Penerapan Algoritma C4.5 Dalam Analisa Kelayakan Penerima Bonus Tahunan Pegawai (Studi Kasus : PT. Multi Pratama Nauli Medan)

(1)

Penerapan Algoritma C4.5 Dalam Analisa Kelayakan Penerima Bonus Tahunan Pegawai (Studi Kasus : PT. Multi Pratama Nauli Medan)

Guntur Syahputra,M.Kom Program Studi Manajemen Informatika

STMIK Pelita Nusantara Medan, Jl. Iskandar Muda No 1 Medan, Sumatera Utara 20154, Indonesia [email protected]

Abstrak

Data mining adalah serangkaian proses untuk menggali nilai tambah dengan mencari pola atau aturan tertentu dari bongkahan data (database) yang besar untuk mendapatkan sebuah informasi atau pengetahuan baru yang selama ini tidak diketahui secara manual, yang diharapkan dapat dijadikan suatu pola keputusan yang nantinya akan digunakan dalam menganalisa kelayakan penerima bonus tahunan pegawai.

Penerapan algoritma C4.5, dapat digunakan dalam menganalisa pegawai yang layak atau tidaknya untuk menerima bonus tahunan ini berdasarkan kriteria yang telah ditetapkan yang akan menghasilkan suatu pohon keputusan, dari pohon keputusan inilah, akan diambil pengetahuan-pengetahuan baru berupa rules atau aturan-aturan yang akan dijadikan pola keputusan. Oleh karena itu dapat membantu seorang pimpinan perusahaan dalam menganalisa pegawai yang layak untuk menerima bonus tahunan ini.

Kata Kunci : Bonus Tahunan Pegawai, Algoritma C4.5 I PENDAHULUAN

1.1 Latar Belakang Penelitian

Salah satunya dalam meningkatkan kualitas dan loyalitas pegawai pada PT. Multi Pratama Nauli Medan, maka setiap tahunnya pimpinan perusahaan memberikan bonus pada pegawai yang berprestasi dengan kriteria-kriteria yang telah ditetapkan. Karena banyaknya kriteria dan data pegawai yang dianalisa, maka seorang pimpinan perusahaan harus bekerja keras dalam menganalisa pegawai mana yang layak dalam menerima bonus tahunan ini. Maka diperlukan pengolahan data lebih lanjut untuk menemukan informasi atau pengetahuan baru yang berguna sebagai pembantu dalam mengambil keputusan.

Oleh karena itu, pembentukan suatu pola keputusan sangat diperlukan karena dapat menghindari permasalahan tersebut.

Penerapan algoritma C4.5 merupakan salah satu solusi pemecahan kasus yang sering digunakan dalam pemecahan masalah pada teknik klasifikasi yang memiliki karakteristik yaitu dengan proses penentuan nilai entropy dan nilai gain dari kemungkinan setiap kriteria yang menjadi acuan keputusan yang dilanjutkan dengan proses perangkingan dari hasil keputusan. Keluaran dari algoritma C4.5 yaitu berupa sebuah pohon keputusan (decision tree). Pohon keputusan adalah sebuah struktur yang dapat digunakan untuk mengubah data menjadi pohon keputusan yang akan menghasilkan aturan-aturan keputusan

1.2 Rumusan Masalah

Berdasarkan uraian yang terdapat pada latar belakang, maka permasalahan pokok yang akan dibahas yaitu :

1. Bagaimana memanfaatkan data mining dengan menggunakan algoritma C4.5 dalam menganalisa kelayakan penerima bonus tahunan pegawai pada PT. Multi Pratama Nauli Medan?

2. Bagaimana menerapkan algoritma C4.5 dalam kelayakan penerima bonus tahunan pegawai pada PT. Multi Pratama Nauli Medan ?

2.1 Tujuan Penelitian

Tujuan dilakukannya penelitian ini adalah : 1. Merancang aplikasi Sistem Pendukung

KeputusanSiswa Berprestasi Menggunakan Metode AHP (Analytic Hierarchy Process) Pada SMK Singosari Delitua.

2. Membangun aplikasi Sistem Pendukung Keputusan Siswa Berprestasi Menggunakan Metode AHP (Analytic Hierarchy Process) Pada SMK Singosari Delitua.

