Hasil Hasil HASIL DAN PEMBAHASAN

commit to user 5 � � = − ∑ � � �= − Ket: r_s = koefisien kolerasi spearman, d_i = selisih antara ranking yang dihasilkan antara dua variabel, n = banyaknya data. Selain itu akan dilakukan uji signifikansi terhadap hasil korelasi spearman yang dimana uji signifikansi ini dilakukan untuk menentukan apakah hipotesis yang dibuat di awal riset akan diterima atau ditolak. 5.4 Hasil Pengujian Sistem Pengujian dilakukan dengan menggunakan data yang telah dikumpulkan sebelumnya. Tahap ini akan dilakukan pengujian untuk mengetahui bahwa hasil dari sistem sesuai dengan perhitungan manual. Selain itu hasil keluaran dari sistem dianalisis untuk mengetahui hasil keluaran sistem apakah sesuai dengan keinginan pakar atau tidak. Tahap pengujian akurasi sistem merupakan pe- ranking-an data calon karyawan dengan menggunakan hasil optimasi dibandingkan dengan pe-ranking-an data calon karyawan menurut HRD perusahaan. Nilai akurasi sistem didapatkan dengan menggunakan persamaan korelasi spearman. Jika nilai akurasi sistem mendekati atau kurang dari 1 maka hasil optimasi fungsi keanggotaan Fuzzy Tsukamoto mendekati dengan hasil perangkingan menurut HRD perusahaan dan jika bernilai 1 maka hasil perangkingan sistem sama dengan hasil perangkingan HRD perusahaan. Sebaliknya, jika nilainya mendekati nilai -1 maka hasilnya bertolak belakang dengan perangkingan HRD perusahaan dan jika berniali -1 maka hasil perangkingan sistem bertolak belakang dengan hasil perangkingan HRD perusahaan.

6. HASIL DAN PEMBAHASAN

Data yang digunakan untuk penelitian sebanyak 10 data calon karyawan yang mendaftar sebagai salesman. Dengan kriteria penilaian diantaranya Biografi, Tes Kecakapan, Tes Kepribadian, Wawancara, Umur dan Riwayat Penyakit.

6.1 Hasil

Algoritma Genetika Langkah awal dari proses perhitungan Algoritma Genetika untuk seleksi calon karyawan adalah menentukan nilai dari parameter atau variabel Algoritma Genetika, seperti ukuran populasi popSize, nilai crossover rate dan mutation rate. Contoh permasalahan dari proses perhitungan Algoritma Genetika dimisalkan seperti pada tabel berikut. Tabel 4. Contoh permasalahan Algoritma Genetika Kriteria Tes Kepribadian dan riwayat penyakit Ukuran populasi 80 Nilai cr 50 Nilai mr 50 Algoritma Genetika akan membentuk suatu populasi. Populasi yang dibentuk terdiri dari beberapa individu atau kromosom untuk menghasilkan sebuah solusi dari permasalahan. Pada seleksi calon karyawan digunakan representasi kromosom pengkodean real real-coded. Kromosom yang dibentuk memiliki jumlah gen sebanyak 24. Kromosom dibentuk berdasarkan penggabungan antara nilai batas-batas fungsi keanggotaan dari semua kriteria input Fuzzy. Pada contoh berikut dimisalkan representasi kromosom hanya terdapat 2 kriteria, yaitu Tes Kepribadian dan Riwayat penyakit dimana masing-masing kriteria memiliki 4 gen. Contoh representasi kromosom dengan menggunakan pengkodean real ditunjukkan pada Gambar berikut. Tabel 5. Pembangkitan populasi awal Individu Kromosom P 1 [1, 2.5, 3.5, 4, 1.5, 2.8, 3, 5] P 2 [1.7, 2, 3.6, 4.5, 1, 2.3, 3, 4.2] P 3 [1.3, 3, 4.2, 5, 1, 1.6, 2.8, 4.5] P.. […………………………….] P.. […………………………….] P80 [1.4, 3, 4.5, 5, 1, 1.6, 2.8, 4.7] Setelah melalui tahap crossover one-cut-point crossover dan tahap random mutation didapatkan populasi baru. Seperti yang terlihat pada table berikut. Tabel 6. Hasil populasi baru dari proses reproduksi Offspring Kromosom C 1 [1.7, 2, 3.5, 4, 1, 2.3, 3, 5] C 2 [1, 2.5, 3.6, 4.5, 1.5, 2.8, 3, 4.2] C 3 [1.3, 3, 4.375, 5, 1, 1.6, 2.975, 4.5] C.. […………………………….] C.. […………………………….] C80 [1.4, 3, 4.5, 5, 1, 1.6, 2.8, 4.7] Setelah itu kromosom-kromosom tersebut di gunakan sebagai batas-batas fungsi keanggotaan dalam perhitungan Fuzzy.

6.2 Hasil

F uzzy Proses Fuzzyfikasi merupakan perhitungan nilai crisp atau nilai input menjadi nilai derajat keanggotaan. Perhitungan dalam proses Fuzzyfikasi berdasarkan batas- batas fungsi keanggotaan yang terdapat dalam grafik fungsi keanggotaan yang telah dibentuk dengan menggunakan metode Algoritma Genetika. Tabel berikut merupakan contoh data alternatif yang digunakan untuk proses perhitungan dengan menggunakan metode Fuzzy Tsukamoto dua tahap. commit to user 6 Tabel 7. Contoh permasalahan Variabel input Nilai input Informasi Biografi 7.8 Tes Kecakapan 4 Tes Kepribadian 4 Wawancara 7 Umur 24 Riwayat Penyakit 1 Selanjutnya melakukan perhitungan terhadap α- predikat, nilai crisp dari kriteria himpunan Fuzzy output z, dan α-predikatz yang di dapatkan dari kriteria positif dan kriteria negative dari setiap rulenya. Tabel 8. Kriteria positif dan negatif Kriteria positif Biografi Tes Kecakapan Tes Kepribadian Wawancara Kriteria negatif Umur Riwayat Penyakit Hasil nilai output pada kriteria positif sebesar 3.14 dan nilai output kriteria negatif sebesar 2.62. Kedua nilai output tersebut akan digunakan untuk proses inferensi Fuzzy Tsukamoto tahap kedua. Jumlah rules pada inferensi Fuzzy tahap kedua sebanyak 4 rules. Berikut merupakan hasil perhitungan pada proses inferensi Fuzzy 2 tahap. Tabel 9. Proses perhitungan inferensi Fuzzy Tsukamoto tahap 2 Rule Positif Negatif α_p Z α_pz 1 0.43 0.31 0.31 7.45 2.31 2 0.43 0.69 0.43 6.85 2.94 3 0.57 0.31 0.31 5.55 1.72 4 0.57 0.69 0.57 6.85 3.90 Setelah itu masuk ke tahap deffuzifikasi rata-rata terpusat yang merupakan pembagian antara jumlah α- predikatz dan jumlah α-predikat. Hasil perhitungan deffuzifikasi rata-rata terpusat pada contoh permasalahan diatas, yaitu. = ∑ �_� � ∗ � � ∑ �_� � = . . = .

6.3 Akurasi Sistem