sistem pendukung keputusan dengan metode
TRANSCRIPT
i
SISTEM PENDUKUNG KEPUTUSAN DENGAN METODE
NAÏVE BAYES UNTUK MEMPREDIKSI RESIGN
KARYAWAN BARU
(STUDY KASUS : PT TOYO SEAL INDONESIA)
SKRIPSI
Diajukan untuk memenuhi Tugas dan melengkapi syarat ujian untuk mencapai
Gelar Sarjana Komputer (S.Kom)
Disusun Oleh :
Ahmad Muttohir
NIM : 311410570
PROGRAM STUDI TEKNIK INFORMATIKA
SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA
BEKASI
2018
ii
LEMBAR PERSETUJUAN SIDANG
Telah diperiksa dan disetujui oleh pembimbing skripsi
Untuk disidangkan dengan judul :
SISTEM PENDUKUNG KEPUTUSAN DENGAN MOTODE NAÏVE BAYES
UNTUK MEMPREDIKSI
RESIGN KARYAWAN BARU
(Study Kasus PT TOYO SEAL INDONESIA)
Yang disusun oleh
Ahmad Muttohir
311410570
Telah disetujui oleh Dosen Pembimbing Skripsi
Pada tanggal, ...............................
Dosen Pembimbing 1 Dosen Pembimbing 2
Nurhadi Surojudin, S.Kom, M.Kom. Ikhsan Romli, S.Si, M.Sc.
NIDN: 0402118105 NIDN: 0413058603
Mengetahui,
Ketua Program Studi Teknik Informatika
STT Pelita Bangsa
Aswan S. Sunge, S.E, M.Kom
NIDN : 0426018003
iii
iv
ABSTRAK
Karyawan merupakan sumber daya terpenting dalam sebuah instansi atau
perusahaan, tanpa aspek karyawan sulit kiranya instansi atau perusahaan untuk
mengemban atau mencapai visi dan misi suatu instansi atau perusahaan tersebut,
Ketidak disiplinan atau ketidak seriusan karyawan dalam sebuah perusahaan
tentunya akan membawa dampak negatif dalam kelancaran perusahaan dalam
mencapai target dan tujuan perusahaan, banyaknya karyawan yang kabur ataupun
tidak menyelesaikan kontraknya merupakan masalah yang sering terjadi disebuah
perusahan, baik perusahaan besar maupun perusahaan kecil, dari banyaknya
masalah karyawan yang resign, untuk itu salah satu cara untuk mengurangi
karyawan yang resign dapat dilakukan suatu prediksi resign karyawan dengan
menggunakan ukuran yang dapat di analisa dan digunakan untuk proses prediksi
yaitu : Jenis Kelamin,Asal Pekerja,Tempat Kerja, dan Background pekerjaan dari
pekerja, kedalam sebuah Sistem Pendukung Keputusan dengan menggunakan
Naïve Bayes.
Pengunaan sistem pendukung keputusan ini diharapkan dapat mengurangi
jumlah karyawan yang resign karena nantinya akan diketaui kategori ataupun
masalah penyebab karyawan resign, selain itu dengan adanya sistem prediksi
resign karyawan dengan metode naive bayes ini juga bisa digunakan untuk proses
perekrutan dan perpanjangan karyawan.
Sistem ini menggunakan data trainning sejumlah 200 data yang diambil dari
data semua divisi Di PT Toyo Seal Indonesia melalui proses wawancara langsung
ke trainner dan admin dari setiap divisi, dan juga sistem ini menggunakan data
testing berjumlah 80 yang diambil dari data karyawan yang masih bekerja di PT
Toyo Seal Indonesia yang nantinya akan di proses dan dilihat hasil prediksi
resign melalui sistem.
Kata kunci : Karyawan, Naïve Bayes, Sistem Pendukung Keputusan.
v
ABSTRACT
Employee is the most important resource in agency or the company.
Without employee the agency or company will be difficult to achieve the main
puspose of it. Indicipline of the employee will give the bad impact to the
continuity of the company, some of employee fled and deside to go before their
contract end. This case is the most commont case which occurs in many company.
To overhead this problem, the managemnet in the company must annalyze about
the factor which cause this case heppened to avoid this case is back. One of the
way when do the recruitment process, the management is nesd to be abble to
predict, it is the candidat of the employee will be good employee or not, the
management can predict it by knowing the background of the candidate of
employee as their gender and the company before to do it easier, it will be halped
by “Decision Support System” , this sytem use the “Naive Bayes” method.
This system will analyze about the background of the employee. So it is
will be help the company to reduce the number of the employee who fled or not
finish their contract.
In this system the writter use 200 the trainning data which is taken from all
division in PT Toyo Seal Indonesia through interview process to the trainer in
each division, and this system also use 80 testing data which is taken from the
employee who still work in PT Toyo Seal Indonesia.
Keywords: Employee, Naive Bayes, Decision Support System
vi
KATA PENGANTAR
Syukur Alhamdulillah senantiasa diucapkan ucapkan kepada Alloh SWT,
oleh karena anugerah-Nya dan hidayahnya sehingga akhirnya penulis dapat
menyelesaikan penulisan skripsi ini guna memenuhi salah satu persyaratan dalam
mencapai gelar sarjana Komputer pada Sekolah Tinggi Teknologi (STT) Pelita
Bangsa Cikarang.
Adapun judul dari penulisan skripsi ini adalah :
“SISTEM PENDUKUNG KEPUTUSAN DENGAN METODE NAIVE
BAYES UNTUK MEMPREDIKSI RESIGN KARYAWAN BARU (Study
Kasus PT TOYO SEAL INDONESIA)”.
Penulis menyadari sepenuhnya bahwa skripsi ini masih jauh dari
kesempurnaan karena menyadari segala keterbatasan yang ada. Untuk itu demi
sempurnaanya skripsi ini, penulis sangat membutuhkan dukungan dan
sumbangsih pikiran yang berupa kritik dan saran yang bersifat membangun.
Selama melaksanakan penulisan Skripsi ini dan dalam menyelesaikan
laporan ini, penulis telah banyak menerima bimbingan, pengarahan, petunjuk dan
saran, serta fasilitas yang membantu hingga akhir penulisan ini. Untuk itu Penulis
mengucapkan terima kasih yang sebesar-besarnya kepada :
1. Bapak Dr. Ir.Supriyanto M.P, Selaku Ketua STT Pelita Bangsa.
2. Aswan S. Sunge, S.E, M.Kom, selaku Kaprodi Teknik Informatika STT
Pelita Bangsa.
vii
3. Bapak Nurhadi surojudin S.Kom, M.Kom selaku Dosen Pembimbing I yang
telah memberikan bimbingan kepada penulis dan arahannya dalam
penyempurnaan penyusunan skripsi.
4. Bapak Ikhsan Romli, S.Si,M.Sc selaku Dosen pembimbing II yang telah
memberikan bimbingan dan arahannya kepada penulis.
5. Bapak Agung Nugroho, S.Kom, M.Kom selaku Dosen Pembimbing
Akademik dalam pembuatan laporan Skripsi.
6. Semua Dosen dan Staf STT Pelita Bangsa.
7. Bapak Roby Ilman Arief selaku Manager HRD PT TOYO SEAL
INDONESIA
8. Bapak Haikal Selaku Staff IT di PT TOYO SEAL INDOENSIA.
9. Kepada Orang Tua tercinta dan keluarga besar saya yang selalu mendoakan
dan membimbing demi keberhasilan anaknya, dan telah memberikan
dukungan baik moril maupun material yang tidak terhitung jumlahnya.
10. Untuk atasan Staff di perusahaan dan teman-teman kerja yang telah
memberikan sumbang sih pemikiran dan motivasi.
11. Team Group Belajar, Hana Kristian Eka Putra, Burhanudin, Ginanjar
Prasetyo, Andri Kurniawan, Miftakulhulum dan kawan-kawan yang tidak
bisa disebutkan semuanya.
12. Untuk semua teman - teman kelas TI.14.B.3 yang telah membantu saya
dalam menyusun laporan skripsi ini serta semua pihak yang telah
memberikan dukungannya yang tidak dapat di sebutkan satu persatu
sehingga laporan skripsi ini dapat diselesaikan.
viii
Akhirnya Penulis berharap semoga Skripsi ini bermanfaat bagi semua
pihak yang membantu, meskipun dalam laporan ini masih banyak
kekurangannya. Oleh karena itu, kritik dan saran yang membangun tetap
penulis harapkan.
Bekasi, 25 Oktober 2018
Penulis
ix
DAFTAR ISI
HALAMAN JUDUL
LEMBAR PERSETUJUAN SIDANG ................................................................... ii
LEMBAR PENGESAHAN PENGUJI SIDANG SKRIPSI ................................. iii
PENYATAAN KEASLIAN PENELITIAN ........................................................... iv
MOTTO .................................................................................................................... v
PERSEMBAHAN ..................................................................................................... vi
ABSTRAK ................................................................................................................ vii
ABSTRACT .............................................................................................................. viii
KATA PENGANTAR .............................................................................................. xi
DAFTAR ISI ............................................................................................................. xii
DAFTAR TABEL .................................................................................................... xvi
DAFTAR GAMBAR ........................................................................................... xvii
BAB I PENDAHULUAN ......................................................................................... 1
1.1 Latar Belakang ........................................................................................ 1
1.2 Identifikasi Masalah ................................................................................ 3
1.3 Rumusan Masalah ................................................................................... 4
1.4 Batasan Masalah ...................................................................................... 4
1.5 Tujuan dan Manfaat ................................................................................ 4
1.5.1 Tujuan ......................................................................................... 4
1.5.2 Manfaat ....................................................................................... 5
1.6 Metodologi Penelitian ............................................................................. 6
1.7 Sistematika Penulisan .............................................................................. 7
x
BAB II TINJAUAN PUSTAKA .............................................................................. 7
2.1 SPK (Sistem Pendukung Keputusan) ...................................................... 10
2.2.1 Kateristik SPK ............................................................................... 13
2.2.2 Manfaat SPK .................................................................................. 13
2.2.3 Karakteristik SPK .......................................................................... 13
2.2 Sistem ...................................................................................................... 15
2.3 DBMS (Database Management System) ................................................ 17
2.4 RapidMiner ............................................................................................. 18
2.5 Bahasa Pemrograman C# ........................................................................ 20
2.6 Data Mining ............................................................................................ 21
2.6.1 Pengertian Data Mining ............................................................... 21
2.6.2 Kateristik Data Mining ................................................................ 22
2.6.3 Proses Data Mining ..................................................................... 22
2.6.4 Kegunaan Data Mining ............................................................... 22
2.7 Algoritma Naïve Bayes ........................................................................... 24
2.7.1 Langkah-langkah Penyelesaian Naïve Bayes .............................. 27
2.7.2 Kelebihan Naïve Bayes ............................................................... 27
2.8 Pemodelan Sistem ................................................................................... 27
2.8.1 UML (Unifield Modeling Language) .......................................... 28
2.9 Pengertian SDLC (Software Deplopment Life Cycle) ............................. 35
2.10 Metode Waterfall .................................................................................... 36
2.11 Metode White Box Testing ...................................................................... 40
2.12 Penelitian Terdahulu .............................................................................. 42
BAB III METODOLOGI PENELITIAN .............................................................. 45
3.1 Tempat dan Waktu Penelitian ................................................................. 45
3.2.1 Tempat ........................................................................................... 45
3.2.2 Waktu ............................................................................................. 45
3.2 Tahapan Penelitian .................................................................................. 45
3.3 Metode Pengumpulan Data ..................................................................... 48
3.4 Sistem Bejalan ......................................................................................... 49
xi
3.5 Analisa Algoritma Naïve Bayes ............................................................. 49
3.5.1 Data Trainning Naïve Bayes ....................................................... 51
3.5.2 Data Testing Naïve Bayes ........................................................... 53
3.5.3 Perhitungan Naïve Bayes ............................................................ 55
3.6 Usulan Sistem .......................................................................................... 56
3.6.1 UML (Unified Modeling Language) ........................................... 57
3.7 Perancagan Database ............................................................................... 74
3.8 Perancagan User Interfrace ..................................................................... 77
BAB IV HASIL DAN PEMBAHASAN ................................................................. 80
4.1 Hasil Penelitian ....................................................................................... 80
4.1.1 Spesifikasi Perangkat Lunak (Software) ........................................ 80
4.1.2 Spesifikasi Perangkat Keras (Hardware) ...................................... 80
4.2 Implementasi Database ........................................................................... 81
4.3 Implementasi User Interfrace ................................................................. 85
4.4 Pembahasan ............................................................................................. 91
4.4.1 Analisis Penghitungan ................................................................... 91
4.4.2 Perhitungan Naïve Bayes .............................................................. 92
4.4.3 Pengujian Dengan Aplikasi Tools RapidMiner ............................ 94
4.4.4 Tingkat Akurasi yang didapat ....................................................... 98
4.4.5 White Box Testing ......................................................................... 98
BAB V PENUTUP .................................................................................................. 109
5.1 Kesimpulan ........................................................................................... 109
5.2 Saran ...................................................................................................... 110
DAFTAR PUSTAKA ............................................................................................. 110
LAMPIRAN ............................................................................................................ 112
DAFTAR RIWAYAT HIDUP .............................................................................. 117
xii
DAFTAR TABEL
Tabel 2.1 Simbol Use Case Diagram ............................................................. 29
Tabel 2.2 Simbol Aktivity Diagram ................................................................ 31
Tabel 2.3 Simbol Clas Diagram .................................................................... 33
Tabel 2.4 Simbol Sequence Diagram ............................................................. 35
Tabel 2.5 Metode Perancangan Water Fall ................................................... 37
Tabel 2.6 White Box Testing ......................................................................... 40
Tabel 3.1 Data Trainning ............................................................................... 49
Tabel 3.2 Data Testing ................................................................................... 51
Tabel 3.3 Peluang Setiap Kelas ...................................................................... 52
Tabel 3.4 Data Pengujian ............................................................................... 52
Tabel 3.5 Perhitungan Kelas .......................................................................... 53
Tabel 3.6 Skenario Use Case Login ............................................................... 58
Tabel 3.7 Skenario Use Case Master Karyawan ............................................ 58
Tabel 3.8 Skenario Use Case Prediksi Resign Karyawan .............................. 59
Tabel 3.9 Skenario Use Case Laporan Prediksi ............................................. 60
Tabel 3.10 Skenario Use Case LogOut ............................................................ 60
Tabel 3.11 Struktur Data Tabel User ............................................................... 73
Tabel 3.12 Struktur Data Karyawan ................................................................. 73
Tabel 3.13 Struktur Data Tabel Data Trainning ............................................... 74
Tabel 3.14 Struktur Data Tabel Hasil Prediksi ................................................ 74
Tabel 4.1 Peluang Setiap Kelas ..................................................................... 89
Tabel 4.2 Data Pengujian .............................................................................. 89
xiii
Tabel 4.3 Perhitungan Kelas .......................................................................... 90
Tabel 4.4 White Box Testing ......................................................................... 96
xiv
DAFTAR GAMBAR
Gambar 2.1 Komponen SPK (Sistem Pendukung Keputusan) ..................... 11
Gambar 2.2 Kateristik SPK (Sistem Pendukung Keputusan) ....................... 14
Gambar 2.3 Model Umum Sistem ................................................................ 16
Gambar 2.4 Tahapan KDD (Knowledge Discovery In Database) ................ 23
Gambar 2.5 Metode Perancangan Water Fall ............................................... 37
Gambar 2.6 White Box Testing ..................................................................... 40
Gambar 3.1 Tahapan Penelitian .................................................................... 44
Gambar 3.2 Flow Chart Metode Naive Bayes ............................................... 48
Gambar 3.3 Flow Map Diagram Usulan Sistem ........................................... 55
Gambar 3.4 Use Case Diagram Usulan Sistem ............................................ 57
Gambar 3.5 Activity Diagram Login ............................................................. 62
Gambar 3.6 Activity Diagram Master Karyawan .......................................... 63
Gambar 3.7 Activity Diagram Prediksi Resign Karyawan ........................... 65
Gambar 3.8 Aktivity Diagram Laporan Predisi Karyawan Resign ................ 66
Gambar 3.9 Aktivity Diagram LogOut ......................................................... 67
Gambar 3.10 Squence Diagram Login ........................................................... 68
Gambar 3.11 Squence Diagram Master Karyawan ......................................... 69
Gambar 3.12 Squence Diagram Prediksi Resign Karyawan ........................... 69
Gambar 3.13 Squence Diagram Laporan Prediksi Resign Karyawan ............. 70
Gambar 3.14 Squence Diagram LogOut ........................................................ 71
Gambar 3.15 Class Diagram Sistem Usulan................................................... 72
Gambar 3.16 Desain Form Login .................................................................... 75
xv
Gambar 3.17 Desain Form Utama ................................................................... 76
Gambar 3.18 Desain Form Karyawan ............................................................. 76
Gambar 3.19 Desain Form Predisi Resign Karyawan ..................................... 77
Gambar 3.20 Desain Form Laporan Prediksi .................................................. 77
Gambar 4.1 Login Database .......................................................................... 79
Gambar 4.2 Data Karyawan .......................................................................... 80
Gambar 4.3 Data Trainning ........................................................................... 81
Gambar 4.4 Data Hasil Prediksi Resign Karyawan ....................................... 82
Gambar 4.5 Form Login Aplikasi ................................................................. 83
Gambar 4.6 Form Menu Utama .................................................................... 84
Gambar 4.7 Form Data Karyawan ............................................................... 84
Gambar 4.8 Form Data Trainning ................................................................. 86
Gambar 4.9 Form Proses Prediksi ................................................................. 87
Gambar 4.10 Form Menu Laporan .................................................................. 87
Gambar 4.11 Laporan Hasil Prediksi .............................................................. 91
Gambar 4.12 Read Data Trainning (RapidMiner) .......................................... 92
Gambar 4.13 Select Attribute (RapidMiner) .................................................. 93
Gambar 4.14 Select Attribute dan Class (RapidMiner) ................................... 93
Gambar 4.15 Proses Naive Bayes (RapidMiner) ............................................. 94
Gambar 4.16 Apply Model (RapidMiner) ........................................................ 94
Gambar 4.17 Read Data Testing (RapidMiner) .............................................. 95
Gambar 4.18 Desain Lengkap (RapidMiner) .................................................. 96
Gambar 4.19 Data Testing (RapidMiner) ........................................................ 96
xvi
Gambar 4.20 Hasil Prediksi (RapidMiner) ..................................................... 96
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang Masalah
Karyawan merupakan aset yang sangat penting dalam sebuah
perusahaan. Untuk meningkatkan kualitas dan daya saing perusahaan
maka diperlukan sumber daya manusia yang tepat dan berkualitas.