II Landasan Teori Dan Kerangka Pemikiran 2.1 Defenisi Sistem

Menurut (Sukma Putri Utari, 2015 Volume :

IX, Nomor: 3) Algoritma C4.5 merupakan

algoritma yang digunakan untuk membentuk

pohon keputusan. Sedang pohon keputusan dapat

diartikan suatu cara untuk memprediksi atau

mengklarifikasi yang sangat kuat. Pohon

keputusan dapat membagi kumpulan data yang

(2)

besar menjadi himpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian aturan keputusan. Rumus Algoritma C4.5 terbagi menjadi 2 rumus, yang pertama rumus untuk mencari nilai gain

( ) ( ) ∑| |

| |

( ) ( )

Keterangan :

S : Himpunan kasus A : Atribut

n : Jumlah Partisi Atribut A

|Si| : Jumlah kasus pada partisi ke-i

|S| : Jumlah Kasus dalam S

Dan rumus yang kedua adalah untuk mencari nilai entropy.

( ) ∑

( )

2.2 Decision Tree

Sistem Pendukung Keputusan (SPK) / Desision tree (pohon keputusan) merupakan metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang mempresentasikan aturan. Aturan dapat dengan mudah dipahami dengan bahasa alami.

Dan mereka juga dapat diekpresikan dalam bentuk bahasa basis data seperti Structured Query Language untuk mencari record pada kategori tertentu.

A decision tree is a structure that can be used to divide large datasets into the sets of records that are smaller by applying a set of decision rules. With each of the division series, members of the result set to be similar to one another. (Berry & Linoff, 2004:14) yang artinya Sebuah pohon keputusan adalah sebuah struktur yang dapat digunakan untuk membagi kumpulan data yang besar menjadi himpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian aturan keputusan. Dengan masing- masing rangkaian pembagian, anggota himpu nan hasil menjadi mirip satu dengan yang lain.

“Banyak algoritma yang dapat dipakai dalam pembentukan pohon keputusan, anatara lain ID3, CART dan C4.5. Algoritma C4.5 merupakan pengembangan dari algoritma ID3 (Larose, 2005:14).”

Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut dan record.

Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan pohon.

Misalkan untuk menentukan main tenis, kriteria yang diperhatikan adalah cuaca, angin, dan temperatur. Salah satu atribut merupakan atribut yang menyatakan data solusi per item data yang disebut target atribut. Atribut memiliki nilai-nilai yang dinamakan dengan instance. Misalkan

atribut cuaca mempunyai instance berupa cerah, berawan, dan hujan (Basuki & Syarif, 2003:14).

“Proses pada pohon keputusan adalah mengubah bentuk data (tabel) menjadi model pohon, mengubah model pohon menjadi rule, dan menyederhanakan rule (Basuki & Syarif, 2003:14).”

2.3 Rapid Miner

Rapid Miner merupakan perangkat lunak yang bersifat terbuka (open source). Rapid Miner adalah sebuah solusi untuk melakukan analisis prediksi. Rapid Miner menggunakan berbagai teknik deskriptif dan prediksi dalam memberikan wawasan kepada pengguna sehingga dapat membuat keputusan yang paling baik. Rapid Miner memiliki kurang lebih 500 operator data mining, termasuk operator untuk input, output, data preprocessing dan visualisasi. Rapid Miner merupakan software yang berdiri sendiri untuk analisis data dan sebagai mesin data mining yang dapat diitegrasikan pada produknya sendiri.

Rapid Miner ditulis dengan menggunakan bahasa java sehingga dapat bekerja di semua sistem operasi.

Rapid Miner menyediakan GUI (Graphic User Iterface) untuk merancang

sebuah pipeline analitis. GUI ini akan menghasilkan file XML (Extensible Markup Language) yang mendefenisikan proses analitis keinginan pengguna untuk diterapkan ke data.

File ini kemudian dibaca oleh Rapid Miner untuk menjalankan analis secara otomatis.

Rapid Miner memiliki beberapa sifat sebagai berikut :

1. Ditulis dengan bahasa pemrograman java sehingga dapat dijalankan diberbagai sistem operasi.

2. Proses penemuan pengetahuan dimodelkan sebagai operator trees.

3. Representasi XML internal untuk memastikan format standar pertukaran data.

4. Bahasa scripting memungkinkan untuk eksperimen skala besar dan otomatisasi eksperimen.

5. Konsep multi-layer untuk menjamin tampilan data yang efisien dan menjamin penanganan data.

6. Memiliki GUI, command line mode, dan java API yang dapat dipanggil dari program lain.

(Wicaksana, dkk, Belajar Data Mining Dengan Rapid Miner, 2009)

III Metodologi Penelitian

3.1.1 Teknik Pengumpulan Data

Adapun teknik pengumpulan data yang

penulis lakukan pada PT. Multi Pratama Nauli

Medan yaitu dengan melakukan pengamatan

(3)

penelitian lapangan (field study) secara langsung dengan cara :

1. Wawancara (interview) kepada pimpinan serta seluruh pegawai PT. Multi Pratama Nauli Medan.

2. Pengamatan (observation) langsung ke tempat objek penelitian yaitu PT. Multi Pratama Nauli Medan. Serta melakukan penelitian keperpustakaan (library) untuk pengumpulan data yang bersifat teoritis dengan membaca buku, mata kuliah, dan tulisan lainnya.

