Penerapan Algoritma K-NN Pada Rekrutment Program Magang Keluar Negeri
Masdalifa Hasibuan, Abdul Sani Sembiring, Ronda Deli Sianturi Fakultas Ilmu Komputer dan Teknologi Informasia, Universias Budi Darma, Medan , Indonesia
Email: [email protected]
Submitted 13-06-2021; Accepted 24-06-2021; Published 30-08-2021 Abstrak
Ada faktor positif yang melatar belakangi program ini. Dengan kata lain, program magang yang berhasil dapat menjadi strategi rekrutment yang bisa dipertimbangkan program magang yang berhasil dapat memperluas jangkauan untuk meraih calon pekerja terbaik. Untuk mengatasi masalah tersebut maka didapatkan solusi dengan menggunakan data mining dapat membantu permasalahan diatas. Salah satu algoritma yang akan digunakan tersebut adalah Algoritma K-Nearest Neighbor (K-NN). Dengan dibuatnya algoritma dapat membantu mempermudah user untuk menentukan pemilihan calon pekerja terbaik yang akan di kirimkan ke Luar Negeri. Adapun algoritma yang digunakan untuk klasifikasi data dalam data mining adalah metode Algoritma K-NN yaitu sebuah klasifikasi terhadap sekumpulan data.
Manfaat dari penelitian ini yakni memberikan kelebihan alternatif yang lebih efektif dan efisien. Untuk sistem rekomundasi pemilihan peserta magang. Dengan menerapkan adalah kriteria seperti tujuan untuk calon pekerja lebih baik lagi dan dapat di implementasikan sebagai rekomendasi dalam pemilihan peserta magang.
Kata Kunci: Data Mining; Rekrutment Program Magang; Algoritma K-Neaters Neighbor Abstract
There are positive factors behind this program. In other words, a successful apprenticeship program can be a recruitment strategy that can be considered as a successful apprenticeship program can expand the reach to reach the best prospective workers. To solve this problem, a solution using data mining can help the problems above. One of the algorithms that will be used is the K-Nearest Neighbor (K-NN) algorithm. By making an algorithm, it can help make it easier for users to determine the selection of the best prospective workers who will be sent abroad. The algorithm used for data classification in data mining is the K-NN algorithm, which is a classification of a set of data.
The benefit of this research is to provide the advantages of a more effective and efficient alternative. For the apprentice selection recomundation system. By applying are criteria such as goals for prospective workers to be even better and can be implemented as recommendations in the selection of apprentices.
Keywords: Data Mining; Internship Recruitment Program; K-Neaters Neighbor Algorithm
1. PENDAHULUAN
Magang adalah peluang berharga untuk mendapatkan pengalaman, wawasan profesional, dan keterampilan praktis untuk tempat kerja. Seringkali, magang juga dapat secara langsung mengarah pada peluang kerja yang mungkin belum diketahui sebelumnya. Selain peluang profesional, magang di luar negeri dapat memberikan wawasan berharga tentang budaya dan kebiasaan tempat kerja di negara tempat tinggal dan belajar
Dinas Tenaga Kerja dan Transmigrasi Propinsi Sumatera Utara merupakan salah satu dinas yang beralamat di Jl.Asrama no.143, Seikambing C Medan, Kota Medan Sumatera Utara. Pada UU Nomor 12 Tahun 2003 tentang Ketenagakerjaan. Peraturan Menteri Tenaga Kerja dan Transmigrasi Nomor PER.08/MEN/V/2008 tentang Tata Cara Perizinan dan Penyelenggaraan Pemagangan di luar Negeri.
Setiap tahun Dinas Tenaga Kerja dan Transmigrasi Provinsi Sumatera Utara melakukan pengrekrutan magang untuk di kirim ke luar Negeri. Proses penerimaan calon magang melalui ujian seleksi. Proses seleksi tersebut sebenarnya sudah cukup baik karena proses seleksi dilaksanakan dengan cukup ketat mulai dari seleksi administrasi, ujian seleksi pengetahuan umum dan matematika, ketahanan fisik dan wawancara. Hanya saja pada proses seleksi tersebut kadang terjadi kesalahan rekrument calon peserta magang yang terpilih. Akibatnya tingkat keberhasilan program magang tersebut tidak sesuai dengan yang diharapkan.
