ANALISIS KEPUASAN MAHASISWA TERHADAP PELAYANAN AKADEMIK DEPARTEMEN TEKNIK INDUSTRI USU MENGGUNAKAN ALGORITMA C5.0 DAN
CLASSIFICATION AND REGRESSION TREE (CART)
TUGAS SARJANA
Diajukan Untuk Memenuhi Sebagian Dari
Syarat-syarat Memperoleh Gelar Sarjana Teknik Industri
Oleh
Muhammad Afif NIM: 170403031
D E P A R T E M E N T E K N I K I N D U S T R I F A K U L T A S T E K N I K
UNIVERSITAS SUMATERA UTARA
2021
MEDAN 20155
"KEPUTUSAN SIDANG SARJANA LENGKAP"
No. :55/UN5.2.1.4.1.4/KRK/2021
Pada hari ini Sidang Sarjana Lengkap Departemen Teknik Industri Fakultas Teknik Universitas Sumatera Utara di Medan setelah mendengar, memperhatikan dan memperhitungkan hasil-hasil yang dicapai selama
berlangsungnya Sidang Sarjana Lengkap Teknik Industri terhadap
Nama Muhammad Afif
NIM 170403031
Tempat dan Tanggal Lahir :Jambi, 26 Maret 2000
Judul Tugas Sarjana Analisis Kepuasan Mahasiswa Terhadap Pelayanan Akademik Departemen Teknik Industri USU Menggunakan Algoritma
C5.0 dan Classification and Regression Tree (CART)
Pembimbing I Pembimbing II
:Ir. Aulia Ishak, S.T., M.T., Ph.D., IPM
-
Memutuskan dan menetapkan nama yang tersebut diatas dinyatakan
LULUS, dengan hasil
: Cukup: C/C+ Baik: B/B+ Sangat Baik: AMembuat Perbaikam Tanpa Perbaikan Suplemen
Yang bersangkutan dinyatakan sebagai Sarjana dalam bidang Teknik Industri, bila perbaikan (kalau ada) sudah|
selesai, maka ljazah Sarjana Teknik akan dikeluarkan oleh Universitas Sumatera Utara bersama Fakultas Teknik
USU, dan Transkrip Akademik selama mengikuti kuliah dan praktikum pada Fakultas Teknik akan dikeluarkan oleh Departemen Teknik Industri.
b. TIDAK LULUS, dengan hasil : Kurang
Yang bersangkutan diwajibkan.. * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * e e n n o o n o * * * * * * * * * * * * * * * * * * *
**************************"
untuk dapat mengikuti sidang sarjana yang Kedua/Ketiga
Medan, 04 Agustus 2021 PANITIA UJIAN SARJANA LENGKAP DEPARTEMEN TEKNIK INDUSTRI
FAKULTAS TEKNIK USU
Panitera, Koordinator Pelaksana Sidang,
Buchari, S.T., M. Kes Ir. Aulia Ishak, ST, MT, Ph.D, IPM
Penguji 1, Penguji I1, Penguji ll,
A2
Dr. Ir. Mit Sembiring, ST, MT,IPM Andri Nasution, ST, MT Ir. Aulia Ishak, ST, MT, Ph.D, IPM
ANE
Mengetahui/ Menyaksikan
EKetua
Sekretaris.A N
Dr. sde#iteTryandBembiring, S.T., M.T., IPM Buchari, S.T., M. Kes
JUDUL : ANALISIS KEPUASAN MAHASISWA TERHADAP PELAYANAN
AKADEMIK DEPARTEMEN TEKNIK INDUSTRI USU
MENGGUNAKAN ALGORITMA C5.0 DAN CLASSIFICATION AND REGRESSION TREE (CART)
Saya menyatakan bahwa Tugas Akhir ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Juli 2021
Muhammad Afif
NIM : 170403031
Puji dan Syukur atas Kehadirat Tuhan Yang Maha Esa, atas Berkat dan Karunia-Nya, sehingga penulis dapat menyelesaikan Penelitian Tugas Akhir ini tepat pada waktunya.
Tugas sarjana merupakan salah satu persyaratan untuk mendapatkan gelar Sarjana Teknik (Strata Satu Teknik Industri) di Departemen Teknik Industri, Fakultas Teknik, Universitas Sumatera Utara. Tugas Sarjana ini berjudul Analisis Kepuasan Mahasiswa Terhadap Pelayanan Akademik Departemen Teknik Industri USU Menggunakan Algoritma C5.0 dan Classification And Regression Tree (CART).
Penulis menyadari bahwa penyusunan dan penulisan Tugas Sarjana yang telah dibuat belum sempurna. Oleh karena itu penulis mengharapkan kritik atau saran yang membangun dalam penyempurnaan laporan Tugas Sarjana ini. Akhir kata penulis mengucapkan terima kasih dan semoga laporan penelitian ini dapat bermanfaat.
MEDAN, AGUSTUS 2021 PENULIS, UNIVERSITAS SUMATERA UTARA MUHAMMAD AFIF
Penulis memanjatkan Puji dan Syukur Kehadirat Tuhan Yang Maha Esa serta Kedua Orangtua yang telah memberikan banyak dukungan dan motivasi, baik berupa dukungan moril, doa maupun materil sehingga penulis dapat menyelesaikan Tugas Sarjana untuk memperoleh gelar Sarjana Teknik. Penulisan Tugas Sarjana ini tidak akan terselesaikan dengan baik jika penulis tidak mendapatkan bimbingan, bantuan dan doa dari berbagai pihak untuk itu penulis mengucapkan terima kasih kepada:
1. Ibu Dr. Ir. Meilita Tryana Sembiring, MT, IPM selaku Ketua Departemen Teknik Industri, Fakultas Teknik, Universitas Sumatera Utara dan Bapak Buchari, ST, M.Kes selaku Sekretaris Departemen Teknik Industri, Fakultas Teknik, Universitas Sumatera Utara.
2. Bapak Ir. Aulia Ishak, M.T.,Ph.D.,IPM selaku Dosen Pembimbing yang telah meluangkan waktu untuk membimbing penulis, memberikan ilmu, dan memberikan saran dalam penyelesaian laporan Tugas Sarjana, serta Staff Laboratorium Pengukuran dan Statistik.
3. Seluruh dosen Departemen Teknik Industri, Fakultas Teknik, Universitas Sumatera Utara yang telah memberikan pengajaran selama perkuliahan yang menjadi bekal penulis dalam menyelesaikan Tugas Sarjana ini.
4. Seluruh staf dan karyawan Departemen Teknik Industri, Fakultas Teknik, Universitas Sumatera Utara khususnya Kak Rahma, Kak Ester, Bang Nurmansyah, Bang awal, Kak Mia, dan Kak Neneng yang banyak membantu dan memberikan kemudahan administrasi kepada penulis.
5. Ibu Ir. Khawarita Siregar, M.T. selaku Kepala Laboratorium Pengukuran dan Statistik dan ibu Khalida Syahputri, S.T., M.T., selaku Staff Laboratorium Pengukuran dan Statistik Teknik Industri, Fakultas Teknik, Universitas Sumatera Utara, Medan.
memberikan dukungan dan saran yang membangun kepada penulis dalam proses penyusunan laporan.
7. Sahabat Bwaabwaaaaahhh penulis yaitu Rifky dan Yudha yang membantu penulis dan memberi semangat dalam penyelesaian Tugas Akhir ini.
8. Sahabat Godong yaitu Cindy, Recha, Fachry, Dika, Iqbal, dan Musyafa yang selalu memberi saran dan semangat selama proses perkuliahan.
9. Rekan-rekan kelas A angkatan 2017 yang menemani proses perkuliahan sejak awal semester 1 sampai 8.
10. Sahabat-sahabat penulis angkatan 2017 “ATLANTIS” yang telah memberikan dukungan kepada penulis dalam penyelesaian Tugas Akhir ini.
11. Seluruh pihak yang telah membantu penulis yang tidak dapat disebutkan satu persatu.
MUHAMMAD AFIF
Pelayanan di bagian akademik merupakan suatu kegiatan atau urutan kegiatan yang terjadi dalam interaksi langsung antara mahasiswa dengan pegawai pada bagian akademik Departemen Teknik Industri Universitas Sumatera Utara, dan menyediakan informasi kepada mahasiswa. Keluhan yang dialami mahasiswa Teknik Industri USU terhadap pelayanan akademik yang diberikan Departemen Teknik Industri USU seperti ketepatan waktu pelayanan, kecepatan pelayanan, kedisiplinan pegawai, sikap dan keramahan pegawai, kemudahan, respons dan tempat pelayanan yang diberikan. Penelitian ini dilakukan untuk mengklasifikasikan kepuasan mahasiswa berdasarkan dimensi kualitas pelayanan terhadap pelayanan akademik Departemen Teknik Industri USU menggunakan metode algoritma C5.0 dan classification and regression tree (CART). Jenis penelitian yang dilakukan adalah penelitian deskriptif (descriptive research).
