PROPOSAL

INTERNSHIP II

PENERAPAN ALGORITMA K-NEAREST NEIGHBOR PADA SELEKSI

PENERIMAAN PEGAWAI

Oleh:

Helmi Azhar 1184013

PROGRAM DIPLOMA IV TEKNIK INFORMATIKA

POLITEKNIK POS INDONESIA
TAHUN 2022

i
Lembar Pengesahan (Biarkan Kosong)

ii
 DAFTAR ISI

Lembar Pengesahan (Biarkan Kosong).................................................................................ii

DAFTAR ISI...........................................................................................................................iii
DAFTAR GAMBAR...............................................................................................................iii
DAFTAR TABEL...................................................................................................................iv
RINGKASAN...........................................................................................................................v
BAB I PENDAHULUAN.........................................................................................................1
1.1 Latar Belakang.............................................................................................................1
1.2 Identifikasi Masalah....................................................................................................2
1.3 Tujuan dan Manfaat.....................................................................................................2
1.4 Ruang Lingkup............................................................................................................2
1.5 Sistematika penulisan..................................................................................................3
BAB II TINJAUAN PUSTAKA.............................................................................................4
2.1 State of The Art (SOTA).............................................................................................4
2.2 Tinjauan Pustaka.........................................................................................................7
2.3 Kajian Pendekatan yang diusulkan..............................................................................7
2.4 Karakteristik Data yang digunakan.............................................................................7
BAB III METODE PENELITIAN........................................................................................8
3.1 Diagram Alur Metodologi Penelitian..........................................................................8
3.2 Indikator Capaian Penelitian.......................................................................................9
BAB IV JADWAL PENELITIAN.......................................................................................10
4.1 Jadwal Penelitian.......................................................................................................10
DAFTAR PUSTAKA.............................................................................................................21
LAMPIRAN-LAMPIRAN....................................................................................................26
Lampiran 1. Bukti KRS SIAP..............................................................................................26
Lampiran 2. Lembar Pengesahan dari Iteung Internship 1..................................................27
Lampiran 3. Lembar Bimbingan Internship 1......................................................................29

iii
 DAFTAR GAMBAR
Gambar 3. 1 Gambar Diagram Alur Metodologi Penelitian......................................................8

iii
 DAFTAR TABEL
Tabel 2. 1 Penelitian Terkait......................................................................................................7
Tabel 4. 2 Jadwal Penelitian.....................................................................................................10

iv
 RINGKASAN
Pengelolaan Sumber Daya Manusia (SDM) merupakan hal yang penting dalam
pencapaiaan tujuan. Umumnya pimpinan perusahaan mengharapkan kinerja yang baik dari
masing-masing karyawan dalam mengerjakan tugas-tugas yang diberikan oleh perusahaan.
Perusahaan menyadari bahwa Sumber Daya Manusia (SDM) merupakan modal dasar dalam
proses pembangunan perusahaan bahkan nasional, oleh karena itu kualitas SDM senantiasa
harus dikembangkan dan diarahkan agar tercapainya tujuan yang telah ditetapkan oleh
perusahaan. Kinerja yang berkualitas akan terwujud bila sebuah organisasi dapat memilih
calon pegawai yang mempunyai motivasi yang sesuai dengan pekerjaannya serta memiliki
kualitas yang memungkinkan agar bisa bekerja secara maksimal.

Oleh karena itu, proses seleksi merupakan langkah awal bagi suatu perusahaan untuk
dapat memperoleh tenaga kerja yang berpretasi dan berkualitas, sehingga dapat menunjang
tercapainya tujuan perusahaan dengan baik. Karakteristik data yang digunakan tergantung
sistem penilaian tergantung diperusahaan. Biasanya ada beberapa aspek yang menjadi
tunjangan mana yang lulus dan tidak lulus. pada saat seleksi penerimaan pegawai
berlangsung menggunakan pendekatan machine learning. Metode yang akan digunakan pada
machine learning yaitu K-Nearest Neighbor. K-Nearest Neighbor digunakan untuk prediksi
dari aspek-aspek calon peserta seleksi apakah lulus atau tidak. Tentunya hasil prediksi
tersebut akan ditampilkan berbasis web dengan framework codeigniter.

Kata Kunci : Pemodelan, Prediksi, K-Nearest Neighbor, Machine Learning, Codeigniter.

v
 BAB I
PENDAHULUAN
1.1 Latar Belakang
Pengelolaan Sumber Daya Manusia (SDM) merupakan hal yang penting dalam
pencapaiaan tujuan. Umumnya pimpinan perusahaan mengharapkan kinerja yang baik dari
masing-masing karyawan dalam mengerjakan tugas-tugas yang diberikan oleh perusahaan.
Perusahaan menyadari bahwa Sumber Daya Manusia (SDM) merupakan modal dasar dalam
proses pembangunan perusahaan bahkan nasional, oleh karena itu kualitas SDM senantiasa
harus dikembangkan dan diarahkan agar tercapainya tujuan yang telah ditetapkan oleh
perusahaan [1].