3.1.2 Teknik Analisis Data

Dalam penelitian yang dilakukan penulis pada PT. Multi Pratama Nauli Medan, teknik analisis data dilakukan dengan cara :

1. Menyeleksi data yang sesuai dengan fokus masalah penelitian yang dikumpulkan dari hasil wawancara (kepada Kepala Sekolah, guru-guru,staf pegawai)dan pengamatan langsung PT. Multi Pratama Nauli Medan.

2. Menganalisis data hasil seleksi untuk menarik kesimpulan dan mengambil tindakan.

3. Membuat kesimpulan berdasarkan analisis data.

3.2 Analisa Masalah

Kegiatan seleksi siswa berprestasi merupakan kegiatan yang dilaksanakan oleh banyak sekolah setiap tahunnya. Kenyataan dilapangan bahwa pihak sekolah jarang yang siap dalam penyelenggaraan seleksi siswa berprestasi. Masalah administrasi yang bersifat manual mengakibatkan kurang efisiennya kegiatan seleksi siswa berprestasi. Oleh karena itu, penulis berinisiatif untuk merancang suatu sistem yang dapat membantu pihak sekolah dalam pengambil keputusan seleksisiswa berprestasi, sehingga dapat lebih efisien dalam pelaksanaannya.

3.2.1. Analisa Data Pegawai

Data yang digunakan dalam membentuk pohon keputusan adalah data kinerja seluruh pegawai pada PT. Multi Pratama Nauli Medan dengan kriteria-kriteria yang telah ditetapkan perusahaan dalam analisa kelayakan penerima bonus tahunan pegawai pada PT. Multi Pratama Nauli Medan. Data tersebut di dapat dari pekerjaan Rehabilitasi Jaringan Irigasi D.I.

Balangka Sitongkon 1.017 Ha (417 Ha) Kab.

Padang Lawas, selanjutnya akan dilakukan praproses untuk menghasilkan data kasus yang siap untuk dibentuk menjadi pohon keputusan.

Praproses data meliputi : 1. Seleksi data

Untuk memilih data yang akan digunakan dalam penelitian ini, yaitu data kinerja

seluruh pegawai pada PT. Multi Pratama Nauli Medan. Dari data yang ada, kolom yang diambil sebagai atribut/variabel dalam pembentukan pohon keputusan adalah : a. Masa Kerja

b. Kehadiran c. Loyalitas d. Hasil Pekerjaan 2. Pembersihan data

Untuk membersihkan data, yaitu melengkapi data, menghapus data duplikat, menghilangkan noise.

3. Transformasi data

Data diubah atau digabung kedalam format yang sesuai untuk diproses dalam data mining agar data siap dihitung menggunakan algoritma C4.5.

Berikut adalah data kinerja pegawai pada PT.

Multi Pratama Nauli Medan:

Tabel 3.1 Data Kinerja Pegawai

No

^Nama ^Masa

Kerja Kehadiran Loyalitas ^Hasil

Pekerjaan

1

Desi Leman 10 thn 80% 65% 90

2

^Bayu

Syahputra 5 thn 80% 65% 90

3

Putri Permata Sari

7 thn 75% 75% 90

4

^Novita

Safriani 3 bln 85% 80% 60

5

Susi Wjaya 3 thn 85% 80% 70

6

^{Elim Wan} ^{10 bln} ^65% ^70% ⁷⁰

7

^Sintia ^{2 thn} ^77% ^80% ⁶⁵

8

^Elfrida

Manulang 8 thn 65% 80% 65

9

Elly Suparti 5 bln 65% 70% 80

10

^Gesti

Yolanda 9 bln 70% 85% 70

11

^Hari

Susanto 2 thn 70% 60% 75

12

Heliantini

Manulang 3 thn 70% 60% 75

13

^Indah

Purnama 9 thn 80% 70% 90

14

Joko Indra

Prasetyo 6 thn 80% 65% 80

15

Jumini 4 thn 65% 60% 65

16

^{Lisa Ade}

Yanti 2 thn 65% 65% 65

17

^{M. Alfan} ^{11 bln} ^80% ^85% ⁷⁰

(4)

