Vol. 04 No. 01 Bulan April 2020, pp.15-24 P-ISSN : 2549-211X http://jurnal.kopertipindonesia.or.id/
© Yayasan Kopertip Indonesia 2017 1
Penentuan Bonus Karyawan Dengan Menggunakan Algoritma K-Nearest Neighbor
Abdul Koda1, Puji Rahayu2, Aria Pratama3, Ananda Rafly4, Kaslani5
Program Studi Manajemen Informatika, STMIK IKMI Cirebon, Jawa Barat Indonesia12 Program Studi Rekayasa Perangkat Lunak, STMIK IKMI Cirebon, Jawa Barat Indonesia3
Program Studi Sistem Informasi, STMIK IKMI Cirebon, Jawa Barat Indonesia4 Program Studi Komputerisasi Akuntansi, STMIK IKMI Cirebon, Jawa Barat Indonesia5
Email : abdulkoda00@gmail.com1, pujirahayu00@gmail.com2, ariapratama00@gmail.com3, anandaraffi00@gmail.com4, kaslani343@gmail.com5.
Email Penulis Korespondensi : abdulkoda00@gmail.com Submitted: 30/05/2022; Accepted: 03/06/2022; Published: 09/06/2022
Abstract— Human resources/employees are one of the important factors in the running of an organization/company. Good management of these employees will greatly affect aspects of work success, if employees can be well organized, it is hoped that the organization/company can run all business processes well as well.
The problem of subjectivity in employee performance appraisal is almost unavoidable. Assessment is still subjective or based on the personal opinion of the rater which is usually considered. On the other hand, management and employees need a routine and fast performance appraisal process so that they can provide quick feedback and improvements in the work environment. The transparency of the assessment process can usually have a positive effect on increasing employee work motivation. The focus of the problem is the complicated evaluation (assessment) process, meaning that what often happens now is that generally employees who get bonuses are only seen on the first criteria, but these employees are not necessarily superior in several areas. other criteria but still get a bonus. In this study focused on attendance criteria. The results of this study The criteria for research in determining Employee Bonuses are Period of Service, Attendance, Loyalty and Work Results The accuracy results show 86.81% with details, namely the Eligible Prediction Results and True Eligible has 54 data. The Prediction Results Eligible and True Not Eligible have 9 data. The results of Inappropriate and True Inappropriate Predictions have 9 data. Prediction Results Inappropriate and True Eligible have 64 data.
Keywords— Bonus, Employee, Datamining, KNN Algorithm
Abstrak— Sumber daya manusia/karyawan merupakan salah satu faktor penting dari jalannya suatu organisasi/perusahaan.
Pengelolaan yang baik dari karyawan ini akan sangat mempengaruhi aspek keberhasilan kerja, jika karyawan dapat diorganisir dengan baik, diharapkan organisasi/perusahaan dapat menjalankan semua proses usaha dengan baik pula.
Masalah subyektifitas dalam penilaian kinerja karyawan merupakan hal yang hampir tidak bisa dihindari. Penilaian masih bersifat subjektif atau berdasarkan pada pendapat pribadi penilai yang biasanya sering dianggap. Di lain pihak manajemen dan karyawan membutuhkan proses penilaian kinerja yang rutin dan cepat sehingga dapat memberikan umpan balik dan perbaikan yang cepat di lingkungan kerja.
Transparansi proses penilaian biasanya dapat memberikan efek positif bagi peningkatan motivasi kerja pegawai Fokus masalah adalah proses evaluasi (penilaian) yang rumit, artinya yang sering terjadi sekarang adalah umumnya karyawan yang mendapatkan bonus hanya dilihat pada kriteria pertama saja, tetapi karyawan tersebut belum tentu unggul pada beberapa kriteria-kriteria yang lain tapi tetap mendapat bonus. Dalam penelitian ini difokuskan pada kriteri kehadiran.Hasil Penelitian
ini Kriteria pada penelitian dalam menentukan Bonus Karyawan yaitu Masa Kerja, Hadir, Loyalitas dan Hasil Pekerjaan
Hasil akurasi menunjukan 86.81 % dengan rincian yaitu Hasil Prediksi Layak dan True Layak memiliki data sebanyak 54 Data. Hasil Prediksi Layak dan True Tidak Layak memiliki data sebanyak 9 Data. Hasil Prediksi Tidak Layak dan True Tidak Layak memiliki data sebanyak 9 Data. Hasil Prediksi Tidak Layak dan True Layak memiliki data sebanyak 64 Data Kata Kunci— Bonus, Karyawan, Datamining, Algoritma KNN
I. PENDAHULUAN
Dalam upaya peningkatan kualitas serta loyalitas pegawai yang dimiliki , Pt. Sinar Agung Praksadikindo sekali dalam setahun memberi bonus kepada pegawai yang memenuhi kriteria yang telah di tentukan oleh pimpinan.
Karena banyaknya pegawai dan kriteria yang harus di analisa, pemimpin mengalami kesulitan untuk memberikan keputusan terhadap pegawai yang layak atau tidak untuk menerima bonus tersebut. Oleh sebab itu perlu adanya pengolahan data yang memberikan pola keputusan yang dapat membantu pemimpin dalam memberikan keputusan.
