Jurnal Mantik Penusa
Vol 16 No 2 Desember 2014
ISSN 2088-3943
Penerapan Algoritma C4.5 Dalam Analisa Kelayakan Penerima Bonus Tahunan Pegawai (Studi Kasus : PT. Multi Pratama Nauli Medan) Guntur Syahputra,M.Kom Program Studi Manajemen Informatika STMIK Pelita Nusantara Medan, Jl. Iskandar Muda No 1 Medan, Sumatera Utara 20154, Indonesia
[email protected] Abstrak Data mining adalah serangkaian proses untuk menggali nilai tambah dengan mencari pola atau aturan tertentu dari bongkahan data (database) yang besar untuk mendapatkan sebuah informasi atau pengetahuan baru yang selama ini tidak diketahui secara manual, yang diharapkan dapat dijadikan suatu pola keputusan yang nantinya akan digunakan dalam menganalisa kelayakan penerima bonus tahunan pegawai. Penerapan algoritma C4.5, dapat digunakan dalam menganalisa pegawai yang layak atau tidaknya untuk menerima bonus tahunan ini berdasarkan kriteria yang telah ditetapkan yang akan menghasilkan suatu pohon keputusan, dari pohon keputusan inilah, akan diambil pengetahuan-pengetahuan baru berupa rules atau aturan-aturan yang akan dijadikan pola keputusan. Oleh karena itu dapat membantu seorang pimpinan perusahaan dalam menganalisa pegawai yang layak untuk menerima bonus tahunan ini. Kata Kunci : Bonus Tahunan Pegawai, Algoritma C4.5 I PENDAHULUAN 1.1 Latar Belakang Penelitian Salah satunya dalam meningkatkan kualitas dan loyalitas pegawai pada PT. Multi Pratama Nauli Medan, maka setiap tahunnya pimpinan perusahaan memberikan bonus pada pegawai yang berprestasi dengan kriteria-kriteria yang telah ditetapkan. Karena banyaknya kriteria dan data pegawai yang dianalisa, maka seorang pimpinan perusahaan harus bekerja keras dalam menganalisa pegawai mana yang layak dalam menerima bonus tahunan ini. Maka diperlukan pengolahan data lebih lanjut untuk menemukan informasi atau pengetahuan baru yang berguna sebagai pembantu dalam mengambil keputusan. Oleh karena itu, pembentukan suatu pola keputusan sangat diperlukan karena dapat menghindari permasalahan tersebut. Penerapan algoritma C4.5 merupakan salah satu solusi pemecahan kasus yang sering digunakan dalam pemecahan masalah pada teknik klasifikasi yang memiliki karakteristik yaitu dengan proses penentuan nilai entropy dan nilai gain dari kemungkinan setiap kriteria yang menjadi acuan keputusan yang dilanjutkan dengan proses perangkingan dari hasil keputusan. Keluaran dari algoritma C4.5 yaitu berupa sebuah pohon keputusan (decision tree). Pohon keputusan adalah sebuah struktur yang dapat digunakan untuk mengubah data menjadi pohon keputusan yang akan menghasilkan aturan-aturan keputusan
1.2 Rumusan Masalah Berdasarkan uraian yang terdapat pada latar belakang, maka permasalahan pokok yang akan dibahas yaitu : 1. Bagaimana memanfaatkan data mining dengan menggunakan algoritma C4.5 dalam menganalisa kelayakan penerima bonus tahunan pegawai pada PT. Multi Pratama Nauli Medan? 2. Bagaimana menerapkan algoritma C4.5 dalam kelayakan penerima bonus tahunan pegawai pada PT. Multi Pratama Nauli Medan ? 2.1 Tujuan Penelitian Tujuan dilakukannya penelitian ini adalah : 1. Merancang aplikasi Sistem Pendukung KeputusanSiswa Berprestasi Menggunakan Metode AHP (Analytic Hierarchy Process) Pada SMK Singosari Delitua. 2. Membangun aplikasi Sistem Pendukung Keputusan Siswa Berprestasi Menggunakan Metode AHP (Analytic Hierarchy Process) Pada SMK Singosari Delitua. II Landasan Teori Dan Kerangka Pemikiran 2.1 Defenisi Sistem Menurut (Sukma Putri Utari, 2015 Volume : IX, Nomor: 3) Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan. Sedang pohon keputusan dapat diartikan suatu cara untuk memprediksi atau mengklarifikasi yang sangat kuat. Pohon keputusan dapat membagi kumpulan data yang 1
Junal Manajemen dan Informatika Komputer Pelita Nusantara
Jurnal Mantik Penusa
Vol 16 No 2 Desember 2014
besar menjadi himpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian aturan keputusan. Rumus Algoritma C4.5 terbagi menjadi 2 rumus, yang pertama rumus untuk mencari nilai gain (
)
( )
∑
| |
| |
( )
( )
Keterangan : S : Himpunan kasus A : Atribut n : Jumlah Partisi Atribut A |Si| : Jumlah kasus pada partisi ke-i |S| : Jumlah Kasus dalam S Dan rumus yang kedua adalah untuk mencari nilai entropy. ( )
∑
( )