18

Maryati 5 bln 70% 75% 70

19

^Melly

Purnama 3 thn 70% 75% 75

20

Merryana 2 thn 80% 80% 85

21

^{Nur Abida}

Siregar 10 bln 70% 65% 60

22

^Rani

Wahyuni 5 thn 70% 65% 65

23

^Afriani

Girsang 8 thn 80% 75% 80

24 Noni Elni

Siregar 7 thn 70% 85% 85 25 Dita Lifia 8 bln 70% 75% 70 26 Nirwana

Wisnu 5 thn 65% 65% 75

27 Juliana 10 thn 65% 85% 80 28 Sumatri 5 thn 75% 65% 65 29 Suriani 8 bln 80% 75% 80

30 Surip 8 thn 85% 70% 85

31 Suryandi 7 bln 70% 65% 70 32 Liona

Pringka 7 bln 80% 80% 70 33 Fury Ayu 3 thn 65% 80% 85 34 Budi

Alamsyah 5 thn 75% 80% 85

35 Heru Pratama Putra

3 thn 80% 70% 75

Sumber : PT. Multi Pratama Nauli Medan Keterangan :

Dari tabel diatas, dapat dijelaskan bahwa data yang diperoleh merupakan data hasil olahan pertahunnya, yaitu data kinerja seluruh pegawai pada PT. Multi Pratama Nauli Medan karena keterbatasan data, kemampuan dan waktu dan juga data yang bersifat pribadi. Pada tahap ini proses pembersihan data tidak dilakukan karena data dianggap sudah siap untuk dipergunakan.

Selanjutnya akan dilakukan proses transformasi data yaitu data diubah kedalam format yang sesuai untuk diproses dalam data mining agar data siap dihitung menggunakan algoritma C4.5.

Berikut merupakan tabel hasil dari transformasi data kinerja pegawai.

Tabel 3.2 Transformasi Data Kinerja Pegawai

N

o

^Nama _Kerja^Masa ^Kehadiran ^Loyalitas _Pekerjaan^Hasil _Tahunan^Bonus

1

^Desi_Leman ^MS ^Bagus ^Kurang ^Baik ^Layak

2

^Bayu_Syahputra^MS ^Bagus ^Kurang ^Baik ^Layak

3

Putri Permata Sari

MS Bagus Cukup Baik Layak

4

^Novita_Safriani ^TS ^Bagus ^Baik ^Kurang _Layak^Tdk

5

^Susi_Wjaya ^MS ^Bagus ^Baik ^Cukup _Layak^Tdk

6

Elim Wan TS Tidak Cukup Cukup Tdk

Layak

7

^Sintia ^MS ^Bagus ^Baik ^Kurang _Layak^Tdk

8

^Elfrida_Manulang^MS ^Tidak ^Baik ^Kurang _Layak^Tdk

9

^Elly_Suparti ^TS ^Tidak ^Cukup ^Baik _Layak^Tdk

10

^Gesti_Yolanda ^TS ^Tidak ^Baik ^Cukup _Layak^Tdk

11

^Hari_Susanto ^MS ^Tidak ^Kurang ^Cukup _Layak^Tdk

12

Heliantini

Manulang MS Tidak Kurang Cukup Tdk Layak

13

^Indah_Purnama ^MS ^Bagus ^Cukup ^Baik ^Layak

14

Joko Indra

Prasetyo MS Bagus Kurang Baik Layak

15

^Jumini ^MS ^Tidak ^Kurang ^Kurang _Layak^Tdk

16

^{Lisa Ade}_Yanti ^MS ^Tidak ^Kurang ^Kurang _Layak^Tdk

17

^{M. Alfan} ^TS ^Bagus ^Baik ^Cukup _Layak^Tdk

18

^Maryati ^TS ^Tidak ^Cukup ^Cukup _Layak^Tdk

19

^Melly_Purnama ^MS ^Tidak ^Cukup ^Cukup _Layak^Tdk

20

Merryana MS Bagus Baik Baik Layak

21

^{Nur Abida}

Siregar TS Tidak Kurang Kurang Tdk Layak

22

^Rani

Wahyuni MS Tidak Kurang Kurang Tdk Layak

23

^Afriani

Girsang MS Bagus Cukup Baik Layak

24

^{Noni Elni}

Siregar MS Tidak Baik Baik Tdk Layak

25

^Dita

Lifia TS Tidak Cukup Cukup Tdk Layak

26

^Nirwana

Wisnu MS Tidak Kurang Cukup Tdk Layak

27

_Juliana _MS _Tidak _Baik _Baik ^Tdk

Layak

28

_Sumatri _MS _Bagus _Kurang _Kurang ^Tdk

Layak

29

_Suriani _TS _Bagus _Cukup _Baik ^Tdk

Layak

30

_Surip _MS _Bagus _Cukup _Baik _Layak

31

_Suryandi _TS _Tidak _Kurang _Cukup ^Tdk

Layak

32

^Liona

Pringka TS Bagus Baik Cukup Tdk Layak

33

^Fury

Ayu MS Tidak Baik Baik Tdk

Layak

34

^Budi

Alamsyah MS Bagus Baik Baik Layak

(5)