Kualitas sumber daya manusia merupakan salah satu faktor untuk meningkatkan produktivitas kinerja suatu perusahaan. Oleh karena itu, suatu perusahaan perlu melakukan penilaian kinerja karyawan untuk mengetahui keberhasilan atau ketidakberhasilan dalam melaksanakan tugasnya. Dalam pemberian bonus karyawan, ada beberapa kendala yang dihadapi diantaranya adanya kesulitan dalam memilih karyawan yang layak mendapatkan bonus berdasarkan kriteria yang ada. Dan untuk membantu pihak perusahaan maka diperlukan suatu sistem pendukung keputusan untuk dapat menentukan karyawan yang berhak mendapatkan bonus.
Penelitian yang dilakukan Dedi Suhendro dkk, pada Seminar Nasional Matematika dan Terapan 2019 ISSN: 2721- 3684 Volume 1, Desember, pp: 389 396 dengan judul Penerapan Metode Fuzzy Tsukamoto Untuk Menentukan Pemberian Bonus Karyawan Pada Pabrik Roti Donat Matahari Karyawan sangat berperan penting dalam kemajuan suatu perusahaan, sehingga dalam pemberian bonus harus mempertimbangkan kriteria yang dibutuhkan. Bonus adalah kompensasi tambahan yang diberikan kepada seorang
karyawan. Untuk pemberian bonus terhadap karyawan harus dilakukan proses seleksi. Oleh karena itu, diperlukan suatu sistem pendukung keputusan dengan menggunakan metode fuzzy tsukamoto, metode defuzzifikasi yang digunakan dalam metode tsukamoto adalah metode defuzzifikasi rata-rata terpusat. Parameter yang dijadikan kriteria pemberian bonus karyawan ada 3 yaitu absensi, tingkat penjualan, dan ketepatan pembayaran. Untuk menentukan nilai bonus maka akan dicari nilai Z rata-rata terbobot. Nilai Z rata-rata terbobot adalah output hasil dari tiap-tiap aturan yang diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil Penelitian bonus terhadap karyawan sesuai dengan kriteria- kriteria yang ada. Output yang dihasilkan adalah hasil nilai karyawan yang menentukan apakah karyawan tersebut mendapatkan bonus atau tidak dapat.[1][3]
Penelitian yang dilakukan oleh Baiq Andriska Candra Permana dan Intan Komala Dewi Patwari Infotek : Jurnal Informatika dan Teknologi Vol. 2 No. 2, Juli 2019, hal 95 – 100 dengan judul Penerapan Algoritma C4.5 Pada Analisis Penentuan Kelayakan Penerima Bonus Tahunan Pegawai Bank Sinarmas Multifinance menjelaskan Bahwa Data mining merupakan suatu rangkaian proses yang memberikan nilai tambah berupa informasi terhadap suatu kumpulan data yang selama ini tidak diketahui secara manual. Pada data mining dilakukan penggalian data dengan tujuan memanipulasi data tersebut agar menjadi informasi yang lebih berharga, yang dikemudian hari diharapkan dapat bermanfaat untuk membantu memutuskan kelayakan pegawai dalam menerima bonus disetiap tahunnya.Kelayakan pegawai untuk menerima bonus setiap tahun menggunakan algoritma C4.5 dilihat berdasarkan beberapa variable atau kriteria yang sudah ditetapkan dan akan menghasilkan suatu pohon keputusan.
Dari pohon keputusan tersebut akan diambil pengetahuan baru berupa aturan yang dijadikan sebagai pola dalam pengambilan keputusan. Teknik seperti ini nantinya akan dapat membantu seorang pemimpin dalam mengambil suatu keputusan apakah seorang pegawai layak atau tidak untuk diberi bonus.
Berdasarkan eksperimen yang telah dilakukan diperoleh nilai akurasi untuk penggunaan algoritma C4.5 adalah 94,62%
dimana pada tabel akurasi didapatkan bahwa dari 44 prediksi layak ternyata mendapatkan data layak dan 2 data error yang di prediksi layak namun tidak layak. Sementara dari 79 data yang di prediksi tidak layak terdapat 5 error yang ternyata layak. [4][7]
Sumber daya manusia/karyawan merupakan salah satu faktor penting dari jalannya suatu organisasi/perusahaan.
Pengelolaan yang baik dari karyawan ini akan sangat mempengaruhi aspek keberhasilan kerja, jika karyawan dapat diorganisir dengan baik, diharapkan organisasi/perusahaan dapat menjalankan semua proses usaha dengan baik pula.
Masalah subyektifitas dalam penilaian kinerja karyawan merupakan hal yang hampir tidak bisa dihindari. Penilaian masih bersifat subjektif atau berdasarkan pada pendapat pribadi penilai yang biasanya sering dianggap. Di lain pihak manajemen dan karyawan membutuhkan proses penilaian kinerja yang rutin dan cepat sehingga dapat memberikan umpan balik dan perbaikan yang cepat di lingkungan kerja.
