Perancangan Aplikasi Penilaian Kualifikasi Kerja Pegawai Menggunakan Bayessian Classification ( Studi Kasus : CV. Tripola Jaya ) Artikel Ilmiah Diajukan kepada Fakultas Teknologi Informasi untuk memperoleh gelar Sarjana Komputer
Peneliti: Galih Tentrem Tri Wismanto (672009242) Charitas Fibriani, S. Kom., M.Eng. Adi Nugroho, ST., MMSI.
Program Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Salatiga 2016
ii
iii
iv
v
vi
vii
Perancangan Aplikasi Penilaian Kualifikasi Kerja Pegawai Menggunakan Bayessian Classification ( Studi Kasus : CV. Tripola Jaya ) 1)
Galih Tentrem Tri Wismanto, 2) Charitas Fibriani, 3) Adi Nugroho Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Jl. Diponegoro 52-60, Salatiga 50711, Indonesia Email: 1)
[email protected],2)
[email protected], 3)
[email protected]
Abstract One solution that can be done by the company to keep its sales performance are always in a good position is to analyze and determine the factors that could keep sales performance itself is in a good position. Analysis can be done by collecting data on complaints and grievance historical or past and then look at the chart performance of the company's sales. In the data can be seen a lot of components associated with service to the customer including the relationship between the type of problems mentioned in the complaint, a team of employees who handle complaints, and the duration of the solution time. Data mining can provide information that is specific employee is suitable to solve certain kinds of problems. Through this information, then when there is a new complaint comes in, then the system may recommend the most suitable employees to complete the job type. In this study designed data mining application that serves to analyze the efficiency of customer complaints handling Tripola Jaya. Keywords: Data Mining, Naïve Bayes, Tripola Jaya
Abstrak Salah satu solusi yang dapat dilakukan oleh perusahaan untuk menjaga agar kinerja penjualannya selalu berada dalam posisi baik adalah dengan menganalisis dan mengetahui faktor-faktor yang dapat menjaga kinerja penjualan itu sendiri berada dalam posisi baik. Analisis dapat dilakukan dengan mengumpulkan data keluhan dan penanganan keluhan yang bersifat historis atau lampau dan kemudian melihat grafik kinerja penjualan perusahaan. Di dalam data tersebut dapat terlihat banyak komponen yang terkait dengan pelayanan terhadap pelanggan diantaranya hubungan antara jenis masalah yang disebutkan dalam keluhan, team karyawan yang menangani keluhan, dan durasi waktu penyelesaian masalah. Data mining dapat memberikan informasi yaitu karyawan tertentu cocok untuk menyelesaikan jenis masalah tertentu. Melalui informasi ini, maka ketika terdapat keluhan baru yang masuk, maka sistem dapat memberikan rekomendasi karyawan yang paling cocok untuk menyelesaikan jenis pekerjaan itu. Pada penelitian ini dirancang aplikasi data mining yang berfungsi untuk menganalisis efisiensi penanganan keluhan pelanggan Tripola Jaya. Kata Kunci: Data Mining, Naïve Bayes, Tripola Jaya 1)
Mahasiswa Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana 2,3) Staf Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana.
viii
1.