2.2 Decision Tree Sistem Pendukung Keputusan (SPK) / Desision tree (pohon keputusan) merupakan metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang mempresentasikan aturan. Aturan dapat dengan mudah dipahami dengan bahasa alami. Dan mereka juga dapat diekpresikan dalam bentuk bahasa basis data seperti Structured Query Language untuk mencari record pada kategori tertentu. A decision tree is a structure that can be used to divide large datasets into the sets of records that are smaller by applying a set of decision rules. With each of the division series, members of the result set to be similar to one another. (Berry & Linoff, 2004:14) yang artinya Sebuah pohon keputusan adalah sebuah struktur yang dapat digunakan untuk membagi kumpulan data yang besar menjadi himpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian aturan keputusan. Dengan masingmasing rangkaian pembagian, anggota himpu nan hasil menjadi mirip satu dengan yang lain. “Banyak algoritma yang dapat dipakai dalam pembentukan pohon keputusan, anatara lain ID3, CART dan C4.5. Algoritma C4.5 merupakan pengembangan dari algoritma ID3 (Larose, 2005:14).” Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan pohon. Misalkan untuk menentukan main tenis, kriteria yang diperhatikan adalah cuaca, angin, dan temperatur. Salah satu atribut merupakan atribut yang menyatakan data solusi per item data yang disebut target atribut. Atribut memiliki nilai-nilai yang dinamakan dengan instance. Misalkan
ISSN 2088-3943
atribut cuaca mempunyai instance berupa cerah, berawan, dan hujan (Basuki & Syarif, 2003:14). “Proses pada pohon keputusan adalah mengubah bentuk data (tabel) menjadi model pohon, mengubah model pohon menjadi rule, dan menyederhanakan rule (Basuki & Syarif, 2003:14).” 2.3 Rapid Miner Rapid Miner merupakan perangkat lunak yang bersifat terbuka (open source). Rapid Miner adalah sebuah solusi untuk melakukan analisis prediksi. Rapid Miner menggunakan berbagai teknik deskriptif dan prediksi dalam memberikan wawasan kepada pengguna sehingga dapat membuat keputusan yang paling baik. Rapid Miner memiliki kurang lebih 500 operator data mining, termasuk operator untuk input, output, data preprocessing dan visualisasi. Rapid Miner merupakan software yang berdiri sendiri untuk analisis data dan sebagai mesin data mining yang dapat diitegrasikan pada produknya sendiri. Rapid Miner ditulis dengan menggunakan bahasa java sehingga dapat bekerja di semua sistem operasi. Rapid Miner menyediakan GUI (Graphic User Iterface) untuk merancang sebuah pipeline analitis. GUI ini akan menghasilkan file XML (Extensible Markup Language) yang mendefenisikan proses analitis keinginan pengguna untuk diterapkan ke data. File ini kemudian dibaca oleh Rapid Miner untuk menjalankan analis secara otomatis. Rapid Miner memiliki beberapa sifat sebagai berikut : 1. Ditulis dengan bahasa pemrograman java sehingga dapat dijalankan diberbagai sistem operasi. 2. Proses penemuan pengetahuan dimodelkan sebagai operator trees. 3. Representasi XML internal untuk memastikan format standar pertukaran data. 4. Bahasa scripting memungkinkan untuk eksperimen skala besar dan otomatisasi eksperimen. 5. Konsep multi-layer untuk menjamin tampilan data yang efisien dan menjamin penanganan data. 6. Memiliki GUI, command line mode, dan java API yang dapat dipanggil dari program lain. (Wicaksana, dkk, Belajar Data Mining Dengan Rapid Miner, 2009)
III Metodologi Penelitian 3.1.1 Teknik Pengumpulan Data Adapun teknik pengumpulan data yang penulis lakukan pada PT. Multi Pratama Nauli Medan yaitu dengan melakukan pengamatan
2 Junal Manajemen dan Informatika Komputer Pelita Nusantara
Jurnal Mantik Penusa
penelitian lapangan (field study) secara langsung dengan cara : 1. Wawancara (interview) kepada pimpinan serta seluruh pegawai PT. Multi Pratama Nauli Medan. 2. Pengamatan (observation) langsung ke tempat objek penelitian yaitu PT. Multi Pratama Nauli Medan. Serta melakukan penelitian keperpustakaan (library) untuk pengumpulan data yang bersifat teoritis dengan membaca buku, mata kuliah, dan tulisan lainnya. 3.1.2
Teknik Analisis Data Dalam penelitian yang dilakukan penulis pada PT. Multi Pratama Nauli Medan, teknik analisis data dilakukan dengan cara : 1. Menyeleksi data yang sesuai dengan fokus masalah penelitian yang dikumpulkan dari hasil wawancara (kepada Kepala Sekolah, guru-guru,staf pegawai)dan pengamatan langsung PT. Multi Pratama Nauli Medan. 2. Menganalisis data hasil seleksi untuk menarik kesimpulan dan mengambil tindakan. 3. Membuat kesimpulan berdasarkan analisis data. Analisa Masalah Kegiatan seleksi siswa berprestasi merupakan kegiatan yang dilaksanakan oleh banyak sekolah setiap tahunnya. Kenyataan dilapangan bahwa pihak sekolah jarang yang siap dalam penyelenggaraan seleksi siswa berprestasi. Masalah administrasi yang bersifat manual mengakibatkan kurang efisiennya kegiatan seleksi siswa berprestasi. Oleh karena itu, penulis berinisiatif untuk merancang suatu sistem yang dapat membantu pihak sekolah dalam pengambil keputusan seleksisiswa berprestasi, sehingga dapat lebih efisien dalam pelaksanaannya.
