Jurnal Sosial dan Teknologi (SOSTECH)
Volume 1, Number 7, July 2021
p-ISSN 2774-5147 ; e-ISSN 2774-5155
How to cite:
Imam Khoeri
1
dan Dadang Iskandar Mulyana
2
. (2021). Implementasi Machine Learning dengan Decision
Tree Algoritma C4.5 dalam Penerimaan Karyawan Baru pada PT. Gitareksa Dinamika Jakarta. Jurnal Sosial
dan Teknologi (SOSTECH), 1(7): 615-623
E-ISSN:
2774-5155
Published by:
https://greenvest.co.id/
IMPLEMENTASI MACHINE LEARNING DENGAN DECISION TREE ALGORITMA
C4.5 DALAM PENERIMAAN KARYAWAN BARU PADA PT. GITAREKSA
DINAMIKA JAKARTA
Imam Khoeri
1
dan Dadang Iskandar Mulyana
2
STIKOM Cipta Karya Informatika Jakarta, Indonesia
1 dan 2
[email protected]m
1
dan mahvin2012@gmail.com
2
Diterima:
20 Juni 2021
Direvisi:
27 Juni 2021
Disetujui:
14 Juli 2021
Abstrak
Melakukan proses penerimaan karyawan merupakan hal yang sangat penting
bagi suatu perusahaan, hal ini dilakukan mengingat karyawan dipandang
sebagai salah satu aset penting bagi perusahaan dan perlu dikelola serta
dikembangkan untuk mendukung suatu kelangsungan hidup, kemampuan untuk
bersaing, mendapatkan laba, serta pencapaian pada tujuan perusahaan, PT.
Gitareksa Dinamika Jakarta biasanya melakukan beberapa persyaratan atau
kriteria untuk mengetahui kemampuan dan pribadi para pelamar tersebut, data
hasilnya tersebut biasanya disimpan dalam suatu arsip yang harus dibandingkan
satu persatu sehingga didapatkan suatu hasil atau keputusan. Tentu hal tersebut
memakan waktu yang lama dan kurang efektif dalam menggambil suatu
keputusan. Dengan demikian dibutuhkan suatu perencanaan model otomatis
dari sekumpulan data, dengan tujuan memberikan komputer kemampuan untuk
belajar (machine learning). Maka dari itu diperlukan sebuah metode untuk
menentukan perancang dalam pengambilan keputusan penerimaan karyawan
baru “Decision Tree Algoritma C4.5” tujuan khusus pada penelitian ini adalah
membangun suatu sistem dengan mudah yang dapat mengelola data dan dapat
diakses dengan mudah oleh staff HRD dalam menentukan karyawan baru pada
PT. Gitareksa Dinamika Jakarta.
Kata kunci : Machine learning; Decision tree; Algoritma C4.5; Peneriman
karyawan
Abstract
Conducting the process of employee recruitment is very important for a
company, this is done because employees are seen as one of the important
assets for the company and need to be managed and developed to support a
survival, ability to compete, earn profit, and achievement on the company's
goals, PT. Gitareksa Dinamika Jakarta usually performs several requirements
or criteria to know the ability and personal of the applicants, the data of the
results are usually stored in an archive that must be compared one by one so
that a result or decision is obtained. Of course it takes a long time and is less
effective in making a decision. Thus it takes an automatic model planning of a
data set, with the aim of giving the computer the ability to learn (machine
learning). Therefore, a method is needed to determine the designer in the
decision making of new employee acceptance "Decision Tree Algorithm C4.5"
the specific purpose of this research is to build a system easily that can
manage data and can be accessed easily by HRD staff in determining new
employees at PT. Gitareksa Dynamics Jakarta.
