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