Transparansi proses penilaian biasanya dapat memberikan efek positif bagi peningkatan motivasi kerja pegawai[8][10]
Fokus masalah adalah proses evaluasi (penilaian) yang rumit, artinya yang sering terjadi sekarang adalah umumnya karyawan yang mendapatkan bonus hanya dilihat pada kriteria
pertama saja, tetapi karyawan tersebut belum tentu unggul pada beberapa kriteria-kriteria yang lain tapi tetap mendapat bonus. Dalam penelitian ini difokuskan pada kriteri kehadiran
II. METODOLOGYPENELITIAN
Penelitian yang dilakukan Dedi Suhendro dkk, pada Seminar Nasional Matematika dan Terapan 2019 ISSN: 2721- 3684 Volume 1, Desember, pp: 389-396 dengan judul Penerapan Metode Fuzzy Tsukamoto Untuk Menentukan Pemberian Bonus Karyawan Pada Pabrik Roti Donat Matahari Karyawan sangat berperan penting dalam kemajuan suatu perusahaan, sehingga dalam pemberian bonus harus mempertimbangkan kriteria yang dibutuhkan. Bonus adalah kompensasi tambahan yang diberikan kepada seorang karyawan. Untuk pemberian bonus terhadap karyawan harus dilakukan proses seleksi. Oleh karena itu, diperlukan suatu sistem pendukung keputusan dengan menggunakan metode fuzzy tsukamoto, metode defuzzifikasi yang digunakan dalam metode tsukamoto adalah metode defuzzifikasi rata-rata terpusat. Parameter yang dijadikan kriteria pemberian bonus karyawan ada 3 yaitu absensi, tingkat penjualan, dan ketepatan pembayaran. Untuk menentukan nilai bonus maka akan dicari nilai Z rata-rata terbobot. Nilai Z rata-rata terbobot adalah output hasil dari tiap-tiap aturan yang diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil Penelitian bonus terhadap karyawan sesuai dengan kriteria- kriteria yang ada. Output yang dihasilkan adalah hasil nilai karyawan yang menentukan apakah karyawan tersebut mendapatkan bonus atau tidak dapat. [11][12]
Penelitian yang dilakukan oleh Baiq Andriska Candra Permana dan Intan Komala Dewi Patwari Infotek : Jurnal Informatika dan Teknologi Vol. 2 No. 2, Juli 2019, hal 95 – 100 dengan judul Penerapan Algoritma C4.5 Pada Analisis Penentuan Kelayakan Penerima Bonus Tahunan Pegawai Bank Sinarmas Multifinance menjelaskan Bahwa Data mining merupakan suatu rangkaian proses yang memberikan nilai tambah berupa informasi terhadap suatu kumpulan data yang selama ini tidak diketahui secara manual. Pada data mining dilakukan penggalian data dengan tujuan memanipulasi data tersebut agar menjadi informasi yang lebih berharga, yang dikemudian hari diharapkan dapat bermanfaat untuk membantu memutuskan kelayakan pegawai dalam menerima bonus disetiap tahunnya. Kelayakan pegawai untuk menerima bonus setiap tahun menggunakan algoritma C4.5 dilihat berdasarkan beberapa variable atau kriteria yang sudah ditetapkan dan akan menghasilkan suatu pohon keputusan.
Dari pohon keputusan tersebut akan diambil pengetahuan baru berupa aturan yang dijadikan sebagai pola dalam pengambilan keputusan. Teknik seperti ini nantinya akan dapat membantu seorang pemimpin dalam mengambil suatu keputusan apakah seorang pegawai layak atau tidak untuk diberi bonus.
Berdasarkan eksperimen yang telah dilakukan diperoleh nilai akurasi untuk penggunaan algoritma C4.5 adalah 94,62%
dimana pada tabel akurasi didapatkan bahwa dari 44 prediksi layak ternyata mendapatkan data layak dan 2 data error yang di prediksi layak namun tidak layak. Sementara dari 79 data yang di prediksi tidak layak terdapat 5 error yang ternyata layak.[12][13]
Penelitian Ferly Ardhy dan Dwi Marisa Efendi2 Jurnal Sistem Informasi & Manajemen Basis Data (SIMADA) Vol. 2 No. 2 Oktober 2019 Jurusan Sistem Informasi Institut Informatika dan Bisnis Darmajaya dengan judul Pemberian
DOI : https://doi.org/10.32485/kopertip.v4i1.115 3 Reward Terhadap Karyawan Terbaik Dengan Menggunakan
Metode Simple Additive Weighting (SAW) menjelaskan bahwa Penerapan suatu model multi attribute decission making ( MADM), salah satunya adalah dengan menggunakan metode simple additive weighting (SAW).Pada penelitian ini bertujuan untuk menentukan pemberian reward terhadap karyawan dengan metode SAW, dalam penerapan metode ini diperlukan beberapa kriteria untuk menunjang suatu sistem pengambilan keputusan diantaranya adalah nilai Usia , pendidikan, Psikotes, interview, pengalaman kerja,dan kesehatan. Berdasarkan perhitungan dengan metode simple additive weighting (SAW) maka Karyawan dengan nilai tertinggi adalah pada alternatif A5 dengan nilai 85 dan A6 dengan nilai 72,5.[15][16]
A. Definisi Kinerja
Kinerja karyawan (prestasi kerja) adalah hasil kerja secara kualitas dan kuantitas yang dicapai oleh seseorang pegawai dalam melaksanakan tugasnya sesuai dengan tanggung jawab yang diberikan kepadanya. Pengertian kinerja menurut Moeheriono yaitu “Kinerja atau performance merupakan gambaran mengenai tingkat pencapaian pelaksanaan suatu program kegiatan atau kebijakan dalam mewujudkan sasaran, tujuan, visi dan misi organisasi yang dituangkan melalui perencanaan strategis suatu organisasi.”
