DEWAN PENYUNTING Kudang Boro Seminar Gasim Djoko Soetarno STAF AHLI (MITRA BESTARI) Joko Lianto Buliali Agus Harjoko Iping Supriana Suwardi Achmad Benny Mutiara TATA USAHA Yulizar Kasih Rizani Teguh Sudiadi

VOLUME 1 NOMOR 1 SEPTEMBER 2014 JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI (JATISI)

Terbit dua kali setahun pada bulan Maret dan September, Jurnal Teknik Informatika dan Sistem Informasi (JATISI) merupakan media penyampaian hasil penelitian untuk semua bidang yang ada pada rumpun teknik informatika dan sistem informasi, diharapkan hasil penelitian yang ada pada jurnal ini dapat menjadi penghubung antara peneliti dan pihak yang berkepentingan. ISSN 2407-4322, diterbitkan pertama kali pada tahun 2014

KETUA PENYUNTING

Gasim DEWAN PENYUNTING

Kudang Boro Seminar Gasim Djoko Soetarno STAF AHLI (MITRA BESTARI)

Joko Lianto Buliali Agus Harjoko Iping Supriana Suwardi Achmad Benny Mutiara TATA USAHA

Yulizar Kasih Rizani Teguh

Sudiadi PENANGGUNG JAWAB

Ketua STMIK Global Informatika MDP, Ir. Rusbandi, M.Eng.

PENERBIT

Lembaga Penelitian dan Pengabdian pada Masyarakat (LPPM) STMIK Global Informatika MDP bekerjasama dengan IndoCEISS (Indonesian Computer, Electronics and Instrumentation Support Society)

ALAMAT PENYUNTING & TATA USAHA

Gedung STMIK GI MDP, Jalan Rajawali No. 14 Palembang 30113 Telp. 0711-376400, Fax. 0711-376360, Website : http://jatisi.mdp.ac.id, Email : jatisi@mdp.ac.id

BERLANGGANAN

Langganan dapat dilakukan dengan pemesanan untuk minimal 2 edisi (1 tahun) Rp. 350.000,- ditambah ongkos kirim.

KATA PENGANTAR

Puji syukur kehadirat Tuhan YME atas berkat rahmat dan karunia-Nya sehingga majalah ilmiah Jurnal Teknik Informatika dan Sistem Informasi (JATISI) dapat terbit sebagaimana direncanakan.

Sebagai tenaga profesional, dosen memiliki kewajiban mengajar, meneliti, dan pengabdian pada masyarakat. Setiap hasil penelitian sebaiknya dipublikasikan untuk memberi tahu kepada masyarakat luas tentang hasil penelitiannya.JATISI diharapkan dapat menjadi wadah bagi para dosen untuk mempublikasikan hasil penelitiannya, dan menjadi sarana untuk penyebaran ilmu pengetahuan di bidang teknik informatika dan sistem informasi secara berkelanjutan. JATISI juga diharapkan menjadi pertemuan antara dunia penelitian dan dunia industri yang tertarik terhadap hasil penelitian.

JATISI bekerja sama dengan IndoCEISS dalam pengelolaannya. IndoCEISS merupakan wadah bagi para ilmuwan, praktisi, pendidik, dan penggemar dalam bidang komputer, elektronika, dan instrumentasi yang menaruh minat untuk memajukan bidang tersebut di Indonesia.

JATISI diterbitkan 2 kali dalam setahun (September dan Maret), makalah yang diterbitkan JATISI minimal terdiri dari 60% dari luar Sumatera Selatan, dan 40% dari Sumatera Selatan. Makalah yang diterbitkan melalui tahap review oleh reviewer yang berpengalaman dan sudah memiliki makalah yang diterbitkan di jurnal internasional yang terindeks SCOPUS.

Kami mengucapkan terima kasih kepada para peneliti yang telah mengirimkan hasil penelitiannya untuk diterbitkan di JATISI, kepada para mitra bestari yang sudah meluangkan waktu guna mereview makalah yang kami ajukan, kepada Yayasan Multi Data Palembang yang mendukung penuh atas pengelolaan jurnal ini, dan kami mengucapkan kepada semua pihak yang tidak dapat kami sebutkan satu persatu.

Ketua Redaksi JATISI,

Dr. Gasim, S.Kom., M.Si.

Jatisi , Vol. 1 No. 1 September 2014  1

Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode K-Nearest Neighbor

Ricky Imanuel Ndaumanu * 1 , Kusrini 2 , M. Rudyanto Arief 3

3 Magister Teknik Informatika STMIK AMIKOM Yogyakarta

E-mail: * 1 ricky_ndaumanu@ymail.com, 2 kusrini@amikom.ac.id, 3 rudy@amikom.ac.id

Abstrak

Kebutuhan akan analisis mengenai prediksi tingkat pengunduran diri mahasiswa di STIKOM UYELINDO Kupang, menjadi alasan dilakukannya penelitian terhadap prediksi tingkat pengunduran diri mahasiswa. Menentukan prediksi tingkat pengunduran diri mahasiswa dalam jumlah besar tidak mungkin dilakukan secara manual karena membutuhkan waktu yang cukup lama. Untuk itu dibutuhkan sebuah algoritma yang dapat mengkategorisasikan prediksi tingkat pengunduran diri mahasiswa secara otomatis menggunakan komputer. Dalam memprediksi digunakan sistem pendukung keputusan berupa prototype dan dalam menganalisis menggunakan Metode K-Nearest Neighbor karena memiliki prinsip kerja mencari jarak terpendek antara data yang akan dievaluasi dengan K terdekat dalam data pelatihannya. Berdasarkan dalam pengujian hasil prediksi dengan menggunakan Algoritma K-Nearest Neighbor yang pengujiannya dilakukan secara manual dan menggunakan sistem pendukung keputusan menghasilkan data yang baik. Hasil uji tersebut menyatakan sistem cukup layak untuk digunakan dalam prediksi calon mahasiswa meskipun sistem belum menghasilkan tingkat akurasi yang maksimal. Untuk menghasilkan nilai validasi yang maksimal membutuhkan data yang seimbang antara kasus keluar dan aktif. Hasil pengujian menggunakan prototype sistem pendukung keputusan dan dibandingkan secara manual yang menggunakan metode Algoritma K-Nearest Neighbor dengan

4 variabel yaitu IPK, Pekerjaan orang tua, jurusan dan semester adalah mendapatkan kesesuaian 79%. Kata kunci —Sistem Pendukung Keputusan, Data Mining, K-Nearest Neighbor.

