ii - universitas pelita bangsa

iv

KATA PENGANTAR

Puji syukur penulis panjatkan ke hadiran Allah SWT. yang telah

melimpahkan segala rahmat dan hidayah-Nya, sehingga tersusunlah Skripsi yang

berjudul “ANALISIS DATA MINING UNTUK PREDIKSI PERPANJANGAN

KONTRAK MENGGUNAKAN METODE NAÏVE BAYES”.

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 S. Sunge, S.E., M.Kom. selaku Ketua Program Studi Teknik

Informatika STT Pelita Bangsa.

c. Bapak Drs. Muhtajuddin Danny S.Kom., M.Kom. selaku Pembimbing Utama

dan Bapak Windi, S.Pd., M.M. yang telah banyak memberikan arahan dan

bimbingan kepada penulis dalam penyusunan Skripsi ini.

d. Seluruh Dosen STT Pelita Bangsa yang telah membekali penulis dengan

wawasan dan ilmu di bidang teknik informatika.

e. Seluruh staf STT Pelita Bangsa yang telah memberikan pelayanan terbaiknya

kepada penulis selama perjalanan studi jenjang Strata 1.

f. 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.

g. 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, 24 September 2018

Taufik Hidayattulloh

vi

DAFTAR ISI

PERSETUJUAN .......................................................................................... i

PENGESAHAN .......................................................................................... ii

PERNYATAAN KEASLIAN PENELITIAN ........................................... iii

KATA PENGANTAR ............................................................................... iv

DAFTAR ISI .............................................................................................. vi

DAFTAR TABEL ....................................................................................... x

DAFTAR GAMBAR ................................................................................ xii

DAFTAR LAMPIRAN ............................................................................ xiii

ABSTRACT ............................................................................................... xiv

ABSTRAK ................................................................................................ xv

BAB I PENDAHULUAN ........................................................................... 1

1.1 Latar Belakang .................................................................................. 1

1.2 Identifikasi Masalah .......................................................................... 2

1.3 Rumusan Masalah ............................................................................. 3

1.4 Batasan Masalah................................................................................ 3

1.5 Tujuan dan Manfaat .......................................................................... 3

1.5.1 Tujuan ........................................................................................ 3

1.5.2 Manfaat ...................................................................................... 4

1.6 Sistematika Penulisan ....................................................................... 4

vii

BAB II TINJAUAN PUSTAKA ................................................................. 6

2.1 Kajian Pustaka ................................................................................... 6

2.2 Dasar Teori ........................................................................................ 9

2.2.1 Data Mining ............................................................................... 9

2.2.2 Pengelompokkan Data mining ................................................. 10

2.2.3 Tahap-Tahap Data mining ....................................................... 11

2.2.4 Tugas Tugas Data Mining ........................................................ 12

2.3 Naive Bayes ..................................................................................... 12

2.3.1 Persamaan Metode Naive Bayes .............................................. 16

2.3.2 Alur Metode Naïve Bayes ........................................................ 17

2.4 Karyawan ........................................................................................ 20

2.4.1 Pengertian Kinerja Karyawan .................................................. 21

2.5 CRISP-DM (Cross-Industry Standard Process for Data Mining) ... 21

2.6 Analisis Data ................................................................................... 22

BAB III METODE PENELITIAN............................................................ 18

3.1 Objek Penelitian .............................................................................. 18

3.1.1 Profil Perusahaan ..................................................................... 18

3.1.2 Tujuan Perusahaan ................................................................... 18

3.1.3 Visi dan Misi ............................................................................ 23

3.1.4 Struktur Organisasi .................................................................. 23

3.3 Tempat dan Waktu Penelitian ......................................................... 24

viii

3.4 Populasi dan Sampel Penelitian ...................................................... 24

3.4.1 Populasi .................................................................................... 24

3.4.2 Sample ...................................................................................... 24

3.5 Sumber Data .................................................................................... 24

3.6 Metode Pengumpulan Data ............................................................. 26

3.7 Rancanga Penelitian ........................................................................ 27

3.8 Instrumen Penelitian....................................................................... 28

3.8.1 Kebutuhan Perangkat Lunak (Software) .................................. 28

3.8.2 Kebutuhan Perangkat Keras (Hardware) ................................. 29

3.9 Jenis Penelitian ............................................................................... 30

3.10 Teknik Analisis Data ..................................................................... 30

3.11 Tahapan Penelitian ........................................................................ 34

BAB IV ..................................................................................................... 37

4.1 Hasil ................................................................................................ 37

4.4.1 Penentuan Atribut..................................................................... 37

4.2 Perhitungan Naïve Bayes ................................................................ 39

4.2.1 Perhitungan Probabilitas Kelas ................................................ 44

4.2.2 Menghitung Probabilitas Masing-masing Atribut .................... 44

4.2.3 Menghitung Probabilitas Akhir Untuk Setiap Kelas ................ 47

4.2.4 Kasus Perhitungan Naïve Bayes ............................................... 47

4.3 Implementasi Klasifikasi Naïve Bayes pada Rapid Miner .............. 50

ix

4.3.1 Proses Validasi ......................................................................... 50

4.3.2 Proses Training dan Testing ..................................................... 51

4.3.3 Hasil Performance Vector ........................................................ 52

4.4 Pembahasan .................................................................................... 53

4.4.1 Evaluasi (Evaluation) ............................................................... 53

4.4.2 AUC (Area Under Curve) ........................................................ 55

4.4.3 Hasil Klasifikasi Class ............................................................. 56

4.2.4 Penyebaran (Deployment) ........................................................ 57

4.4.2 Hasil Analisa Naïve Bayes Prediksi Tidak ............................... 59

4.4.2 Hasil Analisa Naïve Bayes Prediksi Ya ................................... 60

BAB V PENUTUP .................................................................................... 61

5.1 Kesimpulan ..................................................................................... 61

5.2 Saran ................................................................................................ 61

DAFTAR PUSTAKA ............................................................................... 63

LAMPIRAN .............................................................................................. 55

x

DAFTAR TABEL

Tabel 3. 1 Keterangan Atribut ................................................................... 31

Tabel 3. 2 Atribut Penelitian ..................................................................... 33

Tabel 4. 1 Atribut yang digunakan ............................................................ 37

Tabel 4. 2 Bobot Nilai ............................................................................... 38

Tabel 4. 3 Atribut Kelas ............................................................................ 39

Tabel 4. 4 Atribut Ketelitian ..................................................................... 39

Tabel 4. 5 Atribut Kreativitas.................................................................... 40

Tabel 4. 6 Atribut Tanggung Jawab .......................................................... 40

Tabel 4. 7 Atribut Kerjasama .................................................................... 41

Tabel 4. 8 Atribut Pencapaian Tujuan....................................................... 41

Tabel 4. 9 Atribut Inisiatif ......................................................................... 42

Tabel 4. 10 Atribut Kehadiran .................................................................. 42

Tabel 4. 11 Atribut Inovasi ....................................................................... 43

Tabel 4. 12 Atribut Loyalitas .................................................................... 43

Tabel 4. 13 Probabilitas Kelas .................................................................. 44

Tabel 4. 14 Probabilitas Ketelitian ............................................................ 44

Tabel 4. 15 Probabilitas Kreativitas .......................................................... 45

Tabel 4. 16 Probabilitas Tanggung Jawab ................................................ 45

Tabel 4. 17 Probabilitas Kerjasama .......................................................... 45

Tabel 4. 18 Probabilitas Pencapaian Tujuan ............................................. 45

Tabel 4. 19 Probabilitas Inisiatif ............................................................... 46

Tabel 4. 20 Probabilitas Kehadiran ........................................................... 46

xi

Tabel 4. 21 Probabilitas Inovasi ................................................................ 46

Tabel 4. 22 Probabilitas Loyalitas ............................................................. 46

Tabel 4. 23 Kasus Perhitungan Naive Bayes ............................................ 47

Tabel 4. 24 Confusion Matrix ……………………………………………54

xii

DAFTAR GAMBAR

Gambar 2. 1Alur Metode Naive Bayes ..................................................... 19

Gambar 3. 1 Struktur Organisasi ............................................................... 23

Gambar 3. 2 Rancangan Penelitian ........................................................... 27

Gambar 3. 3 Siklus CRIPS-DM ................................................................ 30

Gambar 3. 4 Tahap Penelitian ………………………………………….36

Gambar 4. 1 Cross Validation ................................................................... 50

Gambar 4. 2 Proses Training dan Testing ................................................. 51

Gambar 4. 3 Accuracy............................................................................... 52

Gambar 4. 4 Precision ............................................................................... 53

Gambar 4. 5 Recall .................................................................................... 53

Gambar 4. 6 Kurva ROC ........................................................................... 55

Gambar 4. 7 Simple Distribution Model……………………………..56

xiii

DAFTAR LAMPIRAN

Tabel Data Training 1 ........................................................................................... 69

Tabel Data Testing 1 ............................................................................................. 80

xiv

ABSTRACT

Determining the extension of a contract to a company is very important, given

that if there is a decision-making error it will have an impact on the company's

loss.The use of the data mining classification algorithm approach will be applied

to determine the prediction of employee contract extension so that the contract

extension process can be in accordance with company standards. In this study the

author uses the Naïve Bayes Algorithm to determine the prediction of employee

contract extension. The author also uses the Rapidminer 7.6 support application

for testing the accuracy of the system that is made. The test was carried out by

preparing 419 training data and testing data as many as 210 randomly selected

data. The testing data will be analyzed using the Rapidminer 7.6 support

application. The test results produced an accuracy of 93.33% with an error

percentage of 6.67%.

Keywords: Classification, Extension of Employee Contract, Naïve Bayes

xv

ABSTRAK

Penentuan perpanjangan kontrak pada sebuah perusahaan adalah hal yang sangat

penting, mengingat jika terjadi kesalahan pengambilan keputusan maka akan

berdampak pada kerugian perusahaan. Penggunaan pendekatan algoritma

klasifikasi data mining akan diterapkan untuk menentukan prediksi perpanjangan

kontrak karyawan sehingga proses perpanjangan kontrak karyawan bisa sesuai

dengan standar perusahaan. Dalam pernelitian ini penulis menggunakan

Algoritma Naïve Bayes untuk menentukan prediksi perpanjangan kontrak

karyawan. Penulis juga menggunakan aplikasi pendukung Rapidminer 7.6 untuk

pengujian akurasi terhadap sistem yang buat. Pengujian dilakukan dengan

menyiapkan data training sebanyak 419 data dan data testing sebanyak 210 data

yang dipilih secara random. Data testing tersebut akan dianalisa menggunakan

aplikasi pendukung Rapidminer 7.6. Hasil pengujian menghasilkan akurasi

93.33% dengan persentase error 6.67%.

Kata Kunci: Klasifikasi, Perpanjangan Kontrak Karyawan, Naïve Bayes

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Sumber daya manusia adalah faktor yang paling menentukan dalam

pencapaian tujuan perusahaan. Karena sumber daya manusia termasuk unsur dari

kekuatan yang memiliki daya saing yang baik, untuk itu sumber daya manusia

dituntut menjadi lebih profesional dalam kerjanya demi kemajuan dan pencapaian

tujuan perusahaan di Indonesia khususnya agar bisa bersaing dalam era globalisasi

ini. (Anindita, Herawati, & Niaga, 2017)

Stewart, (1998, hal. 125-126) menyatakan bahwa penilaian kinerja

karyawan merupakan salah satu butir dari delapan butir pemberdayaan. Jika

proses pemberdayaan melalui training telah dilaksanakan, pentinglah memantau

perkembangan dan menilai hasilnya. Pemantau dan penilaian dilakukan secara

terus menerus sehingga menjadi sebagian ciri manajemen yang dijalankan, baik

penilai maupun yang dinilai dengan mempertimbangkan sasaran-sasaran dan

standar-standar yang telah ditetapkan, dipenuhi dan dicermati.(Abadi & Latifah,

2016)

Pada penelitian sebelumnya di PT. Capella Dinamik Nusantara Takengon

suatu perusahaan yang bergerak di bidang penjualan sepeda motor merk Honda.

PT. Capella Dinamik Nusantara, selama ini hanya menggunakan keputusan

pimpinan langsung dalam melakukan penilaian kinerja karyawan. Pimpinan pun

terkadang sulit dalam menilai kinerja masing-masing karyawan karna kurang

2

jelasnya kriteria penilaian karyawan. Penilaian karyawan hanya di lakukan

sebagai referensi pimpinan saja, sehingga karyawan kurang termotivasi dalam

menunjukkan kinerja terbaik mereka.(Safitri, Waruwu, & Mesran, 2017)

Berdasarkan uraian latar belakang diatas maka dibutuhkan suatu cara atau

metode yang dapat memprediksi perpanjangan kontrak karyawan mengikuti

penelitian yang telah ada sebelumnya (Pauziah, 2017), yaitu membahas tentang “

Analisis penentuan karyawan terbaik menggunakan metode algoritma naive bayes

(studi kasus pt. Xyz) peneliti diatas menerapkan metode Naive Bayes dengan

tujuan dapat memberikan inspirasi dan masukan bagi pihak perusahaan tersebut

untuk dapat memanfaatkan metode algoritma naïve bayes yang dapat membantu

dalam pengambilan keputusan pada penentuan karyawan terbaik..maka dari itu

judul penelitian yang akan diambil yaitu “Analisa Data Mining Untuk

Memprediksi Perpanjangan Kontrak Karyawan Menggunakan Metode Naive

Bayes". Penelitian ini menggunakan algoritma naive bayes classifier sebagai salah

satu algoritma klasifikasi data mining untuk memprediksi perpanjangan kontrak

dengan akurat.

1.2 Identifikasi Masalah

Berdasarkan latar belakang yang telah disampaikan diatas, maka daftar

masalah yang dijadikan acuan dalam penelitian ini adalah :

1. Belum diterapkan analisis yang objektif untuk memprediksi perpanjangan

kontrak.

2. Hasil keputusan penilaian perpanjang kontrak karyawan belum dapat

dinilai tingkat keakuratannya.