35

^Heru_Pratama

Putra

MS Bagus Cukup Cukup Tdk Layak

Keterangan :

Dari tabel diatas, dapat dijelaskan bahwa setiap pegawai yang layak dalam menerima bonus tahunan pegawai ditentukan oleh :

1. Masa Kerja

Untuk masa kerja terbagi atas 2 (dua) transformasi data yaitu :

a. MS (Memenuhi Syarat)

Masa kerja memenuhi syarat apabila masa kerja dari setiap atribut pada tabel asal (data kinerja pegawai) adalah minimal 2 tahun.

b. TS (Tidak Memenuhi Syarat)

Masa kerja tidak memenuhi syarat apabila masa kerja dari setiap atribut pada tabel asal (data kinerja pegawai) adalah kurang dari 2 tahun.

2. Kehadiran

Untuk kehadiran terbagi atas 2 (dua) transformasi data yaitu :

a. Bagus

Kehadiran bagus apabila kehadiran pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) minimal 75% per tahun.

b. Tidak Bagus

Kehadiran tidak bagus apabila kehadiran pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) kurang dari 75% per tahun.

3. Loyalitas

Untuk loyalitas terbagi atas 3 (tiga) transformasi data yaitu :

a. Baik

Loyalitas baik apabila loyalitas pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) minimal 80% per tahun.

b. Cukup

Loyalitas cukup apabila loyalitas pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) 70%

sampai 75% per tahun.

c. Kurang

Loyalitas kurang apabila loyalitas pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) kurang dari 70% per tahun.

4. Hasil Pekerjaan

Untuk hasil pekerjaan terbagi atas 3 (tiga) transformasi data yaitu :

a. Baik

Hasil pekerjaan baik apabila hasil pekerjaan pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) mempunyai nilai 80 sampai 90 per tahun.

b. Cukup

Hasil pekerjaan cukup apabila hasil pekerjaan pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) mempunyai nilai 70 sampai 75 per tahun.

c. Kurang

Hasil pekerjaan kurang apabila hasil pekerjaan pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) mempunyai nilai kurang dari 65 per tahun.

Data yang digunakan dalam membentuk pohon keputusan adalah data kinerja seluruh pegawai pada PT. Multi Pratama Nauli Medan dengan kriteria-kriteria yang telah ditetapkan perusahaan dalam analisa kelayakan penerima bonus tahunan pegawai pada PT. Multi Pratama Nauli Medan. Data tersebut di dapat dari pekerjaan Rehabilitasi Jaringan Irigasi D.I.

Balangka Sitongkon 1.017 Ha (417 Ha) Kab.

Padang Lawas, selanjutnya akan dilakukan praproses untuk menghasilkan data kasus yang siap untuk dibentuk menjadi pohon keputusan.

Praproses data meliputi : 4. Seleksi data

Untuk memilih data yang akan digunakan dalam penelitian ini, yaitu data kinerja seluruh pegawai pada PT. Multi Pratama Nauli Medan. Dari data yang ada, kolom yang diambil sebagai atribut/variabel dalam pembentukan pohon keputusan adalah : e. Masa Kerja

f. Kehadiran g. Loyalitas h. Hasil Pekerjaan 5. Pembersihan data

Untuk membersihkan data, yaitu melengkapi data, menghapus data duplikat, menghilangkan noise.

6. Transformasi data

Data diubah atau digabung kedalam format yang sesuai untuk diproses dalam data mining agar data siap dihitung menggunakan algoritma C4.5.

Berikut adalah data kinerja pegawai pada PT.

