BAB III

ANALISIS PERMASALAHAN

Bab ini berisi analisis permasalahan yang dilakukan pada Tesis. Analisis
permasalahan yang dilakukan meliputi:

1. Analisis proses yang terjadi di lingkungan bursa tenaga kerja.

2. Analisis penerapan multi criteria recommender system dalam bursa tenaga

kerja yang meliputi analisis input, proses, pra pemrosesan data deskriptif, dan
strategi interaksi dari multi criteria recommender system.

3.1 Bursa Tenaga Kerja

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:

1. Perusahaan menentukan lowongan pekerjaan yang akan ditawarkan serta

menentukan kualifikasi untuk masing-masing lowongan pekerjaan.

2. Pelamar pekerjaan mempersiapkan informasi mengenai kualifikasinya,

biasanya dalam bentuk curriculum vitae (CV) dan juga preferensinya terhadap
pekerjaan yang diinginkan.

3. Pelamar pekerjaan memilih lowongan pekerjaan yang diinginkan sesuai

dengan preferensinya.

4. Perusahaan melakukan seleksi lamaran pekerjaan yang masuk untuk lowongan

pekerjaan yang ditawarkan berdasarkan preferensi perusahaan.

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.

3.2 Penerapan Multi Criteria Recommender System dalam

Bursa Tenaga Kerja

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.

Subbab-subbab selanjutnya akan menjelaskan mengenai:

1. Analisis pemilihan metode MCDM.

2. Analisis input bagi MCRS yang berupa representasi user profile.

3. Analisis proses MCRS yang meliputi inisialisasi user profile, penentuan bobot
kriteria, dan proses pembangkitan rekomendasi.

4. Analisis strategi interaksi dengan user untuk mempermudah user dalam

merepresentasikan user profile.

3.2.1 Analisis Input

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

3.2.1.1 User Profile Pelamar Pekerjaan

Pelamar pekerjaan memiliki preferensi dalam menentukan lowongan pekerjaan yang

akan dipilih untuk ditindaklanjuti. User profile merupakan data yang
merepresentasikan pelamar pekerjaan dan sekaligus dianggap sebagai preferensi
pelamar pekerjaan terhadap pekerjaan yang diinginkan. Berdasarkan subbab 0, maka
beberapa data dapat digunakan sebagai user profile pelamar pekerjaan adalah:

1. Usia

2. Jenis Kelamin

3. Status Pernikahan

4. Lokasi dan domisili

5. Pendidikan

6. Keahlian

7. Pengalaman

Selain itu, user profile juga memerlukan data personal dari pelamar pekerjaan seperti
nama, alamat, dan nomor telpon.

3.2.1.2 User Profile Perusahaan

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.

3.2.1.3 Representasi User Profile

Berdasarkan tujuh buah data yang disimpan sebagai user profile, maka representasi
umum user profile dapat digambarkan oleh Tabel III-1.
 III-4

Tabel III-1 Representasi Umum User Profile

Data Nilai Data Bobot Data
Data 1 Data 1 – Nilai 1 W1
Data 2 Data 2 – Nilai 1 W2
Data 2 – Nilai 2
Data 3 Data 3 – Nilai 1 W3
… … …

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.

3. Nilai don’t care

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

Pelamar: Bagi pelamar, status pernikahan merupakan data dengan nilai

tunggal.

Perusahaan: Bagi perusahaan, data status pernikahan dapat berupa nilai

tunggal dan dapat juga bernilai don’t care. Kemungkinan nilai status
pernikahan yang mungkin adalah lajang atau menikah.

4. Lokasi/Domisili

Pelamar: Pelamar dapat menetapkan lokasi tertentu sebagai preferensi tempat

bekerja. Oleh karena itu bagi pelamar, nilai data lokasi/domisili dapat bersifat
jamak dan dapat juga bernilai don’t care.

Perusahaan: Bagi perusahaan, nilai data lokasi/domisili juga dapat bersifat

jamak. Misalkan perusahaan memiliki preferensi pelamar yang dapat bekerja
di beberapa lokasi tertentu. Nilai don’t care juga berlaku bagi perusahaan.
Nilai don’t care memiliki arti bahwa perusahaan memiliki persyaratan bahwa
pelamar harus dapat ditempatkan dimana saja.

5. Pendidikan

Pendidikan memiliki bentuk data berupa tuple {strata, program studi, ipk}.