Penelitian deskriptif ini berbentuk penelitian survei (survey research). Penelitian survei ialah suatu penyelidikan yang dilakukan untuk memperoleh fakta-fakta dari gejala yang ada dan mencari keterangan secara faktual untuk mendapatkan kebenaran. Populasi dalam penelitian ini adalah mahasiswa Teknik Industri USU dari stambuk 2017 sampai stambuk 2018 dengan metode teknik sampling yang digunakan yaitu probability sampling. Pada metode algoritma C5.0, dimensi kualitas pelayanan yang paling mempengaruhi kepuasan mahasiswa adalah dimensi assurance diikuti oleh reliability, emphaty. Sedangkan pada metode CART, dimensi kualitas pelayanan yang paling mempengaruhi kepuasan mahasiswa adalah dimensi assurance diikuti oleh reliability, responsiveness, dan tangibles. Hasil ketepatan klasifikasi pelayanan akademik di Teknik Industri USU dengan tingkat akurasi metode algoritma C5.0 dan CART masing-masing sebesar 66,66% dan 75%.
Berdasarkan hasil analisis Indeks Three Box Method, diperoleh nilai indeks dimensi assurance sebesar 71,77 dengan indikator terendahnya “Pegawai memberikan jaminan tepat waktu dalam pelayanan” dengan nilai indeks sebesar 64,03, dimensi reliability sebesar 70,08, dimensi responsiveness sebesar 72,61, dimensi tangibles sebesar 73,41 dan dimensi emphaty sebesar 74,19.
Kata Kunci : Algoritma C5.0, Classification and Regression Tree (CART), Kepuasan, Kualitas Pelayanan.
Service in the academic section is an activity or sequence of activities that occur in direct interaction between students and employees in the academic section of the Department of Industrial Engineering, University of North Sumatra, and provides information to students. Complaints experienced by USU Industrial Engineering students against the academic services provided by the USU Industrial Engineering Department such as timeliness of service, speed of service, employee discipline, employee attitude and friendliness, convenience, response and the place of service provided. This study was conducted to classify student satisfaction based on the dimensions of service quality to the academic services of the USU Department of Industrial Engineering using the C5.0 algorithm and classification and regression tree (CART). The type of research conducted is descriptive research (descriptive research). This descriptive research is in the form of survey research.
Survey research is an investigation carried out to obtain facts from existing symptoms and seek factual information to obtain the truth. The population in this study were USU Industrial Engineering students from the 2017 to 2018 certificates with the sampling technique method used, namely probability sampling. In the C5.0 algorithm method, the dimension of service quality that most influences student satisfaction is the assurance dimension followed by reliability, empathy. While in the CART method, the dimensions of service quality that most influence student satisfaction are the assurance dimensions followed by reliability, responsiveness, and tangibles. The results of the accuracy of the classification of academic services at USU Industrial Engineering with the accuracy of the C5.0 and CART algorithm methods are 66.66% and 75%, respectively. Based on the results of the Three Box Method Index analysis, the assurance dimension index value was 71.77 with the lowest indicator "Employees provide timely assurance in service" with an index value of 64.03, the reliability dimension of 70.08, the responsiveness dimension of 72.61 , the tangibles dimension is 73.41 and the empathy dimension is 74.19.
Keywords : C5.0 Algorithm, Classification and Regression Tree (CART), Satisfaction, Service Quality.
HALAMAN
LEMBAR JUDUL ... i
LEMBAR PENGESAHAN ... ii
SERTIFIKAT EVALUASI TUGAS SARJANA ... iii
PERNYATAAN ORISINALITAS ... iv
KATA PENGANTAR ... v
UCAPAN TERIMA KASIH. ... vi
ABSTRAK ... viii
DAFTAR ISI ... x
DAFTAR TABEL ... xiv
DAFTAR GAMBAR ... xvi
DAFTAR LAMPIRAN ... xvii
BAB I PENDAHULUAN ... I-1 1.1 Latar Belakang... I-1 1.2 Rumusan Masalah ... I-5 1.3 Tujuan Penelitian ... I-6 1.4 Manfaat Penelitian ... I-6 1.5 Batasan Masalah dan Asumsi ... I-7
BAB II TINJAUAN PUSTAKA ... II-1 2.1 Penelaahan Konsep dan Teori yang Ada ... II-1 2.1.1 Kepuasan ... II-1
HALAMAN 2.1.2 Kualitas Pelayanan ... II-1
2.1.2.1 Kualitas Pelayanan Akademik ... II-2 2.1.3 Dimensi Kualitas Pelayanan ... II-2 2.1.4 Metode Sampling ... II-3 2.1.4.1 Populasi ... II-4 2.1.4.2 Sample Size ... II-4 2.1.4.3 Probability Sampling ... II-5 2.1.4.4 Non-probability Sampling ... II-6 2.1.5 Kuesioner ... II-6 2.1.6 Uji Validitas ... II-6 2.1.7 Uji Reliabilitas ... II-7 2.1.8 Indeks Three Box Method ... II-8 2.1.9 Data Mining ... II-8 2.1.10 Klasifikasi ... II-9 2.1.11 Decision Tree ... II-9 2.1.11.1 Algoritma C5.0 ... II-11 2.1.11.2 Classification and Regression Tree
(CART) ... II-13 2.1.11.3 Confusion Matrix ... II-16 2.2 Review Literatur Peneitian ... II-17
HALAMAN 2.3 Kerangka Teoritis ... II-20
BAB III METODE PENELITIAN ... III-1 3.1 Jenis Penelitian ... III-1 3.2 Lokasi dan Waktu Penelitian ... III-1 3.3 Objek Penelitian ... III-1 3.4 Metodologi Pengumpulan Data ... III-2 3.5 Populasi ... III-2 3.6 Sample Size ... III-3 3.7 Teknik Sampling ... III-3 3.8 Metode Analisis Data ... III-3 3.9 Analisis dan Pembahasan ... III-4 3.10 Kesimpulan dan Saran... III-4 3.11 Blok Diagram Prosedur Penelitian ... III-5
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA ... IV-1 4.1 Pengumpulan Data ... IV-1
4.1.1 Populasi ... IV-1 4.1.2 Sample Size ... IV-2 4.1.3 Uji Validitas Data ... IV-4
HALAMAN 4.1.4 Uji Reliabilitas Data ... IV-7 4.2 Pengolahan Data ... IV-8 4.2.1 Indeks Three Box Method ... IV-8 4.2.2 Pemberian Kategori Pada Tiap Dimensi ... IV-13 4.2.3 Pembagian Data Training dan Data Testing ... IV-14 4.2.4 Algoritma C5.0 ... IV-14 4.2.5 Classification and Regressin Tree (CART) .... IV-21 4.2.6 Confussion Matrix ... IV-29
BAB V ANALISIS DAN PEMBAHASAN ... V-1 5.1 Analisis Indeks Three Box Method ... V-1 5.2 Analisis Algoritma C5.0 ... V-2 5.3 Analisis CART ... V-3 5.4 Analisis Confusion Matrix ... V-4
BAB VI KESIMPULAN DAN SARAN ... VI-1 6.1 Kesimpulan ... VI-1 6.2 Saran ... VI-2
DAFTAR PUSTAKA LAMPIRAN
TABEL HALAMAN 2.1. Konsep, Dimensi dan Indikator Kualitas ... II-3 2.2 Confusion Matrix ... II-16 4.1 Daftar Populasi... IV-1 4.2. Dimensi dan Indikator Penilaian Pelayanan Akademik ... IV-2 4.3. Rekapitulasi Uji Validitas ... IV-7 4.4. Hasil Uji Reliabilitas dengan Menggunakan Software SPSS
22... IV-8 4.5. Perhitungan Indeks Tanggapan Responden Pada Dimensi
Reliability ... IV-10 4.6. Perhitungan Indeks Tanggapan Responden Pada Dimensi
Assurance ... IV-10 4.7. Perhitungan Indeks Tanggapan Responden Pada Dimensi
Tangibles ... IV-11 4.8. Perhitungan Indeks Tanggapan Responden Pada Dimensi
Emphaty ... IV-12 4.9. Perhitungan Indeks Tanggapan Responden Pada Dimensi
Responsiveness ... IV-12 4.10. Hasil Perhitungan Entropy, Gain dan Ratio untuk Node
Akar C5.0 ... IV-16 4.11. Hasil Perhitungan Entropy, Gain dan Ratio untuk Node 3
C5.0 ... IV-18
TABEL HALAMAN 4.12. Hasil Perhitungan Entropy, Gain dan Ratio untuk Node 7
