commit to user
3
4. Akurasi Sistem
Dalam pengimplementasian sistem seleksi calon karyawan menggunakan Algoritma Genetika dan Fuzzy
Tsukamoto dua tahap dibutuhkan sebuah proses akurasi
sistem. Proses akurasi sistem ini menggunakan perhitungan korelasi spearman. Akurasi sistem yang dilakukan adalah
dengan menghitung nilai bobot Z dari hasil sistem inferensi Fuzzy Tsukamoto kemudian dilakukan pe-
ranking-an dan dihitung dengan menggunakan persamaan korelasi spearman. Korelasi spearman merupakan ukuran
antara hubungan dua variabel berdasarkan pe-ranking-an pada setiap nilai variabel [14]. Persamaan koefiesien
korelasi spearman dinyatakan dalam persamaan 3.
�
�
= −
6 ∑
� �
�=
� −�
3 Ket:
r_s = koefisien kolerasi spearman, d_i = selisih antara ranking yang dihasilkan antara dua
variabel, n = banyaknya data.
Untuk mengetahui apakah koefisien korelasi Spearman signifikan atau tidak maka dilakukan suatu
pengujian. Dapat digunakan uji signifikasi korelasi product moment dengan rumus [17]:
= �√n −
√ − r Berdasarkan t table koefisien korelasi Spearman akan
signifikan jika t ≥ 1,81 atau t≤ −1,81 pada tingkat signifikansi α=5.
5. METODOLOGI
Data yeng telah terkumpul merupakan data calon karyawan yang mengikuti seleksi di perusahaan bio 2000.
Dalam data calon karyawan terdapat kriteria atau parameter untuk seleksi karyawan. Data kriteria tersebut merupakan
hasil tes yang dilaksanakan oleh perusahaan bio 2000 yang terdiri dari data kriteria hasil tes kecakapan, tes
kepribadian, informasi biografi, wawancara, umur dan riwayat penyakit.
5.1 Siklus Penyelesaian Masalah
Menggunakan
Algoritma Genetika
Penggunaan sistem inferensi Fuzzy memerlukan batas-batas fungsi keanggotaan himpunan Fuzzy yang
sesuai agar didapatkan hasil yang akurat. Batas-batas tersebut
bisa ditentukan
secara otomatis
dengan menggunakan Algoritma Genetika. Algoritma Genetika
dalam penerapannya memiliki beberapa tahap untuk menyelesaikan
masalah, yaitu
inisialiasi populasi,
menghitung nilai fitness, proses reproduksi, dan seleksi. Proses reproduksi sendiri terdiri dari proses crossover dan
mutasi.
5.1.1 Representasi Kromosom
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. Setiap kromosom terdiri dari gen yang memuat
bilangan real. Kromosom inisial dibangkitkan secara random dan bilangan random tersebut memiliki rentang
nilai sesuai dengan masing-masing kriteria. Kromosom yang dibentuk memiliki jumlah gen sebanyak 26.
Contoh representasi
kromosom dengan
menggunakan pengkodean real ditunjukkan pada Gambar berikut.
P
1
1 2.5
3.5 4
1.5 2.8
3 5
Gambar 3. Contoh pembangkitan populasi awal
5.1.2 Insialisasi Populasi Awal
Populasi pada Algoritma Genetika yang dibentuk untuk permasalahan optimasi fungsi keanggotaan terdiri
dari gen yang merupakan gabungan antara nilai untuk masing-masing kriteria penentuan seleksi calon karyawan.
Pembangkitkan populasi awal dilakukan secara random, dari masing-masing kromosom memiliki rentang
nilai gen sesuai dengan kriteria.
5.1.3 Reproduksi
Proses reproduksi dalam Algoritma Genetika terdiri dari proses crossover dan proses mutasi. Metode crossover
yang digunakan adalah one-cut-point crossover. Variabel cr merupakan
crossover rate
yang telah
ditentukan sebelumnya dengan rentang nilai [0, 1]. Sedangkan,
variabel popSize merupakan ukuran populasi yang dibentuk.
Dalam metode one-cut-point crossover dilakukan dengan memilih titik potong pada kromosom kemudian
menukarkan nilai gen parent satu dengan parent lainnya. Dimisalkan diberikan nilai masukan cr 0.5 dan nilai
popSize nya 3. Maka dihasilkan offspring sebanyak offspring = cr x popSize =
0.5 x 3= 2 offspring. Misal terdapat kromosom seperti berikut
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
Tukar nilai gen P1 dan P2 sesuai dengan titik potong yang telah ditentukan sebagai hasil dari crossover,
offspring. 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 Proses reproduksi mutasi reprsentasi kromosom
real-coded menggunakan metode random mutation.
Jumlah anak offspring pada permasalahan ini sebanyak offspring =
� × popSize = . × = . = offspring
. Misal terdapat kromosom sebagai berikut
P
3
1.3 3
4.2 5
1 1.6 2.8
4.5 Hasil dari random mutation sebagai berikut.
C
3
1.3 3
4.375 5
1 1.6
2.975 4.5
commit to user
4
5.1.4 Evaluasi