Abstract

The need for an analysis of the prediction of the level of resignation of a student at stikom uyelindo kupang, be the reason he did research on predictions the level of the resignation of a student. Determine the prediction of the level of the resignation of the students in large quantities could not be done manually because it requires time cukub a long time.For that required an algorithm that can be mengkategorisasikan predictions the level of the resignation of students automatically use the computer. In forecasting used the support system decision in the form of prototypes and in analyzing uses the method k-nearest neighbor because it has the working principle of looking for the shortest distance between the data will be evaluated with k nearest in the data his training. Based on in testing the outcome predicted by using algorithm k-nearest neighbor that its done manually and use the support system decision produces good data going back. The results of such tests said the system quite feasible for use in the prediction of a candidate student although the system has not generate a level of accuracy maximally.To produce the value of validation maximum requiring data that balanced between cases out and active. Results testing use prototype support system decision and compared manually that uses method algorithms k-nearest neighbor with 4 variable ipk, namely work parents, side and semester is get conformity 79 %. Keywords —Decision Support System, Data Mining, K-Nearest Neighbor.

Title of manuscript is short and clear, implies research results (First Author)

 ISSN: 1978-1520

2 ISSN : 2407-4322

1. PENDAHULUAN

Dari jumlah pendaftaran mahasiswa baru ini, banyak juga mahasiswa yang mengundurkan diri setiap tahunnya yang disebabkan berbagai masalah. Oleh karena adanya mahasiswa yang mengundurkan diri terutama di Sekolah Tinggi Manajemen Informatika Komputer (STIKOM) UYELINDO Kupang maka penulis ingin melakukan analisis pengunduran diri mahasiswa dengan mengangkat judul penelitian “Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa Di STIKOM UYELINDO Kupang Dengan Metode K-Nearest Neighbor.

Penelitian ini mengangkat permasalahan bagaimana mengetahui prediksi pengunduran diri mahasiswa menggunakan Algoritma K-Nearest Neighbor (KNN) di STIKOM UYELINDO Kupang ?, Bagaimana keakuratan klasifikasi pengunduran diri mahasiswa dengan menggunakan Algoritma K-Nearest Neighbor (KNN) ?. Penelitian ini bertujuan untuk memprediksi seberapa tingkat akurasi pengunduran diri mahasiswa Sekolah Tinggi Manajemen Informatika Komputer (STIKOM) UYELINDO Kupang dengan metode Algoritma K-Nearest Neighbor (KNN). Manfaat penelitian ini bagi pihak Sekolah Tinggi Manajemen Informatika Komputer (STIKOM) UYELINDO Kupang yaitu bermanfaat untuk mempermudah perguruan tinggi mengambil keputusan secara baik, bijak dan benar dalam menentukan tujuan dan arah kedepan perguruan tinggi untuk mengurangi pengunduran mahasiswa dan dapat dijadikan sebagai dasar pembuatan kebijakan oleh pimpinan dalam hal sistem seleksi mahasiswa baru, sistem pembelajaran.

2. METODE PENELITIAN

2.1 Data Mining Data Mining adalah suatu istilah yang di gunakan untuk menguraikan penemuan pengetahuan di dalam database [1]. Data mining adalah proses yang menggunakan teknik static. matematika, kecerdasan buatan dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terakit dari berbagai database besar [2].

Knowledge discovery data (KDD) adalah keseluruhan proses non-trivial untuk mencari dan mengidentifikasikan pola (pattern) dalam data, dimana pola yang ditemukan bersifat sah, baru dapat bermanfaat dan dapat dimengerti [3].

Gambar 1. Proses Knowledge Discovery in Database (KDD)[3]

Dimana tahapan proses KDD antara lain :

1. Data Selection Menciptakan himpunan data target, pemilihan himpunan data atau memfokuskan pada subset variabel atau sampel data, dimana penemuan (discovery) akan dilakukan.

IJCCS Vol. x, No. x, July201x : first_page –end_page

Jatisi , Vol. 1 No. 1 September 2014  3

2. Preprocesing / Cleaning Pemprosesan pendahuluan dan pembersihan data merupakan operasi dasar seperti penghapusan noise dilakukan. Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus KDD.

3. Transformation Proses ini merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data.

4. Data Mining Pemilihan algoritma data mining untuk pencarian (searching) Proses Data mining yaitu Teknik, metode atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan.

5. Interpretation / Evaluation Tahap ini merupakan bagian dari proses KDD yang mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya.

2.2 Algoritma Algoritma dalam pengertian modern mempunyai kemiripan dengan istilah resep, proses, metode, teknik, prosedur, rutin. Algoritma adalah sekumpulan aturan-aturan berhingga yang memberikan sederetan operasi-operasi untuk menyelesaikan suatu jenis masalah yang khusus.

2.3 Algoritma K-Nearest Neighbor K-Nearest Neighbor (KNN) termasuk kelompok instance-based learning. Algoritma ini juga merupakan salah satu teknik lazy learning. KNN dilakukan dengan mencari kelompok k objek dalam data training yang paling dekat (mirip) dengan objek pada data baru atau data testing [4]. Algoritma K-Nearest Neighbor adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dan kasus lama yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada [1]

Untuk mendefinisikan jarak antara dua titik yaitu titik pada data training (x) dan titik pada data testing (y) maka digunakan rumus Euclidean, seperti yang ditunjukkan pada persamaan (1)

Dengan D adalah jarak antara titik pada data training x dan titik data testing y yang akan diklasifikasi, dimana x=x1,x2,…,xi dan y=y1,y2,…,yi dan I merepresentasikan nilai atribut serta n merupakan dimensi atribut.

Pada fase training, algoritma ini hanya melakukan penyimpanan vektor-vektor fitur dan klasifikasi data training sample. Pada fase klasifikasi, fitur-fitur yang sama dihitung untuk testing data (yang klasifikasinya tidak diketahui). Jarak dari vektor baru yang ini terhadap seluruh vektor training sample dihitung dan sejumlah k buah yang paling dekat diambil.

Langkah-langkah untuk menghitung metode Algoritma K-Nearest Neighbor:

a. Menentukan Parameter K (Jumlah tetangga paling dekat).

b. Menghitung kuadrat jarak Euclid (queri instance) masing-masing objek terhadap data sampel yang diberikan.

Title of manuscript is short and clear, implies research results (First Author)

 ISSN: 1978-1520

4 ISSN : 2407-4322

c. Kemudian mengurutkan objek-objek tersebut ke dalam kelompok yang mempunyai jarak Euclid terkecil.

d. Mengumpulkan kategori Y (Klasifikasi Nearest Neighbor)

e. Dengan menggunakan kategori Nearest Neighbor yang paling mayoritas maka dapat diprediksi nilai queri instance yang telah dihitung.

2.4 Klasifikasi Data classification memiliki dua tahap proses. Tahap pertama adalah membangun suatu model yang berdasarkan serangkaian data class, yang disebut learned model. Model tersebut dibangun dengan menganalisa database tuple. Setiap tuple diasumsikan menjadi predefined class yang ditentukan oleh satu atribut yang disebut class label attribute [5].

2.5 Metode Penelitian Metode penelitian yang digunakan oleh penulis adalah Model Penelitian Tindakan (Action Research). Metode yang digunakan menggunakan metode tindakan kelas model Kurt Lewin yang mengembangkan penelitian tindakan atas dasar konsep pokok bahwa penelitian tindakan terdiri dari empat komponen pokok yang juga menunjukkan langkah, yaitu [6]:

a. Perencanaan (planning),

b. Tindakan (acting),

c. Pengamatan (observing),

d. Refleksi (reflecting).

