BAB II LANDASAN TEORI
2.2 Penelitian Terdahulu
Beberapa penelitian mengenai prediksi tingkat kompetensi karyawan ataupun yang mendekati penelitian tersebut.
1. Algoritma C4.5 Untuk Penilaian Kinerja Karyawan (Windy Julianto, Rika Yunitarini & Mochamad Kautsar Sophan, 2014). Berdasarkan evaluasi yang dilakukan dapat diketahui bahwa proses pembentukan pohon menggunakan
teknik pruning memiliki kecepatan yang lebih tinggi karena penyederhanaan pohon, tetapi tidak selalu memilki akurasi yang lebih besar. Pohon keputusan Partisi A menggunakan teknik pruning dengan jumlah data taining lebih besar daripada data testing memiliki akurasi tertinggi dibandingkan dengan pohon keputusan yang lain, yaitu mencapai 90%. 2. Kajian Komparasi Penerapan Algortma C4.5, Neural Network , Dan Svm
Dengan Teknik Pso Untuk Pemilihan Karyawan Teladan PT. Xyz (Rudi Apriyadi Raharjo, 2017). Dari pengukuran kinerja ketiga algoritma yang telah dilakukan dengan menggunakan teknik PSO dan berdasarkan jumlah data maka dapat disimpulkan bahwa Algoritma C4.5 memiliki kemampuan dalam pengambilan keputusan untuk menentukan karyawan teladan yang diterima dan yang ditolak.
3. Implementasi Data Mining dengan Algoritma C4.5 untuk Memprediksi Tingkat Kelulusan Mahasiswa (David Hartanto Kamagi, Seng Hansun, 2014). Aplikasi desktop berhasil memprediksi kelulusan mahasiswa dengan presentase 87.5% dari enam puluh data training dan empat puluh data testing. Hasil prediksi kelulusan dari aplikasi penelitian ini dapat membantu bagian program studi untuk mengetahui status kelulusan mahasiswa. Hal ini dapat menjadi rekomendasi pengambilan mata kuliah bagi mahasiswa untuk semester berikutnya seperti skripsi dan magang. Dengan hal tersebut mahasiswa bisa lulus tepat waktu.
4. Pengaruh Kompetensi Terhadap Kinerja Karyawan Pada PT. Frisian Flag Indonesia (Marliana Budhiningtias Winanti, Program Studi Manajemen Informatika, Universitas Komputer Indonesia). Kompetensi karyawan yang meliputi kompetensi intelektual, kompetensi emosional dan kompetensi sosial pada karyawan PT. Frisian Flag Indonesia wilayah Jawa Barat rata-rata skornya termasuk dalam kategori tinggi. Kompetensi intelektual lebih tinggi dibandingkan kompetensi emosional dan kompetensi sosial, hal ini berarti karyawan PT. Frisian Flag Indonesia wilayah Jawa Barat memiliki semangat kerja, pengetahuan, kepedulian dan pemahaman permasalahan yang tinggi dibandingkan kemampuan karyawan dalam memahami lingkungan secara objektif dan moralis, pengendalian emosional dan
membangun jaringan kerja sama serta mempengaruhi rekan kerja atau bawahan.
5. Application Of Data Mining Algorithm To Recipient Of Motorcycle Installment (Harry Dhika, Fitriana Destiawati, 2015). Penerapan algoritma data mining terhadap penerima kredit motor memiliki tingkat akurasi yang cukup tinggi yaitu 87% atau sekitar 217 konsumen. Sedangkan yang ditolak sebesar 16% atau sebanyak 6 konsumen yang ditolak pengajuan kreditnya dari 224 konsumen. Kategori peneitian ini masuk dalam klasifikasi baik dengan presentase 0.80-0.90. Dari hasil tersebut maka perlu terus dikembangkan dan dikomparasikan dengan beberapa algoritma lain sehingga hasil akurasi bisa jauh lebih baik lagi.