Pendahuluan
Pengetahuan tentang pelanggan merupakan aset yang kritikal. Usaha untuk mengumpulkan, mengelola dan membagi pengetahuan tentang pelanggan dapat menjadi kegiatan yang penting bagi suatu usaha kecil menengah [1]. Semakin ketatnya persaingan dalam dunia bisnis saat ini menuntut pengusaha untuk cepat dan tanggap dalam mengambil keputusan agar perusahaan yang didirikan dapat tetap bertahan ditengah situasi dan keadaan yang demikian. Salah satu langkah yang dapat dilakukan adalah dengan memberikan kepuasan kepada pelanggan secara maksimal, karena pada dasarnya tujuan dari suatu bisnis adalah menciptakan rasa puas pada pelanggan. Salah satu tindakan untuk memuaskan konsumen adalah bagaimana dan seberapa tinggi kualitas pelayanan yang diberikan terhadap konsumen [2]. Salah satu solusi yang dapat dilakukan oleh perusahaan untuk menjaga agar kinerja penjualannya selalu berada dalam posisi baik adalah dengan menganalisis dan mengetahui faktor-faktor yang dapat menjaga kinerja penjualan itu sendiri berada dalam posisi baik. Analisis dapat dilakukan dengan mengumpulkan data keluhan dan penanganan keluhan yang bersifat historis atau lampau dan kemudian melihat grafik kinerja penjualan perusahaan. Di dalam data tersebut dapat terlihat banyak komponen yang terkait dengan pelayanan terhadap pelanggan diantaranya hubungan antara jenis masalah yang disebutkan dalam keluhan, team karyawan yang menangani keluhan, dan durasi waktu penyelesaian masalah. Hubungan antara komponen-komponen tersebut dapat dianalisis dengan menggunakan teknik data mining, untuk melihat seberapa efisien kinerja dari perusahaan. Efisiensi tercapai ketika karyawan dapat menyelesaikan tugas secepat mungkin. Data mining dapat memberikan informasi yaitu karyawan tertentu cocok untuk menyelesaikan jenis masalah tertentu. Melalui informasi ini, maka ketika terdapat keluhan baru yang masuk, maka sistem dapat memberikan rekomendasi karyawan yang paling cocok untuk menyelesaikan jenis pekerjaan itu. Berdasarkan permasalahan dalam hal pencapaian efisiensi penanganan terhadap keluhan pelanggan, dan kegunaan data mining dalam hal penggalian informasi, maka diajukan penelitian data mining untuk analisis efisiensi kinerja pelayanan keluhan pada CV Tripola Jaya. 2.
Tinjauan Pustaka
Wei pada penelitiannya [3] menggunakan teknik data mining untuk mengidentifikasi tipe pelanggan pada penyedia layanan tata rambut. Teknik yang digunakan merupakan kombinasi antara self-orginizing map (SOM) dan K-means untuk diterapkan pada model RFM (recency, frequency, dan monetary). Teknik tersebut membantu mengidentifikasi empat tipe pelanggan, yaitu pelanggan setia, pelanggan potensial, pelanggan baru dan pelanggan hilang, dan kemudian membangun strategi pemasaran. Liao menegaskan bahwa jenis pemasaran yang spesifik ini, atau lebih dikenal dengan istilah pemasaran langsung adalah metode pemasaran yang efektif.
1
Metode tersebut dapat menyediakan produk dan layanan yang spesifik bagi pelanggan tertentu. Selain itu metode tersebut juga dapat mengurangi biaya transaksi dan promosi. Pada penelitiannya, Liao menggunakan pendekatan association rules dan cluster analysis, untuk menganalisis gaya hidup dan perilaku belanja konsumen, dengan tujuan untuk mencapai pemasaran langsung. Studi tersebut menemukan beberapa model, diantaranya adalah cluster preferensi pembelian oleh konsumen [4]. Ridwan, Suyono dan Sarosa [5] menerapkan data mining dengan algoritma Naïve Bayes untuk mengevaluasi kinerja akademik mahasiswa. Penelitian tersebut difokuskan untuk mengevaluasi kinerja akademik mahasiswa pada tahun ke-2 dan diklasifikasikan dalam kategori mahasiswa yang dapat lulus tepat waktu atau tidak. Kemudian dari klasifikasi tersebut, sistem akan memberikan rekomendasi solusi untuk memandu mahasiswa lulus dalam