PENERAPAN METODE ALGORITMA C4.5 UNTUK …

i

PENERAPAN METODE ALGORITMA C4.5 UNTUK MEMPREDIKSI

LOYALITAS KARYAWAN PADA PT.XYZ BERBASIS WEB

Laporan Skripsi

Diajukan sebagai salah satu syarat untuk kelengkapan studi pada Program Studi

Teknik Informatika

Jenjang Pendidikan Strata 1

Disusun oleh:

NAMA : Ryanwar

NIM : 20141000036

TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS BUDDHI DHARMA

TANGERANG

2020

ii

PERSEMBAHAN

You never fail until you stop trying

(Albert Einstein)

Dengan mengucap puji dan syukur kepada Tuhan Yang Maha Esa, Skripsi ini

kupersembahkan untuk :

1. Bapak Wandro Soetiono dan ibu Su Lan, yang telah membesarkanku,

membimbingku, mendidikku, mendukungku selalu, memberikanku segala yang

terbaik dalam kehidupanku, serta doa yang tak pernah habis kalian panjatkan

untuk diriku.

2. Adikku Yolanda, yang telah membantu memberikan dukungan dan semangat.

3. Kakekku Alm. Thio Tjun Kiat dan nenekku Almh. Lim Sin Nio yang telah

membesarkanku, membimbingku, mendidikku, mendukungku selalu,

memberikanku segala yang terbaik dalam kehidupanku, serta doa yang tak

pernah habis kalian panjatkan untuk diriku.

Tanpa mereka,

Aku dan karya ini tak akan pernah ada

iii

iv

v

vi

vii

viii

KATA PENGANTAR

Dengan mengucapkan Puji syukur kepada Tuhan Yang Maha Esa, yang telah memberikan

Rahmat dan Karunia-Nya kepada penulis sehingga dapat menyusun dan menyelesaikan

Skripsi yang berjudul “PENERAPAN METODE ALGORITMA C4.5 UNTUK

MEMPREDIKSI LOYALITAS KARYAWAN PADA PT.XYZ BERBASIS WEB”

tepat pada waktunya. Tujuan disusunnya Skripsi ini adalah untuk memenuhi syarat

menyelesaikan program pendidikan Strata 1 (S1) pada program Studi Teknik Infomatika

Universitas Buddhi Dhama. Dalam penyusunan kerja praktek ini, penulis banyak

menerima bantuan dan dorongan baik moril maupun materiil dari berbagai pihak, maka

pada kesempatan ini penulis menyampaikan rasa terima kasih yang sebesar-besarnya

kepada:

1. Bapak Dr. Sofian Sugioko, MM, CPMA, sebagai Rektor Univcrsitas Buddhi

Dharma

2. Bapak Dr.Eng, Ir. Amin Suyitno, M.Eng, sebagai Dekan Fakultas Sains dan

Teknologi

3. Bapak Rino, M.Kom, sebagai Ketua Program Studi Teknik Informatika

sekaligus

4. Bapak Dram Renaldi, M.Kom, sebagai Pembimbing Skripsi yang telah

membantu memberikan dukungan serta harapan untuk menyelesaikan

penulisan Skripsi ini.

5. Bapak dan Ibu Dosen UBD.

ix

x

Penerapan Metode Algoritma C4.5 Untuk Memprediksi Loyalitas Karyawan Pada PT.XYZ

Berbasis Web 99 + xix halaman/ 18 tabel/ 35 gambar/ 2 Lampiran

ABSTRAK

Kemajuan teknologi pengetahuan dan teknologi beserta aplikasinya disegala bidang tidak

bisa lepas dari perangkat komputer. Penggunaan komputer sudah menjangkau hampir

segala bidang dalam aktivitas kehidupan manusia, baik dalam lingkungan pendidikan,

organisasi, perusahaan maupun masyarakat umum. Penggunaan komputer terbukti banyak

membantu kita dalam melakukan pekerjaan dengan lebih baik. Data Mining atau

menambang data didefinisikan sebagai metode yang digunakan untuk mengekstraksi

informasi prediktif tersembunyi pada database, ini adalah teknologi yang sangat potensial

bagi perusahaan dalam memberdayakan data warehouse-nya. Algoritma C4.5 merupakan

algoritma klasifikasi dengan teknik pohon keputusan yang terkenal dan disukai karena

memiliki kelebihan-kelebihan. Kelebihan ini misalnya dapat mengolah data numerik

(kontinyu) dan diskret, dapat menangani nilai atribut yang hilang, menghasilkan aturan-

aturan yang mudah diintrepetasikan dan tercepat diantara algoritma-algoritma yang lain.

Penerapan Algoritma C4.5 pada prediksi loyalitas karyawan dapat menghasilkan accuracy

yang mencapai 92,80% dengan menggunakan aplikasi RapidMiner.

Kata Kunci: Datamining, algoritma C4.5, data , rapidminer

xi

Application of C4.5 Algorithm Method to Predict Employee Loyalty at Web-Based PT. XYZ

99+ xix pages/ 18 tables/ 35 images/ 2 libraries

ABSTRACT

The advancement of knowledge and technology along with its applications in all fields

cannot be separated from computer devices. The use of computers has reached almost all

fields in the activities of human life, both in the educational environment, the organization,

companies and the general public. The use of computers has proven to help us in doing our

jobs better. Data Mining or mining data is defined as the method used to extract hidden

predictive information on databases, this is a very potential technology for companies to

empower their data warehouses. C4.5 algorithm is a classification algorithm with decision

tree technique that is well-known and preferred because it has advantages. This

advantage, for example, can process numerical (continuous) and discrete data, can handle

missing attribute values, generate easily interpreted rules and fastest among other

algorithms. The application of C4.5 Algorithm on the prediction of employee loyalty can

produce an accuracy of 92.80% by using the RapidMiner application.

Keywords: Data Mining, C4.5 algorithm, data, rapidminer

xii

DAFTAR ISI

LEMBAR JUDUL LUAR

LEMBAR JUDUL DALAM

LEMBAR PERSEMBAHAN

LEMBAR PERNYATAAN KEASLIAN

LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH

LEMBAR PENGESAHAN

LEMBAR PERSETUJUAN PEMBIMBING

LEMBAR PENGESAHAN DEWAN PENGUJI

Hal

PERSEMBAHAN ................................................................................................................ ii

LEMBAR PERNYATAAN KEASLIAN SKRIPSI ............ Error! Bookmark not defined.

LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH ........ Error! Bookmark not

defined.

LEMBAR PENGESAHAN DEKAN DAN KAPRODI ...... Error! Bookmark not defined.

LEMBAR PENGESAHAN PEMBIMBING ....................... Error! Bookmark not defined.

LEMBAR PENGESAHAN TIM PENGUJI ....................... Error! Bookmark not defined.

KATA PENGANTAR ........................................................................................................ viii

ABSTRAK ............................................................................................................................ x

ABSTRACT ........................................................................................................................... xi

DAFTAR ISI ....................................................................................................................... xii

DAFTAR GAMBAR .......................................................................................................... xvi

DAFTAR TABEL ............................................................................................................ xviii

DAFTAR LAMPIRAN ...................................................................................................... xix

BAB I PENDAHULUAN .................................................................................................... 1

1.1. Latar Belakang ........................................................................................................ 1

1.2. Identifikasi Masalah ................................................................................................ 3

1.3. Rumusan Masalah ................................................................................................... 3

1.4. Ruang Lingkup ....................................................................................................... 4

xiii

1.5. Tujuan dan Manfaat ................................................................................................ 4

1.5.1. Tujuan .............................................................................................................. 4

1.5.2. Manfaat ............................................................................................................ 4

1.6. Metode Penelitian ................................................................................................... 5

1.6.1. Analisa Penelitian ............................................................................................ 5

1.6.2. Metode Pengumpulan Data ............................................................................. 6

1.7. Sistematika Penulisan ............................................................................................. 7

BAB II LANDASAN TEORI .............................................................................................. 8

2.1. Teori Umum ............................................................................................................ 8

2.1.1. Aplikasi ............................................................................................................ 8

2.1.2. Informasi ........................................................................................................ 10

2.1.3. Komputer ....................................................................................................... 11

2.1.4. Data ................................................................................................................ 13

2.1.5. Database ........................................................................................................ 14

2.1.6. Website .......................................................................................................... 15

2.1.7. Internet .......................................................................................................... 16

2.2. Teori Khusus ......................................................................................................... 18

2.2.1. Prediksi .......................................................................................................... 18

2.2.2. Data mining ................................................................................................... 19

2.2.3. Pohon Keputusan ( Decision Tree) ................................................................ 27

2.2.4. Kaggle ............................................................................................................ 28

2.2.5. Algoritma ....................................................................................................... 29

2.2.6. Algoritma C4.5 .............................................................................................. 30

2.2.7. Entropy dan Information gain ....................................................................... 34

2.3. Teori Rancangan ................................................................................................... 34

2.3.1. PHP ................................................................................................................ 34

2.3.2. HTML ( Hyper Text Markup Language ) ...................................................... 35

2.3.3. XAMPP ......................................................................................................... 35

2.3.4. PHPMyAdmin ................................................................................................ 37

2.3.5. MySQL ........................................................................................................... 37

2.3.6. Bootstrap ....................................................................................................... 38

2.3.7. Rapid Miner ................................................................................................... 39

2.3.8. Notepad++ ..................................................................................................... 40

xiv

2.3.9. CSS ................................................................................................................ 40

2.3.10. Entity Relationship Diagram(ERD)............................................................... 41

2.4. Tinjauan Jurnal ..................................................................................................... 42

2.4.1. Penelitian Tosy Caesar Kurniawan................................................................ 42

2.4.2. Rangkuman Model Penelitian ....................................................................... 44

2.5. Kerangka Pemikiran ............................................................................................. 48

BAB III ANALISA MASALAH DAN PERANCANGAN SISTEM ............................. 49

3.1. Analisa Kebutuhan ................................................................................................ 49

3.2. Kontruksi Algoritma atau Metode ........................................................................ 52

3.3. Perancangan Layar ................................................................................................ 58

3.3.1. Perancangan Halaman Login ......................................................................... 59

3.3.2. Perancangan Layar Home .............................................................................. 59

3.3.3. Perancangan Layar Prediksi Loyalitas Karyawan ......................................... 61

3.3.4. Perancangan Layar Sign Up .......................................................................... 62

3.3.5. Perancangan Layar Laporan .......................................................................... 63

3.3.6. Perancangan Layar Laporan Hasil Perhitungan ............................................ 64

3.3.7. Perancangan Layar Input Laporan Karyawan ............................................... 65

3.3.8. Perancangan Layar Manage Account ............................................................ 66

3.4. Desain Database .................................................................................................... 67

BAB IV PENGUJIAN DAN IMPLEMENTASI ............................................................. 72

4.1. Algoritma C4.5 ..................................................................................................... 72

4.2. Pohon Keputusan (Decision Tree) ........................................................................ 74

4.3. Spesifikasi Hardware dan Software ...................................................................... 76

4.3.1. Spesifikasi Hardware .................................................................................... 76

4.3.2. Spesifikasi Software ...................................................................................... 77

4.4. Tampilan Layar Program ...................................................................................... 78

Tampilan Halaman Login .............................................................................. 78

Tampilan Layar Home ................................................................................... 79

Tampilan Layar Prediksi Loyalitas Karyawan .............................................. 80

Tampilan Layar Sign Up................................................................................ 81

Tampilan Layar Laporan ............................................................................... 82

Tampilan Layar Laporan Hasil Perhitungan ................................................. 83

Tampilan Layar Input Laporan Karyawan .................................................... 84

xv

Tampilan Layar Manage Account ................................................................. 85

4.5. Hasil Pengujian Confusion Matrix ....................................................................... 86

4.6. Hasil Pengolahan Data Kuesioner ........................................................................ 86

BAB V SIMPULAN DAN SARAN .................................................................................. 98

5.1. Simpulan ............................................................................................................... 98

5.2. Saran ..................................................................................................................... 99

DAFTAR PUSTAKA ........................................................................................................ 100

DAFTAR RIWAYAT HIDUP .......................................................................................... 103

LAMPIRAN-LAMPIRAN……………….…………...………………...………………………..L1

xvi

DAFTAR GAMBAR Hal

Gambar 2. 1 Kerangka Pemikiran ....................................................................................... 48

Gambar 3. 1 Pohon Keputusan ............................................................................................ 57

Gambar 3. 2 Hierarki Aplikasi ............................................................................................ 58

Gambar 3. 3 Perancangan Layar Login ............................................................................... 59

Gambar 3. 4 Perancangan Halaman Utama ......................................................................... 60

Gambar 3. 5 Perancangan Layar Prediksi Loyalitas Karyawan .......................................... 61

Gambar 3. 6 Perancagan Layar Sign Up.............................................................................. 62

Gambar 3. 7 Perancangan Layar Laporan ........................................................................... 63

Gambar 3. 8 Perancangan Layar Laporan Hasil Perhitungan ............................................. 64

Gambar 3. 9 Perancangan Layar Input Laporan Karyawan ............................................... 65

Gambar 3. 10 Perancangan Layar Manage Account ........................................................... 66

Gambar 3. 11 Entity Relationship Diagram ........................................................................ 67

Gambar 4. 1 Gambar Pohon Keputusan .............................................................................. 74

Gambar 4. 2 Gambar Laporan Hasil Perhitungan ............................................................... 75

Gambar 4. 3 Gambar Pohon Keputusan Dengan Mengikuti Hasil Penilaian ...................... 76

Gambar 4. 4 Tampilan Layar Login .................................................................................... 78

Gambar 4. 5 Tampilan Layar Home .................................................................................... 79

Gambar 4. 6 Tampilan Layar Prediksi Loyalitas Karyawan ............................................... 80

Gambar 4. 7 Tampilan Layar Sign up ................................................................................. 81

Gambar 4. 8 Tampilan Layar Laporan ................................................................................ 82

Gambar 4. 9 Tampilan Layar Laporan Hasil Perhitungan ................................................... 83

Gambar 4. 10 Tampilan Layar Input Laporan Karyawan ................................................... 84

Gambar 4. 11 Tampilan Layar Manage Account ................................................................ 85

Gambar 4. 12 Hasil Pengujian Confusion Matrix ............................................................... 86

Gambar 4. 13 Diagram jawaban pertanyaan 1 .................................................................... 87

Gambar 4.14 Diagram jawaban pertanyaan 2 ..................................................................... 88





https://d.docs.live.net/e99a67b1f9dee2ab/Desktop/script2%20(2).docx#_Toc31374840

xvii




Gambar 4.22 Diagram jawaban pertanyaan 10 ................................................................... 96

Gambar 4.23 Grafik analisa kuesioner keseluruhan ............................................................ 97

xviii

DAFTAR TABEL Hal

Tabel 2. 1 Tabel Penelitian Tosy Caesar Kurnianwan ........................................................ 42

Tabel 2. 2 Tabel Rangkuman Model Penelitian .................................................................. 44

Tabel 3. 1 Tabel Keterangan Atribut ................................................................................... 49

Tabel 3. 2 Tabel Data set ..................................................................................................... 51

Tabel 3. 3Tabel Hitung Manual ........................................................................................... 55

Tabel 3.4 Tabel users........................................................................................................... 68

Tabel 3.5 Tabel Report ........................................................................................................ 68

Tabel 3.6 Tabel Karyawan................................................................................................... 70

Tabel 4.1 Jawaban Pertanyaan 1.......................................................................................... 86









Tabel 4.10 Jawaban Pertanyaan 10...................................................................................... 96

xix

DAFTAR LAMPIRAN Hal

Lampiran 1 Coding Program……………………………………….……………………………..L1

Lampiran 2 Kuisioner……………….……………………………………………………………..L2

1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Kemajuan teknologi pengetahuan dan teknologi beserta aplikasinya disegala

bidang tidak bisa lepas dari perangkat komputer. Penggunaan komputer sudah

menjangkau hampir segala bidang dalam aktivitas kehidupan manusia, baik dalam

lingkungan pendidikan, organisasi, perusahaan maupun masyarakat umum.