Salah satu aktivitas dalam pengelolaan sumber daya manusia yaitu seleksi pegawai baru.
Seleksi adalah proses memilih calon yang tepat di antara para pelamar kerja [2]. Kinerja
pegawai akan baik apabila pegawai mempunyai keahlian yang tinggi, kesediaan untuk
bekerja, adanya upah/imbalan yang layak dan mempunyai harapan masa depan [3]. Kinerja
yang berkualitas akan terwujud bila sebuah organisasi dapat memilih calon pegawai yang
mempunyai motivasi yang sesuai dengan pekerjaannya serta memiliki kualitas yang
memungkinkan agar bisa bekerja secara maksimal.

Oleh karena itu, Seleksi memutuskan pelamar mana yang mampu dan akan diterima
sebagai pegawai yang mempunyai kriteria tertentu yang handal dan profesional [4]. Selain itu
proses seleksi merupakan langkah awal bagi suatu perusahaan untuk dapat memperoleh
tenaga kerja yang berpretasi dan berkualitas, sehingga dapat menunjang tercapainya tujuan
perusahaan dengan baik. Sangat disayangkan, banyak perusahaan banyak perusahaan yang
dibebani dengan masalah yang berkenaan dengan proses seleksi pegawai tersebut sehingga
memakan waktu yang cukup lama dan biaya yang tidak sedikit [5].

Karakteristik data yang digunakan tergantung sistem penilaian tergantung diperusahaan.

Biasanya ada beberapa aspek yang menjadi tunjangan mana yang lulus dan tidak lulus. pada
saat seleksi penerimaan pegawai berlangsung menggunakan pendekatan machine learning.
Metode yang akan digunakan pada machine learning yaitu K-Nearest Neighbor. K-Nearest
Neighbor digunakan untuk prediksi dari aspek-aspek calon peserta seleksi apakah lulus atau
tidak. Tentunya hasil prediksi tersebut akan ditampilkan berbasis web dengan framework

vi
codeigniter. Maka dari itu peneliti ingin membangun sebuah rancangan yang berjudul
“Penerapan Algoritma K-Nearest Neighbor Pada Seleksi Penerimaan Pegawai”.

1.2 Identifikasi Masalah

Adapun identifikasi masalah pada penelitian ini sebagai berikut,
a) Bagaimana menganalisa karakterisik untuk kelulusan seleksi penerimaan pegawai?
b) Bagaimana membuat model prediksi kelulusan seleksi penerimaan pegawai?
c) Bagaimana merancang framework yang dinamis untuk menampilkan hasil prediksi
pada kelulusan seleksi penerimaan pegawai?

1.3 Tujuan dan Manfaat

Adapun tujuan pada penelitian ini sebagai berikut,
a) Menganalisa korelasi data gaji karyawan berdasarkan faktor-faktor spesifik
b) Menggunakan pendekatan machine learning yaitu model multivariate linier regression
untuk pemodelan prediksi gaji karyawan berdasarkan parameter dari faktor-faktor
spesifik seperti umur, job level, total lama bekerja, masa bakti.
c) Menerapkan framework Codeigniter untuk menampilkan hasil prediksi kelulusan
seleksi penerimaan pegawai.

Adapun manfaat pada penelitian ini sebagai berikut,

a) Merekomendasikan model prediksi kelulusan pegawai berdasarkan kualitas dari
faktor-faktor spesifik.
b) Membuat tampilan framework agar mudah digunakan untuk melakukan prediksi
kelulusan pegawai.

1.4 Ruang Lingkup

Adapun ruang lingkup pada penelitian ini sebagai berikut,
a) Dikarenakan kondisi pandemi, data yang digunakan dalam penelitian ini bersumber
dari data kepegawaian disuatu perusahaan.
b) Periode waktu 3 bulan.
c) Bahasa pemograman menggunakan PHP.
d) Software yang digunakan XAMPP.

vii
1.5 Sistematika penulisan
Berdasarkan latar belakang dan perumusan masalah diatas, maka penyusunan laporan ini
dibuat dalam suatu sistematika yang terdiri dalam empat BAB, yaitu:

BAB I PENDAHULUAN
Bab ini berisi penjelasan terkait dengan State of The Art (SOTA) yang menjelaskan
mengenai pemaparan teori umum dengan topik yang dibahas secara global dan mengaitkan
dengan referensi yang ada. Identifikasi masalah menjelaskan mengenai masalah dalam Judul
Penelitian dengan pendekatan machine learning dan memberikan solusi atas masalah
tersebut. Tujuan menjelaskan tentang solusi dari masalah yang ada. Ruang lingkup
menjelaskan mengenai batasan dalam pemodelan dan aplikasi tersebut. Serta sistematika
penulisan menjelaskan tentang isi dari aplikasi tersebut.