Acting

Planning Observing

Reflecting

Gambar 2. Metode Kurt Lewin 1990 [6]

1. Perencanaan Rencana tindakan ini mencakup semua langkah tindakan secara rinci.

2. Tindakan Tahap ini merupakan implementasi dari semua rencana yang telah dibuat.

3. Pengamatan Kegiatan pengamatan dilakukan bersamaan dengan pelaksanaan tindakan.

4. Refleksi Tahapan ini merupakan tahapan untuk memproses data yang didapat saat dilakukan pengamatan dan data yang didapat kemudian dianalisis.

2.6 Alur Penelitian Gambar alur penelitian yang di lakukan oleh penelitian dari awal hingga akhir penelitian yang di tunjukan pada Gambar 3.

IJCCS Vol. x, No. x, July201x : first_page –end_page

Jatisi , Vol. 1 No. 1 September 2014  5

Mulai

Data Mining

Analisis dengan Menggunakan Algoritma K-

Identifikasi Masalah Nearest Naighbor untuk mencari sesuai yang (latar belakang, rumusan diinginkan pada rumusan masalah

a. Perancangan model dengan masalah, batasan variabel

penelitian, manfaat penelitian

menggunakan Algoritma K-Nearest

,Tujuan Penelitian)

Neighbor

an

b. Tentukan nilai K

ak

am P

c. Sorting

al

n d. Cari K terdekat

nd

Ti

aa Pengumpulan Data Di STIKOM

e. Berdasarkan jumlah tetangga yang di

hap

Ta can

UYELINDO Kupang

on

tentukan hitung jumlah pembobotan

(wawancara, Ovservasi, Dokumen)

cti

en

A f. Tampilkan hasil atau akurasi prediksi

er P

g/

Tinjauan pustaka

in

(landasan teori, keaslian Hitung jumlah benar dan salah untuk

nn

penelitian) mengetahui tingkat kepercayaan prediksi

P la

Input data Atribut dan nilai Pengamatan kedekatan antar atribut Apakah hasil sudah sesuai dengan yang diharapkan untuk

n mendapat hasil :

on

a. Bagaimana mengetahui prediksi pengunduran diri

mahasiswa menggunakan Algoritma K-Nearest Pemilihan data hasil seleksi yang

Data Selection

vati

er gamata Neighbour (KNN) di STIKOM UYELINDO Kupang

akan digunakan untuk proses

b. Bagaimana keakuratan klasifikasi pengunduran diri data mining

bs en

O P mahasiswa dengan menggunakan Algoritma K-

Nearest Neighbour (KNN) dalam penentuan bobot ?

Pre-processing/ Cleaning

Pemrosesan pendahuluan dan pembersihan data atau proses

Interpretation/ Evaluation

cleaning (membuang duplikasi Penerjemahan pola-pola yang dihasilkan

an

data dan memperbaiki kesalahan dari data mining dalam bentuk yang

ak

R nd

pada data) mudah dimengerti apakah sudah sesuai.

Ti efl

ek on

si / Eval A cti

Jika Tidak

Jika sesuai

Tampilan Hasil / Akurasi

Prediksi Proses pemindahan data yang

Transformation

uas

telah dibersihkan untuk database Jika Ya

data mining Kesimpulan dan saran

Selesai

Gambar 3. Alur Penelitian

2.7 Metode Pembobotan Adapun rumus yang digunakan dapat dilihat pada persamaan (2) dan (3) [7]:

a. Input nilai kriteria masing-masing model.

b. Input bobot masing-masing kriteria.

c. Hitung normalisasi dari bobot.

Dimana : SBK : Kriteria BBT : Bobot Kriteria NK : Nilai Kriteria.

Title of manuscript is short and clear, implies research results (First Author)

 ISSN: 1978-1520

6 ISSN : 2407-4322

3. HASIL DAN PEMBAHASAN

3.1 Pemberian Nilai Bobot

a. Memberi pembobotan pada IPK Dalam model IPK ini diberikan nilai yang diurutkan berdasarkan pengaruh data pengunduran diri mahasiswa, yang nilainya diberikan berdasarkan pengaruhnya dari range

10 -100. Cara pembobotan ini dapat dilihat pada Table 1 [7].

Tabel 1 Pembobotan Pada IPK

NO

Kriteria IPK

2 IPK >=2 and IPK<3

3 IPK>=3 and IPK<3,5 80% menjadi 0,8 60 4 IPK >=3.5

Nilai Kriteria IPK Adalah:

b. Memberi pembobotan pada Pekerjaan Orang Tua. Tabel 2 adalah model pembobotan pada pekerjaan orang tua.

Tabel 2 Pembobotan Pekerjaan Orang Tua

Dalam model Pekerjana Orang Tua ini diberikan nilai yang diurutkan berdasarkan pengaruh data pengunduran diri mahasiswa, yang nilainya diberikan berdasarkan pengaruhnya dari range 10-100. Cara pembobotan ini dapat dilihat pada Table 2 [7]. Nilai Kriteria Pekerjaan Orang Tua Adalah :

IJCCS Vol. x, No. x, July201x : first_page –end_page

Jatisi , Vol. 1 No. 1 September 2014  7

c. Memberi Pembobotan pada Jurusan. Berikut ini adalah model pembobotan pada jurusan :

Tabel 3 Pembobotan Jurusan

Dalam model Jurusan ini diberikan nilai yang diurutkan berdasarkan pengaruh data pengunduran diri mahasiswa, yang nilainya diberikan berdasarkan pengaruhnya dari range 10-100. Cara pembobotan ini dapat dilihat pada Table 3 [7] . Nilai Kriteria Jurusan Adalah:

d. Memberi pembobotan pada Semester. Berikut ini adalah model pembobotan pada Semester.

Tabel 4 Pembobotan Semester

Dalam model semester ini diberikan nilai yang diurutkan berdasarkan pengaruh data pengunduran diri mahasiswa, yang nilainya diberikan berdasarkan pengaruhnya dari range 10-100. Cara pembobotan ini dapat dilihat pada Table 4 [7]. Nilai Kriteria semester Adalah :

Title of manuscript is short and clear, implies research results (First Author)

 ISSN: 1978-1520

8 ISSN : 2407-4322

e. Pembobotan Keseluruhan Proses perhitungan keseluruhan model berdasarkan rumus dari pembobotan yang dijelaskan didepan adalah sebagai berikut : Nilai akhir adalah:

3.2 Mengklasifikasi pembobotan. Dalam mengklasifikasi pembobotan ini adalah untuk mempermudah dalam penghitungan dalam proses di sistem Penunjang keputusan Analisis prediksi tingkat pengunduran diri mahasiswa sebagai berikut :

a. Pembobotan Variabel Berikut ini adalah model pembobotan pada Variabel:

Tabel 5 Pembobotan Variabel No

2 Pekerjaan Ortu

Dalam pembobotan variabel ini dilihat dari yang berpengaruh dalam studi di perguruan tinggi STIKOM UYELINDO Kupang, pembobotan tersebut dilihat dari data yang paling tinggi tingkat pengunduran diri disebabkan oleh variabel-variabel dilihat pada Tabel 5.

b. Kedekatan Nilai Variabel IPK Berikut ini adalah model kedekatan nilai variable IPK:

Tabel 6 Klasifikasi IPK

NO

Kriteria IPK

2 IPK >=2 and IPK<3

80% menjadi 0,8

3 IPK >=3 and IPK<3,5

4 IPK >=3.5

Setelah dilakukan klasifikasi IPK berikutnya melakukan pencarian nilai kedekatan variabel IPK yaitu dilihat pada Tabel 7.