B. Standar Kinerja
Standar kinerja merupakan tingkat kinerja yang diharapkan dalam suatu organisasi, dan merupakan pembanding (benchmark) atau tujuan atau target tergantung pada pendekatan yang diambil. Standar kerja yang baik harus realistis, dapat diukur dan mudah dipahami dengan jelas sehingga bermanfaat baik bagi organisasi maupun para karyawan Standar kinerja sebagaimana yang dijelaskan Abdullah memiliki fungsi antara lain:
1) Sebagai tolok ukur(benchmark) untuk menentukan keberhasilan dan ketidakberhasilan kinerja ternilai.
2) Memotivasi karyawan agar bekerja lebih keras untuk mencapai standar.Untuk menjadikan standar kinerja yang benar-benar dapat memotivasi karyawan perlu dikaitkan dengan reward atau imbalan dalam sistem kompensasi.
3) Memberikan arah pelaksanaan pekerjaan yang harus dicapai, baik kuantitas maupun kualitas.
4) Memberikan pedoman kepada karyawan berkenaan dengan proses pelaksanaan pekerjaan guna mencapai standar kinerja yang ditetapkan.
Agar dapat digunakan sebagai tolok ukur (benchmark), maka standar kinerja harus memiliki persyaratan-persyaratan tertentu. Persyaratan-persyaratan standar kinerja sebagaimana yang dijelaskan Abdullah (Abdullah, 2014) antara lain:
1) Terdapat hubungan yang relevan dengan strategi organisasi.
2) Mencerminkan keseluruhan tanggung jawab karyawan dalam melaksanakan pekerjaannya.
3) Memperhatikan pengaruh faktor-faktor di luar kontrol karyawan.
4) Memperhatikan teknologi dan proses produksi.
5) Sensitif, dapat membedakan antara kinerja yang dapat diterima dan yang tidak dapat diterima.
6) Memberikan tantangan kepada karyawan.
7) Realistis, dapat dicapai oleh karyawan.
8) Berhubungan dengan waktu pencapaian standar.
9) Dapat diukur dan ada alat ukur untuk mengukur pencapaian standar.
10) Standar harus konsisten.
11) Standar harus adil.
12) Standar harus memenuhi ketentuan undang-undang dan peraturan ketenagakerjaan.
C. PENILAIAN KINERJA
Terdapat kurang lebih 2 (dua) syarat utama yang diperlukan guna melakukan penilaian kinerja yang efektif, yaitu 1) adanya kriteria kinerja yang dapat diukur secara objektif ; dan 2) adanya objektivitas dalam proses evaluasi.
Sedangkan dari sudut pandang kegunaan kinerja itu sendiri, Sondang Siagian menjelaskan bahwa bagi individu penilaian kinerja berperan sebagai umpan balik tentang berbagai hal seperti kemampuan, keletihan, kekurangan dan potensinya yang pada gilirannya bermanfaat untuk menentukan tujuan, jalur, rencana dan pengembangan karirnya.Sedangkan bagi organisasi, hasil penilaian kinerja sangat penting dalam kaitannya dengan pengambilan keputusan tentang berbagai hal seperti identifikasi kebutuhan program pendidikan dan pelatihan, rekrutmen, seleksi, program pengenalan, penempatan, promosi, sistem balas jasa, serta berbagai aspek lain dalam proses manajemen SDM. Berdasarkan kegunaan tersebut, maka penilaian yang baik harus dilakukan secara formal berdasarkan serangkaian kriteria yang ditetapkan secara rasional serta diterapkan secara objektif serta didokumentasikan secara sistematik. Terdapat beberapa indikator penilaian kinerja yaitu;
1) Loyalitas
Setiap karyawan yang memiliki tingkat loyalitas yang tinggi pada perusahaan-perusahaan dimana mereka akan diberikan posisi yang baik. Hal ini dapat dilihat melalui tingkat absensi ataupun kinerja yang mereka miliki.
2) Semangat kerja
Perusahaan harus menciptakan suasana dan lingkungan kerja yang kondusif. Hal ini akan meningkatkan semangat kerja karyawan dalam menjalankan tugas pada suatu organisasi.
