p-ISSN: 2301-5373

e-ISSN: 2654-5101

Jurnal Elektronik Ilmu Komputer Udayana

Volume 10, No 3. February 2022

Rancang Bangun Portal Lowongan Pekerjaan Berbasis Web Dengan Fitur Rekomendasi

Ida Bagus Gede Dwidasmaraa1, I Putu Yuda Juniantara Putraa2, I Putu Gede Hendra Suputrab3, Agus Muliantarab4, I Gusti Agung Gede Arya Kadyananb5, I Wayan Suprianab6

aProgram Studi Teknik Informatika, Jurusan Ilmu Komputer, Fakultas Matermatika dan Ilmu Pengetahuan Alam Universitas Udayana

Jalan Raya Kampus Unud, Badung, 08361, Bali, Indonesia

2[email protected]

3h[email protected]

4m[email protected]

5[email protected]

ABSTRAK

Tingginya tingkat pengangguran di Indonesia yang disebabkan oleh dampak pertumbuhan penduduk yang padat dan sulitnya mencari pekerjaan yang mengakibatkan pertumbuhan ekonomi tidak stabil menjadi tantangan bagi pemerintah untuk menanggulangi masalah pengangguran. Salah satu faktor yang mempengaruhi tingkat pengangguran yang tinggi adalah penyebaran informasi lowongan kerja yang kurang merata. Pelamar kerja sering kesulitan untuk mendapatkan informasi pekerjaan yang sesuai dengan kemampuan dan keterampilan yang dimiliki. Dengan dibuatnya sistem rekomendasi lowongan kerja, diharapkan dapat menyelesaikan masalah yang dialami seorang pelamar yang ingin melamar pekerjaan yang sesuai dengan kemampuannya. Dengan menggunakan algoritma euclidean distance, sistem diharapkan dapat memberikan hasil rekomendasi berdasarkan beberapa parameter yang sesuai dengan keinginan pelamar. Parameter yang dimaksudkan adalah usia, jenis kelamin, pendidikan, jurusan, gaji, keterampilan, pengalaman kerja, dan kategori pekerjaan yang diinginkan. Penelitian ini menghasilkan kesimpulan yaitu berdasarkan hasil pengujian precision recall sistem rekomendasi lowongan kerja menggunakan metode euclidean distance menghasilkan nilai precision sebesar 0,94 atau 94% dan nilai recall sebesar 0,94 atau 94%.

Kata kunci: Euclidean Distance, Lowongan Kerja, Sistem Rekomendasi Lowongan Kerja

  • 1.    Pendahuluan

Tingginya tingkat pengangguran di Indonesia yang disebabkan oleh dampak pertumbuhan penduduk yang padat dan sulitnya mencari pekerjaan yang mengakibatkan pertumbuhan ekonomi tidak stabil menjadi tantangan bagi pemerintah untuk menanggulangi masalah pengangguran. Salah satu faktor yang mempengaruhi tingkat pengangguran yang tinggi adalah penyebaran informasi lowongan kerja yang kurang merata. Masyarakat sering kesulitan untuk mendapatkan pekerjaan yang sesuai dengan kemampuan dirinya karena proses pencarian lowongan kerja, pengajuan Curriculum Vitae (CV), dan proses seleksi masih dilakukan secara manual sehingga membutuhkan waktu yang relatif lama.

Seiring dengan perkembangan teknologi informasi, banyak website yang menyajikan lowongan pekerjaan. Beberapa situs yang menyajikan informasi lowongan pekerjaan yaitu situs jobstreet.com, jobsdb.com dan situs - situs pencari kerja lainnya. Akan tetapi mayoritas website tersebut umumnya hanya menyediakan fasilitas input lowongan kerja bagi perusahaan dan fasilitas melamar kerja online bagi para pencari kerja atau pelamar. Aktivitas yang dapat dilakukan oleh pencari dan penyedia pekerjaan dalam menggunakan website cenderung terbatas hanya mendapatkan informasi lowongan pekerjaan. Para pencari kerja perlu mendapakan rekomendasi pekerjaan berdasarkan kedekatan profil atau data diri pencari kerja dengan persyaratan lowongan kerja dari perusahaan untuk dapat membantu memudahkan dalam menentukan pilihan. Penelitian yang dilkaukan oleh Henny Leidiyana dengan judul