IJCCS Vol. x, No. x, July201x : first_page –end_page

Jatisi , Vol. 1 No. 1 September 2014  9

Tabel 7 Kedekatan Nilai Variabel IPK 1 2 3 4 1 1 0.8 0.6 0.4 2 0.8 1 0.75 0.5 3 0.6 0.75 1 0.666667

c. Kedekatan Nilai Variabel Pekerjaan Orang Tua. Berikut ini adalah model kedekatan nilai variable pekerjaan orang tua:

Tabel 8 Pekerjaan Orang Tua

Nilai kedekatan variable pekerjaan orang tua di sajikan pada Tabel 9.

Tabel 9 Kedekatan Nilai Variabel Pekerjaan Orang Tua

d. Kedekatan Nilai Variabel Jurusan. Tabel 10 adalah model kedekatan nilai variabel jurusan.

Tabel 10 Kode Jurusan

Adapun nilai kedekatan variabel jurusan tersaji pada Tabel 11.

Tabel 11 Kedekatan Nilai Variabel Jurusan

e. Kedekatan Nilai Variabel Semester. Tabel 12 adalah model kedekatan nilai variabel semester.

Title of manuscript is short and clear, implies research results (First Author)

 ISSN: 1978-1520

10 ISSN : 2407-4322

Tabel 12 Semester

Tabel 13 adalah nilai kedekatan variabel semester.

Tabel 13 Kedekatan Nilai Variabel Semester

Tabel 14 Hasil Perhitungan

Hitung Kedekatan Kasus

KASUS 2 KASUS 3 a Kedekatan semester

KASUS 1

1 0.8 1 b Bobot semester

0.4 0.4 0.4 c Kedekatan jurusan

1 1 1 d Bobot jurusan

0.3 0.3 0.3 e Kedekatan IPK

0.75 0.6 1 f Bobot IPK

0.8 0.8 0.8 g Kedekatan pekerjaan orang tua

0.888888889 h Bobot pekerjaan orang tua

Berikut adalah contoh penghitungan tabel hasil perhitungan contoh kedekatan dengan kasus yang baru antara lain:

1. Menghitung kasus 1

a. Kedekatan semester kasus baru terhadap kasus 1 = 1

b. Bobot semester = 0.4

c. Kedekatan jurusan kasus baru terhadap kasus 1 = 1

d. Bobot jurusan = 0.3

e. Kedekatan IPK kasus baru terhadap kasus 1 = 0.75

f. Bobot IPK = 0.8

g. Kedekatan Pekerjaan Orang Tua kasus baru terhadap kasus 1 = 0.75

h. Bobot Pekerjaan Orang Tua = 0.6

Jarak = 0.8333 IJCCS Vol. x, No. x, July201x : first_page –end_page

Jatisi , Vol. 1 No. 1 September 2014  11

2. Menghitung kasus 2

a. Kedekatan semester kasus baru terhadap kasus 2 = 0,8

b. Bobot semester = 0.4

c. Kedekatan jurusan kasus baru terhadap kasus 2 = 1

d. Bobot jurusan = 0.3

e. Kedekatan IPK kasus baru terhadap kasus 2 = 0.6

f. Bobot IPK = 0.8

g. Kedekatan Pekerjaan Orang Tua kasus baru terhadap kasus 2 = .75

h. Bobot Pekerjaan Orang Tua = 0.6

3. Menghitung kasus 3

a. Kedekatan semester kasus baru terhadap kasus 3 = 1

b. Bobot semester = 0.4

c. Kedekatan jurusan kasus baru terhadap kasus 3 = 1

d. Bobot jurusan = 0.3

e. Kedekatan IPK kasus baru terhadap kasus 3 = 1

f. Bobot IPK = 0.8

g. Kedekatan Pekerjaan Orang Tua kasus baru terhadap kasus 3 = 0.889

h. Bobot Pekerjaan Orang Tua = 0.6 Menghitung:

4. Melihat dari ke tiga kasus tersebut maka yang mempunyai nilai tertinggi adalah kasus ke tiga, melihat dari kasus yang tertinggi bahwa kasus itulah yang merupakan kasus yang terdekat dengan kasus baru. Berarti yang mendekati dengan kasus baru adalah kasus ke tiga.

Title of manuscript is short and clear, implies research results (First Author)

 ISSN: 1978-1520

12 ISSN : 2407-4322

3.3 Pengujian

3.3.1 Skenario Pengujian Gambar 4 adalah skenario pengujian aplikasi. Rencana pengujian yang dilakukan pada Aplikasi prediksi pengunduran diri mahasiswa di STIKOM UYELINDO Kupang, menggunakan pengujian data histori atau training untuk menghasilkan prediksi dan keakuratan klasifikasi dengan menggunakan Algoritma K-Nearest Neighbor. Adapun rencana pengujian tersebut dapat dilihat pada Gambar 4.

Start end

Masukan data histori mahasiswa

Hasil (Sama / Tidak

Masukan data testing

sama)

yang akan di uji

Proses prediksi

Membandingkan data testing

pengunduran diri

prediksi pengunduran diri

mahasiswa

mahasiswa STIKOM

menggunakan

UYELINDO Kupang dengan

sistem pendukung

sistem berdasarkan aturan

keputusan

prediksi pengunduran diri

mahasiswa

Gambar 4. Skenario Pengujian

3.3.2 Menu Utama Menu utama ini merupakan tampak depan setelah memasukkan user name dan password. Menu utama dapat di lihat pada Gambar 5.

Gambar 5. Menu utama

Gambar 5 merupakan tampilan utama dari aplikasi prediksi tingkat pengunduran diri mahasiswa STIKOM UYELINDO Kupang.

IJCCS Vol. x, No. x, July201x : first_page –end_page

Jatisi , Vol. 1 No. 1 September 2014  13

3.3.3 Form Hasil Kasus Baru Berikut ini adalah hasil dari proses tambah kasus baru pada SPK yang akan melakukan prediksi terhadap mahasiswa dan hasilnya mengeluarkan status aktif (a), keluar (k).

Gambar 6. Form Hasil Kasus Baru

Berdasarkan hasil pengujian (Gambar 6) prediksi secara manual (diperkirakan yang akan keluar) dan menggunakan sistem pendukung keputusan menunjukan hasil kesesuaian prediksi pengunduran diri mahasiswa STIKOM UYELINDO Kupang. Hasil kesesuaian di tunjukkan dengan cara menghitung secara manual dengan memasukkan data pada tabel (Tabel

15) untuk mendapatkan matriks seperti yang di sajikan pada Gambar 7.

