Upload
others
View
6
Download
0
Embed Size (px)
Citation preview
PENERAPAN METODE NAIVE BAYES UNTUK
PREDIKSI MENENTUKAN KARYAWAN TETAP
PADA PT. YSP INDUSTRIES INDONESIA
SKRIPSI
Oleh:
AZIS ZED ALI MUHAMMAD BAJABIR
311410058
TEKNIK INFORMATIKA
SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA
BEKASI
2018
PENERAPAN METODE NAIVE BAYES UNTUK
PREDIKSI MENENTUKAN KARYAWAN TETAP
PADA PT. YSP INDUSTRIES INDONESIA
SKRIPSI
Diajukan Sebagai Salah Satu Syarat Untuk Menyelesaikan
Program Strata Satu (S1) pada Program Studi Teknik Informatika
Oleh:
AZIS ZED ALI MUHAMMAD BAJABIR
311410058
TEKNIK INFORMATIKA
SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA
BEKASI
2018
i
ii
iii
iv
KATA PENGANTAR
Puji syukur penulis panjatkan ke hadiran Allah SWT. yang telah melimpahkan
segala rahmat dan hidayah-Nya, sehingga tersusunlah Skripsi yang berjudul
“PENERAPAN METODE NAIVE BAYES UNTUK PREDIKSI MENENTUKAN
KARYAWAN TETAP PADA PT. YSP INDUSTRIES INDONESIA”.
Skripsi tersusun dalam rangka melengkapi salah satu persyaratan dalam
rangka menempuh ujian akhir untuk memperoleh gelar Sarjana Komputer (S.Kom.)
pada Program Studi Teknik Informatika di Sekolah Tinggi Teknologi Pelita Bangsa.
Penulis sungguh sangat menyadari, bahwa penulisan Skripsi ini tidak akan
terwujud tanpa adanya dukungan dan bantuan dari berbagai pihak. Sudah
selayaknya, dalam kesempatan ini penulis menghaturkan penghargaan dan ucapan
terima kasih yang sebesar-besarnya kepada:
a. Bapak Dr. Ir. Suprianto, M.P selaku Ketua STT Pelita Bangsa
b. Bapak Aswan Supriyadi Sunge, S.E., M.Kom. selaku Ketua Program Studi
Teknik Informatika STT Pelita Bangsa.
c. Bapak Candra Naya, S.Kom, M.Kom selaku Pembimbing Utama yang telah
banyak memberikan arahan dan bimbingan kepada penulis dalam penyusunan
Skripsi.
d. Bapak Giri Nurpribadi, S.T.P., M.M selaku Pembimbing Kedua yang telah
banyak memberikan arahan dan bimbingan kepada penulis dalam penyusunan
Skripsi.
e. Seluruh Dosen STT Pelita Bangsa yang telah membekali penulis dengan
wawasan dan ilmu di bidang teknik informatika.
f. Seluruh staf STT Pelita Bangsa yang telah memberikan pelayanan terbaiknya
kepada penulis selama perjalanan studi jenjang Strata 1.
g. Rekan-rekan mahasiswa STT Pelita Bangsa, khususnya angkatan 2014, yang
telah banyak memberikan inspirasi dan semangat kepada penulis untuk dapat
menyelesaikan studi jenjang Strata 1.
h. Ibu dan Ayah tercinta yang senantiasa mendo’akan dan memberikan semangat
dalam perjalanan studi Strata 1 maupun dalam kehidupan penulis.
v
Akhir kata, penulis mohon maaf atas kekeliruan dan kesalahan yang terdapat
dalam Skripsi ini dan berharap semoga Skripsi ini dapat memberikan manfaat bagi
khasanah pengetahuan Teknologi Informasi di lingkungan STT Pelita Bangsa
khususnya dan Indonesia pada umumnya.
Bekasi, 27 Oktober 2018
Azis Zed Ali Muhammad Bajabir
vi
DAFTAR ISI
PERSETUJUAN ...................................................................................................... i
PENGESAHAN ...................................................................................................... ii
PERNYATAAN KEASLIAN PENELITIAN ....................................................... iii
KATA PENGANTAR ........................................................................................... iv
DAFTAR ISI .......................................................................................................... vi
DAFTAR TABEL ................................................................................................... x
DAFTAR GAMBAR ............................................................................................. xi
ABSTRACT ............................................................................................................ xii
ABSTRAK ........................................................................................................... xiii
BAB I PENDAHULUAN ....................................................................................... 1
1.1 Latar Belakang ......................................................................................... 1
1.2 Identifikasi Masalah ................................................................................. 5
1.3 Rumusan Masalah .................................................................................... 5
1.4 Batasan Masalah ....................................................................................... 6
1.5 Tujuan Penelitian ...................................................................................... 6
1.6 Manfaat Penelitian .................................................................................... 6
1.6.1 Manfaat Bagi Akademik Manfaat penelitian ini bagi Akademik
diantaranya yaitu:........................................................................................... 7
1.6.2 Manfaat Bagi Penulis .................................................................... 7
vii
1.6.3 Manfaat Bagi Pembaca .................................................................. 7
1.6.4 Manfaat Bagi PT. YSP Industries Indonesia ................................. 7
BAB II TINJAUAN PUSTAKA ............................................................................. 9
2.1 Tinjauan Pustaka ...................................................................................... 9
2.1.1 Pengertian Tinjauan Pustaka ......................................................... 9
2.1.2 Kegunaan Tinjauan Pustaka ........................................................ 10
2.1.3 Kajian Pustaka ............................................................................. 11
2.2 Dasar Teori ............................................................................................. 12
2.2.1 Prediksi ........................................................................................ 12
2.2.2 Karyawan ..................................................................................... 13
2.2.2.1 Fungsi dan Peranan Karyawam ................................................... 14
2.2.2.2 Jenis-Jenis Karyawan .................................................................. 14
2.2.3 Data Mining ................................................................................ 16
2.2.4 Naive Bayes ................................................................................. 20
2.3 Kerangka Berfikir ................................................................................... 21
BAB III METODE PENELITIAN........................................................................ 22
3.1 Metode Penelitian ................................................................................... 22
3.2 Tahapan Penelitian ................................................................................. 22
3.3 Populasi dan Sampel Penelitian ............................................................. 24
3.3.1 Populasi ....................................................................................... 24
3.3.2 Sampel ......................................................................................... 24
viii
3.4 Pengumpulan Data ................................................................................. 24
3.4.1 Metode Pengumpulan Data ......................................................... 24
3.5 Jenis Penelitian ....................................................................................... 25
3.6 Pemodelan .............................................................................................. 26
3.7 Evaluasi .................................................................................................. 26
3.8 Objek Penelitian ..................................................................................... 27
3.8.1 Sejarah Perusahaan ...................................................................... 27
3.8.2 Tujuan Perusahaan ...................................................................... 27
3.8.3 Kebijakan Mutu ........................................................................... 28
3.8.4 Visi dan Misi ............................................................................... 28
3.8.5 Struktur Organisasi ...................................................................... 28
3.9 Variabel Penelitian ................................................................................. 29
3.10 Metode Analisis Data.......................................................................... 31
3.11 Persamaan Metode Neive Bayes ......................................................... 32
3.12 Alur Metode Naïve Bayes ................................................................... 35
3.13 Perangkat Lunak Data mining ............................................................ 36
BAB IV HASIL DAN PEMBAHASAN .............................................................. 37
4.1 Hasil Penelitian ....................................................................................... 37
4.1.1 Data Awal .................................................................................... 37
4.1.2 Data Usulan ................................................................................. 38
4.2 Pembahasan ............................................................................................ 38
ix
4.2.1 Menentukan Kriteria .................................................................... 38
4.2.2 Perhitungan Algoritma Naive Bayes ........................................... 38
4.2.3 Menghitung Probabilitas Kelas ................................................... 38
4.2.4 Menghitung Probabilitas Masing-Masing Atribut ...................... 39
4.2.5 Menghitung Probabilitas Akhir Untuk Setiap Kelas ................... 42
4.2.6 Kasus Perhitungan Naive Bayes .................................................. 43
4.2.7 Analisa Algoritma Naive Bayes dengan Rapid Miner ................. 44
4.2.8 Akurasi Prediksi .......................................................................... 46
BAB V KESIMPULAN ........................................................................................ 52
5.1 Kesimpulan ............................................................................................. 52
5.2 Saran ....................................................................................................... 52
DAFTAR PUSTAKA ........................................................................................... 54
LAMPIRAN .......................................................................................................... 55
Sampel Data training .................................................................................. 55
Hasil data testing dengan Rapid Miner ....................................................... 63
x
DAFTAR TABEL
Tabel 3. 1 Kriteria................................................................................................. 29
Tabel 4. 1 Probabilitas Kelas ................................................................................ 39
Tabel 4. 2 Atribut Pengetahuan kerja ................................................................... 39
Tabel 4. 3 Atribut Kemampuan Untuk Merencanakan dan Mengatur ................. 40
Tabel 4. 4 Artibut Penerimaan Tanggung Jawab ................................................. 40
Tabel 4. 5 Atribut Kerjasama / Hubungan Manusia ............................................. 40
Tabel 4. 6 Atribut Pencapaian tujuan ................................................................... 41
Tabel 4. 7 Atribut Penilaian dan pengambilan keputusan .................................... 41
Tabel 4. 8 Atribut Kehadiran ................................................................................ 41
Tabel 4. 9 Atribut Inovasi ..................................................................................... 42
Tabel 4. 10 Atribut Penetapan sasaran / tujuan .................................................... 42
xi
DAFTAR GAMBAR
Gambar 2. 1 Bidang ilmu data mining ................................................................ 17
Gambar 2. 2 Kerangka Berfikir ........................................................................... 21
Gambar 3. 1 Tahapan Penelitian.......................................................................... 23
Gambar 3. 2 Pemodelan....................................................................................... 26
Gambar 3. 3 Struktur Organisasi ......................................................................... 29
Gambar 3. 4 Alur Metode Naïve Bayes .............................................................. 35
Gambar 4. 1 Proses Rapid Miner......................................................................... 45
Gambar 4. 2 Hasil Prediksi Rapid Miner ............................................................ 46
Gambar 4. 3 Proses Training dan Testing ........................................................... 47
Gambar 4. 4 Akurasi ............................................................................................ 48
Gambar 4. 5 Precision ......................................................................................... 49
Gambar 4. 6 Recall .............................................................................................. 50
Gambar 4. 7 Kurva ROC ..................................................................................... 51
xii
ABSTRACT
The appointment of prospective employees remains the agenda carried out
by the company where career development efforts for a contract employee have
been carried out during the contract agreement period. Good and qualified
employees certainly have a positive impact on the company they work for. The
criteria used to determine whether an employee is eligible or not to become a
permanent employee is absenteeism, personality, achievement, and so on. One
method that can be used for this is the data mining method or the Naive Bayes
algorithm method. The Naive Bayes Classifier algorithm is one of the statistical
classifiers, where these classifiers can predict the probability of class membership
in a data that will enter a particular class, according to the probability calculation.
This analysis uses rapidminer which is a data analysis software with several
algorithm features that are easy to operate. Prediction results using rapidminer to
determine permanent employees quickly and accurately, from testing conducted by
comparing training data with testing data obtained an accuracy rate of 94%.
Keywords: Data mining, Employee Appointment, Naïve Bayes Algorithm
xiii
ABSTRAK
Pengangkatan calon pegawai tetap merupakan agenda yang dilaksanakan
oleh perusahaan dimana usaha pengembangan karir bagi seorang pegawai kontrak
yang telah dijalaninya selama masa perjanjian kontrak. Pegawai yang baik dan
berkualitas tentu saja memiliki dampak yang positif terhadap perusahaan tempat
mereka bekerja. Kriteria yang digunakan untuk menentukan apakah seorang
pegawai layak atau tidak untuk menjadi pegawai tetap yaitu absensi, kepribadian,
prestasi, dan lain sebagainya. Salah satu metode yang dapat digunakan untuk hal
ini adalah dengan metode data mining atau metode algoritma Naive Bayes.
Algoritma Naive Bayes Classifier merupakan salah satu pengklasifikasi statistik,
dimana pengklasifikasi ini dapat memprediksi probabilitas keanggotaan kelas suatu
data yang akan masuk ke dalam kelas tertentu, sesuai dengan perhitungan
probabilitas. Analisa ini menggunakan rapidminer yang merupakan software
analisa data dengan fitur beberapa algoritma yang mudah untuk dioperasikan. Hasil
prediksi menggunakan rapidminer untuk menentukan karyawan tetap dengan cepat
dan akurat, dari pengujian yang dilakukan dengan membandingkan data training
dengan data testing didapat tingkat akurasi sebesar 94%.