C5.0 ... IV-19 4.13. Contoh Perhitungan Pemilihan Pemilah ... IV-21 4.14. Hasil Perhitungan Gini untuk Node Akar CART ... IV-22 4.15. Hasil Perhitungan Gini untuk Node 2 CART ... IV-23 4.16. Hasil Perhitungan Gini untuk Node 5 CART ... IV-24 4.17. Hasil Perhitungan Gini untuk Node 7 CART ... IV-25 4.18. Hasil Perhitungan Gini untuk Node 9 CART ... IV-26 4.19. Hasil Perhitungan Gini untuk Node 11 CART ... IV-27 4.20. Confussion Matrix untuk Algoritma C5.0 ... IV-30 4.21. Confussion Matrix untuk CART ... IV-30
GAMBAR HALAMAN 1.1 Grafik Tingkat Kepuasan Mahasiswa Teknik Industri USU
Terhadap Departemen Teknik Industri USU ... I-3 2.1 Struktur Pohon Klasifikasi Decision Tree ... II-11 2.2 Kerangka Teoritis Penelitian... II-21 3.1 Blok Diagram Prosedur Penelitian... III-5 4.1 Hasil Uji Validitas dengan Menggunakan Software SPSS 22 IV-5 4.2 Hasil Pembentukan Cabang di Node Akar... IV-17 4.3 Hasil Pembentukan Cabang di Node 3... IV-18 4.4 Hasil Pembentukan Cabang di Node 7... IV-20 4.5 Pohon Klasifikasi Algoritma C5.0 ... IV-20 4.6 Hasil Pembentukan Cabang di Node Akar... IV-22 4.7 Hasil Pembentukan Cabang di Node 2... IV-23 4.8 Hasil Pembentukan Cabang di Node 5... IV-25 4.9 Hasil Pembentukan Cabang di Node 7... IV-26 4.10 Hasil Pembentukan Cabang di Node 9... IV-27 4.11 Hasil Pembentukan Cabang di Node 11... IV-28 4.12 Pohon Klasifikasi CART ... IV-29
LAMPIRAN HALAMAN 1. Kuesioner Penelitian ... L-1 2. Rekapitulasi Data ... L-2 3. Tabel-r ... L-3 4. Surat Permohonan Tugas Sarjana ... L-4 5. Surat Keputusan Tugas Sarjana ... L-5 6. Lembar Asistensi Laporan Tugas Sarjana... L-6
1.1. Latar Belakang
Dalam lingkungan yang kompetitif saat ini memberikan layanan berkualitas tinggi adalah kunci untuk keunggulan kompetitif yang berkelanjutan. Kepuasan pelanggan memang memiliki efek positif pada profitabilitas organisasi. Kepuasan pelanggan adalah hasil yang dirasakan oleh mereka yang telah mengalami kinerja perusahaan yang telah memenuhi harapan mereka. Banyak peneliti dan akademisi menyoroti pentingnya kepuasan pelanggan. Banyak peneliti melihat bahwa kepuasan pelanggan memiliki efek positif pada profitabilitas organisasi. Saat ini semua organisasi menyadari pentingnya memberikan dan mengelola kualitas layanan, yang mengarah pada kepuasan pelanggan. Kualitas layanan yang diberikan dapat memenuhi atau melebihi harapan pelanggan terutama dipengaruhi oleh harapan pelanggan sebelumnya.
Kualitas layanan telah menjadi area perhatian utama selama beberapa dekade terakhir bagi para manajer, peneliti, praktisi karena dampaknya yang besar terhadap kinerja bisnis perusahaan. Menurut Brown dan Swartz (1989) berpendapat bahwa pelanggan lebih menyukai dan menghargai perusahaan yang memberikan kualitas pelayanan yang tinggi. Dengan demikian, pencapaian kualitas dalam produk dan layanan telah menjadi perhatian utama tahun 1980-an. Pelanggan menilai kualitas layanan relatif terhadap apa yang mereka inginkan dengan
membandingkan persepsi mereka tentang pengalaman layanan dengan harapan mereka tentang kinerja layanan yang seharusnya. (Angelova and Zekiri, 2011)
Kepuasan mahasiswa di lingkungan pendidikan tinggi dianggap sebagai salah satu aspek kualitas akademik, yang juga merupakan indikator pemantauan penting kualitas program studi internal. Secara umum, menghubungkan kepuasan konsumen dan kualitas layanan adalah pendekatan yang sering digunakan dalam berbagai bidang. (Skrbinjek dan Dermol, 2019). Kualitas pelayanan akademik adalah hal yang sangat penting dalam lembaga pendidikan. Pelayanan akademik dikatakan berkualitas apabila sesuai dangan kebutuhan pelanggannya. Sedangkan kualitas pelayanan akademik menurut adalah nilai yang diberikan oleh pelanggan sejauh mana layanan akademik yang diberikan. Pelanggan, dalam hal ini mahasiswa, akan mengatakan pelayanan akademik berkualitas apabila sesuai dengan spesifikasi mereka (Marthalina, 2018).
Pelayanan di bagian akademik merupakan suatu kegiatan atau urutan kegiatan yang terjadi dalam interaksi langsung antara mahasiswa dengan pegawai pada bagian akademik Departemen Teknik Industri Universitas Sumatera Utara, dan menyediakan informasi kepada mahasiswa. Pelayanan sebagai usaha melayani kebutuhan mahasiswa agar proses belajar mengajar berjalan dengan baik, sedangkan melayani adalah membantu menyiapkan (mengurus) apa yang diperlukan oleh mahasiswa. Maka dari itu pelayanan sangat penting bagi mahasiswa karena dengan adanya pelayanan yang baik dari bagian akademik maka mahasiswa akan dapat mengetahui informasi yang ingin diketahui.
Studi pendahuluan mengenai tingkat kepuasan mahasiswa Teknik Industri USU terhadap Departemen Teknik Industri, dilakukan dengan menyebar kuesioner kepada 76 mahasiswa Teknik Industri Universitas Sumatera Utara. Hasil kuesioner menyatakan bahwa sebanyak 24% mahasiswa menyatakan tidak puas terhadap pelayanan akademik yang diberikan.
Sumber: Studi Pendahuluan
Gambar 1.1. Grafik Tingkat Kepuasan Mahasiswa Teknik Industri USU Terhadap Departemen Teknik Industri USU
Keberhasilan Departemen sebagai unit kerja dalam perguruan tinggi sangat ditentukan oleh mutu pelayanan yang diberikan, dimana pelayanan yang bermutu dapat diidentifikasi melalui kepuasan pengguna jasa, dalam hal ini adalah mahasiswa. Menurut Ilieska (2013) target kepuasan yang diberikan >80% dapat dikatakan baik, jika target kepuasan pelanggan dibawah 80% maka harus
76%
24%
Tingkat Kepuasan Mahasiswa Teknik Industri USU Terhadap Departemen
Teknik Industri USU
Puas Tidak Puas
melakukan upaya yang lebih baik dan membuat kondisi yang lebih baik dan mengembangkan kualitas layanan.
Keluhan yang dialami mahasiswa Teknik Industri USU terhadap pelayanan akademik yang diberikan Departemen Teknik Industri USU seperti ketepatan waktu pelayanan, kecepatan pelayanan, kedisiplinan pegawai, sikap dan keramahan pegawai, kemudahan, respons dan tempat pelayanan yang diberikan. Adapun cara yang dapat dilakukan pihak Departemen Teknik Industri USU agar dapat mencapai kepuasan mahasiswanya adalah menggunakan lima dimensi kualitas pelayanan, di mana kualitas pelayanan menurut Parasuraman, Zeitahml dan Berry (1988), yaitu keandalan (reliability), daya tanggap (responsiveness), jaminan (assurance), empati (emphaty) dan bukti fisik (tangibles).
Untuk menganalisis kualitas pelayanan, banyak metode yang bisa digunakan seperti ServQual, Customer Satisfaction Indeks, Importance Performance Analysis, fuzzy service quality dan ServPerf. Seiring berkembangnya zaman, data mining menjadi salah satu alat yang populer dalam menganalisis masalah. Alat data mining dapat menjawab pertanyaan bisnis yang biasanya terlalu memakan waktu untuk diselesaikan. Salah satu alat data mining adalah Algoritma C5.0 dan classification and regression tree. Algoritma C5.0 bekerja dengan memisahkan sampel berdasarkan bidang yang memberikan perolehan informasi maksimum dan classification and regression trees (CART) adalah metode fleksibel untuk menggambarkan bagaimana variabel Y mendistribusikan setelah menetapkan vektor peramalan X. (Patil, et al, 2012). Salah satu alat data mining adalah decision tree, Decision tree Model pohon keputusan dapat digunakan untuk memilih jumlah
dan jenis variabel yang diperlukan untuk melakukan penelitian, menilai kepentingan relatif dari variabel-variabel ini, menangani nilai yang hilang dalam dataset, memprediksi hasil berdasarkan data masa lalu dan meningkatkan penanganan kategorikal variabel dengan memungkinkan peneliti untuk menggabungkan kategori ketika jumlahnya terlalu tinggi (Tsami et al., 2018).
