33
BAB IV
HASIL DAN PEMBAHASAN
4.1 Pengolahan Data Data yang dipergunakan dalam tugas akhir ini merupakan data karyawan PT Perkbunan Nusantara IX Kebun Blimbing pada tahun 2015. Jumlah data yang digunakan sebanyak 512. Data ini terdapat 19 atribut yang digunakan dalam proses klasifikasi kenaikan golongan.Adapun Keterangan dari data tersebut di jelaskan pada tabel di bawah ini : Table 4 1 Keterangan Data No
Atribut yang berfungsi sebagai ID
Prod.Januari
Atribut ini menginformasikan produksi pada bulan Januari
Prod.Febuari
Atribut ini menginformasikan produksi pada bulan Febuari
Prod.Maret
Atribut ini menginformasikan produksi pada bulan Maret
Prod.April
Atribut ini menginformasikan produksi pada bulan April
Prod.Mei
Atribut ini menginformasikan produksi pada bulan Mei
Prod.Juni
Atribut ini menginformasikan produksi pada bulan Juni
Prod.Juli
Atribut ini menginformasikan produksi pada bulan Juli
Prod.Agustus
Atribut ini menginformasikan produksi pada bulan Agustus
33
34
Prod.September
Atribut ini menginformasikan produksi pada bulan September
Prod.Oktober
Atribut ini menginformasikan produksi pada bulan Oktober
Prod.November
Atribut ini menginformasikan produksi pada bulan November
Prod.Desember
Atribut ini menginformasikan produksi pada bulan Desember
Jenis Kelamin
Atribut ini menginformasikan jenis kelamin Karyawan
Golongan
Atribut
ini
menginformasikan
Golongan
Karyawan Pendidikan
Atribut
ini
menginformasikanPendidikan
Karyawan Umur
Atribut ini menginformasikan umur karyawan
Masa kerja
Atribut
ini
menginformasika
masa
kerja
karyawan Peuang
Atribut ini menginformasikanketerangan label untuk mempredikisi apakah layak untuk naik atau tidaknya golongan.
Kemudian yaitu pemilihan atribut data yang natinya dipergunakan
34
35
Table 4 2 Memilih Atribut Atribut
Detai Pengunaan
No
√
ID
Nama
x
No
Prod.Januari
√
Variabel Bebas
Prod.Febuari
√
Variabel Bebas
Prod.Maret
√
Variabel Bebas
Prod.April
√
Variabel Bebas
Prod.Mei
√
Variabel Bebas
Prod.Juni
√
Variabel Bebas
Prod.Juli
√
Variabel Bebas
Prod.Agustus
√
Variabel Bebas
Prod.September √
Variabel Bebas
Prod.Oktober
√
Variabel Bebas
Prod.November √
Variabel Bebas
Prod.Desember
√
Variabel Bebas
Jenis Kelamin
√
Variabel Bebas
Golongan
√
Variabel Bebas
Pendidikan
√
Variabel Bebas
Umur
√
Variabel Bebas
Masa kerja
√
Variabel Bebas
Peluang
√
Label Trget
Dimana atribut peluang menjadi target. Dan di atribut target terdapat dua kelas yang tujuannya atau target yaitu karyawan belum layak naik golongan,dan karyawan
layak
naik
golongan.
Data
menentukankenaikan golongan yaitu:
35
sampel
yang
digunakan
untuk
36
Gambar 4 1 Data kasus untuk mengklasifikasikan kenaikan golongan Semua data tersebut akan digunakan dalam perhitungan penentuan untuk mengkalasifikasikan kenaikan golongan pada PT Perkebunan Nusantara kebun IX Blimbing mengunakan algoritma C4.5. Yang sebelumnya data-data yang tidak lengkap (incomplete) dan tidak konsisten (inconsisten) serta data-data yang salah dihilangkan terlebih dahulu agar data menjadi valid, complete, dan konsisten, karena data harus bersih dari kesalahan, tidak lengkap dan tidak konsisten maka penulis melakukan proses data cleaning. Untuk memperoleh hasil akurasi dan model yang akan dihasilkan oleh algoritma C4.5 sesuai perhitungan yang sebelumnya maka dmengunakan RapitMiner untuk memproses 512 data tersebut .pada seting parameter algoritma C4.5 untuk menentukan Information gain.