3

1.3 Rumusan Masalah

Berdasarkan pada latar belakang dan identifikasi masalah yang sudah

dikemukaakan diatas, rumusan masalah pada penelitian ini adalah :

1. Bagaimana mendapatkan hasil analisa yang objektif untuk memprediksi

perpanjangan kontrak karyawan?

2. Bagaimana penggunaan metode naïve bayes untuk memprediksi

perpanjngan kontrak karyawan dengan tingkat akurasi sempurna ?

1.4 Batasan Masalah

Berdasarkan penjelasan diatas maka penulis membatasi ruang lingkup

penelitian sebagai berikut :

1. Algoritma yang digunakan adalah algoritma Naïve Bayes.

2. Data yang diambil yaitu data karyawan yang akan habis masa kontraknya.

3. Penelitian ini hanya membahas tentang prediksi perpanjangan kontrak

karyawan dengan metode naïve bayes.

1.5 Tujuan dan Manfaat

1.5.1 Tujuan

1. Menerapkan metode naive bayes untuk memprediksi perpanjangan kontrak

karyawan.

2. Mengetahui hasil prediksi perpanjangan kontrak karyawan dengan melihat

akurasi Algoritma naïve bayes agar proses perpanjangan kontrak karyawan

sesuai standar perusahaan.

4

1.5.2 Manfaat

Penelitian ini dilakukan dengan harapan memberi manfaat diantaranya

1. Bagi penulis

a. Dapat menambah wawasan tentang metode data mining khususnya

klasifikasi naïve bayes.

b. Menjadi referensi bagi peneliti berikutnya.

2. Bagi Perusahaan

a. Sebagai salah satu alternatif untuk membantu perusahaan terutama

departemen HRD (Human resource departement) dalam

menentukan perpanjangan kontrak karyawan.

b. Menghindari manipulasi data maupun cara yang subyektif dari

pengambil keputusan agar karyawan juga merasa keputusan yang

diperoleh sudah sesuai data yang benar.

3. Bagi Institusi

Diharapkan dapat menjadi bahan pembelajaran dan referensi bagi

peneliti yang akan melakukan penelitian lebih lanjut dengan topik

yang berhubungan dengan judul penelitian diatas.

1.6 Sistematika Penulisan

Dalam penelitian ini penulis membagi beberapa bab untuk mempermudah

dalam penyusunan dan mempermudah pembaca untuk memahaminya, berikut

pembagian bab tersebut :

5

BAB I PENDAHULUAN

Bab ini meliputi uraian mengenai latar belakang masalah, identifikasi

masalah, batasan masalah, rumusan masalah, tujuan dan manfaat penelitian, dan

sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Dalam bab ini menjelaskan tentang hal-hal yang berkaitan dengan teori

konsep model data mining, teori yang berkaitan dengan penelitian, konsep

aplikasi dan peralatan pendukungnya.

BAB III METODE PENELITIAN

Bab ini meliputi uraian mengenai objek penelitian, teknik pengumpulan

data dan model data mining.

BAB IV HASIL DAN PEMBAHASAN

Bab ini penulis menguraikan masalah pokok dari objek penulisan

penelitian, bagaimana menerapkan sebuah model data mining kedalam suatu

sistem untuk memprediksi perpanjangan kontrak karyawan.

BAB V PENUTUP

Pada bab ini meliputi uraian mengenai kesimpulan dan koreksi beserta

saran-saran untuk peneliti yang akan melakukan penelitian berikutnya.

6

BAB II

TINJAUAN PUSTAKA

2.1 Kajian Pustaka

Dibawah ini adalah beberapa penelitian tentang Data mining ataupun

mendekati penelitian yang digunakan sebagai referensi.

1. Sistem Pendukung Keputusan Pemilihan Karyawan Berprestasi Dengan

Menggunakan Metode Analytical Hieararchy Process (Safitri et al., 2017).

Berdasarkan proses analisa, perancangan dan implementasi pada

penggunaan sistem pendukung keputusan pemilihan karyawan berprestasi

di PT. Capella Dinamik Nusantara Takengon dapat diambil kesimpulan

bahwa aplikasi ini dibangun untuk memudahkan dalam pengambilan

keputusan karyawan berprestasi dengan cepat dan lebih baik berdasarkan

data yang telah diproses. Dengan adanya proses pemilihan karyawan

berprestasi di PT. Capella Dinamik Nusantara Takengon ini dapat

membantu pihak perusahaan dalam memilih karyawan berprestasi yang

tepat guna dijadikan bahan pertimbangan dalam proses pemilihan

karyawan berprestasi di perusahaan. Dengan menerapkan metode AHP

sehingga perusahaan dapat mengetahui nilai bobot karyawan beprestasi

dan dapat memberikan hasil penilaian.

7

2. Sistem Pendukung Keputusan Menentukan Kelayakan Pengangkatan

Karyawan Tetap Menggunakan Metode Analytic Hierarchy Process Dan

Weighted Product (Saepudin, Abdillah, & Yuniarti, 2017).

Berdasarkan uraian mengenai penerapan metode Analytical Hierarchy

Process dan Weighted Product dalam sistem pendukung keputusan

menentukan kelayakan karyawan tetap, dari hasil pengujian terhadap data

karyawan kontrak yang dikembangkan mengunakana model Anlytical

Hierarchy Process dan Weighted Product dapat disimpulkan bahwa

perhitungan telah dengan benar, sehingga perhitungan ini dapat digunakan

untuk membantu PT. Kwanglim Yh Indah dalam menentukan kelayakan

pengangkatan karyawan kontrak menjadi tetap.

3. Sistem Klasifikasi Kinerja Satpam Menggunakan Metode Naїve Bayes

Classifier (Wibowo & Hartati, 2016).

Pada jurnal tersebut, peneliti menarik kesimpulan telah dibangun sistem

klasifikasi kinerja satpam menggunakan metode Naive Bayes Classifier,

dibuat dengan konsep Computer Based Test yang berisi pertanyaan-

pertanyaan untuk mengetahui kinerja baik, cukup, buruk dari masing-

masing satpam berdasarkan kemampuan, kepribadian dan ketrampilan

menggunakan aplikasi Embarcadero Delphi 2010 dengan engine basis

data MySQL.Pengujian metode Naive Bayes Classifier untuk klasifikasi

kinerja satpam menggunakan 39 data uji menghasilkan prosentase

kebenaran sebesar 92,31% dengan prosentase kinerja baik sebesar 20,51%,

kinerja cukup sebesar 71,79%, dan kinerja buruk sebesar 7,69%.

8

4. Penerapan Data mining Untuk Evaluasi Kinerja Akademik Mahasiswa

Menggunakan Algoritma Naive Bayes Classifier (Ridwan, Suyono, &

Sarosa, 2013).

Dari hasil penelitian dapat disimpulkan bahwa : pengujian pada data

mahasiswa angkatan 2005- 2009 mining NBC menghasilkan nilai

precision, recall, dan accuracy masing-masing 83%, 50%, dan 70%.

Penentuan 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 prosentase tingkat

precision, recall, dan accuracy dipengaruhi juga oleh penentuan.

5. Analisis Penentuan Karyawan Terbaik Menggunakan Metode Algoritma

Naive Bayes (Studi Kasus Pt. Xyz)(Pauziah, 2017).

Berdasarkan penelitian yang dilakukan penulis dapat diambil kesimpulan

adanya bentuk dan fungsi aplikasi yang dapat dipakai untuk perusahaan-

perusahaan, yang bisa digunakan untuk menghitung layak atau tidaknya

seorang karyawan menjadi karyawan terbaik di perusahaan tersebut.

Berdasarkan hasil dari semua penelitian dan metode yang digunakan diatas

terbukti penggunaan metode Naive Bayes memiliki banyak kelebihan didalam hal

prediksi dengan tingkat akurasi yang baik , oleh karena itu metode Naive Bayes

dipilih untuk digunakan dalam penelitian ini.

9

2.2 Dasar Teori

2.2.1 Data Mining

Pramudiono mengungkapkan Data Mining adalah analisis otomatis dari data

yang berjumlah besar atau kompleks dengan tujuan untuk menemukan pola atau

kecenderungan yang penting yang biasanya tidak disadari keberadaanya.(C, Baskoro,

Ambarwati, & Wicaksana, 2013)

Data mining adalah proses bisnis untuk menjelajahi sejumlah besar data

untuk menemukan pola yang bermakna dan beraturan (Darmawan, Kustian,

Rahayu, & Tabebuya, 2018).

Data mining didefinisikan sebagai proses menemukan pola-pola dalam

data. Proses ini otomatis atau seringnya semiotomatis. Pola yang ditemukan harus

penuh arti dan pola tersebut memberikan keuntungan, biasanya keuntungan secara

ekonomi. Data yang dibutuhkan dalam jumlah besar (Lumbantoruan, 2015).

Data mining adalah serangkaian proses untuk menggali nilai tambah

berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis

data. Informasi yang dihasilkan diperoleh dengan cara mengekstrasi dan

mengenali pola yang pentingatau menarik dari data yang terdapat pada basis data.

Data mining terutama digunakan untuk mencari pengetahuan yang terdapat dalam

basis data yang besar sehingga sering disebut Knowledge Discovery Databases

(KDD)(Anindita et al., 2017).

10

2.2.2 Pengelompokkan Data mining

Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang

dapat dilakukan, yaitu (Tampubolon et al., 2013).

1. Deskripsi

Terkadang peneliti dan analis secara sederhana ingin mencoba mencari

data untuk menggambarkan pola dan kecenderungan yang terdapat dalam data.

Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menentukan

keterangan atau fakta bahwa siapa yang tidak cukup professional akan sedikit

didukung dalam pemilihan presiden. Deskripsi dari pola dan kecenderungan

sering memberikan kemungkinan penjelesan untuk suatu pola atau

kecenderungan.

2. Estimasi

Estimasi hampir sama dengan klasifikasi, kecuali variable target estimasi

lebih kearah numerik dari pada kearah kategori. Model dibangun menggunakan

record lengkap yang menyediakan nilai dari variabel target sebagai prediksi.

Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat

berdasarkan nilai variabel predikasi. 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.

11

3. Prediksi

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa

dalam predikasi nilai dari hasil akan ada dimasa mendatang. Contoh prediksi

bisnis dan penelitian adalah:

a) Prediksi harga beras dalam tiga bulan yang akan datang.

b) Prediksi persentasi kenaikan kecelakaan lalu lintas tahun depan jika batas

bawah kecepatan dinaikkan.

Beberapa metode dan teknik yang digunakan dalam klasifikasi dan

estimasi dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi.

4. Klasifikasi

Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh,

penggolongan pendapatan dapat dipisahkan dalam tiga kategori , yaitu pendapatan

tinggi, pendapatan sedang, dan pendapatan rendah.

5. Pengklusteran (Clustering)

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 lain.

12

6. Asosiasi

Tugas asosiasi dalam Data mining adalah menemukan atribut yang muncul

dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang

belanja.

2.2.3 Tahap-Tahap Data mining

Tahapan Data mining adalah sebagai berikut (Triuli , Novianti Abdul,

2015).

1) Pembersihan data (data cleaning)

Pembersihan data merupakan proses menghilangkan noise dan data yang

tidak konsisten.

2) Integrasi data (data integration)

Integrasi data merupakan penggabungan data dari berbagai database ke

dalam satu database baru.

3) Seleksi Data (Data Selection)

Data yang ada pada database sering kali tidak semua dipakai, hanya data

yang sesuai untuk dianalisis yang diambil dari database. Karena tidak

semua tabel digunakan maka perlu dilakukan pembersihan data agar data

yang akan diolah benar-benar relevan dengan yang dibutuhkan.

4) Transformasi data (Data Transformation).

Data digabung ke dalam format yang sesuai untuk diproses dalam Data

mining. Transformasi data merupakan proses pengubahan atau

penggabungan data ke dalam format yang sesuai.

13

5) Proses mining merupakan proses utama saat metode diterapkan untuk

menemukan pengetahuan berharga dari data.

2.2.4 Tugas Tugas Data Mining

Fayyad mengungkapkan Tugas-tugas data mining bisa dikelompokan ke

dalam enam kelompok berikut ini (Dr. Suyanto, S.T., 2017)

Klasifikasi : men-generalisasi struktur yang diketahui untuk diaplikasikan

pada data-data baru.

Klasterisasi : mengelompokan data , yang tidak diketahui label kelasnya,

ke dalam sejumlah kelompok tertentu sesuai dengan ukuran kemiripannya.

Regresi : menemukan suatu fungsi yang memodelkan data dengan galat

(kesalahan prediksi) seminimal mungkin.

Deteksi anomali : mengidentifikasi data yang tidak umum, bisa berupa

outlier (pencilan), perubahan atau deviasi yang mungkin sangat penting

dan perlu investigasi lebih lanjut.

Pembelajaran aturan asosiasi atau pemodelan keberuntungan : mencari

antar relasi antar variabel.

Perangkuman : menyediakan representasi data yang lebih sederhana,

meliputi visualisasi dan pembuatan laporan.

2.3 Naive Bayes

Bayesian classification adalah pengklasifikasian statistik yang dapat

digunakan untuk memprediski probabilitas keanggotaan suatu class. Bayesian

classification didasarkan pada teorema Bayes yang memiliki kemampuan

klasifikasi serupa dengan decesion tree dan neural network. Bayesian

14

classification terbukti memiliki akurasai dan kecepatan yang tinggi saat

diaplikasikan ke dalam database dengan data yang besar(Jananto, 2013).

Bayes merupakan teknik klasifikasi berbasis probabilistic sederhana yang

berdasar pada penerapan teorema Bayes (aturan Bayes) dengan asumsi

independensi yang kuat (Naïve) dengan kata lain Naive Bayes Classifier. Model

yang digunakan adalah model fitur independen. Dalam Bayes terutama Naive

Bayes Classifier, maksud independen yang kuat dalam fitur adalah bahwa sebuah

fitur pada data tidak berkaitan dangan ada atau tidaknya fitur lain pada data yang

sama (Via, Nugroho, & Syafrizal, 2015).