3) Kepemimpinan
Pimpinan merupakan leader bagi setiap bawahannya, bertanggung jawab dan memegang peranan penting dalam mencapai suatu tujuan. Pimpinan harus mengikutsertakan karyawan dalam mengambil keputusan sehingga karyawan memiliki peluang untuk mengeluarkan ide, pendapat, dan gagasan demi keberhasilan perusahaan.
4) Kerja sama
Pihak perusahaan perlu membina dan menanamkan hubungan kekeluargaan antara karyawan sehingga memungkinkan karyawan untuk bekerja sama dalam lingkungan perusahaan.
5) Prakarsa
Prakarsa perlu dibina dan dimiliki baik itu dalam diri karyawan ataupun dalam lingkungan perusahaan.
6) Tanggung jawab
Tanggung jawab harus dimiliki oleh setiap karyawan baik bagi mereka yang berada pada level jabatan yang tinggi atau pada level yang rendah.
7) Pencapaian target
Dalam pencapaian target biasanya perusahaan mempunyai strategi -strategi tertentu dan masing-masing.
Bagi perusahaan penilaian kinerja memiliki berbagai manfaat antara lain evaluasi antar individu dalam organisasi,
pengembangan dari diri setiap individu, pemeliharaan sistem dan dokumentasi.
1) Evaluasi antar individu dalam organisasi
Penilaian kinerja bertujuan untuk menilai kinerja setiap individu dalam organisasi dalam menentukan jumlah dan jenis kompensasi yang merupakan hak bagi setiap individu dalam organisasi ;
2) Pengembangan dari diri setiap individu dalam organisasi
Penilaian kinerja pada tujuan ini bermanfaat untuk pengembangan karyawan yang memiliki kinerja rendah yang membutuhkan pengembangan baik melalui pendidikan formal maupun pelatihan ;
3) Pemeliharaan sistem
Berbagai sistem yang ada dalam organisasi memiliki sub sistem yang saling berkaitan antara satu sub sistem dengan sub sistem lainnya. Oleh karena itu perlu dipelihara dengan baik ;
4) Dokumentasi
Penilaian kinerja akan memberi manfaat sebagai dasar tindak lanjut dalam posisi pekerjaan karyawan di masa akan datang.
Hal ini berkaitan dengan pengambilan keputusan.
D. Data Mining
Data mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (mechine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge) secara otomatis. Defenisi lain diantaranya adalah pembelajaran berbasis induksi (induction-based learning) adalah proses pembentukan defenisidefenisi konsep umum yang dilakukan dengan cara mengobservasi contoh-contoh spesifik dari konsepkonsep yang akan dipelajari. Knowledge Discovery in Databases (KDD) adalah penerapan metode saintifik pada data mining. Dalam konteks ini data mining merupakan satu langkah dari proses KDD.
Data Mining menjadi salah satu solusi nyata untuk memilah data menjadi suatu informasi yang berguna. Salah satu metode data mining yang paling cocok untuk menentukan strategi penjualan dalam bisnis minimarket adalah metode Analisa Keranjang Belanja, yaitu dengan menggunakan algoritma apriori. Algoritma apriori terkenal untu menemukan pola frekuensi tinggi (Budiantara & Budihartanti, 2020)
Data mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik statistik matematika.
E. Algoritma K-Nearest Neighbor (KNN)
K-Nearest Neighbor (KNN) merupakan metode yang biasa digunakan pada klasifikasi data. Algoritma ini digunakan untuk mengklasifikasikan terhadap objek berdasarkan data pembelajaran yang jarak tetangganya paling dekat atau memiliki nilai selisih yang kecil dengan objek tersebut. KNN merupakan suatu metode yang menggunakan algoritma supervised dengan hasil dari query instance yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada KNN. Tujuan dari algoritma ini ialah mengklasifikasikan objek baru berdasarkan attribut dan training sample. Prinsip umum dari algoritma ini adalah menemukan k data training untuk menentukan k-nearest neighbor berdasarkan ukuran jarak. Selanjutnya mayoritas dari k tetangga terdekat akan
menjadi dasar untuk memutuskan kategori dari sample berikutnya. Selain itu algoritma ini sendiri sering digunakan untuk klasifikasi pada teknik data mining meskipun dapat digunakan untuk estimasi dan prediksi data. Rumus yang biasa digunakan sebagai ukuran jarak untuk data numerik ini antara lain.
F. Manhattan Distance
Menurut yang dikutip Manhattan Distance adalah formula untuk menghitung jarak antara dua titik. Perhitungan Manhattan Distance untuk mencari jarak minimal dari dua buah titik (x1,y1) dan (x2,y2) dapat dilakukan dengan menghitung |x2-x1|+|y2-y1| (Henny, 2013). Manhattan Distance merupakan salah satu pengukuran yang paling banyak digunakan meliputi penggantian perbedaan kuadrat dengan menjumlahkan perbedaan absolute dari variabel- variabel. Fungsi ini hanya akan menjumlahkan selisih nilai x dan y dari dua buah titik, rumus Manhattan, seperti yang ditunjukkan pada Persamaan :,
D(x, y) = || - || = ∑ | − |
D : jarak antara titik pada data training x dan titik data testing y yang akan diklasifikasi, dimana x=x1,x2,…,xi dan y=y1,y2,…,yi I : merepresentasikan nilai atributII-4 N : merupakan dimensi atribut.