BAB II LANDASAN TEORI

Bab ini berisi penjelasan mengenai konsep dasar dan pendukung dari sistem yang akan
dibangun dengan menggunakan metode tertentu, antara lain State of The Art (SOTA),
diagram alur metodologi penelitian, dan penelitian sebelumnya yang berhubungan dengan
tema yag di ambil.

BAB III METODOLOGI PENELITIAN

Bab ini berisi penjelasan diagram alur metodologi penelitian beserta tahapan –tahapan
diagram alur penelitian untuk menyelesaikan penelitian yang sedang dilakukan sehingga bisa
mencapai tujuan yang diharapkan.

BAB IV JADWAL PENELITIAN

Bab ini berisi penjelasan tentang rancangan jadwal penelitian.

viii
 BAB II
TINJAUAN PUSTAKA
2.1 State of The Art (SOTA)

Perkembangan dunisa usaha saat ini semakin bertambah pesat, sehingga perusahaan di
dalam mengelola usaha diharapkan mampu mengunakan sumber daya manusia dengan baik
dan benar [5]. Semakin maju suatu negara semakin banyak orang yang terdidik dan banyak
pula orang menganggur [6]. Akan tetapi, orang yang mengangur itu dapat mengikuti seleksi
di perusahaan yang membuka lowongkan pekerjaannya yang menjadikan peserta seleksi
karyawan dan menempatkan mereka pada posisi yang dibutuhkan organisasi [7]. Sumber
daya manusia adalah satu faktor yang penting bahkan tidak dapat dilepaskan dari sebuah
organisasi, baik institusi maupun perusahaan. Sumber daya manusia juga merupakan kunci
yang menentukan perkembangan perusahaan [8]. Oleh karena itu, demi kemajuan perusahaan
harus memiliki sumber daya manusia yang diseleksi untuk memutuskan pelamar mana yang
mampu dan akan diterima sebagai pegawai yang mempunyai kriteria tertentu yang handal
dan profesional [4]. Selain itu proses seleksi merupakan langkah awal bagi suatu perusahaan
untuk dapat memperoleh tenaga kerja yang berpretasi dan berkualitas, sehingga dapat
menunjang tercapainya tujuan perusahaan dengan baik. Sangat disayangkan, banyak
perusahaan banyak perusahaan yang dibebani dengan masalah yang berkenaan dengan proses
seleksi pegawai tersebut sehingga memakan waktu yang cukup lama dan biaya yang tidak
sedikit [5]. Pemodelan yang tepat untuk memprediksi kelulusan seleksi calon pegawai yaitu
machine learning. Machine learning adalah pembelajaran mesin yang sangat membantu
dalam menyelesaikan masalah, membuat mudah dalam mengerjakan sesuatu [9]. Algoritma
yang digunakan yaitu K-Nearest Neighbor untuk memprediksi kelulusan seleksi pegawai
yang dilihat dari beberapa aspek yang berlaku diinstansi tertentu. K-nearest neighbor adalah
suatu metode yang menggunakan algoritma supervised dimana hasil dari sampel uji yang
baru diklasifikasikan yang bertujuan untuk mengklasifikasikan objek baru berdasarkan atribut
dan sampel latih [10]. Algoritma k-nearest neighbor salah satu teknik klasifikasi data yang
kuat, dengan cara mencari kasus dengan menghitung kedekatan antara kasus baru dengan
kasus lama berdasarkan pencocokan bobot [11]. Maka dari itu, hasil prediksi seleksi
penerimaan pegawai harus divisualisasikan dengan tampilan web menggunakan framework
codeigniter.

ix
x
xi
2.2 Tinjauan Pustaka
Tabel 2. 1 Penelitian Terkait

No
Area Penelitian Tahun Karakteristik Data Metode Model Hasil Penelitian
.
1. Analisisa 2019 Data komposisi Machine Learning K-Nearest Analisis performa metode k-nearest
performa produksi kaca Neighbor neighbor untuk identifikasi jenis kaca
identifikasi jenis
kaca [12].
2. Pendugaan kelas 2018 Data citra pepaya Machine Learning K-Nearest Pendugaan kelas mutu buah pepaya (carica
mutu buah calina IPB-9 Neighbor papay L) berdasarkan ciri tekstur GLCM
pepaya menggunakan algoritma k-Nearest Neighbor
berdasarkan ciri
tekstur GLCM
[13].
3. Identifikasi 2021 Data citra jalan aspal Machine Learning Local Binary Mengidentifikasi lubang pada jalan aspal
lubang pada jalan Pattern (LBP) dengan kombinasi metode Local Binary
aspal [14]. dan K-Nearest Pattern dan K-Nearest Neighbor
Neighbor
4. Identifikasi ikan 2022 Data ikan cupang Machine Learning K-Nearest Mengidentifikasi ikan cupang menggunakan
cupang [15]. Neighbor, K-Nearest Neighbor dan ekstraksi fitur
Deteksi tepi bentuknya menggunakan metode deteksi tepi
canny dan

