Bagi Objek Penelitian (PT. Pyojoon Mold Indonesia)

BAB I PENDAHULUAN

1.6 Manfaat Penelitian

1.6.3 Bagi Objek Penelitian (PT. Pyojoon Mold Indonesia)

Adapun manfaat dari penelitian ini adalah membantu mempermudah HRD dalam melakukan analisis data dengan tepat sehingga dalam proses seleksi Pengangkatan Karyawan Tetap bisa lebih tepat dan efisien.

8 BAB II

TINJAUAN PUSTAKA DAN LANDASAN TEORI

2.1 Tinjauan Pustaka

Dalam pembuatan laporan tugas akhir ini selain peneliti menggali informasi dari buku-buku, peneliti juga melakukan tinjauan pustaka pada hasil penelitian terdahulu yang berkaitan dengan judul yang digunakan sebagai studi literature dan penelusuran ilmiah, diharapkan peneliti dapat diperhatikan mengenai kekurangan dan kelebihan antara penelitian terdahulu dengan penelitian yang dilakukan. Adapun penelitian yang terkait dengan penelitian ini yaitu:

2.2.1 Kajian Jurnal Pertama

Penelitian yang dilakukan oleh Widiarina dan Romi Satria Wahono pada tahun 2015 yang berjudul “ALGORITMA CLUSTER DINAMIK UNTUK OPTIMASI

CLUSTER PADA ALGORITMA K-MEANS DALAM PEMETAAN

NASABAH POTENSIAL”. Penelitian ini membahas perihal pentingnya dalam menentukan pemetaan nasabah potensial. Penelitian ini bertujuan untuk menghasilkan kualitas cluster yang optimal sehingga memberikan hasil pemetaan nasabah potensial lebih baik dan tepat.

2.2.2 Kajian Jurnal Kedua

Penelitian yang dilakukan oleh Ai Rita Rizqiah dan Agus Subekti pada tahun 2018 yang berjudul “PENGELOMPOKAN KEKAMBUHAN KANKER PAYUDARA DENGAN ALGORITMA K-MEANS”. Penelitian ini membahas perihal resiko terkena kanker payudara akan semakin meningkat seiring

bertambahnya usia, riwayat medis keluarga, riwayat medis personal, keturunan kaukasia, menstruasi awal, menopause terlambat dan lain-lain. Tujuan dari penelitian ini yaitu untuk memperoleh knowledge dari sekumpulan data kekambuhan pasien kanker payudara, mengidentifikasi variable/ atribut mana saja yang memiliki kontribusi besar pada data dan mengpengelompokankan data kekambuhan kanker payudara secara kasat mata/ metode manual. Penelitian ini menggunaan algoritma Naïve Bayes dan algoritma K-MEANS untuk pengelompokan kekambuhan pasien kanker berdasarkan atribut tertentu pada dataset kanker payudara. Hasil dari penelitian ini menunjukan bahwa algoritma K-MEANS memiliki nilai pengelompokan lebih optimal.

2.2.3 Kajian Jurnal Ketiga

Penelitian yang dilakukan oleh Andhika Novandya dan Isni Oktria pada tahun 2017 yang berjudul “PENERAPAN ALGORITMA PENGELOMPOKAN DATA MINING K-MEANS PADA DATASET CUACA WILAYAH BEKASI”.

Penelitian ini membahas prakiraan cuaca pada umumnya sering disebut peramalan cuaca yang merupakan penggunaan ilmu dan teknologi untuk memperkirakan atmosfer bumi pada masa akan datang untuk suatu tempat tertentu. Penelitian ini bertujuan untuk mendapatkan pola pengelompokan cuaca dengan menggunakan algoritma pengelompokan data mining yaitu algoritma K-MEANS. Hasil pengujian algoritma K-MEANS menggunakan DBI dan dibuktikan dengan pembuatan aplikasi web untuk pengujian sehingga menghasilkan nilai pengelompokan optimal.

