tree )

Pohon merupakan sebuah graf terhubung yang tidak mengandung sirkuit.konsep pohon (tree) dalam teori grafmerupakan konsep yang sangat penting, karena terapannya diberbagai bidang ilmu. Oleh karenanya antara pohon (tree) sangat erat hubungannya dengan teori graf.

Definisi pohon adalah graf tak berarah terhubung yang tidak mengandung sirkuit, menurut definisi tersebut, ada dua sifat penting pada pohon yaitu terhubung dan tidak mengandung sirkuit. Pohon (tree) merupakan graf dimana dua simpul memiliki paling banyak satu lintasan yang menghubungkannya. Pohon seringkali memiliki akar, karena setiap simpul pada pohon hanya memiliki satu lintasan akses dari setiap simpul lainnya, maka tidak mungkin bagi sebuah lintasan untuk membentuk simpul (loop) atau siklus (cycle) yang secara berkesinambungan melalui serangkaian simpul.

(27)

c a b d A B C D

Gambar III.29 Pohon (Tree)

III.3.8.2. Algoritma ID3

Iterative Dichotomicer 3 (ID3) adalah algoritma decision tree learning (algoritma pembelajaran pohon keputusan) yang paling dasar. Algoritma ini melakukan pencarian secara rakus /menyeluruh (greedy) pada semua kemungkinan pohon keputusan. Salah satu algoritma induksi pohon keputusan yaitu ID3 (Iterative Dichotomiser 3). ID3 dikembangkan oleh J. Ross Quinlan. Algoritma ID3 dapat diimplementasikan menggunakan fungsi rekursif (fungsi yang memanggil dirinya sendiri). Algoritma ID3 berusaha membangun decision tree (pohon keputusan) secara top-down (dari atas ke bawah), mulai dengan pertanyaan : “atribut mana yang pertama kali harus dicek dan diletakkan pada root?” pertanyaan ini dijawab dengan mengevaluasi semua atribut yang ada dengan menggunakan suatu ukuran statistic (yang banyak digunakan adalah information gain) untuk mengukur efektivitas suatu atribut dalam mengklasifikasikan kumpulan sampel data. Decision Tree adalah sebuah struktur pohon, dimana setiap node pohon merepresentasikan atribut yang telah diuji, setiap cabang merupakan suatu pembagian hasil uji, dan node daun (leaf)

(28)

merepresentasikan kelompok kelas tertentu. Level node teratas dari sebuah decision tree adalah node akar (root) yang biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas tertentu.

III.3.8.3. Entropy dan Information Gain

Sebuah obyek yang diklasifikasikan dalam pohon harus dites nilai entropinya. Entropy adalah ukuran dari teori informasi yang dapat mengetahui karakteristik dari impuryt ,dan homogenity dari kumpulan data. Dari nilai entropy tersebut kemudian dihitung nilai information gain (IG) masing-masing atribut. Entropy(S) = - p+ log2p + -p -log2p dimana :

· S adalah ruang (data) sample yang digunakan untuk training.

· P+ adalah jumlah yang bersolusi positif (mendukung) pada data sample untuk kriteria tertentu.

· P+ adalah jumlah yang bersolusi negatif (tidak mendukung) pada data sample untuk kriteria tertentu. Dari rumus entropy diatas dapat disimpulkan bahwa definisi entropy (S) adalah jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak suatu kelas (+ atau -) dari sejumlah data acak pada suatu ruang sampel S. Entropy bisa dikatakan sebagai kebutuhan bit untuk menyatakan suatu kelas. Semakin kecil nilai entropy maka semakin baik digunakan dalam mengekstraksi suatu kelas. Panjang kode untuk menyatakan informasi secara optimal adalah –log2p bits untuk messages yang mempunyai probabilitas p. Sehingga jumlah bit yang diperkirakan untuk mengekstraksi S ke dalam kelas adalah : - p+log2 p+ - p- log2 p-

(29)

Setelah mendapat nilai entropy untuk suatu kumpulan data, maka kita dapat mengukur efektivitas suatu atribut dalam mengklasifikasikan data. Ukuran efektifitas ini disebut information gain. Secara matematis, infomation gain dari suatu atribut A,dituliskan sebagai berikut :

Gain(S,A) = Entropy(S) – Entropy(Sv),

dimana : A : atribut

V : suatu nilai yang mungkin untuk atribut A

Values (A) : himpunan yang mungkin untuk atribut A |Sv| : jumlah sampel untuk nilai v

|S| : jumlah seluruh sampel data

Entropy(Sv): entropy untuk sampel-sampel yang memiliki nilai v III.3.9. Pembahasan