7
 Invariant canny.
Moment
5. Pengenalan 2021 Data speaker Machine Learning Linear Pengenalan individu melalui suara dengan
individu melalui independent yang Predictive menggunakan metode Linear Predictive
suara [16]. mengucapkan nama Coding dan K- Coding dan K-Nearest Neighbor
masing-masing Nearest
Neighbor
6. Identifikasi 2021 Data publik Pima Machine Learning K-Nearest Sistem pendukung keputusan identifikasi
penyakit diabetes Indians Diabetes Neighbor penyakit diabetes melitus sejak dini
melitus [17]. Database menggunakan metode K-Nearest Neighbor
7. Pengkasifikasian 2017 Dataset Soybean Machine Learning Fuzzy K- Penerapan metode Modified Particle Swarm
penyakit tanaman Nearest Optimization dalam proses klasifikasi
kedelai [18]. Neighbor dan berhasil menikatkan akurasi Fuzzy K-
Modified Nearest Neighbor.
Particle Swarm
Optimization
8. Deteksi citra 2018 Data citra periapikal Machine Learning Scale Invariant Metode Scale Invariant Feature Transform
granuloma radiograf Feature dan Klasifikasi K-Nearest Neighbor dapat
melalui Transform dan mendeteksi citra granuloma melalui
radiogram K-Nearest radiograf periapikal
periapikal [19]. Neighbor

8
9. Pembangunan 2018 Data pelamar peserta Extreme Unified Pembangunan web aplikasi seleksi peserta
web aplikasi seleksi Programming Modeling pelatihan kerja menggunakan metode
seleksi peserta Language Extreme Programming
pelatihan kerja
[20].
10. Prediksi Harga 2021 Data jual beli rumah Machine Learning Web Scrapping Memprediksi harga rumah menggunakan
Rumah [21]. dan Linear Web Scrapping dan Machine Learning
Regression dengan Algoritma Linear Regression
11. Kemiskinan di 2021 Data kemiskinan di Machine Learning Decision Tree, Klasifikasi kemiskinan di Indonesia pada
Indonesia tahun Indonesia K-Nearest tahun 2018 dengan membandingkan metode
2018 [22]. Neighbour, Machine Learning
Naive Bayes
dan Rotation
Forest
12. Keputusan 2020 Data calon peserta Machine Learning Profile Sistem pendukung keputusan calon peserta
seleksi calon seleksi Matching paskibraka Kab. Karo menggunakan Profile
peserta Matching
paskibraka
Kab.Karo [23].
13. Prediksi 2017 Data pegawai Machine Learning C4.5 Prediksi penerimaan calon pegawai baru di
penerimaan calon lapangan PT WISE dengan menerapkan algoritma
pegawai baru di
9
 PT WISE [24]. C4.5
14. Pemilihan pola 2017 Data pakaian Machine Learning Naive Bayes, Pengambilan keputusan pemilihan pola
pakaian [25]. Nearest pakaian dengan membandingkan algoritma
Neighbor dan klasifikasi Naive Bayes, Nearest Neighbour
Decision Tree dan Decision Tree
15. Sistem 2014 Data profile karyawan Machine Learning Profile Sistem pendukung keputusan pengangkatan
pendukung Matching jabatan karyawan pad PT.Ayn dengan
kepuasan Metode Profile Mathcing
pengangkatan
jabatan karyawan
[26].
16. Analisis data 2015 Data kemiskinan Machine Learning Fuzzy C-Means Analisis kinerja algoritma Fuzzy C-Means
kemiskinan [27]. dan K-Means dan K-Means pada Data Kemiskinan
17. Meningkatkan 2020 Data transaksi jenis Machine Learning Apriori Penerapan algoritma Apriori untuk
pola penjualan dan penjualan obat meningkatkan pola penjualan obat
obat [28].
18. Analisa penyebab 2020 Data cabai Machine Learning K-Means Analisa penyebab kerusakan tanaman cabai
kerusakan menggunakan metode K-Means
tanaman cabai
[29].
19. Analisis 2021 Data pesebaran Machine Learning K-Means Analisis berdasarkan data penularan virus di