Sumber daya manusia dituntut untuk dapat memberikan kontribusi yang
terbaik bagi proses bisnis perusahaan. Untuk itu perusahaan dalam
mengambil keryawan baru harus yang berkualitas dan mempunyai etos
kerja dan perilaku yang baik agar karyawan yang diambil tidak putus
ditengah jalan atau resign sebelum masa berakhir kontraknya.
Permasalahan yang sering ditemukan di lapangan yaitu
banyaknya karyawan baru yang sudah di rekrut, sudah dibei pelatihan
dan bisa bekerja sesuai prosedur tetapi dalam perjalananya malah putus
di tengah jalan, keluar tanpa alasan yang jelas, dan pastinya sangat
merugikan bagi perusahaan yang sudah mengeluarkan biaya banyak saat
perekrutan karyawan dan juga area yang ditinggalkan akan bermasalah
karena ada kekosongan karyawan di suatu proses tertentu dan ujungnya
produksi akan terganggu. Untuk itu dalam perekrutan karyawan baru
harus benar-benar mengambil karyawan yang memang mau bekerja
dengan baik dan mempunyai perilaku yang baik agar karyawan baru
2
mempunyai tanggung jawab bekerja, punya semangat bekerja dan tidak
putus di tengah jalan, bertujuan agar proses produksi tidak terganggu dan
bisa membantu perusahaan dalam mencapai tujuan bisni perusahaan
yaitu mendapatkan untung dan fisi misi perusahaan tercapai dengan baik.
Selain dari itu teknologi di era modern ini semakin berkembang
dan menjadikan manusia berfikir untuk lebih maju, Manusia
menginginkan segala sesuatu di kerjakan secara cepat, tepat waktu, dan
teliti. Terutama adalah pengolahan data yang dapat membantu dalam
sistem pengambilan keputusan, agar keputusan yang dikeluarkan sebuah
instansi lebih relevan. Dari pernyataan tersebut, maka data yang dulu di
olah secara manual, sudah tidak mungkin dilakukan karena memakan
waktu yang lama. Di PT Toyo Seal Indonesia dalam perekrutan
karyawan belum menggunakan analisis atau metode untuk menanggulagi
karyawan yang nantinya mungkin ada peluang untuk resign atau tidak
menyeleaikan masa kontraknya, sehingga banyak karyawan baru di
setiap masa perekrutan pasti ada saja yang baru bekerja beberapa bulan
atau bahkan baru hitungan minggu atau hari sudah resign atau kabur.
Dengan adanya masalah diatas maka PT Toyo seal Indonesia,
memerlukan sebuah sistem yang diharapkan dapat meningkatkan kinerja
agar lebih efektif dan efisien serta mudah dalam mengambil suatu
keputusan. Dalam skripsi ini akan dibangun sebuah sistem pengambilan
keputusan yang dapat membantu kinerja staff perekrutan atau manager
HR&GA di PT Toyo Seal Indonesia dalam hal perekrutan karyawan
3
baru, sistem pengambilan keputusan yang bersifat user friendly
diharapkan dapat membantu meringankan sebuah pekerjaan dan
mempermudah pengguna mengoperasikannya. Sistem pengambilan
keputusan yang akan dibuat menggunakan metode naïve bayes. Naive
Bayes merupakan salah satu algoritma yang terdapat pada teknik
klasifikasi, yaitu memprediksi peluang di masa depan berdasarkan
pengalaman dimasa sebelumnya sehingga dikenal sebagai Teorema
Bayes (Bustami, 2013). Pada setiap data baru akan dilakukan probabilitas
dengan setiap class yang ada, hasil akhirnya dilihat nilai yang paling
tinggi, sehingga algoritma ini dirasa cukup baik untuk menentukan
probabilitas dalam menentukan hasil dari penelitian ini.
1.2 Identifikasi Masalah
Dari permasalahan yang ada, penulis mengidentifikasikan beberapa
permasalahan, sebagai berikut;
a. Banyaknya karyawan yang mengakhiri kontrak secara sepihak dan
tidak menyelesaikan masa kontraknya sesuai PKWT (Perjanjian
Kontrak waktu tertentu)
b. Belum adanya metode yang digunakan untuk menentukan bagus
tidaknya calon karyawan yang akan diambil untuk menjadi
karyawan Di PT Toyo Seal Indonesia.
4
1.3 Rumusan Masalah
a. Bagaimana merancang dan membangun Aplikasi Sistem Penunjang
Keputusan untuk Prediksi resign karyawan baru?
b. Bagaimana penerapan metode Naive Bayes dalam memprediksikan
resign karyawan baru?
1.4 Batasan Penelitian
Batasan masalah permasalahan dari penelitian ini adalah sebagai berikut:
a. Data Training yang digunakan untuk prediksi resign karyawan
adalah Jenis kelamin Pekerja, Asal Pekerja, Tempat Kerja,
Background Pekerja,
b. Merancang Sistem Penunjang Keputusan untuk prediksi resign
karyawan baru dengan menggunakan Metode Naive Bayes
c. Output yang dihasilkan dari sistem ini adalah berupa keterangan
“Ya” untuk resign dan “Tidak” untuk tidak resign, yang nantinya
didapatkan dari hasil prediksi.
1.5 Tujuan dan Manfaat Penelitian
1.5.1 Tujuan Penelitian
1. Penerapan metode Naive Bayes dalam mendukung keputusan untuk
penerimaan karyawan baru
2. Penerapan metode Naive Bayes dalam mendukung keputusan untuk
perpanjang kontrak kerja karyawan baru
5
3. Merancang dan membangun sistem pendukung keputusan untuk
penentuan dalam perekrutan karyawan baru.
1.5.2 Manfaat Penelitian
Manfaat penelitian ini adalah :
a. Manfaat bagi Mahasiswa :
1. Menambah pengetahuan dan wawasan dalam menerapkan
Metode Naive Bayes untuk menentukan keputusan dalam
perekrutan karyawan baru.
2. Manambah pengetahuan dan wawasan dalam ilmu Sistem
Penunjang Keputusan
b. Manfaat bagi Perusahaan :
1. Pengambilan keputusan akan lebih cepat dan mudah dalam hal
menentukan karyawan baru (perekrutan karyawan).
2. Dengan adanya aplikasi ini, diharap dapat mengoptimalkan
sistem perekrutan karyawan baru
3. Dengan adanya aplikasi ini, diharap dapat mengoptimalkan
dalam perpanjangan kerja karyawan kontrak
4. Dengan adanya sistem ini nantinya perusahaan akan mengetahui
masalah-masalah yang ada di lapangan yang berkaitan dengan
banyaknya karyawan kontrak yang resign, ambil contoh semisal
gedungnya panas atau atasan di plant tersebut kurang bisa
bekerja sama, sehingga perusahaan bisa mengambil langkah
yang untuk penanganan masalah sersebut.
6
c. Manfaat Bagi STT Pelita Bangsa.
1. Dapat dijadikan bahan referensi untuk penyusunan projek tugas
akhir bagi mahasiswa setelahnya.
2. Menambah daftar pustaka akademik yang dapat digunakan oleh
pembaca sebagai bahan acuan pengembangan penelitian lebih
lanjut.
1.6 Sistematika Penulisan
Sistematika penulisan pada peneltian ini adalah sebagai berikut :
BAB I PENDAHULUAN
Berisi penjelasan tentang latar belakang masalah, rumusan
masalah, tujuan penelitian, manfaat penelitian dan kontribusi serta
sistematika penulisan.
BAB II TINJAUAN PUSTAKA /LANDASAN TEORI
Berisi penjelasan tentang landasan teori yang digunakan dalam
penelitian dan kerangka pemikiran. Diuraikan pula tentang tinjuan
pustaka yang merupakan penjelasan tentang hasil-hasil penelitian
lainnya yang berkaitan.dengan penelitian yang dilakukan. Landasan
teori merupakan suatu penjelasan tentang sumber acuan terbaru dari
pustaka primer seperti buku, artikel, jurnal, prosiding dan tulisan asli
lainnya untuk mengetahui perkembangan penelitian yang relevan
dengan judul atau tema penelitian yang dilakukan dan juga sebagai
arahan dalam memecahkan masalah yang diteliti. Dalam bab ini juga
diuraikan tentang kerangka pemikiran yang merupakan penjelasan
7
tentang kerangka berpikir untuk memecahkan masalah yang sedang
diteliti, termasuk menguraikan objek penelitian.
BAB III METODE PENELITIAN
Berisi penjelasan tentang analisa kebutuhan pada saat penelitian
ini dilakukan baik sebelum, pada proses ataupun pada saat
implementasi serta tool-tool apa saja yang digunakan. Pada tahap ini
juga dibahas mengenai perancangan penelitian dan teknik analisis
untuk menyelesaikan permasalahan metode pengumpulan data,
metode analisis data, pengembangan software, perancangan UML,
Interface, konstruksi sistem dan pengujian Sistem, pengoperasian dan
perawatan Sistem .
BAB IV HASIL DAN PEMBAHASAN
Pada bab IV ini menjelaskan tentang hasil dan pembahasan
penelitian serta implikasi dari penelitian yang dilakukan. Hasil
merupakan suatu penjelasan tentang data kuantitatif yang
dikumpulkan dari lapangan sesuai dengan metodologi yang telah
ditetapkan. Pembahasan merupakan suatu penjelasan tentang
pengolahan data dan interprestasinya, baik dalam bentuk diskriptif
ataupun penarikan inferensinya. Implikasi penelitian merupakan suatu
penjelasan tentang tindak lanjut penelitian yang terkait dengan aspek
manajerial, aspek sistem, maupun aspek penelitian lanjutan.
8
BAB V KESIMPULAN DAN SARAN
Pada bab V ini berisi ringkasan temuan, rangkuman kesimpulan
dan saran. Kesimpulan merupakan pernyataan secara general atau
spesifik yang berisi hal-hal penting dan menjadi temuan penelitian
yang bersumber pada hasil dan pembahasan yang merupakan jawaban
dari identifikasi permasalahan. Saran merupakan pernyataan atau
rekomendasi peneliti yang berisi hal-hal penting sebagaimana yang
telah disampaikan yaitu implikasi penelitian.
9
BAB II
LANDASAN TEORI
2.1. Sistem Pendukung Keputusan (SPK)
Sistem Pendukung Keputusan (SPK) atau Decision Support System
(DSS) adalah sebuah sistem yang mampu memberikan kemampuan
pemecahan masalah maupun kemampuan pengkomunikasian untuk
masalah dengan kondisi semi terstruktur dan tak terstruktur. Sistem ini
digunakan untuk membantu pengambilan keputusan dalam situasi semi
terstruktur dan situasi yang tidak terstruktur, dimana tak seorangpun tahu
secara pasti bagaimana keputusan seharusnya dibuat.(Handayani, 2017)
SPK bertujuan untuk menyediakan informasi, membimbing,
memberikan prediksi serta mengarahkan kepada pengguna informasi agar
dapat melakukan pengambilan keputusan dengan lebih baik.
SPK merupakan implementasi teori-teori pengambilan keputusan
yang telah diperkenalkan oleh ilmu-ilmu seperti operation research dan
menegement science, hanya bedanya adalah bahwa jika dahulu untuk
mencari penyelesaian masalah yang dihadapi harus dilakukan
perhitungan iterasi secara manual (biasanya untuk mencari nilai
minimum, maksimum, atau optimum), saat ini computer PC telah
10
menawarkan kemampuannya untuk menyelesaikan persoalan yang sama
dalam waktu relatif singkat.
Sprague dan Watson mendefinisikan Sistem Pendukung Keputusan
(SPK) sebagai sistem yang memiliki lima karakteristik utama yaitu.
(Irawan, Mazalisa, & Panjaitan, 2015) :
1. Sistem yang berbasis komputer.
2. Dipergunakan untuk membantu para pengambil keputusan
3. Untuk memecahkan masalah-masalah rumit yang mustahil
dilakukan dengan kalkulasi manual
4. Melalui cara simulasi yang interaktif
5. Dimana data dan model analisis sebaai komponen utama.
2.1.1 Komponen Sistem Pendukung Keputusan
Secara umum Sistem Pendukung Keputusan dibangun oleh tiga
komponen besar yaitu database Management, Model Base dan Software
System/User Interface. Komponen SPK tersebut dapat digambarkan
seperti gambar di bawah ini. (Handayani, 2017)
11
PENGELOLAAN MODEL
(MODEL BASE)
PENGELOLAAN DATA
(DATABASE MANAGEMENT)
USER
PENGELOLAAN DIALOG
(USER INTERFACE)
Gambar 2.1 Komponen SPK
Sumber : (Handayani, 2017).
a. Database Management
Merupakan subsistem data yang terorganisasi dalam suatu basis data.
