commit to user
1
OPTIMIZATION TWO-STAGES TSUKAMOTO
F UZZY
METHOD USING GENETIC ALGORITHM FOR SELECTING EMPLOYEES CASE STUDY:
BIO-2000 COMPANY
Iman Surya Bimawijaya
Informatika, Fakultas MIPA Universitas Sebelas Maret
Jalan Ir.Sutami 36 A Surakarta
isbimawijayagmail.com Bambang Harjito
Informatika, Fakultas MIPA Universitas Sebelas Maret
Jalan Ir.Sutami 36 A Surakarta
bambang_harjitostaff.uns.ac.id Sarngadi Palgunadi
Informatika, Fakultas MIPA Universitas Sebelas Maret
Jalan Ir.Sutami 36 A Surakarta
palgunadistaff.uns.ac.id
ABSTRACT
Employees are an important element that determines the progress of the company. Without good qualified employees, it is difficult for the companies to obtain optimal results in operating the company. So, we
need a selection system in the process selection of candidates which can be done by using Genetic Algorithms and two-
stages Tsukamoto’s Fuzzy. Selection systems as the determination in recruitment in order to obtain optimal results in determining the companys employees. Within this study the selection system using two-stage
Tsukamoto’s Fuzzy has same assessment criterias, such an proficiency tests, personality tests, biography, interviews, age and health background. Two-stage Fuzzy inference system method is used to perform the
calculation process decision support and the genetic algorithm is used for optimization of Fuzzy membership functions. Based on testing phase of this study, a selection system has an accuracy significance value in 76
with a population size in 80 and the value of the crossover rate and mutation rate respectively in 0.5 and 0.5. Keywords : Employees Selection, FIS Tsukamoto, Genetic Algorithm GA
1. PENDAHULUAN
Karyawan merupakan elemen penting dalam suatu perusahaan yang menentukan kemajuan suatu perusahaan.
Tanpa kualitas karyawan yang baik dalam suatu perusahaan, maka sulit bagi perusahaan tersebut untuk
mendapatkan hasil yang optimal dalam menjalankan perusahaan tersebut. Proses seleksi adalah proses pemilihan
calon tenaga kerja yang paling memenuhi syarat untuk mengisi lowongan pekerjaan [3]. Tugas seleksi adalah
menilai sebanyak mungkin calon untuk memilih seorang atau sejumlah orang sesuai dengan jumlah orang yang
diperlukan yang paling memenuhi persyaratan pekerjaan yang telah ditetapkan sebelumnya. Beberapa aspek
penilaian psikologis dari seleksi calon karyawan antara lain tes kecakapan, tes kepribadian, informasi biografi, dan
wawancara [4].
Pada penelitian sebelumnya [8] yang berjudul ‘Pemanfaatan Analytical Hierarchy Process AHP sebagai
Model Sistem Pendukung Keputusan Seleksi Penerimaan Karyawan’ dan ‘Penerapan Metode Tsukamoto Logika
Fuzzy Dalam Sistem Pendukung Keputusan Untuk
Menentukan Jumlah Produksi Barang Berdasarkan Data Persediaan Dan Jumlah Permintaan’ [1]. Pada penelitian
pertama membahas tentang sistem pendukung keputusan menggunakan metode Analytical Hierarchy Process AHP
untuk melakukan seleksi karyawan. Pada penelitian kedua membahas tentang suatu sistem yang juga merupakan
sebuah sistem pendukung keputusan, tetapi menggunakan metode tsukamoto untuk menentukan jumlah produksi
barang
berdasarkan data
persediaan dan
jumlah permintaan.
Berdasarka penelitian-penelitian
yang sudah
dilakukan, penelitian ini akan menggunakan metode Fuzzy Tsukamoto
untuk melakukan proses pendukung keputusan dan Algoritma Genetika yang digunakan untuk optimalisasi
fungsi keanggotaan Fuzzy kedua metode tersebut digunakan untuk membuat sebuah Sistem Pendukung
Keputusan seleksi calon karyawan.