Penggunaan komputer terbukti banyak membantu kita dalam melakukan pekerjaan

dengan lebih baik.

Kebutuhan akan layanan informasi sangatlah penting, dalam memprediksi

loyalitas karyawan masih dapat dilakukan secara manual namun waktu pengerjakaan

yang cukup lama, melalui aplikasi yang menggunakan data mining dapat

mempermudah dalam proses prediksi pegawai yang memiliki loyalitas pada

perusahaan.

Data Mining atau menambang data didefinisikan sebagai metode yang

digunakan untuk mengekstraksi informasi prediktif tersembunyi pada database, ini

adalah teknologi yang sangat potensial bagi perusahaan dalam memberdayakan data

warehouse-nya. Data Mining disebut sebagai proses ekstraksi pengertahuan dari data

yang besar, sesuai fungsinya Data Mining adalah proses pengambilan keputusan dari

volume data yang besar yang disimpan dalam basis data, data warehouse, atau

informasi yang disimpan dalam repositori. (Dhika, p. 2015).

2

Menurut kamus besar bahasa Indonesia, karyawan adalah orang yang bekerja

pada suatu lembaga (kantor, perusahaan dan sebagainya) dengan mendapatkan gaji

(upah). Menurut Hasibuan, karyawan adalah orang penjual jasa (pikiran dan tenaga)

dan dapat kompensasi yang besarnya telah ditetapkan terlebih dahulu (Anggriawan,

p. 266).

Saat ini perusahaan sedang menghadapi tantangan dalam mempertahankan

loyalitas karyawan, hal ini ditunjukkan dari kecenderungan karyawan meninggalkan

perusahaan tempatnya bekerja dalam masa kerja yang cukup singkat (Valentino dan

Haryadi, p. 328). Rangkayo mengatakan bahwa sepertiga atau lebih profit sebuah

perusahaan dihasilkan oleh karyawan yang loyal sedangkan apabila perusahaan

memiliki karyawan yang tidak loyal dalam artian bekerja setengah hati maka

perusahaan akan mengalami kerugian sebesar 50% dari biaya gaji yang dikeluarkan.

(Valentino dan Haryadi, p. 328).

Algoritma C4.5 dapat digunakan untuk meneliti berbagai macam hal diantara

nya adalah prediksi penerimaan calon pegawai baru,loyalitas pelanggan dan lain lain,

algoritma C4.5 adalah salah satu dari algoritma yang memiliki decision tree (Haryati,

Sudarsono dan Suryana, p.130). Algoritma C4.5 merupakan algoritma klasifikasi

dengan teknik pohon keputusan yang terkenal dan disukai karena memiliki

kelebihan-kelebihan. Kelebihan ini misalnya dapat mengolah data numerik

(kontinyu) dan diskret, dapat menangani nilai atribut yang hilang, menghasilkan

aturan-aturan yang mudah diintrepetasikan dan tercepat diantara algoritma-algoritma

yang lain. (Dhika, p. 2015). Berdasarkan permasalahan tersebut, maka diperlukan

sebuah sistem untuk memprediksi loyalitas karyawan yaitu : “Penerapan Metode

Algoritma C4.5 Untuk Memprediksi Loyalitas Karyawan Pada PT.XYZ

3

Berbasis Web ”. Diharapkan dengan sistem ini, dapat terbantu dalam memprediksi

karyawan yang memiliki loyalitas terhadap perusahaan.

1.2. Identifikasi Masalah

Penerapan prediksi algoritma C4.5 ini dimaksud untuk memudahkan user

dalam memprediksi karyawan yang memiliki loyalitas terhadap perusahaan melalui

penilaian beberapa kriteria tanpa harus menghitung secara manual dari beberapa

kriteria yang prosesnya begitu lama dan tidak.

1.3. Rumusan Masalah

Masalah yang dirumuskan dalam penelitian ini adalah

a. Bagaimana mengimplementasikan algoritma C.45 pada prediksi

loyalitas karyawan pada perusahaan sehingga tingkat akurasi yang

hasilkan dapat digunakan?

b. Berapakah tingkat keakuratan yang dihasilkan dalam implentasi data

mining untuk memprediksi loyalitas karyawan?

c. Apakah loyalitas karyawan mempengaruhi profit pada perusahaan?

4

1.4. Ruang Lingkup

Ruang lingkup menjadi batasan masalah pada penelitian kerja praktek ini di

antara lain:

a. Algoritma yang di gunakan untuk prediksi karyawan yang loyal pada

perusahaan adalah C.45 dan tidak membandingkan dengan algoritma lain

nya.

b. Aplikasi ini berbasis web.

c. Menggunakan data sekunder dari www.kaggle.com

1.5. Tujuan dan Manfaat

1.5.1. Tujuan

a. Penerapan metode Algoritma C4.5 untuk memprediksi karyawan

yang loyal pada perusahaan.

b. Mengetahui karyawan yang memiliki loyalitas pada perusahaan.

1.5.2. Manfaat

a. Perusahaan dapat memberikan kenaikan gaji (upah) pada karyawan

yang memiliki loyalitas pada perusahaan.

b. Memudahkan pengguna dalam menentukan karyawan yang loyal

pada perusahaan.

http://www.kaggle.com/

5

1.6. Metode Penelitian

1.6.1. Analisa Penelitian

a. Perencanaan

Pada tahap ini bertujuan untuk mengidentifikasi dan memahami

permasalahan yang muncul, kemudian kemudian menentukan

tujuan pembuatan sistem dan mengidentifikasi apakah masalah-

masalah yang ada bisa diselesaikan.

b. Analisis

Analisa sistem adalah tahap di mana dilakukan beberapa aktivitas

berikut:

1) Melakukan studi literatur untuk menemukan suatu

kasus yang bisa ditangani oleh sistem.

2) Menentukan kasus mana yang paling tepat dimodelkan

dengan sistem.

3) Mengklasifikasikan masalah, peluang, dan solusi yang

mungkin diterapkan untuk kasus tersebut.

4) Analisa kebutuhan pada sistem dan membuat batasan

sistem.

5) Mendefinisikan kebutuhan sistem.

6

c. Desain

Pada tahap ini, melakukan perancangan komponen-komponen

sistem terkait.. Langkah-langkah tahap rancangan sistem

mencakup:

1) Menyiapkan rancangan sistem secara detil.

2) Mengidentifikasi alternatif konfigurasi sistem.

3) Mengevaluasi alternatif konfigurasi sistem.

4) Merancang user interface.

1.6.2. Metode Pengumpulan Data

Metode yang digunakan dalam proses pengumpulan data sebagai bahan

pembuatan sistem adalah studi pustaka. Pada tahap ini dilakukan pengumpulan

bahan terkait dengan data pegawai dan algoritma C.45 untuk memprediksi

pegawai yang akan memiliki loyalitas pada perusahaan yang di peroleh dari

jurnal ilmiah, artikel terkait,serta penelitian yang mendukung penelitian ini.

7

1.7. Sistematika Penulisan

BAB I PENDAHULUAN

Bab ini berisikan tentang latar belakang, identifikasi masalah, rumusan masalah,

ruang lingkup, tujuan dan manfaat, metode penelitian dan sistematika penulisan.

BAB II LANDASAN TEORI

Bab ini berisikan tentang teori-teori yang diambil dari jurnal-jurnal yang berkaitan

dengan penyusunan laporan skripsi serta beberapa literature yang berhubungan

dengan penelitian ini.

BAB III PERANCANGAN SISTEM

Bab ini berisikan analisa kebutuhan, kontruksi algoritma atau metode dan

perancangan layar, menu dan database.

BAB IV PENGUJIAN DAN IMPELEMENTASI

Bab ini berisikan pembahasan metode dan algoritma, spesifikasi hardware dan

software, tampilan program dan pengujian aplikasi.

BAB V SIMPULAN DAN SARAN

Berisikan kesimpulan dan saran yang berkaitan dengan hasil penelitian yang sudah

dilakukan berdasarkan yang telah diuraikan pada bab-bab sebelumnya.

8

BAB II

LANDASAN TEORI

2.1. Teori Umum

2.1.1. Aplikasi

Menurut Juansyah (2015, p. 10) Aplikasi adalah suatu program yang siap

untuk digunakan yang dibuat untuk melaksanankan suatu fungsi bagi pengguna

jasa aplikasi serta penggunaan aplikasi lain yang dapat digunakan oleh suatu

sasaran yang akan dituju.

Aplikasi adalah perintah program yang dibuat untuk melakukan

pekerjaan-pekerjaan tertentu (khusus). Banyaknya jumlah aplikasi saat ini juga

memicu banyaknya bermunculan bahasa pemrograman baik mulai dari

pemrograman untuk desktop maupun untuk pemrograman mobile, baik untuk

kebutuhan kerja ataupun hanya untuk hiburan semata. Dan pada dasarnya

aplikasi berfungsi untuk melakukan pekerjaan–pekerjaan sesuai dengan

kebutuhan user.

Jenis – jenis dari aplikasi komputer sendiri antara lain adalah sebagai

berikut:

a. Aplikasi Grafik

Merupakan suatu program komputer yang di gunakan dengan

menarik sebuah gambar yang memberikan dimensi baru pada

bidang komputer tersebut.

9

b. Aplikasi Komputer untuk Animasi

Merupakan bentuk seni yang tampak secara spontan menimbulkan

gerakan kehidupan pada suatu objek yang di dukung dengan

rangkaian frame.

c. Aplikasi Komputer untuk WEB

Merupakan bagian dari internet sebagai komunitas jaringan

komputer yang memberikan pelayanan HTTP (Hypertext transfer

protocol).

d. Aplikasi Komputer untuk Pendidikan.

Merupakan program komputer yang di gunakan untuk mendukung

proses pembelajaran.

e. Aplikasi untuk Bisnis / Perkantoran.

Merupakan program komputer yang di gunakan untuk mendukung

keperluan perkantoran guna pengambilan keputusan selanjutnya.

Pengertian Aplikasi Secara Umum adalah alat terapan yang difungsikan

secara khusus dan terpadu sesuai kemampuan yang dimilikinya aplikasi

merupakan suatu perangkat komputer yang siap pakai bagi user.

Pengertian aplikasi menurut para ahli:

a. Pengertian aplikasi menurut Kamus Besar Bahasa Indonesia,

“Aplikasi adalah penerapan dari rancang sistem untuk

mengolah data yang menggunakan aturan atau ketentuan

bahasa pemrograman tertentu.

10

b. Menurut Rachmad Hakim S Aplikasi Aplikasi adalah

perangkat lunak yang digunakan untuk tujuan tertentu, seperti

mengolah dokumen, mengatur Windows &, permainan

(game) dan sebagainya.

c. Menurut Harip Santoso Aplikasi adalah suatu kelompok file

(form, class, report) yang bertujuan untuk melakukan

aktivitas tertentu yang saling terkait, misalnya aplikasi

payroll, aplikasi fixed asset, dll.

d. Menurut Ali Zaki dan Smitdey Comunity aplikasi adalah

komponen yang bermanfaat sebagai media untuk

menjalankan pengolahan data ataupun berbagai kegiatan

lainnya seperti pembuatan atau pengolahan dokumen atau

file.

2.1.2. Informasi

Menurut Hastanti, Purnama dan Wardati (2015, p. 2) Didefinisikan oleh

John dan Gary Grudnitski sebagai berikut informasi adalah data yang telah

diletakkan dalam konteks yang lebihberarti dan berguna yang dikomunikasikan

kepada penerima untuk digunakan di dalam pembuatan keputusan.

Menurut Destiningrum dan Adrian (2017, p. 31) informasi adalah data

yang telah diproses dengan suatu cara untuk memberikan arti dan memperbaiki

pengambilan keputusan.

11

Menurut Romney dan Steinbart (2015) Informasi adalah data yang telah

dikelola dan diproses untuk memberika arti dan memperbaiki proses

pengambilan keputusan.

Menurut Asmara (2016) Informasi adalah data yang diolah menjadi

bentuk yang lebih berguna dan lebih berarti bagi penerimanya. Sumber

informasi adalah data. Data kenyataannya yang menggambarkan suatu kejadian

– kejadian dan kesatuan nyata. Kejadian – kejadian (event) adalah kejadian

yang terjadi pada saat tertentu.

Dari pengertian di atas, informasi adalah kumpulan data yang dapat

diolah untuk menjadi sebuah bentuk yang berguna untuk penerimanya.

2.1.3. Komputer

Menurut Ikhsan dan Kurniawan (2015, p.13) Komputer adalah sebuah

mesin hitung elektronik yang secara cepat menerima informasi masukan digital

dan mengolah informasi tersebut menurut seperangkat instruksi yang tersimpan

dalam komputer tersebut dan menghasilkan keluaran informasi yang dihasilkan

setelah diolah.