Terdapat beberapa penelitian sebelumnya yang telah dilakukan yaitu“Agus Panoto, Yutina Retno Wahyu Utami, Wawan Laksito Ys”, yaitu menggunakan proses data mining dalam menentukan bahwa Algoritma K-NN dapat memecahkan masalah prediksi tingkat kelulusan peserta magang dimana atributnya berupa data numerik, berdasarkan pengujian menggunakan 20 data uji terdapat 2 kesalahan prediksi kelulusan sehingga ukuran sistem 90% dibuktikan dengan pengujian sistem, algoritma K-NN hanya bisa mengolah data yang bersifat numerik[1]. Begitu juga penelitian yang dilakukan oleh “Ni Luh Gede Pivin Suwirmayati” menyimpulkan bahwa berhasil menerapkan metode K-NN untuk sistem rekomendasi pemilihan peserta magang dengan menerapkan dengan kriteria seperti tujuan untuk pekerja lebih baik lagi dan dapat diimplementasikan sebagai rekomendasi dalam pemilihan peserta magang[2].
Untuk membantu permasalah diatas, sangat diperlukan klasifikasi data untuk proses rekrument program magang keluar negeri. Adapun algoritma yang dapat digunakan untuk klasifikasi data dalam data mining adalah metode Algoritma K-Nearest Neighbor (K-NN) yaitu sebuah metode klasifikasi terhadap sekumpulan data berdasarkan pembelajaran data yang sudah terklasifikasikan sebelumya. Termasuk dalam supervised learning, dimana hasil query instance yang baru diklasifikasikan berdasarkan mayoritas kedekatan jarak dari kategori yang ada dalam K-NN.
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Adapun tahapan penelitian yang digunakan untuk mengumpulkan data adalah sebagai berikut:
1. Penelitian kepustakaan (Libarary Research)
Penelitian kepustakaan merupakan metode dalam pencarian, mengumpulkan dan menganalisis sumber data untuk diolah dan disajikan dalam bentuk laporan Penelitian Kepustakaan.
2. Pengumpulan Data
Setelah mempelajari teori akan dilanjutkan survey selanjutnya, yaitu mencari informasi dan data tentang peserta calon magang yang akan di kirim ke Luar Negeri.
3. Analisis Sitem
Setelah mendapatkan informasi dan data yang lengkap, selanjutnya dianalisa dari data-data yang sudah ada, bagaimana sistem yang sedang berjalan di Danas Tenaga Kerja Provinsi Sumatera Utara menyangkut penelitian ini.
4. Pemrograman
Setelah menganalisa informasi datayang sudah ada, kemudian lakukan pengumpulan desain sistem yang akan digunakan untuk pembuatan program, seperti desain-desain apa saja yang akan menjadi parameter inputan dalam pembuatan program ini.
5. Pembuatan program
Program dibuat berdasarkan judul penelitian. Sistem informasi ini dimulai dengan mendesain tampilan web, membuat database lalu menghubungkan dengan Microsoft Visual Studio.Net 2008.
6. Penguji program
Pengujian program dilakukan agar dapat melihat berhasil atau tidak program yang dibuat. Apabila program yang dibuat tidak berhasil maka dapat dilakukan perbaikan kembali.
7. Implementasi
Setelah melakukan tahap pengujian program dan mendapatkan hasil yang ada, kemudian lakukan implementasi dari program yang sudah dirancang dan dibuat sebelumnya.
8. Dokumentasi
Setelah penerapan dari program yang sudah dibuat dan mendapatkan hasil yang diharapkan, kemudian lakukan penyusunan laporan dari hasil penelitian dan diambil kesimpulan dari penelitian serta dicatat dalam laporan apa saja kekurangan daan kelebihan dari program yang sudah dirancang.
2.2 Data Mining
Data mining adalah masalah yang meliputi penyatuan, pemanfaatan data historis yang menemukan kecocokan, pola dan kaitan dalam set data berukuran besar. Maksud dari pengertian ini yaitu proses pencarian informasi yang tidak diketahui sebelumnya dari gabungan data besar [3].
