ANALISIS PERMASALAHAN
Bab ini berisi analisis permasalahan yang dilakukan pada Tesis. Analisis
permasalahan yang dilakukan meliputi:
Pada lingkungan bursa tenaga kerja terdapat pelamar pekerjaan dan perusahaan
dengan lowongan pekerjaan. Pelamar pekerjaan memiliki kepentingan untuk
mendapatkan pekerjaan yang sesuai dengan kualifikasi dan keinginannya. Selain itu,
perusahaan juga memiliki kepentingan untuk mencari tenaga kerja yang sesuai dengan
lowongan yang ditawarkan.
Proses yang terjadi pada lingkungan bursa tenaga kerja secara umum adalah sebagai
berikut:
III-1
III-2
Pada Tesis ini dikembangkan suatu algoritma bagi recommender system yang dapat
memudahkan pelamar dan perusahaan dalam melaksanakan proses ketiga dan
keempat.
Pada permasalahan pencarian lowongan pekerjaan yang sesuai dengan minat pelamar
pastinya banyak kriteria yang diperhatikan. Demikian pula dengan permasalahan
pencarian tenaga kerja yang sesuai dengan kebutuhan perusahaan. Oleh karena itu,
recommender system yang sesuai dalam menyelesaikan permasalahan ini adalah multi
criteria recommender system (MCRS).
User dari MCRS adalah pelamar pekerjaan dan perusahaan sendiri. Preferensi dari
kedua user ini direpresentasikan dalam user profile masing-masing. MCRS akan
membangkitkan rekomendasi bagi user dengan cari mencari item-item (dalam hal ini
lowongan pekerjaan atau pelamar pekerjaan) yang sesuai dengan user profile.
3. Analisis proses MCRS yang meliputi inisialisasi user profile, penentuan bobot
kriteria, dan proses pembangkitan rekomendasi.
Input dari algoritma MCRS adalah user profile dari pelamar pekerjaan dan juga dari
perusahaan. Isi dari user profile mencerminkan kriteria-kriteria yang diinginkan oleh
pelamar pekerjaan terhadap pekerjaan yang diinginkannya. Demikian pula dengan
user profile perusahaan yang mencerminkan kebutuhannya terhadap tenaga kerja.
III-3
1. Usia
2. Jenis Kelamin
3. Status Pernikahan
5. Pendidikan
6. Keahlian
7. Pengalaman
Selain itu, user profile juga memerlukan data personal dari pelamar pekerjaan seperti
nama, alamat, dan nomor telpon.
Data yang dapat digunakan oleh perusahaan sebagai user profile sama dengan data
yang digunakan oleh pelamar pekerjaan. Perbedaan yang ada adalah, user profile
untuk perusahaan adalah sejumlah lowongan pekerjaan yang ditawarkannya. Hal ini
disebabkan preferensi perusahaan untuk lowongan satu dengan yang lain pastinya
akan berbeda. Misalkan adanya perbedaan kualifikasi pendidikan, pengalaman, dan
lain-lain. Oleh sebab itu, dapat dikatakan bahwa user profile perusahaan
merepresentasikan preferensi perusahaan terhadap pelamar pekerjaan yang akan
mengisi lowongan yang diajukan.
Berdasarkan tujuh buah data yang disimpan sebagai user profile, maka representasi
umum user profile dapat digambarkan oleh Tabel III-1.
III-4
Kolom Data berisi ketujuh data yang telah diidentifikasi pada subbab 3.2.1.1, yaitu
usia, jenis kelamin, status pernikahan, pendidikan, keahlian, pengalaman, dan
lokasi/domisili. Data ini yang akan merupakan kriteria bagi metode MCDM dalam
mencari alternatif-alternatif terbaik dimana dalam sudut pandang MCRS adalah
rekomendasi.
Nilai data merupakan nilai dari data yang bersangkutan. Kemungkinan nilai data yang
dapat diidentifikasi adalah sebagai berikut:
1. Nilai tunggal
Sebuah data dapat memiliki satu nilai saja. Misalkan pelamar memiliki umur
dengan nilai 25 tahun. Data dengan satu nilai disebut memiliki nilai tunggal.