Penerapan Metode K-Nearest Neighbor Pada Penentuan Grade Dealer Sepeda Motor [1]. Pada penelitin tersebut metode pengukuran jarak yang digunakan adalah Euclidean Distance.Berdasarkan permasalahan tersebut, Penelitian ini mengambil judul “Rancang Bangun Portal Lowongan Pekerjaan Berbasis Web Dengan Fitur Rekomendasi”. Dengan menerapkan metode Euclidean Distance pada fitur rekomendasi, portal lowongan pekerjaan dapat memberikan rekomendasi berdasarkan kedekatan dari data (profil) pelamar kerja dengan persyaratan dari lowongan pekerjaan.

  • 2.    Metode Penelitian

    2.1    Pengumpulan Data

Acuan untuk menentukan ukuran data, yaitu minimal 30 sampai dengan 500 data [2]. Penelitian ini menggunakan sumber data yaitu data sekunder yang diperoleh dari website bursakerja.denpasarkota.go.id Dinas Tenaga Kerja dan Sertifikasi Kompetensi Pemerintah Kota Denpasar. Data yang diambil adalah fitur-fitur atau persyaratan lowongan kerja dan contoh data pelamar pekerjaan. Setelah data dikumpulkan kemudian akan dimasukkan ke dalam database.

  • 2.2    Metode Pengembangan Sistem SLDC Waterfall

Gambar 2.1 Tahapan dalam model waterfall (Pfleeger & Atlee, 2010)

Berikut merupakan tahapan-tahapan dalam model waterfall [3]:

  • 1.    Requirement Analysis

Mengumpulkan informasi kebutuhan atas sistem baru, menganalisa dan menyiapkan dokumentasi sistem yang tepat untuk membantu proses pengembangan lebih lanjut. Tahap ini menghasilkan dokumen yang berisi kebutuhan sistem baik kebutuhan fungsional maupun non-fungsional yang sudah diidentifikasi.

  • 2.    Design

Informasi yang diperoleh dari tahap sebelumnya dievaluasi untuk selanjutnya merumuskan implementasi yang tepat. Tahap ini merupakan proses perencanaan dan pemecahan masalah sebagai solusi dari sistem berjalan. Perancangan sistem berguna sebagai gambaran secara logika, struktur dan alir data dari kebutuhan sistem. Perancangan sistem menggunakan bantuan beberapa alat diagram diantaranya DFD (Data Flow Diagram), Flowchart (Diagram alir proses), ERD (Entity Relationship Diagram), dan rancangan antarmuka.

  • 3.    Implementation

Pada tahap implementasi, seluruh rancangan dan desain sistem yang sudah dibuat pada tahap sebelumnya diimplementasikan ke dalam bentuk kode program.

  • 4.    Testing

Tahap ini berkaitan dengan pengujian apakah sistem telah memenuhi setiap kebutuhan yang telah dikumpulkan pada tahap sebelumnya. Di tahap ini juga dilakukan pencarian kesalahan atas implementasi sistem serta perbaikan atas kesalahan tersebut.

  • 5.    Operation and Maintenance

Tahap penerapan program meliputi penerapan sistem secara langsung oleh pengguna. Tahap pemeliharaan meliputi kemungkinan sistem memerlukan beberapa modifikasi dan perbaikan. Dengan kata lain pada tahap ini dilakukan persiapan-persiapan atas segala kemungkinan yang akan terjadi pada sistem.

