perancangan aplikasi penilaian kualifikasi kerja pegawai ......mengumpulkan, mengelola dan membagi...

Perancangan Aplikasi Penilaian Kualifikasi Kerja

Pegawai Menggunakan Bayessian Classification

( Studi Kasus : CV. Tripola Jaya )

Artikel Ilmiah

Diajukan kepada

Fakultas Teknologi Informasi

untuk memperoleh gelar Sarjana Komputer

Peneliti: Galih Tentrem Tri Wismanto (672009242)

Charitas Fibriani, S. Kom., M.Eng.

Adi Nugroho, ST., MMSI.

Program Studi Teknik Informatika


Universitas Kristen Satya Wacana

Salatiga

2016

viii

Perancangan Aplikasi Penilaian Kualifikasi Kerja

Pegawai Menggunakan Bayessian Classification ( Studi

Kasus : CV. Tripola Jaya )

1) Galih Tentrem Tri Wismanto,

2) Charitas Fibriani, 3) Adi Nugroho


Universitas Kristen Satya Wacana

Jl. Diponegoro 52-60, Salatiga 50711, Indonesia

Email: 1)

[email protected],2)

[email protected], 3)

[email protected]

Abstract

One solution that can be done by the company to keep its sales performance are

always in a good position is to analyze and determine the factors that could keep sales

performance itself is in a good position. Analysis can be done by collecting data on

complaints and grievance historical or past and then look at the chart performance of the

company's sales. In the data can be seen a lot of components associated with service to

the customer including the relationship between the type of problems mentioned in the

complaint, a team of employees who handle complaints, and the duration of the solution

time. Data mining can provide information that is specific employee is suitable to solve

certain kinds of problems. Through this information, then when there is a new complaint

comes in, then the system may recommend the most suitable employees to complete the

job type. In this study designed data mining application that serves to analyze the

efficiency of customer complaints handling Tripola Jaya.

Keywords: Data Mining, Naïve Bayes, Tripola Jaya

Abstrak

Salah satu solusi yang dapat dilakukan oleh perusahaan untuk menjaga agar

kinerja penjualannya selalu berada dalam posisi baik adalah dengan menganalisis dan

mengetahui faktor-faktor yang dapat menjaga kinerja penjualan itu sendiri berada dalam

posisi baik. Analisis dapat dilakukan dengan mengumpulkan data keluhan dan

penanganan keluhan yang bersifat historis atau lampau dan kemudian melihat grafik

kinerja penjualan perusahaan. Di dalam data tersebut dapat terlihat banyak komponen

yang terkait dengan pelayanan terhadap pelanggan diantaranya hubungan antara jenis

masalah yang disebutkan dalam keluhan, team karyawan yang menangani keluhan, dan

durasi waktu penyelesaian masalah. Data mining dapat memberikan informasi yaitu

karyawan tertentu cocok untuk menyelesaikan jenis masalah tertentu. Melalui informasi

ini, maka ketika terdapat keluhan baru yang masuk, maka sistem dapat memberikan

rekomendasi karyawan yang paling cocok untuk menyelesaikan jenis pekerjaan itu. Pada

penelitian ini dirancang aplikasi data mining yang berfungsi untuk menganalisis efisiensi

penanganan keluhan pelanggan Tripola Jaya.

Kata Kunci: Data Mining, Naïve Bayes, Tripola Jaya

1)Mahasiswa Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Kristen Satya

Wacana 2,3)Staf Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana.

1

1. Pendahuluan

Pengetahuan tentang pelanggan merupakan aset yang kritikal. Usaha untuk

mengumpulkan, mengelola dan membagi pengetahuan tentang pelanggan dapat

menjadi kegiatan yang penting bagi suatu usaha kecil menengah [1]. Semakin

ketatnya persaingan dalam dunia bisnis saat ini menuntut pengusaha untuk cepat

dan tanggap dalam mengambil keputusan agar perusahaan yang didirikan dapat

tetap bertahan ditengah situasi dan keadaan yang demikian. Salah satu langkah

yang dapat dilakukan adalah dengan memberikan kepuasan kepada pelanggan

secara maksimal, karena pada dasarnya tujuan dari suatu bisnis adalah

menciptakan rasa puas pada pelanggan. Salah satu tindakan untuk memuaskan

konsumen adalah bagaimana dan seberapa tinggi kualitas pelayanan yang

diberikan terhadap konsumen [2].

Salah satu solusi yang dapat dilakukan oleh perusahaan untuk menjaga agar

kinerja penjualannya selalu berada dalam posisi baik adalah dengan menganalisis

dan mengetahui faktor-faktor yang dapat menjaga kinerja penjualan itu sendiri

berada dalam posisi baik. Analisis dapat dilakukan dengan mengumpulkan data

keluhan dan penanganan keluhan yang bersifat historis atau lampau dan kemudian

melihat grafik kinerja penjualan perusahaan. Di dalam data tersebut dapat terlihat

banyak komponen yang terkait dengan pelayanan terhadap pelanggan diantaranya

hubungan antara jenis masalah yang disebutkan dalam keluhan, team karyawan

yang menangani keluhan, dan durasi waktu penyelesaian masalah.