Pelamar: Bagi pelamar, pendidikan merupakan data yang bernilai jamak,

artinya pelamar memiliki preferensi terhadap pekerjaan yang sesuai dengan
salah satu atau semua kualifikasi pendidikannya.
 III-6

Perusahaan: Perusahaan menetapkan data pendidikan bersifat jamak karena

umumnya perusahaan mencari pelamar dengan kualifikasi pendidikan tertentu.
Namun, perusahaan dapat menetapkan nilai don’t care bagi data pendidikan.

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.

Perusahaan: Perusahaan umumnya menetapkan beberapa kriteria keahlian

bagi pelamar untuk dapat mengisi lowongan pekerjaan. Oleh karena itu, bagi
perusahaan, keahlian merupakan data dengan sifat jamak. Selain itu,
perusahaan dapat menetapkan nilai don’t care bagi data pendidikan.

7. Pengalaman

Data pengalaman bersifat deskriptif karena baik pelamar maupun perusahaan

dapat mendeskripsikan preferensi terhadap pengalaman dengan cara berbeda.

Pelamar: Data pengalaman merupakan data yang bersifat jamak bagi pelamar
karena pelamar umumnya mencari pekerjaan yang sesuai dengan
pengalamannya.

Perusahaan: Jika perusahaan mencari pelamar dengan kriteria pengalaman

tertentu, maka perusahaan sedapat mungkin mencari pelamar yang memenuhi
semua kriteria pengalaman yang ditetapkan. Oleh karena itu, sifat data
pengalaman adalah jamak. Namun, perusahaan juga dapat menetapkan nilai
don’t care jika tidak ingin memperhatikan pengalaman pelamar.
 III-7

Rangkuman dari analisis data yang ada di user profile dapat dilihat pada Tabel III-2.

Tabel III-2 Rangkuman Analisis data yang ada di User Profile

No Data Sifat Data dari Sisi Sifat Data dari Sisi Perusahaan Nilai Don’t Care Contoh Nilai
Pelamar
1. Usia Tunggal Tunggal, kemungkinan interval dan Perusahaan 1. Usia = 25 tahun
operator > dan < 2. Usia > 25 tahun
3. Usia maksimal 30 tahun
2. Jenis Kelamin Tunggal Tunggal Perusahaan 1. Jenis kelamin pria
2. Jenis kelamin pria atau
wanita
3. Status Pernikahan Tunggal Tunggal Perusahaan 1. Status lajang
2. Status menikah
4. Lokasi/Domisili Jamak Jamak Pelamar, Dapat ditempatkan di
Perusahaan Jakarta, Bandung, Semarang
5. Pendidikan Jamak Jamak Perusahaan 1. S1 Mesin/Elektro/
2. S1 Informatika/ S2
Informatika
6. Keahlian Jamak, Deskriptif Jamak, Deskriptif Perusahaan 1. Menguasai C++ dan Java
2. Dapat menggunakan
komputer dan berbahasa
Inggris dengan baik
7. Pengalaman Jamak, Dekriptif Jamak, Deskriptif Perusahaan Berpengalaman 5 tahun di
bidang Manajemen dan
Akuntansi
 III-8

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.

3.2.2 Analisis Pemilihan Metode MCDM

Algoritma pembangkitan rekomendasi MCRS akan memanfaatkan sebuah metode

MCDM, khususnya metode MADM. Metode MADM dipilih karena sifat alternatif,
dalam hal ini adalah lowongan pekerjaan atau tenaga kerja, yang jumlahnya terbatas
dan sudah diketahui sebelum proses pembangkitan rekomendasi dimulai.

Pada Tesis ini, metode MADM yang dipilih adalah Weighted Product Model (WPM).
Alasan pemilihan metode WPM adalah:

1. Permasalahan pemilihan alternatif

Pemilihan alternatif di bursa tenaga kerja memungkinkan tidak terpenuhinya

sebuah atau lebih kriteria pada sebuah alternatif akan menjatuhkan alternatif
tersebut. Misalkan perusahaan mencari pelamar yang memiliki umur di atas 25
tahun, jika ada seorang pelamar yang umurnya di bawah 25 tahun, maka
pelamar tersebut dipastikan tidak akan dipilih menjadi alternatif.