Vol 16 No 2 Desember 2014
seluruh pegawai pada PT. Multi Pratama Nauli Medan. Dari data yang ada, kolom yang diambil sebagai atribut/variabel dalam pembentukan pohon keputusan adalah : a. Masa Kerja b. Kehadiran c. Loyalitas d. Hasil Pekerjaan 2. Pembersihan data Untuk membersihkan data, yaitu melengkapi data, menghapus data duplikat, menghilangkan noise. 3. Transformasi data Data diubah atau digabung kedalam format yang sesuai untuk diproses dalam data mining agar data siap dihitung menggunakan algoritma C4.5. Berikut adalah data kinerja pegawai pada PT. Multi Pratama Nauli Medan: Tabel 3.1 Data Kinerja Pegawai Hasil
No
Nama
Masa Kerja
Kehadiran
Loyalitas
1
Desi Leman
10 thn
80%
65%
90
5 thn
80%
65%
90
7 thn
75%
75%
90
3 bln
85%
80%
60
2
3.2
Bayu Syahputra
Pekerjaan
Putri
3
Permata Sari
4
Novita Safriani
5
Susi Wjaya
3 thn
85%
80%
70
6
Elim Wan
10 bln
65%
70%
70
7
Sintia
2 thn
77%
80%
65
8 thn
65%
80%
65
5 bln
65%
70%
80
9 bln
70%
85%
70
2 thn
70%
60%
75
3 thn
70%
60%
75
9 thn
80%
70%
90
6 thn
80%
65%
80
4 thn
65%
60%
65
2 thn
65%
65%
65
11 bln
80%
85%
70
8 9
3.2.1. Analisa Data Pegawai Data yang digunakan dalam membentuk pohon keputusan adalah data kinerja seluruh pegawai pada PT. Multi Pratama Nauli Medan dengan kriteria-kriteria yang telah ditetapkan perusahaan dalam analisa kelayakan penerima bonus tahunan pegawai pada PT. Multi Pratama Nauli Medan. Data tersebut di dapat dari pekerjaan Rehabilitasi Jaringan Irigasi D.I. Balangka Sitongkon 1.017 Ha (417 Ha) Kab. Padang Lawas, selanjutnya akan dilakukan praproses untuk menghasilkan data kasus yang siap untuk dibentuk menjadi pohon keputusan. Praproses data meliputi :
10
1.