waktu yang paling tepat dengan nilai optimal berdasarkan histori nilai yang telah ditempuh mahasiswa. Input dari sistem ini adalah data induk mahasiswa dan data akademik mahasiswa. Sampel mahasiswa angkatan 2005-2009 yang sudah dinyatakan lulus akan digunakan sebagai data training dan testing. Sedangkan data mahasiswa angkatan 2010-2011 dan belum lulus akan digunakan sebagai data target. Data input akan diproses menggunakan teknik data mining algoritma Naive Bayes Classifier (NBC) untuk membentuk tabel probabilitas sebagai dasar proses klasifikasi kelulusan mahasiswa. Output dari sistem ini berupa klasifikasi kinerja akademik mahasiswa yang diprediksi kelulusannya dan memberikan rekomendasi untuk proses kelulusan tepat waktu atau lulus dalam waktu yang paling tepat dengan nilai optimal. Hasil pengujian menunjukkan bahwa faktor yang paling berpengaruh dalam penentuan klasifikasi kinerja akademik mahasiswa yaitu Indeks Prestasi Komulatif (IPK), Indeks Prestasi (IP) semester 1, IP semester 4, dan jenis kelamin. Berdasarkan penelitian-penelitian yang telah dilakukan tentang data mining untuk membantu strategi bisnis, maka dilakukan penelitian ini. Penelitian ini menggunaan algortima Naïve Bayes untuk menganalisis efisiensi penanganan keluhan pelanggan pada PT Tripola Jaya. Tujuan dari penelitian yang dilakukan adalah untuk merancang data mining untuk proses analisis efisiensi dalam penanganan keluhan pelanggan. Manfaat dari penelitian ini adalah untuk menghasilkan sebuah sistem rekomendasi penanganan keluhan bagi PT. Tripola Jaya. Batasan masalah dalam penelitian ini adalah sebagai berikut: (1) Data yang dianalisis adalah data keluhan pelanggan, penanganan keluhan, dan data karyawan yang menangani keluhan tersebut; (2) Algoritma data mining yang digunakan adalah Naïve Bayes. Ngai [6] menyebutkan fungsi dari data mining, yaitu: Association, Classification, Clustering, Forecasting, Regression, Sequence Discovery, dan Visualization. Association bertujuan untuk membangun hubungan antara item yang ada bersama-sama dalam suatu record. Contoh aturan assosiatif dari analisa pembelian di suatu pasar swalayan adalah dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan
2
barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu [6]. Klasifikasi (Classification) data adalah suatu proses yang menemukan properti-properti yang sama pada sebuah himpunan obyek di dalam sebuah basis data, dan mengklasifikasikannya ke dalam kelaskelas yang berbeda menurut model klasifikasi yang ditetapkan. Tujuan dari klasifikasi ini adalah pertama-tama untuk menganalisa training data dan membentuk sebuah deskripsi yang akurat atau sebuah model untuk setiap kelas berdasarkan feature-feature yang tersedia di dalam data itu [7]. Sebagai contoh, sebuah dealer mobil ingin mengklasifikasikan pelanggannya menurut kecenderungan mereka untuk menyukai mobil jenis tertentu, sehingga para sales yang bekerja di tempat tersebut dapat mengetahui siapa yang harus didekati, kemana katalog mobil jenis baru harus dikirim, sehingga hal ini akan sangat membantu dalam hal promosi. Clustering adalah proses membagi dataset ke dalam kelompok-kelompok dengan anggota tiap kelompok memiliki kedekatan sifat atau perilaku. Clustering merupakan pembelajaran tanpa pengawasan (unsupervised learning). Clustering dapat mengungkap hubungan yang sebelumnya tidak terdeteksi dalam dataset. Ada banyak aplikasi untuk clustering. Misalnya, dalam bisnis, clustering dapat digunakan untuk menemukan dan mengenali segmen pelanggan, untuk tujuan pemasaran dan dalam biologi, dapat digunakan untuk klasifikasi tumbuhan dan hewan yang diberikan fitur mereka [8]. Forecasting merupakan proses memperkirakan nilai masa depan berdasarkan pola rekor itu. Hal ini berkaitan dengan pemodelan dan hubungan logis dari model di