Pengertian Komputer menurut para ahli:

a. Menurut Robert H. Blissmer Komputer adalah suatu alat

elektronik yang mampu melakukan beberapa tugas sebagai

berikut:

1) Menerima input.

2) Memproses input sesuai dengan programnya.

12

3) Menyimpan perintah-perintah dan hasil dan

pengolahan.

4) Menyediakan output dalam bentuk informasi.

b. Menurut (William M. Fours), computer Adolph suite

permutes data (data processor) yang data melakukan

perhitungan besar dan cepat, termasuk perhitungan

aritmatika yang besar atau operasi logika, tanpa campur

tangan manusia, mengoperasikan selama pemrosesan.

c. Menurut Gordon B. Davis komputer Adalah tips khusus alat

penghitung yang mempunyai sifat tertentu yang pas. Dari

beberapa definisi yang didapat dari berbagai buku, data

disimpulkan bahwa, komputer adalah:

1) Alat Elektronik.

2) Dapat menerima input data.

3) Dapat mengolah data.

4) Dapat memberikan informasi.

5) Menggunakan suite program yang tersimpan

dimemori computer (stored program).

6) Dapat menyimpan program dan hasil pengolahan.

7) Bekerja secara otomatis.

d. Menurut buku (Donald H. Sanders), komputer adalah sistem

elektronik untuk manipulasi data yang cepat dan tepat

sertadirancang dengan diorganisasikan supaya secara

otomatis menerima dan menyimpan data input,

13

memprosesnya dan menghasilkan output dibawah

pengawasan suatu langkah-langkah instruksi-instruksi

program yang tersimpan di memori (stored program).

e. Menurut (V. C. Hamacher, Z. G. Vranesic. S. G. Zaky),

komputer adalah mesin penghitung elektronik yang cepat

dan menerima informasi input digital, memprosesnya sesuai

dengan suatu program yang tersimpan dimemorinya (stored

program) dan menghasilkan output informasi.

Dari pengertian diatas, komputer adalah suatu alat/mesin yang

dapat mengolah informasi dengan cara yang berurutan dengan instruksi

yang ada.

2.1.4. Data

Menurut Iswandy (2015, p. 72) Data merupakan kumpulan objek-objek

beserta atributnya yang menunjukan karakteristik dari objek tersebut.

Data adalah fakta kasar atau gambaran yang dikumpulkan dari keadaan

tertentu. Data adalah hal yang merujuk pada fakta-fakta baik berupa angka,

teks, dokumen, gambar, bagan, suara yang mewakili deskriptif verbal atau

kode tertentu. Jadi data merupakan bentuk yang masih mentah sehingga perlu

diolah lebih lanjut.

Dari pengertian diatas, data adalah suatu file yang berupa karakter atau

tulisan, angka-angka dan gambar atau fakta yang dapat diolah menjadi

informasi.

14

2.1.5. Database

Database menurut Winarno dan Utomo (2010, p. 142) “Database atau

biasa disebut basis data merupakan kumpulan data yang saling berhubungan.

Data tersebut biasanya terdapat dalam tabel-tabel yang saling berhubungan satu

sama lain, dengan menggunakan field/kolom pada tiap tabel yang ada.

Menurut Pebriadi (2016, p. 31) Sebuah sistem basis data dapat memiliki

beberapa basis data. Setipa basis data dapat berisi. Memiliki sejumlah objek

basis data (seperti file / tabel, indeks dan lain-lain). Selain menyimpan data,

setiap basis data juga mengandung / menyimpan definisi struktur (baik untuk

basis data maupun objek-objeknya secara detail).

Hierarki adalah urutan atau urutan dari tingkatan abstraksi menjadi

seperti dtruktur pohon. Hierarki membentuk sesuatu pada beberapa aturan yang

khusus atau berdasarkan peringkat (misalnya kompleksitas dan tanggung

jawabnya). Hierarki data dalam data base mulai dari yang terbesar ke yang

terkecil yaitu :

a. Database suatu database menggabarkan data yang

saling berhubungan antara satu dengan yang lainnya.

b. File Merupakan kumpulan dari record-record.

c. Record Suatu record menggambarkan suatu atribut dari

record, dimana kumpulan field mementuk suatu record.

d. Field Suatu field menggambarkan suatu atribut dari

record, dimana kumpulan field membentuk suatu

record.

15

e. Byte Atribut dari field berupa huruf yang membentuk

nilai dari sebuah field.

f. Bit Merupakan bagian terkecil dari data secara

keseluruhan yaitu berupa karakter ASCII (American

Standar Code Form Information Intercharge). Nol

adalah suatu yang merupakan komponen pembentukan

byte.

2.1.6. Website

Menurut Prayitno dan Safitri (2015, p. 2) pengertian website adalah

keseluruhan halaman-halaman web yang terdapat dari sebuah domain yang

mengandung informasi.

Menurut Hastanti, Purnama, dan Wardati (2015, p. 1) Website merupakan

kumpulan halaman-halaman yang berisi informasi yang disimpan diinternet

yang bisa diakses atau dilihat melalui jaringan internet pada

perangkatperangkat yang bisa mengakses internet itu sendiri seperti computer.

Menurut Romadhon (2019, p. 23) Secara umum ada beberapa bahasa

pemrograman yang digunakan untuk membuat aplikasi website. Adapun

bahasa program yang di pakai sebagai berikut: HTML (Hyper Text Markup

Language), PHP (PHP Hypertext Preprocessor), CSS (Cascading Style Sheet),

Javascript, Mysql, Jquery.

16

2.1.7. Internet

Menurut Khairil, Kanedi dan Aspriyono (2012, p. 20) Internet adalah

singkatan dari Interconnected Network. Secara umum, Internet adalah sebuah

sistem komunikasi global yang menghubungkan berbagai mesin komputer dan

jaringan-jaringan komputer di seluruh dunia melalui kabel maupun tanpa kabel

(wireless). Mesin komputer tersebut dapat berupa server, komputer pribadi

(PC), telepon selular (handphone), PDA, dan lainlain.

Sejarah Internet Pada awalnya Internet merupakan jaringan komputer

yang dibentuk oleh Departemen Pertahanan Amerika Serikat pada tahun 1969,

melalui proyek ARPA yang disebut ARPANET (Advanced Research Project

Agency Network), di mana mereka mendemonstrasikan bagaimana dengan

hardware dan software komputer yang berbasis UNIX, Anda bisa melakukan

komunikasi dalam jarak yang tak terhingga melalui saluran telepon.

Menurut Hastanti, Purnama dan Wardati (2015, p. 2) Internet adalah

sebagai jaringan komputer yang sangat luas dan besar dan mendunia,

menghubungkan pemakai komputer dari satu negara ke negara lain di seluruh

dunia, dimana di dalamnya terdapat berbagai sumber informasi dan fasilitas–

fasilitas layanan internet yaitu diantaranya:

a. Browsing atau surfing yaitu kegiatan “berselancar” di

internet, kegiatan ini seperti layaknya berjalan-jalan di

mal sambil melihat-lihat ke toko-toko tanpa membeli

apapun.

17

b. Elektronik mail (E-mail) fasilitas ini digunakan untuk

berkirim surat dengan orang lain, tanpa mengenal batas,

waktu, ruang bahkan birokrasi. searching yaitu

kegiatan mencari data atau informasi tertentu di

internet.

c. Chatting fasilitas ini digunakan untuk berkomunikasi

secara langsung dengan orang lain di Internet. Pada

umumnya fasilitas ini sering digunakan untuk

bercakap-cakap atau mengobrol di internet World Wide

Web (WWW).

d. Newsgroup fasilitas ini digunakan untuk berkoferensi

jarak jauh, sehingga anda dapat menyampaikan

pendapat dan tanggapan dalam internet.

e. Download adalah proses mengambil file dari computer

lain melalui internet ke computer kita.

f. Upload adalah proses meletakkan file dari computer

kita ke computer lain melalui internet.

g. Transfer protocol (FTP) fasilitas ini digunakan untuk

melakukan pengambilan arsip atau file secara

elektronik atau transfer file dari satu computer ke

computer lain di internet.

h. Telnet fasilitas ini digunakan untuk masuk ke system

computer tertentu dan bekerja pada system computer

lain.

18

i. Ghoper fasilitas ini digunakan untuk menempatkan

informasi yang disimpan pada internet server dengan

menggunakan hirarki. Selain yang diatas masih banyak

lagi fasilitas-fasilitas yang terdapat di internet.

2.2. Teori Khusus

2.2.1. Prediksi

Menurut Budiastawa, Santiyasa dan Pramartha (2019, p. 311) Prediksi

merupakan suatu tindakan meramal dalam artian prakiraan yang dilakukan

untuk mengetahui kejadian di masa mendatang (KBBI). Fungsi prediksi atau

forecasting terlihat pada saat pengambilan keputusan. Keputusan yang baik

adalah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi

pada waktu keputusan itu dilaksanakan.

Prediksi adalah suatu proses memperkirakan secara sistematis

tentang sesuatu yang paling mungkin terjadi di masa depan berdasarkan

informasi masa lalu dan sekarang yang dimiliki, agar kesalahannya (selisih

antara sesuatu yang terjadi dengan hasil perkiraan) dapat diperkecil. Prediksi

tidak harus memberikan jawaban secara pasti kejadian yang akan terjadi,

melainkan berusaha untuk mencari jawaban sedekat mungkin yang akan

terjadi.

Pengertian Prediksi sama dengan ramalan atau perkiraan. Menurut

kamus besar bahasa Indonesia, prediksi adalah hasil dari kegiatan

memprediksi atau meramal atau memperkirakan nilai pada masa yang

19

akan datang dengan menggunakan data masa lalu. Prediksi menunjukkan

apa yang akan terjadi pada suatu keadaan tertentu dan merupakan input

bagi proses perencanaan dan pengambilan keputusan.

Prediksi bisa berdasarkan metode ilmiah ataupun subjektif belaka.

Ambil contoh prediksi cuaca selalu berdasarkan data dan informasi terbaru

yang didasarkan pengamatan termasuk oleh satelit. Begitupun prediksi gempa,

gunung meletus ataupun bencana secara umum, Namun prediksi seperti

pertandingan sepakbola, olahraga, dll umumnya berdasarkan pandangan

subjektif dengan sudut pandang sendiri yang memprediksinya.

2.2.2. Data mining

Menurut Mardi (2016, p. 214), Data mining adalah proses yang

menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine

learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat

dan pengetahuan yang terkait dari berbagai database besar. Data mining

merupakan serangkaian proses untuk menggali nilai tambah dari suatu

kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara

manual.

Menurut Gartner Group, data mining adalah proses menemukan

hubungan baru yang mempunyai arti, pola dan kebiasaan dengan memilah-

milah sebagian besardata yang disimpan dalam media penyimpanan dengan

menggunakan teknologi pengenalan pola seperti teknik statistic dan

matematika. Data mining merupakan gabungan dari beberapa disiplin ilmu

20

yang menyatukan teknik dari pembelajaran mesin, pengenalan pola, statistik,

database, dan visualisasi untuk penanganan permasalahan pengambilan

informasi dari database yang besar.

Menurut Pramadhani dan Setiadi (2014) Secara sederhana, data mining

atau penambangan data dapat didefinisikan sebagai proses seleksi, eksplorasi,

dan pemodelan dari sejumlah besar data untuk menemukan pola atau

kecenderungan yang biasanya tidak disadari keberadaannya. Data mining dapat

dikatakan sebagai proses mengekstrak pengetahuan dari sejumlah besar data

yang tersedia. Pengetahuan yang dihasilkan dari proses data mining harus baru,

mudah dimengerti, dan bermanfaat. Dalam data mining, data disimpan secara

elektronik dan diproses secara otomatis oleh komputer menggunakan teknik

dan perhitungan tertentu

Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang

dapat dilakukan, yaitu:

1. Description (Deskripsi)

Terkadang peneliti dan analis secara sederhana ingin

mencoba mencari cara untuk menggambarkan pola dan

kecenderungan yang terdapat dalam data. Sebagai contoh,

petugas pengumpulan suara mungkin tidak dapat menemukan

keterangan atau fakta bahwa siapa yang tidak cukup

profesional akan sedikit didukung dalam pemilihan presiden.

Deskripsi dari pola dan kecenderungan sering memberikan

kemungkinan penjelasan untuk suatu pola atau

kecenderungan.

21

2. Estimation (Estimasi)

Estimasi hampir sama dengan klasifikasi, kecuali variabel

target estimasi lebih ke arah numeric daripada ke arah

kategori. Model dibangun menggunakan record lengkap yang

menyediakan nilai dari variabel target sebagai nilai prediksi.

Selanjutnya, pada peninjauan berikutnya estimasi nilai dari

variabel target dibuat berdasarkan nilai variabel prediksi.

Sebagai contoh yaitu estimasi nilai indeks prestasi kumulatif

mahasiswa program pasca sarjana dengan melihat nilai

indeks prestasi mahasiswa tersebut pada saat mengikuti

program sarjana.

3. Prediction (Prediksi)

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali

bahwa dalam prediksi nilai dari hasil akan ada dimasa

mendatang.Contoh prediksi dalam bisnis dan penelitian

adalah :

a. Prediksi harga beras dalam tiga bulan yang akan

datang.

b. Prediksi tingkat penganguran lima tahun akan datang.

c. Predisksi persentase kanaikan kecelakaan lalu lintas

tahun depan jika batas bawah kecepatan dinaikan.

4. Classification (Klasifikasi)

Dalam klasifikasi, terdapat target variabel kategori. Sebagai

contoh, penggolongan pendapatan dapat dipisahkan dalam

22

tiga kategori, yaitu pendapatan tinggi, pendapatan sedang,

dan pendapatan rendah.Contoh lain klasifikasi dalam bisnis

dan penelitian adalah :

a. Menentukan apakah suatu transaksi kartu kredit

merupakan transaksi yang curang atau bukan.

b. Memperkirakan apakah suatu pengajuan hipotek oleh

nasabah merupakan suatu kredit yang baik atau buruk.

c. Mendiagnosis penyakit seorang pasien untuk

mendapatkan termasuk penyakit apa.

5. Clustering (Pengklusteran)

Pengklusteran merupakan pengelompokan record,

pengamatan, atau memperhatikan dan membentuk kelas

objek-objek yang memiliki kemiripan. Kluster adalah

kumpulan record yang memiliki kemiripan satu dengan yang

lainnya dan memiliki ketidakmiripan dengan record-record

dalam kluster lain. Pengklusteran berbeda dengan klasifikasi

yaitu tidak adanya variabel target dalam pengklusteran.