Modified K-Nearest Neighbor (MKNN)
Ide utama dari metode ini adalah hal pertama yang dilakukan adalah perhitungan validitas untuk semua data yang terdapat pada data latih. Selanjutnya, dilakukan perhitungan Weight Voting pada semua data uji menggunakan validitas data.
Validitas Data Training
Validitas digunakan untuk menghitung jumlah titik dengan label yang sama untuk semua data pada data latih. Validitas setiap data tergantung pada setiap tetangga terdekatnya.
Setelah dilakukan validasi data, selanjutnya data tersebut digunakan sebagai informasi lebih mengenai data tersebut Persamaan yang digunakan untuk menghitung validitas setiap data latih adalah :
Weight Voting
Dalam metode MKNN, pertama weight masing-masing tetangga dihitung dengan menggunakan 1 / (d + 1). Kemudian, validitas dari setiap data pada data latih dikalikan dengan weight berdasarkan pada jaraManhattan. Sehingga metode MKNN, didapatkan persamaan weight voting tiap tetangga.
Akurasi Sistem
Performa dari suatu model kasifikasi dapat diukur dengan tingkat akurasinya berdasarkan Confusion matrix. Confusion matrix merupakan alat yang berguna untuk menganalisis seberapa baik classifier mengenali tuple dari kelas yang berbeda. TP dan TN memberikan informasi ketika classifier benar, sedangkan FP dan FN memberikan informasi ketika classifier salah.
Rapid Miner
RapidMiner adalah platform perangkat lunak data ilmu pengetahuan yang dikembangkan oleh perusahaan dengan nama yang sama, yang menyediakan lingkungan terpadu untuk pembelajaran mesin (machine learning), pembelajaran
DOI : https://doi.org/10.32485/kopertip.v4i1.115 5 mendalam (deep learning), penambangan teks (text mining),
dan analisis prediktif (predictive analytics). Aplikasi ini digunakan untuk aplikasi bisnis dan komersial serta untuk penelitian, pendidikan, pelatihan, pembuatan prototype dengan cepat, dan pengembangan aplikasi serta mendukung semua langkah proses pembelajaran mesin termasuk persiapan data, visualisasi hasil, validasi dan pengoptimalan.
RapidMiner dikembangkan dengan model open core.
G.Tahapan Penelitian
Tahapan penelitian dalam data mining dimulai dengan melakukan pemprosesan raw data atau data mentah sampai pada tahap filterisasi sampai ditemukannya knowledge, berikut tahapan penelitian yang dilakukan pada penelitian ini yaitu :
Gambar 1. Tahapan Penelitian
Tahapan-tahapan penelitian yang akan dilakukan pada penelitian ini akan dijelaskan yaitu :
1. Kajian Pustaka
Tahap ini merupakan tahap mempelajari referensi buku dan sumber-sumber terkait dengan penelitian pengolahan data dengan menggunakan tools RapidMiner. Selain itu mempelajari dokumentasi yang memiliki relevansi dengan kegiatan kinerja di PT.
Sinar Agung Prasadikindo.
2. Pengumpulan data
Proses pengumpulan data primer dilakukan dengan wawancara kepada HRD di PT. Sinar Agung Prasadikindo dan melakukan observasi langsung.
3. Seleksi data
Pada tahap ini melakukan seleksi terhadap data kinerja dikarenakan data tersebut masih belum sempurna seperti data tidak lengkap dan tidak konsisten.
4. Preprocessing
Pada tahapan ini dilakukan pembersihan, penambahan, pengurangan dan penyusunan data menjadi terstruktur sesuai kebutuhan pada proses mining yang akan dilakukan dengan tools RapidMiner.
5. Transformasi data
Pada tahapan ini dilakukan untuk mengubah data menjadi data yang dapat dibaca oleh tools yang digunakan.
6. Data mining
Pada tahap ini bertujuan untuk mendapatkan pola dari proses pengolahan data. Berdasarkan kajian teori,
literatur dan jurnal maka peneliti akan menganalisis asosiasi dengan menggunakan algoritma KNN
7. Evaluasi
Pada tahapan evaluasi hasil pengolahan data dapat dijadikan sebagai dasar penyelesaian masalah yang dihadapi oleh PT. Sinar Agung Prasadikindo.