Kata kunci: Data mining, Pengangkatan Karyawan, Algoritma Naïve Bayes
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Pengangkatan calon pegawai tetap merupakan agenda yang dilaksanakan
oleh perusahaan dimana usaha pengembangan karir bagi seorang pegawai kontrak
yang telah dijalaninya selama masa perjanjian kontrak. Seleksi pengangkatan calon
pegawai tetap dilakukan dalam suatu periode waktu tertentu dan pada periode
pelaksananya berhak mengajukan pegawai yang dipromosikan layak untuk menjadi
pegawai tetap,hanya pegawai yang memiliki potensi dan prestasi yang berhak
mendapatkan kesempatan untuk menjadi pegawai tetap.
Kriteria yang digunakan untuk menentukan apakah seorang pegawai layak
atau tidak untuk menjadi pegawai tetap yaitu absensi, kepribadian, prestasi, dan lain
sebagainya. Dengan penilaian tehadap kriteria tersebut, perusahaan dapat
mempertimbangkan dan memberikan keputusan urutan prioritas kelayakannya.
Namun pada pelaksanaan kriteria-kriteria tersebut tidak mempunyai bobot yang
baku sehingga terjadi penyamaan diantara kriteria tersebut. Padahal suatu kriteria
dapat menjadi lebih penting dari kriteria yang lain dengan berbagai pertimbangan
oleh badan usaha tersebut.
Pegawai yang baik dan berkualitas tentu saja memiliki dampak yang positif
terhadap perusahaan tempat mereka bekerja. Oleh karena itu perusahaan harus
menyeleksi orang-orang yang ingin masuk dan bekerja ke dalam perusahaan itu
dengan baik. Saat ini persaingan untuk mendapatkan pekerjaan semakin ketat,
2
dimana lapangan pekerjaan yang tersedia semakin sedikit dan proses perekrutan
dan seleksi karyawan semakin ketat, sehingga kesempatan orang untuk
memperoleh pekerjaan semakin sulit. Kemudian dapat dikatakan lebih lanjut bahwa
tujuan utama dari seleksi pegawai tetap adalah untuk mendapatkan orang yang
tepat bagi suatu jabatan tertentu , sehingga orang tersebut mampu bekerja secara
optimal dan dapat bertahan di Instansi dalam jangka waktu lama.
Meskipun tujuannya terdengar sangat sederhana , proses pengangkatan
pegawai tetap tersebut sangatlah kompleks , memakan waktu yang lama dan sangat
terbuka peluang untuk melakukan kesalahan dalam menentukan orang yang tepat.
Untuk mendapatkan karyawan yang bagus dibuatlah sebuah kontrak kerja atau yang
biasa disebut dengan Perjanjian kontrak Waktu Tertentu ( PKWT ) dan Perjanjian
kontrak Waktu Tidak Tentu ( PKWTT ), apabila PKWTT dibuat secara lisan maka
dapat mensyaratkan adanya masa percobaan kerja paling lama 3 bulan, Bila ada
yang mengatur lebih dari 3 bulan , maka demi hukum sejak bulan keempat, Pekerja
sudah dinyatakan sebagai pekerja tetap ( PKWTT).
Adapun UU yang mengatur tentang kontrak kerja karyawan UU No.13
Tahun 2003 Tentang Ketenegakerjaan adalah perjanjian antara pekerja/buruh
dengan pengusaha atau pemberi kerja yang memuat syarat-syarat kerja, hak, dan
kewajiban para pihak. Ketentuan umum PKWT menurut Kepmenaker No. 100
tahun 2004 Tentang Ketentuan Pelaksanaan Perjanjian Waktu Tertentu, perjanjian
kerja ada 2; Perjanjian kerja waktu tertentu ( PKWT )dan Perjanjian waktu tidak
tertentu (PKWTT). PKWT bersifat sementara sedangkan PKWTT perjanjian antara
pekerja dengan pengusaha yang bersipat tetap ( karyawan tetap ).
3
Manfaat dari proses perekrutan dan seleksi adalah untuk mendapatkan orang
yang tepat untuk sumber daya manusia yang baru. Terutama jika pengangkatan
karyawan merupakan sesuatu yang penting untuk keberhasilan atau kegagalan suatu
perusahaan.
Dalam proses seleksi karyawan tetap, perusahaan herus betul-betul
membuat sebuah peraturan yang ketat dalam mencari karyawan tetap dengan
melihat spesifikasi para pegawai kontrak. Di PT.YSP Industries Indonesia yaitu
tempat dilakukannya penelitian, sering terjadi kesalahan dalam melakukan
penilaian terhadap karyawan yang akan diangkat sebagai karyawan tetap, seperti
adanya karyawan yang memiliki beberapa absent, pengetahuan kerja yang kurang,
tidak memiliki inovasi, kurangnya dalam mengambil keputusan, Salah satu metode
yang dapat digunakan untuk hal ini adalah dengan metode data mining atau metode
algoritma Naive Bayes.
Algoritma Naive Bayes Classifier merupakan salah satu pengklasifikasi
statistik, dimana pengklasifikasi ini dapat memprediksi probabilitas keanggotaan
kelas suatu data yang akan masuk ke dalam kelas tertentu, sesuai dengan
perhitungan probabilitas. Pengklasifikasi bayes didasari oleh teorema bayes yang
ditemukan oleh Thomas Bayes pada abad ke-18. Dalam studi pembandingan
algoritma klasifikasi telah ditemukan simple bayesian atau yang biasa dikenal
dengan Naïve Bayes classifier. Naïve Bayes classifier menunjukkan akurasi dan
kecepatan yang tinggi bila diterapkan pada database yang besar. Metode ini sering
digunakan dalam menyelesaikan masalah dalam bidang mesin pembelajaran karena
metode ini dikenal memiliki tingkat akurasi yang tinggi dengan perhitungan
4
sederhana. Teorema bayes merupakan dasar aturan dari naive bayes
classifier(Handayani & Pribadi, 2015).
Keuntungan penggunanan adalah bahwa metode ini hanya membutuhkan
jumlah data pelatihan ( data training ) yang kecil untuk menentukan estimasi
parameter yg diperlukan dalam proses pengklasifikasian. Karena yg diasumsikan
sebagai variabel independent, maka hanya varians dari suatu variabel dalam
sebuah kelas yang dibutuhkan untuk menentukan klasifikasi, bukan keseluruhan
dari matriks kovarians.
Algoritma Naive Bayes dapat digunakan untuk meneliti berbagai macam
hal, diantaranya adalah menentukan karyawan terbaik. Sebelumnya juga telah ada
yang melakukan penelitian yang serupa dengan menggunakan algoritma ini, namun
atribut yang digunakan untuk mengklarifikasikan keputusan berbeda.Tingkat
akurasi yang didapatkan menggunakan algoritma Naive Bayes ini sudah cukup
tinggi, oleh karena itu dapat disimpulkan algoritma ini cocok untuk
diimplementasikan pada penelitian yang melibatkan proses perekrutan karyawan
tetap.
Berdasarkan penelitian inilah algoritma Naive Bayes diputuskan untuk
digunakan pada penelitian ini karena algoritma ini lebih kuat daripada algoritma
lainnya. Data pegawai yang bekerja sebagai pegawai lapangan akan digunakan
sebagai data training yang akan digunakan untuk memprediksi pengangkatan
karyawan tetap dan mengetes tingkat keberhasilan prediksi tersebut menggunakan
data testing terhadap karyawan yang masih kontrak.
5
1.2 Identifikasi Masalah
Berdasarkan latar belakang yang telah disampaikan, maka masalah yang
dapat diidentifikasi dalam penelitian ini, antara lain :
1. Proses pemilihan karyawan tetap belum sepenuhnya terkomputerisasi, dan
sering terjadi ketidaktepatan pada penilaian dalam memberikan nilai.
2. Banyaknya kriteria dalam penilaian sehingga pada sistem yang berjalan
saat ini masih kurang efektif dan tidak mudah untuk menentukan karyawan
yang memenuhi standar kompetensi yang ditentukan.
1.3 Rumusan Masalah
Seleksi pengangkatan calon pegawai tetap dilakukan dalam suatu periode
tertentu, pegawai yang baik dan berkualitas tentu saja memiliki dampak yang positif
terhadap perusahaan tempat mereka bekerja, oleh karena itu perusahaan harus
menyeleksi orang-orang yang ingin masuk dan bekerja kedalam perusahaan itu
dengan baik, meskipun tujuannya terdengar sangat sederhana akan tetapi proses
pengangkatan pegawai tetap tesebut sangatlah kompleks, memakan waktu yang
lama dan sangat terbuka peluang untuk melakukan kesalahan dalam menentukan
orang yang tepat, berdasarkan latar belakang yang telah dipaparkan, maka
permasalahan yang akan dirumuskan dalam penelitian ini ialah sebagai berikut.
1. Bagaimana mendapatkan hasil Analisis untuk memprediksi calon karyawan
tetap dengan cepat dan akurat ?
2. Bagaimana membuat suatu prediksi klasifikasi yang mampu menyeleksi
calon pegawai tetap dengan metode Data Mining algoritma Naive Bayes.?
6
1.4 Batasan Masalah
Adapun yang menjadi batasan masalah agar tidak menyimpang dari
maksud dan tujuan yang sebenarnya, maka penulis membatasi masalah pada
penulisan ini, batasan masalahnya sebagai berikut :
1. Penelitian ini terbatas hanya untuk ruang lingkup pengangkatan karyawan
tetap saja.
2. Sistem pendukung keputusan dibangun dengan menggunakan metode Naive
Bayes .
3. Data yang digunakan sebagai uji coba adalah data di PT.YSP Industries
Indonesia.
1.5 Tujuan Penelitian
Berdasarkan dari latar belakang permasalahan, maka tujuan yang akan di
capai dalam penelitian ini adalah sebagai berikut:
1. Memudahkan permasalahan dalam menentukan calon pegawai tetap yang
diharapkan oleh management department.
2. Dapat mengklarifikasikan kelayakan karyawan untuk menentukan calon
pegawai tetap dan dapat dipertanggung jawabkan oleh setiap management
department.
1.6 Manfaat Penelitian
Manfaat yang diperoleh dengan tercapainya tujuan penelitian ini
diantaranya yaitu:
7
1.6.1 Manfaat Bagi Akademik Manfaat penelitian ini bagi Akademik
diantaranya yaitu:
1. Menambah perbendaharaan literatur ilmiah yang ada di Sekolah Tinggi
Teknologi Pelita Bangsa baik secara kualitas maupun kuantitas.
2. Dapat dijadikan sebagai tolak ukur penilaian penyelenggaraan Pendidikan
di Sekolah Tinggi Teknologi Pelita Bangsa Cikarang.
1.6.2 Manfaat Bagi Penulis
Manfaat Penelitian ini bagi penulis diantaranya yaitu:
1. Sebagai sarana untuk menerapkan ilmu yang telah didapatkan selama
perkuliahan.
2. Memberikan pengalaman dalam memahami kondisi di perusahaan dan
memberikan solusi terkait masalah yang dihadapi.
3. Menambah pemahaman dan pengalaman terutama dalam bidang kajian data
mining khususnya algoritma Naive Bayes.
1.6.3 Manfaat Bagi Pembaca
Dapat digunakan sebagai informasi dan tambahan pengetahuan tentang
perancangan Sistem untuk klasifikasi calon pegawai tetap dengan menggunakan
algoritma Naive Bayes.
1.6.4 Manfaat Bagi PT. YSP Industries Indonesia
Dengan adanya penerapan algoritma naive bayes untuk menentukan calon
pegawai tetap pada PT.YSP Industreis Indonesia ini dapat membantu menyediakan
8
pengetahuan dan informasi yang bisa dijadikan acuan pihak PT untuk menilai calon
pegawai dengan record data yang ada untuk penilaian karyawan selanjutnya.
9
BAB II
TINJAUAN PUSTAKA
2.1 Tinjauan Pustaka
2.1.1 Pengertian Tinjauan Pustaka
Tinjauan Pustaka mempunyai arti peninjauan kembali pustaka-pustaka yang
sesuai dengan arti tersebut, suatu tinjauan pustaka berfungsi sebagai peninjauan
kembali pustaka, laporan penelitian, dan sebagainya, tentang masalah yang
berkaitan, tidak selalu harus tepat identik dengan bidang permasalahan yang
dihadapi tetapi termasuk yang seiring dan berkaitan. Fungsi peninjauan kembali
pustaka yang berkaitan merupakan hal yang mendasar dalam penelitian, seperti
dinyatakan oleh Leedy (1997) bahwa semakin banyak seorang peneliti mengetahui,
mengenal dan memahami tentang penelitian-penelitian yang pernah dilakukan
sebelumnya yang berkaitan erat dengan topik penelitiannya, semakin dapat
dipertanggung jawabkan caranya meneliti permasalahan yang dihadapi.