6. Sistem Pendukung Keputusan Pemilihan Karyawan Teladan Dengan Metode Smart / Simple Multi Attributte Rating Technique (Suryanto, Muhammad Safrizal, 2015). Berdasarkan penelitian berupa kuesioner yang dilakukan terhadap Admin didapatkan hasil persentase sistem berada pada kisaran angka 83,57% sesuai pada realitas jawaban yang diharapkan, sehingga sistem ini sudah dikatakan user interfae dan Manager didapatkan hasil persentase sistem berada pada kisaran angka 83% sesuai pada realitas jawaban yang diharapkan, sehingga sistem ini sudah dikatakan layak digunakan.
7. SPK Pemilihan Calon Pendonor Darah Potensial dengan Algoritma C4.5 dan Fuzzy Tahan (Mahmud Yunus, Harry Soekotjo Dahlan, dan Purnomo Budi Santoso, 2014). Proses pembentukan pohon keputusan dengan algoritma data mining C4.5 diakukan pada data kasus transaksi donor darah yang terjadi pada tahun 2010 s/d 2011, menghasilkan 134 aturan keputusan dengan rincian (1) 26 aturan keputusan ‘Ya’ dan (2) 108 aturan ‘Tidak’, dengan rata-rata waktu pembelajaran 3 menit 2,57 detik.
8. Analisis komparasi algoritma klasifikasi data mining untuk prediksi mahasiswa non aktif (Hastuti, K. 2012). Hasil dari proses klasifikasi di evaluasi menggunakan cross validation, confusion matrix, ROC Curve dan T-Test untuk mengetahui algoritma mana yang paling tepat dan akurat. Hasil dari studi ini di dapatkan bahwa algoritma decision tree merupakan
algoritma yang paling akurat, namun demikian algoritma decision tree tidak dominan terhadap algoritma lainnya.
9. Rancang Bangun Aplikasi Data Mining untuk Memprediksi Hasil Belajar Siswa Sekolah Menengah Atas Berbasis Web dengan Algortima K-NN (Riveranda, Rois, Saf, & Zul, 2016). Dari hasil uji confusion matrix setelah 3 kali pengujian berdasarkan nilai K, maka didapat nilai K5 (79,34%) yang mereka terapkan untuk algoritma K-NN.
10. Analisis Profil Mahasiswa Politeknik Negeri Batam dengan Teknik Data Mining Asosiasi dan Clustering (Sari & Jannah, 2016). Data mining dapat digunakan untuk mengelompokkan, mengidentifikasi pola – pola tersembunyi dari gaya belajar mahasiswa, menemukan perilaku mahasiswa yang tidak diinginkan serta menganalisis profil mahasiswa.
11. Educational Data Mining & Students Performance Prediction (Abu Saa, A, 2016). Menggunakan data mining dengan teknik naive bayes classifier untuk mengetahui pola-pola yang tersembunyi dan berpengaruh dalam kemampuan siswa. Mencoba menelusuri apakah ada kaitan nya antara kemampuan siswa, kondisi kejiwaan siswa, dan tingkat kemampuan sosial ekonomi keluarga dalam kegiatan belajar.
12. Data Mining untuk Memprediksi Prestasi Siswa Berdasarkan Sosial Ekonomi, Motivasi, Kedisiplinan dan Prestasi Masa Lalu (Heri Susanto, Sudiyatno, 2014). Menggunakan data mining dan memakai 3 algoritma sebagai perbandingan yaitu J48, CHAID, Regresi Ganda dan hasilnya algoritma J48 lebih unggul di antara ketiga nya karena tingkat akurasi nya 95,7%.
13. Mapping Students Performance Based on Data Mining Appraoch (Harwati, Ardita Permana Alfiani, Febriana Ayu Wulandari, 2015). Improvisasi kinerja siswa dengan menggunakan 300 siswa, algoritma yang dipakai adalah K-Mean Clustering. Atribut yang digunakan yaitu jenis kelamin, tempat tinggal, GPA, nilai – nilai ujian dan hasil nya ditemukan siswa pintar (45,74%), siswa standar (33,33%), siswa rendah (20,92%).