Multi Pratama Nauli Medan:

Tabel 3.3 Data Kinerja Pegawai

No Nama Masa

Kerja Kehadiran Loyalitas Hasil Kerja 1 Desi

Leman

10 thn 80% 65% 90

2 Bayu

Syahputra 5 thn 80% 65% 90 3

Putri Permata Sari

7 thn 75% 75% 90

4 Novita 3 bln 85% 80% 60

(6)

Safriani

5 Susi Wjaya 3 thn 85% 80% 70 6 Elim Wan 10

bln 65% 70% 70

7 Sintia 2 thn 77% 80% 65

8 Elfrida

Manulang 8 thn 65% 80% 65 9 Elly

Suparti 5 bln 65% 70% 80

10 Gesti

Yolanda 9 bln 70% 85% 70

11 Hari

Susanto 2 thn 70% 60% 75

12 Heliantini

Manulang 3 thn 70% 60% 75 13 Indah

Purnama 9 thn 80% 70% 90

14 Joko Indra

Prasetyo 6 thn 80% 65% 80

15 Jumini 4 thn 65% 60% 65

16 Lisa Ade

Yanti 2 thn 65% 65% 65

17 M. Alfan 11

bln 80% 85% 70

18 Maryati 5 bln 70% 75% 70

19 Melly

Purnama 3 thn 70% 75% 75

20 Merryana 2 thn 80% 80% 85 21 Nur Abida

Siregar

10 bln 70% 65% 60

22 Rani

Wahyuni 5 thn 70% 65% 65

23 Afriani

Girsang 8 thn 80% 75% 80

24 Noni Elni

Siregar 7 thn 70% 85% 85

25 Dita Lifia 8 bln 70% 75% 70 26 Nirwana

Wisnu 5 thn 65% 65% 75

27 Juliana 10

thn 65% 85% 80

28 Sumatri 5 thn 75% 65% 65

29 Suriani 8 bln 80% 75% 80

30 Surip 8 thn 85% 70% 85

31 Suryandi 7 bln 70% 65% 70 32 Liona

Pringka 7 bln 80% 80% 70 33 Fury Ayu 3 thn 65% 80% 85 34 Budi

Alamsyah 5 thn 75% 80% 85 35

Heru Pratama Putra

3 thn 80% 70% 75

Sumber : PT. Multi Pratama Nauli Medan

Keterangan :

Dari tabel diatas, dapat dijelaskan bahwa data yang diperoleh merupakan data hasil olahan pertahunnya, yaitu data kinerja seluruh pegawai pada PT. Multi Pratama Nauli Medan karena keterbatasan data, kemampuan dan waktu dan juga data yang bersifat pribadi. Pada tahap ini proses pembersihan data tidak dilakukan karena data dianggap sudah siap untuk dipergunakan.

Selanjutnya akan dilakukan proses transformasi data yaitu data diubah kedalam format yang sesuai untuk diproses dalam data mining agar data siap dihitung menggunakan algoritma C4.5.

Berikut merupakan tabel hasil dari transformasi data kinerja pegawai.

Tabel 3.4 Transformasi Data Kinerja Pegawai No

^Nama ^Masa_Kerja ^Keha_diran ^Loya_litas _Pekerjaan^Hasil

Bonu s Tahu

nan

1 Desi

Leman MS Bagus Kurang Baik Layak 2 Bayu

Syahputra MS Bagus Kurang Baik Layak 3

Putri Permata Sari

MS Bagus Cukup Baik Layak 4 Novita

Safriani TS Bagus Baik Kurang Tdk Layak 5 Susi

Wjaya MS Bagus Baik Cukup Tdk Layak 6 Elim

Wan TS Tidak Cukup Cukup Tdk Layak 7 Sintia MS Bagus Baik Kurang Tdk

Layak 8 Elfrida

Manulang MS Tidak Baik Kurang Tdk Layak 9 Elly

Suparti TS Tidak Cukup Baik Tdk Layak 10 Gesti

Yolanda TS Tidak Baik Cukup Tdk Layak 11 Hari

Susanto MS Tidak Kurang Cukup Tdk Layak 12 Heliantini

Manulang MS Tidak Kurang Cukup Tdk Layak 13 Indah

Purnama MS Bagus Cukup Baik Layak 14

Joko Indra Prasetyo

MS Bagus Kurang Baik Layak 15 Jumini MS Tidak Kurang Kurang Tdk

Layak 16 Lisa Ade

Yanti MS Tidak Kurang Kurang Tdk Layak 17 M. Alfan TS Bagus Baik Cukup Tdk

Layak 18 Maryati TS Tidak Cukup Cukup Tdk

Layak

19 Melly MS Tidak Cukup Cukup Tdk

(7)