Pengetahuan tentang cara-cara penulisan tinjauan pustaka yang lazim
dilakukan meliputi empat hal (Djunaedi, 2000), yaitu:
1. Kegunaan
2. Organisasi tinjauan pustaka
3. Kaitan tinjauan pustaka dengan daftar pustaka, dan
4. Cara pencarian bahan-bahan pustaka, terutama dengan memanfaatkan
teknologi informasi.
10
2.1.2 Kegunaan Tinjauan Pustaka
Leedy (1997, hal. 71) menerangkan bahwa suatu tinjauan pustaka
mempunyai kegunaan untuk:
1. mengungkapkan penelitian-penelitian yang serupa dengan penelitian yang
akan kita lakukan; dalam hal ini, diperlihatkan cara penelitian-penelitian
tersebut menjawab permasalahan dan merancang metode penelitiannya.
2. membantu memberi gambaran tentang metode dan teknik yang dipakai
dalam penelitian yang mempunyai permasalahan serupa atau mirip
penelitian yang kita hadapi.
3. mengungkapkan sumber-sumber data atau judul-judul pustaka yang
berkaitan yang mungkin belum kita ketahui sebelumnya.
4. mengenal peneliti-peneliti yang karyanya penting dalam permasalahan yang
kita hadapi yang mungkin dapat dijadikan nara sumber atau dapat ditelusuri
karya -karya tulisnya yang mungkin terkait.
5. memperlihatkan kedudukan penelitian yang akan kita lakukan dalam
sejarah perkembangan dan konteks ilmu pengetahuan atau teori tempat
penelitian ini berada.
6. mengungkapkan ide-ide dan pendekatan-pendekatan yang mungkin belum
kita kenal sebelumya.
7. membuktikan keaslian penelitian bahwa penelitian yang kita lakukan
berbeda dengan penelitian-penelitian sebelumnya.
8. mampu menambah percaya diri kita pada topik yang kita pilih karena telah
ada pihak-pihak lain yang sebelumnya juga tertarik pada topik tersebut dan
11
mereka telah mencurahkan tenaga, waktu dan biaya untuk meneliti topik
tersebut.
2.1.3 Kajian Pustaka
Dibawah ini adalah beberapa penelitan tentang data mining ataupun
mendekatai penelitain yang digunakan sebagai bahan referensi :
1. Data mining Menggunakan Algoritma Naive Bayes Untuk Klasifikasi
Kelulusan Mahasiswa Universitas Dian Nuswantoro dengan tingkat akurasi
sebesar 82,08 %
Oleh: Yuda Septian Nugroho
Jurusan Sistem Informasi, Fakultas Ilmu Komputer, Universitas Dian
Nuswantoro Email: [email protected] ( 2009 )
2. Sistem Pendukung Keputusan Penentuan Kelayakan Calon Tenaga Kerja
Indonesia Menggunakan Metode Naive bayes (Studi Kasus: Di P.T.
Karyatama Mitra Sejati Yogyakarta) 2014
3. Sistem Pendukung Keputusan Penentuan Kelayakan Calon Tenaga Kerja
Menggunakan Metode Naive Bayes Classification (Studi Kasus Cv. Lingkar
Aksi) Bayu Setyaji, Pujiono, SSi, M.kom Program Studi Sistem Informasi-
S1, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang Jl.
KS Tubun 1 Ungaran, 50517 Email : [email protected] (2012)
12
2.2 Dasar Teori
2.2.1 Prediksi
Pengertian Prediksi sama dengan ramalan atau perkiraan, Menurut
Herdianto, 2013 : 8 dalam (Rohmawati, Rohman, & Mujilahwati, 2017) 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 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.
Prediksi bisa berdasarkan metode ilmiah ataupun subjektif belaka,
contohnya prediksi gempa, gunung meletus ataupun bencana secara umum. Namun,
prediksi seperti pertandingan sepakbola, umumnya berdasarkan pandangan
subjektif dengan sudut pandang sendiri yang memprediksinya.
Permulaan awal, walaupun pengkajian yang mendalam mengenai alternatif
masa depan adalah suatu disiplin baru, barangkali orang telah menaruh perhatian
besar tentang apa yang akan terjadi kemudian semenjak manusia mulai mengetahui
sesuatu. Populasi tukang ramal dan tukang nujum pada zaman kuno dan abad
pertengahan merupakan satu manifestasi dari keinginan tahu orang tentang masa
depannya. Perhatian tentang masa depan ini berlangsung terus bahkan berkembang
menjadi kolom astrologi yang disindikatkan pada tahun 1973.
13
2.2.2 Karyawan
Menurut Undang-Undang Tahun 1969 tentang Ketentuan-Ketentuan Pokok
Mengenai Tenaga Kerja dalam pasal 1 dikatakan bahwa karyawan adalah tenaga
kerja yang melakukan pekerjaan dan memberikan hasil kerjanya kepada pengusaha
yang mengerjakan dimana hasil karyanya itu sesuai dengan profesi atau pekerjaan
atas dasar keahlian sebagai mata pencariannya. Senada dengan hal tersebut menurut
Undang-Undang No.14 Tahun 1969 tentang Pokok Tenaga Kerja, tenaga kerja
adalah tiap orang yang mampu melaksanakan pekerjaan, baik di dalam maupun
diluar hubungan kerja guna menghasilkan jasa atau barang untuk memenuhi
kebutuhan masyarakat (Karimah, 2012).
Karyawan merupakan kekayaan utama dalam suatu perusahaan, karena
tanpa adanya keikutsertaan mereka, aktifitas perusahaan tidak akan terlaksana.
Beberapa pengertian karyawan menurut para ahli. Menurut Hasibuan (dalam
Karimah, 2012) karyawan adalah orang penjual jasa ( pikiran atau tenaga ) dan
mendapat kompensasi yang besarnya telah ditetapkan terlebih dahulu.Menurut
Subri (dalam Karimah, 2012) karyawan adalah penduduk dalam usia kerja (berusia
15-64 tahun) atau jumlah seluruh penduduk dalam suatu negara yang memproduksi
barang dan jasa jika ada permintaan terhadap tenaga mereka.
Berdasarkan uraian diatas, maka disimpulkan karyawan adalah seseorang
yang berusia 15-64 tahun yang mampu melaksanakan pekerjaan didalam maupun
diluar hubungan kerja guna menghasilkan barang atau jasa.
14
2.2.2.1 Fungsi dan Peranan Karyawam
Karyawan dalam perusahaan memiliki fungsi dan peranan yang harus
dilaksanakan. Diantaranya :
1. Melaksanakan pekerjaan sesuai dengan tugas dan perintah yang diberikan.
2. Menjaga ketertiban dan keamanan di lingkungan perusahaan demi
kelangsungan perusahaan.
3. Bertanggung jawab pada hasil produksi.
4. Menciptakan ketenangan kerja di perusahaan (Soedarjadi, 2009:15).
Sebagai karyawan perusahaan harus memiliki kemampuan tinggi dan
pengalaman dapat menjaga tanggung jawabnya terutama yang berhubungan dengan
publiknya. Salah satu tugasnya yaitu memberikan solusi dalam penyelesaian
masalah hubungan dengan publiknya. Seperti hubungan antara dokter dengan
pasiennya, sehingga manajemen akan bertindak pasif dalam menerima atau
mempercayai apa yang disarankan oleh karyawan yang telah memiliki pengalaman
dan keterampilan tinggi dalam memecahkan serta mengatasi permasalahan yang
dihadapi organisasi tersebut.
2.2.2.2 Jenis-Jenis Karyawan
Jika dikelompokkan berdasarkan statusnya, karyawan dalam perusahaan
dapat dibagi menjadi dua jenis kelompok karyawan yaitu karyawan tetap dan
karyawan tidak tetap.
15
1. Karyawan Tetap
Karyawan yang berstatus tetap merupakan karyawan yang mempunyai
perjanjian atau kontrak dengan perusahaan atau lembaga tempat dia bekerja dengan
jangka waktu yang tidak di tetapkan dan disebut karyawan permanen. Umumnya
karyawan yang berstatus seperti ini mempunyai hak yang lebih dibandingkan
dengan karyawan yang statusnya tidak tetap. Karyawan tetap dapat dikatakan juga
karyawan yang aman, maksudnya dia sudah mendapatkan kepastian tentang
pekerjaaanya jadi tidak memikirkan kapan kontrak kerjanya akan habis, di
perpanjang atau tidak, sehingga karyawan tetap hanya tinggal fokus saja kepada
pekerjaanya.
2. Karyawan Tidak Tetap
Karyawan tidak tetap atau kontrak adalah karyawan yang diperbantukan
untuk menyelesaikan pekerjaan pekerjaan rutin perusahaan, dan tidak ada jaminan
kelangsungan masa kerjanya. Dalam kelangsungan masa kerja karyawan kontrak
ditentukan oleh prestasi kerjanya. Semakin bagus prestasi kerjanya, karyawan
kontrak akan dipertahankan oleh perusahaan, namun jika prestasi kerjanya tidak
ada peningkatan maka perusahaan akan memberhentikan karyawan tersebut.
Kewajiban kerja karyawan kontrak terkadang hampir sama atau bahkan lebih berat
dari pada karyawan tetap. Namun dari segi gaji atau fasilitas lainnya tentu saja
sangat berbeda, termasuk tidak adanya ketentuan pesangon yang jelas apabila
perusahaan tidak lagi menggunakan jasa tenaga kerja kontrak.(Mallu, 2015)
16
Sistem kerja kontrak atau lebih dikenal dengan sistem perjanjian kerja
waktu tertentu (PKWT) diatur dalam Undang-undang RI nomer 13 tahun 2003
tentang Ketenagakerjaan pasal 50 sampai dengan pasal 66. Sistem kerja kontrak
terjadi pada semua jenis industri dengan waktu yang tidak ditentukan.
2.2.3 Data Mining
Data mining merupakan suatu proses untuk mengidentifikasi pola yang
memiliki potensi dan berguna untuk mengelola dataset yang besar (Witten & Frank,
2011). Dalam data mining ada 10 algoritma teratas yang paling berpengaruh yang
dipilih oleh peneliti dalam komunitas data mining, dimana 6 (enam) diantaranya
adalah algoritma klasifikasi yaitu C4.5, Support Vector Machines (SVM),
AdaBoost, k Nearest Neighbor (kNN), Naive Bayes dan CART (Fayyad, Piatetsky-
Shapiro, & Smyth, 1996)
Menurut Pramduino ( 2009:6 ) dalam buku “ Algoritma Data mining “, data
mining bukanlah suatu bidang yang sama sekali baru. Salah satu kesulitan untuk
mendefinisikan data mining adalah kenyataan bahwa data mining mewarisi banyak
aspek dan Teknik dari bidang-bidang ilmu yang sudah mapan terlebih dahulu. Data
mining memiliki akar yang Panjang dari bidang ilmu seperti kecerdasan buatan
artificial intelligent, machine learning, statistic, database dan juga information
retrieval.
17
Gambar 2. 1 Bidang ilmu data mining
Sumber : Pramudiono ( 2006 : 6 ) Indo data mining
A. Tugas-Tugas Data mining
Berdasarkan fungsionalitasnya, tugas-tugas data mining bisa
dikelompokkan ke dalam enam kelompok berikut ini, ( Fayyad, 2017:3 )
dalam buku “ data mining Untuk Klasifikasi dan Klasterisasi Data” :
1. Klasifikasi
Men-generalisasi struktur yang diketahui untuk di aplikasikan pada data
baru :
2. Klasterisasi
Mengelompokkan data yang diketahui label kelasnya, kedalam sejumlah
kelompok tertentu sesuai dengan ukuran kemiripannya.
3. Regresi
Adalah suatu metode penelitian yang digunakan pada penelitian kuantitatif
yang menghubungkan variabel independen dan variabel dependen.
18
4. Deteksi anomali
Mengindentifikasi data yang tidak umum, bisa berupa outlier , perubahan
atau deviasi yang mungkin sangat penting dan perlu investigasi lebih lanjut.
5. Pemodelan adalah
Pembelajaran aturan asosiasi atau pemodelan kebergantungan, mencari
relasi antar variabel.
6. Perangkuman
menyediakan representasi data yang lebih sederhana, meliputi visualisasi
dan pembuatan laporan.
B. Pengelompokan Data mining
Menurut Larose,2005 dalam (Ridwan, Suyono, & Sarosa, 2013)
Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang
dapat dilakukan, yaitu :
1. Deskripsi
Terkadang penelitian dan analisis 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 professional akan sedikit didukung dalam
pemilihan presiden. Deskripsi dari pola dan kecenderungan sering memberikan
kemungkinan penjelasan untuk suatu pola atau kecenderungan.