III. HASILDANPEMBAHASAN
Data yang diambil pada penelitian ini menggunakan data kinerja pada bulan Juni tahun 2021, adapun data tersebut dapat dilihat sebagai berikut
Tabel 1. Data Kinerja
Kriteria Nilai Nilai
Masa kerja 0-69 70-100
Hadir 0-74 75-100
Loyalitas 0-69 70-100
Hasil pekerjaan 0-69 70-100
Bonus Tidak layak Layak
A. Preprocesing
Sebelum melakukan preprocesing peneliti melakukan klasifikasi kategori yaitu layak dan tidak layak sesuai dengan kriteria sebagai berikut :
Setelah dilakukan klasifikasi maka peneliti melakukan klasifikasi dan dapat digunakan sebagai data set :
B. Transformasi Data
Data transformation dilakukan dengan memberikan inisialisasi terhadap data yang memiliki nilai akan disesuaikan type data yang dibutuhkan pada algorima KNN. Type data yang dibutuhkan yaitu Nominal dan real, Data Tersebut dapat dilihat pada gambar berikut ini :
Gambar 2. Transformasi Data
C. Model Data
Penerapan model datamining dengan algoritma KNN dapat di lihat pada gambar berikut ini :
Kajian Pustaka
Preproces sing Seleksi
data
Transform asi data Data
mining
Evaluasi
Gambar 3. Model Pemanggilan Data
Gambar 4. Model Data Mining
Berdasarkan gambar diatas menjelaskan bahwa dalam menerapkan model algoritma KNN diperlukan aplikasi rapidminer versi 9.9 dengan operator kegunaan yaitu retrive, cross validation, KNN dan performance
Pembahasan
Hasil Akurasi
Hasil Akurasi yang dihasilkan dapat dilihat pada gambar berikut ini
Gambar 5. Hasil Akurasi
Berdasarkan gambar diatas menjelaskan bahwa hasil akurasi menunjukan 86.81 % dengan rincian sebagai berikut : 1) Hasil Prediksi Layak dan True Layak memiliki data
sebanyak 54 Data.
2) Hasil Prediksi Layak dan True Tidak Layak memiliki data sebanyak 9 Data.
3) Hasil Prediksi Tidak Layak dan True Tidak Layak memiliki data sebanyak 9 Data.
4) Hasil Prediksi Tidak Layak dan True Layak memiliki data sebanyak 64 Data.
IV. KESIMPULAN
Berdasarkan pada pembahasan yang telah dibahas pada halaman sebelumnya dan dengan adanya penelitian di PT.Sinar Agung Prasadikindo didapatkan beberapa kesimpulanyaitu: Kriteria pada penelitian dalam menentukan Bonus Karyawan yaitu Masa Kerja, Hadir, Loyalitas dan Hasil Pekerjaan Hasil akurasi menunjukan 86.81 % dengan rincian yaitu Hasil Prediksi Layak dan True Layak memiliki data sebanyak 54 Data. Hasil Prediksi Layak dan True Tidak Layak memiliki data sebanyak 9 Data. Hasil Prediksi Tidak Layak dan True Tidak Layak memiliki data sebanyak 9 Data.
Hasil Prediksi Tidak Layak dan True Layak memiliki data sebanyak 64 Data Kelebihan pada penelitian ini dapat memberikan rekomendasi keputusan untuk para pihak di perusahaan tersebut.
V. DAFTARPUSTAKA
[1] D. A. K. Irfan Nurdiyanto, Odi Nurdiawan, Nining Rahaningsih, Ade Irfma Purnamasari,
“Penentuan Keputusan Pemberian Pinjaman Kredit Menggunakan Algoritma C.45,” J.
Data Sci. Dan Inform., Vol. 1, No. 1, Pp. 16–
20, 2021.
[2] A. S. Kaslani, Ade Irma Purnamasari,
“Pengembangan Media Pembelajaran Interaktif Berbasis Android Pada Materi Hidrokarbon,” J. Ict Infirm. Comun.
Technol., Vol. 5, No. 1, P. 37, 2021, Doi:
10.23887/Jjpk.V5i1.33520.
[3] I. A. Putri Saadah, Odi Nurdiawan , Dian Ade Kurnia, Dita Rizki Amalia, “Klasifikasi Penerima Beasiswa Dengan Menggunakan Algoritma,” J. Data Sci. Inform. ( Jdsi ), Vol.
1, No. 1, Pp. 11–15, 2021.
[4] I. A. Erliyana, Odi Nurdiawan, Nining R, Ade Irma Purnamasari, “Klasifikasi Penerima Beasiswa Dengan Menggunakan Algoritma,” J. Data Sci. Inform. ( Jdsi ), Vol.
1, No. 1, Pp. 11–15, 2021.
[5] D. Anggarwati, O. Nurdiawan, I. Ali, And D.
A. Kurnia, “Penerapan Algoritma K-Means Dalam Prediksi Penjualan,” J. Data Sci.
Inform. ( Jdsi ), Vol. 1, No. 2, Pp. 58–62, 2021.
[6] T. Hadi, N. Suarna, A. I. Purnamasari, O.
Nurdiawan, And S. Anwar, “Game Edukasi
DOI : https://doi.org/10.32485/kopertip.v4i1.115 7
Mengenal Mata Uang Indonesia ‘ Rupiah ’ Untuk Pengetahuan Dasar Anak-Anak Berbasis Android,” Jurikom (Jurnal Ris.
Komputer), Vol. 8, No. 3, Pp. 89–98, 2021, Doi: 10.30865/Jurikom.V8i3.3609.