2.3.1 Persamaan Metode Naive Bayes

Bentuk umum atau persamaan dari teorema Bayes adalah :

( | ) ( | ) ( )

( )

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

15

cocok bagi sample yang dianalisis tersebut. Karena itu, metode Naive Bayes di

atas disesuaikan sebagai berikut:

(𝐶|𝐹1…𝐹𝑛) = (𝐶) (𝐹 𝐹𝑛|𝐶)

(𝐹 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

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 =

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,…,𝐹𝑛= (𝐶) (𝐹1,…,𝐹𝑛|𝐶) = (𝐶) (𝐹1|𝐶) (𝐹2,…,𝐹𝑛|𝐶,𝐹1)

= (𝐶) (𝐹1|𝐶) (𝐹2|𝐶,𝐹1 ) (𝐹3,…,𝐹𝑛|𝐶,𝐹1,𝐹2

= (𝐶) (𝐹1|𝐶) (𝐹2|𝐶,𝐹1 ) (𝐹3|𝐶,𝐹1,𝐹2) (𝐹4,…,𝐹𝑛|𝐶,𝐹1,𝐹2,𝐹3)

= (𝐶) (𝐹1|𝐶) (𝐹2|𝐶,𝐹1) (𝐹3|𝐶,𝐹1,𝐹2)… (𝐹𝑛|𝐶,𝐹1,𝐹2,𝐹3,…,𝐹𝑛−1)

16

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 (independen) satu sama lain. Dengan asumsi tersebut,

maka berlaku suatu kesamaan sebagai berikut:

(𝐹𝑖|𝐹 𝑗) = ( )

( ) = ( ) ( )

( ) = (𝐹𝑖)

untuk I ≠ j, sehingga

(𝐹𝑖 | 𝐶, 𝐹𝑗) = (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(F Fn | C) P(F | C) P(F2 | C) P(Fn | C)

P(F Fn | C) = ∏ ( 𝐹𝑖 | 𝐶)

Dengan kesamaan di atas, persamaan teorema bayes dapat dituliskan sebagai

berikut

P(F Fn | C) =

( ) ∏ ( 𝐹𝑖 | 𝐶)

P(F Fn | C) = ( )

∏ ( 𝐹𝑖 | 𝐶)

17

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.

2.3.2 Alur Metode Naïve Bayes

Alur metode Naïve Bayes adalah sebagai berikut(Saleh, 2015):

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 = ∑

atau

µ =

dimana:

µ: Rata-rata hitung (mean)

Nilai sampel ke-i

𝑛: Jumlah sample

18

Dan persamaan untuk menghitung nilai simpangan baku (standar deviasi)

dapat dilihat sebagai berikut:

σ = √∑ ( )

dimana:

σ: Standar deviasi

: 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.

19

Gambar 2. 1Alur Metode Naive Bayes

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

Stop

T

Tidak Ya

20

2.4 Karyawan

Pengertian karyawan kontrak adalah karyawan yang bekerja pada suatu instansi

dengan kerja waktu tertentu yang didasari atas suatu perjanjian atau kontrak dapat

juga disebut dengan Perjanjian Kerja Waktu Tertentu (PKWT), yaitu perjanjiann

kerja yang didasarkan suatu jangka waktu yang diadakan untuk paling lama 2

tahun dan hanya dapat diperpanjang 1 kali untuk jangka waktu maksimal 1 tahun

(Undang-Undang RI ketenagakerjaan 2003 dalam pasal 59 ayat 1).(Mallu, 2015).

Karyawan merupakan faktor pendukung dalam sebuah perusahaan atau instansi,

karena dengan adanya karyawan yang memiliki standar kualifikasi perusahaan

maka produktivitas perusahaan pasti akan tetap terjaga dan semakin meningkat.

Proses pemilihan karyawan berprestasi merupakan proses yang rumit dan

memerlukan pertimbangan – pertimbangan yang cermat. Untuk memperoleh

informasi yang cepat dan akurat akan prestasi kinerja karyawan yang tepat

(memenuhi kriteria yang diharapkan), dibutuhkan suatu proses otomatisasi dengan

menggunakan teknologi. Oleh karena itu kebutuhan sebuah sistem yang berbasis

komputer dirasa sangat perlu guna memenuhi tuntutan akan kebutuhan

informasi.(Abadi & Latifah, 2016).

Karyawan adalah tiap orangyang mampu melaksanakan pekerjaan, baik di

dalam maupun di luar hubungan kerja guna menghasilkan jasa atau barang untuk

memenuhi kebutuhan masyarakat (Safitri et al., 2017).

21

2.4.1 Pengertian Kinerja Karyawan

Beberapa pengertian kinerja karyawan yang dikemukakan beberapa pakar

lain dikutip dari (Anindita et al., 2017) dapat disajikan berikut ini :

Menurut Stolovitch, Kinerja karyawan adalah seperangkat hasil yang

dicapai dan merujuk pada tindakan pencapaian serta pelaksanaan suatu pekerjaan

yang diminta.

Menurut Rivai, Kinerja karyawan adalah kesediaan orang atau sekelompok

orang untuk melakukan suatu kegiatan dan menyempurnakannya sesuai dengan

tanggung jawabnya dengan hasil seperti yang diharapkan.

Menurut Schemerhorn Kinerja karyawan sebagai kualitas dan kuantitas

dari pencapaian tugas – tugas, baik yang dilakukan oleh individu, kelompok

maupun perusahaan.

2.5 CRISP-DM (Cross-Industry Standard Process for Data Mining)

CRISP-DM atau Cross-Industry Standard Process for Data Mining

merupakan standar yang dikembangkan pada tahun 1996 yang ditujukan untuk

proses analisis suatu industry sebagai strategi pemecahan masalah dari bisnis.

CRISP-DM tidak menentukan standar atau karakteristik tertentu karena setiap

data yang akan dianalisis akan diproses kembali pada fase-fase di

dalamnya.(Imtiyaz, Zain Muhammad , Nasrun Muhammad, 2015).

22

2.6 Analisis Data

Analisis dalam perpanjangan kontrak karyawan meliputi :

a. Penentuan atribut

Data yang dibutuhkan untuk mencari atribut perpanjangan kontak

karyawan adalah data karyawan yang masa kerjanya akan habis setahun

sebelumnya. Semua data-data diperoleh dari bagian Staff Personalia. Kemudian

menguji data untuk diambil sampel secara acak. atribut tersebut meliputi

ketelitian, kretifitas, tanggung jawab, kerjasama, pencapaian tujuan, inisiatif,

kehadiran, inovasi, loyalitas.

b. Penentuan Sampel

Untuk menentukan jumlah sampel yang akan digunakan dalam sistem data

yang diambil dari data tahun sebelumnya sejumlah 628 data.

c. Penggunaan Metode

Metode yang digunakan dalam penelitian ini yaitu naive bayes . Pemilihan

metode ini dikarenakan relatif mudah digunakan karena tidak ada perkalian matrik

atau optimasi numerik, lebih efisien apabila digunakan untuk memprediksi dalam

jumlah yang sangat besar, dan memiliki tingkat keakurasian yang relatif tinggi

dalam hasil prediksi. Metode naive bayes juga sering disebut dengan algoritma

HMAP (Hypothesis Maximum Apriori Probability) yang merupakan

penyederhanaan dari metode bayes.

23

BAB III

METODE PENELITIAN

3.1 Objek Penelitian

3.1.1 Profil Perusahaan

PT.Armstrong Industri Indonesia berdiri semenjak tahun 1995 yang

beralamat di Kawasan Industri EJIP Plot-1 A-3 Cikarang Selatan Bekasi

merupakan perusahaan yang bergerak dibidang manufacturing. Perusahaan ini

merupakan anak dari perusahaan PT. Armstrong Vietnam. Memiliki sekitar

kurang lebih 950 orang pegawai dalam menjalankan bisnis usahanya. PT.

Armstrong Industri Indonesia memiliki produk-produk berupa : Plastic film, tape,

foam, expanded foam, serta cork.

3.1.2 Tujuan Perusahaan

1. Menyediakan pelayanan terbaik dan produk-produk berkualitas tinggi

untuk para pelanggan, dengan tidak menggunakan bahan baku dibawah

standar serta tidak memproduksi dan mengirimkan produk tidak memenuhi

standar kualitas.

2. Melaksanakan tata kelola perusahaan yang baik, dengan menekankan

kepada karawan pentingnya untuk menerapkan prinsip etika tinggi, dan

terus menjaga kesehatan dan keselamatan kerja melalui cara kerja yang

baik.

24

3.1.3 Visi dan Misi

1. Visi

Menjadi perusahaan global yang memberikan produk dan layanan

berkualitas tinggi kepada pelanggan dengan biaya minimum.

2. Misi

1. Menjaga efisiensi dalam proses produksi sehingga dapat menciptakan

harga yang bersaing produk sejenis.

2. Menjaga mutu produk dengan kontrol produksi yang profesional dan

berusaha terus menerus meningkatkan mutu produk.

3.1.4 Struktur Organisasi

Struktur organisasi adalah suatu susunan dan hubungan antara tiap bagian

serta posisi yang ada pada suatu organisasi atau perusahaan dalam menjalankan

kegiatan operasional untuk mencapai tujuan yang diinginkan. Struktur organisasi

menggambarkan dengan jelas pemisah kegiatan pekerjaan antara satu dengan

yang lain dan bagaimana hubungan aktivitas dan fungsi dibatasi.

Gambar 3. 1 Struktur Organisasi

25

3.3 Tempat dan Waktu Penelitian

Penelitian dilaksanakan di PT. Armstrong Industri Indonesia yang

beralamat di Kawasan Industri EJIP Plot-1 A-3 Cikarang Selatan Bekasi. Adapun

waktu yang digunakan untuk melakukan penelitian ini dimulai selama 12 hari

terhitung 2 Juli 2018 sampai 17 Juli 2018.

3.4 Populasi dan Sampel Penelitian

3.4.1 Populasi

Popuasi dalam penelitian ini adalah karyawan yang akan habis masa

kontraknya di PT. Armstrong Industri Indonesia

3.4.2 Sample

Sampel dalam penelitian ini adalah data karyawan yang habis kontrak di

periode Juli tahun 2017 sampai Agustus tahun 2018 dengan atribut Ketelitian,

kretifitas, tanggung jawab, kerjasama, pencapaian tujuan, inisiatif, kehadiran,

inovasi, loyalitas. Sample data berjumlah 629 karyawan.

3.5 Sumber Data

1. Data Primer

Yaitu data yang diambil langsung dari obyek 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 perpanjangan kontrak berupa softcopy

, kemudian melakukan tanya jawab kepada Staff personalia yang menangani

perpanjangan kontrak karyawan.

26

2. Data Sekunder

Yaitu data yang mendukung penelitian yang didapat dari buku referensi

dan jurnal ilmiah yang berkaitan dengan penelitian. Adapun hal yang

berkaiatan di dalamnya adalah data sejarah perusahaan, data visi misi

perusahaan, dan data pustaka yang digunakan sebagai acuan landasan teori.

3.6 Metode Pengumpulan Data

Untuk mendapatkan data-data yang dapat menunjang penelitian ini,

peneliti menggunakan beberapa metode pengumpulan data sebagai berikut:

1. Observasi

Observasi dilakukan langsung di PT. Armstrong Industri Indonesia yang

beralamat di Kawasan Industri EJIP Plot-1 A-3 Cikarang Selatan Bekasi.

2. Wawancara

Wawancara dilakukan dengan Kepala bagian personalia yang

menangani perpanjangan kontrak karyawan.

3. Studi Pustaka

Penulis melakukan studi kepustakaan melalui literatur-literatur atas

referensi-referensi yang ada di perpustakaan dan internet.

27

3.7 Rancanga Penelitian

Rancangan dalam penelitian dibuat agar langkah-langkah dalam penelitian

tidak keluar dari pokok pembahasan dan mudah dipahami, urutan langkah-

langkah dibuat secara sistematis sehingga dapat dijadikan pedoman yang jelas dan

mudah untuk menyelesaikan permasalahan yang ada.

Gambar 3. 2 Rancangan Penelitian

Data Data karyawan

habis kontrak

Naive Bayes Metode

Penelitian

Dapat memprediksi perpanjangan

kontrak karyawan dengan cepat dan akurat

Hasil

Proses analisis untuk prediksi

perpanjangan kontrak karyawan

belum menerapkan metode naïve

bayes sehingga memerlukan waktu

yang lama

Masalah

Penerapan data mining

menggunakan metode Naïve

bayes

Tindakan

28

3.8 Instrumen Penelitian

Instrumen penelitian berfungsi sebagai alat bantu dalam mengumpulkan

data-data yang dibutuhkan dalam sebuah penelitan. Penyusunan instrumen seperti

halnya mengevaluasi, karena dengan mengevaluasi peneliti dapat memperoleh

data dari objek yang diteliti, dan hasil yang didapatkan bisa diukur memakai

standar yang sebelumnya telah ditentukan oleh peneliti.

Didalam penulisan dan penelitian ini penulis membutuhkan beberapa

instrumen antara lain adalah perangkat keras maupun perangkat lunak untuk

menunjang penyelesaiann penelitian.

Berikut ini adalah spesifikasi perangkat keras dan perangkat lunak yang

dibutuhkan, diantaranya :

3.8.1 Kebutuhan Perangkat Lunak (Software)

Didalam sebuah penelitian peneliti memerlukan sebuah penunjang

perangkat lunak komputer yang diperuntukkan untuk melakukan penelitian ini

adalah sebagai berikut ini :

a. Sistem Operasi

Pada penelitian ini penulis menggunakan sistem operasi yang digunakan

adalah Microsoft Windows 10 64 bit.

b. Rapid Miner Studio 7.6

Framework yang akan digunakan untuk melihat hasil akurasi dari

algoritma yang digunakan terhadap dataset yang sedang diteliti.

c. Microsoft Office Word 2010

Software ini digunakan untuk mengolah laporan hasil penelitian.

29

d. Microsoft Office Excel 2010

Software ini digunakan sebagai media penulisan dan pengolahan dataset,

data training dan data testing.

e. Micrososft Visual Basic 6

Sofware ini digunakan untuk membuat sistem pendukung keputusan.