14. Framework for Students Academic Performance Analysis Using Naive Bayes Classifier (Azwa Abdul Aziz, Nur Hafiza Ismail, Fadhilah Ahmad,
Hasni Hassan, 2014). Metode yang dipakai menggunakan naive bayes klasifikasi. Data yang digunakan sebagai bahan penelitian yaitu data kampus selama 6 tahun ke belakang 2006 – 2012 dan atribut yang mereka gunakan yaitu penghasilan keluarga, jenis kelamin, tempat tinggal.
15. Penerapan Algoritma C4.5 untuk Memprediksi Penerimaan Calon Pegawai Baru di PT WISE (Fandy Ferdian Haryanto, 2017). Implementasi Algoritma C4.5 untuk melakukan prediksi terhadap calon pegawai baru pada PT WISE telah berhasil dilakukan. Hasil tingkat keberhasilan prediksi calon pegawai baru di PT WISE secara keseluruhan yang telah diukur menggunakan ten-fold cross validation adalah sebesar 71%. Penelitian ini melihat data mining dalam memprediksi penerimaan calon pegawai baru menggunakan Algoritma C4.5.
16. Prediksi Kelulusan Mahasiswa dengan Metode Algoritma C4.5 (Jajam Haerul Jaman, 2013). Dalam penelitian ini penulis melakukan model penelitian Algoritma C4.5 yang di analisis adalah data dari mahasiswa angkatan tahun 2008 Fakultas Ilmu Komputer Universitas Singaperbangsa Karawang, dari hasil analisis ternyata bahwa untuk kelulusan yang dilihat dari gender perempuan lebih besar persentase nya dibandingkan dengan gender laki – laki, kemudian nilai gain yang didapat dari usia pada mahasiswa yang bekerja lebih kepada mahasiswa dengan kategori usia 1, dan nilai gain yang didapat dari usia pada mahasiswa yang tidak bekerja lebih kepada mahasiswa dengan kategori usia 3. Penelitian ini melihat data mining dalam memprediksi kelulusan mahasiswa menggunakan Algoritma C4.5.
17. Penerapan Data Mining untuk Memprediksi Prestasi Akademik Mahasiswa Berdasarkan Dosen, Motivasi, Kedisiplinan, Ekonomi, dan Hasil Belajar (Eka Sabna, 2016). Berdasarkan analisis data menggunakan Algoritma Decision Tree untuk memprediksi prestasi akademik berdasarkan sosial ekonomi, motivasi, peran dosen, disiplin dan hasil belajar masa lalu diperoleh hasil : variabel hasil belajar masa lalu adalah variabel yang menentukan potensi seseorang berhasil atau tidak dalam prestasi akademik. Hal ini dibuktikan bahwa Hasil Belajar menjadi mode yang terpilih/awal.
Variabel Peran Dosen menjadi variabel kedua menentukan prestasi akademik. Variabel Disiplin menjadi variabel ketiga menentukan prestasi akademik. Hasil akurasi klasifikasi menggunakan metode Area Under Curve (AUC) memperoleh nilai 65%. Penelitian ini melihat data mining dalam memprediksi prestasi akademik mahasiswa menggunakan Algoritma C4.5.
18. Penerapan Algoritma C4.5 untuk Penentuan Jurusan Mahasiswa (Liliana Swastina, 2013). Dari hasil uji Algoritma Decision Tree C4.5 memprediksi lebih akurat dari pada Algoritma Naive Bayes dalam penentuan kesesuaian jurusan dan rekomendasi jurusan mahasiswa. Dengan demikian dapat disimpulkan bahwa Algoritma Decision Tree C4.5 akurat diterapkan untuk penentuan kesesuaian jurusan mahasiswa dengan tingkat keakuratan 93,31% dan akurasi rekomendasi jurusan sebesar 82,64%. Penelitian ini melihat data mining dalam penentuan jurusan mahasiswa menggunakan Algoritma C4.5.