16
Seleksi data Untuk memilih data yang akan digunakan dalam penelitian ini, yaitu data kinerja
ISSN 2088-3943
11 12 13 14 15
17
Elfrida Manulang Elly Suparti Gesti Yolanda Hari Susanto Heliantini Manulang Indah Purnama Joko Indra Prasetyo Jumini Lisa Ade Yanti M. Alfan
3 Junal Manajemen dan Informatika Komputer Pelita Nusantara
Jurnal Mantik Penusa
18 19 20 21 22 23 24 25 26
Maryati Melly Purnama Merryana Nur Abida Siregar Rani Wahyuni Afriani Girsang
Noni Elni Siregar Dita Lifia Nirwana Wisnu
Vol 16 No 2 Desember 2014
70%
75%
70
3 thn
70%
75%
75
No
2 thn
80%
80%
85
1
10 bln
70%
65%
60
5 thn
70%
65%
65
75%
80
7 thn
70%
85%
85
8 bln
70%
75%
70
5 thn
65%
65%
75
10 thn
65%
85%
80
28
Sumatri
5 thn
75%
65%
65
29
Suriani
8 bln
80%
75%
80
30
Surip
8 thn
85%
70%
85
31
Suryandi
7 bln
70%
65%
70
33 34
Liona Pringka Fury Ayu Budi Alamsyah
7 bln
80%
80%
70
3 thn
65%
80%
85
5 thn
75%
80%
85
Heru 35
Pratama
3 thn
80%
70%
75
Putra Sumber : PT. Multi Pratama Nauli Medan Keterangan : Dari tabel diatas, dapat dijelaskan bahwa data yang diperoleh merupakan data hasil olahan pertahunnya, yaitu data kinerja seluruh pegawai pada PT. Multi Pratama Nauli Medan karena keterbatasan data, kemampuan dan waktu dan juga data yang bersifat pribadi. Pada tahap ini proses pembersihan data tidak dilakukan karena data dianggap sudah siap untuk dipergunakan. Selanjutnya akan dilakukan proses transformasi data yaitu data diubah kedalam format yang sesuai untuk diproses dalam data mining agar data siap dihitung menggunakan algoritma C4.5. Berikut merupakan tabel hasil dari transformasi data kinerja pegawai.
Kehadiran
Hasil Pekerjaan
Bonus Tahunan
MS
Bagus
Kurang
Baik
Layak
MS
Bagus
Kurang
Baik
Layak
MS
Bagus
Cukup
Baik
Layak
TS
Bagus
Baik
Kurang
Loyalitas
MS
Bagus
Baik
Cukup
6
Elim Wan TS
Tidak
Cukup
Cukup
7
Sintia
MS
Bagus
Baik
Kurang
MS
Tidak
Baik
Kurang
TS
Tidak
Cukup
Baik
TS
Tidak
Baik
Cukup
MS
Tidak
Kurang
Cukup
MS
Tidak
Kurang
Cukup
MS
Bagus
Cukup
Baik
Layak
MS
Bagus
Kurang
Baik
Layak
14
Elfrida Manulang Elly Suparti Gesti Yolanda Hari Susanto Heliantini Manulang Indah Purnama Joko Indra Prasetyo
15
Jumini
MS
Tidak
Kurang
Kurang
16
Lisa Ade Yanti
MS
Tidak
Kurang
Kurang
17
M. Alfan
TS
Bagus
Baik
Cukup
18
Maryati
TS
Tidak
Cukup
Cukup
19
Melly Purnama
MS
Tidak
Cukup
Cukup
20 21
Merryana MS
Bagus
Baik
Baik
TS
Tidak
Kurang
Kurang
22
MS
Tidak
Kurang
Kurang
MS
Bagus
Cukup
Baik
MS
Tidak
Baik
Baik
TS
Tidak
Cukup
Cukup
MS
Tidak
Kurang
Cukup
8 9 10
Juliana
Masa Kerja
5
2
4 80%
Nama
Desi Leman Bayu Syahputra Putri Permata Sari Novita Safriani Susi Wjaya
3
27
32
Tabel 3.2 Transformasi Data Kinerja Pegawai
5 bln
8 thn
ISSN 2088-3943
11 12 13
23 24 25 26
Nur Abida Siregar Rani Wahyuni Afriani Girsang Noni Elni Siregar Dita Lifia Nirwana Wisnu
27
Juliana
MS
Tidak
Baik
Baik
28
Sumatri
MS
Bagus
Kurang
Kurang
29
Suriani
TS
Bagus
Cukup
Baik
30
Surip
MS
Bagus
Cukup
Baik
31
Suryandi
TS
Tidak
Kurang
Cukup
32
Liona TS Pringka Fury MS Ayu Budi MS Alamsyah
Bagus
Baik
Cukup
Tidak
Baik
Baik
Bagus
Baik
Baik
33 34
Tdk Layak Tdk Layak Tdk Layak Tdk Layak Tdk Layak Tdk Layak Tdk Layak Tdk Layak Tdk Layak
Tdk Layak Tdk Layak Tdk Layak Tdk Layak Tdk Layak Layak Tdk Layak Tdk Layak Layak Tdk Layak Tdk Layak Tdk Layak Tdk Layak Tdk Layak Tdk Layak Layak Tdk Layak Tdk Layak Tdk Layak Layak
4 Junal Manajemen dan Informatika Komputer Pelita Nusantara
Jurnal Mantik Penusa
35
Heru Pratama Putra
MS
Bagus
Vol 16 No 2 Desember 2014
Cukup
Cukup
b. Cukup Hasil pekerjaan cukup apabila hasil pekerjaan pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) mempunyai nilai 70 sampai 75 per tahun. c. Kurang Hasil pekerjaan kurang apabila hasil pekerjaan pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) mempunyai nilai kurang dari 65 per tahun.
