ii - universitas pelita bangsa
TRANSCRIPT
i
ii
iii
iv
KATA PENGANTAR
Puji syukur penulis panjatkan ke hadiran Allah SWT. yang telah
melimpahkan segala rahmat dan hidayah-Nya, sehingga tersusunlah Skripsi yang
berjudul “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”
terdapat 8 Layak dan 67 Tidak.
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”
terdapat 4 Layak dan 30 Tidak.
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
Rst.Open "select count(*) as Hsl from tbl_training where
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 **********************
Rst.Open "select count(*) as Hsl from tbl_training where
Pencapaian_tujuan = '" & Cboptujuan.Text & "' and HASIL ='LAYAK'", Conn,
adOpenKeyset
Ptujuan_Layak = Rst!hsl ' 'menampung nilai ke variabel
Rst.Close
60
Rst.Open "select count(*) as Hsl from tbl_training where
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
DataGrid1.Columns(1).Width = 1000
DataGrid1.Columns(2).Width = 1000
DataGrid1.Columns(3).Width = 1000
DataGrid1.Columns(4).Width = 1000
DataGrid1.Columns(5).Width = 1000
68
DataGrid1.Columns(6).Width = 1000
DataGrid1.Columns(7).Width = 1000
DataGrid1.Columns(8).Width = 1000
DataGrid1.Columns(9).Width = 1000
DataGrid1.Columns(10).Width = 1000
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 A A A A A LAYAK
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 A A A A LAYAK
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 A A A LAYAK
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 A A LAYAK
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 A LAYAK
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 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 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 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 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 LAYAK
A A B D A A A A A LAYAK
A A B D A A A A A TIDAK
A A B D A A A A A LAYAK
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 D A A A A A LAYAK
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 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 A LAYAK
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 A A A A A A LAYAK
A B C A A A A A A LAYAK
A B C A A A A A A LAYAK
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 A A A A A LAYAK
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 A A A A LAYAK
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 A A A LAYAK
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 A A LAYAK
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 A LAYAK
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 A A A A A A TIDAK
A C D A A A A A A TIDAK
A C D A A A A A A TIDAK
A C D A A A A A A TIDAK
A C D A A A A A A 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 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 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 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 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 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
A D A A A A A A A TIDAK
74
A D A A A A A A A TIDAK
A D A A A A A A A TIDAK
A D A A A A A A A TIDAK
A D A A A A A A A TIDAK
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 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 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 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 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 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 C A A A A LAYAK
A A B B D A A A A TIDAK
A A B B C A A A A LAYAK
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 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 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 A LAYAK
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 A A A A A 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 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 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 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 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 A A A A A 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 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 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 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 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 A A A LAYAK
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 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 A LAYAK
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 A A A A 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 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 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 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 A A A A 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 A A A TIDAK
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 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 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 A A A LAYAK
A A B B B B A A A LAYAK
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 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 A LAYAK
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 A A A 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 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 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 A A A 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 A A TIDAK
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 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 A A LAYAK
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 A LAYAK
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 A A 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 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 A A 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 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 A A A A A A A LAYAK
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 A A A A A A LAYAK
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 A A A A A LAYAK
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 A A A A LAYAK
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
8 LAYAK LAYAK B A A A A A A 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
12 LAYAK LAYAK B A A A A A A A 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
20 LAYAK LAYAK B B A 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
24 LAYAK LAYAK B B A A 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
28 LAYAK LAYAK B B A A A 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
32 LAYAK LAYAK B B A A A A A A A
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
36 LAYAK LAYAK B B A A A A A 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
40 LAYAK LAYAK B B A A A A A A 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
48 LAYAK LAYAK B C A 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
52 LAYAK LAYAK B C A A 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
56 LAYAK LAYAK B C A A A 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
60 LAYAK LAYAK B C A A A A 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
64 LAYAK LAYAK B C A A A A A 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
68 LAYAK LAYAK B C A A A A A A 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
76 LAYAK LAYAK B D A 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
80 LAYAK LAYAK B D A A 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
84 LAYAK LAYAK B D A A A 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
88 LAYAK LAYAK B D A A A A 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
92 LAYAK LAYAK B D A A A A A 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
96 LAYAK LAYAK B D A A A A A A 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
104 LAYAK LAYAK B A B A 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
108 LAYAK LAYAK B A B A A 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
112 LAYAK LAYAK B A B A A A 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
116 LAYAK LAYAK B A B A A A A 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
120 LAYAK LAYAK B A B A A A A A 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
124 LAYAK LAYAK B B C A A A A A A
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
128 LAYAK LAYAK B B C A 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
132 LAYAK LAYAK B B C A A 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
136 LAYAK LAYAK B B C A A A 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
140 LAYAK LAYAK B B C A A A A 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
144 LAYAK LAYAK B B C A A A A A 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
148 TIDAK TIDAK B C D A A A A A A
149 TIDAK TIDAK B C D A A A A A A
150 TIDAK TIDAK B C D A A A A A A
151 TIDAK TIDAK B C D A A A A A A
152 TIDAK TIDAK B C D A A A A A A
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
156 TIDAK TIDAK B C D A 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
160 TIDAK TIDAK B C D A A 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
164 TIDAK TIDAK B C D A A A 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
168 TIDAK TIDAK B C D A A A A 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
172 TIDAK TIDAK B C D A A A A A 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
176 LAYAK LAYAK B D A A A A A A A
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
180 LAYAK LAYAK B D A A 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
184 LAYAK LAYAK B D A A A 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
188 LAYAK LAYAK B D A A A A 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
192 LAYAK LAYAK B D A A A A A 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
196 LAYAK LAYAK B D A A A A A A A
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
200 LAYAK LAYAK B A B B A A A A A
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
204 LAYAK LAYAK B A B B A 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
208 LAYAK LAYAK B A B B A A 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