10
 pesebaran penularan virus Clustering Jawa Tengah Menggunakan Metode K-
penularan virus corona di Jawa Means Clustering
corona di Tengah
Provinsi Jawa
Tengah [30].
20. Klasifikasi 2016 Data klasifikasi dan Machine Learning Decision Tree Algoritma Decision Tree dapat dipakai
terjemahan Al- terjemahan Al-Quran untuk klasifikasi terjemahan ayat Al-Quran
Quran [31]. dalam kategori sains berbasis mobile
21. Penerapan data 2019 Data history dari Machine Learning Apriori Penelitian menggunakan algoritma apriori
mining terhadap semua transaksi dapat membantu mengembangkan strategi
penjualan pipa pemasaran untuk memasarkan produk lain.
pada CV.
Gaskindo sentosa
[32]
22. Klasifikasi jeruk 2019 Data citra jeruk Machine Learning K-Nearest K-Nearest Neighbor dapat
nipis terhadap Neighbor mengklasifikasikan jeruk nipis terhadap
tingkat tingkat kematangan buah berdasarkan fitur
kematangan buah warna
berdasarkan fitur
warna [33]
23. Eksperimen 2017 Dataset albrecht, Machine Learning K-Nearest Eksperimen seleksi fitur pada proyek untuk
seleksi fitur pada shine, kemerer dan software effort estimation dengan K-Nearest
11
 parameter proyek mizayaki94 Neighbors Neighbor
[34].
24. Pendeteksian 2019 Data tentang Machine Learning K-Nearst Penerapan K-Nearest Neighbor dalam
abcessus [35]. pengetahuan penyakit Neighbors pendeteksian abcessus
abseccus beserta nilai
probabilitas penyakit
tersebut
25. Analisis sentimen 2021 Data ulasan produk Machine Learning TF-IDF dan K- Analisis sentimen produk permainan dapat
produk permainan di website Nearst menggunakan metode TF-IDF dan algoritma
permainan [36]. shopee Neighbor K-Nearest Neighbor
26. Klasifikasi Citra 2021 Data citra huruf Machine Learning Naive Bayes, Klasifikasi citra huruf vokal hiragana
Huruf Vokal hiragana SVM, Decision dengan studi komparasi metode Machine
Hiragana [37]. Tree, Random Learning
Forest dan KNN
27. Pendukung 2019 Data nilai siswa Machine Learning Profile Penerapan metode Profile Matching sebagai
keputusan Matching pendukung keputusan pemilihan jurusan
pemilihan pada SMK Al-Hidayah
jurusan pada
SMK Al Hidayah
[38].
28. Penilaian kinerja 2019 Data dana desa Machine Learning Naive Bayes Penilaian kinerja pemerintah desa dalam

12
 pemerintah desa pengelolaan dana desa dapat menerapkan
dalam algoritma naive bayes
pengelolaan dana
desa [39].
29. Prediksi kredit 2018 Data pusat koperasi Machine Learning Naive Bayes, Optimasi Naive Bayes Dengan Paticle
macet pada DKI Jakarta Particle Swarm Swarm Optimization dan Stratified untuk
koperasi [40]. Optimization prediksi kredit macet pada koperasi
dan Stratified
30. Pengenalan citra 2016 Data wajah Machine Learning Principal Pengenalan citra wajah sebagai identifier
wajah [41]. Component menggunakan metode Principal Component
Analysis Analysis
31. Pemetaan 2014 Data hasil kuesioner Machine Learning Fuzzy C-Means Model pemetaan evaluasi penilaian
evaluasi Clustering kualifikasi lulusan berbasis metode Fuzzy C-
penilaian Means Clustering
kualifikasi
lulusan [42].
32. Memprediksi 2020 Data dari internet, Machine Learning Fuzzy Time Implementasi metode Fuzzy Time Series
harga emas [43]. data harga kurs dan Series dan Chen dengan model algoritma Chen untuk
data harian Memprediksi harga emas
33. Klasifikasi 2018 Data anggrek Machine Learning K-Nearest Klasifikasi angrek berdasarkan karakter
anggrek Neighbor morfologi daun dan bunga dapat

13
 berdasarkan menggunakan K-Nearest Neighbor
karakter
morfologi daun
dan bunga [44].
34. Prediksi tingkat 2021 Data diambil dari Machine Learning Rough Set Prediksi tingkat pemahaman mahasiswa
pemahaman hasil angket terhadap matakuliah dapat diterapkan
mahasiswa menggunakan machine learning dengan
terhadap konsep data mining rough set
matakuliah [45].
35. Sistem kendali 2019 Data suara Machine Learning Voice Sistem kendali Peralatan elektronik rumah
peralatan Recognition tangga melalui wireles fidelity menggunakan
elektronik rumah Voice Recognition secara realtime
tangga [46].

14
2.3 Kajian Pendekatan yang diusulkan
Jelaskan secara lengkap seperti apa metode yang diusulkan untuk menyelesaikan penelitian
anda. Tuliskan rumus dan symbol jika ada, tidak boleh di screenshoot.
Metode yang digunakan adalah K-Nearest Neigbor

2.4 Karakteristik Data yang digunakan

Data yang akan ditampilkan adalah data seleksi penerimaan pegawai berdasarkan aspek-
aspek yang telah ditentukan oleh perusahaan.

7
 BAB III
METODE PENELITIAN
3.1 Diagram Alur Metodologi Penelitian

Gambar 3. 1 Gambar Diagram Alur Metodologi Penelitian

8
3.2 Indikator Capaian Penelitian
Berdasarkan diagram alur metodologi penelitian diatas, terdapat indikator capaian
sebagai berikut.