Pengklusteran tidak mencoba untuk melakukan klasifikasi,

mengestimasi, atau memprediksi nilai dari variabel target.

Akan tetapi, algoritma pengklusteran mencoba untuk

melakukan pembagian terhadap keseluruhan data menjadi

kelompok-kelompok yang memiliki kemiripan (homogen),

yang mana kemiripan record dalam satu kelompok akan

bernilai maksimal, sedangkan kemiripan dengan record

23

dalam kelompok lain akan bernilai minimal.Contoh

pengklusteran dalam bisnis dan penelitian adalah :

a. Mendapatkan kelompok-kelompok konsumen untuk

target pemasaran dari suatu produk bagi perusahaan

yang tidak memiliki dana pemasaran yang besar.

b. Untuk tujuan audit akuntansi, yaitu melakukan

pemisahan terhadap perilaku finansial dalam baik dan

mencurigakan.

c. Melakukan pengklusteran terhadap ekspresi dari gen,

untuk mendapatkan kemiripan perilaku dari gen dalam

jumlah besar.

6. Association (Asosiasi)

Tugas asosiasi dalam data mining adalah menemukan atribut

yang muncul dalam satu waktu. Dalam dunia bisnis lebih

umum disebut analisis keranjang belanja.Contoh asosiasi

dalam bisnis dan penelitian adalah :

a. Meneliti jumlah pelanggan dari perusahaan

telekomunikasi seluler yang diharapkan untuk

memberikan respons positif terhadap penawaran

upgrade layanan yang diberikan.

b. Menemukan barang dalam supermarket yang dibeli

secara bersamaan dan barang yang tidak pernah dibeli

secara bersamaan.

24

Menurut Eska (2016, p. 10), Tahapan data mining dibagi menjadi

tujuh bagian yaitu :

1. Pembersihan data (data cleaning)

Sebelum proses data mining dapat dilaksanakan,

perlu dilakukan proses cleaning pada data yang

menjadi focus KDD. Proses cleaning mencakup

antara lain membuang 4 duplikasi data, memeriksa

data yang inkonsisten, dan memperbaiki kesalahan

pada data, seperti kesalahan cetak (tipografi). Juga

dilakukan proses enrichment, yaitu proses

“memperkaya” data yang sudah ada dengan data atau

informasi lain yang relevan dan diperlukan untuk

KDD, seperti data atau informasi eksternal.

2. Integrasi data (data integration)

Integrasi data merupakan penggabungan data dari

berbagai database ke dalam satu database baru.

Tidak jarang data yang diperlukan untuk data mining

tidak hanya berasal dari satu database tetapi juga

berasal dari beberapa database atau file teks. Integrasi

data dilakukan pada atribut-aribut yang

mengidentifikasikan entitas-entitas yang unik seperti

atribut nama, jenis produk, nomor pelanggandan

lainnya. Integrasi data perlu dilakukan secara cermat

karena kesalahan pada integrasi data bisa

25

menghasilkan hasil yang menyimpang dan bahkan

menyesatkan pengambilan aksi nantinya. Sebagai

contoh bila integrasi databerdasarkan jenis produk

ternyata menggabungkan produk dari kategori yang

berbeda maka akan didapatkan korelasi antar produk

yang sebenarnya tidak ada.

3. Seleksi Data (Data Selection)

Data yang ada pada database sering kali tidak

semuanya dipakai, oleh karena ituhanya data yang

sesuai untuk dianalisis yang akan diambil dari

database. Sebagai contoh, sebuah kasus yang

meneliti factor kecenderungan orang membeli dalam

kasus market basket analysis, tidak perlu mengambil

nama pelanggan, cukup dengan id pelanggan saja.

4. Transformasi data (Data Transformation)

Data diubah atau digabung ke dalam format yang

sesuai untuk diproses dalam data mining. Beberapa

metode data mining membutuhkan format data yang

khusus sebelum bisa diaplikasikan. Sebagai contoh

beberapa metode standarseperti analisis asosiasi dan

clustering hanya bisa menerima input data

kategorikal. Karenanya data berupa angka numerik

yang berlanjut perlu dibagi – bagi menjadi beberapa

interval. Proses Ini sering disebut transformasi data.

26

5. Proses mining

adalah sebuah proses yang paling utama pada saat

metode diterapkan untuk mencari pengetahuan

tersembunyi dan berharga dari data.

6. Evaluasi pola (pattern evaluation)

Untuk mengidentifikasi pola-pola menarik kedalam

knowledge based yang ditemukan. Dalam tahap ini

hasil dari teknik data mining berupa pola-pola yang

khas maupun model prediksi dievaluasi untuk menilai

apakah hipotesa yang ada memang tercapai.

7. Presentasi pengetahuan (knowledge presentation)

Merupakan penyajian dan visualisasi pengetahuan

mengenai metode yang digunakan untuk memperoleh

pengetahuan yang diperoleh pengguna. Tahap

terakhir dari proses data mining adalah bagaimana

memformulasikan keputusan atau 5 aksi dari hasil

analisis yang didapat. Ada kalanya hal ini harus

melibatkan orang - orang yang tidak memahami data

mining. Karenanya presentasi hasil data mining

dalam bentuk pengetahuan yang bisa dipahami semua

orang adalah satu tahapan yang diperlukan dalam

proses data mining. Dalam presentasi ini, visualisasi

juga bisa membantu mengkomunikasikan hasil data

mining.

27

2.2.3. Pohon Keputusan ( Decision Tree)

Menurut Haryati, Sudarsono dan Suryana (2015, p. 132) Pohon

keputusan adalah salah satu metode klasifikasi yang paling populer karena

mudah di interperensi manusia. Pohon keputusan adalah model prediksi

menggunakan struktur pohon atau struktur berhirarki. Konsep dari pohon

keputusan adalah mengubah data menjadi pohon keputusan dan aturan- aturan

keputusan. Data dalam pohon keputusan biasanya dinyatakan dalam bentuk

tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang

dibuat sebagai kriteria dalam pembentukan tree. Misalkan untuk menentukan

main tenis, kriteria yang digunakan adalah cuaca, angin, iklim dan temperatur.

Manfaat utama menggunakan pohon keputusan adalah kemampuannya untuk

membreak down proses pengambilan keputusan yang kompleks menjadi lebih

simpel sehingga pengambilan keputusan akan menjadi lebih

menginterprestasikan solusi permasalahan. Pohon keputusan juga berguna

untuk mengeksplorasi data, menemukan hubungan tersembunyi antara

sejumlah calon variabel input dengan sebuat variabel target. Pohon keputusan

memadukan antara eksplorasi data dan pemodelan sehingga sangat bagus

sebagai langkah awal pemodelan bahkan ketika dijadikan sebagai model akhir

dari beberapa teknik lain.

28

Menurut Ardi Ramadhan Sukma,Riqadri Halfis dan Ady Hermawan

(2019, p. 23) Pohon keputusan adalah sebuah struktur yang dapat digunakan

untuk mengubah data menjadi pohon keputusan yang akan menghasilkan

aturan-aturan keputusan besar menjadi himpunan-himpunan record yang lebih

kecil dengan menerapkan serangkaian aturan keputusan. Pohon keputusan yang

dihasilkan oleh algoritma C4.5 dapat digunakan untuk klasifikasi. Pohon

keputusan adalah salah satu teknik penambangan data yang paling populer

untuk penemuan pengetahuan. Secara sistematis menganalisis dan mengekstrak

aturan untuk tujuan Klasifikasi / prediksi.

2.2.4. Kaggle

Menurut Prijono (2017) Kaggle adalah situs dan platform untuk

berlomba membuat model terbaik untuk menganalisa dan memprediksi suatu

dataset. Dataset ini diberikan oleh suatu perusahaan, dengan suatu deskripsi

masalah tertentu. Misalnya, diberikan data rumah beserta fitur-fiturnya dan

harga jualnya, dan deskripsi masalahnya adalah buatlah model untuk

memprediksi harga jual berdasarkan fitur-fitur tersebut.

Kaggle sangat bermanfaat untuk semua yang berkecimpung di dunia data

science. Banyak perusahaan yang mempunyai permasalahan analisa/pemodelan

data, namun mereka tidak punya sumber daya data scientist yang mumpuni

untuk memecahkannya. Dengan Kaggle, mereka bisa meminta bantuan data

scientist seluruh dunia untuk memecahkan masalah tersebut dengan membuat

29

model terbaik. Istilah kerennya crowd sourcing. Biasanya dengan dengan

imbalan hadiah.

Kaggle juga dapat dimanfaatkan oleh perusahaan untuk merekrut data

scientist atau ML engineer, dengan cara menyelenggarakan kompetisi untuk

tujuan rekrutmen. Bagi kita praktisi atau pelajar data science, Kaggle sangat

berguna untuk belajar, berlatih, dan mempertajam skill dan insting data science

kita. Dengan mempelajari write up atau ulasan orang lain dalam memecahkan

suatu masalah, kita bisa mendapat banyak ide dan ilmu tentang bagaimana

proses dan jalan berpikir dia memecahkan masalah data science. Lalu dengan

ikut dalam kompetisi, kita akan diberi feedback tentang akurasi model kita, dan

dari situ kita berlatih bagaimana membuat model yang lebih baik. Selama

kompetisi, sering orang berbagi tips atau ide yang dia pakai, sehingga dari situ

tidak hanya kita bisa memperbaiki model kita, tapi kita juga bisa belajar,

menjadi lebih kreatif, sekaligus melatih insting pemecahan masalah kita.

2.2.5. Algoritma

Menurut Maulana (2017, p. 70) Algoritma adalah sistem kerja komputer

memiliki brainware, hardware, dan software. Tanpa salah satu dari ketiga

sistim tersebut, komputer tidak akan berguna. Kita akan lebih fokus pada

software komputer. Software terbangun atas susunan program) dan syntax (cara

penulisan/pembuatan program). Untuk menyusun program atau syntax,

diperlukannya langkahlangkah yang sistematis dan logis untuk dapat

menyelesaikan masalah atau tujuan dalam proses pembuatan suatu software.

30

Maka, algoritma berperan penting dalam penyusunan program atau syntax

tersebut.

Pengertian algoritma adalah susunan yang logis dan sistematis untuk

memecahkan suatu masalah atau untuk mencapai tujuan tertentu. Dalam dunia

komputer, algoritma sangat berperan penting dalam pembangunan suatu

software. Dalam dunia sehari-hari, mungkin tanpa kita sadari algoritma telah

masuk dalam kehidupan kita.

2.2.6. Algoritma C4.5

Menurut Sukma, Halfis dan Hermawan (2019, p. 23) Algoritma C4.5

adalah algoritma yang digunakan untuk menghasilkan sebuah pohon keputusan

yang dikembangkan oleh Ross qiunlan.Ide dasar dari algoritma ini adalah

pembuatan pohon keputusan berdasarkan pemilihan atribut yang memiliki

prioritas tertinggi atau dapat disebut memiliki nilai gain tertinggi berdasarkan

nilai entropy atribut tersebut sebagai poros atribut klasifikasi. Pada tahapannya

algoritma C4.5 memiliki 2 prinsip kerja, yaitu: Membuat pohon keputusan, dan

membuat aturan-aturan (rule model). Aturan aturan yang terbentuk dari pohon

keputusan akan membentuk suatu kondisi dalam bentuk if then.

Terdapat empat langkah dalam proses pembuatan pohon keputusan pada

algoritma C4.5, yaitu:

a. Memilih atribut sebagai akar, didasarkan pada nilai gain

tertinggi dari atribut-atribut yang ada.

31

b. Membuat cabang untuk masing-masing nilai, artinya

membuat cabang sesuai dengan jumlah nilai variabel gain

tertinggi.

c. Membagi setiap kasus dalam cabang, berdasarkan

perhitungan nilai gain tertinggi dan perhitungan dilakukan

setelah perhitungan nilai gain tertinggi awal dan kemudian

dilakukan proses perhitungan gain tertinggi kembali tanpa

meyertakan nilai variabel gain awal.

d. Mengulangi proses dalam setiap cabang sehingga semua

kasus dalam cabang memiliki kelas yang sama, mengulangi

semua proses perhitungan gain tertinggi untuk masing-

masing cabang kasus sampai tidak bisa lagi dilakukan proses

perhitungan.

Algoritma C4.5 secara rekursif mengunjungi setiap simpul keputusan,

memilih pembagian yang optimal, sampai tidak bisa dibagi lagi. Dari ketiga

peneliti yang telah dilakukan tersebut, klasifikasi dengan Algoritma C4.5

digunakan oleh para peneliti sebagai solusi untuk mengambil keputusan yang

diharapkan mampu membantu dalam pengambilan keputusan dengan lebih

mudah dan cepat.

Menurut Haryati, Sudarsono dan Suryana (2015, p. 132) Pohon

keputusan mirip sebuah struktur pohon dimna terdapat node internal (bukan

daun) yang mendeskripsikan atribut-atribut, setiap cabang menggambarkan

hasil dari atribut yang diuji, dan setiap daun menggambarkan kelas. Pohon

32

keputusan bekerja mulai dari akar paling atas, jika diberikan sejumlah data uji,

misalnya X dimana kelas dari data X belum diketahui, maka pohon keputusan

akan menelusuri mulai dari akar sampai node dan setiap nilai dari atribut sesuai

data X diuji apakah sesuai dengan aturan pohon keputusan, kemudian pohon

keputusan akan memprediksi kelas dari tupel X. Algoritma C4.5 dan pohon

keputusan merupakan dua model yang tak terpisahkan, karena untuk

membangun sebuah pohon keputusan, dibutuhkan algoritma C4.5.Di akhir

tahun 1970 hingga di awal tahun 1980-an, J.Ross Quinlann seorang peniliti di

bidang mesin pembelajaran mengembangkan sebuah model pohon keputusan

yang dinamakan ID3 (Iterative Dichotomiser), walaupun sebenarnya proyek ini

telah dibuat sebelumnya oleh E.B.Hunt, J. Marin, dan P.T.Stone. Kemudian

Quinlan membuat algoritma dari pengembangan ID3 yang dinamakan C4.5

yang berbasis supervised learning. Ada beberapa tahap dalam membuat sebuah

pohon keputusan dengan algoritma C4.5, yaitu:

1) Menyiapkan data training. Data training biasnya dari data

histori yang pernah terjadi sebelumnya dan sudah

dikelompokkan ke dalam kelas-kelas tertentu.