Data penerimaan seleksi calon karyawan terdapat sampel 11 orang calon karyawan yang mengikuti seleksi penerimaan seleksi calon karyawan baru dengan memperhatikan 3 parameter / atribut penilaian. Tiga parameter / atribut yaitu : 1. Pengalaman dikelompokkan dalam 3 kategori ( bagus, cukup, kurang ) 2. Psikotes dikelompokkan dalam 3 kategori ( tinggi, sedang, rendah ) 3. Wawancara dikelompokkan dalam 2 kategori (baik dan buruk)

Untuk range penilaian dapat dikelompokkan sebagai berikut : 1. Pengalaman :

a. Bagus = <=3.5 b. Cukup = 1.5 – 3.4

(30)

c. Kurang = 0 – 1.4 2. Psikotes : a. Tinggi = <=7.5 b. Sedang = 5.5 – 7.4 c. Rendah = 0 – 5.4 3. Wawancara : a. Baik = <=6.5 b. Buruk = 0 – 6.4

Tabel III.8. Tabel Parameter

PESERTA PSIKOTES PENGALAMAN WAWANCARA DITERIMA

P1 Tinggi Bagus Baik Ya

P2 Tinggi Cukup Baik Ya

P3 Tinggi Cukup Buruk Ya

P4 Tinggi Kurang Buruk Tidak

P5 Sedang Bagus Baik Ya

P6 Sedang Cukup Baik Ya

P7 Sedang Cukup Buruk Ya

P8 Sedang Kurang Buruk Tidak

P9 Rendah Bagus Baik Ya

P10 Rendah Cukup Buruk Tidak

P11 Rendah Kurang Baik Ya

III.3.9.1. Analisis Informastion Gain

Pada data penerimaan calon karyawan, jumlah kelas adalah 2, yaitu : „ya‟ dan „tidak‟ (c = 2 ). Jumlah sampel kelas 1 („ya‟) adalah 8 dan jumlah sampel untuk kelas 2 („tidak‟) adalah 3, jadi p1 = 8 dan p2 = 3. Dengan demikian entropy untuk kumpulan sampel data S adalah :

Entropy (S) = - ( 8/11) log2 ( 8/11) – (3/11) log2 (3/11) = 0,8454

(31)

Dari tabel diatas misal atribut Diterima=‟ya‟ merupakan sampel (+), dan atribut Diterima=‟Tidak‟ merupakan sampel (-) , dari sampel data pada tabel didapat : Values (nil.Psikotes) = Tinggi, Sedang, Rendah

S = [ 8+ , 3- ] , | S | = 11

Hitung entropy STinggi , Ssedang , SRendah dan Information Gain Untuk nilai Psikotes adalah :

Entropy (S) = 0,8454

Entropy (STinggi) = (-3/4) log2 (3/4) - (1/4) log2 (1/4) = 0,8113 Entropy (Ssedang ) = (-3/4) log2 (3/4) - (1/4) log2 (1/4) = 0,8113 Entropy (SRendah) = (-2/3) log2 (2/3) - (1/3) log2 (1/3) = 0,9183 · Information Gain (S, Nil.Psikotes)

=Entropy(S)–

= 0,8454 – (4/11)0,8113 – (4/11)0,8113 – (3/11) 0,9183 = 0,8454 – 0,2950 – 0,2950 – 0,25044

= 0,0049

Values( Pengalaman) = Bagus, Cukup, Kurang SBagus = [ 3+, 0- ] , | SBagus | = 3

SCukup = [ 4+, 1- ] , | SCukup | = 5 SKurang = [ 1+, 2- ] , | SKurang | = 3

(32)

menunjukkan entropy minimum karena jumlah sampel pada salah satu kelas adalah = 0 (keberagaman data minimum).

Entropy (SCukup) = (-4/5) log2 (4/5) - (1/5) log2 (1/5) = 0,72192

Entropy (SKurang) = (-1/3) log2 (1/3) - (2/3) log2 (2/3) = 0,91829

IG(S,Pengalaman)=Entropy(S) = 0,8454 – 0 – (5/11) 0,7219 – (3/11) 0,9183 = 0,8454 – 0,32814 – 0,25044 = 0,26682 SBaik = [ 6+, 0- ] , | SBaik | = 6 SBuruk = [ 2+, 3- ] , | SBuruk | = 5

Entropy (SBaik) = (-6/6) log2 (6/6) – (0/6) log2 (0/0) = 0 ( keberagaman data minimum ).