Keywords: Machine learning; Decision tree; C4.5 algorithm; Employee
recipients
PENDAHULUAN
Teknologi dan informasi berkembang dengan pesat sampai saat ini (Syamsuar &
Reflianto, 2019) dan telah mampu membantu manusia dalam mengambil suatu keputusan
(Limbong et al., 2020). Hal tersebut hampir menyentuh banyak bidang dan
mempermudah kita dalam kegiatan sehari-hari yang kita lakukan (Nugroho & Al Fatta,
Implementasi Machine Learning dengan Decision Tree
Algoritma C4.5 dalam Penerimaan Karyawan Baru pada
PT. Gitareksa Dinamika Jakarta
Imam Khoeri
1
dan Dadang Iskandar Mulyana
2
616
2015). Oleh karena itu, komputerisasi sistem merupakan salah satu sarana yang tepat
untuk membantu pengambilan keputusan pada proses penerimaan karyawan baru (Sari,
2018). PT. Gitareksa Dinamika Jakarta merupakan salah satu perusahaan yang bergerak
dalam pembiayaan dan penjualan mesin disel serta service pada mesin disel. Melakukan
proses penerimaan karyawan merupakan hal yang sangat penting bagi suatu perusahaan
(Sunandar & Satar, 2020), hal ini dilakukan mengingat karyawan dipandang sebagai
salah satu aset penting bagi perusahaan (Amalia & Fakhri, 2016) dan perlu dikelola serta
dikembangkan untuk mendukung suatu kelangsungan hidup (Lestari, 2017), kemampuan
untuk bersaing, mendapatkan laba, serta pencapaian pada tujuan perusahaan (Suci, 2009).
Pada dasarnya, dalam suatu tujuan seleksi penerimaan karyawan adalah untuk
mendapatkan sumber daya manusia yang tepat untuk suatu jabatan tertentu (Nuryanta,
2008), sehingga orang tersebut mampu bekerja secara optimal (Suwinardi, 2017) dan
nantinya bekerja dan bertahan diperusahaan untuk jangka waktu yang lama (Lokollo &
Syafruddin, 2013). Berdasarkan wawancara yang dilakukan bersama staff HRD
perusahaan dalam melakukan penyeleksian karyawan baru PT. Gitareksa Dinamika
Jakarta biasanya memberikan beberapa persyaratan atau kriteria untuk mengetahui
kemampuan dan pribadi para pelamar tersebut, data hasilnya tersebut biasanya disimpan
dalam suatu arsip yang harus dibandingkan satu persatu sehingga didapatkan suatu hasil
atau keputusan. Tentu hal tersebut memakan waktu yang lama dan kurang efektif dalam
menggambil suatu keputusan. Dengan demikian dibutuhkan suatu perencanaan model
otomatis dari sekumpulan data, dengan tujuan memberikan komputer kemampuan untuk
belajar yaitu machine learning. Maka dari itu diperlukan sebuah metode untuk
menentukan perancangan pengambilan keputusan penerimaan karyawan baru yaitu
“Decision Tree Algoritma C4.5”.
Tujuan penelitian ini adalah membangun suatu sistem dengan mudah yang dapat
mengelola data dan dapat diakses dengan mudah oleh staff HRD dalam menentukan
karyawan baru pada PT. Gitareksa Dinamika Jakarta. Manfaat yang didapatkan tentunya
untuk hasil yang diperoleh menjadi lebih efisien, akurat dan dapat mempersingkat waktu.
Berdasarkan latar belakang yang telah dijabarkan di atas, maka di pilihlah untuk
membangun suatu sistem cerdas dengan judul “Implementasi Machine Learning dengan
Decision Tree Algoritma C4.5 dalam Penerimaan Karyawan Baru pada PT. Gitareksa
Dinamika Jakarta” Diharapkan dengan penelitian ini, penulis dapat mampu memberikan
solusi kepada masyarakat.
METODE PENELITIAN
Data mining adalah serangkaian proses yang memperkerjakan satu atau lebih
teknik pembelajaran komputer untuk menganalisis dan mengekstrak pengetahuan secara
otomatis atau serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data
berupa pengetahuan yang selama ini tidak diketahui secara manual. Karena data mining
adalah suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap. Tahap-
tahap tersebut bersifat interaktif di mana pemakai terlibat langsung atau dengan
perantaraan knowledge base (Azwanti, 2018).
Vol. 1, No. 7, pp. 615-623, July 2021
617 http://sostech.greenvest.co.id
Gambar 1. Tahapan Data Mining
Pohon Keputusan (Decision Tree)
Pohon keputusan atau sering disebut Decision Tree adalah model visual untuk
menyederhanakan proses pembuatan keputusan secara rasional. Visualisasi ini
memungkinkan kita untuk memahami proses pembuatan keputusan yang terstruktur,
bertahap, dan rasional. Pembuatan keputusan berarti memilih alternatif-alternatif
keputusan yang tersedia. Merujuk pada pendapat Heizer dan Render (2005:326) yang
dikutip oleh (Hadion Wijoyo, 2021). Konsep dari pohon keputusan adalah mengubah data
menjadi pohon keputusan dan aturan-aturan keputusan. Manfaat utama dari penggunaan
pohon keputusan adalah kemampuannya untuk membreak down proses pengambilan
keputusan yang kompleks menjadi lebih mudah sehingga pengambil keputusan akan
lebih menginterpretasikan solusi dari permasalahan (Hadion Wijoyo, 2021).