2.2.4 Kajian Jurnal Keempat

Penelitian yang dilakukan oleh Beti Novianti, Tedy Rismawan dan Syamsul Bahri pada tahun 2016 yang berjudul “IMPLEMENTASI DATA MINING DENGAN ALGORITMA K-MEANS UNTUK PENJURUSAN SISWA (STUDI KASUS: SMA NEGERI 1 PONTIANAK)”. Penelitian ini membahas proses penyortiran penjurusan siswa kelas X (sepuluh) SMA Negeri 1 Pontianak berdasarkan nilai rata-rata rapor SMP, nilai Ujian Nasional SMP, dan nilai tes MTK, IPA, dan IPS. Pada penelitian ini, penjurusan siswa dipengelompokan berdasarkan nilai tes akademik MTK, IPA, dan IPS, nilai rata-rata rapor SMP untuk mata pelajaran MTK, IPA, dan IPS, nilai Ujian Nasional SMP untuk mata pelajaran MTK dan IPA, dan minat siswa. Berdasarkan hasil penelitian, didapatkan hasil pengelompokan penjurusan siswa yang sudah diuji sesuai dengan tingkat pengelompokan optimal.

2.2.5 Kajian Jurnal Kelima

Penelitian yang dilakukan oleh Izza Khaerani dan Lekso Budi Handoko pada tahun 2015 yang berjudul “IMPLEMENTASI DAN ANALISA HASIL DATA MINING UNTUK PENGELOMPOKAN SERANGAN PADA INTRUSION DETECTION SYSTEM (IDS) DENGAN ALGORITMA K-MEANS”. Penelitian

ini membahas perihal serangan terhadap IDS yang kemungkinan terjadi dalam jaringan, baik lokal maupun yang terhubung dengan internet ketika paket data yang datang sangat banyak dan harus di analisa di kemudian hari. Tujuan dari penelitian ini adalah untuk mengpengelompokankan serangan pada data-data yang diujikan dengan

menggunakan metode pengelompokan dan algoritma pengelompokan K-MEANS.

Penelitian ini menggunakan koleksi data dari KDD’99 dan memiliki 41 atribut dimana atribut ini dilakukan fitur seleksi untuk menghapus atribut yang tidak relevan dengan menggunakan teknik evolusi. Hasil yang didapatkan dari fitur seleksi ini adalah 16 atribut dengan pengelompokan tinggi dari 41 atribut yang ada. Kemudian hasilnya dilakukan pemodelan dengan menggunakan algoritma K-MEANS dan menghasilkan sebuah aturan untuk digunakan dalam implementasi sistem analisa pengelompokan data.

2.2 Pengertian Analisis

Analisis adalah sebuah kegiatan untuk mencari suatu pola selain itu analisis merupakan cara berpikir yang berkaitan dengan pengujian secara sistematis terhadap sesuatu untuk menentukan bagian, hubungan antar bagian dan hubungannya dengan keseluruhan (Sugiono, 2015). Analisis adalah suatu usaha untuk mengurai suatu masalah atau fokus kajian menjadi bagian-bagian (decomposition) sehingga susunan/tatanan bentuk sesuatu yang diurai itu tampak dengan jelas dan karenanya bisa secara lebih terang ditangkap maknanya atau lebih jernih dimengerti duduk perkaranya (Komariyah, 2014)

2.3 Pengertian Karyawan

Tenaga kerja, pekerja, karyawan, potensi manusiawi sebagai penggerak organisasi dalam mewujudkan eksistensinya atau potensi yang merupakan aset dan berfungsi sebagai modal non material dalam organisasi bisnis yang dapat diwujudkan menjadi potensi nyata secara fisik dan non fisik dalam mewujudkan eksistensi organisasi

(Nawawi, 2011). Karyawan adalah setiap orang yang bekerja dengan menjualtenaganya (fisik dan pikiran) kepada suatu perusahaan dan memperoleh balas jasa yang sesuai dengan perjanjian (Hasibuan, 2009).

2.3 Data Mining

2.3.1 Pengertian Data Mining

Data Mining adalah suatu teknik menggali informasi berharga yang terpendam atau tersembunyi pada suatu koleksi data (database) yang sangat besar sehingga ditemukan suatu pola yang menarik yang sebelumnya tidak diketahui (Muflikhah, Ratnawati, & Rekyan, 2018).

Menurut (Nofriansyah & Nurcahyo, 2019) menyimpulkan bahwa berbagai ragam tentang pendefinisian data mining, meliputi:

1. Penguraian (yang tidak sederhana) dari sekumpulan data menjadi informasi yang memiliki potensi secara implisit (tidak nyata/jelas) yang sebelumnya tidak diketahui.

2. Penggalian dan analisis, dengan menggunakan peranti otomatis atau semi otomatis, dari sejumlah besar data yang bertujuan untuk menemukan pola yang memiliki arti.