No Tahapan Indikator capaian

.
1. Observasi  1. Mencari aspek-aspek penilaian
kelulusan calon pegawai.
2. Studi literatur  2. Menelusuri penelitian
sebelumnya yang dapat
menjadi acuan dalam
penelitian ini.
3. Pengumpulan data  3. Data aspek-aspek penilaian
kelulusan calon pegawai
4. Pre-pemrosesan data  4. Mempermudah proses
pemodelan
5. Pemodelan  5. K-Nearest Neighbor untuk
memprediksi kelulusan seleksi
calon pegawai dengan melihat
dari beberapa aspek penilaian.
6. Evaluasi  6. Ketepatan, kualitas dan
kecepatan dari model yang
digunakan dan bahasa
pemrograman.
7. Diseminasi hasil  7. Artikel

9
 BAB IV
JADWAL PENELITIAN
4.1 Jadwal Penelitian
Adapun jadwal kegiatan pada penelitian ini sebagai berikut:
Tabel 4. 1 Jadwal Penelitian

Bulan
No Nama Kegiatan
Maret April Mei Juli

1.  Observasi ●              
 
Menelusuri penelitian
2. sebelumnya yang dapat menjadi     ●              
acuan dalam penelitian ini.
3. Pre-pemrosesan data ●
memprediksi kelulusan seleksi
4. calon pegawai dengan melihat ● ● ●
dari beberapa aspek penilaian.
memprediksi kelulusan seleksi
5. calon pegawai dengan melihat ●
dari beberapa aspek penilaian.
Evaluasi ketepatan, kualitas dan
kecepatan dari model yang
6. ● ●
digunakan dan bahasa
pemrograman.
7. Artikel ● ●

10
 DAFTAR PUSTAKA

[1] E. Atika and R. Udjang, "Strategi Rekrutmen dan Seleksi Terhadap Kinerja
Karyawan," JPSB, vol. 4, no. 1, pp. 9-23-, 2016.
[2] K. F. Atmoko, "Pemakaian Rekrutmen Online Di Indonesia Pada
Perusahaan-Perusahaan Terdaftar Di Bursa Efek Indonesia," AGORA, vol. V,
no. 3, pp. 1-6, 2017.
[3] R. B. Potale, V. Lengkong and S. Moniharapon, "Pengaruh Proses
Rektutmen Dan Seleksi Terhadap Kinerja Karyawan Pada PT Bank Sulutgo,"
Jurnal Berkala Ilmiah Efisiensi, vol. XVI, no. 4, pp. 453-464, 2016.
[4] M. Titisari and K. Ikhwan, "Proses Rekrutmen dan Seleksi : Potensi
Ketidakefektifan dan Faktornya," JMK (Jurnal Manajemen dan
Kewirausahaan), vol. VI, no. 3, pp. 11-27, 2021.
[5] K. J. Winata, "Analisis Proses Rekrutmen dan Proses Seleksi Terhadap
Kinerja Karyawan," Parsimonia, vol. V, no. 2, pp. 189-198, 2018.
[6] N. S. A, "Peluang Serta Hambatan Pengembangan Usaha/Industri Kecil dan
Menengah di Jawa Tengah," MEDIAGRO, vol. III, no. 1, pp. 81-93, 2007.
[7] H. Margahana and Garaika, "Peran Seleksi (Selection) Tenaga Kerja Yang
Tepat Terhadap Tercapainya Tujuan Organisasi," Jurnal Aktual STIE Trisna
Negara, vol. XVII, no. 2, pp. 133-141, 2019.
[8] D. B. Prasetyo, P. E. Pranata, I. Meydina, S. Jannah, N. Z. Fauzi and D.
Sunarsi, "Pelatihan Strategi Bersaing Sumber Daya Manusia di Era 5.0 Pada
Masyarakat Desa," Jurnal Padma, vol. I, no. 4, pp. 332-336, 2021.
[9] D. F. Telaumbanua, P. Hulu, Z. T. Nadeak, R. R. Lumbantong and A.
Dharma, "Penggunaan Machine Learning di Bidang Kesehatan," Jutikomp,
vol. II, no. 2, pp. 391-399, 2019.
[10] P. W. Hidayanti and Yahya, "Penerapan Algoritma K-Nearest Neighbor
Untuk Klasifikasi Efektivitas Penujualan Vape (Rokok Elektrik) pada
"Lombok Vape On"," Infotek, vol. III, no. 2, pp. 104-114, 2020.
[11] Y. Primadasa and A. Saputra Yandi, "Penerapan Teknik Klasifikasi Untuk
Prediksi Kelulusan Mahasiswa Menggunakan Algoritma K-Nearest
Neighbour," Teckno.COM, vol. XVII, no. 4, pp. 395-403, 2018.
[12] M. M. Baharudin, T. Hasanuddin and H. Azis, "Analisis Performa Metode K-