Tdk Layak
Keterangan : Dari tabel diatas, dapat dijelaskan bahwa setiap pegawai yang layak dalam menerima bonus tahunan pegawai ditentukan oleh : 1. Masa Kerja Untuk masa kerja terbagi atas 2 (dua) transformasi data yaitu : a. MS (Memenuhi Syarat) Masa kerja memenuhi syarat apabila masa kerja dari setiap atribut pada tabel asal (data kinerja pegawai) adalah minimal 2 tahun. b. TS (Tidak Memenuhi Syarat) Masa kerja tidak memenuhi syarat apabila masa kerja dari setiap atribut pada tabel asal (data kinerja pegawai) adalah kurang dari 2 tahun. 2. Kehadiran Untuk kehadiran terbagi atas 2 (dua) transformasi data yaitu : a. Bagus Kehadiran bagus apabila kehadiran pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) minimal 75% per tahun. b. Tidak Bagus Kehadiran tidak bagus apabila kehadiran pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) kurang dari 75% per tahun. 3. Loyalitas Untuk loyalitas terbagi atas 3 (tiga) transformasi data yaitu : a. Baik Loyalitas baik apabila loyalitas pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) minimal 80% per tahun. b. Cukup Loyalitas cukup apabila loyalitas pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) 70% sampai 75% per tahun. c. Kurang Loyalitas kurang apabila loyalitas pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) kurang dari 70% per tahun. 4. Hasil Pekerjaan Untuk hasil pekerjaan terbagi atas 3 (tiga) transformasi data yaitu : a. Baik Hasil pekerjaan baik apabila hasil pekerjaan pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) mempunyai nilai 80 sampai 90 per tahun.
ISSN 2088-3943
Data yang digunakan dalam membentuk pohon keputusan adalah data kinerja seluruh pegawai pada PT. Multi Pratama Nauli Medan dengan kriteria-kriteria yang telah ditetapkan perusahaan dalam analisa kelayakan penerima bonus tahunan pegawai pada PT. Multi Pratama Nauli Medan. Data tersebut di dapat dari pekerjaan Rehabilitasi Jaringan Irigasi D.I. Balangka Sitongkon 1.017 Ha (417 Ha) Kab. Padang Lawas, selanjutnya akan dilakukan praproses untuk menghasilkan data kasus yang siap untuk dibentuk menjadi pohon keputusan. Praproses data meliputi : 4. Seleksi data Untuk memilih data yang akan digunakan dalam penelitian ini, yaitu data kinerja seluruh pegawai pada PT. Multi Pratama Nauli Medan. Dari data yang ada, kolom yang diambil sebagai atribut/variabel dalam pembentukan pohon keputusan adalah : e. Masa Kerja f. Kehadiran g. Loyalitas h. Hasil Pekerjaan 5. Pembersihan data Untuk membersihkan data, yaitu melengkapi data, menghapus data duplikat, menghilangkan noise. 6. Transformasi data Data diubah atau digabung kedalam format yang sesuai untuk diproses dalam data mining agar data siap dihitung menggunakan algoritma C4.5. Berikut adalah data kinerja pegawai pada PT. Multi Pratama Nauli Medan:
No 1 2 3 4
Tabel 3.3 Data Kinerja Pegawai Masa Hasil Nama Kehadiran Loyalitas Kerja Kerja Desi 10 80% 65% 90 Leman thn Bayu 5 thn 80% 65% 90 Syahputra Putri Permata 7 thn 75% 75% 90 Sari Novita 3 bln 85% 80% 60
5 Junal Manajemen dan Informatika Komputer Pelita Nusantara
Jurnal Mantik Penusa
Vol 16 No 2 Desember 2014
Keterangan : Dari tabel diatas, dapat dijelaskan bahwa data yang diperoleh merupakan data hasil olahan pertahunnya, yaitu data kinerja seluruh pegawai pada PT. Multi Pratama Nauli Medan karena keterbatasan data, kemampuan dan waktu dan juga data yang bersifat pribadi. Pada tahap ini proses pembersihan data tidak dilakukan karena data dianggap sudah siap untuk dipergunakan. Selanjutnya akan dilakukan proses transformasi data yaitu data diubah kedalam format yang sesuai untuk diproses dalam data mining agar data siap dihitung menggunakan algoritma C4.5. Berikut merupakan tabel hasil dari transformasi data kinerja pegawai.