3.8.2 Kebutuhan Perangkat Keras (Hardware)

Didalam sebuah penelitian peneliti memerlukan sebuah penujang

perangkat keras komputer yang diperuntukkan untuk melakukan penelitian ini

adalah sebagai berikut ini :

a. Laptop dengan spesifikasi sebagai berikut

- Prosesor Intel(R) Celeron(TM) CPU 1007U 1.50GHz

- Harddisk 250 GB

- RAM 2GB

- Layar Monitor 11”

- Mouse

b. Printer dengan spesifikasi

-Cannon IP2700

30

3.9 Jenis Penelitian

Dalam penelitian ini menggunakan jenis penelitian deskriptif. Dimana

penelitian ini bertujuan untuk memecahkan masalah yang ada pada saat ini, pada

penelitian ini kasus yang diambil adalah karyawan yang masa kerjanya akan

habis. 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 dianalisa karena

metode ini sering disebut metode analitik.

3.10 Teknik Analisis Data

Pada penelitian ini menggunakan metodologi pengembangan data mining

CRISP-DM (Cross Standart Industries for Data Mining) yaitu merupakan standar

yang ditujukan untuk proses analisis suatu industry sebagai strategi pemecahan

masalah dari bisnis., yang memiliki siklus hidup terdiri dari 6 tahap.

Gambar 3. 3 Siklus CRIPS-DM

Sumber : ((North, n.d.))

Data

2.Data

Understanding

3.Data

Preparation 4. Modelling

5. Evaluation

6. Deployment

1.Business

Understanding

31

1. Business Understanding

Pada tahapan pertama peneliti mencoba untuk memahami permasalahan

yang ada dalam memprediksi perpanjangan kontrak karyawan pada PT.

Armstrong Industri Indonesia. Sehingga dapat menentukan tujuan dan pola yang

akan didapatkan dengan data mining.

Faktor dalam penentuan kelayakan karyawan diperpanjang biasanya

terdapat pada salah satu atribut yang mempunyai faktor terbesar dalam

menentukan hasil kelayakan , dimana atribut berperan dalam menentukan Layak

atau Tidak nya Karyawan diperpanjang kontraknya.

2. Data Understanding (Pemahaman Data)

Pada tahap ini peneliti melakukan pemahaman terhadap data yang

dibutuhkan untuk kemudian mengambil data yang relevan dan memiliki

keterkaitan, adapun data yang digunakan yaitu ketelitian, kretifitas, tanggung

jawab, kerjasama, pencapaian tujuan,inisiatif, kehadiran, inovasi, loyalitas

Tabel 3. 1 Keterangan Atribut

No Atribut Keterangan Hasil

1 Ketelitian Ketelitian karyawan dalam

melakukan pekerjaan

Sangat Baik

Baik

Cukup

Kurang

2 Kreatifitas Kreatifitas dalam pekerjaan

Sangat Baik

Baik

Cukup

Kurang

3 Tanggung jawab Rasa tanggung jawab

karyawan terhadap pekerjaan

Sangat Baik

Baik

Cukup

32

Kurang

4 Kerjasama Kerjasama dalam pekerjaan

Sangat Baik

Baik

Cukup

Kurang

5 Pencapaian tujuan Kerjasama dalam pekerjaan

Sangat Baik

Baik

Cukup

Kurang

6 Inisiatif Inisiatif karyawan dalam

pekerjaan

Sangat Baik

Baik

Cukup

Kurang

7 Kehadiran Baik buruknya absensi

karyawan

Sangat Baik

Baik

Cukup

Kurang

8 Inovasi Inovasi karyawan untuk

perusahaan

Sangat Baik

Baik

Cukup

Kurang

9 Loyalitas Loyalitas karyawan

Sangat Baik

Baik

Cukup

Kurang

3. Data Preparation (Pengolahan Data)

Pada tahap ini peneliti mengolah data yang didapat dengan beberapa

tahapan seperti melakukan pembersihan terhadap data / data cleaning, melakukan

integrasi data / data integration, melakukan pemilihan data / data selection dan

transformasi pada data / data transformation. Pada tahapan pengolahan data, data

yang telah diperoleh dari Staff Personalia akan diolah terlebih dahulu sebelum

melalui tahap prediksi yaitu melalui beberapa proses antara lain :

33

a) Tahap pertama menentukan data yang akan diolah, dibawah ini

merupakan tabel atribut yang digunakan dalam penelitian.

Tabel 3. 2 Atribut Penelitian

No Atribut Type Proses

1 Ketelitian Char Digunakan

2 Kreatifitas Char Digunakan

3 Tanggung jawab Char Digunakan

4 Kerjasama Char Digunakan

5 Pencapaian

tujuan Char Digunakan

6 Inisiatif Char Digunakan

7 Kehadiran Char Digunakan

8 Inovasi Char Digunakan

9 Loyalitas Char Digunakan

b) Tahap Kedua melakukan konversi data, data dengan atribut yang

telah dipilih kemudian dikonversikan untuk memudahkan proses

data mining, karena data akan diproses dengan tools bantu data

mining yang digunakan yaitu Rapid Miner Studio 7.6.

4. Modeling (Pemodelan)

Pada tahap ini peneliti menentukan teknik data mining yang digunakan

untuk mengolah data yang telah disiapkan sebelumnya. Teknik yang dilakukan

yaitu dengan klasifikasi menggunakan algoritma Naïve Bayes Classifier (NBC).

Data yang sudah melalui proses pengolahan kemudian akan di analisa

menggunakan tools Rapid Miner. Dua langkah yang dilakukan pada tahap ini

ialah:

34

a) Perhitungan Naïve Bayes secara manual, data yang akan digunakan dalam

perhitungan Naïve Bayes secara manual diambil 1 sampel data, data yang

diambil secara acak oleh peneliti dari total 50 data.

b) Penerapan Naïve Bayes menggunakan Rapid Miner, impelementasi dengan

menggunakan Rapid Miner bertujuan untuk memudahkan dalam pemrosesan

data yang berjumlah besar serta mengetahui tingkat akurasi terhadap data dan

metode yang digunakan.

5. Evaluation (Evaluasi)

Melakukan pengujian terhadap model-model yang bertujuan untuk

mendapatkan hasil dengan akurasi sempurna. Pada tahap evaluasi, akan diketahui

apakah hasil dari tahap pemodelan dapat menjawab tujuan yang telah ditetapkan

pada fase pertama sehingga diharapkan mendapat informasi atau pola yang

berguna sebagai rekomendasi upaya mendiagnosa penyakit pneumonia di

Puskesmas Cimalaka.

6. Deployment (Penyebaran)

Pembentukan model selanjutnya melakukan analisa dan pengukuran pada

tahap sebelumnya, pada tahap ini diterapkan model atau rule yang paling akurat

dan selanjutnya dapat digunakan untuk mengevaluasi data baru.

3.11 Tahapan Penelitian

Pada tahap penelitian di awali dengan pendefinisian masalah hingga

metode yang akan di gunakan. Dibawah ini adalah tahapan sebagai berikut :

1. Pendefinisian permasalahan berkaitan dengan merancang suatu sistem.

35

2. Studi Pustaka : Pengumpulan data yaitu berupa literatur buku, jurnal

nasional maupun internasional, kemudian penelitian yang pernah di

lakukan peneliti sebelumnya.

3. Wawancara : Melakukan proses wawancara tanya jawab kepada Kepala

Personalia.

4. Observasi : Pengamatan langsung proses kegiatan yang ada.

5. Analisa : Melakukan analisa pada hasil observasi, wawancara dan

penelitian sebelumnya.

6. Penerapan Metode : Metode yang digunakan yaitu Naïve Bayes Classifier

(NBC).

7. Pengujian dan Evaluasi: Melakukan pengujian data menggunakan Rapid

Miner Studio 7.6 dan mengevaluasinya.

8. Pengambilan Kesimpulan.

36

Gambar 3. 4 Tahap Penelitian

Pendefinisian

Masalah

Analisa

Penerapan

Metode

Pengujian dan

Evaluasi

Kesimpulan

Studi Pustaka

Wawancara

Observasi

Pengumpulan Data

37

BAB IV

HASIL DAN PEMBAHASAN

4.1 Hasil

4.4.1 Penentuan Atribut

Dalam menentukan karyawan layak atau tidak diperpanjang kontraknya

ada beberapa atribut yang digunakan pihak PT. Armstrong Industri Indonesia.

Tidak hanya atribut yang bersifat objektif, tetapi kriteria yang bersifat subjektif.

Berdasarkan wawancara oleh pihak PT. Armstrong Industri Indonesia khususnya

bagian Staff personalia.

Atribut yang digunakan sebagai penilaian dalam perpanjangan kontrak karyawan

adalah :

Tabel 4. 1 Atribut yang digunakan

No Atribut Nilai

1 Ketelitian

A

B

C

D

2 Kreatifitas

A

B

C

D

3 Tanggung

jawab

A

B

C

D

4 Kerjasama

A

B

C

38

D

5 Pencapaian

tujuan

A

B

C

D

6 Inisiatif

A

B

C

D

7 Kehadiran

A

B

C

D

8 Inovasi

A

B

C

D

9 Loyalitas

A

B

C

D

Tabel 4. 2 Bobot Nilai

No Keterangan Bobot Nilai

1 Sangat

Baik A

2 Baik B

3 Cukup C

4 Kurang D

39

4.2 Perhitungan Naïve Bayes

Data yang digunakan sebagai data training adalah sebanyak 419 data

(lampiran 1) yang diambil dari data karyawan habis kontrak periode Juli 2017-

Agustus 2018 yang sudah ditentukan kelayakannya. Sedangkan untuk data testing

yang akan ditentukan kelayakannya berjumlah 50 data (lampiran 2).

Tabel 4. 3 Atribut Kelas

Dari tabel diatas menjelaskan bahwa karyawan yang Layak perpanjang

kontraknya yaitu sebanyak 157 karyawan sedangkan 262 karyawan Tidak layak

perpanjang kontraknya.

1. Ketelitian

Tabel 4. 4 Atribut Ketelitian

Ketelitian A B C D

Layak 126 17 9 5

Tidak 239 5 10 8

Tabel diatas menjelaskan bahwa karyawan dengan Ketelitian = “A”

terdapat 126 Layak dan 239 Tidak , Ketelitian = “B” terdapat 17 Layak dan 5

Tidak , Ketelitian = “C” terdapat 9 Layak dan 10 Tidak, Ketelitian =”D” terdapat

5 Layak dan 8 Tidak

Kelas

Layak Tidak

Layak 157 Tidak 262

40

2. Kreativitas

Tabel 4. 5 Atribut Kreativitas

Kreatifitas A B C D

Layak 96 37 16 8

Tidak 30 80 102 50

Tabel diatas menjelaskan bahwa karyawan dengan Kreativitas = “A”

terdapat 96 Layak dan 30 Tidak , Kreativitas = “B” terdapat 37 Layak dan 80

Tidak , Kreativitas = “C” terdapat 16 Layak dan 102 Tidak, Kreativitas =”D”

terdapat 8 Layak dan 50 Tidak.

3. Tanggung Jawab

Tabel 4. 6 Atribut Tanggung Jawab

Tanggung

Jawab A B C D

Layak 61 70 20 6

Tidak 81 17 72 92

Tabel diatas menjelaskan bahwa karyawan dengan Tanggung jawab = “A”

terdapat 61 Layak dan 81 Tidak , Tanggung jawab = “B” terdapat 70 Layak dan

17 Tidak , Tanggung jawab = “C” terdapat 20 Layak dan 72 Tidak, Tanggung

jawab =”D” terdapat 6 Layak dan 92 Tidak.

41

4. Kerjasama

Tabel 4. 7 Atribut Kerjasama

Kerjasama A B C D

Layak 92 53 4 8

Tidak 118 13 64 67

Tabel diatas menjelaskan bahwa karyawan dengan Kerjasama = “A”

terdapat 92 Layak dan 118 Tidak , Kerjasama = “B” terdapat 53 Layak dan

13Tidak , Kerjasama = “C” terdapat 4 Layak dan 64 Tidak, Kerjasama =”D”


5. Pencapaian tujuan

Tabel 4. 8 Atribut Pencapaian Tujuan

Pencapaian

tujuan A B C D

Layak 101 41 11 4

Tidak 150 12 49 51

Tabel diatas menjelaskan bahwa karyawan dengan Pencapaian Tujuan =

“A” terdapat 101 Layak dan 150 Tidak , Pencapaian Tujuan = “B” terdapat 41

Layak dan 12 Tidak , Pencapaian Tujuan = “C” terdapat 11 Layak dan 49 Tidak,

Pencapaian Tujuan =”D” terdapat 4 Layak dan 51 Tidak.

42

6. Inisiatif

Tabel 4. 9 Atribut Inisiatif

Inisistif A B C D

Layak 120 26 6 5

Tidak 180 11 33 38

Tabel diatas menjelaskan bahwa karyawan dengan Inisiatif = “A” terdapat

120 Layak dan 180 Tidak , Inisiatif = “B” terdapat 26 Layak dan 11 Tidak ,

Inisiatif = “C” terdapat 6 Layak dan 33 Tidak, Inisiatif =”D” terdapat 5 Layak

dan 38 Tidak.

7. Kehadiran

Tabel 4. 10 Atribut Kehadiran

Kehadiran A B C D

Layak 127 20 6 4

Tidak 198 10 24 30

Tabel diatas menjelaskan bahwa karyawan dengan Kehadiran = “A”

terdapat 127 Layak dan 198 Tidak , Kehadiran = “B” terdapat 20 Layak dan 10

Tidak , Kehadiran = “C” terdapat 6 Layak dan 24 Tidak, Kehadiran =”D”


43

8. Inovasi

Tabel 4. 11 Atribut Inovasi

Inovasi A B C D

Layak 134 10 7 6

Tidak 212 11 16 23

Tabel diatas menjelaskan bahwa karyawan dengan Inovasi = “A” terdapat

134 Layak dan 212 Tidak , Inovasi = “B” terdapat 10 Layak dan 11 Tidak ,

Inovasi = “C” terdapat 7 Layak dan 16 Tidak, Inovasi =”D” terdapat 6 Layak

dan 23 Tidak.