2. Nilai jamak
Selain nilai tunggal, data dapat memiliki nilai jamak, dimana nilainya dapat
lebih dari satu. Misalkan keahlian, dimana perusahaan dapat menerapkan
beberapa kriteria keahlian bagi para pelamar untuk mengisi posisi tertentu.
Selain nilai tunggal dan jamak, nilai yang dimungkinkan adalah nilai don’t
care yang artinya user tidak peduli dengan nilai data tersebut ketika proses
pembangkitan rekomendasi dilakukan. Misalkan perusahaan mengisi data
jenis kelamin dengan don’t care, sehingga pelamar pekerjaan berjenis kelamin
pria dan wanita dapat mengisi lowongan pekerjaan tersebut.
Analisis untuk setiap data yang ada di user profile dari sisi pelamar dan perusahaan,
dijelaskan sebagai berikut:
1. Usia
Pelamar: Nilai data usia bagi pelamar merupakan nilai yang sifatnya tunggal.
Perusahaan: Bagi perusahaan, ada kemungkinan data usia bersifat tunggal
III-5
dalam bentuk interval atau melibatkan operator lebih besar (>) atau lebih kecil
(<). Misalkan dibutuhkan pelamar pekerjaan yang usianya antara 25-30 tahun,
atau usia maksimum 30.
2. Jenis Kelamin
Pelamar: Bagi pelamar dan perusahaan, nilai jenis kelamin bersifat tunggal.
Perusahaan: Perusahaan dapat mengisi nilai data jenis kelamin dengan nilai
don’t care yang menandakan perusahaan tidak memperhatikan nilai jenis
kelamin dari pelamar.
3. Status Pernikahan
4. Lokasi/Domisili
5. Pendidikan
Pendidikan memiliki bentuk data berupa tuple {strata, program studi, ipk}.
6. Keahlian
Data keahlian merupakan data yang bersifat deskriptif agar lebih memberi
keleluasaan bagi user untuk mendeskripsikan keahliannya.
Pelamar: Data keahlian merupakan data yang bersifat jamak karena pelamar
biasanya mencari pekerjaan yang sesuai dengan beberapa atau semua keahlian
yang dimilikinya.
7. Pengalaman
Pelamar: Data pengalaman merupakan data yang bersifat jamak bagi pelamar
karena pelamar umumnya mencari pekerjaan yang sesuai dengan
pengalamannya.
Rangkuman dari analisis data yang ada di user profile dapat dilihat pada Tabel III-2.
Kolom terakhir dari user profile adalah bobot data. Bobot data merupakan nilai yang
menyatakan kepentingan data terhadap preferensi user. Total bobot data dari semua
data bernilai 1.
Pada Tesis ini, metode MADM yang dipilih adalah Weighted Product Model (WPM).
Alasan pemilihan metode WPM adalah:
Dalam penggunaan metode WPM pada MCRS Bursa Tenaga Kerja, bobot dari setiap
kriteria akan dianggap sama karena sebenarnya pemilihan alternatif hanya didasari
pada kesesuaian preferensi terhadap alternatif pada setiap alternatif dan tidak
memperhatikan bobot kriteria.
MCRS bagi bursa tenaga kerja memiliki tahapan proses sebagai berikut:
Dalam analisis proses ini tidak dilakukan proses penentuan bobot karena bobot dari
setiap kriteria dibuat sama, dengan alasan yang disampaikan di subbab 3.2.2.
Pada tahap pengisian data user profile pelamar akan diminta untuk mengisi user
profile secara manual sesuai dengan data yang dimilikinya. Berbeda dengan pelamar,
perusahaan dapat memiliki banyak user profile bergantung dengan jumlah lowongan
pekerjaan yang ingin dimasukkan. Bentuk contoh user profile dari sisi pelamar
pekerjaan digambarakan oleh Tabel III-3.
Sedangkan user profile dari sisi perusahaan contoh bentuk user profile sebuah
lowongan digambarkan oleh Tabel III-4.
