TUGAS MATA KULIAH PENALARAN KOMPUTER Dosen Pengampu : Dra. Sri Hartati, M.Sc., Ph.D.

BAYESIAN INDEXING MODEL dan AVL Tree MODEL

Oleh: I Made Agus Wirawan (323553) Muhammad Fachrie (323386) Kelas B Dosen Pengampu: Dra Sri Hartati M.Sc., Ph.D

PROGRAM PASCA SARJANA ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS GADJAH MADA YOGYAKARTA 2012

CASE BASE REASONING UNTUK PEREKRUTAN MANAJER MARKETING SUATU GRUP PRODUK PADA HRD PERUSAHAAN DENGAN MENGGUNAKAN BAYESSIAN INDEXING MODEL

Penjelasan Singkat Bayesian Indexing Model Perangkat lunak penalaran komputer berbasis kasus adalah suatu pemodelan perangkat lunak komputer yang diarahkan untuk dapat melakukan penalaran atau pemrosesan informasi untuk menghasilkan suatu keputusan. Proses menghasilkan keputusan yang dilakukan dalam penalaran komputer berbasis kasus ini didapat dengan membandingkan kasus baru dengan database kasus yang telah tersimpan dalam database komputer (kasus serupa yang terjadi di masa lalu dan berhasil). Proses ini diadaptasi dari pengambilan keputusan manusia yang berdasarkan pada pengalaman. Proses pembandingan kasus dalam perangkat lunak penalaran komputer berbasis kasus yang dilakukan penulis adalah menggunakan metode indexing dengan Bayesian modeling. Prosesnya dengan melakukan pengindexan berdasarkan parameter input yang ada dan dilakukan perhitungan matematis dengan menggunakan probabilitas yang terjadi untuk kasus yang dianggap serupa (Bayesian model). Adapun rumusan matematis Bayesian modeling adalah sebagai berikut : P (C i | X ) = P ( X | C i ) P (C i ) P ( X | C i ) P (C i ) = n P( X ) P ( X | C i ) P (C i )
i =1

Ket : Ci = Rekomendasi hasil ke-i X = Parameter input x P( ) = Nilai probabilitas Setelah perhitungan melalui model matematis di atas, jika probabilitas nilai X yang menunjuk pada rekomendasi suatu hasil lebih dari satu maka nilai probabilitas X tersebut dikalikan satu sama lainnya untuk mendapatkan nilai probabiltas gabungannya. Secara matematis ditulis : P( X | Ci ) = P( X j | Ci )
j =1 n

Setelah didapat nilai probabilitas masing-masing gabungan input terhadap rekomendasi hasil, berikutnya adalah mencari nilai probabilitas rekomendasi yang terbesar sebagai rekomendasi dari perangkat lunak. Secara matematis ditulis : P ( X | C j ) P (C j ) = max ( P ( X | C i ) P (C i ))
i

