Jurnal Informatika Kaputama (JIK),Vol. 6 No. 2 Juli 2022
P-ISSN : 2548-9739 E-ISSN : 2685-5240194
”ANALISA DALAM MENENTUKAN TINGKAT KEPUASAN PELAYANAN TERHADAP VENDOR MENGGUNAKAN ALGORITMA
C.45 DISATUAN KERJA PUSDATIN”
Syahrul Gunawan P;
Sistem Informasi
UNIVERSITAS NUSA MANDIRI JAKARTA nusamandiri.ac.id
syahrulgp31@gmail.com
ABSTRACT
Abstract— In this activity at the Center for Data and Information, the agency is not yet optimal in evaluating service satisfaction for agency vendors and the satisfaction results are not effective and efficient. To find out how the level of service satisfaction to vendors at Pusdatin To apply the C4.5 algorithm method in determining the level of service satisfaction in the agency. To facilitate evaluation activities in the agency. The C.45 algorithm is one of the algorithms that has a function, namely data grouping and is predictive. "Data Mining, Algorithm C4.5 is also called a decision tree (decision tree) which is a classification method that uses a tree structure representation, and each node represents an attribute, the branch represents the value of the attribute, and the leaf represents the class, the concept of the tree.
This decision is to collect data and then make a decision tree which will then produce problem solution rules. Service satisfaction of agencies can be predicted using the C4.5 algorithm to obtain information from data obtained from vendor assessments. Testing of data using rapidminer software found an accuracy rate of 86.27%, recall 80.55% and precision 80.55% based on the level of accuracy categorized good classification
Keywords: Satisifaction, algorithm, decision tree.
ABSTRAK
Intisari— Kegiatan di pusdatin ini, belum optimalnya pihak instansi dalam melakukan evaluasi dalam kepuasan pelayanan terhadap vendor diinstansi dan hasil kepuasan tidak efektif dan efisien. Untuk mengetahui seberapa tingkat kepuasan pelayanan terhadap vendor di Pusdatin Untuk menerapkan metode algoritma C4.5 dalam menentukan tingkat kepuasan pelayanan di instansi tersebut.Untuk mempermudah dalam kegiatan evaluasi di instansi.
Algoritma C.45 merupakan salah satu algoritma yang mempunyai fungsi yaitu pengelompokan data dan bersifatnya prediktif. “Data Mining, Algoritma C4.5 disebut juga dengan pohon keputusan (decision tree) yaitu merupakan salah satu metode klasifikasi yang menggunakan representasi struktur pohon, dan pada setiap node merepresentasikan atribut,cabangnya merepresentasikan nilai dari atribut, dan daun merepresentasikan kelas, Konsep dari pohon keputusan ini adalah dengan mengumpulkan data selanjutnya dibuatkan
195 decision tree yang kemudian akan dihasilkan rule-rule solusi permasalahan. Kepuasan pelayanan instansi dapat diprediksi dengan menggunakan algoritma C4.5 untuk mendapatkan informasi dari data yang didapat dari penilaian vendor.Pengujian dari data dengan menggunakan software rapidminer ini didapati tingkat akurasi sejumlah 89,22%, recall 77,77% dan precision 90,32% berdasarkan tingkat akurasi dikategorikan klasifikasi baik Kata Kunci: kepuasan, algoritma C.45, pohon keputusan .
1.
PENDAHULUANInstansi pemerintahan merupakan sebuah organisasi yang disediakan oleh pemerintah untuk melayani kebutuhan masyarakat umum dan tugas serta fungsionalnya masing- masing. Pelayanan yang disediakan oleh pemerintahan merupakan ujung tombak kepercayaan masyarakat terhadap pemerintah yang berkuasa untuk melakukan kegiatan pemerintahan. Untuk itu instansi seharusnya melakukan evaluasi di setiap kegiatan yang sudah berlangsung di instansi tersebut. Pusdatin merupakan sebuah instansi pemerintahan yang dimana menaungi teknologi informasi yang ada di kementrian ATR/BPN. Pusdatin sendiri membuka kerja sama dengan pihak vendor seputar teknologi informasi.