Hal ini dikarenakan metode WPM menggunakan metode perkalian bukan

metode penjumlahan, seperti pada WSM atau AHP. Metode perkalian
memungkinkan jika ada nilai performansi sebuah kriteria bernilai 0, maka nilai
WPM dari kriteria tersebut secara keseluruhan akan menjadi 0, sehingga
alternatif tersebut akan gagal menjadi alternatif pilihan. Sedangkan, pada
metode WSM atau AHP yang berbasis penjumlahan, sebuah alternatif yang
tidak memenuhi sebuah kriteria dapat tetap menjadi alternatif karena tetap
memperoleh nilai dari kriteria lain yang dipenuhi.

2. Metode yang sederhana dan sesuai

Jika dibandingkan dengan metode ELECTRE dan TOPSIS, metode WPM

merupakan metode yang lebih sederhana. Walaupun WPM merupakan metode
yang paling sederhana, namun WPM sesuai bagi permasalahan proses
pemilihan alternatif dalam bursa tenaga kerja.
 III-9

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.

3.2.3 Analisis Proses

MCRS bagi bursa tenaga kerja memiliki tahapan proses sebagai berikut:

1. Tahap inisialisasi data user profile

2. Tahap pembangkitan rekomendasi

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.

3.2.3.1 Tahap inisialisasi user profile

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.

Tabel III-3 Contoh user profile pelamar pekerjaan

ID Pelamar: 1
Nama Pelamar: Ridho Akhiro
Data Nilai Data
Usia 24 tahun
Jenis Kelamin Pria
Status Pernikahan Lajang
Lokasi/Domisili Don’t care
Pendidikan S1 Teknik Informatika, ITB, IPK 3.13
Keahlian Menguasai Bahasa Inggris
Pemrograman dengan C, Pascal, Java, PHP
Familiar dengan konsep Object Oriented Programming
Basis data dengan MySQL, PostgreSQL, SQL Server 2000,
Oracle
Pengalaman System analyst selama 3 tahun

Sedangkan user profile dari sisi perusahaan contoh bentuk user profile sebuah
lowongan digambarkan oleh Tabel III-4.
 III-10

Tabel III-4 Contoh user profile perusahaan

ID Pekerjaan: 1
Perusahaan: PT LAPI Divusi
Nama Pekerjaan: System Analyst
Data Nilai Data
Usia < 28 tahun
Jenis Kelamin Don’t care
Status Pernikahan Don’t care
Lokasi/Domisili Bandung
Pendidikan S1 Teknik Informatika, IPK > 3
Keahlian Pemrograman dengan Java, PHP
Menguasai Bahasa Inggris
Pengalaman Don’t care

3.2.3.2 Tahap pembangkitan rekomendasi

Hal pertama yang perlu dilakukan dalam pembangkitan rekomendasi adalah

menentukan performansi alternatif terhadap preferensi di setiap kriteria.

Proses penghitungan performansi untuk masing-masing kriteria berbeda satu sama

lain. Misalkan Vli dan Vpi adalah nilai data kriteria i yang dimiliki oleh pelamar dan
perusahaan, sementara Xli dan Xpi adalah nilai performansi yang dimiliki oleh
pelamar dan perusahaan pada kriteria i, maka proses penghitungan performansi untuk
setiap jenis kriteria dapat diformulasikan sebagai berikut:

1. Umur

Umur merupakan kriteria yang penghitungan performansinya bersifatnya

boolean. Artinya, jika suatu alternatif tidak memenuhi kriteria ini, maka nilai
performansinya adalah 0. Namun, jika suatu alternatif memenuhi kriteria ini
maka nilai performansinya adalah 1. Jika perusahaan menetapkan nilai don’t
care, maka semua alternatif (pelamar pekerjaan) akan memiliki nilai 1.

Rumus penghitungan performansi umur dari sisi pelamar mencari pekerjaan

ditunjukkan pada Gambar III-1.

if (VpUmur = don’t care)

XpUmur = 1
else if (VlUmur in VpUmur)
XpUmur = 1
else
XpUmur = 0
Gambar III-1 Penghitungan Performansi Umur Sisi Pelamar
 III-11

Sementara penghitungan performansi umur dari sisi perusahaan mencari

pelamar ditunjukkan pada Gambar III-2.

if (VpUmur = don’t care)

XlUmur = 1
else if (VlUmur in VpUmur)
XlUmur = 1
else
XlUmur = 0
Gambar III-2 Penghitungan Performansi Umur Sisi Perusahaan

2. Jenis Kelamin

Kriteria jenis kelamin juga terkena penghitungan performansi bersifat boolean.