3. Data mining juga merupakan bagian dari knowledge discovery dalam database (KDD).

Menurut Siregar dan Puspabhuana (2018: 8) karakteristik data mining sebagai berikut:

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 dapat dipercaya.

c. Data mining berguna untuk membuat keputusan kritis.

Berdasarkan definisi-definisi yang telah disampaikan, hal penting yang terkait dengan data mining adalah (Nofriansyah & Nurcahyo, 2019)

1. Data mining merupakan suatu proses otomatis terhadap data yang sudah ada.

2. Data yang akan diproses berupa data yang sangat besar.

3. Tujuan data mining adalah mendapatkan hubungan atau pola yang mungkin memberikan indikasi yang bermanfaat.

Sumber : Kusrini dan Luthfi, 2019

Gambar 2. 1 Bidang Ilmu Data Mining

Data mining bukanlah suatu bidang yang sama sekali baru. Salah satu kesulitan untuk mendefinisikan data mining adalah kenyataan bahwa data mining mewarisi banyak aspek dan teknik dari bidang-bidang ilmu yang sudah mapan terlebih dahulu.

Gambar 2.1 menunjukkan bahwa data mining memiliki akar yang panjang dari bidang ilmu seperti kecerdasan buatan (artificial intelligent), machine learning, statistik, database, dan juga information retrieval Pramudiono, 2005 dalam (Kusrini dan Luthfi 2019: 6).

Istilah data mining dan Knowledge Discovery in Database (KDD) sering kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang berbeda, tetapi berkaitan satu sama lain. Dan salah satu tahapan dalam keseluruhan proses KDD adalah data mining.

Sumber : https://www.kajianpustaka.com/2017/09/data-mining.html

Gambar 2. 2 Tahapan Data Mining

Menurut (Muflikhah, Ratnawati, & Rekyan, 2018) proses KDD secara garis besar dapat dijelaskan sebagai berikut:

1. Data Selection

Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi yang akan digunakan untuk proses data mining, disimpan dalam suatu berkas, terpisah dari basis data operasional.

2. Pre-processing/Cleaning

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus KDD. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Juga dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal.

3. Transformation

Coding adalah proses transformasi pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data.

4. Data Mining

Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma

dalam data mining sangat bervariasi. Pemilihan metode dan algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan

5. Interpretation/Evalution

Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesis yang ada sebelumnya.

Cross-Industry Standard Process for Data Mining (CRISP-DM) yang dikembangkan tahun 1996 oleh analis dari beberapa industri menyediakan standar proses data mining sebagai strategi pemecahan masalah secara umum dari bisnis atau unit penelitian. Dalam CRISP-DM, sebuah proyek data mining memiliki siklus hidup yang terbagi dalam 6 (enam) fase. Keseluruhan fase berurutan yang ada tersebut bersifat adaptif dan fase berikutnya dalam urutan bergantung kepada keluaran dari fase sebelumnya. Hubungan penting antar fase digambarkan dengan panah. Sebagai contoh, jika proses berada pada fase modeling. Berdasar pada perilaku dan karakteristik model, proses mungkin harus kembali kepada fase data preparation untuk perbaikan lebih lanjut terhadap data atau berpindah maju kepada fase evaluation. Proses data mining menurut CRISP-DM dapat dilihat pada Gambar 2.3.

Sumber : Kusrini dan Luthfi, 2019

Gambar 2. 3 Data Mining Menurut CRISP-DM

Menurut Larose, 2005 dalam (Gorunescu, 2019) Dalam CRISP-DM, siklus hidup data mining yang terbagi dalam 6 (enam) fase yaitu:

1. Fase pemahaman bisnis (Business Understanding Phase)

a. Penentuan tujuan proyek dan kebutuhan secara detail dalam hidup bisnis atau unit penelitian.

b. Menerjemahkan tujuan dan batasan menjadi formula dari permasalahan data mining.

c. Menyiapkan strategi awal untuk mencapai tujuan.

2. Fase pemahaman data (Data Understanding Phase)

a. Mengumpulkan data.

b. Menggunakan analisis penyelidikan data untuk mengenali lebih lanjut data dan pencarian pengetahuan awal.

c. Mengevaluasi kualitas data.

d. Jika diinginkan, pilih sebagian kecil grup data yang mungkin mengandung pola dari permasalahan.