9. Loyalitas

Tabel 4. 12 Atribut Loyalitas

Loyalitas A B C D

Layak 135 11 6 5

Tidak 211 13 16 22

Tabel diatas menjelaskan bahwa karyawan dengan Loyalitas = “A”

terdapat 135 Layak dan 211 Tidak , Loyalitas = “B” terdapat 11 Layak dan 13

Tidak , Loyalitas = “C” terdapat 6 Layak dan 16 Tidak, Loyalitas =”D” terdapat 5

Layak dan 22 Tidak.

44

4.2.1 Perhitungan Probabilitas Kelas

Tahap pertama perhitungan penentuan layak tidak perpanjang kontrak

dengan metode naïve bayes adalah dengan mencari probabilitas dari masing-

masing kelas. Untuk perpanjangan kontrak karyawan akan ditentukan 2 kelas

yaitu kelas “Layak”dan “Tidak ”. Cara perhitungannya adalah dengan mencari

jumlah data yang “Layak” dan “Tidak” dari total keseluruhan data training, lalu

membaginya dari total keseluruhan data. Hasil perhitungan tersebut dapat dilihat

pada tabel berikut :

Tabel 4. 13 Probabilitas Kelas

4.2.2 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 “Layak” yang berada pada data training, kemudian bagi dengan

probabilitas kelas “Layak”. Begitu juga dengan mencari probabilitas untuk kelas

“Tidak”.

1. Ketelitian

Tabel 4. 14 Probabilitas Ketelitian

Ketelitian A B C D

Layak 126/157 17/157 9/157 5/157

Tidak 239/262 5/262 10/262 8/262

Kelas

Layak Tidak

Layak 157/419 Tidak 262/419

45

2. Kreativitas

Tabel 4. 15 Probabilitas Kreativitas

Kreatifitas A B C D

Layak 96/157 37/157 16/157 8/157

Tidak 30/262 80/262 102/262 50/262

3. Tanggung Jawab

Tabel 4. 16 Probabilitas Tanggung Jawab

Tanggung

Jawab A B C D

Layak 61/157 70/157 20/157 6/157

Tidak 81/262 17/262 72/262 92/262

4. Kerjasama

Tabel 4. 17 Probabilitas Kerjasama

Kerjasama A B C D

Layak 92/157 53/157 4/157 8/157

Tidak 118/262 13/262 64/262 67/262

5. Pencapaian tujuan

Tabel 4. 18 Probabilitas Pencapaian Tujuan

Pencapaian

tujuan A B C D

Layak 101/157 41/157 11/157 4/157

Tidak 150/262 12/262 49/262 51/262

46

6. Inisiatif

Tabel 4. 19 Probabilitas Inisiatif

Inisistif A B C D

Layak 120/157 26/157 6/157 5/157

Tidak 180/262 11/262 33/262 38/262

7. Kehadiran

Tabel 4. 20 Probabilitas Kehadiran

Kehadiran A B C D

Layak 127/157 20/157 6/157 4/157

Tidak 198/262 10/262 24/262 30/262

8. Inovasi

Tabel 4. 21 Probabilitas Inovasi

Inovasi A B C D

Layak 134/157 10/157 7/157 6/157

Tidak 212/262 11/262 16/262 23/262

9. Loyalitas

Tabel 4. 22 Probabilitas Loyalitas

Loyalitas A B C D

Layak 135/157 11/157 6/157 5/157

Tidak 211/262 13/262 16/262 22/262

47

4.2.3 Menghitung Probabilitas Akhir Untuk Setiap Kelas

Untuk menghitung probabilitas akhir pada setiap kelas, perlu

menggunakan data training yang terdapat pada tabel 4.1 dan mengubahnya

menjadi nilai yang sudah ditentukan pada proses 4.2.2 sesuai dengan 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 layak bernilai paling tinggi, maka hasilnya “Layak”.

Begitu pula sebaliknya.

4.2.4 Kasus Perhitungan Naïve Bayes

Untuk memudahkan dalam pemahaman perhitungan Naïve Bayes secara

manual akan dibuat studi kasus sebagai berikut dengan rulenya berupa data

training pada lampiran :

Tabel 4. 23 Kasus Perhitungan Naive Bayes

Ketelitian Kreativitas Tanggung

Jawab Kerjasama

Pencapaian

Tujuan Inisiatif Kehadiran Inovasi Loyalitas Status

C A A C C A D A A ?

Data Testing : X = (Ketelitian=” C”, Kreatifitas=”A”, Tanggung Jawab=” A”,

Kerjasama =”C”, Pencapaian Tujuan=”C”, Inisiatif=”A”, Kehadiran=”A”,

Inovasi=” A”, Loyalitas=” A”).

48

a. Tahap 1 Menghitung Jumlah Kelas atau Prediksi.

P(Ci)

P(Layak)= 157/419= 0.3747

P(Tidak )= 262/419 = 0.6252

b. Tahap 2 menghitung jumlah kasus yang sama dengan kelas yang sama

P(X|Ci)

P (Ketelitian= “C” | Layak)=9/157= 0.057

P(Ketelitian= “C” | Tidak)= 10/262= 0.038

P(Kreatifitas= “A” | Layak)= 96/157 = 0.611

P(Kreatifitas= “ A” | Tidak )= 30/262= 0.114

P(Tanggung Jawab= “A” | Layak)= 61/157 = 0.388

P(Tanggung jawab= “A” | Tidak)= 81/262= 0.309

P(Kerjasama= “C” | Layak)= 4/157 = 0.025

P(Kerjasama = “C” | Tidak)= 64/262 = 0.244

P(Pencapaian Tujuan= “C” | Layak)= 11/157= 0.070

P(Pencapaian Tujuan= “C” | Tidak)= 49/262= 0.187

P(Inisiatif= “A” | Layak)= 120/157= 0.764

P(Inisiatif= “A” | Tidak)= 180/262= 0.687

P(Kehadiran= “A” | Layak)= 127/157=0.808

P(Kehadiran= “A” | Tidak)= 198/262= 0.755

P(Inovasi= “A” | Layak)= 134/157= 0.853

P(Inovasi= “A” | Tidak )= 212/262 = 0.809

P(Loyalitas= “A” | Layak)= 135/157= 0.859

49

P(Loyalitas= “A” | Tidak)= 211/262= 0.805

c. Tahap 3 mengalikan semua hasil atribut “LAYAK” dan “TIDAK”

P(X|Layak) = 0.057 x 0.611 x 0.388 x 0.025 x 0.070 x 0.764 x 0.808 x

0.853 x 0.859= 0.0001069

P(X|Tidak Layak) = 0.038 x 0.114 x 0.309 x 0.244 x 0.187 x 0.687 x 0.755

x 0.809 x 0.805 = 0.0000206

d. Tahap 4 membandingkan nilai kelas “LAYAK” dan TIDAK LAYAK”.

P(X|Ci)*P(Ci)

P(X|Layak)*P(Layak)=0.3747 x 0.00001069 = 0.00000400

P(X|Tidak Layak)*P(Tidak Layak)=0.6252 x 0.0000206 = 0.0001287

Jadi, untuk Ketelitian=” C”, Kreatifitas=”A”, Tanggung Jawab=” A”,

Kerjasama =”C”, Pencapaian Tujuan=”C”, Inisiatif=”A”, Kehadiran=”A”,

Inovasi=” A”, Loyalitas=” A”, masuk kelas “TIDAK ”.

50

4.3 Implementasi Klasifikasi Naïve Bayes pada Rapid Miner

Berikut adalah tahapan analisis data mining dengan metode naive bayes

menggunakan Rapid Miner 7.6.

4.3.1 Proses Validasi

Proses validasi yaitu melakukan analisis berbagai model dan memilih

model dengan prediksi terbaik, pada gambar 4.1 merupakan proses validasi,

dimana operator read excel dimasukan dimasukan dan dihubungkan dengan

operator Cross Validation. Proses data training dan testing berada di dalam proses

validation.

Gambar 4. 1 Cross Validation

51

4.3.2 Proses Training dan Testing

Proses training yaitu melakukan proses pelatihan data pada model Naive

Bayes, sedangkan proses testing yaitu melakukan pengujian data yang akan

menghasilkan grafik dan pola.

Pada gambar 4.2 dijelaskan bahwa proses training dilakukan dengan

memasukan model Naive Bayes pada blok training dan dihubungkan dengan blok

testing pada operator apply model dan performance.

Gambar 4. 2 Proses Training dan Testing

52

4.3.3 Hasil Performance Vector

Proses klasifikasi menggunakan Rapid Miner dengan metode Naive Bayes

yang digunakan untuk mendiagnosa pneumonia diperoleh nilai Accuracy,

Precision dan Recall.

a) Accuracy

Dengan mengetahui jumlah data yang di klasifikasikan secara

benar maka dapat diketahui akurasi hasil prediksi yaitu 80.43%.

Gambar 4. 3 Accuracy

b) Precision

Precision adalah jumlah data yang True Layak (jumlah data Layak

yang dikenali secara benar sebagai Layak) dibagi dengan jumlah data

yang dikenali sebagai Layak, sedangkan jumlah data yang True Tidak

(jumlah data tidak yang dikenali secara benar sebagai tidak) dibagi

dengan jumlah data yang dikenali sebagai tidak, dari hasil pengujian nilai

precision yaitu 82.85% untuk class Layak dan 75.86% untuk class Tidak.

53

Gambar 4. 4 Precision

c) Recall

Recall adalah jumlah data yang True Positive di bagi dengan

jumlah data yang sebenarnya Positive (True Positive + False Negatif ),

sedangkan True Negatif di bagi dengan jumlah data yang sebenarnya

Negatif (True Negatif + False Positive ), untuk nilai Recall yaitu 97.10%

pada Class Positif dan nilai Class Negatif yaitu 99.24%

Gambar 4. 5 Recall

4.4 Pembahasan

4.4.1 Evaluasi (Evaluation)

Pada tahap ini melakukan pengecekan terhadap setiap atribut dan model

yang sudah dibangun, kemudian melakukan evaluasi terhadap hasil dengan

melakukan analisis dari setiap variable output atau karakteristik informasi yang

dihasilkan oleh model data mining pada tabel 4.20 dibawah ini adalah hasil

confusion matrix dari Rapid Miner.

54

Tabel 4. 24 Confusion Matrix

Accuracy: 80,43 %

true TIDAK true LAYAK class precision

pred.TIDAK 227 47 82.85%

pred.Layak 35 110 75.86%

class recall 86.64% 70.06%

a) Accuracy

Accuracy = ( )

( ) =

( )

( ) =

= 0.8043 x 100 =80,43 %

b) Precision

Precision (Positive) =

( ) =

( ) =

= 0,7586 x 100 = 75,86 %

Precision (Negatif) =

( ) =

( ) =

= 0,82846 x 100 = 82,85 %

c) Recall

Recall (Positive) =

( ) =

( ) =

= 0.7586 x 100 = 75.86%

Recall (Negatif) =

( ) =

( ) =

= 0.82846 x 100 = 82.85%

55

4.4.2 AUC (Area Under Curve)

Selain Confusion Matrix, kurva Receiver Operating Characteristic (ROC)

dihasilkan oleh Rapid Miner, kurva tersebut dapat dilihat pada gambar dibawah

ini.

Gambar 4. 6 Kurva ROC

Kurva ROC digunakan untuk mengekspresikan data dari Confusion

Matrix. Garis horizontal mewakili nilai False Positive (FP) dan garis vertikal

mewakili nilai True Positive (TP). Dari gambar 4.6 dapat diketahui bahwa nilai

Area Under Curve (AUC) model algoritma Naive Bayes adalah 0.890, hal ini

menunjukan bahwa model algoritma Naive Bayes memperoleh hasil “good

classification“”.

56

4.4.3 Hasil Klasifikasi Class

4.4.3.1 Simple Distribution Model

Menganalisa tabel data karyawan dalam memprediksi perpanjangan

kontrak dengan metode Naive Bayes dapat menghasilkan 2 class utama.

Gambar 4. 7 Simple Distribution Model

Hasil klasifikasi dari data karyawan dengan menggunakan metode Naive

Bayes membagi 2 class klasifikasi yaitu class LAYAK dan class TIDAK, untuk

nilai class LAYAK yaitu (0.375) dan nilai class TIDAK yaitu (0.625).

57

4.2.4 Penyebaran (Deployment)

Dalam penerapan pada sistem yang dibuat, data training yang dimasukan

adalah sebanyak 419 record, sistem ini hanya diterapkan dengan alur algoritma

Naive Bayes, berikut adalah tampilan dari aplikasi yang dibuat dengan Visual

Basic 6.0.

Gambar 4. 8 Tampilan form login

58

Gambar 4. 9 Tampilan Halaman Awal Sistem

59

4.4.2 Hasil Analisa Naïve Bayes Prediksi Tidak

Halaman ini menampilkan hasil “Tidak”dari analisa berupa perhitungan

probabilitas tiap atribut, probabilitas kelas dan hasil kelayakan perpanjangan

kontrak karyawan.

Gambar 4. 10 Hasil Analisa Naive Bayes Prediksi Tidak

60

4.4.2 Hasil Analisa Naïve Bayes Prediksi Ya

Halaman ini menampilkan hasil “Ya”dari analisa berupa perhitungan

probabilitas tiap atribut, probabilitas kelas dan hasil kelayakan perpanjangan

kontrak karyawan.

Gambar 4. 11 Hasil Analisa Naive Bayes Prediksi Ya

61

BAB V

PENUTUP

5.1 Kesimpulan

Berdasarkan hasil penelitian yang telah dilakukan mengenai prediksi

perpanjangan kontrak karyawan dengan metode Naïve Bayes pada PT. Armstrong

Industri Indonesia, maka dapat diambil beberapa kesimpulan sebagai berikut:

1. Metode Naive Bayes dapat digunakan untuk menganalisa perpanjangan

kontrak karyawan dengan objektif berdasarkan atribut ketelitian,

kreativitas, tanggung jawab, kerjasama, pencapaian tujuan, inisiatif,

kehadiran, inovasi, loyalitas.