Nilai performansi adalah 0 jika alternatif tidak memenuhi kriteria dan
sebaliknya. Jika perusahaan memberikan nilai don’t care maka nilai alternatif
di kriteria jenis kelamin adalah 1.

Rumus penghitungan performansi jenis kelamin dari sisi pelamar mencari

pekerjaan ditunjukkan pada Gambar III-3.

if (VpJK = don’t care)

XpJK = 1
else if (VlJK = VpJK)
XpJK = 1
else
XpJK = 0
Gambar III-3 Penghitungan Peformansi Jenis Kelamin Sisi Pelamar

Sementara penghitungan performansi jenis kelamin dari sisi perusahaan

mencari pelamar ditunjukkan pada Gambar III-4.

if (VpJK = don’t care)

XlJK = 1
else if (VpJK = VlJK)
XlJK = 1
else
XlJK = 0
Gambar III-4 Penghitungan Peformansi Jenis Kelamin Sisi Perusahaan

3. Status Pernikahan

Status pernikahan merupakan kriteria dengan penghitungan performansi

bersifat boolean. User yang dapat memberikan nilai don’t care perusahaan.
 III-12

Jika perusahan memberikan nilai don’t care maka nilai performansi semua
pelamar pekerjaan yang di kriteria status pernikahan adalah 1.

Rumus penghitungan performansi status pernikahan dari sisi pelamar mencari

pekerjaan ditunjukkan pada Gambar III-5.

if (VpSP = don’t care)

XpSP = 1
else if (VlSP = VpSP)
XpSP = 1
else
XpSP = 0
Gambar III-5 Penghitungan Performansi Status Pernikahan Sisi Pelamar

Sementara penghitungan performansi status pernikahan dari sisi perusahaan

mencari pelamar ditunjukkan pada Gambar III-6.

if (VpSP = don’t care)

XlSP = 1
else if (VpSP = VlSP)
XlSP = 1
else
XlSP = 0
Gambar III-6 Penghitungan Performansi Status Pernikahan Sisi Perusahaan

4. Lokasi/Domisili

Kriteria lokasi/domisili merupakan kriteria bersifat jamak, sehingga

penghitungan performansinya berbeda dengan kriteria tunggal. Nilai
performansi dihitung berdasarkan jumlah data yang sama dibagi dengan
jumlah total data yang sedang dihitung performansinya. Sementara jika
pelamar menentukan nilai don’t care maka nilai performansi adalah 1.

Rumus penghitungan performansi lokasi/domisili dari sisi pelamar mencari

pekerjaan ditunjukkan pada Gambar III-7.

if (VlLD = don’t care)

XpLD = 1
else
foreach VlLD
if (VlLD[i] in VpLD)
similar++
XpLD = similar/count(VpLD)
Gambar III-7 Penghitungan Performansi Lokasi Domisili Sisi Pelamar
 III-13

Sementara penghitungan performansi lokasi/domisili dari sisi perusahaan

mencari pelamar ditunjukkan pada Gambar III-8.

if (VlLD = don’t care)

XlLD = 1
else
foreach VpLD
if (VpLD[i] in VlLD)
similar++
XlLD = similar/count(VpLD)
Gambar III-8 Penghitungan Performansi Lokasi Domisili Sisi Perusahaan

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.

Rumus penghitungan performansi pendidikan dari sisi pelamar mencari

pekerjaan ditunjukkan pada Gambar III-9.

if (VpPendidikan = don’t care)

XpPendidikan = 1
else
foreach VlPendidikan
if (VlPendidikan[i] in VpPendidikan)
similar++
if (similar > 0)
XpPendidikan = 1
else
XpPendidikan = 0
Gambar III-9 Penghitungan Performansi Pendidikan Sisi Pelamar

Sementara penghitungan performansi pendidikan dari sisi perusahaan mencari

pelamar ditunjukkan pada Gambar III-10.
 III-14

if (VpPendidikan = don’t care)

XlPendidikan = 1
else
foreach VpPendidikan
if (VpPendidikan[i] in VlPendidikan)
similar++
if (similar > 0)
XlPendidikan = 1
else
XlPendidikan = 0
Gambar III-10 Penghitungan Performansi Pendidikan Sisi Perusahaan

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.