  • 2.5    Algoritma Euclidean Distance

Metode Euclidean distance merupakan suatu metode yang digunakan untuk menghitung jarak antara dua objek [4]. Pada penelitian ini metode Euclidean distance ini digunakan untuk pengukuran

jarak parameter lowongan pekerjaan dengan dengan data diri pencari kerja. Rumus Euclidean untuk pengukuran jarak dua objek adalah:

d = Jx2+y2

Jika variable lebih dari dua maka rumus Euclidean untuk pengukuran jarak dua objek adalah:

  • 3.    Hasil dan Pembahasan

    3.1    Implementasi antarmuka sistem

Bursa Kerja                                        Q

Doftor Perusahoan

MwaiftWWlHBUWi - KOdtPM     PrMiW

  • Gambar 3.1 Tampilan antarmuka daftar perusahaan

Gambar 3.1 merupakan tampilan halaman daftar sebagai perusahaan. Halaman ini muncul setelah pengguna menekan button daftar kemudian pilih daftar sebagai perusahaan. Pada halaman ini terdapat form yang berisi informasi yang harus diisi oleh pengguna untuk mendaftarkan perusahaan. Informasi yang terdapat pada form seperti nama perusahaan, email, password, ulangi password, jenis perusahaan, provinsi, dan kota. Email dan password akan digunakan pengguna untuk login sebagai perusahaan sehingga pengguna dapat mengakses fitur-fitur sebagai perusahaan.

Gambar 3.2 Tampilan antarmuka daftar sebagai pelamar

Gambar 3.2 merupakan tampilan antarmuka halaman daftar sebagai pelamar. Halaman ini muncul setelah pengguna menekan button daftar kemudian pilih daftar sebagai pelamar. Pada halaman ini terdapat form yang berisi informasi yang harus diisi oleh pengguna untuk mendaftarkan diri sebagai pelamar. Informasi yang terdapat pada form terbagi kedalam empat bagian yaitu informasi umum, pendidikan formal, pendidikan non-formal, dan pekerjaan.

Gambar 3.3 Tampilan antamuka dashboard pelamar


Gambar 3.3 adalah tampilan antarmuka halaman dashboard pelamar. pada fitur ini terdapat dua form yaitu form cari lowongan dan form rekomendasi lowongan. Pada form cari lowongan, pelamar dapat memfilter lowongan berdasarkan pilihan kategori lowongan. Pada bagian form rekomendasi lowongan, pelamar dapat melihat rekomendasi lowongan yang sesuai dengan data yang diisi saat melakukan pendaftaran.

Gambar 3.4 Tampilan antarmuka profil perusahaan

Gambar 3.4 merupakan tampilan antarmuka profil perusahaan. Halaman ini muncul setelah pengguna melakukan login sebagai perusahaan. Pada halaman ini terdapat beberapa informasi seperti nama perusahaan, jenis perusahaan, dan lokasi perusahaan yang dapat dilihat pada bagian kiri sedangkan pada bagian kanan terdapat dua button yaitu edit profil dan buat lowongan.

Gambar 3.5 Tampilan antarmuka tambah lowongan


Gambar 3.5 merupakan tampilan antarmuka halaman tambah lowongan. Halaman ini dapat diakses dengan mengklik button buat lowongan pada halaman profil perusahaan. Pada halaman ini terdapat beberapa form yang harus diisi seperti kategori lowongan, status pekerjaan, range gaji, jenis gaji, pendidikan minimal, jurusan, status gender atau jenis kelamin, jumlah tenaga, lokasi, tanggal berakhir, dan keterampilan. Jika sudah selesai mengisi form dapat dilanjutkan dengan mengklik tambah untuk menyimpan data lowongan baru. Terdapat button logout pada bagian kanan atas jika pengguna ingin logout dari akun perusahaan.

  • 3.2    Pengujian Sistem

Tahap pengujian merupakan tahap untuk memastikan apakah sistem yang dibuat telah memenuhi tujuan yang ingin dicapai. Pada penelitian ini dilakukan pengujian sistem dengan black-box testing. Pengujian sistem dimaksudkan untuk mengetahui sejauh mana tingkat keberhasilan semua tombol dalam tiap menu yang ada didalam sistem seperti menu login, menu pendaftaran, menu rekomendasi dan lain sebagainya. Berikut adalah detail pengujian sistem dengan menggunakan metode black-box testing.