Hubungan antara komponen-komponen tersebut dapat dianalisis dengan

menggunakan teknik data mining, untuk melihat seberapa efisien kinerja dari

perusahaan. Efisiensi tercapai ketika karyawan dapat menyelesaikan tugas secepat

mungkin. Data mining dapat memberikan informasi yaitu karyawan tertentu

cocok untuk menyelesaikan jenis masalah tertentu. Melalui informasi ini, maka

ketika terdapat keluhan baru yang masuk, maka sistem dapat memberikan

rekomendasi karyawan yang paling cocok untuk menyelesaikan jenis pekerjaan

itu.

Berdasarkan permasalahan dalam hal pencapaian efisiensi penanganan

terhadap keluhan pelanggan, dan kegunaan data mining dalam hal penggalian

informasi, maka diajukan penelitian data mining untuk analisis efisiensi kinerja

pelayanan keluhan pada CV Tripola Jaya.

2. Tinjauan Pustaka

Wei pada penelitiannya [3] menggunakan teknik data mining untuk

mengidentifikasi tipe pelanggan pada penyedia layanan tata rambut. Teknik yang

digunakan merupakan kombinasi antara self-orginizing map (SOM) dan K-means

untuk diterapkan pada model RFM (recency, frequency, dan monetary). Teknik

tersebut membantu mengidentifikasi empat tipe pelanggan, yaitu pelanggan setia,

pelanggan potensial, pelanggan baru dan pelanggan hilang, dan kemudian

membangun strategi pemasaran.

Liao menegaskan bahwa jenis pemasaran yang spesifik ini, atau lebih

dikenal dengan istilah pemasaran langsung adalah metode pemasaran yang efektif.

2

Metode tersebut dapat menyediakan produk dan layanan yang spesifik bagi

pelanggan tertentu. Selain itu metode tersebut juga dapat mengurangi biaya

transaksi dan promosi. Pada penelitiannya, Liao menggunakan pendekatan

association rules dan cluster analysis, untuk menganalisis gaya hidup dan perilaku

belanja konsumen, dengan tujuan untuk mencapai pemasaran langsung. Studi

tersebut menemukan beberapa model, diantaranya adalah cluster preferensi

pembelian oleh konsumen [4].

Ridwan, Suyono dan Sarosa [5] menerapkan data mining dengan algoritma

Naïve Bayes untuk mengevaluasi kinerja akademik mahasiswa. Penelitian tersebut

difokuskan untuk mengevaluasi kinerja akademik mahasiswa pada tahun ke-2 dan

diklasifikasikan dalam kategori mahasiswa yang dapat lulus tepat waktu atau

tidak. Kemudian dari klasifikasi tersebut, sistem akan memberikan rekomendasi

solusi untuk memandu mahasiswa lulus dalam waktu yang paling tepat dengan

nilai optimal berdasarkan histori nilai yang telah ditempuh mahasiswa. Input dari

sistem ini adalah data induk mahasiswa dan data akademik mahasiswa. Sampel

mahasiswa angkatan 2005-2009 yang sudah dinyatakan lulus akan digunakan

sebagai data training dan testing. Sedangkan data mahasiswa angkatan 2010-2011

dan belum lulus akan digunakan sebagai data target. Data input akan diproses

menggunakan teknik data mining algoritma Naive Bayes Classifier (NBC) untuk

membentuk tabel probabilitas sebagai dasar proses klasifikasi kelulusan

mahasiswa. Output dari sistem ini berupa klasifikasi kinerja akademik mahasiswa

yang diprediksi kelulusannya dan memberikan rekomendasi untuk proses

kelulusan tepat waktu atau lulus dalam waktu yang paling tepat dengan nilai

optimal. Hasil pengujian menunjukkan bahwa faktor yang paling berpengaruh

dalam penentuan klasifikasi kinerja akademik mahasiswa yaitu Indeks Prestasi

Komulatif (IPK), Indeks Prestasi (IP) semester 1, IP semester 4, dan jenis

kelamin.

Berdasarkan penelitian-penelitian yang telah dilakukan tentang data

mining untuk membantu strategi bisnis, maka dilakukan penelitian ini. Penelitian

ini menggunaan algortima Naïve Bayes untuk menganalisis efisiensi penanganan

keluhan pelanggan pada PT Tripola Jaya. Tujuan dari penelitian yang dilakukan

adalah untuk merancang data mining untuk proses analisis efisiensi dalam

penanganan keluhan pelanggan. Manfaat dari penelitian ini adalah untuk

menghasilkan sebuah sistem rekomendasi penanganan keluhan bagi PT. Tripola

Jaya.

Batasan masalah dalam penelitian ini adalah sebagai berikut: (1) Data yang

dianalisis adalah data keluhan pelanggan, penanganan keluhan, dan data karyawan

yang menangani keluhan tersebut; (2) Algoritma data mining yang digunakan

adalah Naïve Bayes.