Penelitian terdahulu mengenai pendekatan decision tree untuk mendapatkan kepuasan pelanggan yang tinggi oleh Tsami et al. (2018) dengan tujuan mengetahui parameter paling signifikan yang untuk meningkatkan kepuasan pengguna Riga International Coach Terminal. Dengan metode decision tree yang dibantu dengan software Weka, J48 digunakan dari algoritma C4.5 didapatkan hasil penelitian yaitu bahwa atmosfer kawasan sekitar merupakan indikator terpenting bagi pengguna (simpul induk pohon).
Penelitian terdahulu mengenai penggunaan decision tree untuk memprediksi tingkat respon dari survei kepuasan pelanggan, sikap dan loyalitas oleh Han et al. (2019), dengan membangun model regresi pohon keputusan dengan menerapkan algoritma CART lalu dibangun dengan semua atribut yang berguna sebagai prediktor dengan menerapkan algoritma C5.0 didapatkan salah satu faktor yang terpenting adalah undangan langsung dalam ketiga model tersebut dan memiliki tren yang konsisten dalam memprediksi tingkat respon.
1.2. Rumusan Masalah
Berdasarkan latar belakang yang telah dijelaskan, masih banyak mahasiswa tidak puas yang disebabkan oleh ketepatan waktu, kecepatan pelayanan,
kemudahan dan keluhan-keluhan lain yang dialami terhadap pelayanan akademik Departemen Teknik Industri USU. Maka rumusan masalah dalam penelitian ini adalah:
1. Bagaimana mengklasifikasikan dimensi kualitas pelayanan yang paling mempengaruhi kepuasan mahasiswa terhadap pelayanan yang diberikan?
2. Bagaimana membuat rekomendasi terhadap Departemen Teknik Industri USU agar dapat memberikan pelayanan akademik yang lebih baik?
1.3. Tujuan Penelitian
Tujuan umum penelitian ini adalah untuk mengklasifikasikan kepuasan mahasiswa berdasarkan dimensi kualitas pelayanan terhadap pelayanan akademik Departemen Teknik Industri USU menggunakan metode algoritma C5.0 dan classification and regression tree (CART).
Adapun tujuan khusus yang ingin dicapai dalam penelitian ini adalah:
1. Mengetahui dimensi kualitas pelayanan yang paling mempengaruhi kepuasan mahasiswa terhadap pelayanan yang diberikan.
2. Membuat rekomendasi terhadap Departemen Teknik Industri USU agar dapat memberikan pelayanan akademik yang lebih baik.
1.4. Manfaat Penelitian
Manfaat yang diperoleh dari penelitian ini adalah sebagai berikut:
1. Bagi Departemen Teknik Industri USU
Hasil penelitian ini dapat dijadikan referensi untuk meningkatkan performansi dari pelayanan akademik di Departemen Teknik Industri USU.
2. Bagi kasanah pengetahuan ilmiah
Menambah kasanah penelitian dan menambah jumlah penelitian yang dapat dijadikan referensi di Departemen Teknik Industri USU
3. Bagi mahasiswa sebelum memasuki dunia kerja
Meningkatkan kemampuan mahasiswa dalam mengaplikasikan teori yang diperoleh selama kuliah di lapangan kerja dan menambah wawasan, keterampilan dan pengalaman dalam menganalisis dan memecahkan masalah sebelum memasuki dunia kerja.
1.5. Batasan Masalah dan Asumsi
Batasan masalah dalam penelitian ini adalah sebagai berikut:
1. Kuesioner disebarkan kepada mahasiswa Teknik Industri USU stambuk 2017 dan 2018 yang telah merasakan pelayanan akademik sebelum terjadinya pandemi Covid-19.
2. Mengetahui ketepatan hasil klasifikasi dan metode yang terbaik dengan menggunakan bantuan confusion matrix
Asumsi dalam penelitian ini adalah sebagai berikut:
1. Setiap responden tidak mengalami tekanan pada saat pengisian kuesioner 2. Kondisi pelayanan Departemen Teknik Industri USU tidak mengalami
perubahan selama proses penelitian berlangsung.
3. Data yang diambil mewakili keseluruhan mahasiswa Teknik Industri USU
2.1. Penelaahan Konsep dan Teori yang Ada 2.1.1. Kepuasan
Rahareng dan Relawan (2017) mengungkapkan kepuasan merupakan tingkat perasaan di mana seseorang menyatakan hasil perbandingan atas kinerja produk (jasa) yang diterima dan yang diharapkan, menurut. Kualitas berkaitan erat dengan kepuasan pelanggan. Kualitas memberikan dorongan khusus bagi para pelanggan untuk menjalin ikatan relasi saling menguntungkan dalam jangka panjang dengan perusahaan
2.1.2. Kualitas Pelayanan
Panjaitan dan Yuliati (2016) mengungkapkan kualitas pelayanan merupakan upaya pemenuhan kebutuhan dan keinginan konsumen serta ketepatan penyampaiannya dalam mengimbangi harapan konsumen. Kualitas pelayanan dapat diukur dengan lima dimensi sesuai dengan urutan derajat kepentingan relatifnya yaitu keandalan, jaminan, bukti fisik, empati dan daya tanggap.
Pelayanan yang berkualitas berperan penting dalam membentuk kepuasan konsumen, selain itu juga erat kaitannya dalam menciptakan keuntungan bagi perusahaan. Semakin berkualitas pelayanan yang diberikan oleh perusahaan maka kepuasan yang dirasakan oleh pelanggan akan semakin tinggi.
2.1.2.1.Kualitas Pelayanan Akademik
Perguruan tinggi merupakan industri yang berinteraksi langsung antara penyedia jasa dengan pemakai jasa. Terdapat lima derajat yang menetukan kualitas perguruan tinggi berdasarkan derajat kepentingan relatifnya di mata pelanggan, yaitu keandalan, daya tanggap, jaminan, bukti fisik dan empati, Pelayanan akademik merupakan layanan kependidikan yang berkaitan langsung kepada pelanggan primer (mahasiswa) dari perguruan tinggi yang meliputi kurikulum, silabus, rancangan mutu perkuliahan, satuan materi sajian, penyajian materi, evaluasi, praktikum, dan pembimbingan (Marthalina, 2018).
2.1.3. Dimensi Kualitas Pelayanan
Panjaitan dan Yuliati (2016) mengungkapkan bahwa terdapat lima dimensi utama kualitas pelayanan (sesuai urutan derajat kepentingan relatifnya)
1. Keandalan Keandalan yakni kemampuan memberikan layanan yang dijanjikan dengan segera, akurat dan memuaskan.
2. Daya tanggap Daya tanggap yaitu kcinginan para staf untuk membantu para pclanggan dan memberikan layanan dengan tanggap.
3. Jaminan Jaminan mencakup pengetahuan, kompetensi, kesopanan dan sifat dapat dipercaya yang dimiliki para staf, bebas dari bahaya, risiko atau keraguan.
4. Perhatian Perhatian meliputi kemudahan dalam menjalin relasi, komunikasi yang baik, perhatian pribadi, dan pemahaman alas kebutuhan individual para pelanggan yaitu sikap karyawan yang menunjukkan perhatian yang tulus dalam melayani pelanggan.