3. Fase pengolahan data (Data Preparation Phase)

a. Siapkan data awal, kumpulkan data yang akan digunakan untuk keseluruhan fase berikutnya. Fase ini merupakan pekerjaan berat yang perlu dilaksanakan secara intensif.

b. Pilih kasus dan variabel yang ingin dianalisis dan yang sesuai analisis yang akan dilakukan.

c. Lakukan perubahan pada beberapa variabel jika dibutuhkan.

d. Siapkan data awal sehingga siap untuk perangkat pemodelan.

4. Fase pemodelan (Modeling Phase)

a. Pilh dan aplikasikan teknik pemodelan yang sesuai.

b. Perlu diperhatikan bahwa beberapa teknik mungkin untuk digunakan pada permasalahan data mining yang sama.

c. Jika diperlukan, proses dapat kembali ke fase pengolahan data untuk menjadikan data ke dalam bentuk yang sesuai dengan spesifikasi kebutuhan teknik data mining tertentu.

5. Fase evaluasi (Evaluation Phase)

a. Pengevaluasi satu atau lebih model yang digunakan dalam fase pemodelan untuk mendapatkan kualitas dan efektivitas sebelum disebarkan untuk digunakan.

b. Menetapkan apakah terdapat model yang memenuhi tujuan pada fase awal.

c. Menentukan apakah terdapat permasalah penting dari bisnis atau penelitian yang tidak tertangani dengan baik.

d. Mengambil keputusan yang berkaitan dengan penggunaan hasil dari data mining.

6. Fase penyebaran (Deployment Phase)

a. Menggunakan model yang dihasilkan. Terbentuknya model tidak menandakan telah terselesaikannya proyek.

b. Contoh sederhana penyebaran: pembuatan laporan.

c. Contoh kompleks penyebaran: penerapan proses data mining secara paralel pada departemen lain.

2.1.2 Pengelompokan Data Mining

Menurut Larose, 2005 dalam (Kusrini dan Luthfi 2009: 10) data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan yaitu:

1. Deskripsi

Terkadang peneliti dan analis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat dalam data.

Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam pemilihan presiden. Deskripsi dari pola dan kecenderungan sering memberikan kemungkinan penjelasan untuk suatu pola atau kecenderungan.

2. Estimasi

Estimasi hampir sama dengan pengelompokan, kecuali variabel target estimasi lebih ke arah numerik dari masa ke arah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai nilai pengelompokan. Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat berdasarkan nila variabel pengelompokan. Sebagai contoh, akan dilakukan estimasi tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis kelamin, indeks berat badan, dan level sodium darah. Hubungan antara tekanan darah sistolik dan nilai variabel reduksi dalam proses pembelajaran akan

menghasilkan model estimasi. Model estimasi yang dihasilkan dapat digunakan untuk kasus baru lainnya.

Contoh lain yaitu estimasi nilai indeks prestasi kumulatif mahasiswa program pascasarjana dengan melihat nilai indeks prestasi mahasiswa tersebut pada saat mengikuti program sarjana.

3. Pengelompokan

Dalam pengelompokan, terdapat terget variabel kategori. sebagai contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah.

Contoh lain pengelompokan dalam bisnis dan penelitian adalah:

a. Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang curang atau bukan.

b. Memperkirakan apakah suatu pengajuan hipotek oleh nasabah merupakan suatu kredit yang baik atau buruk.

c. Mendiagnosis penyakit seorang pasien untuk mendapatkan termasuk kategori penyakit apa.

4. Pengklusteran

Pengklusteran merupakan pengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.

Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan tidak memiliki kemiripan dengan record-record dalam kluster lain. Pengklusteran berbeda dengan pengelompokan yaitu tidak adanya variable target dalam pengklusteran. pengklusteran tidak mencoba untuk

melakukan pengelompokan, mengestimasi, atau memPENGELOMPOKAN nilai dari variable target. Akan tetapi, algoritma pengklusteran mencoba untuk melakukan pembagian terhadap keselurahan data menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana kemiripan record dalam suatu kelompok akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok lain akan bernilai minimal.

Contoh pengklusteran dalam bisnis dan penelitian adalah:

a. Mendapatkan kelompok-kelompok konsumen untuk target pemasaran dari suatu produk sebuah perusahaan yang tidak memiliki dana pemasaran yang besar.

b. Untuk tujuan audit akuntansi, yaitu melakukan pemisahan terhadap perilaku finansial dalam baik maupun mencurigakan.

c. Melakukan pengklusteran terhadap ekspresi dari gen, untuk mendapatkan kemiripan perilaku dari gen dalam jumlah besar.