Vendor merupakan sebuah penyedia barang atau jasa yang sudah bekerja sama dengan pihak instansi itu sendiri. Pihak vendor berhak melakukan penilaian terhadap pelayanan yang diberikan oleh instansi.
“Dalam proses memberikan pelayanan bagi masyarakat penilaian terhadap kualitas pelayanan salah satunya didasarkan atas pengakuan atau penilaian dari pelanggan atau pihak yang menerima pelayanan.
Indikator kualitas pelayanan adalah client satisfaction and perceptions, ditunjukkan dengan ada tidaknya keluhan dari pengguna jasa pelayanan(Bangsa & Utara, 2020)”
(Bangsa & Utara, 2020)Berdasarkan observasi dan wawancara langsung di temukan permasalahan yaitu dalam kegiatan di pusdatin ini, belum optimalnya pihak instansi dalam melakukan evaluasi dalam
kepuasan pelayanan terhadap vendor
“diinstansi dan hasil kepuasan tidak efektif dan efisien.”(Nuraini et al., 2022)
Algoritma C.45 merupakan salah satu algoritma yang mempunyai fungsi yaitu pengelompokan data dan bersifatnya prediktif. “Data Mining, Algoritma C4.5 disebut juga dengan pohon keputusan (decision tree) yaitu merupakan salah satu metode klasifikasi yang menggunakan representasi struktur pohon, dan pada setiap node merepresentasikan atribut,cabangnya merepresentasikan nilai dari atribut, dan daun merepresentasikan kelas, Konsep dari pohon keputusan ini adalah dengan mengumpulkan data selanjutnya dibuatkan decision tree yang kemudian akan dihasilkan rule-rule solusi permasalahan.(Informasi et al., 2017)
Untuk memprediksi tingkat kepuasan pelayanan terhadap vendor di Pusdatin.
Untuk menerapkan metode algoritma C4.5 dalam menentukan tingkat kepuasan pelayanan di instansi tersebut. Untuk mempermudah dalam kegiatan evaluasi pelayanan di instansi. Berdasarkan pengertian Algoritma C4.5 merupakan kelompok algoritma decision tree. Algoritma ini mempunyai input berupa training samples dan samples. Training samples merupakan data contoh yang digunakan untuk membangun sebuah tree yang telah diuji kebenarannya. Sedangkan samples merupakan field-field data yang digunakan sebagai parameter dalam klasifikasi data”.(Algoritma, 2021)
Jurnal Informatika Kaputama (JIK),Vol. 6 No. 2 Juli 2022
P-ISSN : 2548-9739 E-ISSN : 2685-5240196 Berdasarkan pengertian kalsifikasi dari
jurnal “Klasifikasi merupakan suatu pekerjaan menilai objek data untuk memasukannya kedalam kelas tertentu dari jumlah kelas yang tersedia. Klasifikasi melakukan pembangunan model berdasarkan data latih yang ada, kemudian menggunakan model tersebut untuk mengklasifikasikan pada data yang baru.
Klasifikasi dapat didefinisikan sebagai
pekerjaan yang melakukan
pelatihan/pembelajaran terhadap fungsi target yang memetakan setiap set atribut (fitur) ke satu jumlah label kelas yang tersedia. Sebuah sistem yang melakukan klasifikasi diharapkan dapat melakukan klasifikasi semua data set dengan benar, tetapi tidak dapat dipungkiri bahwa kinerja sistem tidak bisa 100% benar sehinga sebuah sistem klasifikasi juga harus diukur kinerjanya. Umumnya, pengukuran kinerja klasifikasi dilakukan dengan matriks konfusi”(Utomo & Mesran, 2020)
“Berdasarkan pengertian dari dataminig Merupakan proses penggalian dan pertambangan pengetahuan dari sejumlah data yang besar, database atau repository database lainnya.tujuan utama dari penambangan data ini untuk menemukan pengetahuan baru yang tersembunyi dari database tersebut .”(Informasi et al., 2017)
Pudatin merupakan singkatan dari pusat data informasi pertanahan, tata ruang dan lahan pertanian pangan berkelanjutan.