Tabel 15 Perbandingan

Tidak sama

Grand Total

Berikut uji Validitas yang ditunjukan pada Gambar 7.

Uji Validitas = 100 %

= 78,89 % menjadi 79 %

Gambar 7. Uji Validitas

Title of manuscript is short and clear, implies research results (First Author)

 ISSN: 1978-1520

14 ISSN : 2407-4322

3.4 Analisis Hasil Berdasarkan pengujian hasil prediksi menggunakan algoritma k-nearest neighbor secara manual dan menggunakan sistem yang digunakan data training adalah mengunakan 90 data mahasiswa yaitu 42 orang data teknik informatika S1, 40 orang mahasiswa sistem informasi S1 dan 8 orang mahasiswa teknik informatika D3.

Berdasarkan hasil uji coba menggunakan secara manual dan menggunakan sistem didapatkan kesamaan hasil prediksi yaitu 79% dan melihat dari presentasi mungkin saja ini kurang akurat.

4. KESIMPULAN

Berdasarkan hasil dan pembahasan maka didapatkan kesimpulan sebagai berikut:

1. Bagaimana mengetahui prediksi pengunduran diri mahasiswa menggunakan algoritma K- Nearest Neighbor di STIKOM UYELINDO Kupang dengan cara Langkah awal implementasi metode K-Nearest Neighbor adalah dengan menghitung nilai kemiripan atau jarak vektor data pada testing terhadap data yang akan digunakan sebagai data training. Selanjutnya akan diambil sejumlah k tetangga terdekat sesuai hasil penghitungan kemiripan atau jarak. Kemudian dilakukan penghitungan apakah cocok dengan data manual pada data testing. Data testing diklasifikasi kedalam kelas kategori yang memiliki nilai kesamaan kelas untuk data testing yang paling tinggi.

2. Hasil pengujian menggunakan prototype sistem pendukung keputusan dan dibandingkan secara manual yang menggunakan metode Alogaritma K-Nearest Neighbor dengan 4 variabel yaitu IPK, Pekerjaan orang tua, jurusan dan semester adalah mendapatkan kesesuaian 79% .

3. Sistem pendukung keputusan yang dibangun untuk memprediksi tingkat pengunduran diri mahasiswa STIKOM UYELINDO Kupang dapat menjadi acuan atau pedoman dalam penyeleksian penerimaan mahasiswa.

4. Dalam mendapatkan hasil dari proses prototype pada data training mempunyai data yang masih aktif, nonaktif dan keluar datanya kurang berimbang menyebabkan dalam memprediksi. Oleh sebab itu status aktif lebih sering muncul karena kurang berimbang antara kasus tersebut.

5. SARAN

Berikut adalah saran agar penelitian berikutnya yang akan melakukan penelitian yang sama, agar mendapatkan hasil yang lebih baik lagi.

1. Data yang digunakan dalam penelitian ini kurang berimbang antara data yang mengundurkan diri dengan yang masih aktif, sehingga data yang masih aktif lebih dominan hal ini berimbas pada sistem, justru menganalisis data yang aktif lebih sering muncul, untuk kedepannya lebih diselaraskan dan lebih seimbang antara data mahasiswa yang aktif dan sudah keluar ucapan terima kasih.

2. Sistem pendukung keputusan analisis prediksi tingkat pengunduran diri mahasiswa STIKOM UYELINDO Kupang agar lebih akurat atau optimal, dibutuhkan data lebih banyak lagi dan menambah jumlah variabel.

IJCCS Vol. x, No. x, July201x : first_page –end_page

Jatisi , Vol. 1 No. 1 September 2014  15

DAFTAR PUSTAKA

[1] Kusrini, Emha T. Luthfi, 2009, Algoritma Data Mining. Andi, Yogyakarta

[2] Turban, 2005, Decision Support System and Intelligent System (Terjemahan: Sistem Pendukung Keputusan dan Sistem Cerdas)Jilid 1, Andi Offset, Yogyakarta

[3] Fayyad, Usama. 1996. Advances in Knowledge Discovery and Data Mining. MIT Press.

[4] Chang, C, Wu, Y., Hou, S. (2009) Preparation and Characterization of Superparamagnetic Nanocomposites of Aluminosilicate/Silica/Magnetite, Coll. Surf. A336: 159,166.

[5] Han, J. Kamber, M. 2001. Data Mining: Concepts and Techniue. Morgan Kaufmann Publishers: San Fransisco.

[6] Kurt Lewin, 1990, Action Research Minority Problems, 3rd ed. Victoria : Deaklin University.

[7] I Wayan Supriana, 2012, Sistem Pendukung Keputusan Dalam Pemilihan Tempat Kost Dengan Metode Pembobotan ( Studi Kasus : Sleman Yogyakarta) Program Pascasarjana Ilmu Komputer Fakultas MIPA Universitas Gadjah Mada , Jurnal Ilmu Komputer-Volume

5 - No 2 – September 2012

Title of manuscript is short and clear, implies research results (First Author)

 ISSN: 1978-1520

16 ISSN : 2407-4322

Sistem Pendukung Keputusan Pengangkatan Jabatan Karyawan pada PT.Ayn dengan Metode Profile Matching

Deny Adhar* 1

1,2 STMIK Potensi Utama; Jl.K.L.Yos Sudarso Km 6,5 No. 3A, 061-6640525 Medan e-mail:* 1 adhar_7@yahoo.com

Abstrak

Pengelolaan karir pegawai yang jelas dan transparan merupakan salah satu faktor penting yang dapat meningkatkan keharmonisan suasana kerja dan mempererat tingkat kepercayaan diantara pegawai dan manajemen. Masalah yang sering terjadi dalam proses penilaian kinerja pegawai diantaranya adalah subyektifitas pengambilan keputusan, terutama apabila beberapa pegawai memiliki kemampuan yang tidak jauh berbeda. Sistem Pendukung Keputusan pengangkatan jabatan karyawan merupakan suatu system yang mampu meningkatkan efektivitas dan efisiensi manajemen serta keputusan yang mampu memberikan evaluasi kinerja pegawai yang akan dipromosikan. Kecepatan dan validitas dalam mengolah informasi tersebut di atas merupakan syarat utama untuk mendukung keputusan pengangkatan pegawai, sehingga system pendukung keputusan yang digunakan juga harus memiliki perencanaan secara komprehensif dan terpadu untuk mengecilkan tingkat resiko kegagalan pengembangan dan pemilihan keputusan, Penelitian ini membahas mengenai analisa Aspek Kapasitas Intelektual, Aspek Sikap Kerja dan Aspek Perilaku yang dikategorikan dalam core factor dan secondary factor menggunakan metode GAP Analysis yang dikombinasikan dengan metode Profile Matching. Hasil penelitian berupa sebuah system pendukung keputusan yang mampu memberikan evaluasi kinerja pegawai yang akan dipromosikan.