Data yang merupakan suatu sistem pendukung keputusan dapat berasal dari
luar maupun dalam lingkungan. Untuk keperluan SPK, diperlukan data yang
relevan dengan permasalahan yang hendak dipecahkan melalui simulasi.
b. Model Base
Merupakan suatu model yang merepresentasikan permasalahan
kedalam format kuantitatif (model matematika sebagai contohnya) sebagai
dasar simulasi atau pengambilan keputusan, termasuk didalamnya tujuan
dari permaslahan (objektif), komponen-komponen terkait, batasan-batasan
yang ada (constraints), dan hal-hal terkait lainnya. Model Base
memungkinkan pengambil keputusan menganalisa secara utuh dengan
mengembangkan dan membandingkan solusi alternatif.
12
c. User Interfase / Pengelolaan Dialog
Terkadang disebut sebagai subsistem dialog, merupakan
penggabungan antara dua komponen sebelumnya yaitu Database
Management dan Model Base yang disatukan dalam komponen ketiga (user
interface), setelah sebelumnya dipresentasikan dalam bentuk model yang
dimengerti computer. User Interface menampilkan keluaran sistem bagi
pemakai dan menerima masukan dari pemakai kedalam Sistem Pendukung
Keputusan.
2.1.2 Manfaat Sistem Pendukung Keputusan
SPK dapat memberikan berbagai manfaat dan keuntungan. Manfaat
yang dapat diambil dari SPK adalah :
1. SPK memperluas kemampuan pengambil keputusan dalam
memproses data / informasi bagi pemakainya.
2. SPK membantu pengambil keputusan untuk memecahkan masalah
terutama barbagai masalah yang sangat kompleks dan tidak
terstruktur.
3. SPK dapat menghasilkan solusi dengan lebih cepat serta hasilnya
dapat diandalkan
2.1.3 Karakteristik SPK
Karakteristik Sistem Penunjang Keputusan (Irawan et al., 2015) :
a. Untuk menyelesaikan masalah semi terstruktur dan tidak
terstruktur.
b. Memberikan dukungan untuk para manajer dalam semua level.
13
c. Memberi dukungan bagi individu atau sekelompok.
d. Keputusan saling mempengaruhi atau dilakukan berurutan.
e. Memberi dukungan bagi semua tahap proses pengambilan
keputusan.
f. Member dukungan bagi berbagai bentuk pengambilan keputusan.
Gambar 2.2 Karakteristik SPK
Sumber : (Handayani, 2017).
Sistem pendukung keputusan dapatmemberikan dukungan dalam
membuatkeputusan dalam semua tingkatan levelmanajemen, baik
individual maupun grup,terutama dalam situasi semi terstruktur dantidak
terstruktur, membawa kepadakeputusan bersama dan informasi
yangobjektif. Tujuan dari pembuatan sistem pendukungkeputusan yaitu
(Handayani, 2017):
14
a. Membantu manajer membuat keputusanuntuk memecahkan
masalah yangsepenuhnya terstruktur dan tidakterstruktur.
b. Mendukung penilaian manajer bukanmencoba menggantikannya.
Sistempendukung keputusan tidak dimaksudkanuntuk
menggantikan manajer. Komputer dapat diterapkan dalam
menyelesaikan masalah yang terstruktur. Untuk masalah yang
tidak terstruktur, manajer bertanggung jawab menerapkan
penilaian, dan melakukan analisis.komputer dan manajer
berkerjasama sebagai tim pemecahan masalah dalam memecahkan
masalah yang berada di area semi terstruktur.
c. Meningkatkan efektivitas pengambilankeputusan manajerdari pada
efisiensinya.Tujuan utama sistem pendukungkeputusan bukanlah
proses pengambilankeputusan seefisien mungkin, tetapiseefektif
mungkin.
Menurut Little konsep SPK dapat berupa sebuah sistem
berbasis komputer yangmenghasilkan berbagai alternatif keputusan
untuk membantu manajemen dalammenangani berbagai
permasalahan yang terstruktur maupun tidak terstruktur
denganmenggunakan data dan model.(Irawan et al., 2015)
2.2 Sistem.
Menurut Yakub (2015:1) dalam bukunya yang berjudul
“Pengantar Sistem Informasi” mendefinisikan sistem adalah
“Sekelompok elemen-elemen yang terintegrasi dengan tujuan yang sama
15
untuk mencapai tujuan. Sistem juga merupakan suatu jaringan kerjan
dari prosedur-prosedur yang saling berhubungan, terkumpul, bersama-
sama, untuk melakukan suatu kegiatan atau tujuan tertentu”.
Menurut Tantra (2015:1) dalam bukunyan “Manajemen Proyek
Sistem Informasi” mengatakan bahwa “Sistem adalah entitas atau
satuan yang terdiri dari dua atau lebih komponen atau subsistem
(sistem yang lebih kecil) yang saling terhubung dan terkain untuk
mencapai suatu tujuan.”
Sutanta (2015:1-2), mengemukakan bahwa kata sistem dapat
didefinisikan sebagai sekumpulan hal atau kegiatan atau elemen atau
subsistem yang saling bekerja sama atau yang dihubungkan dengan
cara-cara tertentu sehingga membentuk satu kesatuan untuk
melaksanakan suatu fungsi guna mencapai suatu tujuan.
Model umum suatu sistem adalah terdiri atas masukan
(input), pengolahn
(process), dan keluaran (output), sebagaimana ditunjukkan oleh
Gambar 2.3 :
INPUT OUTPUTPROSES
Gambar 2.3 Model Umum Sistem
16
Dari beberapa definisi diatas pengertian sistem dapat disimpulkan
sistem adalah kumpulan dari item-item yang saling berhubungan dan
kerjasama demi tercapainya suatu tujuan
2.3 DBMS (Database Management System)
DBMS (database Management System) atau dalam bahasa
Indonesia sering disebut sebagai Sistem manajemen Basis Data
adalah suatu sistem aplikasi yang digunakan untuk menyimpan,
mengelola, dan menampilkan data (Yoon et al., 2017).
Database Management System (DBMS) adalah perangkat lunak
sistem khusus yang diprogram untuk mengetahui elemen data setiap
pengguna berwenang untuk mengakses. Suatu sistem aplikasi disebut
DBMS jika memenuhi persyaratan minimal sebagai berikut:
a. Menyediakan fasilitas untuk
mengelola akses data
b. Mampu menangani integrasi data
c. Mampu menangani akses data yang
dilakukan secara
d. Mampu menangani backup data.
Berikut ini adalah 4 macam DBMS versi komersial yang paling
banyak digunakan di dunia saat ini, yaitu:
a. Oracle.
17
b. Microsoft SQL Server.
c. IBM
DB2.
d. Microsoft Access.
Sedangkan DBMS versi Open Source yang cukup berkembang
dan paling banyak digunakan saat ini adalah sbagai berikut:
a. MySQL
b. PostgreSQL
c. FireBird
d. SQLite
Menurut (Yoon et al., 2017), Secara khusus, DMBS menyediakan
fasilitas sebagai berikut:
a. Memungkinkan pengguna untuk menentukan database, biasanya
melalui Data Definition Language (DDL). DDL memungkinkan
pengguna untuk menentukan tipe data dan struktur dan kendala
pada data yang akan disimpan dalam database.
b. Memungkinkan pengguna untuk melakukan operasi Insert, Update,
Delete, dan mengambil data dari database, biasanya melalui Data
Manipulation Language (DML).
2.4 RapidMiner
Adalah salah satu software untuk pengolahan data mining.
Pekerjaan yang dilakukan oleh RapidMiner text mining adalah berkisar
18
dengan analisis teks, mengekstrak pola-pola dari data set yang besar dan
mengkombinasikannya dengan metode statistika, kecerdasan buatan, dan
database. Tujuan dari analisis teks ini adalah untuk mendapatkan
informasi bermutu tertinggi dari teks yang diolah.(Mohd Foozy, Ahmad,
Faizal Abdollah, & Wen, 2017)
RapidMiner menyediakan prosedur data mining dan machine
learning, di dalamnya termasuk: ETL (extraction, transformation,
loading), data preprocessing, visualisasi, modelling dan evaluasi. Proses
data mining tersusun atas operator-operator yang nestable, dideskripsikan
dengan XML, dan dibuat dengan GUI. Penyajiannya dituliskan dalam
bahasa pemrograman Java.
Proses menganalisis kumpulan dokumen menggunakan
RapidMiner dilakukan menggunakan Operator Text Processing yang
terlebih dahulu di install dengan memilih menu Help dan kemudian
Update RapidMiner. Setelah itu, operator yang dibutuhkan tinggal dipilih
dari beberapa operator yang disajikan di dalam daftar, termasuk operator
Text Processing. Setelah diinstall, maka Operator Text Processing (48)
akan muncul di daftar Operator, begitu juga dengan Operator Feature
Selection Extension (31) yang juga diinstall dengan cara yang sama.
Tahap pertama untuk melakukan analisis terhadap kumpulan
dokumen adalah memasukkan dokumen tersebut ke dalam RapidMiner.
Dokumen yang akan dimasukkan ke dalam RapidMiner pada laporan ini
19
berupa 3 folder berbeda dengan nama folder ekonomi, politik, ti.
Sementara itu, isi masing-masing folder adalah 10 file text (.txt) yang
didalamnya berisi sekumpulan kata yang membentuk paragraf yang
berbeda-beda. Untuk memasukkan ketiga folder tersebut secara langsung
ke RapidMiner, Operator yang digunakan adalah di bagian Utility, dan
menggunakan operator Process Documents from Files di halaman Main
Process.
Selanjutnya, pada bagian text directories, dapat dilihat Edit List (0),
hal ini menandakan bahwa dokumen masih kosong. Dengan mengedit
List Dokumen tersebut, maka dokumen yang akan dianalisis akan masuk.
Hasil yang diperoleh setelah menjalankan Process Document from
Files adalah 30 record yang menunjukkan ada 30 file dokumen yang
diproses. Masing-masing record dapat diketahui kemunculannya pada
folder yang mana (Ekonomi, Politik, atau TI) dan berapa banyak
frekuensi kemunculannya pada kolom Total Occurences dan Document
Occurences.(Garcia-Magarino, Gray, Lacuesta, & Lloret, 2018)
2.5 Bahasa Pemprograman C#
Pengertian bahasa pemrograman c# menurut msdn.microsoft.com
(2013), C# (C sharp) sering dianggap sebagai bahasa penerus C++ atau
versi canggih dari C++, karena ada anggapan bahwa tanda # adalah
perpaduan dari 4 buah tanda tambah yang disusun sedemikian rupa
20
sehingga membentuk tanda pagar. C# adalah sebuah bahasa
pemrograman yang sangat menjanjikan.
C# adalah sebuah bahasa pemrograman yang berorientasi pada
objek yang dikembangkan oleh Microsoft dan menjadi salah satu bahasa
pemrograman yang mendukung. Net programming melalui Visual
Studio. Wahana Komputer (2015:7).
Menururt Erico Darmawan H. Risal (2014:9) di dalam bukunya
yang berjudul “Pemrograman Berorientasi Objek C#”. C# (C sharp)
adalah sebuah bahasa pemrograman berbasis objek yang didukung oleh
Microsoft.NET Framework. NET Framework adalah perantara agar
aplikasi dengan bahasa pemrograman yang didukung dapat
berkomunikasi dengan sistem operasi yang digunakan oleh komputer.
2.6 Data Mining
2.6.1 Pengertian Data Mining
Data Mining adalah serangkaian proses untuk menggali nilai
tambah berupa informasi yang selama ini tidak diketahui secara manual
dari suatu basis data. Informasi yang di hasilkan diperoleh dengan cara
mengektrasi dan mengenali pola yang penting atau menarik dari data
yang terdapat pada basis data. Data mining terutama digunakan untuk
mencari pengetahuan yang terdapat basis data yang besar sehingga sering
disebut Knowledge Discovery Database (KDD). (Vulandari, 2017).
21
Data mining (penambangan data) adalah suatu proses untuk
menemukan suatu pengetahuan atau informasi yang berguna dari data
berskala besar. Sering juga disebut sebagai bagian proses KDD
(Knowledge Discovery in Databases). (Vulandari, 2017).
Proses menemukan korelasi-korelasi penuh arti, pola-pola dan
trend dengan penyaringan melalui sejumlah data yang besar pada tempat
penyimpanan, dan menggunakan teknologi pengenalan pola seperti yang
terdapat pada teknik-teknik di statistika dan matematika (Larose, 2005).
2.6.2 Karakteristik Data Mining
Karakteristik data mining sebagai berikut (Prasetyo, 2015) :
a. Data mining berhubungan dengan penemuan sesuatu yang
tersembunyi dan pola data tertentu yang tidak diketahui
sebelumnya.
b. Data mining biasa menggunakan data yang sangat besar. Biasanya
data yang besar digunakan untuk membuat hasil lebih percaya.
c. Data mining berguna untuk membuat keputusan yang kritis,
terutama dalam strategi.
2.6.3 Proses Data Mining
KDD berhubungan dengan tehnik integrasi dari penentuan ilmiah,
intepretasi dan visualisi dari pola-pola sejumlah data. Serangkain proses
tersebut memiliki tahap sebagai berikut (Retno Tri Vulandari, 2017).
22
1. Pembersihan data (untuk membuang data yang tidak konsisten dan
noise).
2. Integrasi data (pengabungan data dari beberapa sumber).
3. Tranformasi data (data diubah menjadi bentuk yang sesuai untuk di
mining)
4. Aplikasi tehnik Data Mining, proses ektrasi pola dari data yang
ada.
5. Evaluasi pola yang ditentukan (proses integrasi pola menjadi
pengetahuan yang dapat digunakan untuk mendukung pengambilan
keputusan.
6. Presentasi pengetahuan (degan tehnik visualisasi).
Langkah terahir KDD adalah mempresentasikan pengetahuan
dalam bentuk yang mudah dipahami pengguna. Berikut adalah gambar
proses atau tahapan KDD.
Gambar 2.4 Tahapan Knowledge Discovery in Database (KDD)
23
Sumber : Buku Data Mining, Judul Teori dan Aplikasi Rapidminer
(Vulandari) 2017).
2.6.4 Kegunaan Data Mining
Kegunaan Data Mining dapat dibagi menjadi dua :
Deskriptif dan prediktif, Deskriktif berarti data mining digunakan
untuk mecari pola-pola yang dapat dipahami manusia yang menjelskan
kateristik data. Sedangkan prediktif berarti datamining digunakan untuk
membentuk sebuah model pengetahuan yang akan digunakan untuk
melakukan prediksi.
2.7 Algoritma Naïve Bayes
Algoritma Naive Bayes merupakan salah satu algoritma yang
terdapat pada teknik klasifikasi yang menggunakan metode probalitas
sederhana berdasarkan teorema bayes dengan asumsi ketidak
tergantungan (Independent) yang tinggi. Beberapa studi mengenai
algoritma klasifikasi menunukan bahwa algoritma klasifikasi
menunjukan bahwa Naïve Bayes memiliki performa yang sebanding
dengan decision tree dan neural network classifier tertentu. Selain itu,
metode ini juga menunjukan akurasi dan kecepatan yang tinggi ketika
digunakan dalam basis data yang berukuran besar (Han, et all, 2015).