Safriani 5
Susi Wjaya
6
Elim Wan
7
Sintia Elfrida Manulang Elly Suparti Gesti Yolanda Hari Susanto Heliantini Manulang Indah Purnama Joko Indra Prasetyo Jumini Lisa Ade Yanti
8 9 10 11 12 13 14 15 16 17
M. Alfan
18
Maryati Melly Purnama Merryana Nur Abida Siregar Rani Wahyuni Afriani Girsang Noni Elni Siregar Dita Lifia Nirwana Wisnu
19 20 21 22 23 24 25 26
3 thn 10 bln 2 thn
85%
80%
70
65%
70%
70
77%
80%
65
8 thn
65%
80%
65
5 bln
65%
70%
80
9 bln
70%
85%
70
2 thn
70%
60%
75
3 thn
70%
60%
75
9 thn
80%
70%
90
Tabel 3.4 Transformasi Data Kinerja Pegawai 6 thn
80%
65%
80
4 thn
65%
60%
65
2 thn
65%
65%
65
80%
85%
70
70%
75%
70
3 thn
70%
75%
75
2 thn 10 bln
80%
80%
85
70%
65%
60
5 thn
70%
65%
65
8 thn
80%
75%
80
11 bln 5 bln
7 thn
70%
85%
85
8 bln
70%
75%
70
5 thn
65%
65%
75
65%
85%
80
75%
65%
65
Sumatri
29
Suriani
8 bln
80%
75%
80
30
Surip
8 thn
85%
70%
85
Suryandi 7 bln 70% 65% Liona 7 bln 80% 80% Pringka Fury Ayu 3 thn 65% 80% Budi 5 thn 75% 80% Alamsyah Heru Pratama 3 thn 80% 70% Putra Sumber : PT. Multi Pratama Nauli Medan
70
35
3 4 5
9
28
34
2
8
10 thn 5 thn
33
1
7
Juliana
32
No
6
27
31
ISSN 2088-3943
10 11 12 13 14
70
Nama
Masa Kerja
Desi MS Leman Bayu MS Syahputra Putri Permata MS Sari Novita TS Safriani Susi MS Wjaya Elim TS Wan Sintia
Loya litas
Bagus
Kurang
Baik Layak
Bagus
Kurang
Baik Layak
Bagus
Cukup
Baik Layak
Bagus
Baik
Kurang
Bagus
Baik
Cukup
Tidak
MS Bagus
Elfrida MS Tidak Manulang Elly TS Tidak Suparti Gesti TS Tidak Yolanda Hari MS Tidak Susanto Heliantini MS Tidak Manulang Indah MS Bagus Purnama Joko Indra MS Bagus Prasetyo
Hasil Pekerjaan
Cukup Cukup Baik
Kurang
Baik
Kurang
Cukup
Baik
Baik
Cukup
Kurang Cukup Kurang Cukup
Tdk Layak Tdk Layak Tdk Layak Tdk Layak Tdk Layak Tdk Layak Tdk Layak Tdk Layak Tdk Layak
Cukup
Baik Layak
Kurang
Baik Layak
85
15
Jumini
MS
Tidak
Kurang Kurang
85
16
Lisa Ade MS Yanti
Tidak
Kurang Kurang
17
M. Alfan TS
Bagus
18
Maryati
TS
Tidak
Cukup Cukup
19
Melly
MS
Tidak
Cukup Cukup
75
Bonu s Tahu nan
Keha diran
Baik
Cukup
Tdk Layak Tdk Layak Tdk Layak Tdk Layak Tdk 6
Junal Manajemen dan Informatika Komputer Pelita Nusantara
Jurnal Mantik Penusa
Vol 16 No 2 Desember 2014
Purnama 20 21
22
23
24
Layak
Merryana MS Nur Abida Siregar Rani Wahyu ni Afriani Girsan g Noni Elni Siregar
Bagus
Baik
Baik
TS
Tidak
Kuran g
Kura ng
MS
Tidak
Kuran g
Kura ng
MS
Bagus
Cukup
Baik
MS
Tidak
Baik
Baik
Lay ak Tdk Lay ak Tdk Lay ak Lay ak Tdk Lay ak Tdk Lay ak Tdk Lay ak Tdk Lay ak Tdk Lay ak Tdk Lay ak Lay ak Tdk Lay ak Tdk Lay ak Tdk Lay ak
25
Dita Lifia
TS
Tidak
Cukup
Cuku p
26
Nirwan a Wisnu
MS
Tidak
Kuran g
Cuku p
27
Juliana
MS
Tidak
Baik
Baik
28
Sumatr i
MS
Bagus
Kuran g
Kura ng
29
Suriani
TS
Bagus
Cukup
Baik
30
Surip
MS
Bagus
Cukup
Baik
31
Suryan di
TS
Tidak
Kuran g
Cuku p
32
Liona Pringk a
TS
Bagus
Baik
Cuku p
33
Fury Ayu
MS
Tidak
Baik
Baik
MS
Bagus
Baik
Baik
Lay ak
MS
Bagus
Cukup
Cuku p
Tdk Lay ak
34
35
Budi Alams yah Heru Pratam a Putra
Keterangan : Dari tabel diatas, dapat dijelaskan bahwa setiap pegawai yang layak dalam menerima bonus tahunan pegawai ditentukan oleh : 5. Masa Kerja Untuk masa kerja terbagi atas 2 (dua) transformasi data yaitu : a. MS (Memenuhi Syarat) Masa kerja memenuhi syarat apabila masa kerja dari setiap atribut pada tabel asal (data kinerja pegawai) adalah minimal 2 tahun.