Pusdatin sendiri merupakan satuan unit kerja yang berada di bawah kementrian agraria tata ruang dan badan pertanahan nasional.
Pusdatin sendiri satuan unit kerja yang dimana mengatur,mengelola, dan sangkut paut tentang teknologi informasi yang ada dibawah Kementrian ATR/BPN.
BAHAN DAN METODE A. Metode penelitian
Langkah-langkah penelitian merupakan suatu gambaran kerja dari suatu penelitian yaitu:
1. Identifikasi masalah
Pada tahapan awal ini penulis menentukan masalah yang terjadi di baik instansi ataupan keluhan dari pihak vendor
2. Menentukan tujuan
Pada tahapan ini penulis mempunyai atau menentukan tujuan dalam kegiatan penelitian
3. Mempelajari studi literatur
Pada tahap ini penulis melakukan pengumpulan teori ataupun jurnal yang berkaitan dengan penelitian ini
4. Mengumpulkan data
Pada tahap ini penulis melakukan pengumpulan data dengan menyebarkan kuesioner online
5. Menganalisa dengan metode algoritma C.45
Pada tahap ini dilakukannya pengolahan data dengan menggunakan metode algoritma C.45
6. Pengujian dengan software rapid minner
Pada tahap ini data yang sudah di peroleh lalu diuji melalui software rapidminner B. Instrumen Penelitian
Proses penelitian ini membutuhkan beberapa kebutuhan untuk melakukan kegitan ini penulis merumuskan serta merinci kebutuhan dalam penyusunan ini yaitu.
1. Bahan
Bahan penelitian ini yaitu menggunakan kuesioner dari vendor yang melakukan kerja sama dengan pihak pusdatin
2. Peralatan
Peralatan dalam penelitian ini penggunaannya untuk keberlangsungan dalam penelitian ini berupa :
1. Perangkat lunak
Perangkat lunak ini digunakan untuk melakukan pengolahan data seperti:
1. Sistem operasi (windows 10)
197 Untuk mendukung dalam penelitian ini
mengunakan sistem operasi untuk 2. Microsoft excel
Digunakan untuk mengumpulkan, mengedit serta mengolah data
3. Rapid minner
Digunakan untuk mengolah data dan untuk mendapatkan hasil dari penelitian ini
2. Perangkat keras
Dalam penelitian ini penulis menggunakan perangkat keras berupa laptop dengan spesifikasi berikut:
1. Processor I5 gen 8 with Nvidia grapics
2. 64 bit operating system 3. RAM 8 gb
4. 500 Gb Hdd
Analisis deskriptif merupakan yaitu metode riset yang memiliki tujuan untuk menjelaskan secara spesifik berdasarkan data yang digunakan dalam penelitian ini.