Algoritma C4.5
Metode penelitian yang digunakan adalah dengan Decision Tree Algoritma C4.5
dengan menggunakan algoritma pohon keputusan yang terkenal adalah C4.5. Pada akhir
tahun 1970 sampai awal tahun 1980 J. Ross Quinlan, seorang peneliti di bidang machine
learning, membuat sebuah algoritma Decision Tree yang dikenal dengan ID3 (Iterative
Dichotomiser). Quinlan kemudian mengembangkan algoritma ID3 menjadi algoritma
C4.5 yang merupakan penyempurnaan algoritma sebelumya algoritma Decision.
(Suntoro, 2019) Algoritma Decision Tree masuk ke dalam penerapan data mining
klasifikasi (Kurniawan, 2018). Algoritma Decision Tree mengontruksi pohon keputusan
dari sebuah data training yang berupa record-record dalam basis data (Yuningsih et al.,
2020). Algoritma Decision Tree banyak digunakan karena dapat eksplisit
menggambarkan suatu pola atau pengetahuan atau informasi dalam bentuk pohon
keputusan. Algoritma Decision Tree terdiri dari kumpulan node (simpul) yang
dihubungkan oleh cabang, cabang tersebut bergerak ke bawah dari root (akar) node dan
Implementasi Machine Learning dengan Decision Tree
Algoritma C4.5 dalam Penerimaan Karyawan Baru pada
PT. Gitareksa Dinamika Jakarta
Imam Khoeri
1
dan Dadang Iskandar Mulyana
2
618
berakhir di leaf (daun) node. Leaf node adalah node yang sudah tidak dapat dipecah lagi,
leaf node merepresentasikan prediksi jawaban dari masalah (data testing). Pohon
keputusan (Decision Trees) berbentuk terbalik, di mana root node berada di paling atas,
sedangkan leaf node berada di paling bawah.
Konsep Entropi (S) yaitu merupakan jumlah bit yang diperkirakan dibutuhkan
untuk dapat mengekstrak suatu kelas (+ atau -) dari sejumlah data acak pada ruang
sampel S (Supriyanti et al., 2016). Entropi dapat dikatakan sebagai kebutuhan bit untuk
menyatakan suatu kelas. Semakin kecil nilai entropy maka akan semakin entropy
digunakan dalam mengekstrak suatu kelas (Riandari Fristi & Agustina Simangunsong,
2019). Entropy digunakan untuk mengukur ketidakaslian S. Besarnya Entropi pada ruang
sampel S didefinisikan dengan :
n
Enthropy(S) = ∑ - pi *log₂ pi
i=1
Dimana :
S : Himpunan kasus
A : Fitur
n : Jumlah partisi S
pi : Proporsi dari Si terhadap S
Konsep Gain (S,A) merupakan perolehan informasi dari atribut A relatif terhadap
output data S. Perolehan informasi didapat dari output data atau variabel dependent S
yang dikelompokkan berdasarkan atribut A, dinotasikan dengan gain (S,A) (Riandari
Fristi & Agustina Simangunsong, 2019).