[7] O. Nurdiawan, R. Herdiana, And S. Anwar,
“Komparasi Algoritma Naïve Bayes Dan Algoritma K-Nearst Neighbor Terhadap Evaluasi Pembalajaran Daring,” Smatika J., Vol. 11, No. 02, Pp. 126–135, 2021, Doi:
10.32664/Smatika.V11i02.621.
[8] A. Rinaldi D. Subandi, Husein Odi Nuriawan,
“Augmented Reality Dalam Mendeteksi Produk Rotan Menggunakan Metode Multimedia Development Life Cycle ( Mdlc ),” Means (Media Inf. Anal. Dan Sist., Vol. 6, No. 2, Pp. 135–141, 2021.
[9] H. S. Mr Agis, O. Nurdiawan, G. Dwilestari, And N. Suarna, “Sistem Informasi Penjualan Motor Bekas Berbasis Android Untuk
Menigkatkan Penjualan Di
Mokascirebon.Com,” Jurikom (Jurnal Ris.
Komputer), Vol. 8, No. 6, Pp. 205–212, 2021, Doi: 10.30865/Jurikom.V8i6.3629.
[10] D. Teguh, A. Ade, B. Riyan, T. Hartati, D. R.
Amalia, And O. Nurdiawan, “Smart School Sebagai Sarana Informasi Sekolah Di Sdit Ibnu Khaldun Cirebon,” Jurikom (Jurnal Ris.
Komputer), Vol. 8, No. 6, Pp. 284–293, 2021, Doi: 10.30865/Jurikom.V8i6.3681.
[11] I. Kepuasan, P. Informa, A. Febriyani, G. K.
Prayoga, And O. Nurdiawan, “Index Kepuasan Pelanggan Informa Dengan Menggunakan Algoritma C.45,” Jurikom (Jurnal Ris. Komputer), Vol. 8, No. 6, Pp.
330–335, 2021, Doi:
10.30865/Jurikom.V8i6.3686.
[12] K. S. H. K. Al Atros, A. R. Padri, O.
Nurdiawan, A. Faqih, And S. Anwar, “Model Klasifikasi Analisis Kepuasan Pengguna Perpustakaan Online Menggunakan K-Means Dan Decission Tree,” Jurikom (Jurnal Ris.
Komputer), Vol. 8, No. 6, Pp. 323–329, 2022, Doi: 10.30865/Jurikom.V8i6.3680.
[13] F. Febriansyah, R. Nining, A. I. Purnamasari, O. Nurdiawan, And S. Anwar, “Pengenalan Teknologi Android Game Edukasi Belajar Aksara Sunda Untuk Meningkatkan Pengetahuan,” Jurikom (Jurnal Ris.
Komputer), Vol. 8, No. 6, Pp. 336–344, 2021, Doi: 10.30865/Jurikom.V8i6.3676.
[14] E. S. Nugraha, A. R. Padri, O. Nurdiawan, A.
Faqih, And S. Anwar, “Implementasi Aplikasi Pengaduan Masyarakat Berbasis Android Pada Gedung Dprd,” Jurikom (Jurnal Ris. Komputer), Vol. 8, No. 6, Pp.
360–366, 2021, Doi:
10.30865/Jurikom.V8i6.3679.
[15] R. Nurcholis, A. I. Purnamasari, A. R.
Dikananda, O. Nurdiawan, And S. Anwar,
“Game Edukasi Pengenalan Huruf Hiragana Untuk Meningkatkan Kemampuan Berbahasa Jepang,” Build. Informatics, Technol. Sci., Vol. 3, No. 3, Pp. 338–345, 2021, Doi: 10.47065/Bits.V3i3.1091.
[16] H. Putri, A. I. Purnamasari, A. R. Dikananda, O. Nurdiawan, And S. Anwar, “Penerima Manfaat Bantuan Non Tunai Kartu Keluarga Sejahtera Menggunakan Metode Naïve Bayes Dan Knn,” Build. Informatics, Technol. Sci., Vol. 3, No. 3, Pp. 331–337, 2021, Doi: 10.47065/Bits.V3i3.1093.
[17] H. Putri, A. I. Purnamasari, A. R. Dikananda, O. Nurdiawan, And S. Anwar, “Penerima Manfaat Bantuan Non Tunai Kartu Keluarga Sejahtera Menggunakan Metode Naïve Bayes Dan Knn,” Build. Informatics, Technol. Sci., Vol. 3, No. 3, Pp. 331–337, 2021, Doi: 10.47065/Bits.V3i3.1093.
[18] K. S. H. K. Al Atros, A. R. Padri, O.
Nurdiawan, A. Faqih, And S. Anwar, “Model Klasifikasi Analisis Kepuasan Pengguna Perpustakaan Online Menggunakan K-Means Dan Decission Tree,” Jurikom (Jurnal Ris.
Komputer), Vol. 8, No. 6, Pp. 323–329, 2022, Doi: 10.30865/Jurikom.V8i6.3680.
[19] Ramadhona,E.W. Game Edukasi “Nihongo
Kurabu” Belajar Bahasa Menggunakan Unity