2.3 Algoritma K-Nearest Neighbor (K-NN)
Algoritma K-Nearest Neighbor (K-NN) adalah sebuah metode melakukan klasifikasi terhadap objek berdasarkan data pembelajaran jaraknya paling dekat dengan objek tersebut. K-NN termasuk algoritma supervised learning dimana hasil dari query instance yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada K-NN, kemudian kelas yang paling banyak muncul yang akan menjadi kelas hasil klasifikasi. Tujuan dari algoritma ini adalah mengklasifikasikan obyek berdasarkan atribut dan training sample[1]. Clasifier tidak menggunakan apapun untuk dicocokkan dan hanya berdasarkan pada memori. Diberikan titik query, akan ditemukan sejumlah k obyek atau (titik training) yang paling dekat dengan titik query. Algoritma metode K-Nearest Neighbor (K-NN) sangat sederhana, bekerja berdasarkan jarak terpendek dari query instance ke training sample untuk menentukan K-NN. Training sample diproyeksikan ke ruang berdimensi banyak, dimana masing-masing dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi training sample. Sebuah titik pada ruang ini ditandai jika merupakan klasifikasi yang paling banyak ditemukan pada k buah tetangga terdekat dari titik tersebut. Metode pencarian jarak, ada dua jenis yaitu metode Cosine Similarity atau Euclidean Distance yaitu perhitungan jarak terdekat. Perhitungan jarak terdekat dibutuhkan untuk menentukan jumlah kemiripan yang dihitung dari kemiripan kemunculan teks yang dimiliki suatu paragraf. Setelah itu kemunculan teks yang sedang diujikan dibandingkan terhadap masing-masing sample data asli. Ada dua metode untuk menghitung jarak antar tetangga yaitu metode Euclidean Distance dan Cosine Similarity. Jika vector a= x1i + y2i dan b=x2i+y2j, maka jarak euclidan a dan b adalah sebagai berikut :
𝑑 = √(𝑥1− 𝑥2)2+ (𝑦1− 𝑦2)2 (1)
dimana matriks D(a,b) adalah jarak skalar dari kedua vektor a dan b dari matriks dengan ukuran d dimensi. Satuan jarak yang digunakan Euclidian, jenis dari metode ini, jika dilihat dari nilai N nya ada dua macam yaitu
1. 1-NN
Pengklasifikasian dilakukan pada 1 label data terdekat, algoritmanya sebagai berikut : a. Menghitung jarak antara data baru ke setiap pelabelan data
b. Menentukan 1 pelabelan data yang mempunyai jarak paling minimal
c. Klasifikasi data baru ke dalam pelabelan data tersebut 2. k-NN
Pengklasifikasian dilakukan dengan menentukan nilai pada k label data terdekat, dengan syarat nilai k >1, algoritmanya sebagai berikut :
a. Menghitung jarak antara data baru ke setiap pelabelan data
b. Menentukan k pelabelan data yang mempunyai jarak paling minimal c. Klasifikasi data baru ke dalam pelabelan data yang mayoritas
Berikut ini perhitungan jarak menggunakan persamaan Euclidean Distance sebagai berikut : 𝑑𝑖𝑗 = √(𝑥1𝑖− 𝑥1𝑗)2+ (𝑥2𝑖− 𝑥2𝑗)2+ ⋯ + (𝑥𝑘𝑖− 𝑥𝑘𝑗)2 (2) Keterangan :
𝑑𝑖𝑗 = Jarak dari data ke i ke pusat cluster j 𝑥𝑘𝑖 = Data dari ke – i pada attribute data ke – k 𝑥𝑘𝑗 = Data dari ke – j pada attribute data ke – k 2.4 Magang
Magang adalah peluang berharga untuk mendapatkan pengalaman, wawasan profesional, dan keterampilan praktis untuk tempat kerja. Seringkali, magang juga dapat secara langsung mengarah pada peluang kerja yang mungkin belum diketahui sebelumnya. Selain peluang profesional, magang di luar negeri dapat memberikan wawasan berharga tentang budaya dan kebiasaan tempat kerja di negara tempat tinggal dan belajar[5].