2) Menentukan akar dari pohon . akar akan diambil dari atibut

yang terpilih dengan cara menghitung nilai Gain dari masing-

masing atribut, nilai Gain yang paling tinggi yang akan

menjadi akar pertama. Sebelum menghitung nilai Gain dari

atribut, hitung dahulu nilai entropy yaitu :

33

𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (𝑆) = ∑ − 𝜋 ∗ log2 𝜋

𝑛

𝑖=1

Keterangan:

S : himpunan kasus.

n : jumlah partisi S.

π: proporsi dari Si terhadap S.

3) Kemudian hitung nilai Gain dengan metode information

gain:

𝐺𝑎𝑖𝑛 (𝑆, 𝐴) = 𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (𝑆) − ∑|𝑠𝑖|

|𝑠|∗ 𝐸𝑛𝑡𝑟𝑜𝑝𝑦

𝑛

𝑖=1

Keterangan :

S = Himpunan Kasus.

A = Atribut.

n = Jumlah Partisi Atribut.

A | Si | = Jumlah Kasus pada partisi ke-i.

| S | = Jumlah Kasus dalam S.

4) Ulangi langkah ke-2 hingga semua semua tupel terpartisi.

5) Proses partisi pohon keputusan akan berhenti saat:

a. Semua tupel dalam node N mendapat kelas yang

sama.

34

b. Tidak ada atribut di dalam tupel yang dipartisi

lagi.

c. Tidak ada tupel di dalam cabang yang kosong.

2.2.7. Entropy dan Information gain

Menurut Sukma, Halfis dan Hermawan (2019, p. 23) Entropy adalah

ukuran dari teori informasi yang dapat mengetahui karakteristik dari impurty

dan homogenity dari kumpulan data. Dari nilai Entropy tersebut kemudian

dihitung nilai information gain masing-masing atribut.

Information Gain adalah informasi yang didapatkan dari perubahan

entropy pada suatu kumpulan data, baik melalui observasi atau bisa juga

disimpulkan dengan cara melakukan partisipasi terhadap suatu set data.

2.3. Teori Rancangan

2.3.1. PHP

Menurut Palit (2015, p. 2), PHP adalah bahasa pemrograman yang

digunakan secara luas untuk penanganan pembuatan dan pengembangan

sebuah web dan bias digunakan pada HTML. PHP merupakan singkatan dari

“PHP : Hypertext Preprocessor”, dan merupakan bahasa yang disertakan

dalam dokumen HTML, sekaligus bekerja di sisi server (server-side HTML-

embedded scripting). Artinya sintaks dan perintah yang diberikan akan

sepenuhnya dijalankan di server tetapi disertakan pada halaman HTML biasa,

sehingga script-nya tak tampak disisi client. PHP dirancangan untuk dapat

35

bekerja sama dengan database server dan dibuat sedemikian rupa sehingga

pembuatan dokumen HTML yang dapat mengakses database menjadi begitu

mudah. Tujuan dari bahasa scripting ini adalah untuk membuat aplikasi di

mana aplikasi tersebut yang dibangun oleh PHP pada umumnya akan

memberikan hasil pada web browser, tetapi prosesnya secara keseluruhan

dijalankan di server.

PHP diciptakan oleh Rasmus Lerdorf, seorang pemrogram C yang

handal. Semula PHP hanya digunakan untuk mencatat jumlah pengunjung pada

homepagenya. Rasmus adalah seorang pendukung open source. Karena

itulah ia mengeluarkan Personal Home Page Tools versi 1.0 secara gratis.

Setelah mempelajari YACC dan GNU Bison, Rasmus menambah kemampuan

PHP 1.0 dan menerbitkan PHP 2.0. PHP mudah dibuat dan cepat dijalankan,

PHP dapat berjalan dalam web server yang berbeda dan dalam sistem operasi

yang berbeda pula. PHP dapat berjalan di sistem operasi UNIX, Windows

98, Windows XP, Windows NT, dan Macintosh.

2.3.2. HTML ( Hyper Text Markup Language )

Menurut Khairil, Indra Kanedi dan Harry Aspriyono (2012, p. 20) HTML

merupakan kepanjangan dari Hyper Text Markup Language adalah suatu

bahasa yang digunakan untuk membuat halaman-halaman hypertext

(hypertext page) pada internet. Dengan konsep hypertext ini, untuk

membaca suatu dokumen anda tidak harus melakukannya secara urut,

baris demi baris, atau halaman demi halaman. Tetapi anda tidak dapat dengan

mudah melompat dari satu topik ke topik lainnya yang anda sukai, seperti

36

halnya jika anda melakukan pada online Help dari suatu aplikasi Windows.

HTML dirancang untuk digunakan tanpa tergantung pada suatu platform

tertentu (platform independent).

2.3.3. XAMPP

Menurut Palit (2015, p. 2), XAMPP adalah perangkat lunak bebas, yang

mendukung banyak sistem operasi, merupakan kompilasi dari beberapa

program. Fungsinya adalah sebagai server yang berdiri sendiri (localhost),

yang terdiri atas program Apache HTTP Server, MySQL database, dan

penerjemah bahasa yang ditulis dengan bahasa pemrograman PHP dan Perl.

Nama XAMPP merupakan singkatan dari X (empat sistem operasi apapun),

Apache, MySQL, PHP dan Perl. Program ini tersedia dalam GNU General

Public License dan bebas, merupakan web server yang mudah digunakan yang

dapat melayani tampilan halaman web yang dinamis. Untuk mendapatkanya

dapat men - download langsung dari web resminya.

XAMPP adalah salah satu paket instalasi apache, PHP, dan MySQL

secara instant yang dapatdigunakan untuk membantu proses instalasi ketiga

produk tersebut.

37

2.3.4. PHPMyAdmin

Menurut Barri, Lumenta dan Wowor (2015, p. 25), PHPMyadmin adalah

perangkat lunak bebas yang ditulis dalam bahasa pemrograman PHP yang

digunakan untuk menangani administrasi MySQL melalui Jejaring Jagat Jembar

(World Wide Web). phpMyAdmin mendukung berbagai operasi MySQL,

diantaranya (mengelola basis data, tabeltabel, bidang (fields), relasi (relations),

indeks, pengguna (users), perijinan (permissions), dan lain-lain). Pada

dasarnya, mengelola basis data dengan MySQL harus dilakukan dengan cara

mengetikkan baris-baris perintah yang sesuai (command line) untuk setiap

maksud tertentu. Jika seseorang ingin membuat basis data (database), ketikkan

baris perintah yang sesuai untuk membuat basis data. Hal tersebut tentu saja

sangat menyulitkan karena seseorang harus hafal dan mengetikkan perintahnya

satu per satu. Saat ini banyak sekali perangkat lunak yang dapat dimanfaatkan

untuk mengelola basis data dalam MySQL, salah satunya adalah phpMyAdmin.

Dengan phpMyAdmin, seseorang dapat membuat database, membuat tabel,

mengisi data, dan lain-lain dengan mudah, tanpa harus menghafal baris

perintahnya. PhpMyAdmin merupakan bagian untuk mengelola basis data

MySQL yang ada di komputer.

2.3.5. MySQL

Menurut Khairil, Kanedi dan Aspriyono (2012, p. 21) MySQL adalah

sebuah perangkat lunak sistem manajemen basis data SQL (bahasa Inggris:

database management system) atau DBMS yang multithread, multi-user,

38

dengan sekitar 6 juta instalasi di seluruh dunia. MySQL AB membuat

MySQL tersedia sebagai perangkat lunak gratis dibawah lisensi GNU

General Public License (GPL), tetapi mereka juga menjual dibawah lisensi

komersial untuk kasus-kasus dimana penggunaannya tidak cocok dengan

penggunaan GPL. MySQL adalah Relational Database Management System

(RDBMS) yang didistribusikan secara gratis dibawah lisensi GPL (General

Public License). Dimana setiap orang bebas untuk menggunakan MySQL,

namun tidak boleh dijadikan produk turunan yang bersifat closed

source atau komersial. MySQL sebenarnya merupakan turunan salah satu

konsep utama dalam database sejak lama, yaitu SQL (Structured Query

Language). SQL adalah sebuah konsep pengoperasian database, terutama

untuk pemilihan atau seleksi dan pemasukan data, yang memungkinkan

pengoperasian data dikerjakan dengan mudah secara otomatis.

2.3.6. Bootstrap

Menurut Masuara (2015, p. 44), Bootstrap merupakan Framework

ataupun Tools untuk membuat aplikasi web ataupun situs web responsive

secara cepat, mudah dan gratis. Bootstrap terdiri dari CSS dan HTML untuk

menghasilkan Grid, Layout, Typography, Table, Form, Navigation, dan lain-

lain. Di dalam bootstrap juga sudah terdapat jQuery plugins untuk

menghasilkan komponen UI yang cantik seperti Transitions, Model,

Dropdown, Scrollspy, Tooltip, Tap, Popover, Alert, Button, Carousel dan lain-

lain. Dengan bantuan Bootstrap, kita bisa membuat responsive website dengan

39

cepat dan mudah dan dapat berjalan sempurna pada browser-browser populer

seperti Chrome, Firefox, Safari, Opera dan Internet Explorer.

2.3.7. Rapid Miner

Menurut Haryati, Sudarsono dan Suryana (2015, p. 133), Rapid Miner

merupakan perangkat lunak yang dibuat oleh Dr. Markus Hofmann dari

Institute of Technology Blanchardstown dan Ralf Klinkenberg dari rapid-i.com

dengan tampilan GUI (Graphical User Interface) sehingga memudahkan

pengguna dalam menggunakan perangkat lunak ini. Perangkat lunak ini

bersifat open source dan dibuat dengan menggunakan program Java di bawah

lisensi GNU Public Licence dan Rapid Miner dapat dijalankan di sistem

operasi manapun. Dengan menggunakan Rapid Miner, tidak dibutuhkan

kemampuan koding khusus, karena semua fasilits sudah disediakan. Rapid

Miner dikhususkan untuk penggunaan data mining. Model yang disediakan

juga cukup banyak dan lengkap, seperti Model Bayesian, Modelling, Tree

Induction, Neural Network dan lain-lain. Banyak metode yang disediakan oleh

Rapid Miner mulai dari kllasifikasi, klustering, asosiassi dan lainlain. Jika tidak

ada model atau model alogoritma yang tidak ada dalam Weka, pengguna boleh

menambahkan modul lain, karena weka bersifat open source, jadi siapapun

dapat ikut mengembangkan perangkat lunak ini.

40

2.3.8. Notepad++

Menurut Ayu dan Permatasari (2018, p. 19) Notepad++ adalah sebuah

text editor yang sangat berguna dalam membuat program. Notepad++

menggunakan komponen Scintilla untuk menampilkan teks dan berkas kode

sumber berbagai bahasa pemrograman tang berjalan diatas sistem operasi M.

Windows.

2.3.9. CSS

Menurut Binarso, Sarwoko, dan Bacthiar (2012, p. 76) CSS (Cascading

Style Sheet) adalah stylesheet language yang digunakan untuk mendeskripsikan

penyajian dari dokumen yang di buat dalam mark up language.

Menurut Hidayatullah dan Kawistara (2015) ada empat (4) cara

memasang kode CSS ke dalam kode HTML/ halaman web yaitu:

a. Inline style sheet (memasukkan kode CSS langsung pada tag

HTML).

b. Internal style sheet (Embed atau memasang kode CSS ke

dalam bagian <head>).

c. Me-link ke external CSS.

41

2.3.10. Entity Relationship Diagram (ERD)

Menurut Romadhon (2019, P. 22) mengemukakan bahwa “Entity

Relationship Diagram (ERD) adalah gambar atau diagram yang menunjukan

informasi dibuat, disimpan, dan digunakan dalam sistem bisnis.

Entitas diberi nama dengan kata benda dan dapat dikelompokan sebagai

berikut: nama orang, nama benda, nama lokasi, nama kejadian.

42

2.4. Tinjauan Jurnal

2.4.1. Penelitian Tosy Caesar Kurniawan

Tabel 2. 1 Tabel Penelitian Tosy Caesar Kurnianwan

No. Data Jurnal / Makalah Keterangan

1 Judul Penerapan Algoritma C4.5 Dalam Penerimaan Calon

Karyawan PT.TELKOM Akses Area Lampung

Berbasis Website

2 Jurnal Jurnal SEMNAS IIB DARMAJAYA

3 Volume dan Halaman Vol. 1 (2017)

4 Tanggal & Tahun 25 Oktober 2017

5 Penulis Tosy Caesar Kurniawan

6 Penerbit https://jurnal.darmajaya.ac.id

7 Tujuan Penelitian Mengatasi masalah dalam proses klasifikasi

penerimaan karyawan baru pada PT.TELKOM

AKSES (PTTA) yang masih dilakukan secara manual

sehingga membutuhkan waktu pengerjaan yang

cukup lama.

8 Lokasi dan Subjek

Penelitian

PT.TELKOM AKSES (Lampung)

9 Perancangan Sistem a. Menggunakan Bahasa Pemrograman PHP

b. Database MYSQL

10 Hasil Penelitian Melalui tahap pengumpulan kebutuhan dan

perancangan sistem maka dihasilkan Sisitem

Klasifikasi Penerimaan Calon Karyawan PT. Telkom

Akses Lampung Menggunakan Algoritma C4.5.

11 Kekuatan Penelitian a. Dapat memberikan hasil keputusan sesuai dengan

data yang sudah diinputkan dengan ketepatan dan

keakuratan yang maksimal.

b. Sistem ini menghasilkan keputusan seleksi secara

43

objektif sesuai dengan data-data yang mengikuti

tes seleksi.

c. Mengurangi berkas dengan bentuk hardcopy atau

menggunakan kertas karena bisa menyimpan

didalam database yang bisa sewaktu-waktu

dibutuhkan bisa dibuka kembali

12 Kelemahan Penelitian a. Pemberian informasi kepada calon karyawan

masih menggunakan sms/telepon secara manual.

b. Tingkat keamanan data dan file masih rendah

sehingga rentan untuk diserang Hacker.

c. Perhitungan algoritma C4.5 untuk mendapatkan

pohon keputusan masih dilakukan secara manual

menggunakan Ms. Excell

13 Kesimpulan a. Sistem ini sudah bisa membantu dalam

menentukan klasifikasi calon karyawan sesuai

dengan kriteria yang telah ditentukan.

b. Sistem ini dapat membantu SDM dalam

mengelola data calon karyawan sehingga waktu

yang dibutuhkan lebih efisien.