Rumus penghitungan performansi keahlian dari sisi pelamar mencari

pekerjaan ditunjukkan pada Gambar III-11.

if (VpKeahlian = don’t care)

XpKeahlian = 1
else
foreach VlKeahlian
if (VlKeahlian[i] in VpKeahlian)
similar++
XpKeahlian = similar/count(VpKeahlian)
Gambar III-11 Penghitungan Performansi Keahlian Sisi Pelamar

Sementara penghitungan performansi keahlian dari sisi perusahaan mencari

pelamar ditunjukkan pada Gambar III-12.

if (VpKeahlian = don’t care)

XlKeahlian = 1
else
foreach VpKeahlian
if (VpKeahlian[i] in VlKeahlian)
similar++
XlKeahlian = similar/count(VpKeahlian)
Gambar III-12 Penghitungan Performansi Keahlian Sisi Perusahaan
 III-15

7. Pengalaman

Pengalaman juga merupakan kriteria dengan data jamak yang deskriptif. Oleh
karena itu, penghitugan performansinya akan sama dengan keahlian.

Rumus penghitungan performansi pengalaman dari sisi pelamar mencari

pekerjaan ditunjukkan pada Gambar III-13.

if (VpPengalaman = don’t care)

XpPengalaman = 1
else
foreach VlPengalaman
if (VlPengalaman[i] in VpPengalaman)
similar++
XpPengalaman = similar/count(VpPengalaman)
Gambar III-13 Penghitungan Performansi Pengalaman Sisi Pelamar

Sementara penghitungan performansi pengalaman dari sisi perusahaan

mencari pelamar ditunjukkan pada Gambar III-14.

if (VpPengalaman = don’t care)

XlPengalaman = 1
else
foreach VpPengalaman
if (VpPengalaman[i] in VlPengalaman)
similar++
XlPengalaman = similar/count(VpPengalaman)
Gambar III-14 Penghitungan Performansi Pengalaman Sisi Perusahaan

Proses penghitungan performansi ini dilakukan untuk setiap alternatif terhadap

preferensi yang tergambarkan di user profile. Setelah semua nilai performansi
diperoleh maka tahap kedua adalah menghitung nilai WPM untuk setiap alternatif
sehingga alternatif-alternatif terbaik dapat diperoleh.

Rumus penghitungan nilai WPM untuk alternatif adalah sebagai berikut:

= ( 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 Pra Pemrosesan Data Deskriptif

Subbab 0 menjelaskan bahwa ada kriteria yang memiliki jenis data deskriptif, yaitu
keahlian dan pengalaman. Untuk menentukan nilai performansi alternatif di kriteria
keahlian dan pengalaman, maka perlu dilakukan proses ekstraksi kata-kata dari data
deskriptif tersebut. Pada Tesis ini, proses ekstraksi tersebut terdiri dari tiga tahap,
yaitu tokenisasi, penghilangan stop words, dan pembangkitan n-gram.

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.

3.2.4.2 Penghilangan stop word

Stop word merupakan kata-kata yang tidak memiliki makna yang harus dibuang
dalam pemrosesan. Stop word dalam bahasa Indonesia antara lain ‘yang’, ‘adalah’,
‘karena’, dan lain-lain.
Penghilangan stop word perlu dilakukan karena stop word merupakan kata yang
secara konteks tidak penting. Dalam Tesis ini digunakan daftar stop word yang telah
dibentuk berdasarkan hasil pengamatan terhadap lowongan-lowongan pekerjaan
dalam bahasa Indonesia, yang diperoleh dari koran Kompas selama periode 1
Desember 2007 hingga 16 Desember 2007.

3.2.4.3 Pembangkitan n-gram

N-gram merupakan runtutan n kata dari sejumlah n buah kata. Pembangkitan n-gram
n buah kata dapat menghasilkan sejumlah kata-kata yang merupakan subset dari n
buah kata tersebut. Variasi dari n-gram bergantung dari nilai n sendiri. Jika n adalah 1
maka disebut unigram, n adalah 2 maka disebut bigram, n adalah 3 adalah trigram,
dan n adalah 4 ke atas akan disebut n-gram saja.
Penerapan n-gram dari sejumlah kata dicontohkan sebagai berikut. Misalkan ada
sebuah kalimat terdiri dari kata ”ahli”, ”basis, ”data”, ”Oracle”. Pembangkitan bigram
akan menghasilkan: ahli basis, basis data, dan data Oracle. Melalui contoh dapat
 III-17

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.

3.2.5 Strategi Interaksi

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

Pelamar: pelamar diminta untuk mendefinisikan umur saat ini. Misalkan: 24

tahun.