Analisa deskriptif juga untuk mengumpulkan informasi untuk menjawab dalam penelitian. Mendeskripsikan menjelaskan hasil deskriptif berdasarka data- data. menjelaskan hasil deskriptif berdasarkan fakta mevalidasi memvalidasi kebenara dan keakuratan hasil temuan
HASIL DAN PEMBAHASAN Pre procesing
Pada tahap ini dilakukan pembuang variabel yang tidak digunakan dalam penelitian ini yaitu tanggal pengisian, nama, pekerjaan, dan skor/jumlah. Untuk mempermudah dalam melakukan perhitungan dilakukannya pembulatan angka dan juga dilakukanya perubahan notasi angka menjadi skala interval. Agar mudah memahami dalam keputusan pohon dan juga Rule yang dihasilkan. Berikut
Pengujian Dengan Rapidminer
Berikut adalah design dari penelitian ini untuk menentukan pohon keputusan atau decision tree. Retrive data merupakan data yang sudah kita upload didirektori rapidminner. Cross validation adaalah sebuah operator yang digunakan untuk membuat validasi data. Berikut adalah desain dari pengujian rapidminer. Fungsi dari cross validation agar tidak ada pengulangan atribut dan node pada saat menentukan pohon keputusan
Jurnal Informatika Kaputama (JIK),Vol. 6 No. 2 Juli 2022
P-ISSN : 2548-9739 E-ISSN : 2685-5240198 Didalam pengujian cross validation
ini terdapat sebuah operator yang digunakan untuk testing dan training. Set role merupakan operator yang disediakan rapidminner berfungsi sebagai menentukan label dari data yang akan digunakan. Untuk decision tree merupakan operator yang berfungsi sebagai representasi struktur dari pohon keputusan. . Untuk apply model merupakan sebuah operator yang diberfungsi sebagai model pohon keputusan yang akan ditampilkan. Untuk operator performance classifiation berfungi untuk menunjukan tingkat akurasi dari data yang akan digunakan. Untuk menampilkan hasil dari design dengan mengklik menu process lalu ketik run atau tinggal mengklik tombol panah yang berwarna biru.
Pada design di bawah ini merupakan design yang ditujukan untuk melihat tingkat akurasi dalam penelitian ini Retrive data merupakan data yang sudah diupload didirektori rapidminner.
Pohon keputusan
Untuk menjelaskan pohon keputusan dengan menggunakan rapidminner ini penulis menggunakan hasil temuan dari perhitungan gain dan iterasi. Dikarenakan
atribut fasilitas dan petugas tidak tertampil pada pohon keputusan di rapidminner.
Rule
Rule merupakan sebuah aturan yang terbuat dari pohon keputusan. Rule ini bisa dijadikan sebagai algoritma jika akan di implementasikan. Berikut adalah Rule dari pohon keputusan yang ada diatas adalah
Sumber : Penelitian 2022
Gambar IV. 1 rule dari pohon keputusan Evaluasi
Accuracy
Akurasi merupakan sebuah kebenaran atau ketelitian dalam data. Gambar dibawah ini merupakan akurasi performance dari data yang digunakan dengan tingkat akurasi sebesar 86,27% , ini menunjukan bahwa data yang digunakan akurasi hampir sempurna.
Berdasarkan referensi jurnal yaitu
199 Gambar IV.2 Accuracy
Sumber : Penelitian 2022
Untuk menghitung tingkat akurasi dalam penelitian ini dengan cara true positif ditambah dengan true negatif dibagi dengan true positif ditambah true negatif ditambah fasle positif ditambah false negatif dikali 100%. Untuk mempermudah berikut adalah rumus dari akurasi.
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = A+D
A+B+C+D∗ 100% (Rokach &
Maimon, 2015) 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 63 ± 28
63 + 8 + 3 + 28∗ 100%
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 91
102∗ 100%
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 0,8627 ∗ 100%
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 89, 22%
Precision
“Precision merupakan sebuah kesamaan dalam data Untuk menghitung dari precision yaitu dengan cara true postif dibagi dengan true positif ditambah dengan false negatif dikali 100%. Untuk mempermudah berikut adalah rumus dari precision Pada gambar dibawah ini.”