n|Si|
Gain(S,A) = Enthropy(S) -∑ - ― * Enthopy(Si)
i=l |S|
Dengan :
S : Himpunan kasus
A : Atribut
n : Jumlah partisi atribut A
|Si| : Jumlah kasus pada partisi ke i
|S| : Jumlah kasus dalam S
HASIL DAN PEMBAHASAN
Tabel 1. Perhitungan Node Setiap Pohon Keputusan
Atribut
Nilai
Jumlah
Kasus
Lulus
Tidak
Lulus
Entropy
Gain
Kelengkapan
Berkas
Ya &Tidak
100
25
75
2
0.563117909
83
25
58
1.731181183242
Buta Warna
Ya &Tidak
17
0
17
0
0.336802784
10
0
10
0
Pengalaman
Kerja
≥ 1 Tahun
90
25
65
1.847996907
0.265148445
≤ 1 Tahun
30
15
15
1
Tes Tertulis
≥ 70
70
10
60
2.807354922
0.358003696
≤ 70
43
19
24
1.128337241
57
6
51
3.247927513
Vol. 1, No. 7, pp. 615-623, July 2021
619 http://sostech.greenvest.co.id
Gambar 2. Pohon Keputusan Hasil Node 1
Tabel 2. Node 1
Atribut
Nilai
Jumlah
Kasus
Lulus
Tidak
Lulus
Entropy
Gain
Kelengkapan
Berkas =
Lengkap
83
25
58
1.731181183242
Buta Warna
Ya
Tidak
10
0
10
0
0.371476122
73
25
48
1.545968369
Pengalman
Kerja
≥ 1 Tahun
27
15
12
0.847996907
0.22158566
≤ 1 Tahun
56
10
46
2.485426827
Tes Tertulis
≥ 70
43
19
24
1.178337241
0.198300194
≤ 70
40
6
34
2.736965594
Gambar 3. Pohon Keputusan Hasil Node 2
Implementasi Machine Learning dengan Decision Tree
Algoritma C4.5 dalam Penerimaan Karyawan Baru pada
PT. Gitareksa Dinamika Jakarta
Imam Khoeri
1
dan Dadang Iskandar Mulyana
2
620
Tabel 3. Node 2
Atribut
Nilai
Jumlah
Kasus
Lulus
Tidak
Lulus
Entropy
Gain
Kelengkapan
Berkas =
Lengkap
Buta Warna
Ya
Tidak
73
25
48
1.545968369
Pengalman
Kerja
≥ 1 Tahun
27
15
12
0.847996907
0.155005249
≤ 1 Tahun
46
10
36
2.201633861
Tes Tertulis
≥ 70
43
19
24
1.178337241
0.102337716
≤ 70
30
6
34
2.321928095
Gambar 3. Pohon Keputusan Hasil Node 2
Tabel 4. Node 3
Atribut
Nilai
Jumlah
Kasus
Lulus
Tidak
Lulus
Entropy
Gain
Kelengkapan
Berkas =
Lengkap
Buta Warna
= Tidak
30
6
24
2.3219281
Tes Tertulis
= ≤ 70
Pengalman
Kerja
≥ 1 Tahun
9
6
3
0.847996907
2.1464393
≤ 1 Tahun
21
0
21
0
Vol. 1, No. 7, pp. 615-623, July 2021
619 http://sostech.greenvest.co.id
Gambar 3. Pohon Keputusan Hasil Node 3
Tabel 5. Node 4
No
Atribut
Kriteria
1
Seleksi Berkas
Lengkap
2
Test Buta Warna
Tidak
3
Pengalaman Kerja
≤1Tahun/≥Tahun
4
Tes Pengetahuan Sesuai Bidang Pekerjaan
≥70
5
Tes Wawancara
≥70
No
Atribut
Kriteria
1
Seleksi Berkas
Tidak Lengkap
2
Test Buta Warna
Ya
3
Pengalaman Kerja
≤1Tahun/≥ahun
4
Tes Pengetahuan Sesuai Bidang Pekerjaan
≥70
5
Tes Wawancara
≥70
621
Implementasi Machine Learning dengan Decision Tree
Algoritma C4.5 dalam Penerimaan Karyawan Baru pada
PT. Gitareksa Dinamika Jakarta
Imam Khoeri
1
dan Dadang Iskandar Mulyana
2
620
KESIMPULAN
Klasifikasi penerimaan calon karyawan PT. Gitareksa Jakarta menggunakan
algoritma C4.5 yaitu dapat memberikan hasil keputusan sesuai dengan data yang sudah
diinputkan dengan ketepatan dan keakuratan yang maksimal. Sistem ini menghasilkan
keputusan seleksi secara objektif sesuai dengan data-data yang mengikuti tes seleksi.
Mengurangi berkas dengan bentuk hardcopy atau menggunakan kertas karena bisa
menyimpan di dalam database yang bisa sewaktu-waktu dibutuhkan bisa dibuka kembali.
Sistem ini sudah bisa membantu dalam menentukan klasifikasi calon karyawan sesuai
dengan kriteria yang telah ditentukan. Sistem ini dapat membantu SDM dalam
mengelola data calon karyawan sehingga waktu yang dibutuhkan lebih efisien. Saran
kepada PT. Gitareksa Jakarta dalam pengembangan aplikasi selanjutnya yaitu
meningkatkan keamanan web agar lebih aman dari gangguan kejahatan internet dan
membuat SMS gateway untuk memberi informasi kepada calon karyawan yang telah
mendaftar.