3. HASIL DAN PEMBAHASAN
Magang adalah peluang yang beharga untuk mendapatkan pengalaman, wawasan yang profersional, dan keterampilan praktis untuk tempat kerja. Sering kali, magang juga dapat secra langsung mengaruh pada peluang kerja yang mungkin belum diketahui sebelumnya. Selain peluang profersional, magang di luar negeri dapat memberikan wawasan berharga tentang budaya dan kebiasaan tempat kerja di negara tempat tinggal dan belajar.
Untuk menyelesaikan dalam pemilihan calon magang, pada penelitian ini setiap tahun Dinas Tenaga Kerja Provinsi Sumatera Utara melakukan pengrekrutan magang untuk di kirim ke Luar Negeri. Proses penerimaan calon magang melalui ujian seleksi. Proses seleksi tersebut sebenarnya sudah cukup baik karena proses seleksi dilaksanakan dengan cukup ketat mulai dari seleksi administrasi, ujian seleksi pengetahuan umum dan matematika, ketahanan fisik dan wawancara.
Adapun sistem rekomundasi pemilihan peserta magang data dalam data mining adalah menggunakan metode K- Nearest Neighbor (K-NN) yakni untuk mempermudah data mining dengan hasil yang akurat yang di peroleh dari Dinas Tenaga Kerja Provinsi Sumatera Utara Algoritma K-NN merupakan tahap yang dilakukan untuk perhitungan data mining terhadap perhitungan pemilihan calon peserta magang dari Dinas Tenaga Kerja Provinsi Sumatera Utara, dengan menerapkan dengan kriteria seperti tujuan untuk pekerja lebih baik lagi. Berikut ini adalah gambar proses dari algoritma K-Nearest Neighbor sebagai berikut :
Gambar 1. Proses Algoritma K-Nearest Neighbor
Dari program data pemilihan calon peserta magang untuk di rekrut dengan tujuan untuk pekerja lebih baik lagi dan dapat direkomundasikan dalam pemilihan peserta magang yang akan di kirim ke Luar Negeri dari Dinas Tenaga Kerja Provinsi Sumatera Utara.
Tabel 1. Data Calon Peserta Magang Tahun 2018 dan 2019
No Kode Nama Nilai
MTK
Test Fisik Test Kesemaptaan
Tubuh Kemampuan
Bahasa Jepang Ket Lari Push
Up Sit Up
Berat
Badan Tinggi 1 004 Mona G.Resya
Hutagaol 20 4 20 15 75 170 Ya L
2 007 Yon Riko Firdaus
Lumban Gaol 16 4 20 14 60,1 160 Tidak L
3 009 Dapot Martua
Simanulung 17 - - - 75 170 Tidak LT
4 015 Rikki Sihotang 18 4 20 15 59,1 151,9 Tidak L
5 017 Edward Goklas
Panggabean 19 4 20 14 70 172,9 Tidak L
6 019 Revaldi Pasaribu 20 4 20 15 60,5 165,1 Tidak L
7 001 Rini Arta Uli
Pardede 17 4 20 15 45,3 150,9 Tidak L
8 002 Juwita Novriyati
Munthe 16 - - - 53,9 148,7 Tidak TL
9 003 Novia Rotua
Hutajulu 18 4 20 15 53,1 151,4 Tidak L
10 004 Kiki Indah Sari 20 4 20 15 49 151,4 Tidak L
11 005 Ellanda Natasya
Putri 19 4 20 15 45,3 153,7 Tidak L
Ket:
L = Lulus LT = Tidak Lulus
Tabel 2. Calon Peserta Yang Baru
No Kode Nama Nilai
MTK Lari Push Up
Sit Up
Berat
Badan Tinggi Kemapuan Bahasa
Jepang Ket
1 006 Desi Natalia
Br.Ginting 20 4 20 17 65 170 Ya ?
2 012 Purnama Sari 19 4 20 15 55,3 153,4 Ya ?