21
 Nearst Neighbor Untuk Identifikasi Jenis Kaca," ILKOM Jurnal Ilmiah, vol.
XI, no. 3, pp. 269-274, 2019.
[13] F. Wibowo, K. D. Hakim and S. Sugiyanto, "Pendugaan Kelas Mutu Buah
Pepaya Berdasarkan Ciri Tekstur GLCM Menggunakan Algoritma K-
Nearsest Neighbors," JANAPATI, vol. VII, no. 7, pp. 100-107, 2018.
[14] P. P. Arhandi, M. Mentari and F. Romadhon, "Kombinasi Metode Local
Binary Pattern dan K-Nearest Neighbor Untuk Identifikasi Lubang Pada
Jalan Aspal," JANAPATI, vol. X, no. 1, pp. 11-23, 2021.
[15] F. Shidiq, W. E. Hidayat and I. N. Kurniati, "Penerapan Metode K-Nearest
Neighbor (KNN) Untuk Menentukan Ikan Cupang Menggunakan Deteksi
Tepi Canny dan Invariant Moment," Jurnal Teknik Informatika, vol. III, no.
1, pp. 11-20, 2022.
[16] N. D. Fadhilah, R. Magdalena and S. Sa'idah, "Sistem Pengenalan Individu
Melalui Suara Dengan Metode Linear Predictive Coding dan K-Nearest
Neighbor," Jurnal Teknik Informatika, vol. II, no. 2, pp. 95-100, 2021.
[17] I. U. Lestari, A. Nadhiroh. Yusrotum and N. Cahyuni, "Penerapan Metode K-
Nearest Neighbor Untuk SIstem Pendukung Keputusan Identifikasi Penyakit
Diabetes Melitus," Jurnal Teknik Informatika dan Sistem Informasi, vol.
VIII, no. 4, pp. 2071-2082, 2021.
[18] R. Siringoringo and R. Perangin-angin, "Hibridisasi Metode Fuzzy K-Nearest
Neighbor Dengan Metode Modified Particle Swarm Optimization Pada
Pengklasifikasian Penyakit Tanaman Kedelai," SinkrOn, vol. II, no. 2, pp. 6-
12, 2017.
[19] F. S. Zenda, B. Hidayat and Suhardjo, "Deteksi Citra Granuloma Melalui
Radiograf Periapikal Dengan Metode Scale Invariant Feature Transform dan
Klasifikasi K-Nearest Neighbor," MNEMONIC, vol. I, no. 1, pp. 10-16,
2018.
[20] A. Supriyatna, "Metode Extreme Proramming Pada Pembangunan Web
Aplikasi Seleksi Peserta Pelatihan Kerja," Jurnal Teknik Informatika, vol. XI,
no. 1, pp. 1-18, 2018.
[21] A. Gunaryati, S. Andryana and A. Saiful, "Prediksi Harga Rumah
Menggunakan Web Scrapping dan Machine Learning Dengan Algoritma
Linear Regression," Jurnal Teknik Informatika dan Sistem Informasi, vol. 8,
no. 1\, pp. 41-50, 2021.
[22] R. P. Sihombing and A. M. Ade, "Perbandingan Metode Machine Learning
Dalam Klasifikasi Kemiskinan di Indonesia Tahun 2018," Jurnal Teknik

22
 Informatika , vol. II, no. 1, pp. 51-56, 2021.
[23] N. Diaz and Sulindawaty, "Sistem Pendukung Keputusan Seleksi Calon
Peserta Paskibraka Kab.Karo Menggunakan Profile Matching," Junal Teknik
Informatika , vol. I, no. 2, pp. 87-91, 2020.
[24] F. F. Harryanto and S. Hansun, "Penerapan Algoritma C4.5 Untuk
Memprediksi Penerimaan Calon Pegawai Baru di PT WISE," Jatisi, vol. III,
no. 2, pp. 95-103, 2017.
[25] D. Satika and I. D. Sensuse, "Perbandingan Algoritma Klasifikasi Naive
Bayes, Nearest Neighbour dan Decision Tree pada Studi Kasus Pengambilan
Keputusan Pemilihan Pola Pakaian," Jatisi, vol. I, no. 2, pp. 151-161, 2017.
[26] D. Andhar, "Sistem Pendukung Keputusan Pengangkatan Jabatan Karyawan
pada PT.Ayn dengan Metode Profile Matching," Jatisi, vol. I, no. 1, pp. 16-
29, 2014.
[27] N. A. Ulfah and S. Uyun, "Analisis Kinerja Algoritma Fuzzy C-Means dan
K-Means pada Data Kemiskinan," Jatisi, vol. I, no. 2, pp. 139-148, 2015.
[28] R. Saputra and S. J. Alexander, "Implementasi Data Mining Menggunakan
Algoritma Apriori Untuk Meningkatkan Pola Penjualan Obat," Jurnal Teknik
Informatika dan Sistem Infomasi, vol. XII, no. 2, pp. 262-276, 2020.
[29] Darmansah and W. N. Wardani, "Analisa Penyebab Kerusakan Tanaman
Cabai Menggunakan Metode K-Means," Jurnal Teknik Informatika dan
Sistem Informasi , vol. VII, no. 2, pp. 126-134, 2020.
[30] Darmansyah and W. N. Wardani, "Analisis Pesebaran Penularan Virus
Corona Di Provinsi Jawa Tengah Menggunakan Metode K-Means
Clustering," Jurnal Teknik Informatika dan Sistem Informasi, vol. VIII, no. 1,
pp. 105-117, 2021.
[31] D. Setiawati, I. Taufik, Jumadi and B. W. Z, "Klasifikasi Terjemaha Ayat Al-
Quran Tentang Ilmu Sains Menggunakan Algoritma Decision Tree Berbasis
Mobile," JOIN, vol. I, no. 1, pp. 24-27, 2016.
[32] T. G. Napitupul, A. Oktaviani, D. Sarkawi and I. Yulianti, "Penerapan Data
Mining Terhadap Penjualan Pipa Pada CV. Gaskindo Sentosa Menggunakan
Metode Algoritma Apriori," Jurnal Riset Informatika, vol. I, no. 4, pp. 167-
172, 2019.
[33] C. Paramita, H. E. Rachmawanto, A. C. Sari and M. I. R. D. Setiadi,
"Klasifikasi Jeruk Nipis Terhadap Tingkat Kematangan Buah Berdasarkan
Fitur Warna Menggunakan K-Nearest Neighbor," Jurnal Pengembangan IT,