44

2.4.2. Rangkuman Model Penelitian

Tabel 2. 2 Tabel Rangkuman Model Penelitian

Peneliti Nama Jurnal Tahun Insitusi Judul dan

Metode yang

digunakan

Kesimpulan

Ardi

Ramadhan

Sukma

, Riqadri

Halfis

, Ady

Hermawan

Jurnal Teknik

Komputer, Vol V

No.1 Februari 2019

P-ISSN 2442-2436,

E-ISSN: 2550-

0120

2019 STMIK

Nusa

Mandiri

Klasifikasi

Channel

Youtube

Indonesia

Menggunakan

Algoritma C4.5

1.Penerapan

Algoritma C4.5 akan

dapat

diimplementasikan

pada ratio Channel

Youtube

Indonesia, dilihat dari

akurasi yang

mencapai

92.73%, bahwa

perhitungan yang

dilakukan dapat

memprediksi dan

meklasifikasi ratio

pada

Youtube Channel

Indonesia.

2.Terbentuk beberapa

aturan atau rule

model yang

dapat digunakan

sebagai acuan dalama

membuat

aplikasi GUI.0.820

dan 0.549.

Aldi Zein INFORMATION 2019 STMIK Algoritma C4.5 Berdasarkan

45

Pratama SYSTEM FOR

EDUCATORS

AND

PROFESSIONALS

Vol.3, No. 2, Juni

2019, 121-130E-

ISSN: 2548-3587

Nusa

Mandiri

Untuk

Klasifikasi

Nasabah Dalam

Memprediksi

Kredit Macet

pengujian yang telah

dilakukan oleh

peneliti, dapat

disimpulkan bahwa

Algoritma C4.5

dengan melakukan

perhitungan entropy

dan gain pada setiap

atribut dan subset

atribut dapat

mengidentifikasi

kelayakan kredit

dengan baik, selain

itu Algoritma C4.5

merupakan salah satu

algoritma dalam

teknik klasifikasi

data mining yang

sangat membantu

dalam melakukan

klasifikasi data

karena karakteristik

data yang

diklasifikasikan

sangat jelas, baik

dalam bentuk struktur

pohon keputusan

(decision tree)

maupun dalam bentuk

aturan atau rule If –

Then,serta

46

memudahkan

pengguna dalam

melakukan

penggalian informasi

terhadap data yang

dibutuhkan.

Pemilihan variabel

yang digunakan

(atribut kondisi dan

atribut keputusan)

dalam penelitian yang

peneliti lakukan dan

digunakan dalam

menentukan sebuah

klasifikasi juga sangat

mempengaruhi rule

atau knowledge yang

akan dihasilkan.

Sistem yang dibangun

berdasarkan hasil

penelitian yang

telah dilakukan

dapat membantu

dalam

mengklasifikasikan

kriteria karyawan

yang berpeluang

melakukan

pembayaran kredit

dengan Lancar atau

Macet.

47

Berdasarkan 3 jurnal diatas dirasa penggunaan Algoritma C4.5 sangat cocok

untuk memprediksi loyalitas karyawan karena Algoritma C4.5 merupakan metode

yang sering di gunakan untuk klasifikasi dengan menghasilkan pohon keputusan dan

tingkat keakuratan yang cukup baik yang bisa digunakan untuk mendapatkan hasil

yang maksimal.

48

2.5. Kerangka Pemikiran

Berikut gambaran keseluruhan penelitian dalam bentuk gambar kerangka

pemikiran

Gambar 2. 1 Kerangka Pemikiran

49

BAB III

ANALISA MASALAH DAN PERANCANGAN SISTEM

3.1. Analisa Kebutuhan

Proses pengumpulan data sebagai bahan pembuatan sistem adalah studi

pustaka. Pada tahap ini dilakuka pengumpulan bahan terkait dengan data pegawai

dan algoritma C.45 untuk memprediksi pegawai yang akan memiliki loyalitas pada

perusahaan yang di peroleh dari https://www.kaggle.com/colara/hr-analytics Dataset

Mengenai Human Resources untuk memprediksi Loyalitas Seorang Karyawan

Tabel 3. 1 Tabel Keterangan Atribut

Atribut Keterangan Variabel

Satisfaction_level tingkat kepuasan

karyawan

Integer

Last_evaluation evaluasi akhir Integer

Number_project total proyek yang

di kerjakan

Integer

Average_monthly_hours rata-rata jam kerja

perbulan

Integer

Time_spend_company berapa tahun

sudah berada

diperusahaan

Integer

Work_accident berapa kali

mengalami

Integer

50

kecelakaan saat

bekerja

Promotion _last_5years kenaikan jabatan

selama 5 tahun

terakhir

Integer

Job Jabatan yang di

jabat saat ini

Polinominal

Salary Gaji Polinominal

Tabel 3. 2 Tabel Data set

satisfactio_

level

last_

evaluation

number_

project

average_montly

_hours

time_spend_

company

Work_

accident

promotion_last

_5years Job salary left

1 4 5 275 4 0 1 product_mng medium YA

1 4 7 295 4 1 0 product_mng low YA

1 4 6 244 5 0 1 IT medium YA

1 4 6 247 4 0 1 sales low YA

1 4 6 286 4 0 0 IT medium YA

1 4 6 305 4 1 0 sales low YA

1 3 4 158 4 1 0 technical low YA

4 2 6 232 2 1 0 product_mng low TIDAK

52

Keterangan data :

1. Satifaction_level : Kepuasan karyawan, dibobotkan menjadi 4

point. 1 = Low, 2 = Medium, 3 = High, 4 =

Very High.

2. Last_evaluation : Evaluasi akhir karyawan, dibobotkan

menjadi 4 point. 1 = Low, 2 = Medium, 3 =

High, 4 = Very High.

3. Number_project : jumlah proyek yang dikerjakan.

4. Average_monthy_hours : rata-rata jam kerja perbulan.

5. Time_spend_company : berapa lama berada di perusahaan per tahun.

6. Work_accident : kecelakaan dalam bekerja.

7. Promotion_last_5years : kenaikan jabatan dalam 5 tahun terakhir.

8. Job : jabatan di perusahaan.

9. Salary : gaji perbulan, menjadi 3 point : low,

medium, high.

3.2. Kontruksi Algoritma atau Metode

Mencari Entropy pertama:

1. Pertama adalah mencari entropy dari total data yang ada, jumlah

data yang digunakan adalah 30 data terbagi menjadi 15 “TIDAK”

dan 15 “YA”, berikut contoh perhitungan nya :

Entropy(total)= − (15

30∗ log2

15

30) − (

15

30∗ log2

15

30) = 1

53

2. Selanjutnya mencari gain dari satisfaction_level dimana sudah

dicari terlebih dahulu nilai entropy dari satisfaction value

<=0,45=0,5916728 dan >0,45=0,6962123 , lalu dari data tersebut

diperoleh 14 data <=2.5 dengan hasil “TIDAK” dan 16 data >2.5

dengan hasil “YA”, berikut contoh perhitungannya :

Gain(total,satisfaction_level)= 1 − (14

30∗ 0,5916728) +

(16

30∗ 0,6962123)=0,352573

3. Selanjutnya mencari gain dari last_evaluation dimana sudah dicari

terlebih dahulu nilai entropy dari last_evaluation <=2.5=0 dan

>2.5= 0,9910761, lalu dari data tersebut diperoleh 4 data <=2.5 dan

26 data >2.5, berikut contoh perhitungannya :

Gain(total,last_evaluation)= 1 − (3

30∗ 0) + (

27

30∗

0,0.9957275) =0.137036

4. Selanjutnya mencari gain dari number_project dimana sudah dicari

terlebih dahulu nilai entropy dari number_project <=5 =

0.976020648 dan >5 = 0.811278124, lalu dari data tersebut

diperoleh 22 data <=5 dan 8 data >5, berikut contoh

perhitungannya :

Gain(total,number_project)= 1 − (22

30∗ 0.976020648) +

(8

30∗ 0.811278124) = 0.067910691

5. Selanjutnya mencari gain dari average_monthly_hours dimana

sudah dicari terlebih dahulu nilai entropy dari

54

average_monthly_hours <=272 = 0.98285869 dan >272 = 0, lalu

dari data tersebut diperoleh 26 data <=5 dan 4 data >5, berikut

contoh perhitungannya :

Gain(total,average_monthly_hours)= 1 − (26

30∗ 0.98285869) +

(4

30∗ 0) = 0.148189136

6. Selanjutnya mencari gain dari time_spend_company dimana sudah

dicari terlebih dahulu nilai entropy dari time_spend_company <=3

=0.873981048 dan >3 =0.779349837, lalu dari data tersebut

diperoleh 17 data <=3 dan 13 data >3, berikut contoh

perhitungannya :

Gain(total,time_spend_company)= 1 − (17

30∗ 0.873981048) +

(13

30∗ 0.779349837) = 0.16702581

7. Selanjutnya mencari gain dari work_accident dimana sudah dicari

terlebih dahulu nilai entropy dari work_accident pernah = 1dan

tidak pernah = 1, lalu dari data tersebut diperoleh 10 data pernah

dan 20 data tidak pernah, berikut contoh perhitungannya :

Gain(total,work_accident)= 1 − (10

30∗ 1) + (

20

30∗ 1) = 0

8. Selanjutnya mencari gain dari promotion_last_5years dimana

sudah dicari terlebih dahulu nilai entropy dari

promotion_last_5years terima = 0.985228136 dan tidak terima =

0.918295834, lalu dari data tersebut diperoleh 21 data terima dan 9

data tidak terima, berikut contoh perhitungannya :

55

Gain(total,promotion_last_5years)= 1 − (21

30∗ 0.985228136) +

(9

30∗ 0.918295834) = 0.034851555)

9. Selanjutnya mencari gain dari Job dimana sudah dicari terlebih

dahulu nilai entropy dari job IT = 0.954434003, product_mng = 1,

sales = 0.918295834 ,dan technical = 0.591672779, lalu dari data

tersebut diperoleh 8 data IT, 6 data product_mng, 9 data sales dan 7

data technical, berikut contoh perhitungannya :

Gain(total,sales)= 1 − (8

30∗ 0.954434003) + (

6

30∗ 1) +

(9

30∗ 0.918295834) + (

7

30∗ 0.591672779) = 0.131938534

10. Selanjutnya mencari gain dari salary dimana sudah dicari terlebih

dahulu nilai entropy dari salary low = 0.988699408, medium=

0.979868757, dan high = 1, lalu dari data tersebut diperoleh 16 data

low, 12 data medium, 2 data high, berikut contoh perhitungannya:

Gain(total,salary)= 1 − (16

30∗ 0.988699408) + (

12

30∗

0.979868757) + (2

30∗ 1) = 0.01407948

Tabel 3. 3Tabel Hitung Manual

Atribut

Jumlah

kasus TIDAK

Y

A Entropy Gain

Total 30 15 15 1

satisfaction_level 0.352573

<=2.5 14 2 12 0.5916728

>2.5 16 13 3 0.6962123

last_evaluation 0.137036

56

<=2.5 4 3 1 0

>2.5 26 12 14 0.9957275

number_project 0.067911

<=5 22 13 9 0.9760206

>5 8 2 6 0.8112781

average_montly_h

ours 0.148189

<=272 26 15 11 0.9828587

>272 4 0 4 0

time_spend_comp

any 0.167026

<=3 17 12 5 0.873981

>3 13 3 10 0.7793498

Work_accident 0

1 10 5 5 1

0 20 10 10 1

promotion_last_5

years 0.034852

0 21 12 9 0.9852281

1 9 3 6 0.9182958

job 0.131939

IT 8 3 5 0.954434

produ

ct_mn

g 6 3 3 1

sales 9 3 6 0.9182958

57

techni

cal 7 6 1 0.5916728

salary 0.014079

low 16 7 9 0.9886994

mediu

m 12 7 5 0.9798688

high 2 1 1 1

Dari hasil perhitungan entropy dan information gain yang didapat kemudian

diolah kedalam decision tree, berikut hasil pohon keputusan (Decision Tree).

Gambar 3. 1 Pohon Keputusan

Dari pohon keputusan (Decision Tree ) yang terbentuk pada Gambar 2 di atas

didapat aturan-aturan/rule model dalam penentuan loyalitas karyawan , dapat dilihat

sebagai berikut :

1. satisfaction_level > 2.500

2. | time_spend_company > 3.500

58

3. | | satisfaction_level > 3.500: YA {TIDAK=0, YA=3}

4. | | satisfaction_level ≤ 3.500: TIDAK {TIDAK=2, YA=0}

5. | time_spend_company ≤ 3.500: TIDAK {TIDAK=11, YA=0}

satisfaction_level ≤ 2.500: YA {TIDAK=2, YA=12}

3.3. Perancangan Layar

Perancangan aplikasi prediksi loyalitas karyawan mempunyai sebuah layar

utama, berikut hierarki yang ada di dalam aplikasi prediksi loyalitas karyawan pada

Gambar 3.2.

Gambar 3. 2 Hierarki Aplikasi

59

3.3.1. Perancangan Halaman Login

Pada layar Sign in user harus memasukkan username dan password

dengan benar dan menekan tombol sign in di bawah kolom username (email)

dan password untuk menggunakan aplikasi ini, rancangan layar sign in dapat di

lihat pada Gambar 3.3.

Gambar 3. 3 Perancangan Layar Login

60

3.3.2. Perancangan Layar Home

Pada layar home ini user dapat melihat halaman utama dari aplikasi ini,

rancangan layar home dapat di lihat pada Gambar 3.4.

Gambar 3. 4 Perancangan Halaman Utama

61

3.3.3. Perancangan Layar Prediksi Loyalitas Karyawan

Pada layar prediksi loyalitas karyawan adalah layar utama pada aplikasi

ini, pada layar ini terdapat form untuk user input data yang ingin di prediksi

loyalitas nya terhadap perusahaan, rancangan layar prediksi loyalitas karyawan

dapat di lihat pada Gambar 3.5.

Gambar 3. 5 Perancangan Layar Prediksi Loyalitas Karyawan

62

3.3.4. Perancangan Layar Sign Up

Pada layar sign up ini user dapat membuat user id baru dengan mengisi

username, password dan re-enter password, rancangan layar sign up ini dapat

di lihat pada Gambar 3.6.