19. Aplikasi Data Mining dengan Metode Classification Berbasis Algoritma C4.5 (Rizky Tahara Shita, 2013). Implementasi Classifiacation berbasis Algoritma C4.5 pada aplikasi sangat membantu dalam menganalisis perkiraan keterlambatan laporan survey dengan cara membentuk pohon keputusan yang memanfaatkan data permohonan yang ditunjang dengan aplikasi berbasis web, sehingga pihak terkait dapat lebih cepat dan mudah dalam mendapatkan informasi untuk menunjang keputusan secara mobile. Penelitian ini melihat data mining classification berbasis Algoritma C4.5.
Tabel 2.2 : Rangkuman Kajian Penelitian
No Tahun Judul Metode Kesimpulan
1. 2014 Algoritma C4.5 Untuk Penilaian Kinerja Karyawan (Windy Julianto, Rika Yunitarini & Mochamad Kautsar
Algoritma C4.5 Dengan adanya
system ini,
pengolahan data meliputi
penempatan dan kinerja karyawan
Sophan) dapat dilakukan dengan mudah dan cepat.
2. 2017 Kajian Komparasi Penerapan Algoritma C4.5 , Neural Network, Dan Svm Dengan Teknik Pso Untuk Pemilihan Karyawan Teladan PT.Xyz (Rudi Apriyadi Raharjo) Algoritma C4.5, Neural Network Dan Svm Ketiga algoritma (C4.5, Neural Network, dan SVM) dapat digunakan dalam memutuskan Karyawan Teladan di PT. XYZ. Ketiga algoritma ini dikomparasi kemudian diuji akurasinya. Tingkat akurasi tertinggi lah yang digunakan dalam menentukan Karyawan Teladan. 3. 2014 Implementai Data Mining dengan Algoritma C4.5 untuk Memprediksi Tingkat Kelulusan Mahasiswa (David Hartanto Kamagi, Seng Hansun).
Algoritma C4.5 Data mining dengan algoritma C4.5 dapat diimplementasikan untuk memprediksi tingkat kelulusan mahasiswa dengan empat kategori yaitu lulus cepat, lulus tepat, lulus terlambat dan drop out. Attribute yang paling berpengaruh
dalam hasil prediksi adalah IPS enam. 4. 2016 Pengaruh Kompetensi
Terhadap Kinerja Karyawan Pada PT. Frisian Flag Indonesia ( Marliana Budhiningtias Winanti, Program Studi Manajemen Informatika, Unversitas Komp uter Indonesia) Struktural Equation Modeling (SEM) Kompetensi memiliki pengaruh yang positif dan signifikan terhadap kinerja karyawan PT. Frisian Flag Indonesia wilayah Jawa Barat. Artinya kompetensi karyawan menstimulir optimasi pembentukan kinerja karyawan PT. Frisian Flag Indonesia wilayah Jawa Barat. 5. 2015 Application Of Data Mining Algorithm To Recipient Of Motorcycle Installment (Harry Dhika, Fitriana Destiawati).