Entropy (SBuruk) = (-2/5) log2 (2/5) – (3/5) log2 (3/5) = 0,97094 IG ( S, Wawancara ) = 0,8454 – 0 – (5/11) 0,97094

= 0,8454 – 0,44134 = 0,40406

Dari perhitugan diatas didapat nilai Information Gain dari ketiga atribut ( Nil.Psikotes, Pengalaman, dan Wawancara )

IG ( S, Nil.Psikotes) = 0,0049 IG ( S, Pengalaman) = 0,26682 IG ( S, Wawancara) = 0,40406

(33)

Dari ketiga nilai Information Gain diatas Gain (S, Wawancara ) adalah yang terbesar sehingga atribut Wawancara merupakan the best classifier dan harus diletakkan sebagai root.

Rekursi Level 0 iterasi ke-1

Memanggil fungsi ID3 dengan kumpulan sampel berupa semua sampel data = [ 8+ , 3-]; Atribut target = „Diterima‟ dan kumpulan atribut [nil.Psikotes, Pengalaman, Wawancara] Hitung entropy dan Information Gain untuk menentukan the best classifier dan meletakkannya sebagai root. Dari penjelasan sebelumnya didapat nilai Information Gain (S, Wawancara ) sebagai the best classifier karena IG nya terbesar. Setelah mendapat the best classifier langkah selanjutnya adalah setiap nilai pada atribut wawancara akan di cek apakah perlu dibuat subtree di level berikutnya atau tidak, atribut wawancara, ada 2 sampel ( baik dan buruk ). Untuk nilai „Baik‟ terdapat 6 sampel, berarti sampel baik tidak kosong. Sehingga perlu memanggil fungsi ID3 dengan kumpulan sampel berupa sampel baik = [6+, 0-] , atribut target =‟Diterima‟ dan kumpulan atribut ={nil.Psikotes, Wawancara }

Rekursi level 1 iterasi ke 1

Memanggil fungsi ID3 dengan kumpulan sampel berupa sampel baik [6+, 0-] atribut target = „Diterima‟ dan kumpulan atribut (nilai Psikotes, Pengalaman). Semua sampel baik termasuk dalam kelas “ya” maka fungsi ini akan berhenti dan mengembalikan satu simpul tunggal Root dengan label „ya‟ .

(34)

Rekursi level 0 , Itersi ke 2

Pada proses rekursi level 0 , iterasi ke 1, sudah dilakukan pengecekan untuk atribut „Wawancara‟ dengan nilai „baik‟. Untuk nilai „buruk‟, terdapat 5 sampel, berarti Sampelburuk tidak kosong. Sehingga, perlu memanggil fungsi ID3 dengan kumpulan sampel berupa Sampelburuk = [ 2+, 3- ], AtributTarget =‟Diterima‟, dan KumpulanAtribut = { nil.Psikotes,Pengalaman }.

Rekursi level 1 iterasi ke 2

Memanggil fungsi ID3 dengan kumpulan sampel berupa Sampelburuk = [2+, 3-], AtributTarget = „Diterima‟, dan KumpulanAtribut = { nil.Psikotes, Wawancara }. Pada tahap ini dilakukan perhitungan Information Gain untuk atribut nil.Psikotes dan Pengalaman, tetapi kumpulan sampel yang diperhitungkan adalah Sampelburuk dengan 5 sampel data, yaitu [ 2+ , 3- ]. Dengan kata lain S = Sampelburuk.

Value (nil.Psikotes) = Tinggi, Sedang, Rendah S = Sampelburuk = [2+, 3- ] , | S | = 5

Hitung nilai entropy untuk S, STinggi , SSedang , SRendah dan Information Gain untuk nil.Psikotes adalah :

Entropy (S) = - ( 2/5) log2 (2/5) – (3/5) log2 (3/5 = 0,9710 Entropy (STinggi) = - (1/2) log2 (1/2) – (1/2) log2 (1/2) = 1 Entropy (SSedang) = - (1/2) log2 (1/2) – (1/2) log2 (1/2) = 1

(35)

Entropy (SRendah) = - (0/1) log2 (0/1) – (1/1) log2 (1/1) = 0

Gain (S, nil.Psikotes) = Entropy (S) – Entropy (Sv)

= Entropy (S) – (2/5) Entropy (STinggi) – (2/5)Entropy (SSedang) – (1/5) Entropy (SRendah)

= 0,9710 – (2/5) 1 – (2/5)1 – 0 = 0,1710 Value (Pengalaman) = Bagus, Cukup, Kurang