36
37
4.3 Pengujian Model Pada penelitian ini rules atau model yang dihasilkan kemudian diterapkan pada program yang dihasilkan dengan batuan tools RapidMainer. Data yang di uji sebanyak 512 data dengan 19 atribut dimana seluruh atribut bertipe kategorikal, disini penulis mengunakan split validation untuk valedasi.Pada proses valedasi terdapat dua kolom, yaitu training dan testing.Penulis mengunakan perbandingan 70% untuk data trening dan 30% testing.Kolom trening berisi algoritma klasifikasi yang di terapkan, yaitu algoritma C4.5 dan kolom testing berisi apply model serta performence untuk mengetahi akurasi dari algoritma C4.5. Berikut tools RapitMainer untuk menghitung tingat akursai dengan algoritma C4.5 :
Gambar 4 2 Split Validition dengan Algoritma C4.5
37
38
Gambar 4 3 Split Validation dengan Algoritma C4.5 Selain itu,dalam model algoritma C4.5 terdapat beberapa parameter yang digunakan,yaitu inforation gain,karena rules yang terbentuk akan berbentuk pohon keputusan atau rule.Berikut rules yang terbentuk dari pemodelan algoritma c.45 dan digunakan untuk implementasi pada program.
38
39
4.3 Hasil Pemodelan Pohon Keputusan Dan Rule
Gambar 4 4 Pohon kputusan hasil pengolahan dengan RapidMiner Dari pohon keputusan yang dihasilkan diatas,Rule yang terbentuk sebagai berikut
Table 4 3 Rule yang terbentukdari pemodelan Algoritma C4.5 Berdasarkan pohon keputusan yang dihasilkan diatas rule yang dihasilkan adalah sebagai berikut : Rules Hasil = Karyawan layak naik golongan 1. IF November >165 AND Mei >220 =Karyawan layak naik golongan 2. IF November >165 AND Mei <=220 AND Oktober >210 AND Mei > 65 = Karyawan layak naik golongan
39
40
3. IF November > 165 AND Mei <= 220 AND Oktober > 210 AND Mei < 65 AND Mei <= 65 AND Oktober <= 265 Karyawan layak naik golongan 4. IF November <= 165 AND Mei >260 AND Mei >315 = Karyawan layak naik golongan Rule Hasil = Karyawan belum layak naik golongan 1. IF November >165 AND Mei <=220 AND Oktober <=210 =Karyawan belum layak naik golongan 2. IF November >165 AND Mei <=220 AND Oktober >210 AND Mei <=65 AND Mei <=55 = Karyawan belum layak naik golongan 3. IF November > 165 AND Mei <= 220 = AND Oktober > 210 AND Mei <= 65 AND Mei > 55 AND Oktober > 265 = Karyawan belum layak naik golongan 4. IF November <= 165 AND Mei < =315 = Karyawan belum layak naik golongan
4.4 Evaluasi dan Valedasi Hasil Evaluasi dengan mengunakan hasil klasifikasi. Pengukuran data dilakukan dengan mengunakan confusion matrix untuk mengevasluasi hasil dari hasil algoritma C4.5. Confusion metrix merupakan sebuah tabel yang mempunyai banyak baris data uji yang diprediksi benar atau tidak benar oleh model klasifikasi.tabel tersebut mengukur tingkat akurasi sebuah data. Accuracy dalam klasifikasi adalah persentase ketepatan record data yang diklasifikasikan secara benar setelah dilakukan pengujian pada hasil klasifikasi.
40
41
Table 4 4 nilai acurasy dari data karyawan yang ditampilkan oleh RapidMiner
Rumus :
Accurasy
x 100% = x 100% = 95,51 %
True positive (TP) adalah record 294 yang di klaasifikasikan karyawan belum layak naik golongan dan benar karyawan belum layak naik golongan,False Negative (FN) sebanyak 10 record yang di prediksi karyawan belum layak naik golongan namun pada klasifikasi sebenarnya hasilnya karyawan layak naik golongan.Jumlah false positive (FP) sebanyak 6 record yang diprediksi karyawan layak naik golongan namun pada klasifikasi sebenarnya kasilnya karyawan belum layak naik golongan.Dari confusion matrix diatas,akurasi prediksi yang dihasilkan untuk kenaikan golongn pada PTPN kebun Blimbing sebersar 95,51%.