Perusahaan: perusahaan diberi pertanyaan apakah ada persyaratan umur bagi

lowongan yang ditawarkan. Jika perusahaan menyatakan tidak, maka nilai
kriteria umur bagi lowongan tersebut adalah don’t care. Jika perusahaan
menyatakan ya, maka perusahaan diminta untuk mendefinisikan umur beserta
sebuah operator umur, yaitu = (sama dengan), <= (maksimum), atau >=
(minimum). Misalkan: 25-30 tahun, minimum 25 tahun, maksimum 30 tahun.
 III-18

2. Jenis Kelamin

Pelamar: pelamar diminta untuk mendefinisikan jenis kelamin. Pilihan jenis

kelamin meliputi pria atau wanita.

Perusahaan: perusahaan diberi pertanyaan apakah ada persyaratan jenis

kelamin. Jika tidak ada persyaratan jenis kelamin, artinya nilai persyaratan
jenis kelamin perusahaan adalah don’t care. Jika perusahaan memiliki
persyaratan jenis kelamin, maka perusahaan diminta untuk mendefinisikan
jenis kelamin pelamar antara pria atau wanita.

3. Status Pernikahan

Pelamar: pelamar diminta untuk memasukkan status pernikahan pelamar.

Pelamar dimungkinkan memilih status menikah atau belum/tidak menikah.

Perusahaan: perusahaan diminta untuk mendefinisikan status pernikahan bagi

pelamar. Perusahaan dapat memasukkan nilai don’t care jika perusahaan tidak
mempedulikan status pernikahan pelamar.

4. Lokasi/Domisili

Pelamar: pelamar diminta untuk memasukkan lokasi dimana pelamar

memungkinkan untuk bekerja yang dapat terdiri dari beberapa lokasi.
Misalkan: Jakarta, Bandung, Medan. Jika pelamar memasukkan nilai don’t
care maka artinya pelamar dapat ditempatkan di mana saja.

Perusahaan: perusahaan diminta untuk memasukkan lokasi penempatan

kerja, yang juga dapat terdiri dari berbagai lokasi. Perusahaan juga dapat
menetapkan bahwa pelamar harus dapat ditempatkan dimana saja.

5. Pendidikan

Pelamar: pelamar diminta untuk memasukkan pendidikan level

universitasnya, sehingga strata yang dimungkinkan adalah S1, S2, atau S3
sekaligus dengan program studi dan IPK yang diperoleh.

Perusahaan: perusahaan diberi pertanyaan mengenai persyaratan pendidikan

pelamar. Jika ada syarat pendidikan maka perusahaan diminta untuk
memasukkan tingkat pendidikan, program studi beserta IPK.
 III-19

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.

Perusahaan: jika perusahaan memiliki persyaratan pendidikan, maka

perusahaan dapat menentukan keahlian apa saja yang dibutuhkan dengan cara
yang deskriptif.

7. Pengalaman

Pelamar: pelamar diminta untuk memasukkan pengalaman kerja yang

dimiliki pelamar dengan cara deskriptif.

Perusahaan: perusahaan dapat memberi persyaratan bahwa pelamar harus

memiliki pengalaman tertentu. Jika ada persyaratan pengalaman, maka
perusahaan diminta untuk memasukkan pengalaman kerja yang dibutuhkan
pelamar untuk mengisi lowongan pekerjaan tersebut secara deskriptif.

3.2.6 Hasil Analisis Permasalahan

Berdasarkan analisis permasalahan yang telah dilakukan, maka diperoleh hasil

sebagai berikut:

1. User profile diperoleh dari pelamar dan perusahaan (untuk setiap lowongan
pekerjaan).

2. Representasi user profile berupa penyimpanan data ke basis data biasa,

sehingga tidak membutuhkan proses pembelajaran, seperti yang disampaikan
pada subbab 2.1.1.3.

3. Proses yang terjadi pada MCRS adalah inisialisasi user profile dan
pembangkitan rekomendasi.

4. Teknik yang digunakan untuk menginisialisasi user profile adalah pengisian

user profile secara manual dari user.

5. Proses pembangkitan rekomendasi menggunakan salah satu metode MCDM

yaitu WPM, dengan menggunakan rumus 2.7 yang dibahas pada subbab
2.3.2.2.
 III-20

6. Penghitungan performansi pada proses pembangkitan rekomendasi pada

dasarnya menggunakan proses teknik keyword matching biasa.