23
 vol. IV, no. 1, pp. 1-6, 2019.
[34] Fachruddin and Y. Pratama, "Eksperimen Seleksi Fitur Pada Parameter
Proyek Untuk Software Effor Estimation dengan K-Nearst Neighbors,"
Jurnal Pengembangan IT, vol. II, no. 2, pp. 53-62, 2017.
[35] S. P. Ramadhan, "Penerapan K-Nearest Neighbor dalam Pendeteksian
Abcessus," InfoTekJar, vol. III, no. 2, pp. 61-70, 2019.
[36] R. Kosasih and A. Alberto, "Analisis Sentimen Produk Permainan
Menggunakan Metode TF-IDF dan Algoritma K-Nearest Neighbor,"
InfoTekJar, vol. VI, no. 1, pp. 134-139, 2021.
[37] A. M. Amrustian, F. V. Muliati and E. E. Awal, "Studi Komparasi Metode
Machine Learning untuk Klasifikasi Citra Huruf Vokal Hiragana," Jurnal
Media Budidarma, vol. V, no. 3, pp. 905-912, 2021.
[38] F. Indriyani, "Penerapan Metode Profile Matching Sebagai Pendukung
Keputusan Pemilihan Jurusan Pada SMK Al-Hidayah," Jurnal Riset
Informatika, vol. I, no. 2, pp. 91-96, 2019.
[39] Muliadi, S. Syarif and A. Salim, "Penerapan Algoritma Naive Bayes Pada
Penilaian Kinerja Pemerintah Desa Dalam Pengelolaan Dana Desa," Jurnal
Riset Informatika, vol. I, no. 2, pp. 71-80, 2019.
[40] T. Mardiana, "Optimasi Naive Bayes dengan Particle Swarm Optimization
dan Stratified Untuk Prediksi Kredit Macet Pada Koperasi," Jurnal Riset
Informatika, vol. I, no. 1, pp. 43-50, 2018.
[41] B. A. S, Suma'inna and H. Maulana, "Pengenalan Citra Wajah Sebagai
Identifier Mengunakan Metode Pricipal Component Analysis," Jurnal Teknik
Informatika, vol. IX, no. 2, pp. 166-175, 2016.
[42] A. Setianingrum, "Model Pemetaan Evaluasi Penilaian Kualifikasi Lulusan
Berbasis Metode Fuzzy C-Means Clustering," Jurnal Teknik Informatika,
vol. VII, no. 2, pp. 8-15, 2014.
[43] D. Nababan and E. Alexander, "Implementasi Metode Fuzzy Time Series
Dengan Model ALgoritma Chen Untuk Memprediksi Harga Emas," Jurnal
Teknik Informatika, vol. XIII, no. 1, pp. 71-78, 2020.
[44] N. S. R, P. Harsani and a. Qur'ania, "Penerapan K-Nearest Neighbor (KNN)
untuk Klasifikasi Anggrek Berdasarkan Karakter Morfologi Daun dan
Bunga," KOMPUTASI, vol. XV, no. 1, pp. 118-125, 2018.
[45] R. M. Raharjo and P. A. Windarto, "Penerapan Machine Learning dengan
Konsep Data Mining Rough (Prediksi Tingkat Pemahaman Mahasiswa

24
 terhadap Matakuliah)," Jurnal Media Informatika Budidarma, vol. V, no. 1,
pp. 317-326, 2021.
[46] R. M. Ritonga, N. Fadillah and L. Fitria, "Sistem Kendali Peralatan
Elektronik Rumah Tangga Melalui Media Wirelles Fidelity Menggunakan
Voice Recognition Secara Real Time," InfoTekJar, vol. III, no. 2, pp. 105-
111, 2019.

25
 LAMPIRAN-LAMPIRAN
Lampiran 1. Bukti KRS SIAP

26
Lampiran 2. Lembar Pengesahan dari Iteung Internship 1

27
28
Lampiran 3. Lembar Bimbingan Internship 1

29
30