Gambar 3. 6 Perancagan Layar Sign Up

63

3.3.5. Perancangan Layar Laporan

Pada layar laporan (Report) ini user dapat melihat hasil laporan hasil

kinerja karyawan yang di dapat dari setiap kepala bagian dari setiap masing –

masing job, rancangan layar laporan ini dapat di lihat pada Gambar 3.7.

Gambar 3. 7 Perancangan Layar Laporan

64

3.3.6. Perancangan Layar Laporan Hasil Perhitungan

Pada layar laporan hasil perhitungan (Report) ini user dapat melihat

laporan hasil perhitungan dari program aplikasi , rancangan layar laporan

hasil perhitungan ini dapat di lihat pada Gambar 3.8.

Gambar 3. 8 Perancangan Layar Laporan Hasil Perhitungan

65

3.3.7. Perancangan Layar Input Laporan Karyawan

Pada layar Input Laporan Karyawan ini user dapat memasukkan

penilaian tingkat kepuasaan kerja dan nilai evaluasi akhir terhadap karyawan

tersebut dan menyimpannya , rancangan layar input report karyawan ini dapat

di lihat pada Gambar 3.9.

Gambar 3. 9 Perancangan Layar Input Laporan Karyawan

66

3.3.8. Perancangan Layar Manage Account

Pada layar manage account ini user dapat mengubah password account

user yang di miliki, rancangan layar manage account ini dapat di lihat pada

Gambar 3.10.

Gambar 3. 10 Perancangan Layar Manage Account

67

3.4. Desain Database

a. Entity Relationship Diagram (ERD)

Gambar 3. 11 Entity Relationship Diagram

68

b. Spesifikasi Tabel

1) Tabel users

Tabel 3.4 Tabel users

Nama Field Tipe Field Tindakan

username Varchar(20) -

password Varchar(15) -

user_id Varchar(20) Primary Key

role Varchar(20) -

job Varchar(15) -

Keterangan :

Username : id user sebagai id untuk sign in

Password : Password untuk sign in

Role : Jabatan

Job : Bagian Pekerjaan

2) Tabel report

Tabel 3.5 Tabel Report


id_report Int(11) Primary Key

Satisfaction Int(3) -

Evaluation Int(3) -

Number_project Int(3) -

69

Average_monthly_hours Int(3) -

Time_spend_company Int(3) -

Accident Int(3) -

Promotion Int(3) -

Job Varchar(15) -

Salary Varchar(8) -

Result

Varchar(5) -

id_karyawan

Int(11) Foreign Key

Tanggal

Date -

Approved

Varchar(12) -

Keterangan :

id_report : id setiap report

satisfaction : kepuasan kerja

evaluation : nilai akhir

Number_project : jumlah proyek

Average_monthly_hours: rata-rata jam kerja per - bulan

Time_spend_company : lama kerja di perusahaan (tahun)

accident : kecelakaan dalam bekerja

promotion : kenaikan jabatan

job : bidang pekerjaan

salary : gaji yang di terima

result : hasil perhitungan aplikasi ini

70

id_karyawan : id setiap karyawan

tanggal : tanggal saat melakukan perhitungan

approved : untuk melakukan approval terhadap karyawan yang

memiliki kinerka yang baik

3) Tabel Karyawan

Tabel 3.6 Tabel Karyawan


Id int(11) Primary Key

Nama Varchar(20) -

Job Varchar(15) -

Kepuasan Int(3) -

evaluasi_akhir Int(3) -

Number_project Int(3) -

Average_monthly_hours Int(4) -

Tanggal date -

Join_year Int(4) -

71

Keterangan :

Id : id setiap activity log

nama : nama dari karyawan

job : bidang pekerjaan

kepuasan : tingkat kepuasaan kepala bagian

evaluasi_akhir : evaluasi akhir dari kepala bagian

number_project : total proyek yang di selesaikan

average_monthly_hours: rata – rata jam kerja per bulan

tanggal :tanggal kepala bagian memasukan laporan

join_year : tahun bergabung di perusahaan

72

BAB IV

PENGUJIAN DAN IMPLEMENTASI

4.1. Algoritma C4.5

Menurut Haryati, Sudarsono dan Suryana (2015, p. 132) Pohon keputusan

mirip sebuah struktur pohon dimna terdapat node internal (bukan daun) yang

mendeskripsikan atribut-atribut, setiap cabang menggambarkan hasil dari atribut

yang diuji, dan setiap daun menggambarkan kelas. Pohon keputusan bekerja mulai

dari akar paling atas, jika diberikan sejumlah data uji, misalnya X dimana kelas dari

data X belum diketahui, maka pohon keputusan akan menelusuri mulai dari akar

sampai node dan setiap nilai dari atribut sesuai data X diuji apakah sesuai dengan

aturan pohon keputusan, kemudian pohon keputusan akan memprediksi kelas dari

tupel X. Algoritma C4.5 dan pohon keputusan merupakan dua model yang tak

terpisahkan, karena untuk membangun sebuah pohon keputusan, dibutuhkan

algoritma C4.5.Di akhir tahun 1970 hingga di awal tahun 1980-an, J.Ross Quinlann

seorang peniliti di bidang mesin pembelajaran mengembangkan sebuah model pohon

keputusan yang dinamakan ID3 (Iterative Dichotomiser), walaupun sebenarnya

proyek ini telah dibuat sebelumnya oleh E.B.Hunt, J. Marin, dan P.T.Stone.

Kemudian Quinlan membuat algoritma dari pengembangan ID3 yang dinamakan

C4.5 yang berbasis supervised learning. Ada beberapa tahap dalam membuat sebuah

pohon keputusan dengan algoritma C4.5, yaitu:

73

1) Menyiapkan data training. Data training biasnya dari data

histori yang pernah terjadi sebelumnya dan sudah

dikelompokkan ke dalam kelas-kelas tertentu.

2) Menentukan akar dari pohon . akar akan diambil dari atibut

yang terpilih dengan cara menghitung nilai Gain dari

masing-masing atribut, nilai Gain yang paling tinggi yang

akan menjadi akar pertama. Sebelum menghitung nilai Gain

dari atribut, hitung dahulu nilai entropy yaitu :

𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (𝑆) = ∑ − 𝜋 ∗ log2 𝜋

𝑛

𝑖=1

Keterangan:

S : himpunan kasus.

n : jumlah partisi S.

π: proporsi dari Si terhadap S.

3) Kemudian hitung nilai Gain dengan metode information

gain:

𝐺𝑎𝑖𝑛 (𝑆, 𝐴) = 𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (𝑆) − ∑|𝑠𝑖|

|𝑠|∗ 𝐸𝑛𝑡𝑟𝑜𝑝𝑦

𝑛

𝑖=1

Keterangan :

S = Himpunan Kasus.

A = Atribut.

n = Jumlah Partisi Atribut.

A | Si | = Jumlah Kasus pada partisi ke-i.

74

| S | = Jumlah Kasus dalam S.

4) Ulangi langkah ke-2 hingga semua semua tupel terpartisi.

5) Proses partisi pohon keputusan akan berhenti saat:

a. Semua tupel dalma node N mendapat kelas

yang sama.

b. Tidak ada atribut di dalam tupel yang dipartisi

lagi.

c. Tidak ada tupel di dalam cabang yang kosong.

d.

4.2. Pohon Keputusan (Decision Tree)

Pohon keputusan adalah model prediksi menggunakan struktur pohon atau

struktur berhirarki. Konsep dari pohon keputusan adalah mengubah data menjadi

pohon keputusan dan aturan- aturan keputusan. Berikut adalah hasil pohon keputusan

dengan 1000 data testing, dan hasil dari aplikasi prediksi ini :

Gambar 4. 1 Gambar Pohon Keputusan

75

Kemudian di bawah ini adalah gambar laporan hasil perhitungan aplikasi

prediksi loyalitas karyawan, dapat di lihat pada gambar di bawah ini.

Gambar 4. 2 Gambar Laporan Hasil Perhitungan

Dari gambar di atas setelah di cocokkan dengan pohon keputusan di bawah ini

dengan data dari laporan hasil perhitungan dengan menggunakan data Roni dengan

hasil penilaian sebagai berikut :

a. Tingkat Kepuasan :3

b. Nilai Evaluasi Akhir :3

c. Jumlah Proyek : 12

d. Jam kerja perbulan : 210

e. Lama bekerja :3

f. Kecelakaan kerja : 0

g. Promosi 5 tahun terakhir : 0

h. Pekerjaan : IT

i. Gaji :Medium

j. Result : YA

Dan di bawah ini adalah jalur pohon keputusan berdasarkan dengan mengikuti

hasil penilaian dengan time_spend_company >2.500 lalu di lakukan pengecekkan

number_project >2.500 lalu time_spend_company <= 3.500 lalu number_project >

6.500 dan hasil nya YA

76

Gambar 4. 3 Gambar Pohon Keputusan Dengan Mengikuti Hasil Penilaian

4.3. Spesifikasi Hardware dan Software

4.3.1. Spesifikasi Hardware

Spesifikasi Hardware yang digunakan dalam pembuatan aplikasi ini

adalah sebagai berikut:

1. Processor 2.20GHz

2. RAM 2048MB

3. VGA Card 778MB

4. Harddisk 500GB

77

4.3.2. Spesifikasi Software

Spesifikasi Software yang digunakan dalam pembuatan aplikasi ini agar

aplikasi berjalan dengan baik adalah sebagai berikut:

1. Sistem operasi Windows 10 Ultimate 64-bit

2. Notepad++ 7.8.1

3. RapidMiner 5

4. PHPMyAdmin 4.2.11

5. Xampp v3.2.1

6. Google Chrome

78

4.4. Tampilan Layar Program

Tampilan Halaman Login

Menu ini berfungsi untuk menampilkan halaman login dari program,

untuk menuju ke halaman utama maka user diminta menginput username dan

password terlebih dahulu.

Gambar 4. 4 Tampilan Layar Login

79

Tampilan Layar Home

Menu ini adalah halaman utama aplikasi ini dan dapat menuju halaman

berikut nya .

Gambar 4. 5 Tampilan Layar Home

80

Tampilan Layar Prediksi Loyalitas Karyawan

Halaman ini dapat digunakan user untuk mencari prediksi Loyalitas

seorang karyawan.

Gambar 4. 6 Tampilan Layar Prediksi Loyalitas Karyawan

81

Tampilan Layar Sign Up

Pada halaman ini user dapat membuat account baru untuk login di

aplikasi ini.

Gambar 4. 7 Tampilan Layar Sign up

82

Tampilan Layar Laporan

Pada halaman ini menampilkan hasil laporan yang di masukkan oleh

setiap kepala bagian yang ada di perusahaan.

Gambar 4. 8 Tampilan Layar Laporan

83

Tampilan Layar Laporan Hasil Perhitungan

Pada halaman ini user dapat melihat hasil perhitungan yang telah di

hitung dan memberikan approval kepada karyawan yang dinyatakan memiliki

loyalitas terhadap perusahaan

Gambar 4. 9 Tampilan Layar Laporan Hasil Perhitungan

84

Tampilan Layar Input Laporan Karyawan

Pada halaman ini user dapat memasukkan penilaian terhadap karyawan.

Gambar 4. 10 Tampilan Layar Input Laporan Karyawan

85

Tampilan Layar Manage Account

Pada halaman ini user dapat merubah password lama dengan password

baru yang user inginkan.

Gambar 4. 11 Tampilan Layar Manage Account

86

4.5.Hasil Pengujian Confusion Matrix

Evaluasi Model dengan Confusion Matrix, model confusion matrix akan

membentuk matrix yang terdiri dari true positif atau tupel positif dan true negatif

atau tupel negatif, kemudian masukan data testing yang sudah disiapkan kedalam

confusion matrix sehingga hasil pada Gambar 4.12 seperti dibawah ini:

Gambar 4. 12 Hasil Pengujian Confusion Matrix

Berdasarkan gambar di atas hasil pengujian confusion matrix mendapatkan

tingkat accuracy sebesar 92,80 % yang di dapat dari :

(459 + 469

459 + 40 + 32 + 469)𝑥100%

4.6. Hasil Pengolahan Data Kuesioner

Untuk mengetahui tanggapan responden terhadap aplikasi yang sudah di buat

dengan memberikan 1 lembar kuesioner yang berisikan 10 pertanyaan dan dibagikan

kepada 20 responden. Berikut adalah uraian dari pertanyaan yang diajukan :

1. Apakah anda mengetahui tentang loyalitas karyawan?

Tabel 4.1 Jawaban Pertanyaan 1

Jawaban Responden Persentase

Ya 19 95%

Tidak 1 5%

Total 20 100%

87

Gambar 4. 13 Diagram jawaban pertanyaan 1

Berdasarkan hasil diatas dapat diambil kesimpulan bahwa 95%

responden mengetahui tentang loyalitas karyawan, dan 5% responden tidak

mengetahui tentang loyalitas karyawan.

2. Apakah anda mengetahui faktor apa saja yang mempengaruhi loyalitas seorang

karyawan?



Ya 15 75%

Tidak 5 25%

Total 20 100%

95%

5%

Ya Tidak

88

Gambar 4.14 Diagram jawaban pertanyaan 2


responden mengetahui faktor apa saja yang mempengaruhi loyalitas seorang

karyawan. Sedangkan 25% responden tidak mengetahui faktor apa saja yang

mempengaruhi loyalitas seorang karyawan.

3. Apakah Anda pernah menggunakan aplikasi prediksi sebelumnya?



Ya 13 65%

Tidak 7 35%

Total 20 100%

75%

25%

Ya Tidak

89



responden pernah menggunakan aplikasi prediksi. Sedangkan 35% responden

tidak pernah menggunakan aplikasi prediksi.

65%

35%

Ya Tidak

90

4. Apakah Anda mengetahui tentang apa itu data mining?



Ya 8 40%

Tidak 12 60%

Total 20 100%



responden mengetahui tentang apa itu data mining. Sedangkan 60% responden

tidak mengetahui tentang apa itu data mining.

40%

60%

Ya Tidak

91

5. Apakah aplikasi ini mudah digunakan?



Ya 18 90%

Tidak 2 10%

Total 20 100%



responden aplikasi ini mudah digunakan. Sedangkan 10% responden aplikasi

ini tidak mudah digunakan.