19
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi
lebih kearah numerik daripada kearah 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, akan dilakukan estimasi
tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis
kelamin, indeks berat badan , dan level sodium darah. Hubungan antara tekanan
darah sistolik dan nilai variabel prediksi dalam proses pembelajaran akan
menghasilkan model estimasi. Model estimasi yang dihasilkan dapat digunakan
untuk kasus baru lainnya.
3. Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam
prediksi nilai dari hasil akan ada di masa mendatang.
4. Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori. Sebagi contoh,
penggolongan pendapat dapat dipisahkan dalam tiga kategori, yaitu pendapatan
tinggi, pendapatan sedang, dan pendapatan rendah.
20
5. 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 ini.
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
kemiripan record dalam satu kelompok akan bernilai maksimal, sedangkan
kemiripan denga record dalam kelompok lain akan bernilai minimal.
6. Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul
dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisi keranjang
belanja.
2.2.4 Naive Bayes
Naive Bayes merupakan sebuah pengklasifikasian probabilistik sederhana
yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan
kombinasi nilai dari dataset yang diberikan. Algoritma mengunakan teorema bayes
dan mengasumsikan semua atribut independen atau tidak saling ketergantungan
yang diberikan oleh nilai pada variabel kelas. Naive bayes didasarkan pada asumsi
penyederhanaan bahwa nilai atribut secara kondisional saling bebas jika diberikan
nilai output. Dengan kata lain, probabilitas mengamati secara bersama produk dari
21
Data Data Karyawan
Naive Bayes Metode
Penelitian
Dapat menganalisa dan memprediksi karyawan
tetap dengan cepat dan akurat
Hasil
Proses analisa untuk memprediksi karyawan
tetap belum menerapkan metode naive bayes
Masalah
Penerapan data mining
dengan metode naive bayes
Tindakan
probabilitas individu. Keuntungan penggunaan Naive bayes adalah bahwa metode
ini hanya membutuhkan jumlah data pelatihan (training data) yang kecil untuk
menentukan estimasi paremeter yang diperlukan dalam proses pengklasifikasian.
Naive Bayes sering bekerja jauh lebih baik dalam kebanyakan situasi dunia nyata
yang kompleks dari pada yang diharapkan.
Tahapan dari proses algoritma naive bayes adalah:
1. Menghitung jumlah kelas / label.
2. Menghitung Jumlah Kasus Per Kelas.
3. Kalikan Semua Variabel Kelas.
4. Bandingkan Hasil Per Kelas.
2.3 Kerangka Berfikir
Berikut merupakan langkah-langkah yang akan dilakukan pada penelitian ini :
Gambar 2. 2 Kerangka Berfikir
22
BAB III
METODE PENELITIAN
3.1 Metode Penelitian
Metode merupakan kegiatan ilmiah yang berkaitan dengan suatu cara kerja
sistematis untuk memahami suatu subjek atau objek penelitian, sebagai upaya untuk
menemukan jawaban yang dapat dipertanggung jawabkan secara ilmiah. Adapun
pengertian penelitian adalah suatu proses pengumpulan dan analisis data yang
dilakukan secara sistematis, untuk mencapai tujuan-tujuan tertentu. Pengumpulan
dan analisis data dilakukan secara ilmiah, baik bersifat kuantitatif maupun
kualitatif, eksperimental maupun non eksperimental, interaktif maupun non
interaktif.
Dari pengertian di atas kita dapat mengetahui bahwa metode penelitian
adalah suatu cara untuk memecahkan masalah ataupun cara mengembangkan ilmu
pengetahuan dengan menggunakan metode ilmiah secara lebih luas lagi.
menjelaskan bahwa metode penelitian adalah cara-cara ilmiah untuk
mendapatkan data yang valid, dengan tujuan dapat ditemukan, dikembangkan dan
dibuktikan, suatu pengetahuan tertentu sehingga pada gilirannya dapat digunakan
untuk memahami, memecahkan, dan mengantisipasi masalah.
3.2 Tahapan Penelitian
Pada penelitian ini, data yang digunakan adalah data dari karyawan di PT.
YSP Indonesia, data nilai tersebut akan diolah menggunakan beberapa metode data
mining sehingga diperoleh satu metode yang paling akurat dan dapat digunakan
23
sebagai rules dalam memprediksi karyawan tetap. Berikut tahapan dalam
melakukan penelitian data mining.
Gambar 3. 1 Tahapan Penelitian
1) Pengumpulan Data
Tahap pertama pada pengumpulan data adalah :
a. Data Primer.
b. Data Sekunder.
2) Pengolahan data awal
Pada bagian ini di jelaskan tentang tahap awal data mining. Pengolahan
awal data meliputi proses input data dan format yang dibutuhkan dalam
penggabungan data dan training data.
3) Metode yang diusulkan
Pada bagian ini dijelaskan tentang metode yang di usulkan untuk digunakan
pada penelitian ini.
Pengumpulan Data
Pengolahan Data Awal
Metode Yang di Usulkan
Pengujian / Validasi Hasil
24
4) Pengujian dan validasi akhir
Pada bagian ini dijelaskan tentang pengujian, hasil pengujian akan di
validasi dan kemudian di evaluasi. Penjelasan mengenai hal ini akan di paparkan
pada bab selanjutnya.
3.3 Populasi dan Sampel Penelitian
3.3.1 Populasi
Populasi dalam penelitian ini adalah karyawan yang akan habis masa
kontraknya di PT. YSP Industries Indonesia, apakah karyawan tersebut di
perpanjang masa kontraknya atau di angkat menjadi karyawan tetap.
3.3.2 Sampel
Sampel dalam penelitian ini adalah data karyawan di tahun 2017 dengan
atribut pengetahuan kerja, kemampuan untuk merencanakan dan mengatur,
penerimaan tanggung jawab, hubungan antar manusia, pencapaian tujuan,
penilaian, dan pengambilan keputusan, kehadiran, inovasi, penetapan sasaran.
Sampel data berjumlah 380 karyawan.
3.4 Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data dari karyawan
PT.YSP Industries Indonesia, Sumber data berupa file excel dengan format.xlsx
3.4.1 Metode Pengumpulan Data
Untuk mendapatkan data-data yang dapat menunjang penelitian ini, peneliti
menggunakan beberapa metode pengumpulan data sebagai berikut:
25
1. Data Primer
Data yang diambil langsung dari objek penelitian. Data primer diperoleh
dengan cara melakukan pengamatan langsung (observasi) dan melakukan tanya
jawab pada pihak yang bersangkutan (wawancara). Data primer yang dipakai yaitu
data laporan karyawan kontrak berupa softcopy kemudian melakukan tanya jawab
kepada Staff HRD yang menangani perpanjangan kontrak karyawan.
2. Data Sekunder
Data yang mendukung penelitian yang didapat dari buku referensi dan
jurnal ilmiah yang berkaitan dengan penelitian. Adapun hal yang berkaitan di
dalamnya adalah data sejarah instansi, data visi misi instansi, dan data pustaka yang
digunakan sebagai acuan landasan teori.
3.5 Jenis Penelitian
Dalam penelitian ini menggunakan jenis penelitian deskriptif. Dimana
penelitian ini bertujuan untuk memecahkan fenomena (masalah) yang ada pada saat
ini, pada penelitian ini kasus yang diambil adalah karyawan yang akan di angkat
menjadi karyawan tetap atau tidak tetap, Jenis penelitian deskriptif mempunyai
ciri-ciri sebagai berikut :
a. Berpusat pada penyelesaian masalah pada masa sekarang, dan pada masalah
yang aktual.
b. Data yang terkumpul terlebih dulu disusun, dijelaskan dan dianalisis karena
metode ini sering disebut metode analitik.
26
3.6 Pemodelan
Dalam penelitian ini akan dilakukan analisis menggunakan metode
klasifikasi dengan algoritma naive bayes. data dihitung dengan algoritma ini sesuai
dengan metodenya kemudian di cari hasil akurasinya. dalam tahapan ini akan
dilakukan beberapa langkah pengujian data yaitu seperti berikut.
Gambar 3. 2 Pemodelan
Data karyawan akan di olah dengan algoritma naive bayes, kemudian dilihat
tingkat akurasinya dari algoritma ini dan keterkaitan anatara setiap atribut, algorima
Naive bayes akan mengevaluasi setiap atribut yang mengkontribusi prediksi pada
atribut target, Naive bayes tidak memperhitungkan relasi antar atribut-atribut
kontributor prediksi, tidak seperti Decision Tree yang memperhitungkan relasi
antar atribut. bentuk tugas dasar yang dilakukan oleh algoritma Naive bayes
hanyalah klasifikasi.
3.7 Evaluasi
Melakukan pengecekan terhadap setiap nilai atribut dan model yang sudah
dibangun, kemudian melakukan evaluasi terhadap hasil dengan melakukan analisis
data mining. pada tahap ini juga merupakan tahapan dimana dilakukan perbaikan
Pengolahan Data dengan Algoritma Naïve Bayes
Hasil Algoritma Naïve Bayes
Menganalisa hasil Algoritma Naïve Bayes dengan
Rapid Miner
27
kembali bila terjadi kekurangan.pada tahapan ini bisa saja kembali lagi ke tahap
yang pertama dan kemudian ke tahap berikutnya dengan tujuan perbaikan, sampai
sesuai dengan kebutuhan.
3.8 Objek Penelitian
3.8.1 Sejarah Perusahaan
PT YSP Industries Indonesia Didirikan pada tahun 2004 sebagai subsider
YSPSAH. Tujuannya ialah untuk registrasi dan memasarkan produk-produk
farmasi ,OTC, herbal, veterinari dan sebagainya di Republik Indonesia. Kami telah
membentuk tim marketing dan sales untuk veterinari dan verbal di Indonesia
terutama di Pulau Sumatra dan Jawa.
Dalam rangka memenuhi ketentuan perundang-undagan bidang farmasi di
RI yang mengharuskan perusahaan untuk memiliki pabrik farmasi / berkerjasama
dengan pabrik farmsi lokal untuk dapat meregistrasikan produk-produk farmasi di
Indonesia, maka pada tahun 2004 kami telah mendirikan PT YSP Industries
Indonesia. Setelah diluluskan oleh Badan POM maka ini akan menjadi satu
landasan kami untuk memasuki pasaran farmasi di Indonesia. Kami berharap
keberhasilan YSPSAH dalam mengeluarkan produk-produk seperti Krim,
Suppositoria, Tablet, Capsul , Syrup dan sebagainya.
3.8.2 Tujuan Perusahaan
1. Menyediakan pelayanan yang terbaik dan produk-produk yang berkualitas
tinggi untu pelanggan, dengan tidak menggunakan bahan baku di bawah
standar, tidak memproduksi dan mengirimkan produk yang tidak memenuhi
standar kualitas.
28
2. Melaksanakan tata kelola perusahaan yang baik, dengan menekankan
kepada karyawan pentingnya untuk menerapkan prinsip etika tinggi, dan
terus menjaga kesehatan dan keselamatan kerja melalui cara kerja yang baik
dan pengawasan mutu yang tinggi serta berusaha keras untuk meningkatkan
kesejahteraan dan standar kehidupan bagi seluruh karyawan.
3.8.3 Kebijakan Mutu
Berkomitmen dalam menyediakan produk berkualitas tinggi, aman dan
efektif secara tepat waktu dan diikuti dengan perbaikan berkelanjutan untuk
memenuhi kebutuhan konsumen dan regulasi pemerintah.
3.8.4 Visi dan Misi
1. Visi
Kehidupan yang berharga.
2. Misi
Menyediakan produk yang berkualitas tinggi untuk meningkatkan
kesehatan manusia.
3.8.5 Struktur Organisasi
Pada umumnya setiap intansi Pendidikan atau instansi apapun mempunyai
susunan atau struktur organisasi. Dari struktur inilah kita dapat jalur kegiatan atau
wewenang apa saja yang dilaksanakan oleh masing-masing bagian serta kebijakan
yang sudah ditetapkan. Struktur organisasi menunjukan kerangka dan susunan
perwujudan pola tetap hubungan-hubungan diantara fungsi-fungsi, bagian-bagian
atau posisi-posisi, maupun orang yang menunjukan kedudukan, tugas wewenang
dan tanggung jawab yang berbeda-beda dalam suatu organisasi. Struktur ini
29
mengandung unsur-unsur spesialisasi kerja, standarisasi atau disentralisasi dalam
pembuatan keputasan dan ukuran suatu kerja.
Gambar 3. 3 Struktur Organisasi
3.9 Variabel Penelitian
Variabel penelitian yang akan digunakan sebagai atribut data untuk proses
data mining ialah pengetahuan kerja, kemampuan untuk merencanakan dan
mengatur, penerimaan tanggung jawab, hubungan manusia, pencapaian tujuan,
penilaian, dan pengambilan keputusan, kehadiran, inovasi, penetapan
sasaran/tujuan. Perusahaan menggunakan standar penilaian kinerja karyawan yang
terdapat pada tabel 3.1. dan kelas keputusan variabel target penelitian yang berisi 2
nilai kelas, yaitu “DI ANGKAT” dan “TIDAK”.