2. Proses Data Mining dengan metode Naive Bayes dapat menganalisa dan

memprediksi perpanjangan kontrak karyawan, dari pengujian yang

dilakukan menggunakan Rapid Miner di dapat tingkat akurasi sebesar

98.50%.

5.2 Saran

Berdasarkan hasil penelitian yang telah dilakukan mengenai prediksi

perpanjangan kontrak karyawan dengan metode Naïve Bayes pada PT. Armstrong

Industri Indonesia, maka terdapat beberapa saran yang perlu diperhatikan:

1. Penentuan 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.

62

2. Perhitungan Naïve Bayes tidak akan menghasilkan keluaran yang akurat

jika terdapat salah satu data yang kosong atau nol pada salah satu kelas

maupun keduanya.

3. Dalam penelitian ini hanya menggunakan 9 kriteria untuk prediksi

perpanjang kontrak karyawan. Untuk penelitian selanjutnya bisa

ditambahkan beberapa kriteria lagi.

63

DAFTAR PUSTAKA

Abadi, S., & Latifah, F. (2016). DECISION SUPPORT SYSTEM PENILAIAN

KINERJA KARYAWAN PADA PERUSAHAAN MENGGUNAKAN

METODE SIMPLE ADDITIVE WEIGHTING, 6, 37–43.

Anindita, A. F., Herawati, T., & Niaga. (2017). PENGARUH PELATIHAN DAN

MOTIVASI TERHADAP KINERJA KARYAWAN PADA HEAD OFFICE

PADA PT PAM LYONNASE JAYA (PALYJA), 14(2), 121–130.

C, D. A., Baskoro, D. A., Ambarwati, L., & Wicaksana, I. W. S. (2013). Belajar

Data Mining Dengan Rapid Miner.

Darmawan, A., Kustian, N., Rahayu, W., & Tabebuya. (2018). IMPLEMENTASI

DATA MINING MENGGUNAKAN MODEL SVM, 2(3), 299–307.

Dr. Suyanto, S.T., M. S. (2017). Data mining untuk klasifikasi dan klasterisasi

data.

Imtiyaz, Zain Muhammad , Nasrun Muhammad, U. A. A. (2015). ANALISIS

DAN IMPLEMENTASI FRAMEWORK CRISP-DM UNTUK

MENGETAHUI PERILAKU DATA TRANSAKSI PELANGGAN Analysis

and Implementation CRISP-DM Framework for Customer Behaviour of

Transaction Data ( Case Study : PT X ), 2(1), 596–602.

Jananto, A. (2013). Algoritma Naive Bayes untuk Mencari Perkiraan Waktu Studi

Mahasiswa, 18(1), 9–16.

Lumbantoruan, R. (2015). Analisis data mining dan warehousing, 19(1), 66–76.

Mallu, S. (2015). Sistem pendukung keputusan penentuan karyawan kontrak

64

menjadi karyawan tetap menggunakan metode topsis, I(2), 36–42.

Pauziah, U. (2017). ANALISIS PENENTUAN KARYAWAN TERBAIK

MENGGUNAKAN METODE ALGORITMA NAIVE BAYES ( STUDI

KASUS PT . XYZ ) Ulfa Pauziah, (April), 94–102.

Ridwan, M., Suyono, H., & Sarosa, M. (2013). Penerapan Data Mining Untuk

Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive

Bayes Classifier, 7(1), 59–64.

Saepudin, M., Abdillah, G., & Yuniarti, R. (2017). SISTEM PENDUKUNG

KEPUTUSAN MENENTUKAN KELAYAKAN PENGANGKATAN

KARYAWAN TETAP MENGGUNAKAN METODE ANALYTIC

HIERARCHY PROCESS DAN WEIGHTED PRODUCT, 43–48.

Safitri, K., Waruwu, F. T., & Mesran. (2017). SISTEM PENDUKUNG

KEPUTUSAN PEMILIHAN KARYAWAN BERPRESTASI DENGAN

MENGGUNAKAN METODE ANALYTICAL HIEARARCHY PROCESS

( Studi Kasus : PT . Capella Dinamik Nusantara Takengon ), 1(1), 17–21.

Saleh, A. (2015). Implementasi Metode Klasifikasi Naïve Bayes Dalam

Memprediksi Besarnya Penggunaan Listrik Rumah Tangga, 2(3), 207–217.

Tampubolon, K., Saragih, H., Reza, B., Epicentrum, K., Asosiasi, A., & Apriori,

A. (2013). IMPLEMENTASI DATA MINING ALGORITMA APRIORI

PADA SISTEM PERSEDIAAN ALAT-ALAT KESEHATAN, 93–106.

Triuli , Novianti Abdul, A. (2015). APLIKASI DATA MINING

MENGGUNAKAN METODE DECISION TREE UNTUK

MENAMPILKAN LAPORAN HASIL NILAI AKHIR MAHASISWA, 1(3),

65

198–203.

Via, Y. V., Nugroho, B., & Syafrizal, A. (2015). SISTEM PENDUKUNG

KEPUTUSAN KLASIFIKASI TINGKAT KEGANASAN KANKER

PAYUDARA DENGAN METODE NAIVE, X, 2–7.

Wibowo, A. P., & Hartati, S. (2016). Sistem Klasifikasi Kinerja Satpam

Menggunakan Metode Naїve Bayes Classifier.

55

LAMPIRAN

Coding Program

Option Explicit

Private Declare Function ShellExecute Lib _

"shell32.dll" Alias "ShellExecuteA" _

(ByVal hwnd As Long, _

ByVal lpOperation As String, _

ByVal lpFile As String, _

ByVal lpParameters As String, _

ByVal lpDirectory As String, _

ByVal nShowCmd As Long) As Long

Private Const SW_SHOWNORMAL = 1

Public Conn As ADODB.Connection

Dim Rst As New ADODB.Recordset

Public Function konek() As Boolean

On Error GoTo out

Set Conn = New ADODB.Connection

56

Conn.Open "Provider=Microsoft.Jet.OLEDB.4.0;Data Source=" &

App.Path & "\Dataset.mdb;Persist Security Info=False"

Conn.CursorLocation = adUseClient

konek = True

out:

End Function

Private Sub CmdPredeksi_Click()

Dim ProbiYes, ProbiNo As Double

Dim Y_Layak, Y_Tidak As Integer

Dim CounDtSet As Integer

Dim Ketelitian_Layak, Ketelitian_Tidak As Integer

Dim Kreatifitas_Layak, Kreatifitas_tidak As Integer

Dim Tgjwb_Layak, Tgjwb_Tidak As Integer

Dim Kerjasama_Layak, Kerjasama_Tidak As Integer

Dim Ptujuan_Layak, Ptujuan_Tidak As Integer

Dim Inisiatif_Layak, Inisiatif_Tidak As Integer

Dim Kehadiran_Layak, Kehadiran_Tidak As Integer

Dim Inovasi_Layak, Inovasi_Tidak As Integer

Dim Loyalitas_Layak, Loyalitas_Tidak As Integer

57

'total data terning

Rst.Open "select count(*) as Hsl from tbl_training", Conn, adOpenKeyset,

adLockOptimistic

CounDtSet = Rst!hsl

Rst.Close

'total data trening dengan keterangan LAYAK

Rst.Open "select count(*) as Hasil from tbl_training where

Hasil='LAYAK'", Conn, adOpenKeyset

Y_Layak = Rst!Hasil

Rst.Close

'total data trening dengan keterangan TIDAK

Rst.Open "select count(*) as Hasil from tbl_training where

Hasil='TIDAK'", Conn, adOpenKeyset

Y_Tidak = Rst!Hasil

Rst.Close

'************** KETELITIAN **********************

Rst.Open "select count(*) as Hsl from tbl_training where Ketelitian = '" &

CboKetelitian.Text & "' and HASIL ='LAYAK'", Conn, adOpenKeyset

Ketelitian_Layak = Rst!hsl ' 'menampung nilai ke variabel

Rst.Close

58

Rst.Open "select count(*) as Hsl from tbl_training where Ketelitian = '" &

CboKetelitian.Text & "' and HASIL ='TIDAK'", Conn, adOpenKeyset

Ketelitian_Tidak = Rst!hsl 'menampung nilai ke variabel

Rst.Close

'************** KREATIFITAS **********************

Rst.Open "select count(*) as Hsl from tbl_training where Kreatifitas = '" &

CboKreatifitas.Text & "' and HASIL ='LAYAK'", Conn, adOpenKeyset

Kreatifitas_Layak = Rst!hsl ' 'menampung nilai ke variabel

Rst.Close

Rst.Open "select count(*) as Hsl from tbl_training where Kreatifitas = '" &

CboKreatifitas.Text & "' and HASIL ='TIDAK'", Conn, adOpenKeyset

Kreatifitas_tidak = Rst!hsl 'menampung nilai ke variabel

Rst.Close

'************** TANGGUNG JAWAB **********************

Rst.Open "select count(*) as Hsl from tbl_training where

Tanggung_Jawab = '" & CboTgjwb.Text & "' and HASIL ='LAYAK'", Conn,

adOpenKeyset

Tgjwb_Layak = Rst!hsl ' 'menampung nilai ke variabel

Rst.Close

59


Tanggung_Jawab = '" & CboTgjwb.Text & "' and HASIL ='TIDAK'", Conn,

adOpenKeyset

Tgjwb_Tidak = Rst!hsl 'menampung nilai ke variabel

Rst.Close

'************** KERJASAMA **********************

Rst.Open "select count(*) as Hsl from tbl_training where Kerjasama = '" &

CboKerjasama.Text & "' and HASIL ='LAYAK'", Conn, adOpenKeyset

Kerjasama_Layak = Rst!hsl ' 'menampung nilai ke variabel

Rst.Close

Rst.Open "select count(*) as Hsl from tbl_training where Kerjasama = '" &

CboKerjasama.Text & "' and HASIL ='TIDAK'", Conn, adOpenKeyset

Kerjasama_Tidak = Rst!hsl 'menampung nilai ke variabel

Rst.Close

'************** PENCAPAIAN TUJUAN **********************


Pencapaian_tujuan = '" & Cboptujuan.Text & "' and HASIL ='LAYAK'", Conn,

adOpenKeyset

Ptujuan_Layak = Rst!hsl ' 'menampung nilai ke variabel

Rst.Close

60


Pencapaian_tujuan = '" & Cboptujuan.Text & "' and HASIL ='TIDAK'", Conn,

adOpenKeyset

Ptujuan_Tidak = Rst!hsl 'menampung nilai ke variabel

Rst.Close

'************** INISIATIF **********************

Rst.Open "select count(*) as Hsl from tbl_training where Inisiatif = '" &

CboInisiatif.Text & "' and HASIL ='LAYAK'", Conn, adOpenKeyset

Inisiatif_Layak = Rst!hsl ' 'menampung nilai ke variabel

Rst.Close

Rst.Open "select count(*) as Hsl from tbl_training where Inisiatif = '" &

CboInisiatif.Text & "' and HASIL ='TIDAK'", Conn, adOpenKeyset

Inisiatif_Tidak = Rst!hsl 'menampung nilai ke variabel

Rst.Close

'************** KEHADIRAN **********************

Rst.Open "select count(*) as Hsl from tbl_training where Kehadiran = '" &

CboKehadiran.Text & "' and HASIL ='LAYAK'", Conn, adOpenKeyset

Kehadiran_Layak = Rst!hsl ' 'menampung nilai ke variabel

Rst.Close

61

Rst.Open "select count(*) as Hsl from tbl_training where Kehadiran = '" &

CboKehadiran.Text & "' and HASIL ='TIDAK'", Conn, adOpenKeyset

Kehadiran_Tidak = Rst!hsl 'menampung nilai ke variabel

Rst.Close

'************** INOVASI **********************

Rst.Open "select count(*) as Hsl from tbl_training where Inovasi = '" &

CboInovasi.Text & "' and HASIL ='LAYAK'", Conn, adOpenKeyset

Inovasi_Layak = Rst!hsl ' 'menampung nilai ke variabel

Rst.Close

Rst.Open "select count(*) as Hsl from tbl_training where Inovasi = '" &

CboInovasi.Text & "' and HASIL ='TIDAK'", Conn, adOpenKeyset

Inovasi_Tidak = Rst!hsl 'menampung nilai ke variabel

Rst.Close

'************** LOYALITAS **********************

Rst.Open "select count(*) as Hsl from tbl_training where Loyalitas = '" &

CboLoyalitas.Text & "' and HASIL ='LAYAK'", Conn, adOpenKeyset

Loyalitas_Layak = Rst!hsl ' 'menampung nilai ke variabel

Rst.Close

62

Rst.Open "select count(*) as Hsl from tbl_training where Loyalitas = '" &

CboLoyalitas.Text & "' and HASIL ='TIDAK'", Conn, adOpenKeyset

Loyalitas_Tidak = Rst!hsl 'menampung nilai ke variabel

Rst.Close

'MENJUMLAHKAN NILAI PROBALITAS

ProbiYes = (Ketelitian_Layak / Y_Layak) * (Kreatifitas_Layak /

Y_Layak) * (Tgjwb_Layak / Y_Layak) * (Kerjasama_Layak / Y_Layak) *

(Ptujuan_Layak / Y_Layak) * (Inisiatif_Layak / Y_Layak) * (Inisiatif_Layak /

Y_Layak) * (Inovasi_Layak / Y_Layak) * (Loyalitas_Layak / Y_Layak) *

(Y_Layak / CounDtSet)

ProbiNo = (Ketelitian_Tidak / Y_Tidak) * (Kreatifitas_tidak / Y_Tidak) *

(Tgjwb_Tidak / Y_Tidak) * (Kerjasama_Tidak / Y_Layak) * (Ptujuan_Tidak /

Y_Tidak) * (Inisiatif_Tidak / Y_Tidak) * (Inisiatif_Tidak / Y_Tidak) *

(Inovasi_Tidak / Y_Tidak) * (Loyalitas_Tidak / Y_Tidak) * (Y_Tidak /

CounDtSet)