Algoritma C4.5 Penerapan algoritma data mining terhadap penerima kredit motor memiliki tingkat akurasi yang cukup tinggi yaitu 87% atau sekitar 217 konsumen. Sedangkan yang ditolak sebesar 16% atau sebenyak 6
konsumen yang ditolak pengajuan kreditnya dari 224 konsumen. 6. 2015 Sistem Pendukung Keputusan Pemilihan Karyawan Teladan Dengan Metode Smart / Simple Multi Attribute Rating Technique (Suryanto, Muhammad Safrizal) Smart / Simple Multi Attribute Rating Technique Aplikasi Sistem Pendukung Keputusan Pemilihan Karyawan Teladan ini telah berhasil dibangun untuk Metro Plaza Swalayan pemilihan karyawan untuk menghasilkan keputusan yang lebih objektif, terkomputerisasi dan mengurangi terjadiya human error. 7. 2014 SPK Pemilihan Calon Pendonor Darah Potensial dengan Algoritma C4.5 dan Fuzzy Tahani (Mahmud Yunus, Harry Soekotjo Dahlan, dan Purnomo Budi Santoso). Algoritma C4.5 dan Fuzzy Tahani Akurasi hasil prediksinya adalah (a) 90,56% untuk semua golongan darah; (b) 88,64% untuk golongan darah A; (c) 93,33% untuk golongan darah B; (d) 84,62% untuk golongan
darah AB dan (e) 91,03% untuk golongan darah O. Rata-rata tingkat akurasi prediksi adalah sebesar 89,64%. 8. 2012 8Analisis komparasi algoritma klasifikasi data mining untuk prediksi mahasiswa non aktif (Hastuti, K.).
Algoritma C4.5 Hasil dari proses klasifikasi di evaluasi
menggunakan cross validation,
confusion matrix, ROC Curve dan
T-Test untuk
mengetahui
algoritma mana yang paling tepat dan akurat. Hasil dari studi ini di dapatkan bahwa algoritma decision tree merupakan algoritma yang paling akurat, namun demikian algoritma decision tree tidak dominan terhadap algoritma lainnya.
Aplikasi Data Mining untuk Memprediksi Hasil Belajar Siswa Sekolah Menengah Atas Berbasis Web dengan Algortima K-NN (Riveranda, Rois, Saf, & Zul).
confusion matrix setelah 3 kali pengujian
berdasarkan nilai K, maka didapat nilai K5 (79,34%) yang mereka terapkan untuk algoritma K-NN. 10. 2016 Analisis Profil Mahasiswa Politeknik Negeri Batam dengan Teknik Data Mining Asosiasi dan Clustering (Sari & Jannah).
Algoritma C4.5 Data mining dapat digunakan untuk mengelompokkan, mengidentifikasi pola – pola tersembunyi dari gaya belajar mahasiswa, menemukan perilaku mahasiswa yang tidak diinginkan serta menganalisis profil mahasiswa. 11. 2016 Educational Data Mining & Students Performance Prediction (Abu Saa, A).
Algoritma Naive fBayes
Menggunakan data mining dengan teknik naive bayes classifier untuk mengetahui
pola-pola yang
tersembunyi dan berpengaruh dalam
kemampuan siswa. Mencoba
menelusuri apakah ada kaitan nya antara kemampuan siswa, kondisi kejiwaan siswa, dan tingkat kemampuan sosial ekonomi keluarga dalam kegiatan belajar. 12. 2014 Data Mining untuk
Memprediksi Prestasi Siswa Berdasarkan Sosial Ekonomi, Motivasi, Kedisiplinan dan Prestasi Masa Lalu (Heri Susanto, Sudiyatno). Algoritma J48, CHAID, Regrsi Ganda Menggunakan data mining dan memakai 3 algoritma sebagai perbandingan yaitu J48, CHAID, Regresi Ganda dan hasilnya algoritma J48 lebih unggul di antara ketiga nya karena tingkat akurasi nya 95,7%.
13. 2015 Mapping Students Performance Based on Data Mining Appraoch (Harwati, Ardita Permana Alfiani, Febriana Ayu Wulandari). Algoritma K-Mean Improvisasi kinerja siswa dengan menggunakan 300 siswa, algoritma yang dipakai adalah K-Mean Clustering. Atribut yang
digunakan yaitu jenis kelamin, tempat tinggal, GPA, nilai – nilai ujian dan hasil nya ditemukan siswa pintar (45,74%), siswa standar (33,33%), siswa rendah (20,92%).