41
42
Table 4 5 Nilai precision dari data karyawan yang ditampilkan oleh RapidMiner
Dari tabel 4.4 hasil evaluasi mengunakan confusion matrix menunjukan nilai precision 88,46%. untuk menghitung manual dapan mengunakan persamaan 8.precision adalah hasil bagi t_pos (total true positif),dengan jumlah t_post (total true positif).dan f_pos,dan f_pos(total fase positif). precision yaitu perbandingan jumlah t_neg terhadap jumlah record yang negative. Untuk menghitung digunakan persamaan dibawah ini : Precision
x 100%
Precision
x 100 %
Precision
= 0.8846 x 100 %
Precision
= 88,46 %
42
43
Table 4 6 nilai recall dari data karyawan yang ditampilkan oleh RapidMiner
Berdasarkan tabel 4.5 Recall atau sensitivity adalah proporsi kasus positif yang sebenarnya yang diprediksi positif secara benar, Powers.Hasil recall pada cofusion matrix menunjukan nilai recall sebesar 82,14%untuk mengitung manual dapat mengunakan persamaan 8.Nilai recall yaitu hasil bagi t_pos (total true positif) dengan penjumlahan t_pos (total true positif)dan t_neg (total true negatif) total true negatif Recall x 100% Recall x 100% Recall = 0,8214 x 100% Recall = 82,14%
43
44
Gambar 4 5 Hasil ROC dari C4.5 yang ditampilkan oleh RapidMiner
Curve ROC (Receiver Operating Characteristic) yaitu cara lain untuk mengevaluasi akurasi dari klasifikasi secara visual. Untuk klasifikasi data mining, nilai Area Under Curve (AUC) dapatdibagi menjadi beberapa kelompok[13]. A. Akurasi 0.90 – 1.00 = Excellent classification B. Akurasi 0.80 – 0.90 = Good classification C. Akurasi 0.70 – 0.80 = Fair classification D. Akurasi 0.60 – 0.70 = Poor classification E. Akurasi 0.50 – 0.60 = Failure Hasil yang didapat dari Pengolahan ROC untuk algeritma C4.5 dengan mengunakan data Traninng sebesar 0.887. Dapat diliat pada dengan tingkat diaknosa good classification.
44
45
4.4 Aplikasi Sederhana Setelah melakukan serangkaian proses analisa data menghasilkan sebuah rangkaian aturan dari RpidMainer, maka aturan tersebut dapat diimplementasikan program aplikasi dengan konsep dasar klasifikasi berbasis java.Cara kerja aplikasi ini yaitu dngan cara menginputkan data No, Nama karyawan,Prod.JanuariDesember, jenis kelamin, Golongan, Pendidikan, Umur, Masa kerja.Kemudian klik peluang maka akan muncul hasil rediksi apakah karyawan tersebut layak naik golongan atau tidak.Berikut tampilan awal program yang dibuat :
Gambar 4 6 Tampilan Program sebelum dilakukan inputan Pada tampilan awal program tersebut kita dapat menginputkan data sesuai pada tampilan tersebut sesuai data set yang ada .kemudian hasil klasifikasi akan muncul pada kolom dibawah tombol simpan hasil yang di tampilkan proses klasifikasi berdasarkan aturan yang diimplementasikan.terdapat tobol simpan yang kemudian akan langsung menyimpan hasil klasifikasi pada database dan
45
46
akan muncul di tabel database. Dan terdapat tombol hapus yang digunakan untuk menghapus data yang ada pada databese.Berikut merupakan tampilan dari program setelah dilakukan input data :
Gambar 4 7 Tampilan program saat menampilkan hasil klasifikasi Pada gambar diatas menampilkan hasil klasifikasi dari hasil input data yang kemudian akan menghasilkan klasifikasi sesuai dengan implementasi dari algoritma C4.5.Sehinga dapat melihat apakah karyawan tersebuk layak naik golongan atau tidak.
46
47
Gambar 4 8 Tampilan program menyimpan kedatabase Pada gambar diatas menampilkan kegunan button simpan kemudian menampilkan hasil klasifikasi selanjutnya hasil tersebut akan masuk pada tabel tersebut.
47
48
Gambar 4 9 Tampilan program saat menghapus data Pada gambar diatas menampilkan button hapus yang berguna untuk menghapus data yang telah tersimpan pada tabel tersebut. Aplikasi ini ditunjukan untuk informasi pihak perusahaan PTP Nusantara kebun blimbing untuk informasi apakah karyawan tersebut layak untuk naik golongan atau tidak .kemudian dari output aplikasi tersebut dapat dimanfaatkan sebagai pengecekan data apakah karyawan tersebut layak untuk naik golongan sehinga memudahkan pemantauan karyawan yang rajin dan yang tidak.Tampilan Aplikasi kenaikan golongan karyawan PTP Nusantara Kebun Blimbing
48