Kasus Pada sebuah HRD perusahaan akan membangun perangkat lunak penalaran komputer berbasis kasus untuk merekrut seorang manajer bagian marketing yang di mana pemilihan orang untuk posisi ini harus memiliki kompetensi karena merupakan salah satu bagian yang menjadi ujung tombak pemasukan perusahaan. Adapun syarat-syarat umum untuk untuk menjadi manajer dimisalkan sebagai berikut : memiliki pengalaman kerja, kreatif, inovatif, dapat menciptakan dan menjaga hubungan baik, good leadership, jujur, syarat pendidikan, dan pekerja keras. Namun di samping syarat-syarat umum tersebut di atas, tentunya ada keadaan dan kebijakan dalam perusahaan terhadap manajer marketing yang akan direkrut. Keadaan atau kebijakan perusahaan inilah yang akan dijadikan sebagai parameter input (x) atau bahan pertimbangan untuk menerima rekomendasi karyawan dengan sifat seperti apa yang dijadikan prioritas perekrutan untuk posisi manajer marketing. Berikut adalah parameter input dalam perangkat lunak penalaran komputer berbasis kasus untuk perekrutan manajer marketing : : Menengah (A1), Besar (A2) : Awal(B1), Berkembang(B2), Stagnan(B3) : Sedikit (C1), Sedang (C2), Banyak (C3) : Mempertahankan Pasar (D1), Menciptakan Pasar (D2), dan Penetrasi Pasar (D3) Rekomendasi hasil terhadap sifat manajer yang akan direkrut didapatkan sebagai berikut : Rekomendasi 1 (I) Manajer Muda, Agresif, dan Prestasi Orientasi Rekomendasi 2 (II) Manajer Paruh Baya, Agresif, dan Progress Orientasi Rekomendasi 3 (III) Manajer Paruh Baya, Tenang, dan Progress Orientasi Rekomendasi 4 (IV) Manajer Muda, Agresif, Progress Orientasi Setelah diketahui parameter input dan output rekomendasi hasil, langkah berikutnya adalah memiliki simpanan informasi kasus-kasus yang telah diambil keputusannya dan berhasil. Berikut adalah contoh tabel berisi kasus-kasus yang tersimpan :
TABEL KASUS TERSIMPAN dan HASIL REKOMENDASI MANAJER

Skala Jenis Produk Perusahaan (A) Tahap Perkembangan Produk (B) Jumlah Pesaing (C) Orientasi Pasar (D)

NO

SKALA JENIS PRODUK PERUSAHAAN

TAHAP PERKEMBANGAN PRODUK Berkembang Stagnan Awal Berkembang Awal Awal Stagnan

JUMLAH PESAING (COMPETITOR) Sedikit Sedikit Banyak Sedang Sedikit Sedikit Sedikit

ORIENTASI PASAR Penetrasi Minciptakan Penetrasi Penetrasi Penetrasi Penetrasi Penetrasi

TIPE MANAGER I I II II I I I

1 2 3 4 5 6 7

Menengah Menengah Menengah Besar Menengah Besar Besar

8 9 10 11 12

Menengah Menengah Besar Besar Besar

Berkembang Stagnan Berkembang Stagnan Awal

Banyak Banyak Banyak Sedang Banyak

Penetrasi Bertahan Bertahan Menciptakan Bertahan

II III III IV IV

Berdasarkan data kasus tersimpan dan hasil rekomendasi (yang berhasil) yang tampak pada tabel diatas, maka perangkat lunak sudah dapat melakukan penalaran untuk pengambilan keputusan berdasarkan kasus lama yang telah tersimpan. Berikut akan ditunjukkan proses indexing bayessian model beserta perhitungannya hingga dihasilkan sebuah rekomendasi : Andaikan perusahaan ingin mencari seorang manajer marketing yang dapat sesuai dengan keperluan dan kondisi perusahaan tersebut. Kondisi-kondisi tersebut adalah: Manajer marketing untuk pemasaran jenis produk dalam perusahaan skala menengah Perkembangan produk di pasaran berada pada tahap berkembang (mengalami pertumbuhan cukup baik) Jumlah pesaing untuk jenis produk ini normal (sedang) Arah kebijakan perusahaan untuk produk melakukan penetrasi pasar baik itu untuk menjangkau konsumen yang belum menikmati produk atau memasuki pangsa pasar pesaing. Dari kondisi tersebut didapatkan bahwa ada empat(4) parameter input, yakni : jenis produk skala menengah (X1), tahap perkembangan produk di pasar berkembang (X2), jumlah pesaing sedang (X3), dan kebijakan untuk penetrasi pasar (X4). Jika di-index-kan menurut database kasus pada tabel di atas, maka

X1 berhubungan dengan rekomendasi I, II, dan III X2 berhubungan dengan rekomendasi I, II, dan III X3 berhubungan dengan rekomendasi II dan IV X4 berhubungan dengan rekomendasi I dan II Berdasarkan index awal dan penggunaan model bayess untuk penyelesaian masalah di atas, maka kita perlu mencari probabilitas (P) untuk hal-hal yang berkaitan dengan index awal tersebut. Probabilitas yang perlu diketahui adalah