5. Bukti Fisik Tampilan fisik meliputi fasilitas fisik, perlengkapan, pegawai, dan sarana komunikasi.
Tabel 2.1. Konsep, Dimensi dan Indikator Kualitas
Konsep Dimensi Indikator
Kualitas Pelayanan Publik
Berwujud (Tangible)
1. Penampilan aparat dalam memberikan pelayanan 2. Kenyamanan tempat melakukan pelayanan 3. Kemudahan dalam proses pelayanan
4. Kedisiplinan aparat dalam melakukan pelayanan 5. Kemudahan akses pelanggan dalam permohonan
pelayanan
6. Penggunaan alat bantu dalam pelayanan Kehandalan
(Reliability)
1. Kecermatan petugas dalam melayani pelanggan 2. Memiliki standar pelayanan yang jelas
3. Kemampuan aparat dalam menggunakan alat bantu dalam proses pelayanan
4. Keahlian petugas dalam menggunakan alat bantu dalam proses pelayanan
Tanggapan (Responsiviness)
1. Merespons setiap pelanggan/pemohon yang ingin mendapatkan pelayanan
2. Aparat melakukan pelayanan dengan cepat 3. Aparat melakukan pelayanan dengan tepat 4. Aparat melakukan pelayanan dengan cermat
5. Aparat melakukan pelayanan dengan waktu yang tepat 6. Semua kesalahan pelanggan direspon oleh petugas Jaminan
(Assurance)
1. Aparat memberikan jaminan tepat waktu dalam pelayanan
2. Aparat memberikan jaminan biaya dalam pelayanan 3. Aparat memberikan jaminan legalitas dalam
pelayanan
4. Aparat memberikan jaminan kepastian biaya dalam pelayanan
Empati (Empathy)
1. Mendahulukan kepentingan pemohon 2. Aparat melayani dengan sikap ramah
3. Aparat melayani dengan sikap sopan santun dan ramah 4. Aparat melayani dengan tidak deskriminatif
(membeda-bedakan) Sumber: Marthalina (2018)
2.1.4. Metode Sampling
Sinulingga (2013) mengungkapkan sampling adalah metode pengumpulan data yang sangat populer karena memanfaatkannya yang demikian besar dalam
penghematan sumberdaya waktu dan biaya dalam kegiatan pengumpulan data.
Sampling sering dibandingkan dengan sensus yaitu metode pengumpulan data secara menyeluruh yaitu seluruh sumber data ditelusuri dan setiap elemen data yang dibutuhkan diambil. Metode sensus memang menghasilkan data lebih lengkap tetapi tidak sedikit kendala yang dihadapi dengan menggunakan metode ini. Berikut ini dijelaskan secara ringkas mengenai teknik sampling yang berada dalam lingkup probabilistic sampling.
2.1.4.1.Populasi
Populasi dapat didefinisikan sebagai keseluruhan anggota atau kelompok yang membentuk objek yang dikenakan investigasi oleh peneliti. Elemen adalah setiap anggota dari populasi. Seluruh elemen yang membentuk satu kesatuan karakteristik adalah populasi dari setiap unit dari populasi tersebut adalah elemen dari populasi. Sampel adalah sebuah subset dari populasi. Sebuah subset terdiri dari sejumlah elemen dari populasi ditarik sebagai sampel melalui mekanisme tertentu dengan tujuan tertentu.
2.1.4.2.Sample Size
Penentuan ukuran sampel merupakan salah satu bentuk faktor kritis dalam pelaksanaan penelitian. Kualitas sebuah sampel dalam penelitian ilmiah diukur dari kemampuan sampel tersebut merepresentasikan populasi darimana sampel tersebut ditarik. Tergantung dari besarnya fluktuasi nilai dari elemen-elemen populasi
tersebut, sampel yang representatif dapat berukuran besar dan kecil. Salah satu metode penentuan jumlah sampel adalah metode slovin.
Metode slovin relatif simpel dan digunakan apabila ukuran populasi diketahui. Rumus pendekatan metode ini sebagai berikut:
Ukuran Sampel = N
1 + Ne2 (2.1) Dimana, N = ukuran populasi
e = error
n = ukuran sampel
2.1.4.3.Probability Sampling
Dalam probability sampling, setiap elemen dari populasi diberi kesempatan yang sama untuk ditarik menjadi anggota dari sampel. Rancangan atau metode probability sampling ini digunakan apabila faktor keterwakilan atau (representiveness) oleh sampel terhadap populasi sangat dibutuhkan dalam penelitian antara lain agar hasil penelitian dapat digeneralisasi secara lebih luas.
Salah satu metode probability sampling adalah Simple Random Sampling, dalam simple random sampling setiap elemen dari populasi mempunyai kesempatan atau peluang yang sama untuk terpilih menjadi anggota sampel. Cara penarikan sampel berdasarkan simple random sampling memiliki bias yang relatif kecil dan memberikan kemampuan generalisasi yang tinggi. Namun, penggunaan metode ini terbatas pada kondisi populasi yang memiliki elemen dengan karakteristik atau property yang tidak berfluktuasi besar.
2.1.4.4.Non-probability Sampling
Berbeda halnya dengan probability sampling, pada non-probability sampling, setiap elemen populasi yang akan ditarik menjadi anggota sampel tidak berdasarkan pada probabilitas yang melekat pada setiap elemen tetapi berdasarkan karakteristik khusus masing-masing elemen. Dalam banyak kejadian, penggunaan metode non-probability sampling sering merupakan metode yang terpaksa dilakukan karena kondisi tertentu metode lain tidak mungkin digunakan.
2.1.5. Kuesioner
Sinulingga (2013) mengungkapkan kuesioner ialah suatu bentuk instrument pengumpulan data dalam format pertanyaan tertulis yang dilengkapi dengan kolom dimana responden akan menuliskan jawaban atas pertanyaan yang diarahkan kepadanya. Dibandingkan dengan dua instrument pengumpulan data lainnya, kuesioner adalah instrument yang memiliki mekanisme yang efisien jika si peneliti mengetahui secara baik apa yang dibutuhkannya dan bagaimana mengukur variable yang diinginkan.
2.1.6. Uji Validitas
Sinulingga (2013) mengungkapkan Validitas data ialah suatu ukuran yang mengacu kepada derajat kesesuaian antara data yang dikumpulkan dan data sebenarnya dalam sumber data. Data yang valid akan diperoleh apabila instrumen pengumpulan data juga valid. Cara yang umum digunakan untuk menguji validitas instrumen ialah melalui analisis korelasi (correlational analysis). Analisis korelasi
dilakukan dengan menggunakan rumus korelasi Product Moment yang dikembangkan oleh Pearson yaitu sebagai berikut:
rxy= N ∑ XY -( ∑ X )( ∑ Y )
√[N ∑ X2-( ∑ X )2][N ∑ Y2- ( ∑ Y )2]
(2.2)
Dimana:
rxy = koefisien korelasi antara X dan Y Xi = skor variabel independen X Yi = skor variabel independen Yi = skor variabel
2.1.7. Uji Reliabilitas
Sinulingga (2013) mengungkapkan Reliabilitas sebuah alat ukur berkenaan dengan derajat konsistensi dan stabilitas data yang dihasilkan dari proses pengumpulan data dengan menggunakan instrumen tersebut.
Pengujian konsistensi instrumen dengan menggunakan formula Spearman- Brown didasarkan pada metode split-half. Korelasi antara belahan pertama dan kedua dihitung menggunakan formula sebagai berikut:
r11 = 2 (rxy)
(1 + rxy)x (2.3) Dimana r11 = reliabilitas instrumen
rxy= indeks korelasi antar dua belah instrumen
2.1.8. Indeks Three Box Method
Daga et.al. (2020) mengungkapkan alat analisis indeks ini digunakan untuk mendeskripsikan atau menggambarkan data yang telah terkumpul. Analisis angka indeks ini dilakukan untuk mengetahui persepsi umum responden mengenai sebuah variabel yang diteliti. Perhitungan indeks jawaban responden dihitung menggunakan rumus berikut:
Nilai Indeks = ((F1 X 1) + (F2 X 2) + (F3 X 3) + (F4 X 4) + (F5 X 5)
5 (2.4)
Keterangan:
F = Frekuensi jawaban responden 1,2,3,4,5 = Nilai jawaban
Untuk mendapat kecenderungan dari jawaban responden terhadap masing- masing variabel, didasarkan pada nilai skor rata-rata (indeks) yang dikategorikan dalam rentang skor berdasarkan perhitungan three box method sebagai berikut:
1. Nilai indeks maksimum : (%F x 5)/5 2. Nilai indeks minimum : (%F x 5)/5
Dengan menggunakan kriteria 3 kotak (three box method), maka nilai interval dapat dihitung dengan cara: nilai maksimum dikurang nilai minimum dan hasilnya dibagi tiga yang akan digunakan sebagai interpretasi nilai indeks.
2.1.9. Data Mining
Ishak et. al. (2020) mengungkapkan data mining telah menarik banyak perhatian di masyarakat dalam beberapa tahun terakhir, mampu mengubah data dalam jumlah besar dan besar menjadi informasi dan pengetahuan yang berguna.
Informasi dan pengetahuan yang diperoleh dapat digunakan untuk aplikasi seperti analisis pasar, deteksi penipuan, dan retensi pelanggan, untuk pengendalian produksi dan ilmu eksplorasi. Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan pembelajaran mesin untuk mengekstrak dan mengidentifikasi informasi yang berguna dan pengetahuan terkait dari berbagai database besar. Kelemahan teknik data mining adalah tidak dapat menganalisis data secara langsung, dan kendalanya ke database yang digunakan (Ishak dan Wijaya, 2020).