beberapa waktu di masa depan. Perkiraan permintaan adalah contoh khas dari model peramalan. Alat umum untuk peramalan antara lain yaitu neural network dan survival analysis. Regresi adalah jenis estimasi teknik statistik yang digunakan untuk memetakan setiap objek data ke nilai riil untuk memberikan nilai prediksi. Penggunaan regresi termasuk di dalamnya yaitu curve fitting, prediksi (termasuk peramalan), pemodelan hubungan kausal, dan pengujian hipotesis ilmiah tentang hubungan antara variabel. Alat umum untuk regresi linear adalah regresi linier dan regresi logistik. Sequence discovery memiliki arti yaitu penemuan urutan identifikasi association atau pola dari waktu ke waktu. Tujuannya adalah untuk memodelkan kondisi proses yang menghasilkan urutan atau untuk ekstraksi dan melaporkan penyimpangan dan tren dari waktu ke waktu. Alat yang umum digunakan untuk sequence discovery adalah statistik dan menetapkan teori. Visualisasi: Visualisasi mengacu pada penyajian data sehingga pengguna dapat melihat pola yang kompleks. Hal ini digunakan dalam hubungannya dengan model data mining lainnya untuk memberikan pemahaman yang lebih jelas tentang pola atau hubungan ditemukan. Pada penelitian ini digunakan teknik association. Association bertujuan untuk membentuk hubungan antara item-item yang muncul secara bersamaan pada suatu batas tertentu [8]. Batas ini dapat berupa satu record atau rentang nilai tertentu. Klasifikasi-klasifikasi Bayes adalah klasifikasi statistik. Klasifikasiklasifikasi Bayes dapat memprediksi kelas anggota probabilitas. Klasifikasi Bayes berdasarkan atas teorema Bayes. Studi-studi perbandingan algoritma-algoritma klasifikasi dapat menemukan sebuah klasifikasi Bayes sederhana yang dikenal
3
sebagai “Naïve Bayes”. Algoritma Naïve Bayes berasumsi bahwa efek suatu nilai variabel di sebuah kelas yang ditentukan adalah tidak terkait pada nilai-nilai variabel lain. Asumsi ini disebut kelas kondisi bebas/tidak terikat. Itu dibuat untuk menyederhanakan perhitungan dan dalam hal ini dianggap sebagai “Naïve”. Algoritma Naïve Bayes memungkinkan secara cepat membuat model yang mempunyai kemampuan untuk prediksi dan juga menyediakan sebuah method baru dalam mengeksplorasi dan mengerti data. Bayes menyediakan metode yang digunakan untuk pembelajaran berdasarkan bukti (evidence) yang ada. Algoritmanya mempelajari bukti yang ada dengan menghitung korelasi diantara variabel yang diinginkan dan semua variabel yang lain. Untuk mulai menggunakan Naïve Bayes, perlu diketahui sebuah aturan dasar dalam algoritma ini. Berikut rumus aturan Bayes: P(a | b) = ( P(b | a) P(a) ) / P(b) (1) Posterior = (Likehood * Prior) / Evidence (2) Dimana, a adalah hal yang menyebabkan suatu hal terjadi (cause) dan b adalah akibatnya (effect), mengacu pada Rumus 1. P(a|b) sering disebut juga dengan istilah likehood dari b terhadap a, dari sini didapatkan probabilitas posterior P(a|b), mengacu pada Rumus 2, dimana P(a|b) menyatakan probabilitas munculnya a jika diketahui b. Untuk menjelaskan teorema Naive Bayes, perlu diketahui bahwa proses klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang cocok bagi sampel yang dianalisis tersebut. Karena itu, teorema bayes di atas disesuaikan sebagai berikut [9]: (3) 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 peluang kemunculan karakteristik karakteristik sampel pada kelas C (disebut juga likelihood), dibagi dengan peluang kemunculan karakteristik karakteristik sampel secara global (disebut juga evidence). Karena itu, rumus diatas dapat pula ditulis secara sederhana sebagai berikut [9]: (4) 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 sampel akan diklasifikasikan. Penjabaran lebih lanjut rumus Bayes tersebut dilakukan dengan menjabarkan menggunakan aturan perkalian sebagai berikut [9]:
4
(5)
3.