S = SampleBuruk = [2+, 3-] , | S | = 5, Entropy (S) = 0,9710 SBagus = [ 0+, 0-] , | SBagus | = 0

SCukup = [2+, 1-] , | SCukup | = 3 SKurang = [0+, 2-] , | SKurang | = 2 Entropy (SBagus) = 0

Entropy (SCukup)= - (2/3) log2 (2/3) – (1/3) log2 (1/3) = 0,9183 Entropy (SKurang) = 0

Gain (S, Pengalaman) = Entropy (S) –

entropy (Sv)

= Entropy (S) – (0/5) Entropy (STinggi) – (3/5)Entropy (SSedang) – (2/5)Entropy (SRendah)

= 0,9710 – 0 – (3/5) 0,9183 – 0 = 0,4200

Dari kedua nilai Information Gain diatas, Gain (S, Pengalaman) adalah yang terbesar. Sehingga Pengalaman adalah atribut yang merupakan the best classifier dan harus diletakkan sebagai simpul dibawah simpul „Wawancara‟ pada

(36)

cabang nilai „buruk‟. Selanjutnya, setiap nilai pada atribut Pengalaman akan dicek apakah perlu dibuat subtree dilevel berikutnya atau tidak. Untuk nilai „bagus‟ ( pada kumpulan sample berupa SampleBuruk = [2+, 3-] ) terdapat 0 sample berarti SampleBagus kosong. Sehingga, perlu dibuat satu simpul daun (leaf node, simpul yang tidak punya anak dibawahnya). Dengan label yang paling sering muncul pada SampelBuruk, yaitu „Tidak„. Kemudian dilakukan pengecekan untuk atribut „Pengalaman‟ bernilai „Cukup‟. Untuk nilai „Cukup‟ ( pada kumpulan sampel berupa SampelBuruk = [2+, 3-] ). Terdapat 3 sampel, berarti yakni „Cukup‟ tidak kosong. Sehingga perlu memanggil fungsi ID3 dengan kumpulan Sample berupa SampleCukup = [2+, 1-] , AtributTarget = „Diterima‟. Dan kumpulan Atribut = { nil.Psikotes}.

Rekursi level 2 iterasi ke-1

Memanggil fungsi ID3 dengan kumpulan Sample berupa SampleCukup = [2+, 1-] AtributTarget = „Diterima‟ , dan Kumpulan Atribut = {nil.Psikotes}. karena kumpulan atribut hanya berisi satu atribut { yaitu nilai Psikotes } , maka atribut yang menjadi the best classifier adalah nilai Psikotes dan harus diletakkan sebagai simpul dibawah simpul „Pengalaman‟ pada cabang nilai „Cukup‟. Selanjutnya setiap nilai pada atribut nilai Psikotes akan dicek apakah dibuat subtree dilevel berikutnya atau tidak. Untuk nilai „Tinggi‟ ( pada kumpulan berupa SampleCukup = [2+, 1-] ), terdapat 1 sampel, berarti SampleTinggi tidak kosong. Sehingga, perlu memanggil fungsi ID3 dengan kumpulan sample berupa SampleTinggi = [ 1+, 0-] , AtributTarget = „Diterima‟ dan kumpulan atribut = {}.

(37)

Memanggil fungsi ID3 dengan kumpulan sample berupa SampleTinggi = [ 1+, 0-] , AtributTarget = „Diterima‟ dan kumpulan atribut = { }. Karena semua sample pada SampleTinggi termasuk dalam kelas „ya‟ , maka fungsi ini akan berhenti dan mengembalikan satu simpul Root dengan label „ya‟. Selanjutnya, proses akan kembali ke rekursi level 2 iterasi ke-2.

Pengecekan atribut nilai Psikotes untuk nilai „Tinggi‟ sudah dilakukan pada rekursi level 2 iterasi ke-1. Selanjutnya, pengecekan dilakukan pada atribut nilai Psikotes untuk nilai „Sedang‟, ternyata terdapat 1 sampel pada kumpulan sampel dimana psikotest bernilai „Buruk‟ dan Pengalaman bernilai „Cukup‟ . karena SampleSedang tidak kosong maka perlu memanggil fungsi ID3 dengan Kumpulan Sampel berupa SampleSedang = [ 1+, 0- ], AtributTarget = „Diterima‟, dan KumpulanAtribut = {}.