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = D
B+D∗ 100% (Rokach &
Maimon, 2015) 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 28
8 + 28∗ 100%
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 =28
36∗ 100%
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 0,7777 ∗ 100%
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 77,77 Recall
Nilai Recall dihitung dengan cara membagi jumlah data benar yang bernilai positif dibagi dengan jumlah data besar yang bernilai positif
𝑅𝑒𝑐𝑎𝑙𝑙 = D
C+D∗ 100% (Rokach &
Maimon, 2015) 𝑅𝑒𝑐𝑎𝑙𝑙 = 28
3 + 28∗ 100%
𝑅𝑒𝑐𝑎𝑙𝑙 =29
3 ∗ 100%
𝑅𝑒𝑐𝑎𝑙𝑙 = 0.9032 ∗ 100%
𝑅𝑒𝑐𝑎𝑙𝑙 = 90,32%
ROC
ROC merupakan sebuah grafik yang menggambarkan sebuah data Berikut adalah pengujian menggunakan ROC/area under cover .
Sumber : Penelitian 2022
Gambar IV. 3 Kurva ROC Analisa hasil pengujian
Berikut adalah tabel yang berisikan Hasil dari pengujian menghasilkan akurasi, precision, dan Recall sebagai berikut
Accuracy precision Recall 89,22 77,7 90,32 Sumber : Penelitian 2022
Berdasarkan tabel diatas yang telah dijelaskan maka dapat diketahui bahwa nilai accuracy 89,27% , precision 77,77%, dan Recall 90,32%. Berdasarkan pengujian akurasi didapati sebesar 86,27 ini dikategorikan sebagai klasifikasi baik untuk data kepuasan pelayanan terhadap vendor.
KESIMPULAN
Berdasarkan pembahasan diatas penulis menyimpulkan:
Jurnal Informatika Kaputama (JIK),Vol. 6 No. 2 Juli 2022
P-ISSN : 2548-9739 E-ISSN : 2685-5240200 1. Kepuasan pelayanan instansi dapat
diprediksi dengan menggunakan algoritma C4.5 untuk mendapatkan informasi dari data yang didapat dari penilaian vendor.
2. Pengujian dari data dengan menggunakan software rapidminer ini didapati tingkat akurasi sejumlah 89,27%, recall 77,77% dan precision 90,32% berdasarkan tingkat akurasi dikategorikan klasifikasi baik
Saran
Berdasarakan dari hasil penelitian penulis menyarankan :
1. Data yang diguankan lebih baik banyak dari yang diteliti agar mendapatkan hasil yang sesuai 2. Menggunakan software rapidminner
yang terbaru untuk mempermudah dalam penghitungan dan juga fitur yang disediakan
REFERENSI
Algoritma, C. (2021). Jurnal Informatika Ekonomi Bisnis Prediksi Tingkat Kepuasan Pelayanan Online Menggunakan Metode. 3, 148–154.
https://doi.org/10.37034/infeb.v3i3.104 Bangsa, A. T., & Utara, S. (2020). Analisa
Tingkat Kepuasan Masyarakat Terhadap Pelayanan Pengadilan Agama Pematangsiantar Menggunakan Algoritma. 2(1), 33–40.
Informasi, S., Batam, U. P., Kunci, K., Kerja, K., & Mining, D. (2017). Analisa dan Penerapan Algoritma C4 . 5
Dalam Data Mining Untuk Mengidentifikasi Faktor-Faktor
Penyebab Kecelakaan Kerja Kontruksi PT . Arupadhatu Adisesanti. 2(1), 36–
41.
Nuraini, P., Hardinata, J. T., & Purba, Y. P.
(2022). Penerapan Algoritma C4 . 5 Untuk Klasifikasi Pola Kepuasan Pelayanan E - Ktp Di Kantor Camat Pematang Bandar. 3(2), 138–144.
Rokach, L., & Maimon, O. (2015). Data mining with decision trees. In 2 (p.
328).
Utomo, D. P., & Mesran, M. (2020).
Analisis Komparasi Metode Klasifikasi Data Mining dan Reduksi Atribut Pada Data Set Penyakit Jantung. Jurnal Media Informatika Budidarma, 4(2), 437.
https://doi.org/10.30865/mib.v4i2.2080
