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: Yudaseptian92@Gmail.Com ( 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 : 1122004090@mhs-dinus.ac.id (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