. Kata kunci —Sistem Penunjang Keputusan, Profile Matching, GAP Analysis

Abstract

Career management employees a clear and transparent is one of the important factors that can improve the working atmosphere of harmony and deepen the level of trust between employees and management. The problem that often occurs in the employee performance appraisal process include the subjectivity of decision-making, especially when some employees have capabilities that are not much different. Decision Support Systems employee appointments is a system that is able to improve the effectiveness and efficiency of management as well as decisions that can provide performance evaluation of employees who will be promoted. Speed and validity in information processing mentioned above is the main requirement to support hiring decisions, so the decision support system used must also have a comprehensive and integrated plan to shrink the level of risk of failure of development and selection decisions, this study discusses the analysis of Aspects of Intellectual Capacity , Aspects of Work Attitude and Behavior Aspects categorized in the core factor and the secondary factor method combined with the GAP Analysis Profile Matching method. The results of the study in the form of a decision support system that can provide a performance evaluation of employees who will be promoted.

Keywords —Decision Support System, Profile Matching, GAP Analysis

IJCCS Vol. x, No. x, July201x : first_page –end_page

Jatisi , Vol. 1 No. 1 September 2014  17

1. PENDAHULUAN

Sumber daya manusia/Pegawai merupakan salah satu faktor penting dari jalannya suatu organisasi/perusahaan. Pengelolaan yang baik dari pegawai ini akan sangat mempengaruhi aspek keberhasilan kerja, jika pegawai dapat diorganisir dengan baik, diharapkan organisasi/ perusahaan dapat menjalankan semua proses usaha dengan baik pula. Masalah subyektifitas dalam penilaian kinerja pegawai merupakan hal yang hampir tidak bisa dihindari. Penilaian secara kuantitatif sering dianggap mengecewakan karena sulitnya mengukur parameter-parameter yang ada. Di lain pihak manajemen dan pegawai membutuhkan proses penilaian kinerja yang rutin dan cepat sehingga dapat memberikan umpan balik dan perbaikan yang cepat di lingkungan kerja. Transparansi proses penilaian biasanya dapat memberikan efek positif bagi peningkatan motivasi kerja pegawai. Masalah yang muncul saat ini adalah proses evaluasi (penilaian) yang rumit, artinya yang sering terjadi sekarang adalah umumnya pegawai yang mendapatkan promosi kenaikan jabatan hanya dilihat pada criteria pertama saja, tetapi pegawai tersebut belum tentu unggul pada beberapa kriteria-kriteria yang lain tapi tetap mendapat promosi untuk kenaikan jabatan. Masalah inti yang ada saat ini adalah Proses penilaian pegawai yang masih manual (Konvensional) sehingga memakan waktu yang lama dan belum adanya sistem serta aplikasi yang mendukung proses penilaian pegawai. Untuk membantu proses penilaian kinerja pegawai ini, perlu dibuat sebuah system yang dapat memberikan masukan bagi manajemen khususnya Biro Umum dan Kepegawaian dalam membuat keputusan yang tepat bagi pengembangan potensi setiap pegawai, sehingga diharapkan pegawai yang memiliki kemampuan terbaik akan mendapatkan penilaian yang terbaik pula. Penelitian ini bertujuan untuk menganalisa data-data pegawai sesuai dengan kriteria tertentu menggunakan model GAP analyis dan metode Profile Matching untuk mengevaluasi kinerja pegawai dalam rangka penentuan promosi jabatan.

2. METODE PENELITIAN

2.1 Sistem Pendukung Keputusan Sistem pendukung keputusan (Decision Support Systems disingkat DSS) adalah bagian dari sistem informasi berbasis komputer termasuk sistem berbasis pengetahuan (manajemen pengetahuan) yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi

perusahaan atau lembaga pendidikan. Menurut Moore and Chang, Sistem Pendukung keputusan dapat digambarkan sebagai sistem yang berkemampuan mendukung analisis data dan pemodelan keputusan, berorientasi keputusan, orientasi perencanaan masa depan dan digunakan pada saat- saat yang tidak biasa.

Kegiatan merancang sistem pendukung keputusan merupakan sebuah kegiatan untuk menemukan, mengembangkan dan menganalisis berbagai alternatif tindakan yang mungkin untuk dilakukan. Tahap perancangan ini meliputi pengembangan dan mengevaluasi serangkaian kegiatan alternatif. Sedangkan kegiatan memilih dan menelaah ini digunakan untuk memilih satu rangkaian tindakan tertentu dari beberapa yang tersedia dan melakukan penilaian terhadap tindakan yang telah dipilih. Sistem Pendukung keputusan dirancang untuk mendukung seluruh tahap pengambilan keputusan mulai dari mengidentifikasi masalah, memilih data yang relevan dan menentukan pendekatan yang digunakan dalam proses pengambilan keputusan, sampai mengevaluasi pemilihan alternatif

Dari pengertian Sistem Pendukung Keputusan maka dapat ditentukan karakteristik antara lain [2] :

1. Mendukung proses pengambilan keputusan, menitik beratkan pada management by perception.

2. Adanya tatap muka manusia / mesin dimana manusia (user) tetap memegang kendali proses pengambilan keputusan

Title of manuscript is short and clear, implies research results (First Author)

 ISSN: 1978-1520

18 ISSN : 2407-4322

3. Mendukung pengambilan keputusan untuk membahas masalah terstruktur, semi terstruktur dan tak struktur

4. Memiliki kapasitas dialog untuk memperoleh informasi sesuai dengan kebutuhan

5. Memiliki subsistem-subsistem yang terintegrasi sedemikian rupa sehingga dapat berfungsi sebagai kesatuan item.

6. Membutuhkan struktur data komprehensif yang dapat melayani kebutuhan informasi seluruh tingkatan manajemen.

2.2 Arsitektur Sistem Pendukung Keputusan Pada aplikasi DSS ini, memiliki komponen yang merupakan subsistem dari DSS itu

sendiri yang terdiri dari:

1. Subsistem manajemen data, Subsistem manajamen data memasukkan satu database yang berisi data yang untuk situasi dan dikelola oleh perangkat lunak yang disebut system manajemen database (DBMS).

2. Subsistem manajemen model merupakan paket perangkat lunak yang memasukkan model keuangan, statistik, ilmu manajemen atau model kuantitatif yang lainnya yang memberikan kapabilitas analitik dan manajemen perangkat lunak yang tepat.

3. Subsistem antarmuka pengguna berkomunikasi dengan dan memerintah DSS melalui subsistem ini. Pengguna adalah bagian yang dipertimbangkan dari sistem. Para peneliti menegaskan bahwa beberapa kontribusi unik dari DSS berasal dari interaksi yang intensif antara komputer dan pembuat keputusan. Browser Web memberikan struktur antarmuka pengguna grafis yang familiar dan konsisten bagi kebanyakan DSS.