5. Asosiasi

Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang pasar.

Contoh asosiasi dalam bisnis dan penelitian adalah:

a. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang diharapkan untuk memberikan respon positif terhadap penawaran upgrade layanan yang diberikan.

b. Menemukan barang dalam supermarket yang dibeli secara bersamaan dan barang yang tidak pernah dibeli secara bersamaan.

2.2 Algoritma K-MEANS

Algoritma K-Means merupakan algoritma yang digunakan untuk pengelompokan iteratif, algoritma ini melakukan partisi set data ke dalam sejumlah K cluster yang sudah ditetapkan diawal. Partisi set data tersebut dilakukan untuk mengetahui karakteristik dari setiap cluster, sehingga cluster yang memiliki karakteristik sama dikelompokkan kedalam satu cluster dan yang memiliki karakteristik berbeda dikelompokkan kedalam cluster lain. Berikut ini merupakan alur dari algoritma KMeans (Poteras, et al. 2014):

1. Tentukan banyaknya K, dimana K adalah jumlah cluster yang akan dibentuk.

2. Tetapkan titik pusat cluster secara acak atau random, titik pusat cluster sering disebut dengan nama centroid.

3. Hitung setiap jarak data yang ada terhadap masing-masing centroid dengan menggunakan rumus Euclidean Distance.

= ( − ) + ( − )

Keterangan :

= Euclidean Distance i = banyaknya objek (x,y) = koordinat objek

(s,t) = koordinat centroid ( titik pusat cluster )

2.4 Davies-Bouldin Index (DBI)

David L. Davies dan Donald W. Bouldin memperkenalkan sebuah metode yang diberi nama dengan nama mereka berdua, yaitu Davies-Bouldin Index (DBI) yang digunakan untuk mengevaluasi cluster (Nawrin, et al. 2017). Evaluasi menggunakan Davies- Bouldin Index ini memiliki skema evaluasi internal cluster, dimana baik atau tidaknya hasil cluster dilihat dari kuantitas dan kedekatan antar data hasil cluster (Bates & Kalita 2016). Davies-Bouldin Index merupakan salah satu metode yang digunakan untuk mengukur validitas cluster pada suatu metode pengelompokan, kohesi didefinisikan sebagai jumlah dari kedekatan data terhadap titik pusat cluster dari cluster yang diikuti. Sedangkan separasi didasarkan pada jarak antar titik pusat cluster terhadap clusternya. Pengukuran dengan Davies-Bouldin Index ini memaksimalkan jarak inter-cluster antara cluster Ci dan Cj dan pada waktu yang sama mencoba untuk meminimalkan jarak antar titik dalam sebuah cluster. Jika jarak inter-cluster maksimal, berarti kesamaan karakteristik antar-masing-masing cluster sedikit sehingga perbedaan antar-cluster terlihat lebih jelas. Jika jarak intra-cluster minimal berarti masing-masing objek dalam cluster tersebut memiliki tingkat kesamaan karakteristik yang tinggi (Wani & Riyaz 2017). Tahapan dari perhitungan Davies- Bouldin Index adalah sebagai berikut:

2.4 Kebutuan Software 2.4.1 Microsoft Excel

Microsoft excel adalah software spreadsheet paling terkenal didunia bisnis, perkantoran maupun pendidikan. Excel sangat membantu banyak pekerjaan disetiap bidang, dan selalu dijumpai dimanapun karena aplikasi ini sangat universal. Software

excel ini memiliki banyak fitur kalkulasi dan pembuatan grafis, serta mudah digunakan menjadikan excel sebagai software paling banyak diminati para pengguna terutama pekerja.

Berikut ini adalah pengertian Microsoft excel menurut para ahli:

Menurut (Alam, 2006), Microsoft Excel merupakan perangkat lunak (software) untuk mengolah data, meliputi perhitungan dasar, penggunaan fungsi-fungsi, pembuatan grafik, dan manajemen data. Software ini sangat membantu untuk menyelesaikan permasalahan administrative, mulai yang paling sederhana sampai dengan yang lebih kompleks.