Tabel 3. Kriteria Rekrutment Pemilihan Calon Magang
No Kriteria Keterangan
1 C1 Matematika
2 C2 Lari
3 C3 Push Up
4 C4 Sit Up
5 C5 Berat Badan
6 C6 Tinggi Badan
7 C7 Kemampuan Bahasa Jepang
Berikut ini penjelasan dari kriteria yang di pakai dalam menentukan pemilihan calon peserta magang pada Dinas Tenaga Kerja Provinsi Sumatera Utara
1. Nilai Matematika
Nilai matematka adalah nilai dilihat sebagai penting dalam kriteria pemilihan calon npeserta magang.
Tabel 4. Nilai Kriteria Matematika
No Lari Nilai
1 30-20 1
2 19-10 2
2. Lari
Lari adalah penilaian test untuk fisik pada calon peserta magang yang akan di kirim ke luar Negeri.
Tabel 5. Nilai Kriteria Lari
No Lari Nilai
1 10-5 1
2 4-0 2
3. Push Up
Push Up adalah penilaian test untuk fisik pada calon peseta magang yang akan di kirim ke luar Negeri.
Tabel 6. Nilai Kriteria Push Up
No Push Up Nilai
1 20-10 1
2 9-0 2
4. Sit Up
Sit Up adalah penilaian test untuk fisik pada calon peseta magang yang akan di kirim ke luar Negeri.
Tabel 7. Nilai Kriteria Sit Up
No Sit Up Nilai
1 20-10 1
2 9-0 2
5. Tinggi Badan
Tinggi Badan adalah penilaian test untuk fisik pada calon peseta magang yang akan di kirim ke luar Negeri.
Tabel 8. Nilai Kriteria Tinggi Badan
No Tinggi Badan Nilai
1 170-180 1
2 160-169 2
3 150-159 3
4 140-149 4
6. Berat Badan
Berat Badan adalah penilaian test untuk fisik pada calon peseta magang yang akan di kirim ke luar Negeri.
Tabel 9. Nilai Kriteria Berat Badan
No Berat Badan Nilai
1 70-80 1
2 60-69 2
3 50-59 3
4 40-49 4
7. Bahasa Jepang
Bahasa Jepang adalah penilaian test untuk calon peseta magang yang akan di kirim ke luar Negeri, dan bila dapat nilai tertinggi orang tersebut tidak prlu melakukan test dari gelombang pertama.
Tabel 10. Nilai Kriteria Kemampuan Bahasa Jepang No. Kemampuan Bahasa Jepang Nilai
1 Ya 1
2 Tidak 2
Tabel 11. Calon Peserta Magang Setelah Diubah Kedalam Angka
No. Kode Nama Nilai
MTK
Test Fisik Test Kesemaptaan
Tubuh Kemampuan
Bahasa Jepang Ket Lari Push
Up Sit Up
Berat
Badan Tinggi 1 004 Mona G.Resya
Hutagaol 1 2 1 1 1 1 1 Lulus
2 007 Yon Riko Firdaus
Lumban Gaol 2 2 1 1 2 2 2 Lulus
3 009 Dapot Martua
Simanulung 2 2 2 2 1 1 2 Tidak
Lulus
4 015 Rikki Sihotang 2 2 1 1 3 3 2 Lulus
5 017 Edward Goklas
Panggabean 2 2 1 1 1 1 2 Lulus
6 019 Revaldi Pasaribu 1 2 1 1 2 2 2 Lulus
7 001 Rini Arta Uli
Pardede 2 2 1 1 4 3 2 Lulus
8 002 Juwita Novriyati
Munthe 2 2 2 2 3 4 2 Tidak
Lulus 9 003 Novia Rotua
Hutajulu 2 2 1 1 3 3 2 Lulus
10 004 Kiki Indah Sari 1 2 1 1 4 3 2 Lulus
11 005 Ellanda Natasya
Putri 2 2 1 1 4 3 2 Lulus
Tabel 12. Calon Peserta Yang Baru Di Ubah Kedalam Angka
No Kode Nama Nilai
MTK Lari Push Up
Sit Up
Berat
Badan Tinggi Kemapuan Bahasa
Jepang Ket
1 006 Desi Natalia
Br.Ginting 1 2 1 1 2 1 1 ?