90%

10%

Ya Tidak

92

6. Apakah aplikasi ini membantu dalam memprediksi loyalitas karyawan?



Ya 20 100%

Tidak 0 0%

Total 20 100%



responden berpendapat aplikasi ini membantu dalam memprediksi loyalitas

karyawan.

100%

0%

Ya Tidak

93

7. Apakah aplikasi ini dapat membantu perusahaan dalam memberikan reward

kepada karyawan yang loyal terhadap perusahaan dan menghasilkan hasil yang

akurat?



Ya 19 95%

Tidak 1 5%

Total 20 100%



responden aplikasi ini dapat membantu perusahaan dalam memberikan reward

kepada karyawan yang loyal terhadap perusahaan dan menghasilkan hasil yang

akurat. Sedangkan 5% berpendapat aplikasi ini tidak dapat membantu

perusahaan. dalam memberikan reward kepada karyawan yang loyal terhadap

perusahaan dan menghasilkan hasil yang akurat.

95%

5%

Ya Tidak

94

8. Apakah aplikasi ini memiliki tampilan yang bagus dan tidak menganggu

penglihatan anda?



Ya 11 55%

Tidak 9 45%

Total 20 100%



responden berpendapat aplikasi ini memiliki tampilan yang bagus dan tidak

menganggu penglihatan. Sedangkan 45% responden berpendapat aplikasi ini

tidak memiliki tampilan yang bagus dan menganggu penglihatan.

55%

45%

Ya Tidak

95

9. Apakah aplikasi ini perlu dikembangkan kembali?



Ya 18 90%

Tidak 2 10%

Total 20 100%



responden berpendapat aplikasi ini perlu dikembangkan kembali. Sedangkan

10% responden berpendapat aplikasi ini tidak perlu dikembangkan kembali.

90%

10%

Ya Tidak

96

10. Apakah Anda berminat menggunakan aplikasi ini?



Ya 15 75%

Tidak 5 25%

Total 20 100%



responden berminat menggunakan aplikasi ini. Sedangkan 25% responden

tidak berminat menggunakan aplikasi ini.

75%

25%

Ya Tidak

97

Berikut adalah grafik analisa kuesioner keseluruhan

Gambar 4.23 Grafik analisa kuesioner keseluruhan

Dari seluruh hasil kuesioner yang telah dibagikan dan dijawab oleh

responden, kemudian jawaban tersebut dianalisis berdasarkan pilihan pengguna.

Dapat disimpulkan bahwa aplikasi ini dapat diterima dengan baik dimana statistik

menunjukan aplikasi ini mudah untuk digunakan, dapat membantu dalam

memprediksi loyalitas karyawan. Ditambah 75% responden berminat menggunakan

aplikasi ini.

19

15

13

8

18

2019

11

18

15

1

5

7

12

2

01

9

2

5

0

5

10

15

20

25

1 2 3 4 5 6 7 8 9 10

Ya Tidak

98

BAB V

SIMPULAN DAN SARAN

5.1. Simpulan

Berdasarkan uji coba dan evaluasi yang telah dilakukan maka dapat diambil

kesimpulan sebagai berikut:

1. Diketahui bahwa bidang ilmu data mining dengan algoritma C4.5 dapat

diimplmentasikan pada prediksi loyalitas karyawan, setelah menguji data set

dengan rapid miner, lalu menghitung kembali data set dengan perhitungan

manual maka didapat kan hasil accuracy sebagai nilai ketentuan seberapa besar

keakuratan aplikasi dalam menentukan baik buruknya kinerja karyawan untuk

menentukan loyalitas karyawan.

2. Penerapan Algoritma C4.5 pada prediksi loyalitas karyawan dapat

menghasilkan accuracy yang mencapai 92,80% dengan menggunakan aplikasi

RapidMiner.

3. Berdasarkan penelitian ini, dapat dikatakan bahwa loyal atau tidak loyal nya

karyawan dapat di lihat dari berapa lama karyawan tersebut berada di

perusahaan, jumlah proyek yang di kerjakan dan rata – rata jam kerja setiap

bulan.

99

5.2. Saran

Berdasarkan analisa yang telah dilakukan maka dapat diusulkan beberapa saran

agar aplikasi pembelajaran ini lebih baik lagi, yaitu:

1. Menggembangkan aplikasi ini dengan menggunakan data primer (asli).

2. Mengembangkan aplikasi prediksi ini dengan berbasis mobile.

3. Menggunakan algoritma klasifikasi data mining yang lain seperti algoritma

ID3, Naïve Bayes, Neural Network, untuk dapat membandingkan tingkat

akurasi hasil yang diperoleh.

100

DAFTAR PUSTAKA

Anggriawan. (2017). Gaya Komunikasi Pimpinan Terhadap Motivasi Kerja Karyawan

Pada PT. Perusahaan Listrik Negara (PLN) Persero Area Pelayanan Di

Samarinda, eJournal Ilmu Komunikasi, Volume 5, Nomor 4, 2017, ISSN 2502-

5961

Asmara. (2016). Sistem Informasi Pengolahan Data Penanggulangan Bencana Pada

Kantor Badan Penanggulangan Bencana Daerah (BPBD) Kabupaten Padang

Pariaman, Jurnal J-Click Vol 3 No 2 Desember 2016, ISSN : 2355-7958 e-ISSN :

2541-2469S

Ayu, dan Permatasari.(2018). Perancangan Sistem Informasi Pengolahan Data Praktek

Kerja Lapangan (PKL) Pada Devisi Humas PT. Pegadaian, Jurnal Intra-Tech

Volume 2, No.2 Oktober 2018 ISSN. 2549-0222

Barri, Lumenta, dan Wowor. (2015). Perancangan Aplikasi SMS GATEWAY Untuk

Pembuatan Kartu Perpustakaan di Fakultas Teknik Unsrat, E-journal Teknik

Elektro dan Komputer (2015), ISSN : 2301-8402

Binarso, Sarwoko, dan Bahtiar. (2012). Pembangunan Sistem Informasi Berbasis Web

Pada Program Studi Teknik Informatika Universitas Diponegoro,

https://ejournal3.undip.ac.id/index.php/joint

Budiastawa, Santiyasa, dan Pramartha. (2019). Prediksi Dan Akurasi Nilai Tukar Mata

Uang Rupiah Terhadap US Dolar Menggunakan Radial Basis Function Neural

Network, Jurnal Elektronik Ilmu Komputer Udayana, Volume 7, No 4. Mei 2019 p-

ISSN: 2301-5373 e-ISSN: 2654-5101

Destiningrum, dan Adrian. (2017). Sistem Informasi Penjadwalan Dokter Berbasis Web

Dengan Menggunakan Framework Codeigniter (Studi Kasus: Rumah Sakit Yukum

Medical Centre), Jurnal TEKNOINFO, Vol. 11, No. 2, 2017, 30-37. ISSN 1693

0010

Dhika. (2015). Kajian Perancangan Rule Kenaikan Jabatan Pada PT. ABC, Jurnal

SIMETRIS, Vol 6 No 2 November 2015, ISSN: 2252-4983.

Eska. (2016). Penerapan Data Mining Untuk Prediksi Penjualan Wallpaper Menggunakan

Algoritma C4.5, JURTEKSI (Jurnal Teknologi dan Sistem Informasi), Vol 2,

Nomor 2, Maret 2016, ISSN 2407 - 1811

Haryati, Sudarsono, dan Suryana. (2015). Implementasi Data Mining Untuk Memprediksi

Masa Strudi Mahasiswa Menggunakan Algoritma C4.5 (Studi Kasus: Univversitas

Dehasen Bengkulu), Jurnal Media Infotama Vol. 11 No. 2, September 2015, ISSN

1858 – 2680.

https://ejournal3.undip.ac.id/index.php/joint

101

Hastanti, Purnama, dan Wardati. (2015). Sistem Penjualan Berbasis Web (E-Commerce)

Pada Tata Distro Kabupaten Pacitan, Jurnal Bianglala Informatika Vol 3 No 2

September 2015, ISSN : 2338-8145.

Ikhsan, dan Kurniawan. (2015). Implementasi Sistem Kendali Cahaya Dan Sirkulasi

Udara Ruangan Dengan Memanfaatkan PC Dan Mikrokontroler Atmega8, Jurnal

TEKNOIF, Vol. 3 No. 1 April 2015 ISSN: 2338-2724.

Iswandy. (2015). Sistem Penunjang Keputusan Untuk Menentukan Penerimaan Dana

Santunan Sosial Anak Nagari dan Penyaluran Bagi Mahasiswa dan Pelajar

Kurang Mampu Di Kenagarian Barung – Barung Balantai Timur, Jurnal

TEKNOIF, Vol. 3 No. 2 Oktober 2015, ISSN: 2338-2724.

Juansyah. (2015). Pembangunan Aplikasi Child Tracker Berbasi Asisited-Global

Positioning System (A-GPS) Dengan Platform Android, Jurnal Ilmiah Komputer

dan Informatika (KOMPUTA), Edisi. 1 Volume. 1 Agustus 2015 ISSN: 2089-9033.

Julianto, Yunitarini, dan Sophan. (2014). Algoritma C4.5 Untuk Penilaian Kinerja

Karyawan, Universitas Trunojoyo Madura, VOL. IX NOMOR 2 JUNI 2014 ISSN:

1978-0087.

Khairil, Kanedi, dan Aspriyono. (2014). Permainan Dalam Perhitungan Perkalian Berbasis

Online Menggunakan Flash, Jurnal Media Infotama Vol.8 No.2 September 2012,

ISSN : 1858 – 2680.

Kurniawan. (2017). Penerapan Algoritma C4.5 Dalam Penerimaan Calon Karyawan

PT.TELKOM Akses Area Lampung Berbasis Website, Jurnal SEMNAS IIB

DARMAJAYA, ISSN: 2598 – 0246 | E-ISSN: 2598-0238

Mardi. (2016). Data Mining Klasifikasi Menggunakan Algoritma C4.5, Jurnal Edik

Informatika, ISSN: 2407-0491.

Masuara. (2015). Rancang Bangun E-Ticketing Bioskop Studio 21 Manado Berbasis

Multiplatform, E-Journal Teknik Elektro dan Komputer (2015), ISSN :2301-8402.

Maulana. (2017). Pembelajaran Dasar Algortima Dan Pemrograman Menggunakan El-

goritma Berbasis Web, Jurnal Teknik Mesin (JTM): Vol. 06, Edisi Spesial 2017,

ISSN 2549 – 2888.

Naufal, Wahono, dan Syukur. (2015). Penerapan Bootstrapping untuk Ketidakseimbangan

Kelas dan Weighted Information Gain untuk Feature Selection pada Algoritma

Support Vector Machine untuk Prediksi Loyalitas Pelanggan, Universitas Dian

Nuswantoro, Vol. 1, No. 2, December 2015 ISSN 2356-3982.

Palit, (2015), Rancangan Sistem Informasi Keuangan GerejaBerbasis Web Di Jemaat

GMIM Bukit Moria Malalayang, E-Journal Teknik Elektro dan Komputer vol. 4 no.

7 (2015), ISSN : 2301-8402

102

Pebriadi. (2016). Rekayasa Perangkat Lunak Pemesanan Tiket Bioskop Berbasis Web,

Jurnal TEKNOIF Vol. 4 No. 2 Oktober 2016 ISSN: 2338-2724

Pramadhani dan Setiadi. (2014). Penerapan Data Mining Untuk Klasifikasi Prediksi

Penyakit ISPA (Infeksi Saluran Pernapasan Akut) Dengan Algoritma Decision Tree

(ID3), Jurnal Sarjana Teknik Informatika Volume 2 Nomor 1, Februari 2014, e-

ISSN: 2338-5197

Pratama, (2019). Algoritma C4.5 Untuk Klasifikasi Nasabah Dalam Memprediksi Kredit

Macet, INFORMATION SYSTEM FOR EDUCATORS AND PROFESSIONALS

Vol.3, No. 2, Juni 2019, 121 – 130 E-ISSN: 2548-3587

Prayitno, dan Safitri. (2015). Pemanfaatan Sistem Informasi Perpustakaan Digital

Berbasis Website Untuk Para Penulis, Volume 1 No 1 – 2015, ISSN :

24610690.volume 1 No 1 – 2015

Prijono, B. (2017, Agustus 22). Penggunaan kaggle untuk pemula. Retrieved November

27, 2018, from indoml: https://indoml.com

Romadhon. (2019). Perancangan Website Sistem Informasi Simpan Pinjam Menggunakan

Framework Codeigniter Pada Koperasi Bumi Sejahtera Jakarta, Vol.3 No.1

Februari 2019 ISSN : 2597-3673 (Online) ISSN : 2579-5201 (Printed)

Sukma, Halfis, dan Hermawan. (2019). Klasifikasi Channel Youtube Indonesia

Menggunakan Algoritma C4.5, Volume V No. 1 Februari 2019 P-ISSN 2442-2436,

E-ISSN: 2550-0120

Valentino, dan Haryadi.(2016). Loyalitas Karyawan Pada CV Trijaya Manunggal,

AGORA Vol. 4, No. 2, (2016) ISSN 2251-4783

Winarno, dan Utomo. (2014). Pemrograman Web Berbasis HTML5, PHP & JavaScript.

Jakarta:Elex Media Komputindo, Jurnal Sistem Informasi (JSI). Vol 4. No. 2,

ISSN:3071-4671.

https://indoml.com/

103

DAFTAR RIWAYAT HIDUP

Data Pribadi

Nama Lengkap : Ryanwar

Tempat, Tanggal Lahir : Jakarta, 12 September 1994

Jenis Kelamin : Laki-laki

Alamat Lengkap : Perumahan Taman Royal 3 Cluster Edelweiss 5 no. 6,

Poris Plawad, Tangerang

Agama : Buddha

No. Telp : 0812 8051 3087

E-mail : [email protected]

Pendidikan Formal

2000 – 2006 Sekolah Dasar Negeri Ketapang, Tanjung Kait

2006 – 2009 Sekolah Menengah Pertama Negeri 1 Mauk, Mauk

2009 – 2011 Sekolah Menengah Kejuruan Bonavita, Tangerang

2012 – 2013 PKBM PANCAKARYA, Tangerang

2014 - sekarang Program Studi Teknik Informatika, Peminatan Database, Universitas

Buddhi Dharma, Tangerang

Tangerang, 13 Januari 2020

Ryanwar

Documents

PENERAPAN METODE ALGORITMA C4.5 UNTUK …