BIBLIOGRAFI
Amalia, S., & Fakhri, M. (2016). Pengaruh motivasi kerja terhadap kinerja karyawan
pada PT. Gramedia Asri Media cabang Emerald Bintaro. Jurnal Computech &
Bisnis, 10(2), 119–127.
Azwanti, N. (2018). Analisa Algoritma C4.5 Untuk Memprediksi Penjualan Motor Pada
Pt. Capella Dinamik Nusantara Cabang Muka Kuning. Informatika Mulawarman :
Jurnal Ilmiah Ilmu Komputer, 13(1)
Hadion Wijoyo. (2021). Teknik pengambilan keputusan. Insan Cendekia Mandiri.
Kurniawan, Y. I. (2018). Perbandingan Algoritma Naive Bayes dan C. 45 dalam
Klasifikasi Data Mining. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK),
5(4), 455–464.
Lestari, M. (2017). Restrukturisasi Pendidikan Awal Perdamaian di Sekolah. Prosiding
Seminar Bimbingan Dan Konseling, 1(1), 167–279.
Limbong, T., Muttaqin, M., Iskandar, A., Windarto, A. P., Simarmata, J., Mesran, M.,
Sulaiman, O. K., Siregar, D., Nofriansyah, D., & Napitupulu, D. (2020). Sistem
Pendukung Keputusan: Metode & Implementasi. Yayasan Kita Menulis.
Lokollo, A., & Syafruddin, M. (2013). Pengaruh Manajemen Modal Kerja Dan Rasio
Keuangan Terhadap Profitabilitas Pada Industri Manufaktur Yang Terdaftar di
Bursa Efek Indonesia (BEI) Tahun 2011. Fakultas Ekonomika dan Bisnis, Undip.
Nugroho, R. P. A., & Al Fatta, H. (2015). Teknologi Augmented Reality Sebagai Media
Informasi Pemasaraan Pada Kupu-kupu Malam Car Auto-fashion. Data Manajemen
Dan Teknologi Informasi (DASI), 13(4), 29.
Nuryanta, N. (2008). Pengelolaan Sumber Daya Manusia (Tinjauan Aspek Rekrutmen
dan Seleksi). EL TARBAWI, 1(1), 55–69.
Riandari Fristi & Agustina Simangunsong. (2019). Penerapan Algoritma C4.5 Untuk
Mengukur Tingkat Kepuasan Mahasiswa. Cv. Rudang Mayang.
Sari, F. (2018). Metode dalam pengambilan keputusan. Deepublish.
Suci, R. P. (2009). Peningkatan kinerja melalui orientasi kewirausahaan, kemampuan
manajemen, dan strategi bisnis (Studi pada Industri Kecil Menengah Bordir di Jawa
Timur). Jurnal Manajemen Dan Kewirausahaan, 11(1), pp-46.
Sunandar, H. S., & Satar, M. (2020). Tinjauan Tentang Proses Recruitment Tenaga Kerja
di Kantor Pusat PT. Y Bandung. Jurnal Industri Elektro Dan Penerbangan, 6(1).
Suntoro, J. (2019). Data Mining Algoritma dan implementasi dengan pemrogamman php.
622
Vol. 1, No. 7, pp. 615-623, July 2021
619 http://sostech.greenvest.co.id
PT Elex Media Komputindo.
Supriyanti, W., Kusrini, K., & Amborowati, A. (2016). Perbandingan Kinerja Algoritma
C4. 5 dan Naïve Bayes Untuk Ketepatan Pemilihan Konsentrasi Mahasiswa. Jurnal
Informa: Jurnal Penelitian Dan Pengabdian Masyarakat, 1(3), 61–67.
Suwinardi, S. (2017). Profesionalisme dalam bekerja. Orbith: Majalah Ilmiah
Pengembangan Rekayasa Dan Sosial, 13(2).
Syamsuar, S., & Reflianto, R. (2019). Pendidikan dan tantangan pembelajaran berbasis
teknologi informasi di era revolusi industri 4.0. E-Tech: Jurnal Ilmiah Teknologi
Pendidikan, 6(2).
Yuningsih, L., Setiawan, I. R., & Sunarto, A. A. (2020). Rancangan Aplikasi Prediksi
Kelulusan Siswa Menggunakan Algoritma C4. 5. Progresif: Jurnal Ilmiah
Komputer, 16(2), 121–132.
This work is licensed under a Creative Commons Attribution-ShareAlike
4.0 International License.
623