2 012 Purnama Sari 2 2 1 1 3 3 1 ?
Adapun proses perhitungan K-Nearest Neighbor (K-NN) sebagai berikut:
1. Menghitung Euclidean Distance
Menghitung kuadrat jarak euclid (euclidean distance) masing-masing obyek terhadap data sampel yang diberikan sebagai berikut :
Penyelesaian
Pertama : 3 (tiga) Jumlah tetangga terdekat (K=3)
Kedua : Proses perhitungan jarak menggunakan persamaan Euclidean Distance
d (𝑥1,c) = √(𝑎1− 𝑐𝑎)2+ (𝑏1− 𝑐𝑏)2+ (𝑐1− 𝑐𝑐)2+ (𝑑1− 𝑐𝑑)2 (𝑒1− 𝑐𝑒)2+ (𝑓1− 𝑐𝑓)2+ (𝑔1− 𝑐𝑔)2 d (𝑥1,c) =√(1 − 1)2+ (2 − 2)2+ (1 − 1)2+ (1 − 1)2
(1 − 2)2+ (1 − 1)2+ (1 − 1)2 d (𝑥1,c) = √1
d (𝑥1,c) = 1
Setelah dihitung jaraknya, selanjutnya urutkan nilai dari yang terkecil ke nilai yang terbesar seperti berikut : Tabel 13. Hasil Perhitungan Jarak
No. Kode Nama Nilai
MTK
Test Fisik
Test
Kesemaptaan Tubuh
Kemampuan Bahasa Jepang
Ket Jarak Lari Push
Up Sit Up
Berat
Badan Tinggi 1 004 Mona G.Resya
Hutagaol 1 2 1 1 1 1 1 Lulus 1
6 019 Revaldi Pasaribu 1 2 1 1 2 2 2 Lulus 1,414
5 017 Edward Goklas
Panggabean 2 2 1 1 1 1 2 Lulus 1,732
2 007 Yon Riko Firdaus
Lumban Gaol 2 2 1 1 2 2 2 Lulus 2
3 009 Dapot Martua
Simanulung 2 2 2 2 1 1` 2 Lulus 2,236
4 015 Rikki Sihotang 2 2 1 1 3 3 2 Lulus 2,645
9 003 Novia Rotua
Hutajulu 2 2 1 1 3 3 2 Lulus 2,645
10 004 Kiki Indah Sari 1 2 1 1 4 3 2 Lulus 3
7 001 Rini Arta Uli
Pardede 2 2 1 1 4 3 2 Lulus 3,162
11 005 Ellanda Natasya
Putri 2 2 1 1 4 3 2 Tidak
Lulus 3,162
8 002 Juwita Novriyati
Munthe 2 2 2 2 3 4 2 Tidak
Lulus 3,741 Ketiga : Dari perhitungan di atas, ternyata 3 (tiga) tetangga terdekat dari calon peserta baru, Keterangannya menyatakan
“Lulus”, maka dapat disimpulkan calon peserta baru yang bernama “Mona G.Resya Hutagaol”, bersubsidi yang diajukan Lulus.