Metode dan Perancangan Sistem
Penelitian yang dilakukan, diselesaikan melalui tahapan penelitian yang terbagi dalam lima tahapan, yaitu: (1) Identifikasi masalah dan studi literatur, (2) Perancangan sistem, (3) Implementasi sistem, (4) Pengujian sistem dan analisis hasil pengujian, (5) Penulisan laporan. Identifikasi Masalah dan Studi Literatur Perancangan Sistem Implementasi Sistem Pengujian Sistem dan Analisis Hasil Pengujian Penulisan Laporan Gambar 1 Tahapan Penelitian
Tahapan penelitian pada Gambar 1, dapat dijelaskan sebagai berikut. Tahap pertama: yaitu melakukan analisis kebutuhan-kebutuhan user dalam proses analisis data mining; Tahap kedua: yaitu melakukan perancangan sistem yang meliputi perancangan database, perancangan antarmuka yakni sebagai media penghubung interaksi antara user dan sistem; Tahap ketiga: yaitu mengimplementasikan rancangan yang telah dibuat di tahap dua ke dalam sebuah aplikasi/program sesuai kebutuhan sistem; Tahap keempat: yaitu melakukan pengujian terhadap sistem yang telah dibuat, serta menganalisis hasil pengujian tersebut, untuk melihat apakah aplikasi yang telah dibuat sudah sesuai dengan yang diharapkan atau tidak, jika belum sesuai maka akan dilakukan perbaikan.; dan Tahap kelima: melakukan penulisan laporan penelitian. Metode perancangan sistem dilakukan dengan menggunakan metodologi pengembangan perangkat lunak prototype model [10]. Pada proses implementasi dihasilkan beberapa prototype yang dapat dijelaskan sebagai berikut. Tahap pertama: mendengarkan atau wawancara customer atau user; Tahap kedua; merancang program kemudian membuat perbaikan terhadap hasil yang diperoleh; Tahap ketiga: melakukan evaluasi ke customer atau user dimana pada tahap ini
5
proses akan kembali lagi ketahap pertama. Diagram prototype model ditunjukkan pada Gambar 2.
Gambar 2 Prototype Model [10]
Mulai
Log Kerja
Data Uji
Database Log Kerja
Naïve bayes
Rekomen dasi
Selesai Gambar 3 Proses Rekam Data dan Analisis dengan Naïve Bayes.
Setiap pegawai Tripola, wajib untuk mencatat jam mulai dan selesai dari tiap tugas yang dikerjakan. Data pekerjaan ini disimpan dalam database, dan dimanfaatkan untuk proses analisis data mining dengan algoritma Naïve Bayes. Hasil proses analisis adalah rekomendasi pegawai yang dapat dipilih untuk menyelesaikan suatu tugas.
6
No 1 2 3 4 5 6 7
Kolom Wilayah PD R1T Ganti Meter Migrasi Petugas Kualifikasi Kerja
Tabel 1 Kriteria Data yang Digunakan Keterangan Kode wilayah pelanggan Pasang Daya Pemasangan baru untuk rumah hunian biasa Ada pergantian alat meteran listrik. Pindah lokasi alat meteran listrik dalam satu rumah Nama Petugas Terbagi ke dalam 3 kriteria kelas yaitu TQ (tidak masuk kualifikasi), B (Baik), Q (masuk kualifikasi)
Kriteria data yang digunakan dalam perhitungan naïve bayes ditunjukkan pada Tabel 1. Setiap pelanggan masuk dalam kelompok wilayah tertentu. Jenis pekerjaan yang dilakukan oleh terbagi ke dalam kategori PD, R1T, Ganti Meter, atau Migrasi. Satu keluhan dapat terdiri dari beberapa keluhan sekaligus. Setiap kali petugas menyelesaikan pekerjaan, dicatat lama waktu proses pengerjaan keluhan tersebut. Waktu kerja ini berupa data angka dalam satuan menit. Tabel 2 menunjukkan contoh data yang diolah dengan Naïve Bayes. Tabel 2 Contoh Data Training Set No
Wilayah
PD
R1T
Ganti Meter
Migrasi
Petugas
Waktu Target
Waktu Kerja
Kualifika si Kerja
1
SA1
TAMBAH
Y
T
Y
AGUS
120
60
Q
2
SA1
TAMBAH
Y
T
Y
FAUZAN
120
45
Q
3
SA2
TIDAK
T
Y
T
FAUZAN
45
45
B
4
SA2
TURUN
T
Y
T
FAUZAN
75
60
Q
5
SA1
TURUN
T
Y
T
FAUZAN
75
45
Q
6
SA3
TIDAK
T
Y
T
AGUS
45
60
TQ
7
SA3
TIDAK
T
Y
Y
YANTO
105
60
Q
8
SA3
TIDAK
T
Y
Y
YANTO
105
45
Q
9
SA1
TAMBAH
Y
T
T
YANTO
60
45
Q
10
SA2
TURUN
T
Y
T
YANTO
75
45
Q
Target kerja untuk PD adalah 30 menit, R1T 30 menit, Ganti Meter 45 menit, dan Migrasi 60 menit. Pekerjaan yang dilakukan kurang dari target waktu, maka dianggap Baik (B) lebih dari waktu target dianggap (K), dan jika tepat waktu maka dianggap Cukup (C). Langkah-langkah analisis dengan algoritma Naïve Bayes untuk contoh data pada tabel 2 dijelaskan sebagai berikut. Jika ada SATU pekerjaan di wilayah SA1, PD tambah, R1T Y, Ganti meter T, migrasi T. Petugas siapa yang bias mengerjakan paling cepat? Tabel 3 Contoh Kasus WILAYAH
PD
R1T
GANTI METER
MIGRASI
SA1
TAMBAH
Y
T
SA1
TAMBAH
Y
T
7
PETUGAS
Kualifikasi Kerja
T
AGUS
?