P(C1), P(C2), P(C3), P(C4) = probabilitas rekomendasi tipe I, II, III, IV P(X1|C1), P(X1|C2), P(X1|C3) = probabilitas nilai X1 terhadap rekomendasi tipe I, II, III P(X2|C1), P(X2|C2), P(X2|C3) = probabilitas nilai X2 terhadap rekomendasi tipe I, II, III P(X3|C2), P(X3|C4) = probabilitas nilai X3 terhadap rekomendasi tipe II, IV P(X4|C1), P(X4|C2) = probabilitas nilai X4 terhadap rekomendasi tipe I, II

Perhitungan Bayessian Indexing Model

Step1 : Menentukan Probabilitas C P(Ci), i=1,2,3,4 | C1 | 5 P(C1)=P(rekomendasi tipe I )= = = 0.41 | S | 12 P(C2)=P(rekomendasi tipe II )= P(C3)=P(rekomendasi tipe III )= P(C4)=P(rekomendasi tipe IV)= | C2 | 3 = = 0.25 | S | 12 | C3 | 2 = = 0.17 | S | 12 | C4 | 2 = = 0.17 | S | 12

Step 2: Menentukan Probabilitas X terhadap C P(Xj | Ci), i=1,2,3,4 dan j disesuaikan 3 P(X1|C1)=P(skala perusahaan=Menengah | rekomendasi tipe I )= = 0.6 5 P(X2|C1)=P(Perkembangan=Berkembang | rekomendasi tipe I )= P(X4|C1)=P(Market=Penetrasi | rekomendasi tipe I )= 4 = 0.8 5 2 = 0.67 3 2 = 0.67 3 1 = 0.2 5

P(X1|C2)=P(skala perusahaan=Menengah | rekomendasi tipe II )= P(X2|C2)=P(Perkembangan =Berkembang | rekomendasi tipe II )= P(X3|C2)=P(Competitor =Sedang | rekomendasi tipe I I)= P(X4|C2)=P(Market =Penetrasi | rekomendasi tipe I I)=

1 = 0.33 3

3 =1 3 1 = 0.5 2 1 = 0.5 2

P(X1|C3)=P(skala perusahaan=Menengah | rekomendasi tipe III )= P(X2|C3)=P(Perkembangan =Berkembang | rekomendasi tipe III )= P(X3|C4)=P(Competitor=Sedang | rekomendasi tipe IV )=
n

1 = 0.5 2

Step 3: Menghitung P ( X | C i ) = P ( X j | C i ) , i=1,2,3,4 dan j meneyesuaikan

j =1

P(X|C1)= P(X| rekomendasi tipe I )

= 0.6 x 0.2 x 0.8 = 0.096 P(X|C2)= P(X| rekomendasi tipe II ) = 0.67 x 0.67 x 0.33 x 1 = 0.148 P(X|C3)= P(X| rekomendasi tipe III ) = 0.5 x 0.5 = 0.25 P(X|C4)= P(X| rekomendasi tipe II ) = 0.5 Step 4: Menghitung dan Mencari Nilai Terbesar dari P(X | Ci) P(Ci), i=1,2,3,4 P(X | C1) P(C1)= 0.096 * 0.41 = 0.03936 P(X | C2) P(C2)= 0.148 * 0.25 = 0.037 P(X | C3) P(C3)= 0.25 * 0.17 = 0.0425 P(X | C4) P(C4)= 0.5 * 0.17 = 0.085 Dari hasil perhitungan step 4, maka dapat dilihat bahwa rekomendasi hasil adalah manajer tipe keempat (C4). Rekomendasi hasil ini adalah hasil keluaran perangkat lunak kepada pengambil keputusan yakni HRD perusahaan dalam melakukan perekrutan manajer marketing untuk kondisi seperti tersebut di atas.