  • 3.3    Pengujian Black Box

Pengujian Black Box dilakukan untuk mengetahui fungsi spesifik dari aplikasi. Pengujian ini mendemonstrasikan setiap fungsi dari aplikasi dan mengetahui apakah terjadi error atau tidak. Pengujian black box digunakan untuk mengetahui apakah input atau output yang dihasilkan aplikasi sudah sesuai dengan yang diinginkan.

Kode Kebutuhan: KF1

Kasus:

Pengujian proses login dan logout

No

Skenario Pengujian

Hasil yang Diharapkan

Hasil Pengujian

1

Pengguna mengisi input email dan password yang salah

Menampilkan   pesan  bahwa

email atau password salah

Sesuai Harapan

2

Pengguna  mengosongkan  salah

satu input

Menampilkan   pesan  bahwa

semua input harus diisi

Sesuai harapan

3

Pengguna mengisi email dengan format yang salah

Menampilkan   pesan  bahwa

format penulisan email salah

Sesuai harapan

4

Pengguna  mengisi  email  dan

password yang benar

Pengguna berhasil login dan berpindah ke halaman utama

Sesuai harapan

5

Pengguna menekan tombol logout pada sistem

Pengguna logout dari sistem

Sesuai harapan

Tabel 3.1Pengujian proses login dan logout

Kode Kebutuhan: KF2

Kasus:

Pengujian proses pendaftaran pelamar kerja

No

Skenario Pengujian

Hasil yang Diharapkan

Hasil Pengujian

1

Pengguna mengosongkan salah satu input

Menampilkan pesan bahwa semua input harus diisi

Sesuai harapan

2

Pengguna mengisi data lengkap dan menekan tombol daftar

Menampilkan        pesan

pendaftaran berhasil

Sesuai harapan

Tabel 3.2 Pengujian proses pendaftaran pelamar kerja

Kode Kebutuhan: KF3

Kasus:

Pengujian proses pendaftaran penyedia kerja

No

Skenario Pengujian

Hasil yang Diharapkan

Hasil Pengujian

1

Pengguna mengosongkan salah satu input

Menampilkan pesan bahwa semua input harus diisi

Sesuai harapan

2

Pengguna mengisi data lengkap dan menekan tombol daftar

Menampilkan        pesan

pendaftaran berhasil

Sesuai harapan

ntrMttfMWgaW             -

Tabel 3.3Pengujian proses pendaftaran penyedia kerja

Kode Kebutuhan: KF4

Kasus:

Pengujian proses menambah lowongan kerja

No

Skenario Pengujian

Hasil yang Diharapkan

Hasil Pengujian

1

Pengguna mengosongkan salah satu input

Menampilkan pesan bahwa semua input harus diisi

Sesuai harapan

tq⅛kλ ι<⅛e<-φ⅛⅛

2

Pengguna mengisi data lengkap dan menekan tombol tambah lowongan kerja

Menampilkan        pesan

penambahan data berhasil

Sesuai harapan

SorrtN Ooub                              i I i

Tabel 3.4 Pengujian proses menambah lowongan kerja

Kode Kebutuhan: KF5

Kasus:

Pengujian proses menghapus lowong

an kerja

No

Skenario Pengujian

Hasil yang Diharapkan

Hasil Pengujian

1

Menghapus data

Menampilkan pesan untuk melakukan pengecekan apakah data yang ingin dihapus sudah benar

Sesuai harapan

Tabel 3.5 Pengujian proses menghapus lowongan kerja

Kode Kebutuhan: KF6

Kasus:

Pengujian proses mencari lowongan kerj

a

No

Skenario Pengujian

Hasil yang Diharapkan

Hasil Pengujian

1

Memilih    lowongan    kerja

berdasarkan kategori

Menampilkan listi lowongan kerja berdasarkan kategori yang dipilih

Sesuai harapan

Tabel 3.6 Pengujian proses mencari lowongan kerja

Kode Kebutuhan: KF5

Kasus:

Pengujian proses menampilkan rekomendasi lowongan

No

Skenario Pengujian

Hasil yang Diharapkan

Hasil Pengujian

1

Menampilkan rekomendasi lowongan kerja

Menampilkan list lowongan pekerjaan yang direkomendasikan kepada pelamar

Sesuai harapan

Ommma                    l ∣ l

Tabel 3.7 Pengujian proses menampilkan rekomendasi lowongan

  • 3.4    Precision and Recall

Precision bersama recall merupakan salah satu pengujian dasar dan paling sering digunakan dalam penentuan efektifitas information retrival system maupun recommendation system. True positive (tp) pada information retrival merupakan item relevan yang dihasilkan oleh sistem. Sedangkan false positive (fp) merupakan semua item yang dihasilkan oleh sistem. Sehingga dalam information retrival, precision dihitung dengan persamaan berikut [5].

tp     relevant item retrieved

Precision = -——^ =--------—---;---

tp + fp       item retrieved

tp     relevant item retrieved

Recall = -——^ =-----;---—------

tp + fn       relevant item

Istilah positive dan negative mengacu pada prediksi yang dilakukan oleh sistem. Sedangkan istilah true dan false mengacu pada prediksi yang dilakukan oleh pihak luar atau pihak yang melakukan observasi. Pembagian kondisi tersebut dapat dilihat pada Tabel [5].

Relevant

Non-Relevant

Retrieved

True Positif (tp)

False Positif (fp)

Not Retrieved

False Negative (fn)

True Negative (tn)

Tabel 3.8 Pembagian kondisi hasil yang memungkinkan

No

Pelamar

Jenis Pekerjaan Yang Diinginkan

Jumlah Rekomendasi

Jumlah Rekomendasi Relevan

Precision

Recall

1

Pelamar - 1

Administrasi

9

9

1

1

2

Pelamar - 2

Administrasi

18

18

1

1

3

Pelamar - 3

Perhotelan

2

2

1

1

4

Pelamar - 4

Perhotelan

2

2

1

1

5

Pelamar - 5

Administrasi

18

18

1

1

6

Pelamar - 6

Customer Services

6

6

1

1

7

Pelamar - 7

Perdagangan Besar, Eceran dan Rumah Makan

6

6

1

1

8

Pelamar - 8

Industri Pengolahan

1

1

1

1

9

Pelamar - 9

Perhotelan

2

2

1

1

10

Pelamar -10

Pendidikan

3

3

1

1

11

Pelamar -11

Administrasi

6

6

1

1

12

Pelamar -12

Logistik

2

2

1

1

13

Pelamar -13

Design

0

0

0

0

14

Pelamar -14

Rumah Sakit

0

0

0

0

15

Pelamar -15

Administrasi

6

6

1

1

16

Pelamar -16

TI (Software)

0

0

0

0

17

Pelamar -17

Akunting

5

5

1

1

18

Pelamar -18

Akunting

2

2

1

1

19

Pelamar -19

Akunting

5

5

1

1

20

Pelamar -20

Akunting

2

2

1

1

21

Pelamar -21

Customer Services

4

4

1

1

22

Pelamar -22

Customer Services

1

1

1

1

23

Pelamar -23

Customer Services

1

1

1

1

24

Pelamar -24

Finance

1

1

1

1

25

Pelamar -25

Engineering -Industri

3

3

1

1

26

Pelamar -26

Perbankan

1

1

1

1

27

Pelamar -27

Perhotelan

1

1

1

1

28

Pelamar -28

Perhotelan

1

1

1

1

29

Pelamar -29

Perhotelan

2

2

1

1

30

Pelamar -30

Perhotelan

2

2

1

1

31

Pelamar -31

TI (Network / Admin / Support)

1

1

1

1

32

Pelamar -32

TI (Network / Admin / Support)

2

2

1

1

33

Pelamar -33

Engineering -Industri

2

2

1

1

34

Pelamar -34

TI (Network / Admin / Support)

3

3

1

1

35

Pelamar -35

Customer Services

6

6

1

1

36

Pelamar -36

Administrasi

13

13

1

1

37

Pelamar -37

Sales

1

1

1

1

38

Pelamar -38

Tukang Masak (Koki)