Memanggil fungsi ID3 dengan KumpulanSampel berupa SampleSedang = [ 1+, 0- ], AtributTarget = „Diterima‟, dan KumpulanAtribut = {}. Karena sample pada SampleSedang termasuk kedalam kelas „Ya‟ , fungsi ini akan berhenti dan mengembalikan satu simpul tunggal Root dengan label „Ya‟. Selanjutnya proses akan kembali pada rekursi level 2 iterasi ke-3.

(38)

Pada rekursi level 2 iterasi ke-1 dan ke-2, sudah dilakukan pengecekan atribut nilai Psikotes untuk nilai „Tinggi‟ dan „Sedang‟. Selanjutnya, pengecekan dilakukan pada Atribut nil. Psikotes untuk nilai „Rendah‟. Ternyata terdapat 1 sample pada KumpulanSample dimana Psikotest bernilai „Buruk‟ dan Pengalaman bernilai „Cukup‟ . karena SampleRendah tidak kosong, maka perlu memanggil fungsi ID3 dengan KumpulanSample berupa SampleRendah = [ 0+, 1-] , AtributTarget = „Diterima‟, dan KumpulanAtribut = {}.

Memanggil fungsi ID3 dengan kumpulan Sample berupa SampleKurang = [ 0+, 1- ], AtributTarget = „Diterima‟, dan kumpulan Atribut = {}. Karena semua sample pada SampleKurang termasuk dalam kelas „Tidak‟, maka fungsi ini akan berhenti dan mengembalikan satu simpul tunggal root dengan label „Tidak‟

Pengecekan atribut Pengalaman untuk nilai „Bagus‟ dan „Cukup‟ yaitu pada rekursi level 1 iterasi ke-2. Selanjutnya pengecekan dilakukan pada atribut Pengalaman untuk nilai „Kurang‟, ternyata terdapat 2 sample pada Kumpulan Sample dimana Wawancara bernilai „Buruk‟ dan Pengalaman bernilai „Rendah‟. Karena sample rendah tidak kosong sehingga perlu memanggil fungsi ID3 dengan kumpulan sample berupa SampleRendah = [ 0+, 2- ], atribut target = „Diterima‟, dan kumpulan atribut = {} Selanjutnya proses akan kembali ke rekursi level 2 iterasi ke-4.

(39)

Memanggil fungsi ID3 dengan kumpulan sample berupa SampleRendah = [ 0+, 2- ], atribut target = „Diterima‟, dan kumpulan atribut = {Psikotes }. Karena semua sample pada SampleRendah termasuk kedalam kelas „Tidak‟ , maka fungsi ini akan berhenti dan mengembalikan satu simpul tunggal root dengan label „Tidak‟ Dilihat dari langkah-langkah diatas bahwa ID3 melakukan strategis pencarian yaitu dimulai dari pohon kosong, kemudian secara progresif berusaha menemukan sebuah pohon keputusan yang mampu mengklasifikasikan sampel - sampel data secara akurat tanpa kesalahan.

III.3.9.2. Pohon Keputusan

Rekursi Level 0 iterasi ke - 1

Wawancara

Baik

Rekurasi Level 1 iterasi ke - 1

Wawancara

Baik

(40)

Rekurasi Level 0 iterasi ke – 2

Wawancara

Baik

Ya

Buruk

Wawancara Baik Ya Buruk Pengalaman Bagus Cukup Tidak

(41)

Rekurasi Level 2 iterasi ke – 1 Wawancara Baik Ya Buruk Pengalaman Bagus Cukup Tidak Psikotes Tinggi

Wawancara Baik Ya Buruk Pengalaman Bagus Cukup Tidak Psikotes Tinggi Ya

(42)

Rekurasi Level 2 iterasi ke – 2 Wawancara Baik Buruk Pengalaman Bagus Cukup Tidak Psikotes Tinggi Ya Sedang

Wawancara Baik Ya Buruk Pengalaman Bagus Cukup Tidak Psikotes Tinggi Ya Sedang Ya

(43)

Rekurasi Level 2 iterasi ke – 3 Wawancara Baik Buruk Pengalaman Bagus Cukup Tidak Psikotes Tinggi Ya Sedang Ya Rendah Ya

Wawancara Baik Ya Buruk Pengalaman Bagus Cukup Tidak Psikotes Tinggi Ya Sedang Ya Rendah Tidak

(44)

Rekurasi Level 1 iterasi ke – 3 Wawancara Baik Ya Buruk Pengalaman Bagus Cukup Tidak Psikotes Tinggi Ya Sedang Ya Rendah Tidak Kurang

Wawancara Baik Ya Buruk Pengalaman Bagus Cukup Tidak Psikotes Tinggi Ya Sedang Ya Rendah Tidak Kurang Tidak