Purnama Layak 20 Merryana MS Bagus Baik Baik Lay

ak 21

Nur Abida Siregar

TS Tidak Kuran g

Kura ng

Tdk Lay

ak 22

Rani Wahyu ni

MS Tidak Kuran g

Kura ng

Tdk Lay

ak 23

Afriani Girsan g

MS Bagus Cukup Baik Lay ak 24

Noni Elni Siregar

MS Tidak Baik Baik Tdk Lay

ak 25 Dita

Lifia TS Tidak Cukup Cuku p

Tdk Lay

ak 26

Nirwan a Wisnu

MS Tidak Kuran g

Cuku p

Tdk Lay

ak 27 Juliana MS Tidak Baik Baik

Tdk Lay

ak 28 Sumatr

i MS Bagus Kuran

g

Kura ng

Tdk Lay

ak 29 Suriani TS Bagus Cukup Baik

Tdk Lay

ak 30 Surip MS Bagus Cukup Baik Lay ak 31 Suryan

di TS Tidak Kuran g

Cuku p

Tdk Lay

ak 32

Liona Pringk a

TS Bagus Baik Cuku p

Tdk Lay

ak 33 Fury

Ayu MS Tidak Baik Baik Tdk Lay

ak 34

Budi Alams yah

MS Bagus Baik Baik Lay ak 35

Heru Pratam a Putra

MS Bagus Cukup Cuku p

Tdk Lay

ak Keterangan :

Dari tabel diatas, dapat dijelaskan bahwa setiap pegawai yang layak dalam menerima bonus tahunan pegawai ditentukan oleh :

5. Masa Kerja

Untuk masa kerja terbagi atas 2 (dua) transformasi data yaitu :

a. MS (Memenuhi Syarat)

Masa kerja memenuhi syarat apabila masa kerja dari setiap atribut pada tabel asal (data kinerja pegawai) adalah minimal 2 tahun.

b. TS (Tidak Memenuhi Syarat)

Masa kerja tidak memenuhi syarat apabila masa kerja dari setiap atribut pada tabel asal (data kinerja pegawai) adalah kurang dari 2 tahun.

6. Kehadiran

Untuk kehadiran terbagi atas 2 (dua) transformasi data yaitu :

a. Bagus

Kehadiran bagus apabila kehadiran pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) minimal 75% per tahun.

b. Tidak Bagus

Kehadiran tidak bagus apabila kehadiran pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) kurang dari 75%

per tahun.

7. Loyalitas

Untuk loyalitas terbagi atas 3 (tiga) transformasi data yaitu :

a. Baik

Loyalitas baik apabila loyalitas pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) minimal 80% per tahun.

b. Cukup

Loyalitas cukup apabila loyalitas pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) 70% sampai 75% per tahun.

c. Kurang

Loyalitas kurang apabila loyalitas pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) kurang dari 70% per tahun.

8. Hasil Pekerjaan

Untuk hasil pekerjaan terbagi atas 3 (tiga) transformasi data yaitu :

a. Baik

Hasil pekerjaan baik apabila hasil pekerjaan pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) mempunyai nilai 80 sampai 90 per tahun.

b. Cukup

Hasil pekerjaan cukup apabila hasil pekerjaan pegawai dari setiap atribut pada tabel asal (data kinerja pegawai) mempunyai nilai 70 sampai 75 per tahun.

c. Kurang

Hasil pekerjaan kurang apabila hasil

pekerjaan pegawai dari setiap atribut pada

tabel asal (data kinerja pegawai)

mempunyai nilai kurang dari 65 per

tahun.

(8)

IV Proses Data

Data kinerja pegawai yang diinput dari database telah selesai. Maka tahap selanjutnya adalah proses data menggunakan aplikasi Rapid Miner sebagai berikut :

1. Buka program Rapid Miner yang telah diinstal, setelah proses maka akan muncul tampilan awal aplikasi Rapid Miner seperti pada gambar 5.1. Pada halaman awal terdapat beberapa fitur, salah satunya adalah new. New berguna untuk memulai proses analisis baru. Untuk memulai proses baru kemudian klik new.

Gambar 4.1 Tampilan Awal Rapid Miner 2. Kemudian untuk melakukan proses data,

langkah selanjutnta adalah memasukkan data kinerja pegawai yang sudah tersimpan dalam format data .CSV kedalam Rapid Miner,* yaitu dengan cara klik icon import pada tab operators, kemudian pilih import CSV File atau lebih jelas dapat dilihat pada gambar 4.2 berikut ini :

Gambar 4.2 Tampilan data input data .CSV* 3. Setelah proses import data dilakukan maka

sistem akan menampilkan data import wizard step 1 yaitu mencari dimana data yang akan

di import yaitu data yang sudah di simpan pada format *.CSV

4. Setelah data sudah didapat, klik tombol next untuk melanjutkan pada step berikutnya, maka akan muncul tampilan data import wizard Step 2 kemudian klik Next. Seperti pada gambar 4.3 berikut ini :

Gambar 4.3 Tampilan data import wizard Step 2 5. Selanjutnya akan muncul tampilan data

import wizard step 3. Pada step 3 ini, ada yang harus dirubah yaitu pada Annotation pilih Name kemudian klik Next.