Naive Bayes merupakan pengklasifikasian dengan metode
probabilitas dan statistik yang dikemukan oleh ilmuwan Inggris Thomas
24
Bayes, yaitu memprediksi peluang di masa depan berdasarkan
pengalaman dimasa sebelumnya sehingga dikenal sebagai Teorema
Bayes. Teorema tersebut dikombinasikan dengan Naive dimana
diasumsikan kondisi antar atribut saling bebas. Klasifikasi Naive Bayes
diasumsikan bahwa ada atau tidak ciri tertentu dari sebuah kelas tidak
ada hubungannya dengan ciri dari kelas lainnya (Bustami, 2015).
Teorema bayes diformulasikan sebagai berikut (Han, et, al, 2015):
( | ) ( )
( ) (2.1)
Dimana :
X : Data dengan class yang belum diketahui atau Evidence.
Digambarkan dengan ukuran yang dibuat dari sejumlah n
atribut
H : Hipotesis data tuple X yang termasuk didalam class
tertentu.
P(H|X) : Probabilitas hipotesis H berdasar kondisi X (Posetrior
Probability).
P(X|H) : Probabilitas hipotesis X berdasarakan kondisi hipotesis H.
P(H) : Probalitas hipotesis H(Prior Probality).
P(X) : Probabilitas dari X
Untuk menjelaskan teorema Naïve Bayes, perlu diketahui bahwa
proses dari klasifikasi membutuhkan sejumplah petunjuk untuk
menetukan kelas yang sesuai dengan sampel yang dianalisis, sehinga
teorema basyes diatas disesuikan dengan :
25
( | ) ( | )P( )
( ) (2.2)
Disini X mempresentasikan vector masukan yang berisi fitur,
sedangkan mempresentasikan kelas label, dengan asumsi bahwa nilai
variable dalam kelas saling independen yang kuat (naïve) satu dengan
yang lainya maka :
( | ) ∏ ( | ) (2.3)
( | ) ( | ) ( | )
Dikarenakan nilai P(X) dalam setiap kelas bernilai konstan, maka
model persamaan Naïve Bayes untuk klasifikasi dapat disederhanakan
menjadi :
( | ) ∏ ( | ) ( ) (2.4)
Laplation Correction digunakan agar kemungkinan probalitas yang
dimaksud tidak ada yang bernilai 0. Rumus Laplacion correction dalam
kasus ini adalah sebgai berikut :
( | )
(2.5)
Dimana merupakan jumlah kejadian yang muncul didalam
kolom k dari baris i pada data training, adalah jumlah kemunculan
kejadian pada data training dari kelas , sedangkan adalah jumlah
kejadian yang muncul pada kolom k yang terdapat dalam data training,
dan p merupakan Arbitrary Probality, disini nilai p =1.
26
2.7.1 Langkah Penyelesaian Naïve Bayes
Adapun alur dari metode Naive Bayes adalah sebagai berikut :
1. Mulai.
2. Baca data training.
a. Hitung P(Ci) untuk setiap class
b. Hitung P(X|Ci) untuk setiap kriteria dan setiap kelas
c. Cari P(X|Ci) yang paling besar untuk menjadi kesimpulan
3. Tampilkan hasil prediksi.
4. Selesai.
2.7.2 Kelebihan Naïve Bayes
Teori Bayesian mempunyai beberapa kelebihan, yaitu:
1. Mudah untuk dipahami.
2. Hanya memerlukan pengkodean yang sederhana.
3. Lebih cepat dalam penghitungan.
4. Cepat dan efesiensi ruang.
2.8 Pemodelan Sistem
Pemodelan adalah gambaran dari realita yang simple dan
dituangkan dalam bentuk pemetaan dengan aturan tertentu. Pada
kesempatan kali ini penulis menggunakan pemodelan degan UML
(Unified Modelling Language).
27
2.8.1 UML (Unifield Modeling Language).
(Language, 2017) “Unified Modeling Language (UML) adalah
bahasa yang telah telah menjadi standard untuk visualisasi, menetapkan,
membangun dan mendokumentasikan artifak suatu sistem perangkat
lunak”.
(Dunning, Huchette, & Lubin, 2015), UML (Unified Modeling
Language) adalah „bahasa‟ pemodelan untuk sistem atau perangkat lunak
yang berparadigma „berorientasi objek”. Pemodelan (modeling)
sesungguhnya digunakan untuk penyederhanaan permasalahan-
permasalahan yang kompleks sedemikian rupa sehingga lebih mudah
dipelajari dan dipahami.
Rosa A.S, dan M. Shalahuddin (2015:137). “Rekayasa Perangkat
Lunak”. UML adalah merupakan bahasa visual untuk pemodelan dan
komunikasi mengenai sebuah sistem dengan mengguankan diagram dan
teks-teks pendukung. UML hanya berfungsi untuk melakukan
pemodelan. Jadi penggunaan UML tidak terbatas pada metodologi
tertentu, meskipun pada kenyataanya UML paling banyak digunakan
pada metodologi berorientasi objek.
UML memiliki beberapa diagram grafis diantaranya:
1. Use Case Diagram
Use Case Diagram merupakan pemodelan untuk kelakuan
(behavior) sistem informasi yang akan dibuat. Use Case
28
mendeskripsikan sebuah interaksi antara satu atau lebih aktor
dengan sistem informasi yang akan dibuat. Secara kasar, Use Case
digunakan untuk mengetahui fungsi apa saja yang ada di dalam
sebuah sistem informasi dan siapa saja yang berhak menggunakan
fungsi-fungsi itu.
Syarat penamaan pada Use Case adalah nama didefinisikan
sesimple mungkin dan dapat dipahami. Ada dua hal utama pada use
case yaitu pendefinisian apa yang disebut aktor dan Use Case.
Berikut adalah simbol-simbol yang ada pada Diagram Use Case:
Tabel 2.1 Simbol Use Case Diagram
Simbol Deskripsi
Orang, proses, atau sistem lain yang berinteraksi dengan
sistem informasi yang akan dibuat di luar sistem
informasi yang akan dibuat itu sendiri
Fungsionalitas yang disediakan sistem sebagai unit-unit
yang saling bertukar pesan antar unit atau actor
Komunikasi antara aktor dan use case yang
berpartisipasi pada Use Case atau Use Case memiliki
interaksi dengan actor
Relasi use case tambahan ke sebuah Use Case dimana
Use Case yang ditambahkan dapat berdiri sendiri
walaupu tanpa Use Case itu sendiri
Generalisasi
Hubungan generalisasi dan spesialisasi antara dua buah
Use Case dimana fungsi yang satu adalah fungsi yang
lebih umum dari lainnya
Relasi Use Case tambahan ke sebuah Use Case di mana
Use Case yang ditambahkan memerlukan use case ini
29
Sumber: Rosa A.S & M Shalahuddin (2015:156)
2. Activity Diagram
Diagram Aktivitas atau Activity Diagram menggambarkan
workflow (aliran kerja) atau aktivitas dari sebuah sistem atau
proses bisnis atau menu yang ada pada perangkat lunak. Yang
perlu diperhatikan disini adalah bahwa diagram aktivitas
menggambarkan aktivitas sistem bukan apa yang dilakukan
aktor.
Activity juga menggambarkan berbagai alir aktivitas
dalam sistem yang sedang dirancang, bagaimana masing-masing
alir berawal, decision yang mungkin terjadi, dan bagaimana
berakhir.
Diagram Aktivitas juga banyak digunakan untuk mendefinisikan
hal-hal berikut:
a. Rancangan proses bisnis dimana setiap urutan aktivitas
yang digambarkan merupakan proses bisnis sistem yang
didefinisikan.
b. Urutan atau pengelompokan tampilan dari sistem/user
interface dimana setiap aktivitas dianggap memiliki
sebuah rancangan antar muka tampilan.
30
c. Rancangan pengujian dimana setiap aktivitas dianggap
memerlukan sebuah pengujian yang perlu didefinisikan
kasus ujinya,
d. Rancangan sistem yang ditampilkan pada perangkat lunak.
Berikut adalah simbol-simbol yang ada pada Activity Diagram
atau diagram aktivitas:
Tabel 2.2 Simbol Activity Diagram
Simbol Deskripsi
status awal Status awal aktivitas sistem, sebuah diagram
aktivitas memiliki sebuah status awal
aktivitas Aktivitas yang dilakukan sistem, aktivitas
biasanya diawali dengan kata kerja
Simbol Deskripsi
Percabangan
Asosiasi percabangan dimana jika ada pilihan
aktivitas lebih dari satu
Penggabungan Asosiasi penggabungan dimana lebih dari satu
aktivitas digabungkan menjadi satu
Status
akhir
Status akhir yang dilakukan sistem, sebuah
aktivitas diagram memiliki sebuah status akhir
31
Sumber: Rosa A.S & M Shalahuddin (2015:162)
3. Class Diagram
Diagram kelas atau Class Diagram menggambarkan struktur
sistem dari segi pendefinisian kelas-kelas yang akan dibuat untuk
membangun sistem. Kelas memiliki apa yang disebut atribut
metode atau operasi yaitu:
a. Atribut merupakan variabel-variabel yang dimiliki oleh suatu
kelas
b. Operasi atau metode adalah fungsi-funsi yang dimiliki oleh
suatu sistem
Diagram kelas dibuat agar pembuat program membuat
kelas-kelas sesuai rancangan didalam diagram kelas agar antara
dokumentasi perancangan dan perangkat lunak sinkron.
Kelas-kelas yang ada pada struktur sistem harus dapat
melakukan fungsi-fungsi sesuai kebutuhan sistem sehingga
pembuat perangkat lunak atau programmer dapat membuat kelas-
kelas di dalam program perangkat lunak sesuai dengan
perancangan diagram kelas. Susunan struktur kelas yang baik
pada diagram kelas sebaiknya memiliki jenis-jenis kelas sebagai
berikut:
Swimlane Memisahkan organisai bisnis yang bertanggung
jawab terhadap aktivitas yang terjadi
32
a. Kelas main
Kelas yang memiliki fungsi awal dieksekusi ketik sistem
dijalankan.
b. Kelas yang menangani tampilan sistem (View)
Kelas yang mendefinisikan dan mengatur tampilan ke
pemakai.
c. Kelas yang diambil dari pendefinisian use case (Controller)
d. Kelas yang menangani fungsi-fungsi yang harus ada diambil
dari pendefinisian Use Case.
e. Kelas yang diambil dari pendefinisian data (Model)
Kelas yang digunakan untuk memegang atau membungkus
data menjadi sebuah kesatuan yang diambil maupun akan disimpan
ke basis data. Semua tabel yang dibuat di basis data dapat dijadikan
kelas, namun untuk tabel dari hasil relasi atau atribut dapat
dijadikan kelas tersendiri.
Berikut adalah simbol-simbol yang ada pada diagram kelas:
Tabel 2.3 Simbol Class Diagram
Simbol Deskripsi
kelas Kelas pada struktur sistem
Simbol Deskripsi
asosiasi/association Relasi antar kelas dengan makna umum, biasanya
juga disertai dengan multiplicity
33
antarmuka/interface Sama dengan konsep interface dalam pemrograman
berorientasi objek
asosiasi berarah Relasi antar kelas dengan makna kelas yang satu
digunakan oleh kelas yang lain
Simbol Deskripsi
generalisasi Relasi antar kelas dengan makna generalisasi-
spesialisasi (umum-khusu)
kebergantungan/dependency Relasi antar kelas dengan makna kebergantungan
antar kelas
agregasi/aggregation Relasi antar kelas dengan makna semua-bagian
(whole-part)
4. Sequence Diagram
Diagram Sequen menggambarkan kelakuan objek pada Use
Case dengan mendeskripsikan waktu hidup objek dan message
yang dikirimkan dan diterima antar objek. Oleh karena itu untuk
menggambar diagram sekuen maka harus diketahui objek-objek
yang terlibat dalam sebuah use case beserta metode-metode yang
dimiliki kelas yang diinstansiasi menjadi objek itu.
Banyaknya diagram sekuen yang harus digambar adalah
minimal sebanyak pendefinisian use case yang memiliki proses
sendiri atau yang penting semua use case yang telah didefinisikan
interaksi jalannya pesan sudah dicakup pada diagram sekuen
34
sehingga semakin banyak use case yang didefinisikan maka
diagram sekuen yang harus dibuat juga semakin banyak.
Berikut adalah simbol-simbol yang ada pada diagram sequen:
Tabel 2.4 Simbol Squence Diagram
Simbol Deskripsi
actor Orang, proses, atau sistem lain yang berinteraksi dengan
sistem informasi yang akan dibuat di luar sistm
informasi yang akan dibuat itu sendiri
garis
hidup/lifrline
Menyatakan kehidupan suatu objek
objek Menyatakan objek yang berinteraksi pesan
waktu aktif Menyatakan objek dalam keadaan aktif dan berinteraksi,
semua yang terhubung dengan waktu aktif ini adalah
sebuah tahapan yang dilakukan didakamnya
pesan tipe destroy Menyatakan suatu objek mangakhiri hidup objek yang
lain, arah panah mengarah pada objek yang diakhiri
Sumber Rosa A.S & M Shalahuddin (2015:165)
2.9 Pengertian SDLC (Software Development Life Cycle)
System Development Lyfe Cycle (SDLC) adalah keseluruhan proses
dalam membangun sistem melalui beberapa langkah. Ada beberapa
model SDLC. Model yang cukup populer dan banyak digunakan adalah
waterfall. Beberapa model lain SDLC misalnya Spiral, Rapid Application
Depelopment (RAD), Prototyping dan Iteratif.
35
SDLC atau Software Deveplopment Life Cycle sering disebut juga
System Deveplopment Life Cycle adalah proses mengembangkan atau
mengubah suatu sistem perangkat lunak dengan menggunakan model-
model dan metodologi yang digunakan orang untuk mengembangkan
sistem-sistem perangkat lunak sebelumnya (Rosa AS dan M. Sholahudin,
2015:26).
Dengan siklus SDLC, proses membangun sistem dibagi menjadi
beberapa langkah dan pada sistem yang besar, masing-masing langkah
dikerjakan oleh tim yang berbeda. Dalam sebuah siklus SDLC, terdapat
enam langkah. Jumlah langkah SDLC pada referensi lain mungkin
berbeda, namun secara umum adalah sama. Langkah tersebut adalah :
a. Analisis sistem, yaitu membuat analisis aliran kerja manajemen
yang sedang berjalan.
b. Spesifikasi kebutuhan sistem, yaitu melakukan perincian mengenai
apa saja yang dibutuhkan dalam pengembangan sistem dan
membuat perencanaan yang berkaitan dengan proyek sistem.
c. Perancangan sistem, yaitu membuat desain aliran kerja manajemen
dan desain pemrograman yang diperlukan untuk pengembangan
sistem informasi.
d. Pengembangan sistem, yaitu tahap pengembangan sistem informasi
dengan menulis program yang diperlukan.
e. Pengujian sistem, yaitu melakukan pengujian terhadap sistem yang
telah dibuat.
36
Implementasi dan pemeliharaan sistem, yaitu menerapkan dan
memelihara sistem yang telah dibuat.
2.10 Metode waterfall
Metode yang digunakan dalam pengembangan software pada
penelitian ini adalah metode waterfall. Metode ini membagi proses
pembangunan perangkat lunak kedalam fase-fase individu atau langkah-
langkah. Fase atau langkah yang satu dengan yang lainnya terpisah
secara kronologis dan fungsional.
Model waterfall merupakan salah satu dari model-model yang
terdapat pada penerapan Daur Hidup Pengembangan Sistem(Roger S.
Pressman, 2010 : p29), membagi model waterfall ke dalam beberapa
tahap, yaitu: Requirements definition, System and software design,
Implementation and unit testing, Integration and system testing dan
Operation and maintenance.