Tabel 3. 1 Kriteria
1. Pengetahuan kerja
Keterangan Kriteria Nilai
Pengetahuan sangat baik pada semua fase kerja sendiri dan
terkait. Sangat Baik A
Informasi tentang pekerjaan sendiri dan pengetahuan yang
baik tentang pekerjaan terkait. Baik B
President Director
Director
Human Resources &
GA
General Manager
Factory Manager
Quality Control Section
Production / Manufacturing
Section
Production Planning / Material Warehouse Section
Engineering Section
Quality Assurance
Section
Finance Manager
30
Pengetahuan yang memuaskan tentang pekerjaan saat ini,
dengan pengetahuan yang cukup tentang pekerjaan terkait
untuk menghasilkan koordinasi yang baik.
Cukup C
Pengetahuan yang memadai untuk pekerjaan saat ini, tetapi
tidak diinformasikan pada pekerjaan terkait. Kurang D
2. Kemampuan Untuk Merencanakan dan Mengatur
Keterangan Kriteria Nilai
Luar biasa. Kompeten dalam mengatur dan mengarahkan
prosedur dan operasi yang rumit. Sangat Baik A
Rencana rutinitas bekerja dengan baik dan segera temui
situasi darurat Baik B
Rencanakan pekerjaan rutin dengan memuaskan tetapi
terkadang tidak efektif dengan situasi yang tidak biasa. Cukup C
Tampaknya memahami nilai perencanaan tetapi
membutuhkan bantuan Kurang D
3. Penerimaan Tanggung Jawab
Keterangan Kriteria Nilai
Selalu menerima tanggung jawab penuh atas komitmen yang
dia buat. Sangat Baik A
Selalu bersedia menerima tanggung jawab Baik B
Kadang-kadang menolak untuk menerima tanggung jawab
dengan alasan. Cukup C
Jarang mau menerima tanggung jawab. Tidak berkomitmen. Kurang D
4. Hubungan Manusia
Keterangan Kriteria Nilai
Selalu bersedia untuk bekerja sama dan mengkoordinasi
kegiatannya dengan orang lain. Sangat Baik A
Kooperatif dalam bekerja dan baik dengan orang lain Baik B
Bersedia bekerja sama ketika perlu muncul. Bekerja dengan
memuaskan orang lain. Cukup C
Umumnya tidak mau bekerja sama dan membutuhkan
bantuan dalam hubungan manusia. Kurang D
5. Pencapaian Tujuan
Keterangan Kriteria Nilai
Memenuhi semua tujuan yang ditetapkan. Sangat Baik A
Memenuhi sebagian besar tujuan yang ditetapkan. Baik B
Memenuhi tujuan hanya sebagian. Cukup C
Biasanya tidak memenuhi tujuan yang ditetapkan. Kurang D
6. Penilaian Dan Pengambilan Keputusan
Keterangan Kriteria Nilai
31
Sangat Baik A
Baik B
Adil C
Kurang Baik D
7. Kehadirian
Keterangan Kriteria Nilai
Catatan bersih Sangat Baik A
Terlambat Datang dalam 2 kali dan ambil cuti sesekali. Baik B
Datang Terlambat & Sering Tinggalkan pekerjaan Cukup C
8. Inovasi
Keterangan Kriteria Nilai
Memperbaiki metode secara terus menerus Sangat Baik A
Memperbaiki metode saat dibutuhkan Baik B
Selalu berpegang pada rutinitas normal Cukup C
9. Penetapan Sasaran / Tujuan
Keterangan Kriteria Nilai
Tetapkan tujuan yang menantang Sangat Baik A
Menetapkan tujuan yang dapat dicapai Baik B
Tetapkan tujuan / sasaran saat diarahkan Cukup C
Jarang menetapkan sasaran Kurang D
3.10 Metode Analisis Data
Metode analisis data menggunakan Naïve Bayes Classifier (NBC) yang
merupakan sebuah pengklasifikasi probabilitas sederhana yang mengaplikasikan
teorema bayes dengan asumsi ketidaktergantungan (independent) yang tinggi.
Keuntungan penggunaan NBC bahwa metode ini hanya membutuhkan jumlah data
pelatihan (training data) yang kecil untuk menentukan estimasi parameter yang
diperlukan dalam proses pengklasifikasian. Karena yang diasumsikan sebagai
variabel independen, maka hanya varian dari suatu variabel dalam sebuah kelas
yang dibutuhkan untuk menentukan klasifikasi, bukan keseluruhan dari matriks
kovarians.
32
3.11 Persamaan Metode Neive Bayes
Bentuk umum atau persamaan dari teorema Bayes (Bustami, 2014) adalah :
𝑃(𝐻|𝑋) =𝑃(𝑋|𝐻). 𝑃(𝐻)
𝑃(𝑋)
Keterangan :
X : Data dengan class yang belum diketahui
H : Hipotesa data X merupakan suatu cass spesifik
P(H|X) : Probabilitas hipotesis H berdasar kondisi X (posteriori
probability)
P(H) : Probabilitas hipotesis H (prior probability)
P(X|H) : Probabilitas X berdasarkan kondisi pada hipotesis H
P(X) : Probabilitas X
Untuk menjelaskan metode Naive Bayes, perlu diketahui bahwa proses
klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang cocok
bagi sample yang dianalisis tersebut. Karena itu, metode Naive Bayes di atas
disesuaikan sebagai berikut:
(𝐶|𝐹1…𝐹𝑛) = 𝑃(𝐶)𝑃(𝐹1…𝐹𝑛|𝐶)
𝑃(𝐹1…𝐹𝑛)
Di mana Variabel C merepresentasikan kelas, sementara variabel “F1 ... Fn”
merepresentasikan karakteristik petunjuk yang dibutuhkan untuk melakukan
klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang masuknya sampel
karakteristik tertentu dalam kelas C (Posterior) adalah peluang munculnya kelas C
(sebelum masuknya sampel tersebut, seringkali disebut prior), dikali dengan
33
peluang kemunculan karakteristik-karakteristik sampel pada kelas C (disebut juga
likelihood), dibagi dengan peluang kemunculan karakteristik-karakteristik sampel
secara global (disebut juga evidence). rumus di atas dapat pula ditulis secara
sederhana sebagai berikut:
Posterior = 𝑝𝑟𝑖𝑜𝑟 𝑥 𝑙𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑
𝑒𝑣𝑖𝑑𝑒𝑛𝑐𝑒
Nilai Evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai dari
posterior tersebut nantinya akan dibandingkan dengan nilai-nilai posterior kelas
lainnya untuk menentukan ke kelas apa suatu sample akan diklasifikasikan.
Penjabaran lebih lanjut rumus naïve bayes tersebut dilakukan dengan menjabarkan
(𝐶|𝐹1,…,) menggunakan aturan perkalian sebagai berikut:
(𝐶|𝐹1,…,= 𝑃(𝐶)𝑃(𝐹1,…,𝐹𝑛|𝐶)
= (𝐶)(𝐹1|𝐶)𝑃(𝐹2,…,𝐹𝑛|𝐶,𝐹1)
= 𝑃(𝐶)𝑃(𝐹1|𝐶)𝑃(𝐹2|𝐶,𝐹1 )𝑃(𝐹3,…,𝐹𝑛|𝐶,𝐹1,𝐹2
= (𝐶)𝑃(𝐹1|𝐶)𝑃(𝐹2|𝐶,𝐹1 )𝑃(𝐹3|𝐶,𝐹1,𝐹2)𝑃(𝐹4,…,𝐹𝑛|𝐶,𝐹1,𝐹2,𝐹3)
= 𝑃(𝐶)𝑃(𝐹1|𝐶)𝑃(𝐹2|𝐶,𝐹1)𝑃(𝐹3|𝐶,𝐹1,𝐹2)…𝑃(𝐹𝑛|𝐶,𝐹1,𝐹2,𝐹3,…,𝐹𝑛−1)
Dapat dilihat bahwa hasil penjabaran tersebut menyebabkan semakin
banyak dan semakin kompleksnya faktor - faktor syarat yang mempengaruhi nilai
probabilitas, yang hampir mustahil untuk dianalisa satu persatu. Akibatnya,
perhitungan tersebut menjadi sulit untuk dilakukan. Di sinilah digunakan asumsi
independensi yang sangat tinggi (naif), bahwa masing-masing petunjuk
(F1,F2...Fn) saling bebas (independent) satu sama lain. Dengan asumsi tersebut,
maka berlaku suatu kesamaan sebagai berikut:
34
𝑃(𝐹𝑖|𝐹 𝑗) = (𝐹𝑖 ∩ 𝐹𝑗)
𝑃(𝐹𝑗) =
𝑃(𝐹𝑖) 𝑃(𝐹𝑗)
𝑃(𝐹𝑗) = 𝑃(𝐹𝑖)
untuk I ≠ j, sehingga 𝑃(𝐹𝑖 | 𝐶, 𝐹𝑗) = 𝑃(𝐹𝑖|𝐶)
Dari persamaan di atas dapat disimpulkan bahwa asumsi independensi naif
tersebut membuat syarat peluang menjadi sederhana, sehingga perhitungan menjadi
mungkin untuk dilakukan. Selanjutnya, penjabaran P(F1,…,Fn | C) dapat
disederhanakan menjadi seperti berikut
P(F1 … Fn | C) = P(F1 | C) P(F2 | C) … P(Fn | C)
P(F1 … Fn | C) = ∏ 𝑃 ( 𝐹𝑖 | 𝐶)𝑛𝑖=1
Dengan kesamaan di atas, persamaan teorema bayes dapat dituliskan
sebagai berikut :
P(F1 … Fn | C) =1
𝑃(𝐹1,𝐹2,… ,𝐹𝑛) ∏ 𝑃 ( 𝐹𝑖 | 𝐶)
𝑛𝑖=1
P(F1 … Fn | C) =𝑃(𝐶)
𝑍 ∏ 𝑃 ( 𝐹𝑖 | 𝐶)
𝑛𝑖=1
Persamaan di atas merupakan model dari teorema Naïve Bayes yang
selanjutnya akan digunakan dalam proses klasifikasi dokumen data. Adapun Z
adalah mempresentasikan evidence yang nilainya konstan untuk semua kelas pada
satu sample.
35
3.12 Alur Metode Naïve Bayes
Gambar 3. 4 Alur Metode Naïve Bayes
1. Baca data training
2. Hitung jumlah dan probabilitas, namun apabila data numerik maka :
a. Cari nilai mean dan standar deviasi dari masing masing parameter yang
merupakan data numerik.
Adapun persamaan yang digunakan untuk menghitung nilai rata-rata hitung
(mean) dapat dilihat sebagai berikut :
µ = ∑ 𝑥𝑖
𝑛1=1
𝑛
atau
µ = 𝑥1+ 𝑥2 + 𝑥3+ ... + 𝑥𝑛
𝑛
Start
Apakah data
Numerik?
Baca Data training
Mean Tiap Parameter
Standar Deviasi Tiap Parameter
Tabel Mean dan Standar
Deviasi
Jumlah dan Probabilitas
Tabel Probabilitas
Solusi
Tidak Ya
Stop
36
dimana:
µ: Rata-rata hitung (mean) 𝑥𝑖: Nilai sampel ke-i
𝑛: Jumlah sample
Dan persamaan untuk menghitung nilai simpangan baku (standar
deviasi) dapat dilihat sebagai berikut:
σ = √∑ (𝑥𝑖−µ) 2𝑛
1=1
𝑛−1
dimana:
σ: Standar deviasi 𝑥𝑖: Nilai x ke-i
µ: Rata-rata hitung 𝑛: Jumlah sample
b. Cari nilai probabilistik dengan cara menghitung jumlah data yang sesuai
dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut.
3. Mendapatkan nilai dalam tabel mean, standart deviasi dan probabilitas.
4. Solusi kemudian dihasilkan.
3.13 Perangkat Lunak Data mining
Dalam melakukan proses data mining ini, perangkat lunak yang akan
digunakan yaitu :
1. Rapidminer 7.6
sebagai perangkat lunak untuk melakukan analisa,proses data mining,
modelling, validasi, akurasi model dan prediksi (Nugroho, 2009).