2.1.10. Klasifikasi
Han et al. (2012) mengungkapkan klasifikasi adalah suatu bentuk analisis data yang mengekstrak model yang menggambarkan kelas data penting. Model seperti itu, yang disebut penggolong, memprediksi label kelas kategoris (diskrit, tidak berurutan). Penelitian data mining terbaru telah dibangun di atas pekerjaan semacam itu, berkembang klasifikasi terukur dan teknik prediksi yang mampu menangani sejumlah besar data disk-resident. Klasifikasi memiliki banyak aplikasi, termasuk deteksi kecurangan, target pemasaran, prediksi kinerja, manufaktur, dan diagnosis medis.
2.1.11. Decision Tree
Prasetyo (2012, 2014) mengungkapkan decision tree atau pohon keputusan adalah pohon yang digunakan sebagai prosedur penalaran untuk mendapatkan jawaban dari masalah yang dimasukkan. Pohon yang dibentuk tidak selalu berupa
pohon biner. Jika semua fitur dalam data set menggunakan 2 macam nilai kategorikal maka bentuk pohon yang didapatkan berupa pohon biner. Jika dalam fitur berisi lebih dari 2 macam nilai kategorikal atau menggunakan tipe numerik maka bentuk pohon yang didapatkan biasanya tidak berupa pohon biner.
Dalam decision tree, daerah pengambilan keputusan yang sebelumnya kompleks dapat diubah menjadi lebih sederhana. Banyak algoritma yang dapat dipakai dalam pembentukan decision tree yaitu ID3, CART, C4.5, dan lain-lain.
Algoritma adalah urutan langkah-langkah yang logis untuk menyelesaikan suatu masalah. Karakteristik dari decision tree dibentuk dari sejumlah elemen sebagai berikut:
1. Node, yang menyatakan variabel. Node bisa berupa variabel akar, variabel cabang, dan kelas.
2. Arm, setiap cabang menyatakan nilai hasil pengujian di node bukan daun.
3. Node akar, tidak mempunyai input arm yaitu lengan masukan dan mempunyai nol atau lebih output arm yaitu lengan keluar.
4. Node internal, setiap node yang bukan daun (non terminal) yang mempunyai tepat satu input arm dan dua atau lebih output arm, node ini menyatakan pengujian yang didasarkan pada nilai fitur.
5. Node daun (terminal) adalah node yang mempunyai tepat satu input arm dan tidak mempunyai output arm. Node ini menyatakan label kelas (keputusan).
Algoritma decision tree secara umum bekerja secara top-down, dengan cara memilih atribut yang merupakan best predictor/prediktor terbaik sebagai root.
Kemudian atribut berikutnya yang merupakan best splitting attribute menjadi
cabang dari tree yang terbentuk, demikian seterusnya hingga dataset telah terbagi habis atau atribut-atribut yang ada semuanya telah menjadi cabang dari tree. Dalam proses pembentukan decision tree, terdapat beberapa metrik untuk menentukan atribut terbaik sebagai best predictor seperti entropy & information gain, gain ratio, dan gini index (Pramana et al., 2018).
Berikut merupakan ilustrasi dari bentuk pohon klasifikasi yang ditunjukkan pada Gambar 2.1:
Sumber: Pratiwi dan Zain (2014)
Gambar 2.1 Struktur Pohon Klasifikasi Decision Tree
2.1.11.1.Algoritma C5.0
Algoritma C5.0 adalah salah satu algoritma data mining yang khususnya diterapkan pada algoritma decision tree. Algoritma C5.0 ini merupakan penyempurnaan algoritma sebelumnya yang dibentuk oleh Ross Quinlan pada tahun 1987, yaitu ID3 dan C4.5. Dalam algoritma ini pemilihan atribut diproses menggunakan gain ratio. Algoritma ini menghasilkan tree dengan jumlah cabang per node bervariasi.Adapun rumus untuk mencari nilai entropy adalah sebagai berikut:
Entropy(S)= - ∑ pj*log2pj
k
j=1
(2.5)
dengan :
S : Himpunan kasus
k : Jumlah kelas pada variabel A pj : Proporsi dari Sj dan S
Selanjutnya untuk mencari nilai gain digunakan persamaan berikut:
Gain(S,A)=Entropy(S)- ∑|Si|
|S|
m
i=1
xEntropy(Si) (2.6)
dengan :
S : Himpunan kasus
Si : Himpunan kasus pada kategori ke-i A : Variabel
m : Jumlah kategori pada variabel A
|Si| : Jumlah kasus pada kategori ke-i
|S| : Jumlah kasus dalam S
Setelah didapat nilai entropy dan gain, selanjutnya adalah menghitung nilai gain ratio. Adapun rumus dasar dari perhitungan gain ratio adalah sebagai berikut:
Gain Ratio= Gain(S,A)
∑mi=1Entropy(Si) (2.7) dengan :
Gain(S, A) : Nilai gain dari suatu variabel
∑mi=1Entropy(Si) : Jumlah nilai entropy dalam suatu variabel
Proses diulang untuk masing-masing cabang sampai semua kelas pada cabang memiliki kelasnya masing-masing (Putri et al., 2013).
2.1.11.2.Classification and Regression Tree (CART)
CART merupakan salah satu metode atau algoritma dari salah satu teknik pohon keputusan. CART bertujuan untuk mendapatkan suatu kelompok data yang akurat sebagai tanda dari suatu pengklasifikasian, selain itu CART juga dapat digunakan untuk menggambarkan hubungan antara variabel terikat dengan satu atau lebih variabel bebas. Model pohon yang dihasilkan bergantung pada skala variabel terikat, jika variabel terikat data berbentuk kontinu maka model pohon yang dihasilkan adalah regression tree (pohon regresi) sedangkan bila variabel terikat mempunyai skala data kategorik maka pohon yang dihasilkan adalah classification tree (pohon klasifikasi) (Pratiwi dan Zain, 2014).
Pratiwi dan Zain (2013) mengungkapkan metode CART memiliki kelemahan sebagai berikut:
1. CART mungkin tidak stabil dalam decision tree (pohon keputusan) karena CART sangat sensitif dengan data baru. CART sangat bergantung dengan jumlah sampel. Jika sampel data learning dan testing berubah maka pohon keputusan yang dihasilkan juga ikut berubah.
2. Tiap pemilahan bergantung pada nilai yang hanya berasal dari satu variabel penjelas.
Pratiwi dan Zain (2014) mengungkapkan proses pembentukan pohon klasifikasi pada algoritma CART melalui tiga tahapan, yaitu:
1. Pemilihan Pemilah
Data yang digunakan merupakan sampel data learning. Himpunan bagian yang dihasilkan dari proses pemilahan harus lebih homogen dibandingkan pemilahan sebelumnya. Akbar dkk (2010) mengungkapkan rumus pemilah disajikan seperti berikut:
a. Variabel bebas kontinu = b−1 pemilahan
b. Variabel bebas kategori nominal = 2L-1 – 1 pemilahan c. Variabel bebas kategori ordinal = L −1
dengan:
b : Banyaknya data pada suatu variabel L : Banyaknya kategori pada suatu variabel
Fungsi keheterogenan yang digunakan adalah Indeks Gini karena akan selalu memisahkan kelas dengan anggota paling besar/kelas terpenting dalam simpul terlebih dahulu. Fungsi Indeks Gini ditunjukkan pada persamaan berikut:
j(t)= ∑ P(j|t)*P(k|t)
m
j=k
(2.8)
dengan:
j,k : Kelas
P(j|t) : Probabilitas bersyarat kelas j yang berada dalam node t P(k|t) : Probabilitas bersyarat kelas k yang berada dalam node t
dengan j(t) adalah fungsi keheterogenan indeks gini, P(j|t) adalah peluang j pada node t, dan P(k|t) adalah peluang k pada node t.
Rumus indeks gini dapat dituliskan:
j(t)=1- ∑ P2(j|t)
m
j=k
(2.9)
Node t dibelah menjadi 2 subset D1 dan D2 dengan ukuran masing-masing b1
dan b2, indeks gini dari pembelahan tersebut didefinisikan sebagai berikut:
GiniPembelahan(t)= b1
b gini(D1)+b2
b gini(D2) (2.10) dengan :
Ginipembelahan : Nilai indeks gini setiap variabel
gini(D1) : Nilai indeks gini subset D1 pada setiap variabel gini(D2) : Nilai indeks gini subset D2 pada setiap variabel b : Banyaknya data pada suatu variabel
b1 : Banyaknya data pada subset D1 b2 : Banyaknya data pada subset D2 2. Penentuan Node Terminal
Suatu node t akan menjadi node terminal atau tidak, akan dipilah kembali apabila terdapat batasan minimum n seperti hanya terdapat satu pengamatan pada tiap node anak. Umumnya jumlah kasus minimum dalam suatu terminal akhir adalah 5, dan apabila hal itu terpenuhi maka pengembangan pohon akan dihentikan.