Gambar 2.5 Metode Perancangan Waterfall
Secara garis besar metode Waterfall mempunyai langkah-langkah
sebagai berikut :
37
1. Requirements Definition
Langkah ini merupakan analisa terhadap kebutuhan sistem.
Pengumpulan data dalam tahap ini bisa malakukan sebuah
penelitian, wawancara atau studi literatur. Seorang sistem analis
akan menggali informasi sebanyak-banyaknya dari user sehingga
akan tercipta sebuah sistem komputer yang bisa melakukan tugas-
tugas yang diinginkan oleh user tersebut. Tahapan ini akan
menghasilkan dokumen User Requirment atau bisa dikatakan
sebagai data yang berhubungan dengan keinginan user dalam
pembuatan sistem. Dokumen ini lah yang akan menjadi acuan
sistem analis untuk menterjemahkan ke dalam bahasa pemprogram.
2. System and Software Design
Proses desain akan menerjemahkan syarat kebutuhan ke
sebuah perancangan perangkat lunak yang dapat diperkirakan
sebelum dibuat coding. Proses ini berfokus pada: struktur data,
arsitektur perangkat lunak, representasi interface, dan detail
(algoritma) prosedural. Tahapan ini akan menghasilkan dokumen
yang disebut software requirment. Dokumen inilah yang akan
digunakan programmer untuk melakukan aktivitas pembuatan
sistemnya.
3. Implementation and Unit Testing
Coding merupakan penerjemahan design dalam bahasa yang
bisa dikenali oleh komputer. Dilakukan oleh programmer yang
38
akan meterjemahkan transaksi yang diminta oleh user. Tahapan
inilah yang merupakan tahapan secara nyata dalam mengerjakan
suatu sistem. Dalam artian penggunaan komputer akan
dimaksimalkan dalam tahapan ini. Setelah pengkodean selesai
maka akan dilakukan testing terhadap sistem yang telah dibuat tadi.
Tujuan testing adalah menemukan kesalahan-kesalahan terhadap
sistem tersebut dan kemudian bisa diperbaiki.
4. Integration and System Testing
Tahapan ini bisa dikatakan final dalam pembuatan sebuah
sistem. Setelah melakukan analisa, design dan pengkodean maka
sistem yang sudah jadi akan digunakan oleh user.
5. Operation and Maintenance.
Perangkat lunak yang sudah disampaikan kepada pelanggan
pasti akan mengalami perubahan. Perubahan tersebut bisa karena
mengalami kesalahan karena perangkat lunak harus menyesuaikan
dengan lingkungan (periperal atau sistem operasi baru) baru, atau
karena pelanggan membutuhkan perkembangan fungsional.
Keuntungan Metode Waterfall
a. Kualitas dari sistem yang dihasilkan akan baik. Ini dikarenakan
oleh pelaksanaannya secara bertahap. Sehingga tidak terfokus pada
tahapan tertentu.
39
b. Document pengembangan sistem sangat terorganisir, karena setiap
fase harus terselesaikan dengan lengkap sebelum melangkah ke
fase berikutnya. Jadi setiap fase atau tahapan akan mempunyai
dokumen tertentu.
Kelemahan waterfall
a. Diperlukan majemen yang baik, karena proses pengembangan tidak
dapat dilakukan secara berulang sebelum terjadinya suatu produk.
b. Kesalahan kecil akan menjadi masalah besar jika tidak diketahui
sejak awal pengembangan.
c. Pelanggan sulit menyatakan kebutuhan secara eksplisit sehingga
tidak dapat mengakomodasi ketidak pastian pada saat awal
pengembangan.
2.11 Metode White Box Testing
White box testing adalah pengujian yang didasarkan pada
pengecekan terhadap detail perancangan, menggunakan struktur kontrol
dari desain program secara procedural untuk membagi pengujian ke
dalam beberapa kasus pengujian. Secara sekilas dapat diambil
kesimpulan white box testing merupakan petunjuk untuk mendapatkan
program yang benar secara 100%.
White-box testing yaitu metode desain test case yang menggunakan
stuktur kontrol desain posedural unntuk memperoleh test case. Test case
dapat diperoleh dengan:
40
a. Menjamin bahwa semua independet path pada suatu modul telah
digunakan minimal satu kali
b. Menggunakan semua keputusan logis pada sisi true dan false.
c. Mengeksekusi semua loop dalam batasannya dan pada batas
operasionalnya
d. Mengunakan struktur data internal untuk menjamin validitasnya
Gambar 2.6 White Box Testing
Sumber : www.ilmukomputer.com
Pengujian ini harus memenuhi kriteria sebagai berikut :
a. Mengurangi pelaksanaan test case untuk mencapai hasil pengujian
yang diinginkan
b. Test Case akan menunjukkan ketidaksesuaian (ketidaksinkronan)
beberapa kesalahan, tetapi kurang menunjukkan detil kesalahan
41
Software yang dibangun tidak selalu sempurna. Terkadang ada
kesalahan yang baru akan diketahui saat pengujian atau bahkan saat
implementasi. Berikut ini kriteria Software yang “cacat” :
a. Kesalahan logika dan asumsi yang salah berbanding terbalik
dengan probabilitas jalur program yang akan dieksekusi.
Kecenderungan kesalahan ini terjadi pada tahap desain dan
implementasi fungsi, kondisi atau kontrol yang berada di luar
pikiran. Kesalahan ini tejadi jika pemrosesan yang rutin sudah
dikerjakan dengan baik tetapi pemrosesan yang khusus cenderung
diabaikan.
b. Selalu ada keyakinan bahwa logical path tidak akan dieksekusi
pada basis regular. Kesalahan ini terjadi karena adanya kesalahan
asumsi tentang aliran data dan kontrol.
c. Kesalahan tipologis yang merupakan kesalahan yang acak atau
random. Perpindahan dari bahasa pemrograman satu ke bahasa
pemrograman lain menyebabkan timbulnya kesalahan sintak.
2.12 Penelitian Terdahulu.
Dalam penelitian terdahulu ini diharapkan penulis dapat melihat
perbedaan antara peneliti yang telah dilakukan dengan penelitian yang
dilakukan. Selain itu penulis juga dapat diperhatikan mengenai
kekurangan dan kelebiha terdahulu dengan penelitian yang dilakukan.
42
Tabel 2.5 Penelitian Terdahulu
No Judul Penulis Tahun Metode Hasil
1 Analisis
penentuan
karyawan
terbaik
menggunakan
metode
algoritma
naive bayes
Ulfa pauziah 2017 Naïve
Bayes
Dari hasil perhitungan
naive bayes dengan
menggunakan tools
weka didapat 98,5714
% dapat membantu
keputusan sedangkan
1,2468 % tidak dapat
membantu
pengambilan
keputusan
2 Klasifikasi
kelompok
penjamin
mutu pada
karyawan
persahaan
dengan KNN
dan J48
Erna Daniati
2016 KNN
J48
Pada Koreksi
klasifikasi J48
memiliki akurasi
sampai 86,8 %
sedangkan KNN
memiliki akurasi 81,4
%
3 Sistem
pendukung
keputusan
penerimaan
karyawan
baru dengan
metode Naive
Bayes (Study
kasus
Dinsusnaker
kota Kediri)
Slamet
Aryantio
2016 Naive
Bayes
Membuat aplikasi
SPK penerimaan
karyawan cukup
mudah dengan dengan
bahasa pemrograman
web (PHP). Dan
dengan sistem atau
aplikasi ini proses
penerimaan karyawan
menjadi lebih mudah
dan singkat, sehingga
proses penerimaan
karyawan menjadi
efektif dan efisien
43
No Judul Penulis Tahun Metode Hasil
4 Kajian
komparasi
penerapan
algoritma
C.45, Neural
Network dan
SVM dengan
teknik PSO
untuk
pemilihan
karyawan
teladan
Rudi
Apriyadi
Raharjo
2017 C45
Neural
Network
SVM
Ketiga algoritma
(C.45, Neutral
Network, dan SVM )
Dapat digunakan
dalam memutuskan
karyawan teladan,
ketiga algoritma
tersebut di komparasi
kemudian diuji
akurasinya, tingkat
akurasi tertinggi lah
yang akan digunakan
dalam menentukan
karyawan teladan, dan
hasil yang paling
tinggi akurasinya
adalah algoritma C.45
dengan tingkat akurasi
87.58 %, SVM 84,76
% dan Neutral
Network 77,36 %
5 Aplikasi
klasifikasi
penerima
kartu
Indonesia
Sehat
menggunakan
algoritma
Naive bayes
Aziz Abdul
Rohman &
Yogiek
Indra
Kurniawan
2016 Naïve
Bayes
Berdasarkan
pengujian data testing
sebanyak 13 kali
percobaan, dan
mendapatkan hasil
rata – rata nilah
akurasi sebesar 94,78
% , Presisi 98,86 %,
dan Recall sebesar
90,98 %
44
BAB III
METODOLOGI PENELITIAN
3.1 Tempat dan Waktu Penelitian
3.1.1 Tempat Penelitian
Penelitian ini dilaksanakan di PT Toyo Seal Indonesia, yang
Beralamat di Kawasan Industri MM2100, Jalan Lombok Blok O-5 No.
10-11, Cikarang Barat, Bekasi 17520, Sesuai surat tembusan dari kampus
yang ditujukan ke PT Toyo Seal Indonesia dengan nomor surat :
002/STT-SKRIPSI/TI/II/2018.
3.1.2 Waktu Penelitian
Waktu penelitian dilakukan dari tanggal 24 April 2018 sampai
dengan 16 Agustus 2018, Sesuai surat balasan yang dikeluarkan oleh
pihak perusahaan dengan nomor Surat No.0035/TSI/HRGA-
EXT/IV/2018.
3.2 Tahapan Penelitian
Tahapan penelitian yaitu tahapan yang akan dilakukan untuk
mempermudah dalam melakukan penelitian. Metode yang digunakan
dalam pembuatan sistem ini adalah metode Waterfall. Secara garis besar
metode Waterfall mempunyai langkah yaitu analisa kebutuhan, desaint
45
sistem, penulisan kode program, pengujian program serta penerapan
program dan pemeliharaan. Tahapan penelitian ini di tunjukan pada
gambar 3.1 :
Mulai
Communication
Planning
Modelling
Impplementasion
DeploymentDeployment
Studi Pustaka
Wawancara & observasi
Analisa Kebutuhasan User
Analisa Kebutuhan Sistem
Perancangan UML
Perancangan Database
Perancangan User Interfrance
Perancangan Applikasi dengan C#
Pembuatan Database
White Box Testing
SPK Prediksi Resign karyawan
Selesai
Gambar 3.1 Tahapan Penelitian
Pada gambar 3.1 Metodologi dijelaskan bahwa, metode
pengembangan aplikasi waterfall, berikut uraian penjelasannya :
a. Communication
Pada tahap Communication dilakukan identifikasi masalah dan
pengumpulan data untuk mengetahui masalah yang sedang di hadapi dan
46
solusi-solusi yang dapat menyelesaikan masalah-masalah tersebut.
Kemudian penulis melakukan wawancara kepada pihak yang
bersangkutan tentang masalah yang dihadapi saat ini guna untuk
menemukan solusi pemecahan masalah.
b. Planning
Pada tahap selanjutnya yaitu planning yaitu menganalisi
kebutuhan user dan menganalisis kebutuhan sistem. Dalam analisis
kebutuhan user berisi hasil wawancara dan observasi, lalu
menganalisisnya.
c. Modelling
Ada beberapa tiga pokok dalam tahapan ini, yang pertama adalah
perancangan UML (Unified Modeling Language). UML yang dirancang
terdiri dari Use Case Diagram, Class Diagram, Activity Diagram,
Sequence Diagram. Kedua, perancangan Database yang berisi
rancangan dan isi tabel seperti nama, tipe data, ukuran, dan keterangan.
Ketiga, perancangan tampilan yang berisi rancangan awal tampilan pada
halaman sistem yang akan di buat.
d. Implementation
Tahap selanjutnya adalah Implementation atau pembuatan,
Terdapat dua pokok dalam tahap ini yaitu pembuatan aplikasi dengan C#
47
dan pembuatan database dengan MySql. Di tahap ini dilakukan proses
testing dan evaluasi dengan menggunakan White Box Testing
e. Deployment
Setelah melalui proses evaluasi, dilanjutkan ke tahap Deployment,
yaitu wawancara dengan pihak Perusahaan untuk mendapatkan feedback
dari user agar bisa ada perbaikan atau pembenaran di pengembangan
selanjutnya.
3.3 Metode Pengumpulan Data
Pengumpulan data yang digunakan pada penelitian di PT Toyo Seal
Indonesia Cikarang Barat ini adalah sebagai berikut :
1. Pengamatan (Observation)
Dengan mendatangi langsung ke lokasi kegiatan penelitian dengan
melihat dan mengamati kegiatan-kegiatan yang dilakukan di lingkungan
perusahaan (Divisi). Seperti melihat kegiatan belajar produksi, serta
meihat karyawan dan melihan antusias atau etos kerja karyawan saat
bekerja serta merasakan lingkungan tempat kerja di masing-masing divisi
yang ada di PT Toyo Seal Indonesia.
2. Wawancara (Interview)
Proses tanya jawab kepada orang yang mengetahui tentang
permasalahan yang sedang diamati. Yaitu wawancara kepada Trainner
atau admin dari setiap divisi yang ada di PT Toyo Seal indonesia.
48
3. Studi Pustaka (Literatur)
Mengunakan buku-buku, berkas-berkas, laporan, jurnal yang
berkaitan dengan judul yang diangkat sebagai referensi.
3.4 Sistem Berjalan
Sistem yang berjalan saat ini pada PT Toyo Seal Indonesia, adalah belum
adanya sistem atau metode yag digunakan untuk prediksi karyawan resing,
tetapi untuk proses perpanjangan karyawan saat ini PT Toyo seal sudah ada
sistem sederhana seperti dibawah ini :
Adapun pejelasan dari sistem berjalan, sebagai berikut :
b. HRD akan mengecek semua data yang berkaitan dengan karyawan
yang akan diperpanjang, seperti absensi, pengecekan terhadap surat
teguran, surat SP, dan juga berapa kali telat atau mangkir,
c. Staff HRD kemudian membuat pengumuman mengenai karyawan
yang lolos perpanjangan dan yang tidak lolos perpanjanjangan
tahap awal.
d. Leader atau staff dari divisi kemudian memberikan form hard copy
untuk karyawan yang lolos peroanjangan tahap pertama untuk
mengisi form perpanjangan,, apabila karyawan tersebut ingin
melanjutkan kontrak maka akan mengumpulkan form perpanjangan
tersebut ke bagian HRD
49
MULAI
Input data trainning
Input data testing
Analisa data
Hitung nilai P(X I Ci) untuk setiap
kelas
Hitung nilai P(X I Ci) untuk setiap
kelas i
Hitung Nilai Kelas P(X I Ci) x P(Ci)
Cari hasil perhitungan dengan nilai
terbesar
HASIL
e. Manager HRD menerima form perpanjangan dari divisi kemudian
akan membuat pengumuman tentang karyawan yang diperpanjang
ke kontrak berikutnya.
3.5 Analisa Algoritma Naive Bayes
Sistem yang akan dibangun ini merupakan sistem yang dapat
menentukan resign tidaknya karyawan kontrak,menggunakan metode
Naive Bayes Kerja sistem diawali dengan menginputkan dataset, serta
menginputkan data uji, setelah itu dataset dianalisis dengan
menggunakan metode naive bayes dengan langkah pertama menghitung
nilai untuk setiap klas i dengan menggunakan persamaan dan langkah
kedua menghitung nilai untuk setiap klas menggunakan persamaan dan
langkah selanjutnya yaitu hitung nilai klas (label) dari data sampel
tersebut menggunakan persamaan sehingga diperoleh kesimpulan
“resign” atau “tidak”.