37
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil Penelitian
4.1.1 Data Awal
Dalam melakukan pekerjaannya HRD memerlukan beberapa data
penunjang untuk menentukan apakah karyawan akan di angkat atau tidak, data
tersebut digunakan sebagai acuan untuk menentukan penilaian dari setiap
karyawan, data yang digunakan diantaranya:
1. Pengetahuan kerja.
2. Kemampuan untuk merencanakan dan mengatur.
3. Penerimaan tanggung jawab.
4. Hubungan manusia.
5. Pencapaian tujuan.
6. Penilaian dan pengambilan keputusan.
7. Kehadiran.
8. Inovasi.
9. Penetapan sasaran/tujuan.
Setelah data diatas didapatkan, akan tetapi pada saat melakukan penyeleksian
karyawan yang akan di angkat atau tidak pada kenyataan nya tidak sesuai dengan
prosedur terhadap data penunjang itu saja, diantaranya:
1. Atasan masing-masing karyawan ikut menentukan dalam menentukan
karyawan tersebut diangkat atau tidak.
38
2. Tidak semua standar penilaian kinerja karyawan digunakan sesuai dengan
proses yang seharusnya.
4.1.2 Data Usulan
Data usulan ialah data yang diusulkan oleh penulis mengenai permasalahan
yang terjadi di PT. YSP Industries Indonesia yaitu:
1. HRD memberikan penilaian kinerja karyawan sesuai standar dan penilaian
dari atasan kedalam beberapa data yang disebut atribut untuk digunakan
dalam menentukan karyawan tetap dan tidak tetap.
2. Semua data dalam atribut harus digunakan dalam menentukan penilaian
karena dapat mempengaruhi ketepatan dalam menentukan karyawan tetap
dan tidak tetap.
4.2 Pembahasan
4.2.1 Menentukan Kriteria
Dalam menganalisa kelayakan karyawan di PT. YSP Industries Indonesia
untuk menjadi karyawan tetap, ada beberapa kriteria yang digunakan oleh pihak
perusahaan, ( Tabel 3.1 )
4.2.2 Perhitungan Algoritma Naive Bayes
Data yang digunakan adalah data training 380 record yang sudah di
tentukan hasil keputusannya dan 50 data testing untuk mengimplementasikan
algorima naive bayes.
4.2.3 Menghitung Probabilitas Kelas
Tahap pertama perhitungan untuk menentukan karyawan tetap dengan
metode naive bayes adalah dengan mencari probabilitas dari masing-masing kelas.
39
Dalam penentuan karyawan tetap akan ditentukan 2 kelas yaitu kelas "Di Angkat"
dan "Tidak". Cara perhitungannya adalah dengan mencari berapa jumlah data yang
ada pada kelas “di angkat” dan berapa jumlah pada kelas “Tidak” dari total
keseluruhan data training, lalu membaginya dengan total keseluruhan data. Hasil
dari perhitungan dapat dilihat pada tabel di bawah ini:
Tabel 4. 1 Probabilitas Kelas
- P (Ci)
- P( Di Angkat ) = 167/380 = 0,4395
Jumlah data "Di Angkat" pada kolom "Hasil" di bagi jumlah data
- P( Tidak ) = 213/380 = 0,5605
Jumlah data "Tidak" pada kolom "Hasil" di bagi jumlah data
4.2.4 Menghitung Probabilitas Masing-Masing Atribut
Cara mencari probabilitas suatu atribut adalah dengan membandingkan
atribut dari data testing dengan atribut dari data training. Berapa jumlah atribut
dengan kelas "Di Angkat" yang berada pada data training, kemudian bagi dengan
probabilitas kelas "Di Angkat". Begitu juga dengan mencari probabilitas untuk
kelas "Tidak".
1. Pengetahuan kerja
Tabel 4. 2 Atribut Pengetahuan kerja
Kemampuan Untuk Merencanakan
dan Mengatur di angkat tidak P ( di angkat ) P ( tidak )
A 101 55 101/167 55/213
B 47 101 47/167 101/213
C 18 28 18/167 28/213
D 1 29 1/167 29/213
Total 167 213 100% 100%
40
2. Kemampuan Untuk Merencanakan dan Mengatur
Tabel 4. 3 Atribut Kemampuan Untuk Merencanakan dan Mengatur
Kemampuan Untuk
Merencanakan dan Mengatur di angkat tidak P ( di angkat ) P ( tidak )
A 101 55 101/167 55/213
B 47 101 47/167 101/213
C 18 28 18/167 28/213
D 1 29 1/167 29/213
Total 167 213 100% 100%
3. Penerimaan Tanggung Jawab
Tabel 4. 4 Artibut Penerimaan Tanggung Jawab
Penerimaan Tanggung Jawab di angkat tidak P ( di angkat ) P ( tidak )
A 68 63 68/167 63/213
B 90 23 90/167 23/213
C 8 81 8/167 81/213
D 1 46 1/167 46/213
Total 167 213 100% 100%
4. Kerjasama / Hubungan Manusia
Tabel 4. 5 Atribut Kerjasama / Hubungan Manusia
Kerjasama / Hubungan Manusia di angkat tidak P ( di angkat ) P ( tidak )
A 85 100 85/167 100/213
B 66 30 66/167 30/213
C 10 76 10/167 76/213
D 6 7 6/167 7/213
Total 167 213 100% 100%
41
5. Pencapaian tujuan
Tabel 4. 6 Atribut Pencapaian tujuan
Pencapaian tujuan di angkat tidak P ( di angkat ) P ( tidak )
A 100 111 100/167 111/213
B 48 14 48/167 14/213
C 17 77 17/167 77/213
D 2 11 2/167 11/213
Total 167 213 100% 100%
6. Penilaian dan pengambilan keputusan
Tabel 4. 7 Atribut Penilaian dan pengambilan keputusan
Penilaian dan pengambilan keputusan di angkat tidak P ( di angkat ) P ( tidak )
A 127 94 127/167 94/213
B 35 2 35/167 2/213
C 3 52 3/167 52/213
D 2 65 2/167 65/213
Total 167 213 100% 100%
7. Kehadiran
Tabel 4. 8 Atribut Kehadiran
Kehadiran di angkat tidak P ( di angkat ) P ( tidak )
A 122 124 122/167 124/213
B 29 37 29/167 37/213
C 16 52 16/167 52/213
Total 196 255 100% 100%
42
8. Inovasi
Tabel 4. 9 Atribut Inovasi
Inovasi di angkat tidak P ( di angkat ) P ( tidak )
A 128 156 128/167 156/213
B 22 21 22/167 21/213
C 17 36 17/167 36/213
Total 196 255 100% 100%
9. Penetapan sasaran / tujuan
Tabel 4. 10 Atribut Penetapan sasaran / tujuan
Penetapan sasaran / tujuan di angkat tidak P ( di angkat ) P ( tidak )
A 143 149 143/167 149/213
B 19 19 19/167 19/213
C 3 38 3/167 38/213
D 2 7 2/167 7/213
Total 167 213 100% 100%
4.2.5 Menghitung Probabilitas Akhir Untuk Setiap Kelas
Untuk menghitung probabilitas akhir pada setiap kelas, perlu menggunakan
data training yang terdapat pada tabel 3.1. dan mengubahnya menjadi nilai yang
sudah ditentukan pada proses 4.2.4 sesuai atribut masing-masing. Lalu dari masing-
masing atribut dan nilai probabilitas kelas dikalikan. Dari kedua hasil yang sudah
ditentukan pada tiap kelas. bandingkan nilai yang paling tinggi. Jika kelas "Di
angkat" bernilai paling tinggi maka hasilnya “Di Angkat” begitu pula sebaliknya.
43
4.2.6 Kasus Perhitungan Naive Bayes
Pengeta
huan
kerja
Kemamp
uan
Untuk
Merencan
akan dan
Mengatur
Penerim
aan
Tanggu
ng
Jawab
Kerjas
ama /
Hubun
gan
Manusi
a
pencap
aian
tujuan
penilaia
n dan
pengam
bilan
keputusa
n
Kehadi
rian
inov
asi
peneta
pan
sasara
n /
tujuan
Keputu
san
A A B A B B B B A ?
Tahap 1 menghitung jumlah kelas/label Keputusan :
- P (Ci)
- P( Di Angkat ) = 167/380 = 0,4395
Jumlah data "Di Angkat" pada kolom "Hasil" di bagi jumlah data
- P( Tidak ) = 213/380 = 0,5605
Jumlah data "Tidak" pada kolom "Hasil" di bagi jumlah data
Tahap ke 2 menghitung jumlah kasus yang sama dengan kelas yang sama :
P(X | Ci)
P ( | Keputusan = Di Angkat ) = 167
P (Pengetahuan kerja = A | Keputusan =di angkat)= 78/167 = 0,4671
P (Kemampuan untuk
merencanakan dan mengatur = A | Keputusan =di angkat)= 101/167 = 0,6048
P (Penerimaan Tanggung jawab = B | Keputusan =di angkat)= 90/167 = 0,5389
P (Kerjasama/Hubungan
Manusia = A | Keputusan =di angkat)= 85/167 = 0,5090
P (Pencapaian tujuan = B | Keputusan =di angkat)= 48/167 = 0,2874
P (Penilaian dan pengambilan
keputusan = B | Keputusan =di angkat)= 35/167 = 0,2096
P (Kehadiran = B | Keputusan =di angkat)= 29/167 = 0,1737
P (Inovasi = B | Keputusan =di angkat)= 22/167 = 0,1317
P (Penetapan sasaran / tujuan = A | Keputusan =di angkat)= 143/167 = 0,8563
Mengkalikan semua hasil atribut " Di Angkat " = 0,0000914
44
P(X | Ci)
P ( | Keputusan = Tidak ) = 213
P (Pengetahuan kerja = A | Keputusan =Tidak )= 93/213 = 0,4366
P (Kemampuan untuk
merencanakan dan mengatur = A | Keputusan =Tidak )= 55/213 = 0,2582
P (Penerimaan Tanggung
jawab = B | Keputusan =Tidak )= 23/213 = 0,1080
P (Kerjasama/Hubungan
Manusia = A | Keputusan =Tidak )= 100/213 = 0,4695
P (Pencapaian tujuan = B | Keputusan =Tidak )= 14/213 = 0,0657
P (Penilaian dan pengambilan
keputusan = B | Keputusan =Tidak )= 2/213 = 0,0094
P (Kehadiran = B | Keputusan =Tidak )= 37/213 = 0,1737
P (Inovasi = B | Keputusan =Tidak )= 21/213 = 0,0986
P (Penetapan sasaran / tujuan = A | Keputusan =Tidak )= 149/213 = 0,6995
Mengkalikan semua hasil atribut " Tidak " = 0,00000004
Tahap ke 3 Membandingkan nilai kelas “Di Angkat” dan “Tidak”
P(X | Ci) * P(Ci)
P(X | Minat) * P ( Di Angkat ) = 0,00009143 * 0,4395
P(X | Minat) * P ( Di Angkat ) = 0,00004018
P(X | Tidak ) * P ( Tidak ) = 0,00000004 * 0,5605
P(X | Tidak ) * P ( Tidak ) = 0,00000002
Hasil (P|Di Angkat) = 0,00004018 lebih besar dari (P|Tidak) = 0,00000002 maka
keputusan nya adalah (Di Angkat).
4.2.7 Analisa Algoritma Naive Bayes dengan Rapid Miner
Rapid Miner Studion 7.6 adalah salah satu tool untuk melakukan prediksi
dan Analisa data mining. Berikut adalah uji coba yang dilakukan pada 50 data
testing yang sudah ditentukan. Data testing tersebut akan dicari nilai prediksinya
apakah sesuai dengan perhitungan naive bayes.
45
Gambar 4. 1 Proses Rapid Miner
Setalah itu dilakukan pengujian menggunakan tools Rapid Miner dengan
proses pada sub-bab 4.2.7.
1. Menambahkan dua operator read excel untuk memasukan data training dan
data testing.
2. Menambahkan operator select attributes untuk menentukan kelas yang akan
di prediksi.
3. Menambahkan operator naive bayes yang digunakan sebagai metode dalam
penelitian.
4. Menambahkan apply model untuk menguji data testing yang ingin
ditentukan hasil prediksinya.
Setelah dijalankan didapatkan hasil yang sama dengan kasus perhitungan manual.
46
Gambar 4. 2 Hasil Prediksi Rapid Miner
Dari keterangan gambar 4.2 hasil testing data yang dilakukan dengan
menggunakan Rapid Miner mengahasilkan prediksi yang sama dengan kasus
perhitungan manual yaitu “Di Angkat”.
4.2.8 Akurasi Prediksi
Proses klasifikasi dengan Rapid Miner menggunakan metode naive bayes
yang digunakan untuk mengklasifikasi data karyawan :
47
Gambar 4. 3 Proses Training dan Testing
Menentukan berapa akurasi yang didapatkan menggukan akurasi naive
bayes pada sub-bab 4.2.8 sebagai berikut :
1. Menambahkan dua operator read excel untuk memasukan data training dan
data testing.
2. Menambahkan operator naive bayes yang digunakan sebagai metode dalam
penelitian.
3. Menambahkan operator apply model untuk menguji data testing yang ingin
ditentukan hasil prediksinya.
4. Menambahkan operator performance untuk mengetahui tingkat akurasi
dengan metode naive bayes.