T
FAUZAN
?
SA1
TAMBAH
Y
T
T
YANTO
?
Dalam data training diatas, ada 3 petugas: AGUS, FAUZAN, YANTO. Jadi akan cari satu-satu, dan dilihat kemungkinan waktu selesainya pekerjaan untuk tiap petugas. Langkah 1: variabel WAKTU (K, C, B) P(K) = P(C) = P(B) =
1 / 10 1 / 10 8 / 10
Langkah 2: variabel WAKTU dipasangkan dengan variabel yang lain Wilayah Karena pekerjaan yang dicari ada di wilayah SA1, maka dihitung khusus yang wilayah SA1 P(SA1 | K) = 0 / 1 P(SA1 | C) = 0 / 1 P(SA1 | B) = 4 / 8
PD Cari khusus yang PD=TAMBAH P(TAMBAH| K) = P(TAMBAH| C) = P(TAMBAH| B) =
0 / 1 0 / 1 3 / 8
R1T Cari khusus yang R1T=Y P(Y | K) = P(Y | C) = P(Y | B) =
0 / 1 0 / 1 3 /8
Ganti meter Cari khusus yang GANTI METER= T P(T | K) = P(T | C) = P(T | B) =
0 / 1 0 / 1 3 / 8
Migrasi Cari khusus yang MIGRASI=T P(T | K) = 1 / 1 P(T | C) = 1 / 1 P(T | B) = 4 / 8
Petugas Untuk menghitung petugas, dilakukan kesemua petugas yang ada. P(AGUS | K) = 1 / 1 P(AGUS | C) = 0 / 1 P(AGUS | B) = 1 / 1
8
P(FAUZAN | K) = 0 / 1 P(FAUZAN | C) = 1 / 1 P(FAUZAN | B) = 3 / 8 P(YANTO | K) = 0 / 1 P(YANTO | C) = 0 / 1 P(YANTO | B) = 4 / 8
Langkah 3: Hitung Persentase Kemungkinan Kemungkinan untuk AGUS dalam waktu K: =P(AGUS | K) x P(MIGRASI=T | K) x P(GANTI METER=T | K) x P(R1T=Y | K) x P(Penambahan Daya= TAMBAH | K) x P(Wilayah=SA1 | K) x P(K) = 1 /1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0
Kemungkinan untuk AGUS dalam waktu C: = P(AGUS | C) x P(MIGRASI=T | C) x P(GANTI METER=T | C) x P(R1T=Y | C) x P(Penambahan Daya= TAMBAH | C) x P(Wilayah=SA1 | C) x P(C) =0/1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0
Kemungkinan untuk AGUS dalam waktu B: = P(AGUS | B) x P(MIGRASI=T | B) x P(GANTI METER=T | B) x P(R1T=Y | B) x P(Penambahan Daya= TAMBAH | B) x P(Wilayah=SA1 | B) x P(B) =1 / 1 x 4 / 8 x 3 / 8 x 3 /8 x 3 / 8 x 4 / 8 x 8 / 10 = 0.010546
Kemungkinan untuk FAUZAN dalam waktu K: = P(FAUZAN | K) x P(MIGRASI=T | K) x P(GANTI METER=T | K) x P(R1T=Y | K) x P(Penambahan Daya= TAMBAH | K) x P(Wilayah=SA1 | K) x P(K) =0 / 1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0
Kemungkinan untuk FAUZAN dalam waktu C: = P(FAUZAN | C) x P(MIGRASI=T | C) x P(GANTI METER=T | C) x P(R1T=Y | C) x P(Penambahan Daya= TAMBAH | C) x P(Wilayah=SA1 | C) x P(C) =1 / 1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0