Gambar 3.2 FlowChart Naive Bayes
50
3.5.1 Data Trainning
Untuk menentukan data yang nantinya akan dianalisis dengan metode
Naive Bayes maka langkah pertama yang dilakukan adalah membaca data
training. Adapun data training yang digunakan dapat dilihat pada tabel
berikut:
Tabel 3.1 Data Trainning
51
52
3.5.2 Data Testing
Tabel 3.2 Data Testing
53
Dari data training diatas dapat ditentukan peluang setiap klasnya, diantaranya:
Tabel 3.3 Peluang setiap klass
P (Ci) P(Klas) Jumlah
kemunculan
Total
data
Jumlah
kemunculan/Total Data
P (C1) P(Resign="ya") 80 200 0,4
P (C2) P(Resign="tidak") 120 200 0,6
Untuk menghitung dengan metode Naive bayes maka dibuat sebuah data uji, yaitu
sebagi berikut:
Tabel 3.4 Data pengujian
Jenkel Asal Kerja Tempat Terja Backg Kerja Resign
perempuan Jabar plant3 Bonafit x ?
54
3.5.3 Perhitungan Naive bayes
1. Langkah pertama : Hitung nilai untuk setiap klas i dengan menggunakan
persamaan
Tabel 3.5 Perhitungan class
1. nilai untuk setiap klas menggunakan persamaan
a. P(X I Ci) = (P(X I Resign ”ya”) 0,7 x 0,3375 x 0,35 x 0,6625
0,05478 , pembulatan keatas menjadi = 0,66
b. P(X I Ci) (P(X I Resign ”tidak”) 0,675 x 0,275 x 0,2916 x
0,075 = 0,00405 , pembulatan keatas menjadi = 0,4
P (Ci) Nilai
P(Ci) P(X|Ci)
Nilai
P(X|Ci)
P(X|Ci)/P(Ci
)
P(resign="ya") 80
P(jenkel=perempuan I resign = "ya") 56 0,7
P(resign="tidak"
) 120 P(jenlek=perempuan I resign = "tidak") 81 0,675
P(resign="ya") 80
P(asal kerja= jabar I resign ="ya") 27 0,3375
P(resign="tidak"
) 120 P(asal kerja= jabar I resign ="tidak") 33 0,275
P(resign="ya") 80
P(tempat kerja=plant3 I resign ="ya') 28 0,35
P(resign="tidak"
) 120 P(tampat kerja=plant3 I resign="tidak") 35 0,291666667
P(resign="ya") 80
P(backg kerja=bonafit I resign="ya") 53 0,6625
P(resign="tidak"
) 120 P(backg kerja=bonafit I resign="tidak") 9 0,075
55
2. Langkah ketiga: Hitung nilai klas (label) dari data sampel tersebut
menggunakan persamaan
a. P(X I Ci) x P(Ci) P(X I resign ”ya”) x P(Resign “ya”)
0,05478 x 0,4 = 0,21912 , Pembulatan keatas menjadi 0,22
b. P(X I Ci) x P(Ci) P(X I resign ”tidak”) x P(Resign “tidak”)
0,00405 x 0,6 = 0,00243
Dengan demikian X memiliki klas “Ya” karena memiliki nilai lebih besar
dibanding nilai tidak
3.6 Usulan sistem
Melihat dari belum adanya sistem ataupun metode yang digunakan
dalam memprediksi karyawan resign ataupun dalam proses perpanjangan
maka dari itu penulis mengusulkan sistem SPK menggunakan metode
naive bayes yang nantinya akan membanu dalam proses perekrutan
karyawan, perpanjangan karyawan dan juga dalam memprediksi
karyawan kontrak yang memiliki kemungkinan akan resign, dan sistem
usulan tersebut yang akan dibuat seperti yang dibahas berikut :
56
Flow map usulan sistem prediksi resign karyawan kontrak
STAFF HRD MANAGER HRDADMIN
DATAKARYAWAN
JENIS KELAMIN
ASAL PEKERJA
TEMPAT KERJA
BACKGROUNDPEKERJAAN
DATAKARYAWAN
INPUT DATAKARYAWAN
DA
TAB
ASE
PERHITUNGAN PREDIKSI RESIGN
LAPORAN PREDIKSIRESIGN
LAPORAN PREDIKSIRESIGN
LAPORAN PREDIKSIRESIGN
MULAI
SELESAI
Gambar 3.3 FlowMap Diagram usulan sistem
Pada usulan perancangan sitem pendukung keputusan ini terdiri
dari perancangan sistem dengan menggunakan pemodelan UML (Unified
Modeling Language), Database, dan perancangan design (User
Interface).
3.6.1 UML (Unified Modeling Language)
UML (Unified Modeling Language) digunakan untuk
mengambarkan dan menjelaskan bisnis proses pada applikasi yang akan
di bangun seperti, input data, view data dan hasil data. Proses-proses
57
tersebut digambarkan dalam bentuk Use Case Diagrame, Activity
Diagram, dan Sequence Diagram. Untuk lebih jelasnya kita lihat pada
pembahasan di bawah ini :
1. Use Case Sistem Usulan
Pada perancangan Use Case Diagram terdapat aktor yang terlibat
dalam sistem. Aktor-aktor tersebut yang menggunakan atau berinteraksi
dengan sistem yang nantinya akan berperan langsung dalam hal
pengambilan keputusan pada PT Toyo Seal Indonesia. Aktor yang
berperan dalam sistem ini yaitu :
a. Staff HRD
Staff HRD adalah orang yang menyiapkan data-data tentang
karyawan atupun orang yang berkaitan langsung dengan proses
perekrutan karyawan, perpanjangan karyawan sehingga data yang
dimiliki nantinya akan digunakan untuk proses SPK sistem
tersebut.
b. Admin
Admin betugas untuk memasukan data-data yang berkaitan dengan
karyawan, serta yang akan memproses prediksi resign karyawan
dan sekaligus memiliki hak penuh terhadap applikasi tersebut.
58
c. Manager HRD
Adalah orang tertinggi di bagian HRD, nantinya dia akan menerima
laporan dari admin terkait hasil dari proses perekrutan karyawan,
perpanjangan karyawan ataupun laporan prediksi karyawan.
Berikut adalah Use Case Sistem Usulan pendukung Keputusan(SPK) pada
PT Toyo Seal Indonesia:
ADMIN
MANAGER HRD
STAFF HRD
LOGIN
MASTER KARYAWAN
PREDIKSI KARYAWAN
LAPORAN PREDIKSI
LOG OUT
USULAN SISTEM PREDIKSI RESIGN KARYAWAN PT TOYO SEAL INDONESIA
Gambar 3.4 Use Case Diagram usulan sistem
Keterangan :
a. Admin dan melakukan login untuk masuk dalam sistem
59
b. Admin melakukan input, update, delete pada master karyawan
c. Admin melakukan proses prediksi resign karyawan
d. Admin membuat laporan, Staff HRD dan Manager HRD menerima
laporan
2. Skenario Use Case Diagram
a. Skenario Use Case Login
Tabel 3.6 Skenario Use Case Login
Skenario
Use Case Login
Aktor Admin,
Deskripsi Actor melakukan login untuk masuk ke sistem
Pre – Conditio Actor akan masuk ke dalam sistem dan belum
melakukan login
Post – Condition Actor telah login dan telah berinteraksi dengan
system
Aksi actor Reaksi Sistem
Alur dasar
1. Input user name dan
password
2. Klik login 3. Validasi user name dan password
4. Jika valid actor masuk dalam sistem
5. Jika tidak valid, pesan gagal dan akan
kembali ke 1
Skenario Arternatif
1. Input username dan
password
2. Validasi username dan password
3. Menampilkan pesan login tidak valid
4. Input username dan
password valid
5. Cek validasi username dan password yang
valid
6. Masuk ke dalam applikasi/ menu utama
60
b. Skenario Use Case Master Karyawan
Tabel 3.7 Skenario Use Case Master karyawan
Skenario
Use Case Mater Karyawan
Aktor Admin
Deskripsi Aktor melakukan input data dan merubah
master karyawan
Pre – Conditio Aktor sudah login dan masuk ke dalam
system
Post – Condition Aktor telah login dan berinteraksi dengan
system
Aksi actor Reaksi Sistem
1. Menampilkan halaman menu utama
2. Pilih menu master
siswa
3. Input, merubah data
siswa
4. Proses data dan simpan dalam sistem
5. Melakukan exit 6. Muncul pesan dari sistem yakin akan
keluar.
7. Klik exit dan akan
keluar dari menu master
siswa
8. Kembali ke menu utama
Skenario Arternatif
1. Klik data yang salah
pada tampilan
2. Menampilkan data
3. Merubah data yang
salah
4. Proses Data Ke dalam Sistem
5. View data yang sudah tersimpan
61
c. Skenario Use Case Prediksi Resign
Tabel 3.8 Skenario Use Case Prediksi Resign
Skenario
Use Case Prediksi Kelulusan
Aktor Admin
Deskripsi Aktor mencari data siswa serta proses
prediksi
Pre – Conditio Aktor sudah login dan berada di menu utama
Post – Condition Menampilkan halaman proses prediksi
Aksi actor Reaksi Sistem
1. Menampilkan halaman menu utama
2. Pilih menu prediksi
3. Cari data karyawan
yang akan di prediksi
4. Proses data dan menampilkan data
karyawan
5. Proses prediksi 6. Data dip roses dan tersimpan pada sistem
7. Melakukan exit 8. Muncul pesan dari sistem yakin akan
keluar.
9. Klik exit dan akan
keluar dari menu
prediksi
10. Kembali ke menu utama
Skenario Arternatif
1. Cari data 2. Menampilkan data
3. Klik Proses prediksi 4. Proses Data Ke dalam Sistem
5. View data dan simpan data
d. Skenario Use Case Laporan Prediksi
Tabel 3.9 Skenario Use Case Laporan Prediksi
Skenario
Use Case Ganti password
62
Aktor Admin
Deskripsi Proses ini untuk melihat dan mencetak laporan
prediksi berdasarkan waktu tertentu
Pre – Conditio Aktor sudah login dan masuk ke dalam system
Post – Condition Menampilkan halaman laporan
Aksi actor Reaksi Sistem
1. Menampilkan halaman menu utama
2. Pilih menu laporan 3. Menampilkan form laporan
4. Cetak laporan 5. Menampilkan data yang akan dicetak
Skenario Arternatif
1. Pilih data yang akan di
laporkan
2. Menampilkan data
3. Klik print
e. Skenario Use Case LogOut
Tabel 3.10 Skenario Use Case LogOut
Skenario
Use Case Log Out
Aktor Admin,
Deskripsi Proses ini untuk menghentikan semua session
dan keluar dari sistem
Pre – Conditio Aktor sudah login dan berada pada halaman
utaman
Post – Condition Menghapus semua session
Aksi actor Reaksi Sistem
1. Menampilkan halaman menu utama
2. Pilih menu logout 3. Pesan dari sistem “yakin akan keluar”
4. Klik tombol yes 5. Menghapus semua sesioan dan kembali ke
halaman login
63
Skenario Arternatif
1. Kondisi akhir 2. Actor dapat keluar dari system
3. Aktifivity Diagram Sistem Usulan
Dalam tahap ini Aktifity Diagram menguraikan interaksi yang terjadi
antara actor dan sistem antara lain :
a. Aktifity Diagram Login
Aktifity Diagram Login mendeskripsikan alur proses login aplikasi
yang dilakukan admin maupun user, dapat dijelaskan sebagai berikut :
1) Admin membuka aplikasi dengan double klik visual studio 2012
2) Sistem akan menampilkan form login.
3) Admin memasukan username dan password kemudian user
memilih tombol login.
4) Sistem kemudian memvalidasi username dan password. Jika
username dan password benar akan menampilkan form utama
dan apabila username dan password salah akan kembali ke form
login.
64
Gambar 3.5 Activity Diagram Login
b. Activity Diagram Master karyawan
Activity Diagram Master karyawan mendeskripsikan alur proses
input data, mengubah dan menghapus data karyawan, alur tersebut
dapat dijelaskan sebagai berikut :
1) Sistem menampilkan form login.
2) Admin memasukan username dan password, kemudian admin
memilih tombol login.
65
3) Sistem memvalidasi username dan password, jika username dan
password salah makan akan kembali ke form login. Jika
username dan password benar akan menampilkan form utama
untuk admin.
4) Admin memilih menu master karyawan untuk mengubah,
menghapus, atau menyimpan data karyawan.
5) Setelah uplout, mengubah , menghapus atau meyimpan data
karyawan, admin kembali ke menu utama dan keluar.
Gambar 3.6 Activity Diagram master karyawan
66
c. Activity Diagram Prediksi Resign
Activity Diagram Prediksi Resign mendeskripsikan alur proses
pencarian data karyawan yang sudah di nilai untuk proses
penghitungan, data nilai siswa atau prediksi resugn karyawan, alur
tersebut dapat dijelaskan sebagai berikut :
1) Sistem menampilkan form login.
2) Admin memasukan username dan password, kemudian admin
memilih tombol login.
3) Sistem memvalidasi username dan password, jika username dan
password salah makan akan kembali ke form login. Jika
username dan password benar akan menampilkan form utama
untuk admin.
4) Admin memilih menu prediksi ressign karyawan
5) Admin mencari nik karyawan yang akan di prediksi setelah itu
klik proses.
6) Setelah penghitungan nilai prediksi, kembali ke menu utama dan
keluar.
67
Gambar 3.7 Activity Diagram prediksi resign karyawan
d. Activity Diagram Laporan Prediksi
Activity Diagram Laporan Prediksi mendiskripsikan alur
proses hasil laporan, alur tersebut dapat dijelaskan sebagai berikut :
1) Sistem menampilkan form login
2) Sistem memvalidasi username dan password, jika username dan
password salah makan akan kembali ke form login. Jika
username dan password benar akan menampilkan form utama
untuk admin.
68
3) Admin memilih menu report, kemudian memilih data yang akan
di laporkan
4) Setelah mencetak laporan admin kembali ke menu utama.
Gambar 3.8 Activity Diagram laporan prediksi karyawan resign
e. Activity Diagram LogOut
Activity Diagram LogOut mendeskripsikan alur proses
keluarnya user dari aplikasi,, alur tersebut dapat dijelaskan sebagai
berikut :
1) Sistem menampilkan form menu utama.
2) Admin memilih menu logout.
69
3) Sistem kemudian menampilkan pesan “apakah yakin akan
keluar”.
4) Admin keluar dari sistem.
Gambar 3.9 Activity Diagram Log Out
4. Squence Diagram Sistem Usulan
Sequence Diagram menjelaskan interaksi objek yang disusun dalam urutan
waktu. Diagram ini secara khusus berasosiasi dengan use case. Sequence diagram
memperlihatkan tahap-tahap apa yang seharusnya terjadi untuk menghasilkan
sesuatu dengan use case.
a. Squence Diagram Login
Sequence Diagram Login menjelaskan bagaimana interaksi antar objek.
