13 Hal yang Dirahasiakan SDM

 

1. "Setelah Anda menganggur lebih dari enam bulan, Anda akan dianggap sulit diterima bekerja. Kami berasumsi bahwa orang lain lebih berpeluang dari Anda, sehingga kami pun tidak mau berurusan dengan Anda." -Cynthia Shapiro, mantan eksekutif divisi SDM.

2. "Dalam hal mengenai mencari pekerjaan, orang yang Anda kenal akan sangat berpengaruh. Tidak peduli seberapa bagus CV Anda atau seberapa hebat pengalaman Anda, semuanya sangat bergantung pada koneksi." -Direktur SDM di fasilitas kesehatan.

3. "Jika Anda mencoba mendapatkan pekerjaan di sebuah perusahaan tertentu, sering kali hal terbaik untuk dilakukan adalah untuk menghindari bagian SDM sepenuhnya. Carilah seseorang di perusahaan tersebut yang Anda kenal, atau hubungi langsung manajer rekrutmen." -Shauna Moerke, administrator SDM di Alabama.

4. "Orang mengira seseorang akan membaca surat lamaran mereka. Saya belum pernah membaca satu pun surat lamaran dalam 11 tahun." -Direktur SDM di sebuah perusahaan jasa keuangan.

5. "Kami akan menilai Anda berdasarkan alamat email Anda. Terutama jika nama alamat email tersebut merupakan sesuatu yang tidak pantas seperti kinkyboots101@hotmail.com atau johnnylikestodrink@gmail.com." -Rich DeMatteo, konsultan rekrutmen di Philadelphia

6. "Jika Anda berusia 50-an atau 60-an tahun, jangan menuliskan tahun kelulusan Anda pada CV." -SDM profesional sebuah perusahaan menengah di North Carolina.

7. "Ada mitos bahwa CV harus terdiri dari satu halaman saja. Sehingga banyak orang yang mengirimkan resume mereka dalam format tulisan yang kecil. Tidak ada yang akan membacanya." -Direktur SDM di sebuah perusahaan jasa keuangan.

8. "Saya selalu membaca resume dari bawah ke atas Dan saya tidak punya masalah dengan resume yang terdiri dari dua halaman, tapi tiga halaman terlalu banyak." -Sharlyn Lauby, konsultan personalia di Florida.

9. "Kebanyakan dari kita menggunakan sistem pelacakan para pemohon yang memindai resume berdasarkan kata kuncinya. Rahasia agar resume Anda terjaring oleh sistem tersebut adalah dengan mengambil kata-kata kunci langsung dari deskripsi pekerjaan dan sertakan ke dalam resume. Semakin kata kunci yang cocok, maka akan semakin besar kemungkinan resume Anda akan terpilih dan dapat dilihat oleh petugas perekrutan. " -Chris Ferdinandi, profesional personalia di wilayah Boston.

10. "Resume tidak perlu diberi warna untuk terlihat menonjol. Ketika saya melihat sedikit warna, saya menyeringai. Dan ketika saya melihat begitu banyak warna, saya merasa ngeri. Saya akan membuangnya dan resume Anda pun tidak akan dilihat lagi sebagai sesuatu yang baik. Itu sebenarnya sedikit menyeramkan. " -Rich DeMatteo
11. "Sangat mengejutkan ketika orang  datang untuk wawancara dan berkata, 'Bisakah Anda ceritakan tentang pekerjaan di sini?" Yang benar saja. Ada yang namanya internet. Carilah di sana. " -Profesional personalia di New York City.

12. "Banyak manajer tidak ingin mempekerjakan orang yang memiliki anak kecil, dan mereka menggunakan segala macam trik untuk mengetahui hal itu, secara ilegal. Ada personalia yang menyimpan foto dua anak yang lucu di mejanya meskipun ia tidak memiliki anak (berharap calon karyawan akan bertanya tentang mereka). Sementara yang lain biasanya mengantar calon pegawainya berjalan menuju mobilnya untuk mencari tahu apakah mereka memiliki kursi mobil anak-anak." -Cynthia Shapiro

13. "Apakah akan lebih sulit untuk mendapatkan pekerjaan jika Anda gemuk? Tentu saja. Para manajer rekrutmen membuat penilaian dengan cepat berdasarkan stereotipe. Para manajer tersebut hanya mengikuti karakter George Clooney di film  “Up in the Air”, yang mengatakan 'Aku seorang yang melakukan stereotipe. Itu lebih cepat.'" -Suzanne Lucas, seorang mantan eksekutif personalia.