ISSN 2088-3943
b.
TS (Tidak Memenuhi Syarat) Masa kerja tidak memenuhi syarat apabila masa kerja dari setiap atribut pada tabel asal (data kinerja pegawai) adalah kurang dari 2 tahun. 6. Kehadiran Untuk kehadiran terbagi atas 2 (dua) transformasi data yaitu : a. Bagus Kehadiran bagus apabila kehadiran pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) minimal 75% per tahun. b. Tidak Bagus Kehadiran tidak bagus apabila kehadiran pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) kurang dari 75% per tahun. 7. Loyalitas Untuk loyalitas terbagi atas 3 (tiga) transformasi data yaitu : a. Baik Loyalitas baik apabila loyalitas pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) minimal 80% per tahun. b. Cukup Loyalitas cukup apabila loyalitas pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) 70% sampai 75% per tahun. c. Kurang Loyalitas kurang apabila loyalitas pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) kurang dari 70% per tahun. 8. Hasil Pekerjaan Untuk hasil pekerjaan terbagi atas 3 (tiga) transformasi data yaitu : a. Baik Hasil pekerjaan baik apabila hasil pekerjaan pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) mempunyai nilai 80 sampai 90 per tahun. b. Cukup Hasil pekerjaan cukup apabila hasil pekerjaan pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) mempunyai nilai 70 sampai 75 per tahun. c. Kurang Hasil pekerjaan kurang apabila hasil pekerjaan pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) mempunyai nilai kurang dari 65 per tahun.
7 Junal Manajemen dan Informatika Komputer Pelita Nusantara
Jurnal Mantik Penusa
Vol 16 No 2 Desember 2014
ISSN 2088-3943
IV Proses Data Data kinerja pegawai yang diinput dari database telah selesai. Maka tahap selanjutnya adalah proses data menggunakan aplikasi Rapid Miner sebagai berikut : 1. Buka program Rapid Miner yang telah diinstal, setelah proses maka akan muncul tampilan awal aplikasi Rapid Miner seperti pada gambar 5.1. Pada halaman awal terdapat beberapa fitur, salah satunya adalah new. New berguna untuk memulai proses analisis baru. Untuk memulai proses baru kemudian klik new.
Gambar 4.3 Tampilan data import wizard Step 2 5.
6. 7.
Selanjutnya akan muncul tampilan data import wizard step 3. Pada step 3 ini, ada yang harus dirubah yaitu pada Annotation pilih Name kemudian klik Next. Selanjutnya akan muncul tampilan data import wizard step 4. Pada step 4 ini ada yang harus dirubah yaitu pada attribut 1 Nama pilih id dan pada attribut 6 pilih label kemudian klik Next. Seperti pada gambar 5.4 berikut ini :
Gambar 4.1 Tampilan Awal Rapid Miner 2.
Kemudian untuk melakukan proses data, langkah selanjutnta adalah memasukkan data kinerja pegawai yang sudah tersimpan dalam format data *.CSV kedalam Rapid Miner, yaitu dengan cara klik icon import pada tab operators, kemudian pilih import CSV File atau lebih jelas dapat dilihat pada gambar 4.2 berikut ini :
Gambar 4.4 Tampilan Data Import Wizard Step 4
8.
Selanjutnya akan muncul tahapan akhir pada data import wizard step 5. Pada step ini pilih New Local Repository sebagai tempat untuk menyimpan database Kemudian isi nama dan pilih Finish.
Gambar 4.2 Tampilan data input data *.CSV 3.
4.
Setelah proses import data dilakukan maka sistem akan menampilkan data import wizard step 1 yaitu mencari dimana data yang akan di import yaitu data yang sudah di simpan pada format *.CSV Setelah data sudah didapat, klik tombol next untuk melanjutkan pada step berikutnya, maka akan muncul tampilan data import wizard Step 2 kemudian klik Next. Seperti pada gambar 4.3 berikut ini :
Gambar 4.5 Tampilan Data Import Wizard Step 5
9.