Kemungkinan untuk FAUZAN dalam waktu B: = P(FAUZAN | B) x P(MIGRASI=T | B) x P(GANTI METER=T | B) x P(R1T=Y | B) x P(Penambahan Daya= TAMBAH | B) x P(Wilayah=SA1 | B) x P(B) =3 / 8 x 4 / 8 x 3 / 8 x 3 /8 x 3 / 8 x 4 / 8 x 8 / 10 = 0.003955
Kemungkinan untuk YANTO dalam waktu K: = P(YANTO | K) x P(MIGRASI=T | K) x P(GANTI METER=T | K) x P(R1T=Y | K) x P(Penambahan Daya= TAMBAH | K) x P(Wilayah=SA1 | K) x P(K) =0 / 1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0
Kemungkinan untuk YANTO dalam waktu C: = P(YANTO | C) x P(MIGRASI=T | C) x P(GANTI METER=T | C) x P(R1T=Y | C) x P(Penambahan Daya= TAMBAH | C) x P(Wilayah=SA1 | C) x P(C) = 0 / 1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0
Kemungkinan untuk YANTO dalam waktu B: = P(YANTO | B) x P(MIGRASI=T | B) x P(GANTI METER=T | B) x P(R1T=Y | B) x P(Penambahan Daya= TAMBAH | B) x P(Wilayah=SA1 | B) x P(B) =4 / 8 x 4 / 8 x 3 / 8 x 3 /8 x 3 / 8 x 4 / 8 x 8 / 10 = 0.052734
Petugas
Tabel 4 Kesimpulan Akhir Waktu Nilai Kemungkinan
9
Persentase
AGUS AGUS AGUS
K C B
0 0 0.010546
(kalikan 100%) (tidak terpakai) (tidak terpakai) 1.05%
FAUZAN FAUZAN FAUZAN
K C B
0 0 0.003955
(tidak terpakai) (tidak terpakai) 0.3 %
YANTO YANTO
K C
0 0
YANTO
B
0.052734
(tidak terpakai) (tidak terpakai) 5% (tertinggi dari semua)
Agus, Fauzan, dan Yanto sama-sama masuk kategori Qualified (Q), tapi dari 3 orang tersebut, persentasi tertinggi adalah Yanto (5%). Jadi yang dipilih untuk tugas tersebut adalah Yanto karena memiliki nilai kemungkinan terbesar untuk menyelesaikan pekerjaan dalam Qualified. 4.
Hasil dan Pembahasan
Aplikasi yang dirancang pada penelitian ini dikembangkan dalam bentuk aplikasi desktop. Aplikasi ini terhubung dengan database server (SQL Server Express 2008).
Gambar 4 Form Log Kerja
Pada form log kerja, dicatat setiap tugas yang dilaksanakan oleh pegawai tripola. Tiap detail pekerjaan, telah ditentukan waktu target sebelumnya (Gambar 4). Berdasarkan waktu ini, dapat diketahui apakah seorang petugas masuk kualifikasi Kurang, Cukup, atau Baik. Kurang berarti petugas tersebut menyelesaikan tugas dengan waktu yang lebih lama dari waktu target. Cukup berarti waktu yang diperlukan, sesuai dengan target. Baik berarti waktu yang diperlukan, lebih cepat daripada target.
10
Gambar 5 Form Master Data Jenis Pekerjaan
Form master data jenis Pekerjaan. (Gambar 5), digunakan untuk mengatur data jenis pekerjaan yang biasa dilakukan oleh petugas Tripola. Tiap jenis pekerjaan diberi nilai target waktu.