Konsep logika Fuzzy merupakan metode yang sesuai untuk menyelesaikan permasalahan, dikarenakan
kriteria atau parameter penentuan pendukung keputusan tersebut bersifat tidak pasti Fuzzy. Logika Fuzzy yang
akan digunakan menggunakan inferensi Fuzzy model Tsukamoto. Tahapan awal dalam metode Fuzzy Tsukamoto
adalah menentukan fungsi keanggotaan, kemudian tahap selanjutnya adalah menentukan rules dari kriteria atau
parameter yang digunakan, dan yang tahap terakhir yaitu dilakukan perhitungan berupa hasil keputusan seleksi calon
karyawan. Inferensi Fuzzy model Tsukamoto ini nantinya akan dilakukan perhitungan secara dua tahap [5]. Alasan
dari penggunaan inferensi Fuzzy dua tahap adalah banyaknya rules yang dihasilkan dari kriteria-kriteria yang
ada.
Salah satu dalam tahapan metode Fuzzy Tsukamoto adalah menentukan batasan-batasan fungsi keanggotaan
fuzzy , penentuan batasan-batasan fungsi keanggotaan fuzzy
tersebut dapat dilakukan optimasi dengan menggunakan metode optimasi fungsi keanggotaan, yaitu Algoritma
Genetika . Alasan dari penggunaan Algoritma Genetika itu
sendiri adalah karena metode Algoritma Genetika memiliki beberapa kelebihan diantaranya; Algoritma Genetika dapat
memecahkan suatu masalah yang kompleks dan memiliki ruang pencarian search space yang luas [11]. Selain itu,
Algoritma Genetika
dapat memecahkan masalah optimasi dalam bidang computer science dengan tingkat kesuksesan
yang tinggi [2]. Dengan adanya penelitian ini dapat membantu HRD
perusahaan dalam melakukan seleksi karyawan.
commit to user
2
2.
Algoritma Genetika
AG
Algoritma genetika adalah teknik pencarian
heuristik yang didasarkan pada gagasan evolusi seleksi alam dan genetik. Algoritma Genetika memanfaatkan
proses seleksi ilmiah yang dikenal dengan proses evolusi, yang dimana dalam proses tersebut terdapat suatu aturan
bahwa individu akan secara terus-menerus mengalami perubahan gen yang menyesuaikan dengan lingkungan
hidupnya. Teknik Algoritma Genetika dapat memecahkan masalah dengan cara mendapatkan solusi optimal. Sebagai
contoh masalah yang memerlukan solusi optimal adalah minimalisasi biaya, maksimalisasi keuntungan, efisiensi
jadwal, dan penggunaan sumber daya [10].
Proses-proses pada Algoritma Genetika membentuk sebuah siklus Algoritma Genetika. Siklus Algoritma
Genetika diperkenalkan pertama kali oleh David Goldberg.
Proses pertama pada siklus adalah membuat sebuah populasi
awal secara
acak, populasi
merupakan sekumpulan individu yang akan diproses bersama dalam
satu siklus proses evolusi. Tahapan kedua, tiap individu yang terdapat dalam populasi tersebut dihitung nilai
fitness-nya. Individu menyatakan salah satu solusi yang mungkin. Individu bisa dikatakan sama dengan kromosom,
yang merupakan kumpulan gen. Gen ini bisa biner, float, dan kombinational. Pada proses ketiga, dilakukan seleksi
individu, proses ini menyeleksi individu yang terbaik dimana yang memiliki nilai fitness terbesar. Proses
keempat yaitu individu yang telah diseleksi akan dilakukan proses reproduksi dimana terdapat dua proses, antara lain
proses crossover dan proses mutasi. Setelah dilakukan proses reproduksi maka akan terbentuk sebuah populasi
baru. Proses akan berlanjut terus sampai pada generasi ke- n, populasi baru akan mengalami siklus yang sama dengan
populasi sebelumnya [18].
Gambar 1. Siklus Algoritma Genetika oleh Zbigniew
Michalewicz
3. FIS Tsukamoto Dua Tahap