III-10
1. Umur
2. Jenis Kelamin
3. Status Pernikahan
Jika perusahan memberikan nilai don’t care maka nilai performansi semua
pelamar pekerjaan yang di kriteria status pernikahan adalah 1.
4. Lokasi/Domisili
5. Pendidikan
Pendidikan merupakan kriteria dengan data yang bersifat jamak, namun cara
penghitungan performansinya cukup dengan cara boolean. Artinya, jika
alternatif telah memenuhi sebuah kriteria dalam kriteria pendidikan maka nilai
performansi alternatif tersebut sudah menjadi 1. Namun, jika alternatif tidak
memenuhi semua persyaratan kriteria pendidikan, nilai performansinya
menjadi 0.
6. Keahlian
Kriteria keahlian juga memiliki data yang jamak dan deskriptif. Oleh karena
itu dalam mencari proses similaritas antar data perlu dilakukan ekstraksi kata
kunci sehingga pencarian kesesuaian data dapat dilakukan dengan lebih
sederhana.
7. Pengalaman
Pengalaman juga merupakan kriteria dengan data jamak yang deskriptif. Oleh
karena itu, penghitugan performansinya akan sama dengan keahlian.
= ( X iUmur
i wUmur wJenisKela min wStatusPernikahan wLokasi
AWPM ).( X iJenisKela min ).( X iStatusPernikahan ).( X iLokasi ).
wPendidikan wKeahlian wPengalaman
( X iPendidikan ).( X iKeahlian ).( X iPengalaman )
(3.1)
III-16
3.2.4.1 Tokenisasi
Tokenisasi adalah proses untuk membagi runtutan kata dalam sebuah dokumen
menjadi pecahan-pecahan yang disebut token, dan pada saat yang bersamaan turut
menghilangkan karakter-karakter tertentu seperti tanda baca.
Dengan melakukan tokenisasi maka data keahlian dan pengalaman akan dipecah-
pecah menjadi token-token atau secara sederhana berupa kata-kata.
dilihat bahwa runtutan kata-kata yang dihasilkan adalah kata-kata yang berhimpit satu
sama lain dan jumlah kata yang dihasilkan dalam sebuah runtutan adalah 2.
Melalui pembangkitan n-gram, diharapkan dapat terbentuk kata-kata kunci dari data
deskriptif yang dimiliki oleh alternatif. Dalam Tesis ini, n-gram yang akan digunakan
adalah unigram, bigram, dan trigram. Hal ini dikarenakan, sebuah runtutan kata kunci
secara umum jumlahnya tidak akan lebih dari 3 kata.
Nilai performansi dari data deskriptif akan bergantung dari berapa runtutan kata kunci
yang sama antara data user profile user dan user profile alternatif.
Pada subbab ini akan dijelaskan mengenai strategi interaksi yang digunakan oleh
MCRS dalam memperoleh input dari user dalam rangka membentuk user profile yang
sudah dibahas pada subbab 3.2.1. Pada dasarnya user akan dibimbing oleh
pertanyaan-pertanyaan dalam mengisi user profile.
Interaksi pertama adalah inisialisasi data user profile. Pada interaksi ini user akan
diminta untuk memasukkan data per kriteria yang sudah didefinisikan dan juga
identitas. Bagi pelamar, data identitas cukup dengan nama lengkap, sedangkan bagi
perusahaan, harus dimasukkan nama perusahaan dan juga nama lowongan pekerjaan
yang ditawarkan.
Berikut akan dijelaskan strategi untuk masing-masing kriteria bagi pelamar dan
perusahaan:
1. Umur
2. Jenis Kelamin
3. Status Pernikahan
4. Lokasi/Domisili
5. Pendidikan
6. Keahlian
Pelamar: pelamar diminta untuk memasukkan jenis keahlian apa saja yang
dimiliki oleh pelamar. Data keahlian bersifat deskriptif sehingga pelamar
dapat sedikit leluasa dalam mendefinisikan keahliannya.
7. Pengalaman
1. User profile diperoleh dari pelamar dan perusahaan (untuk setiap lowongan
pekerjaan).
3. Proses yang terjadi pada MCRS adalah inisialisasi user profile dan
pembangkitan rekomendasi.