Gambar 6 Form Hasil Analisis Naïve Bayes
Proses analisis Naïve bayes dilakukan pada form analisis (Gambar 6). Proses analisis bertujuan untuk memberikan rekomendasi petugas yang memiliki persentase terbesar dalam hal menyelesaikan pekerjaan. Pengujian beta berfungsi untuk mengetahui apakah sistem dapat diterima oleh pengguna. Pengujian Beta merupakan pengujian yang dilakukan secara objektif dmana diuji secara langsung ke lapangan yaitu yang bersangkutan dengan membuat kuesioner mengenai kepuasan user, untuk selanjutnya dibagikan kepada sebagian user dengan mengambil sampel sebanyak 30 orang. Jawaban dikelompokkan pada 5 tingkatan, yaitu Sangat Setuju (SS), Setuju (S), Cukup (C), Tidak Setuju (TS), Sangat Tidak Setuju (STS).
11
No 1 2 3 4
Tabel 5 Hasil Pengujian Beta Jawaban Pertanyaan SS S C TS Sistem memudahkan menganalisis efisiensi dalam penanganan keluhan 30 pelanggan Sistem mudah untuk digunakan. 28 2 Sistem memberikan informasi yang 30 jelas dan bermanfaat Sistem memberikan rekomendasi yang dapat berguna bagi kemajuan 27 3 layanan Tripola.
STS
Berdasarkan hasil pengujian beta, disimpulkan bahwa sistem dapat membantu pihak manajerial Tripola, dalam memberikan rekomendasi pemilihan petugas Sistem mempermudah pencatatan log kerja, yang berguna untuk arsip Tripola. 5.
Simpulan
Berdasarkan penelitian, pengujian dan analisis terhadap sistem, maka dapat diambil kesimpulan yaitu: 1) Sistem dapat membantu dalam hal pencatatan log kerja Tripola; 2) Sistem memudahkan menganalisis efisiensi dalam penanganan keluhan pelanggan; 3) Hasil analisis naïve bayes pada log kerja penanganan keluhan pelanggan, berguna bagi pihak manajerial Tripola, untuk peningkatan layanan kepada pelanggan. Saran yang dapat diberikan untuk penelitian dan pengembangan selanjutnya adalah: analisis dapat diperluas tidak hanya terbatas pada komponen waktu, namun juga kepuasan pelanggan, dan biaya yang diperlukan. Algoritma untuk proses analisis juga dapat menggunakan algoritma data mining yang lain, sehingga diperoleh perbandingan hasil analisis antara Naïve bayes, dengan algoritma yang lain. 6. [1]. [2].
[3].
[4]. [5].
[6].
Daftar Pustaka Winer, R. S. 2001. A Framework for Customer Relationship Management. California Management Review 43, 89–105. (doi:10.2307/41166102) Garcia-Murillo, M. & Annabi, H. 2002. Customer knowledge management. Journal of the Operational Research Society 53, 875–884. (doi:10.1057/palgrave.jors.2601365) Wei, J.-T., Lee, M.-C., Chen, H.-K. & Wu, H.-H. 2013. Customer relationship management in the hairdressing industry: An application of data mining techniques. Expert Systems with Applications 40, 7513–7518. Liao, S., Chen, Y. & Hsieh, H. 2011. Mining customer knowledge for direct selling and marketing. Expert Systems with Applications 38, 6059–6069. Ridwan, M., Suyono, H. & Sarosa, M. 2013. Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Jurnal EECCIS 7, pp–59. Ngai, E. W. T., Xiu, L. & Chau, D. C. K. 2009. Application of data mining 12
techniques in customer relationship management: A literature review and classification. Expert Systems with Applications. 36, 2592–2602. (doi:10.1016/j.eswa.2008.02.021) [7]. Vercellis, C. 2009. Business Intelligence: Data Mining and Optimization for Decision Making. (doi:10.1002/9780470753866) [8]. Ahmed, S. R. 2004. Applications of data mining in retail business. In International Conference on Information Technology: Coding Computing, ITCC, pp. 455–459.(doi:10.1109/ITCC.2004.1286695) [9]. Bustami, B. 2014. Penerapan Algoritma Na{"\i}ve Bayes Untuk Mengklasifikasi Data Nasabah Asuransi. Techsi 3. [10]. Pressman, R. S. & Jawadekar, W. S. 1987. Software engineering. New York 1992
13