3. Penandaan Label Kelas
Penandaan label kelas pada simpul terminal berdasarkan aturan jumlah terbanyak dengan persamaan:
P(j0|t)=maxj P(j|t)= maxjmj(t)
m(t) (2.11)
dengan :
P(j|t) : Probabilitas bersyarat kelas j yang berada pada node t mj(t): Jumlah pengamatan pada kelas j pada node t
m(t) : Jumlah pengamatan pada node t
Label kelas node terminal t adalah j0 yang memberi nilai dugaan kesalahan pengklasifikasian node t terbesar.
2.1.12. Confusion Matrix
Pramana et al. (2018) mengungkapkan salah satu alat bantu untuk menilai seberapa baik sebuah classifier adalah confusion matrix. Tabel confusion matrix dihasilkan dari aplikasi model pada test set. Dari confusion matrix dapat diturunkan berbagai metric evaluasi classifier seperti akurasi, specificity, sensitivity, dan lain- lain. Berikut adalah format umum dari confusion matrix:
Tabel 2.2. Confusion Matrix
Actual Class/Predicted Class C1 -C1
C1 True Positive (TP) False Negative (FN) -C1 False Positive (FP) True Negative (TN)
Sumber: Pramana et al. (2018)
Actual class adalah kelas yang sebenarnya pada test set. Predicted class adalah kelas hasil prediksi dari model yang dihasilkan oleh classifier. True positive (TP) adalah jumlah baris kelas C1 pada test set yang benar diklasifikasikan sebagai kelas C1 oleh classifier. False negative (FN) adalah jumlas baris berlabel C1 pada test set namun diklasifikasikan sebagai bukan kelas C1 oleh classifier. False positive (FP) adalah jumlah baris berlabel kelas bukan C1 pada test set, namun diklasifikasikan sebagai kelas C1 oleh classifier. True negative (TN) adalah jumlah
baris berlabel kelas bukan C1 pada test set dan benar diklasifikasikan sebagai kelas bukan C1 oleh classifier.
Akurasi adalah persentase baris test set yang diklasifikasikan dengan benar, berikut rumusnya :
Akurasi= TP+TN
TP+FN+FP+TN (2.12) Semua algoritma klasifikasi berusaha membentuk model yang mempunyai akurasi tinggi. Umumnya, model yang dibangun dapat diprediksi dengan benar pada semua data yang menjadi data latihnya, tetapi ketika model berhadapan dengan data uji, barulah kinerja model dari sebuah algoritma klasifikasi ditentukan (Prasetyo, 2012).
2.2. Review Literatur Penelitian
Penelitian terdahulu berjudul “A Decision Tree Approach for Achieving High Customer Satisfaction at Urban Interchanges” oleh Tsami et al. (2018) dengan tujuan mengetahui parameter paling signifikan yang untuk meningkatkan kepuasan pengguna Riga International Coach Terminal. Dengan metode decision tree yang dibantu dengan software Weka, J48 digunakan dari algoritma C4.5 didapatkan hasil penelitian yaitumelalui pengembangan pohon klasifikasi dengan penggunaan algoritma C4.5, teramati bahwa atmosfer kawasan sekitar merupakan indikator terpenting bagi pengguna (simpul induk pohon).
Penelitian terdahulu berjudul “Predicting Student’s Satisfaction Using a Decision Tree” oleh Skrbinjek dan Dermol (2019), dengan tujuan penelitian berfokus pada kepuasan siswa dan bagaimana kepuasan siswa terhadap kinerja dan
keterlibatan mereka dalam kegiatan belajar di e-classroom. Hasil penelitian menunjukkan bahwa siswa kurang puas dengan kursus ketika persyaratan keterlibatan di kelas dan beban kerja sama-sama tinggi.
Penelitian terdahulu berjudul “Using Decision Tree to Predict Response Rates of Consumer Satisfaction Attitude, and Loyalty Surveys” oleh Han et al.
(2019), dengan membangun model regresi pohon keputusan dengan menerapkan algoritma CART di IBM SPSS Modeler 18.0 lalu dibangun dengan semua atribut yang berguna sebagai prediktor dengan menerapkan algoritma C5.0 didapatkan salah satu faktor yang terpenting adalah undangan langsung dalam ketiga model tersebut dan memiliki tren yang konsisten dalam memprediksi tingkat respon.
Penelitian terdahulu berjudul “Application of Decision Tree Approach to Student Selection Model – A Case Study” oleh Harwati dan Sudiya (2016), dengan tujuab untuk memberikan pendidikan yang berkualitas kepada siswa dan untuk meningkatkan kualitas keputusan manajerial. Metode deision tree dengan algoritma C4.5 digunakan pada penelitian ini. Hasil penelitian menunjukkan bahwa siswa yang diprioritaskan untuk masuk adalah yang memenuhi kriteria berasal dari pulau jawa, jurusan IPA, nilai rata-rata diatas 75 dan memiliki setidaknya satu prestasi.
Penelitian terdahulu berjudul “A Novel Decision Tree Classification Based on Post-Pruning with Bayes Minimum Risk” oleh Ahmad et.al. (2018), dengan tujuan mengidentifikasi pohon keputusan dengan tingkat kesalahan terendah pada contoh sebelumnya yang tidak teramati. Dalam penelitian ini, pemangkasan dengan Bayes minimum risk diperkenalkan untuk memperkirakan tingkat risiko. Hasil penelitian menunjukkan bahwa metode yang diusulkan menghasilkan akurasi yang
lebih baik dan kompleksitasnya tidak jauh berbeda dengan kompleksitas pendekatan pengurangan kesalahan dan pemangkasan kesalahan minimum.
Penelitian terdahulu berjudul “Decision Tree-Based Classification Model for Identification of Effective Leadership Indikator” oleh Svajone dan Sarka (2018), Penelitian ini bertujuan untuk mengidentifikasi kemampuan kepemimpinan yang efektif. Analisis data menggunakan metoode Chi-Square Automatic Interaction Detector (CHAID). Algoritma ini membantu dalam menentukan pemisah terbaik untuk masing-masing prediktor potensial dan kemudian memilih prediktor yang pemisahannya menunjukkan perbedaan paling serius dalam sub-populasi sampel.
Penelitian terdahulu berjudul “Classification Based on Decision Tree Algorithm for Machine Learning” oleh Jijo dan Abdulazeez (2021), penelitian ini memberikan pendekatan rinci untuk pohon keputusan. Semua pendekatan yang dianalisis dibahas untuk menggambarkan dan mengidentifikasi paling akurat.
Akibatnya penggunaan berbagai jenis kumpulan data dibahas dan temuannya dianalisis.
Penelitian terdahulu berjudul “Classifying and Predicting Students’
Performance Using Improved Decision Tree C4.5 in Higher Education Institues”
oleh Sadiq dan Ahmed (2019), dengan empat algoritma klasifikasi yaitu decision tree, random forest, support vector machine (SVM) dan naive bayes digunakan dalam penelitian ini. Hasil penelitian menunjukkan bahwa decision tree C4.5 yang ditingkatkan mengungguli C4.5 tradisional dan bekerja lebih baik.
Penelitian terdahulu berjudul “Decision Tree-Based Classification for Planetary Gearboxes’ Condition Monitoring with the Use of Vibration Data in
Multidimencional Symptom Space” oleh Lipinski et. al. (2020), dengan memanfaatkan multidimensi data diagnostik dan mengklasifikasikan/mengenali kondisi gearbox hampir tanpa cacat berupa sistem yang bervariasi waktu. Peneliti membandingkan hasil yang diperoleh dengan metode K-NN dan meta-classifier yaitu random forrest dan adaboost. Hasilnya model keputusan dengan akurasi klasifikasi 99,74% pada dataset uji.
Penelitian terdahulu berjudul “Constructing a Data Mining Model Using Fuzzy Decision Tree” oleh HemlataAggarwal et. al. (2020), dalam penelitian ini, dibahas teknik data mining dan algoritma decision tree menggunakan fuzzy dan entropi. Penelitian ini menyajikan pembangunan pohon keputusan fuszzy untuk data fuzzy yang nilai numerik atributnya ditentukan oleh bilangan fuzzy trapesium, nilai tajam serta interval.