2. Menghitung Euclidean Distance
Pertama : 3 (tiga) Jumlah tetangga terdekat (K=3)
Kedua : Proses perhitungan jarak menggunakan persamaan Euclidean Distance
d (𝑥1,c) = √(𝑎1− 𝑐𝑎)2+ (𝑏1− 𝑐𝑏)2+ (𝑐1− 𝑐𝑐)2+ (𝑑1− 𝑐𝑑)2 (𝑒1− 𝑐𝑒)2+ (𝑓1− 𝑐𝑓)2+ (𝑔1− 𝑐𝑔)2 d (𝑥1,c) =√(1 − 2)2+ (2 − 2)2+ (1 − 1)2+ (1 − 1)2
(1 − 3)2+ (1 − 3)2+ (1 − 1)2 d (𝑥1,c) = √9
d (𝑥1,c) = 3
Setelah dihitung jaraknya, selanjutnya urutkan nilai dari yang terkecil ke nilai yang terbesar seperti berikut : Tabel 14. Hasil Perhitungan Jarak
No. Kode Nama Nilai
MTK
Test Fisik
Test
Kesemaptaan
Tubuh Kemampuan
Bahasa Jepang Ket Jarak Lari Push
Up Sit Up
Berat
Badan Tinggi
4 015 Rikki Sihotang 2 2 1 1 3 3 2 Lulus 1
9 003 Novia Rotua
Hutajulu 2 2 2 2 3 4 2 Lulus 1
7 001 Rini Arta Uli
Pardede 2 2 1 1 4 3 2 Lulus 1,414
11 005 Ellanda
Natasya Putri 2 2 1 1 4 3 2 Lulus 1,414
10 004 Kiki Indah Sari 1 2 1 1 4 3 2 Lulus 1,732
2 007
Yon Riko
Firdaus Lumban Gaol
2 2 1 1 2 2 2 Lulus 1,732
6 019 Revaldi
Pasaribu 1 2 1 1 2 2 2 Lulus 2
8 002
Juwita Novriyati Munthe
2 2 2 2 3 4 2 Lulus 2
1 004 Mona G.Resya
Hutagaol 1 2 1 1 1 1 1 Lulus 3
5 017 Edward Golkas
Panggabean 2 2 1 1 1 1 2 Tidak
Lulus 3 3 009 Dapot Martua
Simanulung 2 2 2 2 1 1 2 Tidak
Lulus 3,316 Berdasakan hasil tabel diatas maka proses 3 (tiga) tetangga terdekat dari calon peserta baru, Keterangannya menyatakan
“Lulus”, maka dapat disimpulkan calon peserta baru yang bernama “Rikki Sihotang”, bersubsidi yang diajukan Lulus.
4. KESIMPULAN
Berdasarkan pembahasan dan evaluasi dari penelitian yang dilakukan dapat disimpulkan bahwa proses rekrutment Dinas Tenaga Kerja Provinsi Sumatera Utara melalui penelitian dan hasil data disimpulkan penilaian dilkukan sesuai dengan kriteria-kriteria yang telah di tentukan oleh pihak Dinas Tenaga Kerja Provinsi Sumatera Utara. Dengan menggunakan algoritma K-NN ( K-Nearest Neighbor ) dapat memberikan saran sebagai bahan pertimbangan dalam proses rekrutment pemilihan calon peserta magang pada Dinas Tenaga Kerja Provinsi Sumatera Utara. Sistem data mining ini dalam proses rekrutment pemilihan calon peserta magang pada Dinas Tenaga Kerja Provinsi Sumatera Utara yang dirancang menggunakan dengan bahasa pemprograman Visual Basic Net 2008 dapat menjadi alternatif untuk menyelesaikan permasalahan dalam pemilihan calon peserta magang yang akan dikirim ke Luar Negeri pada Dinas Tenaga Kerja Provinsi Sumatera Utara.
REFERENCES
[1] S. P. Keputusan, I. Pendahuluan, S. Prediksi, T. Kelulusan, and A. Data, “PENERAPAN ALGORITMA K-NEAREST NEIGHBORS UNTUK,” pp. 27–31.
[2] N. Luh and G. Pivin, “Penerapan Metode K-Nearest Neighbor Untuk Sistem Rekomendasi Pemilihan Mobil,” vol. 16, no. 2, pp.
120–131, 2017.
[3] E. Empa, Kusrini and Taufik Luthfi, Theresia Prabawati, “Algoritma Data Mining,” 2009.
[4] B. Sentosa, Data Mining Terapan Dengan Matlab. Yogyakarta,Indonesia, 2007.
[5] Rini Asmara, 2016. Sistem Informasi Pengolahan Data Penanggulangan Bencana Pada Kantor Badan Penanggulangan Bencana Daerah (BPBD) Kabupaten Padang Pariaman, Jurnal J-Click Vol 3 No 2 Desember 2016 ISSN : 2355-7958 e-ISSN : 2541-2469.