1

1

1

1

39

Pelamar -39

Perhotelan

2

2

1

1

40

Pelamar -40

Human Resources

1

1

1

1

41

Pelamar -41

Industri Pengolahan

1

1

1

1

42

Pelamar -42

Konstruksi

3

3

1

1

43

Pelamar -43

Konstruksi

1

1

1

1

44

Pelamar -44

Logistik

3

3

1

1

45

Pelamar -45

Engineering -Industri

2

2

1

1

46

Pelamar -46

Otomotif

1

1

1

1

47

Pelamar -47

Otomotif

2

2

1

1

48

Pelamar -48

Pendidikan

3

3

1

1

49

Pelamar -49

Pendidikan

2

2

1

1

50

Pelamar -50

Pendidikan

1

1

1

1

Rata-rata

0,94

0,94

Tabel 3.9 Nilai precision and recall sistem rekomendasi

Berdasarkan tabel 3.9 didapatkan rata-rata nilai precision sebesar 0,94 atau 94%. Nilai recall dihitung berdasarkan jumlah rekomendasi lowongan yang relevan dibagi dengan jumlah rekomendasi

yang muncul. Semakin tinggi nilai precision maka hasil rekomendasi juga akan semakin baik. Dalam tabel tersebut terdapat 3 pelamar yang tidak dimunculkan rekomendasi oleh sistem. Hal tersebut dikarenakan data pelamar tidak match dengan data lowongan pekerjaan.

Recall digunakan sebagai ukuran rekomendasi yang relevan yang dihasilkan oleh sistem. False negative (fn) merupakan semua item relevan yang tidak dihasilkan oleh sistem. Dalam evaluasi information retrival system, recall dihitung dengan persamaan berikut [5].

  • 4 Kesimpulan dan Saran

    4.1    Kesimpulan

Kesimpulan yang didapat dari pembuatan sistem informasi rekomendasi lowongan pekerjaan ini adalah sebagai berikut:

  • 1)    Sistem berbasis web ini berhasil menampilkan lowongan pekerjaan dalam bentuk web portal

  • 2) Sistem berhasil menampilkan rekomendasi lowongan pekerjaan berdasarkan data diri dari

pelamar dan kriteria yang diinginkan oleh pelamar pekerjaan

  • 3)  Berdasarkan hasil pengujian precision  recall sistem rekomendasi lowongan kerja

menggunakan metode euclidean distance menghasilkan nilai precision sebesar 0,94 atau 94% dan nilai recall sebesar 0,94 atau 94%.

  • 4.2    Saran

Adapun beberapa saran yang dapat ditambahkan dalam pengembangan aplikasi ini kedepannya adalah sebagai berikut

  • 1)    Implementasi sistem menggunakan perangkat android atau IOS

  • 2)    Dapat menambahkan menu upload persyaratan seperti KTP, CV, Sertifikat pada saat pendaftaran dan dapat dilihat oleh perusahaan penyedia kerja pada saat ada yang melamar kerja.

  • 3)    Pada bagian keterampilan dapat dibuat menjadi dinamis sehingga perusahaan dapat menambahkan kriteria kemampuan/keterampilan untuk jenis lowongan pekerjaan yang akan didaftarkan

Referensi

  • [1]    a Henny L. (2017). Pengembangan Website Bursa Kerja Penerapan Metode K-Nearest Neighbor Pada Penentuan Grade Dealer Sepeda Motor. Jurnal Ilmu Pengetahuan Dan Teknologi Komputer, Vol. 2. No. 2 February 2017 E-ISSN: 2527-4864

  • [2]    as Walpole, R. E. (1990). Pengantar Statistika, edisi ke-3 (Introduction to statistics). Jakarta: PT. Gramedia Pustaka Utama.

  • [3]    Pfleeeger, S.L. & Atlee, J.M. (2010). Software Engineering: Theory and Practice. 4thEdition. US:Prentice Hall.

  • [4]    Myatt, Glenn J. 2007. Making Sense of Data, A Practical Guide to Exploratory Data Analysis and Data Mining. Hoboken, New jersey: John Willey & Sons, Ltd.

  • [5]    Manning, C. D., Ragahvan, P., & Schutze, H. (2009). An Introduction to Information Retrieval. Information Retrieval.

306