2.3. Kerangka Teoritis
Kerangka teoritis adalah suatu model konseptual yang menunjukkan hubungan logis antara faktor/variabel yang telah diidentifikasi penting untuk menganalisis masalah penelitian. Variabel adalah sesuatu yang memiliki nilai yang berbeda-beda atau bervariasi. Berdasarkan analisis kasar terhadap masalah yang dihadapi, maka dapat diidentifikasi satu variabel dependen dan 5 variabel independen, masing-masing adalah:
1. Variabel Independen
Variabel independen merupakan variabel bebas yang mempengaruhi variabel lain. Menurut Panjaitan dan Yuliati (2016) terdapat 5 dimensi kualitas
jasa/layanan yang biasa digunakan sebagai acuan. Kelima dimensi yang digunakan sebagai variabel independen. Variabel yang digunakan dalam penilaian kualitas jasa pelayanan adalah sebagai berikut:
a. Reliabilitas (Reliability)
b. Daya Tanggap (Responsiveness) c. Jaminan (Assurance)
d. Empati (Empathy) e. Bukti Fisik (Tangibles) 2. Variabel Dependen
Variabel dependen (terikat) adalah variabel yang nilainya dipengaruhi atau ditentukan oleh variabel lain. Variabel dependen dalam penelitian ini adalah kepuasan mahasiswa terhadap pelayanan akademik.
Kerangka teoritis penelitian kepuasan mahasiswa terhadap pelayanan akademik ini dapat dilihat pada Gambar 2.2.
Reliabilitas
Daya Tanggap
Jaminan
Empati
Bukti Fisik
Kepuasan
Sumber: Pengumpulan Data
Gambar 2.2. Kerangka Teoritis Penelitian
3.1. Jenis Penelitian
Jenis penelitian yang dilakukan adalah penelitian deskriptif (descriptive research). Penelitian deskriptif ialah suatu jenis penelitian yang bertujuan untuk mencandra atau mendeskripsikan secara sistematik, faktual dan akurat tentang fakta-fakta dan sifat-sifat suatu objek atau populasi tertentu. Penelitian deskriptif ini berbentuk penelitian survei (survey research). Penelitian survei ialah suatu penyelidikan yang dilakukan untuk memperoleh fakta-fakta dari gejala yang ada dan mencari keterangan secara faktual untuk mendapatkan kebenaran.
3.2. Lokasi dan Waktu Penelitian
Penelitian dilakukan di Departemen Teknik Industri Universitas Sumatera Utara yang berlokasi di Jalan Almamater USU Padang Bulan, Kecamatan Medan Baru, Kota Medan, Sumatera Utara. Waktu penelitian dilakukan dari bulan April 2021 hingga Juli 2021.
3.3. Objek Penelitian
Objek penelitian ini adalah pelayanan akademik Departemen Teknik Industri USU. Responden yang menjadi sumber informasi mengenai kebutuhan data untuk penelitian ini adalah mahasiswa Teknik Industri USU.
3.4. Metodologi Pengumpulan Data
Data yang digunakan dalam penelitian ini merupakan data primer dan data sekunder.
1. Data primer adalah data yang diperoleh dengan pengamatan langsung atau turun langsung ke lapangan untuk mengumpulkan informasi/data yang dibutuhkan.
Data primer yang dikumpulkan menggunakan instrument berupa kuesioner.
Kuesioner akan disebarkan kepada mahasiswa Teknik Industri USU. Data Responden diambil dengan menggunakan teknik pengambilan sampel simple random sampling dan penentuan ukuran sampel menggunakan metode slovin.
Pengisian kuesioner dilakukan dengan atau tanpa bantuan surveyor tergantung kebutuhannya.
2. Data sekunder adalah data yang diperoleh dengan mengambil dokumen dari perusahaan. Data sekunder pada penelitian ini adalah data jumlah mahasiswa aktif Teknik Industri USU dan data yang diperoleh dari studi literatur, yaitu buku, jurnal dan penelitian terdahulu yang berhubungan dengan objek penelitian.
3.5. Populasi
Populasi adalah keseluruhan anggota atau kelompok yang membentuk objek yang akan dikenakan investigasi oleh peneliti. Populasi dalam penelitian ini adalah mahasiswa Teknik Industri USU dari stambuk 2017 sampai stambuk 2020.
3.6. Sample Size
Penentuan ukuran sampel yang digunakan adalah metode slovin. Metode slovin relatif simpel dan digunakan apabila ukuran populasi diketahui.
3.7. Teknik Sampling
Teknik sampling yang digunakan yaitu probability sampling, yang artinya setiap elemen dari populasi diberi kesempatan yang sama untuk ditarik menjadi anggota sampel.
Jenis probability sampling yang digunakan yaitu simple random sampling.
Dalam simple random sampling, setiap elemen dari populasi mempunyai kesempatan atau peluang yang sama untuk terpilih menjadi anggota sampel. Cara penarikan berdasarkan simple random sampling memiliki bias yang relatif kecil dan memberikan kemampuan generalisasi yang tinggi.
3.8. Metode Analisis Data
Pengolahan dilakukan dengan metode algoritma C5.0 dan classification and regression tree (CART) dalam mengklasifikasikan kepuasan mahasiswa terhadap pelayanan akademik Departemen Teknik Industri USU dengan menggunakan variabel dimensi kualitas. Berikut langkah-langkah dalam penelitian kali ini adalah sebagai berikut:
1. Menghitung Indeks Three Box Method
Perhitungan indeks ini dapat menggambarkan data yang telah terkumpul. Jenis statistik yang disajikan dalam penelitian ini adalah angka indeks. Analisis
angka indeks ini dilakukan untuk mengetahui persepsi umum responden mengenai sebuah variabel yang diteliti.
2. Analisis algoritma C5.0 dan classification and regression tree (CART)
Dalam analisis menggunakan algoritma C5.0 dan classification and regression tree (CART), data yang digunakan yaitu data training. Pada langkah ini, akan dibuat decision tree dari masing-masing metode.
3. Mengukur ketepatan hasil klasifikasi
Setelah didapatkan hasil berupa pohon klasifikasi, maka dilanjutkan dengan pengujian tingkat ketepatannya dengan menggunakan bantuan tabel confusion matrix untuk masing-masing metode. Data yang digunakan dalam pengujian ini yaitu data testing.
3.9. Analisis dan Pembahasan
Analisis pemecahan masalah dilakukan terhadap hasil pengolahan data dan dilakukan pembahasan terkait faktor kepuasan mahasiswa terhadap pelayanan akademi Departemen Teknik Industri USU.
3.10. Kesimpulan dan Saran
Langkah akhir yang dilakukan adalah penarikan kesimpulan yang berisi hal- hal penting dan hasil dari penelitian tersebut. Selain itu, pemberian saran kepada pihak Departemen Teknik Industri USU diharapkan dapat memberikan manfaat bagi Departemen untuk dapat meningkatkan pelayanan kepada mahasiswa.
3.11. Blok Diagram Prosedur Penelitian
Prosedur penelitian dapat dilihat pada Gambar 3.1. di bawah ini.
Studi Pendahuluan 1. Kondisi Pelayanan akademik Departemen Teknik Industri USU
Studi Literatur 1. Teori dan literatur mengenai pelayanan
2. Teori dimensi kualitas pelayanan 3. Teori Algoritma C5.0
4. Teori Classification and Regression Tree (CART)
Identifikasi Masalah Awal
Perlunya melakukan klasifikasi faktor kepuasan
Pengumpulan Data
1. Data primer diperoleh dengan melakukan penyebaran kuesioner yang disebarkan kepada mahasiswa Teknik Industri USU
2. Data sekunder penelitian ini adalah data jumlah mahasiswa aktif Teknik Industri USU
Pengolahan Data 1. Menghitung Indeks Three Box Method
2. Analisis algoritma C5.0 dan classification and regression tree (CART)
3. Mengukur ketepatan hasil klasifikasi
Analisis Pemecahan Masalah
Kesimpulan dan Saran
Selesai Mulai
Sumber: Pengolahan Data
Gambar 3.1. Blok Diagram Prosedur Penelitian
4.1. Pengumpulan Data
Pada penelitian ini menggunakan 2 jenis data, yaitu data primer dan data sekunder.
1. Data primer diperoleh dari penyebaran kuesioner. Teknik pengambilan sampel yang digunakan untuk pengumpulan data adalah simple random sampling dan penentuan ukuran sampel menggunakan metode slovin.
2. Data sekunder diperoleh dari data jumlah mahasiswa aktif Teknik Industri USU dan data yang diperoleh dari studi literatur, yaitu buku, jurnal dan penelitian terdahulu yang berhubungan dengan objek penelitian.
4.1.1. Populasi
Populasi dalam penelitian ini adalah mahasiswa Teknik Industri USU dari stambuk 2017 sampai stambuk 2018. Daftar populasi dalam penelitian dapat dilihat pada Tabel 4.1.
Tabel 4.1. Daftar Populasi
No. Stambuk Jumlah
1 2017 160 orang
2 2018 140 orang
Jumlah 300 orang
Sumber: Departemen Teknik Industri USU