Microsoft Excel merupakan program lembar kerja elektonik (spreadsheet) yang dapat dipakai untuk mengelola teks, angka, rumus, database, grafik dan lain-lain dalam suatu lembar kerja elektronik (Agus J, 2006:2).

2.4.2 RAPID MINER

Menurut Fatmawati (2016:53) RapidMiner merupakan perangkat lunak yang dibuat oleh Dr. Markus Hofmann dari Institute of Technology Blanchardstown dan Raif Klinkenberg dari rapid-i.com dengan tampilan GUI (Graphical User Interface) sehingga memudahkan pengguna dalam menggunakan perangkat lunak ini. Perangkat lunak ini bersifat open source dan dibuat dengan menggunakan bahasa Java dibawah lisensi GNU Public License dan RapidMiner dapat dijalankan disistem operasi manapun. Dengan menggunakan RapidMiner, tidak dibutuhkan kemampuan koding khusus, karena semua fasilitas sudah disediakan. RapidMiner dikhususkan untuk

penggunaan data mining.Berikut tampilan utama pada RAPID MINER ditunjukkan pada gambar 2.4.

Gambar 2. 4 Tampilan Utama RAPID MINER

2.5 Kerangka Berfikir

Adapun kerangka pemikiran dari penelitian yang dilakukan adalah sebagai berikut:

Gambar 2.5 Kerangka Pemikiran Rumusan Maslah

Bagaimana pengelompokan data penilaian karyawan menggunakan metode algoritma

K-MEANS terkait dengan masalah proses seleksi pengangkatan karyawan tetap sebagai

Microsoft Exel dan Aplikasi RAPID MINER

Hasil

Pengujian tingkat optimal dan tepat berdasarkan perhitungan algoritma k-means untuk pengangkatan karyawan

tetap

28 BAB III

METODE PENELITIAN

3.1 Objek Penelitian

Dalam penyusunan skripsi ini penulis melakukan penelitian di PT. Pyojoon Mold Indonesia yang beralamat di Kawasan industri Jababeka 2 blok RR No 10A Pasir Sari Bekasi, Jawa Barat. Penelitian ini dilakukan untuk mengumpulkan data dan keterangan yang berkaitan dengan judul penelitian.

3.1.1 Sekilas Tentang Perusahaan

PT. Pyojoon Mold Indonesia adalah perusahaan manufaktur, yang beralamat di Indonesia yang beralamat di Kawasan industri Jababeka 2 blok RR No 10A Pasir Sari Bekasi, Jawa Barat, Jawa Barat. Sebagai perusahaan manufaktur PT. Pyojoon Mold Indonesia menyediakan jasa pembuatan mold injection plastik dengan manajemen pengelolaan yang disiplin hukum, comperhensif, dan mengutamakan win – win solutions dan didukung oleh tenaga yang cukup berpengalaman, terlatih, terdidik, berdedikasi, dan dengan profesionalitas yang tinggi.

Dalam menjalankan aktivitas bisnis, PT. Pyojoon Mold Indonesia sangat menghargai kepercayaan klien dan mitra usaha, dengan bertekad memberikan pelayanan yang terbaik untuk klien maupun kandidat karyawan yang dikelola. PT.

Pyojoon Mold Indonesia senantiasa menjalankan usaha dengan memenuhi komitmen, memberikan kepastian dan menjamin kepuasan bagi klien dan mitra usaha sehingga

memajukan usaha yang harmonis, dinamis, dan dapat terwujud dengan hasil yang optimal.

3.1.2 Visi dan Misi Perusahaan

Sebagai perusahaan yang baik dan ingin maju haruslah mempunyai visi dan misi kedepan guna mencapai tujuan dari perusahaan tersebut, adapun visi dan misi dari PT. Pyojoon Mold Indonesia adalah sebagai berikut:

1. Visi

- Menciptakan teknologi baru

- Pelayanan untuk kepuasan pelanggan 2. Misi

“Mengembangkan Molding dengan kwalitas tinggi, harga bersaing dan teknologi terbaru.”

3.1.3 Struktur Organisasi

Struktur Organisasi adalah suatu susunan dan hubungan antara tiap bagian

Dalam dokumen ANALISIS PENENTUAN KARYAWAN TETAP DENGAN MENGGUNAKAN METODE ALGORITMA K-MEANS DAN DAVIES BOULDIN INDEX (STUDI KASUS: PT PYOJOON MOLD INDONESIA) (Halaman 23-0)