'MEMBANDINGKAN HASIL

If ProbiYes > ProbiNo Then

TxtHasil.Text = "LAYAK"

Else

TxtHasil.Text = "TIDAK"

63

End If

'PRINT TO LIST

List1.Width = 6255

List1.Left = 4680

List1.AddItem "PERHITUNGAN NAIVE BAYES"

List1.AddItem "==================================="

List1.AddItem ""

List1.AddItem ""

List1.AddItem "P(KETELITAIAN=" & CboKetelitian.Text & "LAYAK)

= " & Ketelitian_Layak & " / " & Y_Layak

List1.AddItem "P(KETELITIAN=" & CboKetelitian.Text & "TIDAK) = "

& Ketelitian_Tidak & " / " & Y_Tidak

List1.AddItem ""

List1.AddItem "P(KREATIFITAS=" & CboKreatifitas.Text & "LAYAK)

= " & Kreatifitas_Layak & " / " & Y_Layak

List1.AddItem "P(KREATIFITAS=" & CboKreatifitas.Text & "TIDAK) =

" & Kreatifitas_tidak & " / " & Y_Tidak

List1.AddItem ""

List1.AddItem "P(TANGGUNG JAWAB=" & CboTgjwb.Text &

"LAYAK) = " & Tgjwb_Layak & " / " & Y_Layak

64

List1.AddItem "P(TANGGUNG JAWAB=" & CboTgjwb.Text &

"TIDAK) = " & Tgjwb_Tidak & " / " & Y_Tidak

List1.AddItem ""

List1.AddItem "P(KERJASAMA=" & CboKerjasama.Text & "LAYAK) =

" & Kerjasama_Layak & " / " & Y_Layak

List1.AddItem "P(KERJASAMA=" & CboKerjasama.Text & "TIDAK) =

" & Kerjasama_Tidak & " / " & Y_Tidak

List1.AddItem ""

List1.AddItem "P(PENCAPAIAN TUJUAN=" & Cboptujuan.Text &

"LAYAK) = " & Ptujuan_Layak & " / " & Y_Layak

List1.AddItem "P(PENCAPAIAN TUJUAN=" & Cboptujuan.Text &

"TIDAK) = " & Ptujuan_Tidak & " / " & Y_Tidak

List1.AddItem ""

List1.AddItem "P(INISIATIF=" & CboInisiatif.Text & "LAYAK) = " &

Inisiatif_Layak & " / " & Y_Layak

List1.AddItem "P(INISIATIF=" & CboInisiatif.Text & "TIDAK) = " &

Inisiatif_Tidak & " / " & Y_Tidak

List1.AddItem ""

List1.AddItem "P(KEHADIRAN=" & CboKehadiran.Text & "LAYAK) =

" & Kehadiran_Layak & " / " & Y_Layak

List1.AddItem "P(KEHADIRAN=" & CboKehadiran.Text & "TIDAK) =

" & Kehadiran_Tidak & " / " & Y_Tidak

65

List1.AddItem ""

List1.AddItem "P(INOVASI=" & CboInovasi.Text & "LAYAK) = " &

Inovasi_Layak & " / " & Y_Layak

List1.AddItem "P(INOVASI=" & CboInovasi.Text & "TIDAK) = " &

Inovasi_Tidak & " / " & Y_Tidak

List1.AddItem ""

List1.AddItem "P(LOYALITAS=" & CboLoyalitas.Text & "LAYAK) = "

& Loyalitas_Layak & " / " & Y_Layak

List1.AddItem "P(LOYALITAS=" & CboLoyalitas.Text & "TIDAK) = "

& Loyalitas_Tidak & " / " & Y_Tidak

List1.AddItem ""

List1.AddItem "======================================"

List1.AddItem ""

List1.AddItem "P(LAYAK) = (" & Ketelitian_Layak & " / " & Y_Layak

& ") * (" & Kreatifitas_Layak & " / " & Y_Layak & ") * ( " & Tgjwb_Layak & " /

" & Y_Layak & ") * (" & Kerjasama_Layak & " / " & Y_Layak & ") * (" &

Ptujuan_Layak & " / " & Y_Layak & ") * (" & Inisiatif_Layak & " / " & Y_Layak

& ") * (" & Kehadiran_Layak & " / " & Y_Layak & ") * (" & Inovasi_Layak & " /

" & Y_Layak & ") * (" & Loyalitas_Layak & " / " & Y_Layak & ") * (" &

Y_Layak & " / " & CounDtSet & ")"

List1.AddItem "P(TIDAK) = (" & Ketelitian_Tidak & " / " & Y_Tidak &

") * (" & Kreatifitas_tidak & " / " & Y_Tidak & ") * ( " & Tgjwb_Tidak & " / " &

66

Y_Tidak & ") * (" & Kerjasama_Tidak & " / " & Y_Tidak & ") * (" &

Ptujuan_Tidak & " / " & Y_Tidak & ") * (" & Inisiatif_Tidak & " / " & Y_Tidak

& ") * (" & Kehadiran_Tidak & " / " & Y_Tidak & ") * (" & Inovasi_Tidak & " /

" & Y_Tidak & ") * (" & Loyalitas_Tidak & " / " & Y_Tidak & ") * (" &

Y_Tidak & " / " & CounDtSet & ")"

List1.AddItem ""

List1.AddItem "P(LAYAK) =" & ProbiYes

List1.AddItem "P(TIDAK) =" & ProbiNo

List1.AddItem TxtHasil.Text

List1.AddItem ""

End Sub

Private Sub Cmdreset_Click()

CboKetelitian.Text = ""

CboKreatifitas.Text = ""

CboTgjwb.Text = ""

CboKerjasama.Text = ""

Cboptujuan.Text = ""

CboInisiatif.Text = ""

CboKehadiran.Text = ""

CboInovasi.Text = ""

CboLoyalitas.Text = ""

67

List1.Left = 7320

List1.Width = 3615

List1.Clear

End Sub

Private Sub Command1_Click()

If (MsgBox("Yakin Keluar?", vbYesNo, "Keluar") = vbYes) Then Unload

Me

End Sub

Private Sub Form_Load()

If Not konek() Then

MsgBox "Gak bisa terhubung ke database!", vbCritical

End

End If

Adodc1.ConnectionString = Conn.ConnectionString

Adodc1.RecordSource = "tbl_training"

Set DataGrid1.DataSource = Adodc1

DataGrid1.Columns(0).Width = 500






68






Skin1.ApplySkin Me.hwnd

End Sub

Private Sub MaskEdBox1_Change()

End Sub

Private Sub Label9_Click()