Setelah itu didapatkan akurasi hasil prediksi sebesar 94,00% dari hasil data testing.
48
Pengujian berdasarkan pengukuran Confusion Matrix menghasilkan nilai accurasy,
precision dan recall yang tinggi dengan nilai accurasy sebesar 94.00%, precision
sebesar 90.48% dan recall sebesar 95.00% . Dimana sebelumnya data belum
diketahui tingkat akurasinya, dan sekarang sudah dapat dilihat seberapa tinggi nilai
akurasi yang diperoleh. Dan pengujian berdasarkan pengukuran kurva ROC/ AUC
sebesar 0.937 dengan tingkat akurasi Excellent Classification. Dengan
menggunakan metode algoritma naive bayes ini proses pengambilan kepututusan
menjadi lebih mudah dan tepat sasaran karena memiliki tingkat akurasi yang hampir
sempurna.
1. Akurasi
Dengan mengetahui jumlah data yang di klasifikasikan secara benar maka
dapat diketahui akurasi hasil prdiksinya 94.00% dari hasil data testing.
Gambar 4. 4 Akurasi
Hasil analisa antara data yang di testing dengan data training di Rapid
Miner dapat dilihat pada Lampiran 2. Untuk menghitung akurasinya sebagai
berikut:
Jumlah data yang diuji : 50
Jumlah data yang di prediksi benar “Di Angkat” : 19
Jumlah data yang di prediksi benar “Tidak” : 28
Jumlah data yang di prediksi salah “Di Angkat” : 1
49
Jumlah data yang di prediksi salah “Tidak” : 2
Akurasi = Jumlah data yang diprediksi benar/jumlah data yang diuji*100%
= (19+28) / (19+28+1+2)*100%
= 94%
Eror = Jumlah data yang diprediksi salah/jumlah data yang diuji*100%
= (1+2) / (19+28+1+2)*100%
= 6%
Dari perhitungan tersebut dapat disimpulkan bahwa klasifikasi dengan
menggunakan metode Naive bayes untuk menentukan karyawan tetap
menghasilkan tingkat akurasi sebesar 94% dan tingkat error 6%.
2. Precision
Gambar 4. 5 Precision
Untuk menghitung Precision nya sebagai berikut :
Jumlah data yang diuji : 50
Jumlah data yang di prediksi benar “Di Angkat” : 19
Jumlah data yang di prediksi benar “Tidak” : 28
Jumlah data yang di prediksi salah “Di Angkat” : 1
50
Jumlah data yang diprediksi salah “Tidak” : 2
Precision = Jumlah data yang di prediksi benar “ Di Angkat” /jumlah data yang
di prediksi benar”Di Angkat”+ jumlah data yang di prediksi salah”
Tidak “ *100%
= (19) / (19+2)*100%
= 90.48%
3. Recall
Gambar 4. 6 Recall
Untuk menghitung Precision nya sebagai berikut :
Jumlah data yang diuji : 50
Jumlah data yang di prediksi benar “Di Angkat” : 19
Jumlah data yang di prediksi benar “Tidak” : 28
Jumlah data yang di prediksi salah “Di Angkat” : 1
Jumlah data yang diprediksi salah “Tidak” : 2
Precision = Jumlah data yang di prediksi benar “ Di Angkat” /jumlah data yang
di prediksi benar”Di Angkat”+ jumlah data yang di prediksi salah”
Di Angkat “ *100%
= (19) / (19+1)*100%
51
= 95.00%
Gambar 4. 7 Kurva ROC
Kurva ROC digunakan untuk mengekpresikan data. Garis horizontal
mewakili nilai false positive dan garis vertikal mewakili nilai true positive. Dari 4.5
dapat diketahui bahwa nilai Area Under Curve (AUC) model algoritma naive bayes
0.937, hal ini menunjukan bahwa model algoritma naive bayes mencapai klasifikasi
hampir sempurna.
52
BAB V
KESIMPULAN
5.1 Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan mengenai penerapan
metode naive bayes untuk prediksi menentukan karyawan tetap pada PT. YSP
Industries Indonesia dapat disimpulkan sebagai berikut :
1. Berdasarkan hasil Analisa pada penelitian yang dilkakukan, didapatkan
hasil prediksi menentukan karyawan tetap dengan cepat dan akurat, dari
pengujian yang dilakukan dengan membandingkan data training dengan
data testing menggunakan aplikasi pendukung Rapid Miner didapat tingkat
akurasi sebesar 94.00%.
2. Proses data mining dengan metode naive bayes memanfaatkan data training
untuk menghasilkan probabilitas setiap kriteria untuk class yang berbeda,
sehingga nilai-nilai probabilitas dari kriteria tersebut dapat dioptimalkan
untuk menentukan karyawan tetap berdasarkan proses klasifikasi yang
dilakukan oleh metode naive bayes itu sendiri, naïve bayes yang digunakan
dapat memberikan proses penyeleksian yang cepat untuk menentukan
karyawan tetap pada PT. YSP Industries Indonesia.
5.2 Saran
Penelitian yang dilakukan tentunya tak lepas dari sebuah kekurangan. Oleh
karena itu, ada beberapa saran yang penulis berikan sebagai acuan dalam penelitian
selanjutnya.
53
1. Penentuan jumlah data training dapat mempengaruhi hasil pengujian,
karena pola data training tersebut akan dijadikan sebagai rule untuk
menentukan kelas pada data testing. Sehingga besar atau kecilnya
persentase tingkat akurasi dipengaruhi juga oleh penentuan data training,
maka untuk penelitian selanjutnya diharapkan dapat menambahkan jumlah
data training lebih banyak lagi.
2. Tidak berlaku jika probabilitas kondisionalnya adalah nol pada metode
Naïve Bayes, apabila nol maka probabilitas prediksi akan bernilai nol juga.
3. Jenis pengelompokan data dalam penelitian ini bersifat kategorik, untuk
hasil yang lebih optimal mungkin untuk peneliti selanjutnya dapat
menambahkan dengan data numerik.
54
DAFTAR PUSTAKA
Bustami. (2014). Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data
Nasabah Asuransi, 8(1), 884–898.
Djunaedi, A. (2000). Penulisan tinjauan pustaka, 1–11.
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to
knowledge discovery in databases. AI Magazine, 37–54.
https://doi.org/10.1145/240455.240463
Handayani, F., & Pribadi, S. (2015). Implementasi Algoritma Naive Bayes
Classifier dalam Pengklasifikasian Teks Otomatis Pengaduan dan Pelaporan
Masyarakat melalui Layanan Call Center 110, 7(1).
Mallu, S. (2015). Sistem pendukung keputusan penentuan karyawan kontrak
menjadi karyawan tetap menggunakan metode topsis, I(2), 36–42.
Nugroho, Y. S. (2009). Data mining Menggunakan Algoritma Naïve Bayes Untuk
Klasifikasi Kelulusan Mahasiswa Universitas, 1–11.
Ridwan, M., Suyono, H., & Sarosa, M. (2013). Penerapan Data mining Untuk
Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes
Classifier, 7(1), 59–64.
Rohmawati, F., Rohman, G., & Mujilahwati, S. (2017). Sistem Prediksi Jumlah
Pengunjung Wisata Wego Kec.Sugio Kab.Lamongan Menggunakan Metode
Fuzzy Time Series, 3(2).
Witten, I. H., & Frank, E. (2011). Data mining: Practical Machine Learning Tools
and Techniques. Elsevier, San Francisco, 3 edition, 629.
https://doi.org/0120884070, 9780120884070
55
LAMPIRAN
Lampiran 1
Sampel Data training
No Pengetah
uan kerja
Kemampuan
Untuk Merencanaka
n dan
Mengatur
Penerima
an Tanggun
g Jawab
Kerjas
ama
pencap
aian tujuan
penilaian
dan pengambila
n keputusan
Kehadi
rian
inovasi penetapa
n sasaran / tujuan
Keputusan
1 A A D A A A B A C tidak
2 B C B B C A A A A di angkat
3 A A A A A B B A A di angkat
4 B B C C C C C A A tidak
5 A A B B B B B B A di angkat
6 B A A A A A B A A di angkat
7 A D A A A A B A A tidak
8 B C D D D D B A A tidak
9 A B A B A A B A A di angkat
10 B A C A A A B B A di angkat
11 B B D A A A B A A tidak
12 A A B A C A B A A di angkat
13 A B C C C A B A A tidak
14 A C D A A A B A A tidak
15 A D A A A A C A A tidak
16 A B D A B A B A A tidak
17 A D A A A A B B A tidak
18 A B B B A A A B A di angkat
19 A B D D A A A C A tidak
20 A B B D A A A A A di angkat
21 A A B B B B A A A di angkat
22 A B C C C C A A A tidak
23 A A B B B B B A A di angkat
24 A B C C C C B A A tidak
25 B A A A A A A A A di angkat
26 B D A A A C A A A tidak
27 B B D A B A C A A tidak
28 B B A A A A A A B di angkat
29 B B A A A A A A A di angkat
30 B D A A A A C A C tidak
31 B D A A A A C A A tidak
32 B A B B A A C A A di angkat
33 B A B A A A C A B di angkat
34 B B A A A A A A D di angkat
35 B B B C A A A A A di angkat
36 B B B A A A A A A di angkat
37 B D A A C A A A A tidak
38 B D A A C A A A B tidak
39 B A B B A A A B A di angkat
40 C B C C A D C A A tidak
41 B B C C A A C A B tidak
56
42 B B B B A D A A C tidak
43 B B C C C A C A A tidak
44 A B A A B A A A A di angkat
45 B A B B B B B A A di angkat
46 B B C C C C C A C tidak
47 B B B B B B A A A di angkat
48 B B B B A A A C A di angkat
49 B B C C C A C C A tidak
50 B A B B B A A C A di angkat
51 B B C C A A C A C tidak
52 A A B B A A B A C tidak
53 A A B B A B C A A di angkat
54 B D A A A D C A A tidak
55 B B B B A A C A A di angkat
56 B A B A A C C A A tidak
57 B D A A A A B C A tidak
58 B D A B A A B A A tidak
59 D B D B A A C A A tidak
60 B B A A A D B A A tidak
61 B B A A A A B A C di angkat
62 B A A A A A B C A di angkat
63 B A A A A A C A A di angkat
64 A B B B A D B C C tidak
65 A B C C C C C A A tidak
66 D B D B A D C B A tidak
67 A C D B A A C A A tidak
68 A B C A A A C A A tidak
69 A B C C C A C B A tidak
70 A A B B B A B A A di angkat
71 A C A A A A B A B di angkat
72 A C D A A A C A A tidak
73 A B C C A A C A A tidak
74 A A B B A A C A C tidak
75 A A B B A D C A A tidak
76 A A A C A A B A A di angkat
77 D C D A A A C A A tidak
78 C B C A A C A C A tidak
79 C A B A A C A C B tidak
80 C A B A B C A C A tidak
81 A D D A A A A A A tidak
82 A B A C A A B A A di angkat
83 A B C C C C B A C tidak
84 A B A A A D B A B di angkat
85 A C A A A B B A A di angkat
86 A A A A A C B A A di angkat
87 A D A A C A B A A tidak
88 A A B A A A B A A di angkat
89 A A D B A A B A A tidak
90 A A D A A A B A A tidak
91 A A B B A A B A A di angkat
92 A B C C A A B A A tidak
93 A B C C A A B A C tidak
94 A B C C C A A A A tidak
57
95 C C A A C D A C C tidak
96 A C A A A D A C A tidak
97 B A A B A A A A A di angkat
98 B B A A A B A A A di angkat
99 A B C C C A A C A tidak
100 B A A A A A A C A di angkat
101 B A A A B A A A A di angkat
102 B A B A A A A A A di angkat
103 B A A A A A A B A di angkat
104 B A B B A A A A A di angkat
105 A A B B B A A A B di angkat
106 B A B B B A A A A di angkat
107 B B C C C B A A A tidak
108 B B C C C A A A A tidak
109 B A A A D A A A A di angkat
110 B A B B B B A A B di angkat
111 B B C C C C A A A tidak
112 B A D A C D A C A tidak
113 B B C C C C C C A tidak
114 B A D A C D A A C tidak
115 B A D A C D A A A tidak
116 B A A C C A A A A di angkat
117 B A B B B B A A A di angkat
118 B B C C C C B A A tidak
119 B A A C C D A A C tidak