Sequence Diagram Login dapat dilihat pada gambar berikut ini:
70
Gambar 3.10 Squence Diagram Login
b. Squence Diagram Master data karyawan
Sequence diagram master data karyawan ini menjelaskan bagaimana
interaksi objek dan use case menu master data karyawan. Sequence diagram
master data karyawan dapat dilihat pada gambar dibawah ini:
71
Gambar 3.11 Squence Diagram master karyawan
c. Squence Diagram Prediksi resign karyawan
Sequence Diagram Prediksi resign karyawan ini menjelaskan secara logic
interaksi antara objek dan dan use case menu prediksi. Sequence diagram prediksi
resign karyawan ini dapat dilihat pada gambar dibawah ini :
Gambar 3.12 Squence Diagram prediksi resign karyawan
72
d. Squence Diagram Laporan Prediksi
Sequence Diagram laporan ini menjelaskan secara logic interaksi
antar objek dan use case menu laporan sebagai proses prediksi kelulusan
siswa. Sequence laporan dapat dilihat pada gambar dibawah ini :
Gambar 3.13 Squence Diagram laporan prediksi resign
e. Squence Diagram LogOut
Sequence Diagram Logout ini menjelaskan secara logic interaksi antara
objek dan dan use case logout. Sequence diagram logout ini dapat dilihat pada
gambar dibawah ini :
73
Gambar 3.14 Squence Diagram Logout
5. Class Diagram Sistem Usulan
Diagram kelas (Class Diagram) menggambarkan struktur sistem dari
tiap-tiap kelas dan memperlihatkan hubungan yang satu dengan yang
lainnya. Class Diagram sistem pendukung keputusan ini dapat dilihat pada
dibawah ini:
74
Gambar 3.15 Class Diagram usulan
3.7 Perancagan Database
Perancangan database sistem pendukung keputusan ini memiliki 8
(delapan) tabel yaitu :
1. Tabel pengguna
Nama Database : tohir
Nama Tabel : login
Primary Key : id_user
Foreign Key : -
75
Tabel 3.11 Struktur Data Tabel User
No Nama Type Length Keterangan
1 Id_pengguna Int 5 Primary Key
2 Username Varchar 25
3 Password Varchar 25
2. Tabel karyawan
Nama Database : tohir
Nama Tabel : karyawan
Primary Key : Nik
Foreign Key : Nik
Tabel 3.12 Struktur Data Karyawan
No Nama Type Length Keterangan
1 Nik Int 5 Primary Key
2 Nama Vachar 25
3 Jenkel Vachar 25
4 Asal_kerja Vachar 15
5 Tempat_kerja Vachar 15
6 Backg_kerja Vachar 15
3. Tabel Dataset
Nama Database : tohir
Nama Tabel : dataset
Primary Key : id_dataset
Foreign Key : nik_karyawan
76
Tabel 3.13 Struktur Data Tabel Dataset
No Nama Type Length Keterangan
1 Id_dataset Int 5 Primary Key
2 Nik_karyawan Vachar 25 Foreign key
3 Nama Vachar 25
4 Jenkel Char 15
5 Asal_Pekerja Int 5
6 Tempat_pekerja Int 5
7 Backg_kerja Int 5
4. Tabel Hasil Prediksi
Nama Database : tohir
Nama Tabel : hasil prediksi
Primary Key : id_hasil
Foreign Key : id_pengguna
Tabel 3.14 Struktur Data Tabel Hasil Prediksi
No Nama Type Length Keterangan
1 Id_hasil Int 5 Primary Key
2 Tanggal Date
3 Nik Int 5
4 Karyawan Tinyint 3
5 Jenkel Tinyint 3
6 Asal_Kerja Tinyint 3
7 Tempat_Kerja Tinyint 3
8 Backg_kerja Tinyint 3
9 Probalitas_lulus Decimal 4,4
10 Probalitas_tidak Decimal 4,4
11 Hasil Vachar 25
12 Id_user Int 5 Foreign Key
77
3.8 Perancangan User Interface
Perancangan user Interface secara umum terdiri dari input dan output.
Perancangan User interface ini terdiri dari beberapa form utama yaitu : Form
Login, Form Menu Utama, Form Prediksi, Form data karyawan, form laporan dll.
Untuk lebih jelasnya kita lihat gambar dibawah ini.
1. Form Login
Form Login
SPK PREDIKSI KARYAWAN RESIGN PT TOYO SEAL INDONESIA
Pengguna :
Password :
_ X
Login Exit
GAMBAR
Gambar 3.16 Desain Form Login
Keterangan fungsi button :
a. Button Login : digunakan untuk masuk ke aplikasi
b. Button Exit : digunakan untuk keluar aplikasi
c. Pengguna : digunakan untuk menuliskan mana pengguna yang akan
login
d. Password : digunakan untuk kode keamanan pengguna saat login
78
2. Form Utama
Home
Form Utama _ X
Tanggal/Bulan/Tahun Jam
Master User karyawan Setting
Input User Data Training
Nama User
Ubah Password
Proses
Naïve Bayes
Laporan
Prediksi
Expor Excel
Gambar 3.17 Desain Form utama
Keterangan Fungsi Button :
a. Button master user : digunakan untuk menambah pengguna
b. Button input user: digunakan untuk menginput data penguna
c. Button ubah password : digunakan untuk mengubah password
pengguna
d. karyawan : digunakan untuk menambah data testing
e. Proses Naive : digunakan untuk proses prediksi
f. Laporan prediksi : digunakan untuk menampilkan laporan (report)
hasil prediksi.
79
3. Form karyawan
Form karyawan _ X
Tanggal/Bulan/Tahun Jam
Karyawan
Nama User
DATA KARYAWAN
CARI DATA KARYAWANNo :
nikNama :
Jengkel :
Asal kerja:
Tempat kerja
Backg kerja
save Updade Delete Clear
Gambar 3.18 Desain Form Kryawan
4. Form Prediksi
Form prediksi _ X
Tanggal/Bulan/Tahun Jam Nama User
Data Prediksi resign karyawan
PrintProsesPrediksi resign Export Excel
Gambar 3.19 Desain Form Prediksi
80
5. Form Laporan
Crystal Report _ X
LAPORAN PREDIKSI RESIGN KARYAWAN PT TOYO SEAL INDONESIA
NO HasilProbalitas LulusTANGALNAMA SISWANIM User
Cystal Report
Probalitas Tidak LulusUKK TRYOUT RAPORT UNBK
Gambar 3.20 Desain Form Laporan
81
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil Penelitian
Untuk melihat hasil dan implementasi dari penelitian ini adalah
dibangunnya sebuah aplikasi sistem Pendukung Keputusan. Aplikasi ini
akan menampilkan hasil yang telah diolah menggunakan metode Naive
Bayes, berikut spesifikasi aplikasi perangkat keras, dan perangkat lunak
pendukung yang digunakan.
4.1.1 Spesifikasi Perangakat Lunak (Software)
Spesifiksi perangkat lunak yang penulis gunakan adalah sebagai berikut :
1. Bahasa pemograman C# (C Sharp).
2. Database MySql.
3. Sistem Operasi Windows 10 Ultimate.
4. Microsoft Office 2017.
5. Visual Studio 2012.
4.1.2 Spesifikasi Perangakat Keras (Hardware)
Spesifikasi perangkat keras yang penulis gunkan adalah sebagai berikut :
1. Notebook Asus A450C.
2. Layar Screen 14 Inch.
82
3. Processor Intel ® core™ i3-3230M CPU @2.60 GHz.
4. RAM kapasitas 4.0 GB.
5. Harddisk 500GB
4.2 Impelementasi Database
Implementasi database terdiri dari beberapa tabel. Berikut ini
adalah tabel-tabel dalam database yang digunakan dalam menjalankan
sistem pendukung keputusan dari awal sampai akhir bisa dilihat pada
tabel-tabel dibawah ini :
1. Tabel Login
Tabel Login digunakan untuk menyimpan data user yang
diberikan hak akses untuk menjalankan sistem.
Gambar 4.1 Login Database
83
2. Tabel Karyawan
Tabel karyawan digunakan untuk menyimpan data karyawan
Gambar 4.2 Data Karyawan
84
3. Tabel Data Training
Tabel Data Training digunakan untuk menyimpan data resign
karyawan.
Gambar 4.3 Data Trainning
85
4. Tabel Hasil Prediksi
Tabel Hasil Prediksi digunakan untuk menyimpan data hasil
prediksi resign karyawan
Gambar 4.4 Data Hasil Prediksi Resign karyawan
86
4.3 Implementasi User Interface
Implementasi User Intrerface metode Naïve Bayes untuk
memprediksi resign karyawan baru PT Toyo Seal Indonesia Cikarang
Barat terdiri dari beberapa form. Berikut merupakan tampilan dan
langkah-langkah dalam menjalankan program dari awal sampai akhir.
1. Form Login
Form Login ini adalah halaman awal ketika menjalankan program,
setelah memasukan username dan password yang benar dan klik tombol
login maka akan menuju form utama , jika username atau password salah
maka akan ada peringatan bahwa login gagal.
Gambar 4.5 Form Login Aplikasi
87
2. Form Menu Utama
Setelah Login sukses akan menampilkan menu utama, pada menu
utama terdapat beberapa menu seperti menu Setting trainning (untyuk set
data rainning dan data testing), proses (untuk proses naive bayes),serta
menu laporan.
Gambar 4.6 Form Menu utama
3. Master karyawan
Pada menu ini terdapat menu setting tambah data karyawan sebagai
data testing Pada menu ini bisa menambah data, merubah, inport data dari
excel, serta menghapus data
88
. Gambar 4.7 Form data karyawan
4. Form Menu Setting
Menu setting berfungsi untuk setting data training karyawan sehingga
menjadi acuan dataset/data trainining yang akan digunakan pada proses
prediksi resign karyawan.
89
Gambar 4.8 Form Data trainnig
5. Form Proses Prediksi
Menu proses Prediksi terdiri dari menu proses Naïve Bayes, menu
proses prediksi berfungsi untuk proses prediksi resign karyawan yang
diambil dari data karyawan / data testing.
90
Gambar 4.9 Form proses prediksi
6. Form Menu Laporan
Menu laporan berfungsi untuk melihat hasil laporan prediksi yang
sudah dilakukan. Pada Form Menu Laporan ,
91
Gambar 4.10 Form laporan prediksi
92
4.4 Pembahasan
4.4.1 Analisis Penghitungan
Bilamana kita ingin mengetahui apakah karyawan diaktegorikan
resign atau tidak tidak resign dengan kondisi pada data testing kita akan
menggunakan rumus sebagai berikut:
( | ) ( | )P( )
( )
Data Training yang di gunakan pada penelitian ini adalah sejumlah
200 data dapat dilihat pada Lampiran 1, dan 80 data testing pada Lampiran
2, yang di peroleh dari PT Toyo Seal Indonesia, berikut adalah
penghitungan manual prediksi kelulusan siswa mengunakan metode Naïve
Bayes dari satu data testing yang ada.
Tabel 4.1 Peluang setiap klass
P (Ci) P(Klas) Jumlah
kemunculan
Total
data
Jumlah
kemunculan/Total Data
P (C1) P(Resign="ya") 80 200 0,4
P (C2) P(Resign="tidak") 120 200 0,6
Untuk menghitung dengan metode Naive bayes maka dibuat sebuah data uji, yaitu
sebagi berikut:
Tabel 4.2 Data pengujian
Jenkel Asal Kerja Tempat Terja Backg Kerja Resign
perempuan Jabar plant3 Bonafit x ?
93
4.4.2 Perhitungan Naive bayes
2. Langkah pertama : Hitung nilai untuk setiap klas i dengan menggunakan
persamaan
Tabel 4.3 Perhitungan class
3. nilai untuk setiap klas menggunakan persamaan
c. P(X I Ci) (P(X I Resign ”ya”) 0,7 x 0,3375 x 0,35 x 0,6625
0,05478 , pembulatan keatas menjadi = 0,66
d. P(X I Ci) (P(X I Resign ”tidak”) 0,675 x 0,275 x 0,2916 x
0,075 = 0,00405 , pembulatan keatas menjadi = 0,4
P (Ci) Nilai
P(Ci) P(X|Ci)
Nilai
P(X|Ci) P(X|Ci)/P(Ci)
P(resign="ya") 80
P(jenkel=perempuan I resign = "ya") 56 0,7
P(resign="tidak") 120
P(jenlek=perempuan I resign = "tidak") 81 0,675
P(resign="ya") 80
P(asal kerja= jabar I resign ="ya") 27 0,3375
P(resign="tidak") 120
P(asal kerja= jabar I resign ="tidak") 33 0,275
P(resign="ya") 80
P(tempat kerja=plant3 I resign ="ya') 28 0,35
P(resign="tidak") 120
P(tampat kerja=plant3 I resign="tidak") 35 0,291666667
P(resign="ya") 80
P(backg kerja=bonafit I resign="ya") 53 0,6625
P(resign="tidak") 120
P(backg kerja=bonafit I resign="tidak") 9 0,075
94
4. Langkah ketiga: Hitung nilai klas (label) dari data sampel tersebut
menggunakan persamaan
c. P(X I Ci) x P(Ci) P(X I resign ”ya”) x P(Resign “ya”)
0,05478 x 0,4 = 0,21912 , Pembulatan keatas menjadi 0,22
d. P(X I Ci) x P(Ci) P(X I resign ”tidak”) x P(Resign “tidak”)
0,00405 x 0,6 = 0,00243
Dengan demikian X memiliki klas “Ya” karena memiliki nilai lebih besar
dibanding nilai tidak
95
Gambar 4.11 Form laporan prediksi karyawan resign
4.4.3 Pengujian Dengan RapidMiner
a. Langkah-langkah testing
1. Read Exel
Proses untuk memasukan data trainning ke aplikasi RapidMiner
yang nantinya akan digunakan untuk proses prediksi resign karyawan
baru, jumlah data trainning yang digunakan yaitu 200 data, gambar
seperti dibawah ini :
Gambar 4.12 Read Data Trainning
2. Select Attributes
96
Proses ini digunakan untuk memilih attribut yang akan
dipakai dan class yang akan dipakai, seperti yang ada digambar
berikut :
Gambar 4.13 Select Attribut 1
Gambar 4.14 Select Attribut dan class
3. Naive Bayes
Proses digunakan untuk memilih metode yang digunakan
untuk proses prediksi dalam RapidMiner, dan yang digunakan
adalah NaiveBayes
97
Gambar 4.15 Proses Naive bayes
4. Apply Model
Digunakan untuk proses Apply Model yang digunakan dalam
proses prediksi, proses seperti gambar dibawah ini :
Gambar 4.16 Apply Model
5. Read Exel
Proses memasukan Data testing yang nantinya akan
digunakan sebagai test dari proses prediksi, seperti gambar
dibawah ini :
98
Gambar 4.17 Read data Testing
6. Desain lengkap
Proses ini merupakan desain proses prediksi secara lengkap
dan siap untuk di run atau dijalankan proses prediksi
Gambar 4.18 Desain Lengkap
99
7. Hasil Prediksi
Merupakan hasil dari prediksi resign dari karyawan dengan data
testing dibawah ini :
jenkel asal kerja tempat kerja backg kerja Resign
perempuan Jabar plant3 Bonafit x ?
Gambar 4.19 Data Testing
Dengan hasil sebagai seperti dibawah ini :
Gambar 4.20 Hasil
4.4.4 Akurasi Yang Didapat
Nilai akurasi menunjukan kedekatan hasil terhadap nilai
sebenarnya yang telah ditentukan oleh metode standar. Dari 200 data
training dan 80 data testing yang ada, kita dapat mencari akurasi dengan
rumus sebagai berikut :
100
( )
X 100
=
= 08125 X 100
= 81,25 %
Dari kasus penghitungan akurasi tersebut kita dapat menyimpulkan bahwa
Sistem Pendukung Keputusan Prediksi Resign karyawan baru PT Toyo Seal
Indonesia Dengan metode Naïve Bayes yang dibuat, memiliki Accuracy sebesar
81,25 %.