4. Subsistem manajemen berbasis pengetahuan, Subsistem ini dapat mendukung semua subsistem lain atau bertindak sebagai suatu komponen independen. Ia memberikan intelegensi untuk memperbesar pengetahuan si-pengambilan keputusan. Subsistem ini dapat diinterkoneksikan dengan repositori perusahaan (bagian dari sistem manajemen pengetahuan), yang kadang-kadang disebut basis pengetahuan organisasional [4].

2.3 Pemetaan GAP Pemetaan GAP yang dimaksudkan pada pembahasan ini adalah perbedaan kriteria yang

dimiliki seseorang dengan kriteria yang diinginkan pengguna sesuai dengan aspek penilaian [4]. Formula untuk pemetaan GAP tersebut dapat dilihat pada persamaan (1).

GAP = Kriteria seseorang – Kriteria diinginkan (1)

Sedangkan perhitungan GAP lainnya yang terjadi itu sendiri pada tiap aspeknya memiliki perhitungan yang berbeda-beda.

2.4 Penentuan Bobot Nilai Setelah pemetaan GAP dilakukan, maka hasil dari pemetaan tersebut diberi bobot nilai dengan patokan tabel bobot nilai (Tabel 1).

Tabel 1 Bobot Nilai

No. Selisih

Bobot Nilai

Keterangan

1 0 5 Kompetensi sesuai dengan yang dibutuhkan

Kompetensi individu kelebihan 1 tingkat/level 3 -1

4 Kompetensi individu kekurangan 1 tingkat/level

Kompetensi individu kelebihan 2 tingkat/level 5 -2

3 Kompetensi individu kekurangan 2 tingkat/level

Kompetensi individu kelebihan 3 tingkat/level 7 -3

2 Kompetensi individu kekurangan 3 tingkat/level

Kompetensi individu kelebihan 4 tingkat/level 9 -4

1 Kompetensi individu kekurangan 4 tingkat/level

IJCCS Vol. x, No. x, July201x : first_page –end_page

Jatisi , Vol. 1 No. 1 September 2014  19

2.5 Eksperimen Berikut adalah contoh perhitungan nilai gap untuk variable pengetahuan dan budaya perusahaan yang digunakan sebagai dasar penentuan penerimaan pegawai. Pada variabel

tersebut dilakukan proses perhitungan gap antara nilai profil karyawan dan nilai standar profil lowongan untuk masing-masing sub variabel, dimana pada variabel pengetahuan dan budaya perusahaan terdiri atas 6 sub-variabel.

Tabel 2 Variabel Kemampuan dan budaya perusahaan

Kode

VARIABEL

No Karyawan

2 PE005 5 4 2 3 4 5 3 PE002

PROFILE 4 4 4 4 4 4 (-) (+) 1 PE001

Keterangan : T001: Tes Skill : melihat pengetahuan/wawasan karyawan berdasarkan disiplin ilmu yang

dimiliki yang ada hubungannya dengan jenis lowongan pekerjaan yang ada. T002: Psikotest : bertujuan untuk mencari gambaran atau potret diri dari peserta seleksi yang meliputi beberapa aspek yaitu aspek intelektual, sikap dan kepribadian. T003: Tes wawancara : test ini terdiri dari aspek Pengetahuan Teori, Praktis, Penguasaan Bidang Pekerjaan, Keterampilan dan Sikap. T004: Medical test : bertujuan untuk melihat kondisi fisik/kesehatan peserta seleksi secara menyeluruh meliputi pemeriksaan Laboratorium antara lain: Hematologi, Urine Lengkap, Kimia Darah, Rontgent dan Pemeriksaan Dokter.

T005: Tes Potensial : Pada tahap tes potensial ini bertujuan untuk melihat kemampuan verbal, kuantitatif dan penalaran dari karyawan. T006: Tes Bidang Study : pada tahap ini dilakukan untuk melihat kemampuan dan pengetahuan dalam penguasaan terhadap pekerjaan pada posisi yang akan ditempati oleh pegawai.

Dapat dilihat pada Tabel 2 bahwa nilai profil jabatan untuk tiap sub-variabel yang tertera dalam tabel tersebut adalah sama yaitu bernilai 4. Selanjutnya, sebagai contoh diambil karyawan dengan Kode Karyawan PE001 dimana nilai profilnya adalah :

(T001) = 2 (T002) = 3 (T003) = 3

(T004) = 4 (T005) = 5 (T006) = 3

Sehingga nilai gap yang terjadi untuk tiap sub variabelnya adalah :

(T001) = -2 (T002) = -1 (T003) = -1

(T004) = 0 (T005) = 1 (T006) = -1

Proses yang sama juga dilakukan untuk variable kemampuan dan kepribadian. Setelah didapatkan nilai gap masing-masing karyawan maka tiap nilai profil karyawan diberi bobot nilai dengan patokan tabel bobot nilai gap. Seperti yang dapat dilihat pada Tabel 3.

Title of manuscript is short and clear, implies research results (First Author)

 ISSN: 1978-1520

20 ISSN : 2407-4322

Tabel 3 Nilai Bobot GAP

NO GAP

NILAI BOBOT

KETERANGAN

1 0 5.0 Kompetensi sesuai standar 2 1 4.5 Kompetensi kekurangan 1 level

3 -1 4.0 Kompetensi kekurangan 1 level 4 2 3.5 Kompetensi kelebihan 2 level

5 -2 3.0 Kompetensi kekurangan 2 level 6 3 2.5 Kompetensi kekurangan 3 level

7 -3 2.0 Kompetensi kelebihan 3 level 8 4 1.5 Kompetensi kekurangan 4 level

9 -4 1.0 Kompetensi kekurangan 4 level

Dari hasil konversi nilai gap menjadi bobot akan diperoleh nilai bobot untuk setiap karyawan. Sehingga tiap karyawan akan memiliki tabel bobot seperti contoh-contoh tabel yang ada. Contoh hasil pemetaan gap variabel pengetahuan dan budaya perusahaan:

Tabel 4 Bobot Nilai GAP Variabel Pengetahuan dan Budaya Perusahaan

VARIABEL

NO KODE KARYAWAN

T001 T002 T003

T004

T005 T006

NILAI BOBOT

Proses yang sama dilakukan untuk menentukan bobot nilai gap variabel kemampuan dan kepribadian. Setelah seluruh bobot nilai gap diperoleh, maka proses berikutnya adalah mengelompokkan variabel-variabel tersebut kedalam kelompok Core Factor (CF) dan Secondary Factor (SF). Untuk perhitungan core factor ditunjukkan pada persamaan (1).

Keterangan: NCF : Nilai rata-rata core factor NC : Jumlah total nilai core factor

IC : Jumlah item core factor

Sedangkan untuk perhitungan secondary factor dapat ditunjukkan pada persamaan (2)

Keterangan: NSF : Nilai rata-rata secondary factor

NS : Jumlah total nilai secondary factor IS

: Jumlah item secondary factor

Untuk lebih jelasnya pengelompokkan bobot nilai gap dapat dilihat pada contoh perhitungan variabel Pengetahuan dan Budaya Perusahaan berikut ini. Penghitungan core factor dan secondary factor diawali dengan terlebih dahulu menentukan sub variabel mana yang

IJCCS Vol. x, No. x, July201x : first_page –end_page

Jatisi , Vol. 1 No. 1 September 2014  21

menjadi core factor. Misalnya sub-variabel T001, T002 dan T003, maka sub variabel sisanya akan menjadi secondary factor. Kemudian nilai core factor dan secondary factor ini dijumlahkan sesuai persamaan (1) dan (2) di atas, sehingga diperoleh nilai.