6. 7. Selanjutnya akan muncul tampilan data import wizard step 4. Pada step 4 ini ada yang harus dirubah yaitu pada attribut 1 Nama pilih id dan pada attribut 6 pilih label kemudian klik Next. Seperti pada gambar 5.4 berikut ini :

Gambar 4.4 Tampilan Data Import Wizard Step 4

8. Selanjutnya akan muncul tahapan akhir pada data import wizard step 5. Pada step ini pilih New Local Repository sebagai tempat untuk menyimpan database Kemudian isi nama dan pilih Finish.

Gambar 4.5 Tampilan Data Import Wizard Step 5

9. Kemudian akan muncul kembali halaman

Rapid Miner lalu masukkan database data

kinerja pegawai yang telah di simpan di New

(9)

Local Repository, drag and drop database kehalaman kerja Rapid Miner atau lebih jelasnya dapat dilihat pada gambar 4.6 berikut ini :

Gambar 4.6 Tampilan Database Kinerja Pegawai pada Rapid Miner

10. Setelah database kinerja pegawai di masukkan, maka langkah selanjutnya adalah memasukkan metode decision tree kedalam halaman kerja Rapid Miner yaitu dengan cara klik icon Repositories pilih modeling, lalu pilih classification and regression, kemudian pilih tree induction, lalu pilih decision tree, drag and drop decision tree kehalaman kerja. Kemudian hubungkan database dengan decision tree sampai tidak ada error atau lebih jelasnya dapat dilihat pada gambar 4.7 berikut ini :

Gambar 4.7 Tampilan Masukan Decision Tree 11. Kemudian tekan tombol F11 pada keyboard

untuk menjalankan program.

5.1.1 Keluaran (Output) Data

Hasil akhir atau output dari aplikasi Rapid Miner adalah berupa pohon keputusan atau decision tree. Dari pohon keputusan inilah akan dihasilkan rules atau aturan-aturan yang dapat

membantu dalam mengambil keputusan. Pohon keputusan akhir dapat dilihat pada gambar 4.8 berikut :

Gambar 4.8 Tampilan Hasil Tree Akhir Hasil keluaran dari data mining aturan classification decision tree untuk menganalisa pegawai mana yang layak dalam mendapatkan bonus tahunan pada aplikasi Rapid Miner ini menunjukkan laporan yang diharapkan mampu membantu memberikan keputusan bagi seorang yang berkepentingan untuk kelangsungan bisnisnya. Untuk hasil nama pegawai yang mendapatkan bonus tahunan adalah sebagai berikut :

1. Desi Leman 6. Merryana 2. Bayu Syahputra 7. Apriani Girsang 3. Putri Permata Sari 8. Surip

4. Indah Purnama 9. Budi Alamsyah 5. Joko Indra Prasetyo

V. Kesimpulan

Sebagai penutup pembahasan dalam penulisan skripsi ini maka diambil kesimpulan- kesimpulan. Dengan adanya kesimpulan ini dapat diambil suatu perbandingan yang akhirnya dapat memberikan perbaikan-perbaikan pada masa yang aka datang. Adapun kesimpulan yang diperoleh adalah :

1. Dengan menggunakan algoritma C4.5 untuk melakukan perhitungan, ternyata mampu menyelesaikan permasalahan pimpinan perusahaan dalam analisa kelayakan penerima bonus tahunan pegawai pada PT.

Multi Pratama Nauli Medan.

2. Dengan memanfaatkan data mining menggunakan algoritma C4.5 dalam menganalisa kelayakan penerima bonus tahunan pegawai, informasi yang dihasilkan bersifat klasifikasi yaitu mengubah fakta yang sangat besar menjadi pohon keputusan yang mempresentasikan aturan

3. Aplikasi Rapid Miner Classification

Decision Tree digunakan sebagai aplikasi

pendukung dalam pengambilan keputusan

dan pengujian atas hasil yang didapatkan

secara manual, yang menghasilkan sebuah

pohon keputusan. Dari pohon keputusan

inilah akan menghasilkan sebuah aturan-

aturan yang dapat membantu pimpinan

(10)