Algoritma Genetika

2.4.1.         Pengenalan Algoritma Genetika

Wikipedia Indonesia [1] menyebutkan bahwa Algoritma Genetika adalah teknik pencarian yang di dalam ilmu komputer untuk menemukan penyelesaian perkiraan untuk optimisasi dan masalah pencarian. Algoritma genetik adalah kelas khusus dari algoritma evolusioner dengan menggunakan teknik yang terinspirasi oleh biologi evolusioner seperti warisan, mutasi, seleksi alam dan rekombinasi (atau crossover). Sehingga untuk menyelesaikan masalah yang berhubungan dengan optimasi suatu pekerjaan, menggunakan algoritma genetika adalah salah satu cara yang terbaik. Wikipedia juga menyebutkan bahwa Algoritma Genetik pertama kali dikembangkan oleh John Holland pada tahun 1970-an di New York, Amerika Serikat. Dia beserta murid-murid dan teman kerjanya menghasilkan buku berjudul "Adaption in Natural and Artificial Systems" pada tahun 1975.

Algoritma genetik yang umum menyaratkan dua hal untuk didefinisikan: (1) representasi genetik dari penyelesaian, (2) fungsi kemampuan untuk mengevaluasinya.

Representasi baku adalah sebuah larik bit-bit. Larik jenis dan struktur lain dapat digunakan dengan cara yang sama. Hal utama yang membuat representasi genetik ini menjadi tepat adalah bahwa bagian-bagiannya mudah diatur karena ukurannya yang tetap, yang memudahkan operasi persilangan sederhana. Representasi panjang variabel juga digunakan, tetapi implementasi persilangan lebih kompleks dalam kasus ini. Representasi seperti pohon diselidiki dalam pemrograman genetik dan representasi bentuk bebas diselidiki di dalam HBGA.

Fungsi kemampuan didefinisikan di atas representasi genetik dan mengukur kualitas penyelesaian yang diwakili. Fungsi kemampuan selalu tergantung pada masalah. Sebagai contoh, jika pada ransel kita ingin memaksimalkan jumlah benda (obyek) yang dapat kita masukkan ke dalamnya pada beberapa kapasitas yang tetap. Representasi penyelesaian mungkin berbentuk larik dalam bits,

 dimana tiap bit mewakili obyek yang berbeda, dan nilai bit (0 atau 1) menggambarkan apakah obyek tersebut ada di dalam ransel atau tidak. Tidak setiap representasi seperti ini valid, karena ukuran obyek dapat melebihi kapasitas ransel. Kemampuan penyelesaian adalah jumlah nilai dari semua obyek di dalam ransel jika representasi itu valid, atau jika tidak 0. Dalam beberapa masalah, susah atau bahkan tidak mungkin untuk mendefinisikan lambang kemampuan, maka pada kasus ini digunakan IGA.

Sekali kita mendefinisikan representasi genetik dan fungsi kemampuan, algoritma genetik akan memproses inisialisasi populasi penyelesaian secara acak, dan memperbaikinya melalui aplikasi pengulangan dengan aplikasi operator-operator mutasi, persilangan, dan seleksi.

2.4.1.1.    Definisi Penting dari Algoritma Genetika

Beberapa definisi penting yang terdapat dalam algoritma genetika antara lain:

1.       Gen

Gen merupakan nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom.

2.       Kromosom / Individu

Kromosom merupakan gabungan dari gen-gen yang membentuk nilai tertentu dan menyatakan solusi yang mungkin dari sebuah masalah.

3.       Populasi

Populasi merupakan sekumpulan individu yang akan diproses bersama dalam satuan siklus evolusi.

4.       Fitness

Fitness menyatakan seberapa baik nilai dari suatu individu atau solusi yang didapatkan.

5.       Seleksi

Seleksi merupakan proses untuk mendapatkan calon induk yang baik.

6.       Crossover

 Crossover merupakan proses pertukaran atau kawin silang gen-gen dari dua induk tertentu.

7.       Mutasi

Mutasi merupakan proses pergantian salah satu gen yang terpilih dengan nilai tertentu.

8.       Elitisme

Elitisme digunakan untuk mengikutkan individu-individu induk yang terbaik ke populasi baru dengan menggantikan individu-individu turunan yang terjelek.

9.       Offspring

Offspring merupakan kromosom baru yang dihasilkan setelah melewati suatu generasi.

2.4.1.2      Struktur Umum Algoritma Genetika

Algoritma genetika ini dirumuskan dalam beberapa langkah. Secara umum, langkah – langkah tersebut adalah:

Secara umum, deskripsi langkah – langkah diatas adalah:

1.           Membentuk suatu populasi awal beberapa individual dengan keadaan acak

2.           Mengevaluasi kecocokan setiap individual keadaan dengan hasil yang diinginkan, yang disebut dengan evaluasi fitness. Algoritma genetika ini bertujuan untuk mendapatkan nilai Fitness yang paling tinggi.