14. 2014 Framework for Students Academic Performance Analysis Using Naive Bayes Classifier (Azwa Abdul Aziz, Nur Hafiza Ismail, Fadhilah Ahmad, Hasni Hassan). Algoritma Naive Bayes Metode yang dipakai menggunakan naive bayes klasifikasi. Data yang digunakan sebagai bahan penelitian yaitu data kampus selama 6 tahun ke belakang 2006 – 2012 dan atribut yang mereka gunakan yaitu penghasilan keluarga, jenis kelamin, tempat tinggal. 15. 2017 Penerapan Algoritma C4.5 untuk Memprediksi Penerimaan Calon Algoritma C4.5 Implementasi Algoritma C4.5 untuk melakukan
Pegawai Baru di PT WISE (Fandy Ferdian Haryanto).
prediksi terhadap calon pegawai baru pada PT WISE telah berhasil dilakukan. Hasil tingkat keberhasilan prediksi calon pegawai baru di PT WISE secara keseluruhan yang telah diukur menggunakan ten-fold cross validation adalah sebesar 71%. Penelitian ini melihat data mining dalam memprediksi penerimaan calon pegawai baru menggunakan Algoritma C4.5. 16. 2013 Prediksi Kelulusan Mahasiswa dengan Metode Algoritma C4.5 (Jajam Haerul Jaman).
Algoritma C4.5 Hasil analisis ternyata bahwa untuk kelulusan yang dilihat dari gender perempuan
lebih besar
persentase nya dibandingkan
dengan gender laki – laki, kemudian nilai gain yang didapat
dari usia pada mahasiswa yang bekerja lebih kepada mahasiswa dengan kategori usia 1, dan nilai gain yang didapat dari usia pada mahasiswa yang tidak bekerja lebih kepada mahasiswa
17. 2016 Penerapan Data Mining untuk Memprediksi Prestasi Akademik Mahasiswa Berdasarkan Dosen, Motivasi, Kedisiplinan, Ekonomi, dan Hasil Belajar (Eka Sabna).
Algoritma C4.5 Hal ini dibuktikan bahwa Hasil Belajar menjadi mode yang terpilih/awal. Variabel Peran Dosen menjadi variabel kedua menentukan prestasi akademik. Variabel Disiplin menjadi variabel ketiga menentukan prestasi akademik. Hasil akurasi klasifikasi menggunakan
metode Area Under
Curve (AUC)
memperoleh nilai 65%. Penelitian ini melihat data mining dalam memprediksi
prestasi akademik mahasiswa menggunakan Algoritma C4.5. 18. 2013 Penerapan Algoritma C4.5 untuk Penentuan Jurusan Mahasiswa (Liliana Swastina).
Algoritma C4.5 Dari hasil uji Algoritma Decision
Tree C4.5
memprediksi lebih akurat dari pada Algoritma Naive Bayes dalam penentuan kesesuaian jurusan dan rekomendasi jurusan mahasiswa. Dengan demikian dapat disimpulkan bahwa Algoritma Decision Tree C4.5 akurat diterapkan untuk penentuan kesesuaian jurusan mahasiswa dengan tingkat keakuratan 93,31% dan akurasi rekomendasi jurusan sebesar 82,64%. Penelitian ini melihat data mining dalam penentuan jurusan mahasiswa menggunakan
Algoritma C4.5. 19. 2013 Aplikasi Data Mining
dengan Metode Classification Berbasis Algoritma C4.5 (Rizky Tahara Shita, 2013). Algoritma C4.5 Implementasi Classifiacation berbasis Algoritma C4.5 pada aplikasi sangat membantu dalam menganalisis perkiraan keterlambatan laporan survey dengan cara membentuk pohon keputusan yang memanfaatkan data permohonan yang ditunjang dengan aplikasi berbasis web, sehingga pihak terkait dapat lebih cepat dan mudah dalam mendapatkan informasi untuk menunjang
keputusan secara mobile. Penelitian ini melihat data mining classification berbasis Algoritma C4.5.