120 B C D C C D A A A tidak
121 A A A A B A A A A di angkat
122 A D A A C A A A A tidak
123 A D A A A C A A A tidak
124 A A A A A A C A A di angkat
125 A B B A A A A A A di angkat
126 A C A A A D A A A tidak
127 A A B A A A A A A di angkat
128 A A B A A D A A C tidak
129 A A B B B B B C A di angkat
130 A A B A A A C A A di angkat
131 A A B A A A A B A di angkat
132 A B B B A A A A A di angkat
133 A C B A A B A A A di angkat
134 A C B A A A A A A di angkat
135 A C B A A A A C A di angkat
136 A C B A C A A A B di angkat
137 A C D A A A A A A tidak
138 C B A A B C A C A tidak
139 A B A A A B A A A di angkat
140 C B A A A C A C A tidak
141 A B A A A A A A A di angkat
142 A D A C A A A A A tidak
143 A B A A A D A A A di angkat
144 A A B B A A A A A di angkat
145 A B C C A D A A A tidak
146 A B A C A A A A A di angkat
147 A B C C C A A A C tidak
58
148 A B A C B A A B A di angkat
149 C A B B B B A B A di angkat
150 A B A C B D A A A tidak
151 A B A C B D A A B tidak
152 A A B B B B B A B di angkat
153 A A A C A A A A A di angkat
154 A B A A B A A C A di angkat
155 A C A A B D A A A tidak
156 A B C C C C C C B tidak
157 B A A A A A A A B di angkat
158 B D A A A A A A C tidak
159 B C A A C A A A A di angkat
160 B A A A A B A A A di angkat
161 B C D A A A A A A tidak
162 B C D B B A B A A tidak
163 B C D B B D A A C tidak
164 B B C C C C C C C tidak
165 A C A A A A A A A di angkat
166 A B B A B A A A A di angkat
167 B C D B B A A A A tidak
168 A D A A A D A A A tidak
169 A A B A B A A A A di angkat
170 A A B B A A A C A di angkat
171 A B B A A A A B A di angkat
172 A C D B A A A A A tidak
173 A A B B B A A C A di angkat
174 A C D B B C A A A tidak
175 A A B B B B A C A di angkat
176 A A B B B D A A C tidak
177 A B C C C C C A C tidak
178 A A B B B B B A C di angkat
179 B D D A A A A B A tidak
180 B A B A A A A C A di angkat
181 B A C A A C A A A di angkat
182 B A C B B A A A A di angkat
183 B B C C C A A A B tidak
184 A A A A A A A C A di angkat
185 A B D A A C A A A tidak
186 C A A A A C A C A tidak
187 A D A C B A A A A tidak
188 A D A A D A A A A tidak
189 C A D A A A A C A tidak
190 A B A B A A A A A di angkat
191 C A B A A C A C A tidak
192 A B C C A A A C A tidak
193 A A C B C D A A C tidak
194 B B A A A A A C A di angkat
195 B A B B A A A C A di angkat
196 B A A B C A A A A di angkat
197 B B C C C D A A A tidak
198 B A B B B B A C A di angkat
199 C B C A A A A C A tidak
200 A C B A D A A A C tidak
59
201 A A D A A A C A A tidak
202 A A B B B A A A A di angkat
203 A A B D B A A A A di angkat
204 A A A B C D A A A tidak
205 B B A A A A C A A di angkat
206 B D A C A A A A A tidak
207 B A A B A D A A C tidak
208 B A A B D C A A A tidak
209 B A B B B B B A B di angkat
210 B A A A D D A B C tidak
211 A A A A C A A A C di angkat
212 A A B B C A A A A di angkat
213 A A D A A D A A A tidak
214 A A D A A B A A B di angkat
215 A B C C C C C B A tidak
216 B A A A D C A A A tidak
217 B D A A A A B A A tidak
218 B B C C A C A A A tidak
219 B B C C C A A A C tidak
220 B A A A A D A A C tidak
221 A A C A A A C A C tidak
222 A A A A A C A C C tidak
223 A B A A C D A A C tidak
224 A A B B A A C A A di angkat
225 A A B B B B C A A di angkat
226 B A B D A A A A A di angkat
227 B A D A A A B A A tidak
228 B A B B B B B B A di angkat
229 A A A B A A A A A di angkat
230 A B A A C D A A A tidak
231 A A A A A C A C A di angkat
232 C B A A A D A C A tidak
233 C A A A A D A B A tidak
234 C A A A A D A A A tidak
235 A B C C C C C C C tidak
236 B A B A A A B A A di angkat
237 B B A A C A A A A di angkat
238 B A D A A A A A C tidak
239 B B C C C C A B A tidak
240 B B C C C C C C B tidak
241 B A B A A A C A A di angkat
242 A B C C C C A B A tidak
243 A A B B B B A A D di angkat
244 A A D A A D C A A tidak
245 A A D A A D B A A tidak
246 A A A A C D A B A tidak
247 C B C A C A A A A tidak
248 A B C C C C C C A tidak
249 A B C C C A C A A tidak
250 A A A A C D A C A tidak
251 C A D A C A A A A tidak
252 C A C A C A A A A tidak
253 A A A A C D A A A tidak
60
254 C A D A C A A B A tidak
255 C A D A C A A A B tidak
256 C B A A A D A A A tidak
257 A B A A C C A C A tidak
258 A B C A C C A C A tidak
259 A C C A D A A A A tidak
260 A B A A A A C A A di angkat
261 A B A A A A A B A di angkat
262 A C A B A A A A A di angkat
263 A C A A B A A A A di angkat
264 A B A A A A A A B di angkat
265 A C B A A A A B A di angkat
266 A D A A A A A C A tidak
267 A D A A A A A A C tidak
268 A A D A A C A A A tidak
269 A B C A B A C B A tidak
270 A B A A D A A A A di angkat
271 D B B A A A A B A di angkat
272 A B A A C A A A A di angkat
273 A A A A A B A A A di angkat
274 A D B B A C A A A tidak
275 A A B B A A A B A di angkat
276 A A B B A A A A B di angkat
277 A B C C A C A A A tidak
278 A B A C A A A B A di angkat
279 A B A C A A A A B di angkat
280 A B C C A A A A C tidak
281 A C A A C A A A A di angkat
282 D B A A A C A A A tidak
283 A A B B C D A A A tidak
284 A A B B B A C A A di angkat
285 A A B B B A A B A di angkat
286 A B C C C B A A A tidak
287 A B C C C D A A A tidak
288 A B C C C A A A B tidak
289 A B D A D A B A A tidak
290 D B B A A A A A A di angkat
291 A A B B B B A A B di angkat
292 A B C C C C A C A tidak
293 A B C C C C A A B tidak
294 A B B B A D B A A tidak
295 A B C C C C C A B tidak
296 A B B B A D B A B tidak
297 A B B B A D B B A tidak
298 A B B B A D B B B tidak
299 A B B B A D B B C tidak
300 B A A A C A A A A di angkat
301 B A A A A A C A B di angkat
302 B B A B A A A A A di angkat
303 B B A D A B A A A di angkat
304 B B A A A A A B A di angkat
305 B B A A B A A A A di angkat
306 B B A A A A B A A di angkat
61
307 B D B A A A A A A di angkat
308 B D A A A D A A A tidak
309 B A B A B A A A A di angkat
310 B A B A A B A A A di angkat
311 B A B A A A A B A di angkat
312 C A B A A A B A C tidak
313 B B C D A C A A A tidak
314 D B A A A B A A A di angkat
315 B C B B A A A A A di angkat
316 B C B A B A A A A di angkat
317 B C B A C A A A A di angkat
318 B C B A A A A A A di angkat
319 B C B A A B A A A di angkat
320 B C B A A D A A A tidak
321 B C D A A A B A A tidak
322 B C D A A A C A A tidak
323 B A A D A A A A A di angkat
324 B D A A A A A C A tidak
325 B D A A A A A A D tidak
326 B A B B C A A A A di angkat
327 B A B B A B A A A di angkat
328 B A B B A A B A A di angkat
329 B A B B A A A A B di angkat
330 C A B B A A B A D tidak
331 B B A B B A A A A di angkat
332 B B C C A D A A A tidak
333 B B C C A A B A A tidak
334 B B C C A A C A A tidak
335 B B A C A A A A A di angkat
336 B B C C A A A C A tidak
337 B B C C A A A A C tidak
338 B A B B D C A A A tidak
339 B A D B A A C A A tidak
340 B A C B A A A B A di angkat
341 B A C B A A A A A di angkat
342 B A C D A A A A B tidak
343 B A C D A A A A C tidak
344 B A C D A A A A D tidak
345 B A B D B A A A A di angkat
346 B A B B B B C A A di angkat
347 B A B B B A C A A di angkat
348 B A B B B A A B A di angkat
349 B A B B B A A A B di angkat
350 B A B B B A B A A di angkat
351 B B C C C A B A A tidak
352 B B C C C A A B A tidak
353 B B C C C A A A D tidak
354 B A C C C A A A A tidak
355 B A C C C D A A A tidak
356 B A C C C A C A A tidak
357 B A C A C A A A A di angkat
358 B A C A C A A B A di angkat
359 B A C A C A A A B di angkat
62
360 B A B B B B A B A di angkat
361 B B C C C C A C A tidak
362 B B C C C C A A B tidak
363 B B C C C C A A D tidak
364 B A C A C D A A A tidak
365 B C D A C D B A A tidak
366 B C D A A D A A A tidak
367 B C D A A D A B A tidak
368 B C A A D D A B A tidak
369 B C A A A D A A B tidak
370 B A B B B B B C A di angkat
371 B B C C C C C B A tidak
372 B B C C C C C A B tidak
373 B B C C C C C A D tidak
374 B B A A A D C A A tidak
375 B B A A A D C B A tidak
376 B B A C A D C C A tidak
377 B B A C A D C A B tidak
378 B B A C A D C A C tidak
379 B B C C C C C C D tidak
380 B C A D D D C B B tidak
63
Lampiran 2
Hasil data testing dengan Rapid Miner
No
Prediksi
Rapid
miner
Prediksi
data
testing
Pengetahu
an kerja
Kemampu
an Untuk
Merencana
kan dan
Mengatur
Penerim
aan
Tanggun
g Jawab
Kerjasa
ma /
Hubunga
n
Manusia
pencapai
an tujuan
penilaian
dan
pengambilan
keputusan
Kehadiri
an inovasi
penetapan
sasaran /
tujuan
1 Tidak Tidak A B C D C B B C A
2 Tidak Tidak C A C D C B B C C
3 Di
Angkat Tidak C B A D C B B C D
4 Tidak Tidak C A B C D A B B D
5 Di
Angkat
Di
Angkat A B B B A B A B A
6 Tidak Tidak B A A A A D A B C
7 Di
Angkat
Di
Angkat B B A A A B A C C
8 Di
Angkat
Di
Angkat B B A B A B B B B
9 Tidak Tidak A C D C B B B C A
10 Di
Angkat
Di
Angkat B A B A A A A A D
11 Di
Angkat
Di
Angkat A B A B B A B B C
12 Di
Angkat
Di
Angkat B B A B B B A A C
13 Di
Angkat
Di
Angkat B B B B B B A B B
14 Tidak Tidak B C D A C C B A D
15 Di
Angkat
Di
Angkat B B A B B C B B A
16 Tidak Tidak A B B B B C B B C
17 Tidak Tidak A B A B B C A A D
18 Di
Angkat
Di
Angkat B B B B B B B A B
19 Di
Angkat
Di
Angkat B B A B A B A B B
20 Tidak Tidak C A D C B B B B B
21 Tidak Tidak C B A A B D B B D
22 Di
Angkat
Di
Angkat B B B D A B A B A
23 Di
Angkat
Di
Angkat A B A B B B B B B
24 Tidak Tidak A A B C D A B A C
25 Di
Angkat
Di
Angkat B B A A A B A B B
64
26 Di
Angkat
Di
Angkat A B B B D A A B A
27 Tidak Tidak B B B A D D A A D
28 Tidak Tidak A A C D A D B C D
29 Tidak Tidak C D A D C C B C C
30 Tidak Tidak C C B D A D A C B
31 Tidak Tidak A A A A D D B A D
32 Tidak Tidak B B B D A C A B A
33 Tidak Tidak A B C D C B B C D
34 Di
Angkat
Di
Angkat C B B B C B A A A
35 Tidak Tidak C A C D C B B C A
36 Tidak Di
Angkat A B A B C B B A A
37 Tidak Tidak C A B C D D B A C
38 Tidak Tidak B A A C C D B A B
39 Tidak Tidak C B A A A A B C B
40 Di
Angkat
Di
Angkat B B A B C A B A B
41 Tidak Tidak A C D C B B B C D
42 Tidak Tidak C B C A A B B D A
43 Tidak Tidak C A C D A D A A D
44 Tidak Tidak D B B B C D C B B
45 Tidak Tidak B B D A A D A B C
46 Tidak Tidak A D B B D C A D B
47 Di
Angkat
Di
Angkat A A A D A B A B D
48 Tidak Di
Angkat B A B B B B A A D
49 Di
Angkat
Di
Angkat A A A B A B A B A
50 Di
Angkat
Di
Angkat A A B A B B B B A