Kemudian akan muncul kembali halaman Rapid Miner lalu masukkan database data kinerja pegawai yang telah di simpan di New
8 Junal Manajemen dan Informatika Komputer Pelita Nusantara
Jurnal Mantik Penusa
Local Repository, drag and drop database kehalaman kerja Rapid Miner atau lebih jelasnya dapat dilihat pada gambar 4.6 berikut ini :
Gambar 4.6 Tampilan Database Kinerja Pegawai pada Rapid Miner
10. Setelah database kinerja pegawai di masukkan, maka langkah selanjutnya adalah memasukkan metode decision tree kedalam halaman kerja Rapid Miner yaitu dengan cara klik icon Repositories pilih modeling, lalu pilih classification and regression, kemudian pilih tree induction, lalu pilih decision tree, drag and drop decision tree kehalaman kerja. Kemudian hubungkan database dengan decision tree sampai tidak ada error atau lebih jelasnya dapat dilihat pada gambar 4.7 berikut ini :
Gambar 4.7 Tampilan Masukan Decision Tree 11. Kemudian tekan tombol F11 pada keyboard untuk menjalankan program.
5.1.1 Keluaran (Output) Data Hasil akhir atau output dari aplikasi Rapid Miner adalah berupa pohon keputusan atau decision tree. Dari pohon keputusan inilah akan dihasilkan rules atau aturan-aturan yang dapat
Vol 16 No 2 Desember 2014
ISSN 2088-3943
membantu dalam mengambil keputusan. Pohon keputusan akhir dapat dilihat pada gambar 4.8 berikut :
Gambar 4.8 Tampilan Hasil Tree Akhir Hasil keluaran dari data mining aturan classification decision tree untuk menganalisa pegawai mana yang layak dalam mendapatkan bonus tahunan pada aplikasi Rapid Miner ini menunjukkan laporan yang diharapkan mampu membantu memberikan keputusan bagi seorang yang berkepentingan untuk kelangsungan bisnisnya. Untuk hasil nama pegawai yang mendapatkan bonus tahunan adalah sebagai berikut : 1. Desi Leman 6. Merryana 2. Bayu Syahputra 7. Apriani Girsang 3. Putri Permata Sari 8. Surip 4. Indah Purnama 9. Budi Alamsyah 5. Joko Indra Prasetyo V. Kesimpulan Sebagai penutup pembahasan dalam penulisan skripsi ini maka diambil kesimpulankesimpulan. Dengan adanya kesimpulan ini dapat diambil suatu perbandingan yang akhirnya dapat memberikan perbaikan-perbaikan pada masa yang aka datang. Adapun kesimpulan yang diperoleh adalah : 1. Dengan menggunakan algoritma C4.5 untuk melakukan perhitungan, ternyata mampu menyelesaikan permasalahan pimpinan perusahaan dalam analisa kelayakan penerima bonus tahunan pegawai pada PT. Multi Pratama Nauli Medan. 2. Dengan memanfaatkan data mining menggunakan algoritma C4.5 dalam menganalisa kelayakan penerima bonus tahunan pegawai, informasi yang dihasilkan bersifat klasifikasi yaitu mengubah fakta yang sangat besar menjadi pohon keputusan yang mempresentasikan aturan 3. Aplikasi Rapid Miner Classification Decision Tree digunakan sebagai aplikasi pendukung dalam pengambilan keputusan dan pengujian atas hasil yang didapatkan secara manual, yang menghasilkan sebuah pohon keputusan. Dari pohon keputusan inilah akan menghasilkan sebuah aturanaturan yang dapat membantu pimpinan 9
Junal Manajemen dan Informatika Komputer Pelita Nusantara
Jurnal Mantik Penusa
Vol 16 No 2 Desember 2014
ISSN 2088-3943
perusahaan dalam menganalisa kelayakan penerima bonus tahunan pegawai. Serta mudah dipahami oleh pengguna aplikasi. REFERENSI Kusrini , Luthfi. E T,2007, Algoritma Data Mining, Penerbit Andi Susanto S, Suryadi. D, 2010, Pengantar Data Mining Menggali Pengetahuan Dari Bongkahan Data, Penerbit Andi Basuki A., Syarif. I (2003), Decision Tree. http://lecturer.eepis-its.edu/~ basuki/ lecture/ DecisionTree.pdf Utari. S P, 2015. Implementasi Metode C4.5 Untuk Menentukan Guru Terbaik Pada SMK 1 Percut Sei Tuan Medan. 11 (3).82-86 Subianto, Data Mining Decision Tree. http://www.informatika.unsyiah.ac.i d/tfa/dm/DM-Praktikum-DecisionTree.pdf Nugroho A. 2009. Rekayasa Perangkat Lunak Menggunakan UML Dan Java. Penerbit Andi Sulianta F, Juju D. 2010. Data Mining : Meramalkan Bisnis Perusahaan. Penerbit PT Elex Media Komputindo
10 Junal Manajemen dan Informatika Komputer Pelita Nusantara