3.           Seleksi individual untuk mendapatkan induk yang baik. Semakin tinggi nilai fitness suatu individu, maka semakin besar pula kesempatannya untuk terpilih

4.           Bereproduksi, mengadakan persilangan antar individual terpilih diselingi mutasi.

Reproduksi ini terbagi menjadi dua macam:

a.       Cross Over

Merupakan salah satu operator dalam algoritma genetika yang melibatkan dua induk untuk mendapatkan keturunan yang baru. Berikut ini adalah flowchart dari proses Cross Over

2.       Mutasi

Merupakan operator yang menukar nilai sebuah gen dengan nilai inversinya. Sebagai contoh, jika terdapat gen dengan nilai 1, maka ditukar nilainya dengan 0. Berikut ini adalah flowchart dari proses mutasi:

  

3.       Mengulangi langkah 2 - 4 sampai ditemukan individual dengan hasil yang diinginkan.

Sistem Pakar (Expert System)

Sistem pakar (Expert System) adalah program berbasis pengetahuan yang menyediakan solusi-solusi dengan kualitas pakar untuk problema - problema dalam suatu domain yang spesifik. Pengetahuan dalam sebuah sistem pakar diambil dari mereka yang pakar (expert) dalam domain tersebut. Dan sistem pakar berusaha menirukan metodologi dan kinerjanya (performance). Seperti manusia yang terlatih, sistem pakar cenderung merupakan spesialis yang memfokuskan dirinya padasejumlah problema dengan jangkauan yang sempit. Seperti manusia juga, pengetahuannya bersifat teoritis dan praktis yang telahdisempurnakan lewat pengalaman dalam domain tersebut.

Sistem pakar telah dibuat untuk memecahkan problema problema dalam berbagai bidang, antara lain : matematika, teknik, kedokteran, kimia, ilmu komputer, bisnis, hukum, pendidikan, sampai sistem pertahanan keamanan suatu negara. Walaupun sistem pakar sebagai sistem computer yang dalam berbagai hal bekerjanya jauh lebih baik dari manusia atau ahli, tetapi kita tidak bisa menghilangkan begitu saja faktor manusia dan digantikan oleh sistem komputer, karena padabanyak situasi keahlian manusia tetap dibutuhkan, sebab kemampuan komputer terbatas.

2.3.1.         Ciri-Ciri Sistem Pakar

Sistem pakar yang baik harus memenuhi ciri-ciri sebagai berikut :

·         Memiliki informasi yang handal.

·         Mudah dimodifikasi.

·         Dapat digunakan dalam berbagai jenis komputer.

Memiliki kemampuan untuk belajar beradaptasi

2.3.2.         Keuntungan Sistem Pakar

        Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain :

1.       Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli.

2.       Bisa melakukan proses secara berulang secara otomatis.

3.       Menyimpan pengetahuan dan keahlian para pakar.

4.       Meningkatkan output dan produktivitas.

5.       Meningkatkan kualitas.

6.       Mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian langka).

7.       Mampu beroperasi dalam lingkungan yang berbahaya.

8.       Memiliki kemampuan untuk mengakses pengetahuan.

9.       Memiliki reabilitas.

10.    Meningkatkan kapabilitas sistem komputer.

11.    Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian.

12.    Sebagai media pelengkap dalam pelatihan.

13.    Meningkatkan kapabilitas dalam penyelesaian masalah.

14.    Menghemat waktu dalam pengambilan keputusan.

2.3.3.         Kelemahan Sistem Pakar

       

        Di samping memiliki beberapa keuntungan, sistem pakar juga memiliki beberapa kelemahan, antara lain :

1.       Sulit dikembangkan. Hal ini tentu saja erat kaitannya dengan ketersediaan pakar di bidangnya.

2.       Sistem Pakar tidak 100% bernilai benar.

2.3.4.         Alasan Pengembangan Sistem Pakar

        Sistem pakar sendiri dikembangkan lebih lanjut dengan alasan :

·         Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi.

·         Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar.

·         Seorang pakar akan pensiun atau pergi.

·         Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat.

2.3.5.         Modul Penyusun Sistem Pakar

        Menurut Staugaard (1987) suatu sistem pakar disusun oleh tiga modul utama yaitu :

1.       Modul Penerimaan Pengetahuan (Knowledge Acquisition Mode)

Sistem berada pada modul ini, pada saat ia menerima pengetahuan dari pakar. Proses mengumpulkan pengetahuanpengetahuan yang akan digunakan untuk pengembangan sistem, dilakukan dengan bantuan knowledge engineer. Peran knowledge engineer adalah sebagai penghubung antara suatu sistem pakar dengan pakarnya.

2.       Modul Konsultasi (Consultation Mode)

Pada saat sistem berada pada posisi memberikan jawaban atas permasalahan yang diajukan oleh user, system pakar berada dalam modul konsultasi. Pada modul ini, user berinteraksi dengan sistem dengan menjawab pertanyaanpertanyaan yang diajukan oleh sistem.

3.       Modul Penjelasan (Explanation Mode)

Modul ini menjelaskan proses pengambilan keputusan olehsistem (bagaimana suatu keputusan dapat diperoleh).