Hasil proses perhitungan nilai variabel CF dan SF untuk variabel Pengetahuan dan Budaya Perusahaan.

Tabel 5 Nilai Cf dan Sf untuk Variabel

KODE

VARIABEL

NO KARYAWAN

T006 CF SF

1 PE001 3 4 4 5 4.5 4 3.666 4.5 2 PE005

4.5 5 3 4 5 4.5 4.166 4.5 3 PE002

Dari hasil perhitungan tiap variabel di atas, kemudian dihitung nilai total berdasar prosentase dari core dan secondary yang diperkirakan berpengaruh terhadap kinerja tiap-tiap profil. Contoh perhitungan dapat dilihat pada persamaan (3)

Keterangan: NCF : Nilai Rata-rata Core Factor NSF : Nilai Rata-rata Secondary Factor NT : Nilai Total dari variabel (x)% : Nilai persen yang dimasukkan

Untuk lebih jelasnya perhitungan nilai total dapat dilihat pada contoh perhitungan variable Pengetahuan dan Budaya Perusahaan dengan nilai prosentase 60% dan 40%.

Tabel 6 Nilai Total Variabel Pengetahuan dan Budaya Perusahaan

NO

KODE KARYAWAN

CF SF

NT(bp)

Hasil akhir dari proses profile matching adalah ranking dari karyawan yang diajukan untuk mengisi suatu lowongan tertentu. Penentuan ranking mengacu pada hasil perhitungan persamaan (4)

Keterangan: NT (bp) : Nilai total variabel pengetahuan dan budaya perusahaan NT (km) : Nilai total variabel kemampuan

Title of manuscript is short and clear, implies research results (First Author)

 ISSN: 1978-1520

22 ISSN : 2407-4322 NT (kp) : Nilai total variabel kepribadian

(x)% : Nilai prosentase setiap variable

Proses perhitungan ranking setiap kandidat adalah sebagai berikut : Nilai Prosentase untuk setiap variabel adalah 30% (Pengetahuan dan Budaya Perusahaan), 40% (Kemampuan) dan 30% (Kepribadian)

Skor = (30%x3,9996) + (40%x4,5) + (30%x4,6998)

Skor = 1,1999 + 1,8 + 1,4099

Skor = 4,4098

Tabel 6 Hasil Akhir Proses Profile Matching

NO KODE KARYAWAN

NT(bp)

NT(km)

NT(kp)

Tabel 6 menunjukkan bahwa karyawan dengan kode PE001 menduduki peringkat pertama sebagai kandidat terbaik.

3. HASIL DAN PEMBAHASAN

Berikut adalah perhitungan nilai gap untuk variable pengetahuan dan standar perusahaan yang digunakan sebagai dasar penentuan jabatan karyawan. Pada variabel tersebut dilakukan proses perhitungan gap antara nilai profil karyawan dan nilai standar profil jabatan untuk masing-masing sub variabel, dimana pada variabel pengetahuan dan standar perusahaan terdiri atas 6 sub-variabel.

Tabel 7 Variabel Kemampuan dan Standar Perusahaan

No Kode

T006 GAP

1 PE001 2 3 3 4 5 3 2 PE005

5 4 2 3 4 5 3 PE002

2 3 3 5 4 4 PROFILE

4 4 4 4 4 4 (-) (+) 1 PE001

0 1 -1 5 1 2 PE005

Keterangan : T001 : Penilaian Skill : melihat pengetahuan/wawasan karyawan berdasarkan disiplin ilmu

yang dimiliki yang ada hubungannya dengan jabatan perusahaan. T002 : Penilaian Masa Kerja : yang menentukan berdasarkan pengalaman karyawan bekerja pada perusahaan T003 : Penilaian Disiplin : yang menentukan tingkat kedisiplinan karyawan sehari-hari. T004 : Penilaian Tanggung Jawab : bertujuan untuk melihat besarnya tanggung jawab pada

karyawan.

IJCCS Vol. x, No. x, July201x : first_page –end_page

Jatisi , Vol. 1 No. 1 September 2014  23

T005 : Penilaian Bekerja Sama : Pada tahap penilaian ini bertujuan untuk mengukur kemampuan bekerja sama dengan karyawan lain. T006 : Penilian Komunikasi : pada tahap ini dilakukan untuk melihat kemampuan berkomunikasi secara baik seperti dalam penyampaian laporan kerja. Dapat dilihat pada Tabel 2 bahwa nilai profil jabatan untuk tiap sub-variabel yang

tertera dalam tabel tersebut adalah sama yaitu bernilai 4. Selanjutnya, sebagai contoh diambil karyawan dengan Kode Karyawan PE001 dimana nilai profilnya adalah :

(T001) = 2 (T002) = 3 (T003) = 3

(T004) = 4 (T005) = 5 (T006) = 3

Sehingga nilai gap yang terjadi untuk tiap sub variabelnya adalah :

(T001) = -2 (T002) = -1 (T003) = -1

(T004) = 0 (T005) = 1 (T006) = -1

Proses yang sama juga dilakukan untuk variable kemampuan dan kepribadian. Setelah didapatkan nilai gap masing-masing karyawan, maka tiap nilai profil karyawan diberi bobot nilai dengan patokan tabel bobot nilai gap. Seperti yang dapat dilihat pada Tabel 8.

Tabel 8 Nilai Bobot GAP

NO GAP

NILAI BOBOT

KETERANGAN

1 0 5.0 Kompetensi sesuai standar 2 1 4.5 Kompetensi kelebihan 1 level

3 -1

4.0 Kompetensi kekurangan 1 level 4 2 3.5 Kompetensi kelebihan 2 level

5 -2

3.0 Kompetensi kekurangan 2 level 6 3 2.5 Kompetensi kelebihan 3 level

7 -3

2.0 Kompetensi kekurangan 3 level 8 4 1.5 Kompetensi kelebihan 4 level

9 -4

1.0 Kompetensi kekurangan 4 level

Dari hasil konversi nilai gap menjadi bobot akan diperoleh nilai bobot untuk setiap karyawan. Sehingga tiap karyawan akan memiliki tabel bobot seperti contoh-contoh tabel yang ada. Contoh hasil pemetaan gap variabel pengetahuan dan standar perusahaan :

Tabel 9 Bobot Nilai GAP Variabel Pengetahuan dan Standar Perusahaan

VARIABEL

NO KODE KARYAWAN

T001 T002 T003

T004

T005 T006

nilai bobot

Title of manuscript is short and clear, implies research results (First Author)

 ISSN: 1978-1520

24 ISSN : 2407-4322 Proses yang sama dilakukan untuk menentukan bobot nilai gap variabel kemampuan