4.4.4 White Box Testing
Berikut adalah hasil pengujian White Box Testing dalam bentuk tabel :
Tabel 4.4 White Box Testing
No Pengujian Tes Case Benar Tes Case Salah Kesimpulan
1 Try{
MySqlConnection conn =
koneksi.Getconn();
conn.Open();
MySqlCommand cmd =
new MySqlCommand("select * from
user where nama ='" + textuser.Text
+ "' and password='" +
textpassword.Text + "'", conn);
MySqlDataReader dr;
dr = cmd.ExecuteReader();
int count = 0;
Masukan
UserName dan
Password
tampil ke menu
utama
Username
kosong
Password
kosong aka nada
peringatan salah.
Jika intruksi
benar maka
akan
dilanjutakan
dan jika
salah tidak
di lanjutkan
101
while (dr.Read())
{
count += 1;
}
if (count == 1)
{
f_utama op = new
f_utama(textuser.Text);
op.Show();
this.Hide();
}
else if (count > 1)
{
MessageBox.Show("Dupliate
Username and Password", " ",
MessageBoxButtons.OK,
MessageBoxIcon.Stop);
}
else
{
MessageBox.Show("Username/Pass
word Salah!", " ",
MessageBoxButtons.OK,
MessageBoxIcon.Stop);
textuser.Clear();
textpassword.Clear();
textuser.Focus();
}
}
catch (Exception er)
102
{
MessageBox.Show(er.ToString());
}
2 Try
{
MySqlConnection conn
= koneksi.Getconn();
conn.Open();
string sql = "INSERT
INTO `tohir`.`testing` (`nik`,
`nama_karyawan`, `jengkel`,
`asal_kerja`, `tempat_kerja`,
`back_kerja`) VALUES ('" + a1.Text
+ "','" + a2.Text + "','" + a3.Text +
"','" + a4.Text + "','" + a5.Text + "', '"
+ a6.Text + "')";
MySqlCommand
command = new
MySqlCommand(sql, conn);
command.ExecuteNonQuery();
conn.Close();
Showdata();
MessageBox.Show("Item
Tersimpan", "Save",
MessageBoxButtons.OK,
MessageBoxIcon.Information);
{
Data karyawan
akan tersimpan
Data karyawan
tidak tersimpan
Jika intruksi
benar maka
akan
dilanjutakan
dan jika
salah tidak
di lanjutkan
103
bersih();
}
}
catch (Exception ex)
{
MessageBox.Show("Duplikat
Data");
}
}
}
3 try
{
MySqlConnection conn
= koneksi.Getconn();
conn.Open();
string sql = "update
testing set nama_karyawan = '" +
a2.Text + "', jengkel = '" + a3.Text +
"', asal_kerja = '" + a4.Text + "',
tempat_kerja = '" + a5.Text + "',
back_kerja = '" + a6.Text + "' where
nik = '" + a1.Text + "'";
MySqlCommand
command = new
MySqlCommand(sql, conn);
Data karyawan
diperbaharui
Data karyawan
tidak
diperbaharui
Jika intruksi
benar maka
akan
dilanjutakan
dan jika
salah tidak
di lanjutkan
104
command.ExecuteNonQuery();
conn.Close();
Showdata();
MessageBox.Show("Update
success", "",
MessageBoxButtons.OK,
MessageBoxIcon.Information);
{
bersih();
save.Enabled = true;
hapus.Enabled =
false;
update.Enabled =
false;
}
}
catch (Exception ex)
{
MessageBox.Show(ex.Message);
}
}
}
4 try Data karyawan Data karyawan Jika intruksi
benar maka
105
{
MySqlConnection conn
= koneksi.Getconn();
conn.Open();
string sql = "Delete
From testing where nik = '" + a1.Text
+ "'";
MySqlCommand
command = new
MySqlCommand(sql, conn);
command.ExecuteNonQuery();
conn.Close();
Showdata();
MessageBox.Show("Delete success",
"Delete", MessageBoxButtons.OK,
MessageBoxIcon.Information);
{
bersih();
save.Enabled = true;
hapus.Enabled =
false;
update.Enabled =
false;
}
}
catch (Exception ex)
{
di hapus tidak di hapus akan
dilanjutakan
dan jika
salah tidak
di lanjutkan
106
MessageBox.Show("Data Tidak Bisa
Dihapus");
}
}
}
5 try
{
MySqlConnection conn
= koneksi.Getconn();
conn.Open();
string sql = "INSERT
INTO `tohir`.`hasil` (`nourut`,
`tanggal`, `nik`, `nama_karyawan`,
`probalitas_ya`, `probalitas_tidak`,
`resign`) VALUES ('" +
atribut1.Text + "','"+tgltransaksi+"',
(select nik from testing where nik ='"
+ atribut2.Text +
"'),'"+atribut3.Text+"','"+totalya.Text
+"','"+totaltidak.Text+"','"+hasilakhir
.Text+"' )";
MySqlCommand
command = new
MySqlCommand(sql, conn);
command.ExecuteNonQuery();
conn.Close();
Data karyawan
akan di prosos
penghitugan
prediksi resign
Data nilai tidak
akan di proses
Jika intruksi
benar maka
akan
dilanjutakan
dan jika
salah tidak
di lanjutkan
107
{
MessageBox.Show("Data
Tersimpan" ," ",
MessageBoxButtons.OK,
MessageBoxIcon.Information);
kode();
Showdata();
}
bersih();
}
catch (Exception ex)
{
MessageBox.Show("Nik
Duplikat / Masukan Nik Yang Benar
");
}
}
}
void hitunghitung()
{
e =
Convert.ToDouble(ya1.Text);
d =
Convert.ToDouble(jenkel1.Text);
g = Math.Round(d / e, 2);
jenkel2.Text =
Convert.ToString(g);
108
h =
Convert.ToDouble(asalkerja1.Text);
i = Math.Round(h / e, 2);
asalkerja2.Text =
Convert.ToString(i);
j =
Convert.ToDouble(tempatkerja1.Tex
t);
k = Math.Round(j / e, 2);
tempatkerja2.Text =
Convert.ToString(k);
l =
Convert.ToDouble(backgkerja1.Text
);
m = Math.Round(l / e, 2);
backgkerja2.Text =
Convert.ToString(m);
jumlah = Math.Round(g * i *
k * m, 4);
jumlahya.Text =
Convert.ToString(jumlah);
n =
Convert.ToDouble(jumlahya.Text);
o =
Convert.ToDouble(ya3.Text);
p = Math.Round(n * o, 4);
totalya.Text =
109
Convert.ToString(p);
// jumlah tidak
f =
Convert.ToDouble(tidak1.Text);
d1 =
Convert.ToDouble(jenkeltidak1.Text
);
g1 = Math.Round(d1 / f, 2);
jenkeltidak2.Text =
Convert.ToString(g1);
h1 =
Convert.ToDouble(asalkerjatidak1.T
ext);
i1 = Math.Round(h1 / f, 2);
asalkerjatidak2.Text =
Convert.ToString(i1);
j1 =
Convert.ToDouble(tempatkerjatidak
1.Text);
k1 = Math.Round(j1 / f, 2);
tempatkerjatidak2.Text =
Convert.ToString(k1);
l1 =
Convert.ToDouble(backgkerjatidak1.
Text);
m1 = Math.Round(l1 / f, 2);
backgkerjatidak2.Text =
110
Convert.ToString(m1);
jumlah1 = Math.Round(g1 *
i1 * k1 * m1, 4);
jumlahtidak.Text =
Convert.ToString(jumlah1);
n1 =
Convert.ToDouble(jumlahtidak.Text
);
o1 =
Convert.ToDouble(tidak3.Text);
p1 = Math.Round(n1 * o1, 4);
totaltidak.Text =
Convert.ToString(p1);
yes =
Convert.ToDouble(totalya.Text);
no =
Convert.ToDouble(totaltidak.Text);
if (yes > no)
{
hasilakhir.Text = "YA";
}
else
{
hasilakhir.Text =
"TIDAK";
111
}
labelkaryawan.Visible = true;
hasilakhir.Visible = true;
}
6 Try
{
// Creating a Excel object.
Microsoft.Office.Interop.Excel._App
lication excel = new
Microsoft.Office.Interop.Excel.Appli
cation();
Microsoft.Office.Interop.Excel._Wor
kbook workbook =
excel.Workbooks.Add(Type.Missing
);
Microsoft.Office.Interop.Excel._Wor
ksheet worksheet = null;
worksheet =
workbook.Sheets["Sheet1"];
worksheet =
workbook.ActiveSheet;
for (int i = 1; i <
dataGrid.Columns.Count + 1; i++)
{
worksheet.Cells[1, i] =
Data di export
ke cristal report
untuk dilihat dan
di print
Data prediksi
tidak di exort
Jika intruksi
benar maka
akan
dilanjutakan
dan jika
salah tidak
di lanjutkan
112
dataGrid.Columns[i - 1].HeaderText;
}
for (int j = 2; j <=
dataGrid.Rows.Count; j++)
{
for (int i = 1; i <= 23; i++)
{
worksheet.Cells[j, i] =
dataGrid.Rows[j - 2].Cells[i -
1].Value;
}
}
//Getting the location and
file name of the excel to save from
user.
SaveFileDialog saveDialog
= new SaveFileDialog();
saveDialog.Filter = "Excel
files (*.xlsx)|*.xlsx|All files
(*.*)|*.*";
saveDialog.FilterIndex = 2;
if
(saveDialog.ShowDialog() ==
System.Windows.Forms.DialogResu
lt.OK)
{
workbook.SaveAs(saveDialog.FileN
113
ame);
MessageBox.Show("Export
Berhasil");
}
}
catch (System.Exception ex)
{
MessageBox.Show(ex.Message);
}
114
BAB V
PENUTUP
5. 1 Kesimpulan
a. Hasil dari metode naive bayes ini nantinya akan bisa digunakan untuk
proses perekrutan karyawan baru, agar proses perekrutan karyawan semakin
baik, karyawan yang diambil benar-benar yang sesuai kriteria yang
dibutuhkan perusahaan dan pada akhirnya akan mengurangi atau
menghilangkan karyawan yang resign sebelum masa berakhirnya kontrak
kerja (PKWT)
b. Metode naive bayes ini juga nantinya bisa digunakan dalam proses
perpanjangan kontrak kerja, yaitu hasil dari sistem ini bisa untuk
perbandingan atau nilai tambah untuk management dalam memutuskan
untuk memperpanjang karyawan atau mengakhiri kontrak karyawan yang
bersangkutan.
c. Hasil Akhir dari meode naive bayes ini adalah dibuatnya sebuah sistem
(aplikasi) yang bisa digunakan untuk proses perekrutan karyawan baru.
d. Dari hasil penelitian yang dilakukan pada PT Toyo Seal Indonesia tentang
prediksi resign karyawan dengan mengunakan metode Naive Bayes dengan
115
data training yang digunakan adalah sejumlah 200 data dan 80 data testing
ditemukan hasil akurasi yaitu 81,25
5. 2 Saran
Berdasarakan hasil Penelitian, implemetasi metode Naïve Bayes untuk
memprediksi resign Karyawan dapat membawa efek positif bagi perusahaan
dalam mempercepat pengambilan keputusan. Namun ada beberapa hal yang
perlu disarankan untuk mengembangakan applikasi ini diantaranya sebagai
berikut :
1. Selalu BackUp Database karena database sangat penting pada proses prediksi
resign karyawan, apabila database hilang maka metode dan sistem juga akan
tidak bisa bekerja
2. Bisa dikembangkan lagi kedepannya dengan Applikasi web dan jaringan
internet sehingga dapat diakses dari berbagai tempat.
3. Bisa dikembangkan lagi menggunakan teknologi Internet Of Think (IOT) yang
sedang berkembang pesat saat ini di dunia teknologi era digital.
4. Agar akurasinya semakin tinggi mungkin bisa dengan menambahkan data
trainning atau menyeleksi ulang data trainning dan data testing sehingga tingkat
akurasi lebih baik lagi.
116
DAFTAR PUSTAKA
Dunning, I., Huchette, J., & Lubin, M. (2015). JuMP: A Modeling Language for
Mathematical Optimization, 1–26. https://doi.org/10.1137/15M1020575
Garcia-Magarino, I., Gray, G., Lacuesta, R., & Lloret, J. (2018). Survivability
Strategies for Emerging Wireless Networks with Data Mining Techniques: A
Case Study with NetLogo and RapidMiner. IEEE Access, 6, 27958–27970.
https://doi.org/10.1109/ACCESS.2018.2825954
Handayani, R. I. (2017). Sistem Pendukung Keputusan Pemilihan Karyawan
Berprestasi Dengan Metode Profile Matching Pada Pt. Sarana Inti Persada (Sip).
Jurnal Pilar Nusa Mandiri, 13(1), 28–34.
Irawan, P., Mazalisa, Z., & Panjaitan, F. (2015). Penerapan Metode Fuzzy Tsukamoto
dalam Sistem Pendukung Keputusan Pemilihan Karyawan Terbaik. Student
Colloquium Sistem Informasi & Teknik Informatika (SC-SITI), 135–138.
Language, U. M. (2017). Unified Modeling Language, v2.5.1, (December).
Nugroho, Bunafit. 2013. Dasar Pemograman Web PHP – MySQL dengan
Dreamweaver. Yogyakarta : Gava Media
Rudy Tantra. 2012. Manajemen Proyek Sistem Informasi, bagaimana mengolah
proyek sistem informasi secara efektif & efisien: Andi Offset
117
Sugiyono. 2009, Metode Penelitian Kuantitatif, Kualitatif dan R&D, Bandung :
Alfabeta
Suryanto. 2017. “Datamining Untuk Klasifikasi dan Klaterisasi Data”. Bandung :
Informatika.
Tan, O (2004). Cognition, Metacognition, and Problem based learning. Dalam
Enchancing Thinking Though Problem based-learning Approaches (hal 40).
Australia : Thomsom.
Universitas, D. I., & Pgri, N. (2015). Sistem Penilaian Dosen Teladan Menggunakan
Metode Saw ( Simple Additive Weighting ), 6–8.
Yoon, S. H., Ha, S. M., Kwon, S., Lim, J., Kim, Y., Seo, H., & Chun, J. (2017).
Introducing EzBioCloud: A taxonomically united database of 16S rRNA gene
sequences and whole-genome assemblies. International Journal of Systematic
and Evolutionary Microbiology, 67(5), 1613–1617.
https://doi.org/10.1099/ijsem.0.001755
Yakub. (2012). Pengantar Sistem informasi. Yogyakarta: Graha Ilmu.
Vulandari, R,T. 2017. “Data Mining Teori Dan Applikasi Rapidminder”.
Yogyakarta:Gava Media.
118
DAFTAR RIWAYAT HIDUP
A. BIOGRAFI
Nama : Ahmad Muttohir
Tempat, tanggal lahir : Kebumen, 24 Agustus 1992
Jenis kelamin : Laki-Laki
Alamat : Dusun Kalibalong 10/02 Aditirto
Kec. Pejagoan Kab. Kebumen
No. Telp : 087729205053
E-mail : [email protected]
Agama : Islam
Golongan Darah : O
Status Perkawinan : Belum Menikah.
Kewarganegaraan : Indonesia.
B. RIWAYAT PENDIDIKAN
SDN 1 ADITIRTO : 1999 - 2005
SMP NEGERI 1 PEJAGOAN : 2005 - 2008
SMK MA‟ARIF 1 KEBUMEN : 2008 - 20011
STT Pelita Bangsa : 2014 - Sekarang
C. PEKERJAAN
PT. Toyo Seal Indonesia : 2011 – Sekarang
D. BAGIAN
Maintenance / Enginering : 2011 – Sekarang
E. JABATAN
Leader Teknisi Maintenance : 2011 – Sekarang