End Sub

69

1. Data training

Dibawah ini merupakan data training yang digunakan dalam penelitian ini

Tabel Data Training 1

Ketelitian Kretifitas

Penerimaan

Tanggung

Jawab

Kerja

sama

pencapaian

tujuan Inisiatif Kehadirian inovasi Loyalitas Hasil

C A A C C A D A A TIDAK

C B A A A A D A A TIDAK

C C A A C A D A A TIDAK

C D A A A C D A A TIDAK

C A A A C A D A A TIDAK

C A B A A A D A A TIDAK

C A C A A A D A A TIDAK

C A D A A A C A A TIDAK

C A A A A A C A A TIDAK

D A A B A A A A A TIDAK

D A A C A A A A A TIDAK

C A A A A A A A D LAYAK

C A A A A D A A A LAYAK

C A A A B D A A A LAYAK

C A A A C D A A A LAYAK

C A A A B D A A A LAYAK

C A A A B A A A A LAYAK

C A A A A B A A A LAYAK

C A A A A C A A A LAYAK

C A A A A D A A A TIDAK

C A A A A A A A A LAYAK

D A A A A A B A A LAYAK

B A A A A A C A A LAYAK

B A A A A C A A A LAYAK

B A A A A A A A D LAYAK

B A A A B A A B D LAYAK

D A A A A B A C D LAYAK

D A A A A A A D D LAYAK

D A A A A A A A A LAYAK

D A A A A A A A B LAYAK

D A A A A A A A C TIDAK

D A A A A A A A D TIDAK

D B A A A A A A A TIDAK

70

D B B A A A A A A TIDAK

D B C A A A A A A TIDAK

D B D A A A A A A TIDAK

A B A A A A A A A LAYAK

A B A B A A A A A LAYAK

A B A C A A A A A LAYAK

A B A D A A A A A TIDAK

A B A A A A A D A LAYAK

A B A A B A A D A LAYAK

A B D A B A A D A LAYAK

A B A A D A A A A TIDAK

A B A A A A A D A LAYAK

A B A A A B A D A LAYAK

A B A A A C A A A LAYAK

A B A A A D A A A TIDAK

A B A A D A A A A LAYAK

A B A A D A B A A LAYAK

A B A A D A C A B LAYAK

A B A A A A B A A LAYAK

A B A A D A A A B LAYAK

A B A A A A A B A LAYAK

A B A A A A A C A LAYAK

A B A A A A A D A TIDAK

A B A A A A A A A LAYAK

A B A A A A A A B LAYAK

A B A A A A A A C LAYAK

A B A A A A A A D TIDAK

A C A A A A B A A LAYAK

A C B A A A B A A LAYAK

A C C A A A B A A LAYAK

A C D A A A A A A TIDAK

A C A A A A A A A LAYAK

A C A B A A A A A LAYAK

A C A C A A A A A TIDAK

A C A D A A A A A TIDAK


A C A A B A A A A LAYAK

A C A A C A A A A TIDAK

A C A A D A A A A TIDAK


A C A A A B A A A LAYAK

71

A C A A A C A A A TIDAK

A C A A A D A A A TIDAK


A C A A A A B A A LAYAK

A C A A A A C A A TIDAK

A C A A A A D A A TIDAK


A C A A A A A B A LAYAK

A C A A A A A C A TIDAK

A C A A A A A D A TIDAK


A C A A A A A A B LAYAK

A C A A A A A A C TIDAK

A C A A A A A A D TIDAK

A D A A A A A A A LAYAK

A D B A A A A A A LAYAK

A D C A A A A A A LAYAK

A D D A A A A A A LAYAK

A D D A A A A A A LAYAK

A D D B A A A A A LAYAK

A D D C A A A A A LAYAK

A D D D A A A A A LAYAK

A D A A A A A A A TIDAK

A D A A B A A A A TIDAK

A D A A C A A A A TIDAK

A D A A D A A A A TIDAK


A D A A A B A A A TIDAK

A D A A A C A A A TIDAK

A D A A A D A A A TIDAK


A D A A A A B A A TIDAK

A D A A A A C A A TIDAK

A D A A A A D A A TIDAK


A D A A A A A B A TIDAK

A D A A A A A C A TIDAK

A D A A A A A D A TIDAK


A D A A A A A A B TIDAK

A D A A A A A A C TIDAK

72

A D A A A A A A D TIDAK

A A B D A A A A A LAYAK



A A B D A A A A A TIDAK


A A B D B A A A A LAYAK

A A B D C A A A A LAYAK

A A B A D A A A A TIDAK


A A B A A B A A A LAYAK

A A B A A C A A A LAYAK

A A B A A D A A A TIDAK

A A B A A A A A A LAYAK

A A B A A A B A A LAYAK

A A B A A A C A A LAYAK

A A B A A A D A A LAYAK


A A B A A A A B A LAYAK

A A B A A A A C A LAYAK

A A B A A A A D A TIDAK


A A B A A A A A B LAYAK

A A B A A A A A C LAYAK

A A B A A A A A D TIDAK

A B C A A A A A A LAYAK





A B C B A A A A A LAYAK

A B C C A A A A A TIDAK

A B C D A A A A A TIDAK


A B C A B A A A A LAYAK

A B C A C A A A A TIDAK

A B C A D A A A A TIDAK


A B C A A B A A A LAYAK

A B C A A C A A A TIDAK

A B C A A D A A A TIDAK

73


A B C A A A B A A LAYAK

A B C A A A C A A TIDAK

A B C A A A D A A TIDAK


A B C A A A A B A LAYAK

A B C A A A A C A TIDAK

A B C A A A A D A TIDAK


A B C A A A A A B LAYAK

A B C A A A A A C TIDAK

A B C A A A A A D TIDAK






A C D B A A A A A TIDAK

A C D C A A A A A TIDAK

A C D D A A A A A TIDAK


A C D A B A A A A TIDAK

A C D A C A A A A TIDAK

A C D A D A A A A TIDAK


A C D A A B A A A TIDAK

A C D A A C A A A TIDAK

A C D A A D A A A TIDAK


A C D A A A B A A TIDAK

A C D A A A C A A TIDAK

A C D A A A D A A TIDAK


A C D A A A A B A TIDAK

A C D A A A A C A TIDAK

A C D A A A A D A TIDAK


A C D A A A A A B TIDAK

A C D A A A A A C TIDAK

A C D A A A A A D TIDAK


74





A D A B A A A A A TIDAK

A D A C A A A A A TIDAK

A D A D A A A A A TIDAK


A D A A B A A A A TIDAK

A D A A C A A A A TIDAK

A D A A D A A A A TIDAK


A D A A A B A A A TIDAK

A D A A A C A A A TIDAK

A D A A A D A A A TIDAK


A D A A A A B A A TIDAK

A D A A A A C A A TIDAK

A D A A A A D A A TIDAK


A D A A A A A B A TIDAK

A D A A A A A C A TIDAK

A D A A A A A D A TIDAK


A D A A A A A A B TIDAK

A D A A A A A A C TIDAK

A D A A A A A A D TIDAK

A A B B A A A A A LAYAK

A A B B C A A A A LAYAK


A A B B D A A A A TIDAK


A A B B C B A A A LAYAK

A A B B C C A A A LAYAK

A A B B C D A A A LAYAK


A A B B C A B A A LAYAK

A A B B A A C A A LAYAK

A A B B A A D A A LAYAK


A A B B A A A B A LAYAK

75

A A B B A A A C A LAYAK

A A B B A A A D A TIDAK


A A B B A A A A B LAYAK

A A B B A A A A C LAYAK

A A B B A A A A D TIDAK


A B C C B A A A A TIDAK

A B C C C A A A A TIDAK

A B C C D A A A A TIDAK


A B C C A B A A A TIDAK

A B C C A C A A A TIDAK

A B C C A D A A A TIDAK


A B C C A A B A A LAYAK

A B C C A A C A A TIDAK

A B C C A A D A A TIDAK


A B C C A A A B A TIDAK

A B C C A A A C A TIDAK

A B C C A A A D A TIDAK


A B C C A A A A B TIDAK

A B C C A A A A C TIDAK

A B C C A A A A D TIDAK


A C D D B A A A A TIDAK

A C D D C A A A A TIDAK

A C D D D A A A A TIDAK


A C D D A B A A A TIDAK

A C D D A C A A A TIDAK

A C D D A D A A A TIDAK


A C D D A A B A A TIDAK

A C D D A A C A A TIDAK

A C D D A A D A A TIDAK


A C D D A A A B A TIDAK

A C D D A A A C A TIDAK

76

A C D D A A A D A TIDAK


A C D D A A A A B TIDAK

A C D D A A A A C TIDAK

A C D D A A A A D TIDAK

A A B B B A A A A LAYAK

A A B B B B A A A LAYAK

A A B B B C A A A LAYAK

A A B B B D A A A TIDAK


A A B B B A B A A LAYAK

A A B B B A C A A LAYAK

A A B B B A D A A LAYAK


A A B B B A A B A LAYAK

A A B B B A A C A LAYAK

A A B B B A A D A TIDAK


A A B B B A A A B LAYAK

A A B B B A A A C LAYAK

A A B B B A A A D TIDAK


A B C C C B A A A TIDAK

A B C C C C A A A TIDAK

A B C C C D A A A TIDAK


A B C C C A B A A TIDAK

A B C C C A C A A TIDAK

A B C C C A D A A TIDAK


A B C C C A A B A TIDAK

A B C C C A A C A TIDAK

A B C C C A A D A TIDAK


A B C C C A A A B TIDAK

A B C C C A A A C TIDAK

A B C C C A A A D TIDAK


A C D D D B A A A TIDAK

A C D D D C A A A TIDAK

A C D D D D A A A TIDAK

77


A C D D D A B A A TIDAK

A C D D D A C A A TIDAK

A C D D D A D A A TIDAK


A C D D D A A B A TIDAK

A C D D D A A C A TIDAK

A C D D D A A D A TIDAK


A C D D D A A A B TIDAK

A C D D D A A A C TIDAK

A C D D D A A A D TIDAK



A A B B B B B A A LAYAK

A A B B B B C A A LAYAK

A A B B B B D A A LAYAK


A A B B B B A B A LAYAK

A A B B B B A C A LAYAK

A A B B B B A D A TIDAK


A A B B B B A A B LAYAK

A A B B B B A A C LAYAK

A A B B B B A A D TIDAK


A B C C C C B A A TIDAK

A B C C C C C A A TIDAK

A B C C C C D A A TIDAK


A B C C C C A B A TIDAK

A B C C C C A C A TIDAK

A B C C C C A D A TIDAK


A B C C C C A A B TIDAK

A B C C C C A A C TIDAK

A B C C C C A A D TIDAK


A C D D D D B A A TIDAK

A C D D D D C A A TIDAK

A C D D D D D A A TIDAK

78


A C D D D D A B A TIDAK

A C D D D D A C A TIDAK

A C D D D D A D A TIDAK


A C D D D D A A B TIDAK

A C D D D D A A C TIDAK

A C D D D D A A D TIDAK


A A B B B B B B A LAYAK

A A B B B B B C A LAYAK

A A B B B B B D A TIDAK


A A B B B B B A B LAYAK

A A B B B B B A C LAYAK

A A B B B B B A D TIDAK


A B C C C C C B A TIDAK

A B C C C C C C A TIDAK

A B C C C C C D A TIDAK


A B C C C C C A B TIDAK

A B C C C C C A C TIDAK

A B C C C C C A D TIDAK


A C D D D D D B A TIDAK

A C D D D D D C A TIDAK

A C D D D D D D A TIDAK


A C D D D D D A B TIDAK

A C D D D D D A C TIDAK

A C D D D D D A D TIDAK

A A B B B B B B A LAYAK

A B C C C C C C B TIDAK

A B C C C C C C C TIDAK

A B C C C C C C D TIDAK

A C D D D D D D A TIDAK

A C D D D D D D B TIDAK

A C D D D D D D C TIDAK

A C D D D D D D D TIDAK

B A A A A A A A A LAYAK

79

B B A A A A A A A LAYAK

B C A A A A A A A LAYAK

B D A A A A A A A TIDAK


B A B A A A A A A LAYAK

B A C A A A A A A LAYAK

B A D A A A A A A TIDAK


B A A B A A A A A LAYAK

B A A C A A A A A LAYAK

B A A D A A A A A TIDAK


B A A A B A A A A LAYAK

B A A A C A A A A LAYAK

B A A A D A A A A TIDAK


B A A A A D A A A TIDAK

80

2. Data Testing

Dibawah ini merupakan data testing yang telah diuji dengan tools rapid

miner.

Tabel Data Testing 1

No

Prediksi

Data

Testing

Prediksi

Rapid

miner

Ketelitia

n Kreativitas

Penerimaan

Tanggung

Jawab

Kerjasama Pencapaia

n tujuan Inisiatif Kehadirian Inovasi

Loyalita

s

1 LAYAK LAYAK B A A A A B A A A

2 LAYAK LAYAK B A A A A C A A A

3 LAYAK LAYAK B A A A A D A A A

4 LAYAK LAYAK B A A A A A A A A

5 LAYAK LAYAK B A A A A A B A A

6 LAYAK LAYAK B A A A A A C A A

7 LAYAK LAYAK B A A A A A D A A


9 LAYAK LAYAK B A A A A A A B A

10 LAYAK LAYAK B A A A A A A C A

11 LAYAK LAYAK B A A A A A A D A


13 LAYAK LAYAK B A A A A A A A B

14 LAYAK LAYAK B A A A A A A A C

15 LAYAK LAYAK B A A A A A A A D

16 LAYAK LAYAK B B A A A A A A A

17 LAYAK LAYAK B B B A A A A A A

18 LAYAK LAYAK B B C A A A A A A

19 TIDAK TIDAK B B D A A A A A A


21 LAYAK LAYAK B B A B A A A A A

22 TIDAK TIDAK B B A C A A A A A

23 LAYAK TIDAK B B A D A A A A A


25 LAYAK LAYAK B B A A B A A A A

26 LAYAK LAYAK B B A A C A A A A

27 TIDAK TIDAK B B A A D A A A A


29 LAYAK LAYAK B B A A A B A A A

30 LAYAK LAYAK B B A A A C A A A

31 LAYAK LAYAK B B A A A D A A A

81


33 LAYAK LAYAK B B A A A A B A A

34 LAYAK LAYAK B B A A A A C A A

35 LAYAK LAYAK B B A A A A D A A


37 LAYAK LAYAK B B A A A A A B A

38 LAYAK LAYAK B B A A A A A C A

39 LAYAK LAYAK B B A A A A A D A


41 LAYAK LAYAK B B A A A A A A B

42 LAYAK LAYAK B B A A A A A A C

43 LAYAK LAYAK B B A A A A A A D

44 LAYAK LAYAK B C A A A A A A A

45 LAYAK LAYAK B C B A A A A A A

46 LAYAK TIDAK B C C A A A A A A

47 TIDAK TIDAK B C D A A A A A A


49 LAYAK LAYAK B C A B A A A A A

50 TIDAK TIDAK B C A C A A A A A

51 TIDAK TIDAK B C A D A A A A A


53 LAYAK LAYAK B C A A B A A A A

54 TIDAK TIDAK B C A A C A A A A

55 TIDAK TIDAK B C A A D A A A A


57 LAYAK LAYAK B C A A A B A A A

58 TIDAK TIDAK B C A A A C A A A

59 TIDAK TIDAK B C A A A D A A A


61 LAYAK LAYAK B C A A A A B A A

62 LAYAK TIDAK B C A A A A C A A

63 TIDAK TIDAK B C A A A A D A A


65 LAYAK LAYAK B C A A A A A B A

66 LAYAK LAYAK B C A A A A A C A

67 LAYAK TIDAK B C A A A A A D A


69 LAYAK LAYAK B C A A A A A A B

70 LAYAK LAYAK B C A A A A A A C

71 TIDAK TIDAK B C A A A A A A D

72 LAYAK LAYAK B D A A A A A A A

82

73 LAYAK LAYAK B D B A A A A A A

74 LAYAK TIDAK B D C A A A A A A

75 TIDAK TIDAK B D D A A A A A A


77 LAYAK LAYAK B D A B A A A A A

78 TIDAK TIDAK B D A C A A A A A

79 TIDAK TIDAK B D A D A A A A A


81 LAYAK LAYAK B D A A B A A A A

82 TIDAK TIDAK B D A A C A A A A

83 TIDAK TIDAK B D A A D A A A A


85 LAYAK LAYAK B D A A A B A A A

86 TIDAK TIDAK B D A A A C A A A

87 TIDAK TIDAK B D A A A D A A A


89 LAYAK LAYAK B D A A A A B A A

90 LAYAK TIDAK B D A A A A C A A

91 TIDAK TIDAK B D A A A A D A A


93 LAYAK LAYAK B D A A A A A B A

94 LAYAK LAYAK B D A A A A A C A

95 LAYAK TIDAK B D A A A A A D A


97 LAYAK LAYAK B D A A A A A A B

98 LAYAK LAYAK B D A A A A A A C

99 TIDAK TIDAK B D A A A A A A D

100 LAYAK LAYAK B A B A A A A A A

101 LAYAK LAYAK B A B B A A A A A

102 LAYAK LAYAK B A B C A A A A A

103 LAYAK LAYAK B A B D A A A A A


105 LAYAK LAYAK B A B A B A A A A

106 LAYAK LAYAK B A B A C A A A A

107 LAYAK LAYAK B A B A D A A A A


109 LAYAK LAYAK B A B A A B A A A

110 LAYAK LAYAK B A B A A C A A A

111 LAYAK LAYAK B A B A A D A A A


113 LAYAK LAYAK B A B A A A B A A

83

114 LAYAK LAYAK B A B A A A C A A

115 LAYAK LAYAK B A B A A A D A A


117 LAYAK LAYAK B A B A A A A B A

118 LAYAK LAYAK B A B A A A A C A

119 LAYAK LAYAK B A B A A A A D A


121 LAYAK LAYAK B A B A A A A A B

122 LAYAK LAYAK B A B A A A A A C

123 LAYAK LAYAK B A B A A A A A D


125 LAYAK LAYAK B B C B A A A A A

126 TIDAK TIDAK B B C C A A A A A

127 TIDAK TIDAK B B C D A A A A A


129 LAYAK LAYAK B B C A B A A A A

130 TIDAK TIDAK B B C A C A A A A

131 TIDAK TIDAK B B C A D A A A A


133 LAYAK LAYAK B B C A A B A A A

134 TIDAK TIDAK B B C A A C A A A

135 TIDAK TIDAK B B C A A D A A A


137 LAYAK LAYAK B B C A A A B A A

138 LAYAK TIDAK B B C A A A C A A

139 TIDAK TIDAK B B C A A A D A A


141 LAYAK LAYAK B B C A A A A B A

142 LAYAK LAYAK B B C A A A A C A

143 LAYAK TIDAK B B C A A A A D A


145 LAYAK LAYAK B B C A A A A A B

146 LAYAK LAYAK B B C A A A A A C

147 LAYAK TIDAK B B C A A A A A D






153 LAYAK TIDAK B C D B A A A A A

154 TIDAK TIDAK B C D C A A A A A

84

155 TIDAK TIDAK B C D D A A A A A


157 LAYAK TIDAK B C D A B A A A A

158 TIDAK TIDAK B C D A C A A A A

159 TIDAK TIDAK B C D A D A A A A


161 TIDAK TIDAK B C D A A B A A A

162 TIDAK TIDAK B C D A A C A A A

163 TIDAK TIDAK B C D A A D A A A


165 TIDAK TIDAK B C D A A A B A A

166 TIDAK TIDAK B C D A A A C A A

167 TIDAK TIDAK B C D A A A D A A


169 TIDAK TIDAK B C D A A A A B A

170 TIDAK TIDAK B C D A A A A C A

171 TIDAK TIDAK B C D A A A A D A


173 TIDAK TIDAK B C D A A A A A B

174 TIDAK TIDAK B C D A A A A A C

175 TIDAK TIDAK B C D A A A A A D


177 LAYAK LAYAK B D A B A A A A A

178 TIDAK TIDAK B D A C A A A A A

179 TIDAK TIDAK B D A D A A A A A


181 LAYAK LAYAK B D A A B A A A A

182 TIDAK TIDAK B D A A C A A A A

183 TIDAK TIDAK B D A A D A A A A


185 LAYAK LAYAK B D A A A B A A A

186 TIDAK TIDAK B D A A A C A A A

187 TIDAK TIDAK B D A A A D A A A


189 LAYAK LAYAK B D A A A A B A A

190 LAYAK TIDAK B D A A A A C A A

191 TIDAK TIDAK B D A A A A D A A


193 LAYAK LAYAK B D A A A A A B A

194 LAYAK LAYAK B D A A A A A C A

195 LAYAK TIDAK B D A A A A A D A

85


197 LAYAK LAYAK B D A A A A A A B

198 LAYAK LAYAK B D A A A A A A C

199 TIDAK TIDAK B D A A A A A A D


201 LAYAK LAYAK B A B B B A A A A

202 LAYAK LAYAK D A B B C A A A A

203 LAYAK LAYAK B A B B D A A A A


205 LAYAK LAYAK B A B B A B A A A

206 LAYAK LAYAK B A B B A C A A A

207 LAYAK LAYAK B A B B A D A A A


209 LAYAK LAYAK B A B B A A B A A

210 TIDAK TIDAK C A A C C A D A A

ii - universitas pelita bangsa

Documents