Ngai [6] menyebutkan fungsi dari data mining, yaitu: Association,

Classification, Clustering, Forecasting, Regression, Sequence Discovery, dan

Visualization. Association bertujuan untuk membangun hubungan antara item

yang ada bersama-sama dalam suatu record. Contoh aturan assosiatif dari analisa

pembelian di suatu pasar swalayan adalah dapat diketahuinya berapa besar

kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan

pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan

3

barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon

untuk kombinasi barang tertentu [6]. Klasifikasi (Classification) data adalah suatu

proses yang menemukan properti-properti yang sama pada sebuah himpunan

obyek di dalam sebuah basis data, dan mengklasifikasikannya ke dalam kelas-

kelas yang berbeda menurut model klasifikasi yang ditetapkan. Tujuan dari

klasifikasi ini adalah pertama-tama untuk menganalisa training data dan

membentuk sebuah deskripsi yang akurat atau sebuah model untuk setiap kelas

berdasarkan feature-feature yang tersedia di dalam data itu [7]. Sebagai contoh,

sebuah dealer mobil ingin mengklasifikasikan pelanggannya menurut

kecenderungan mereka untuk menyukai mobil jenis tertentu, sehingga para sales

yang bekerja di tempat tersebut dapat mengetahui siapa yang harus didekati,

kemana katalog mobil jenis baru harus dikirim, sehingga hal ini akan sangat

membantu dalam hal promosi. Clustering adalah proses membagi dataset ke

dalam kelompok-kelompok dengan anggota tiap kelompok memiliki kedekatan

sifat atau perilaku. Clustering merupakan pembelajaran tanpa pengawasan

(unsupervised learning). Clustering dapat mengungkap hubungan yang

sebelumnya tidak terdeteksi dalam dataset. Ada banyak aplikasi untuk clustering.

Misalnya, dalam bisnis, clustering dapat digunakan untuk menemukan dan

mengenali segmen pelanggan, untuk tujuan pemasaran dan dalam biologi, dapat

digunakan untuk klasifikasi tumbuhan dan hewan yang diberikan fitur mereka [8].

Forecasting merupakan proses memperkirakan nilai masa depan berdasarkan pola

rekor itu. Hal ini berkaitan dengan pemodelan dan hubungan logis dari model di

beberapa waktu di masa depan. Perkiraan permintaan adalah contoh khas dari

model peramalan. Alat umum untuk peramalan antara lain yaitu neural network

dan survival analysis. Regresi adalah jenis estimasi teknik statistik yang

digunakan untuk memetakan setiap objek data ke nilai riil untuk memberikan nilai

prediksi. Penggunaan regresi termasuk di dalamnya yaitu curve fitting, prediksi

(termasuk peramalan), pemodelan hubungan kausal, dan pengujian hipotesis

ilmiah tentang hubungan antara variabel. Alat umum untuk regresi linear adalah

regresi linier dan regresi logistik. Sequence discovery memiliki arti yaitu

penemuan urutan identifikasi association atau pola dari waktu ke waktu.

Tujuannya adalah untuk memodelkan kondisi proses yang menghasilkan urutan

atau untuk ekstraksi dan melaporkan penyimpangan dan tren dari waktu ke waktu.

Alat yang umum digunakan untuk sequence discovery adalah statistik dan

menetapkan teori. Visualisasi: Visualisasi mengacu pada penyajian data sehingga

pengguna dapat melihat pola yang kompleks. Hal ini digunakan dalam

hubungannya dengan model data mining lainnya untuk memberikan pemahaman

yang lebih jelas tentang pola atau hubungan ditemukan.

Pada penelitian ini digunakan teknik association. Association bertujuan

untuk membentuk hubungan antara item-item yang muncul secara bersamaan

pada suatu batas tertentu [8]. Batas ini dapat berupa satu record atau rentang nilai

tertentu.

Klasifikasi-klasifikasi Bayes adalah klasifikasi statistik. Klasifikasi-

klasifikasi Bayes dapat memprediksi kelas anggota probabilitas. Klasifikasi Bayes

berdasarkan atas teorema Bayes. Studi-studi perbandingan algoritma-algoritma

klasifikasi dapat menemukan sebuah klasifikasi Bayes sederhana yang dikenal

4

sebagai “Naïve Bayes”. Algoritma Naïve Bayes berasumsi bahwa efek suatu nilai

variabel di sebuah kelas yang ditentukan adalah tidak terkait pada nilai-nilai

variabel lain. Asumsi ini disebut kelas kondisi bebas/tidak terikat. Itu dibuat untuk

menyederhanakan perhitungan dan dalam hal ini dianggap sebagai “Naïve”.

Algoritma Naïve Bayes memungkinkan secara cepat membuat model yang

mempunyai kemampuan untuk prediksi dan juga menyediakan sebuah method

baru dalam mengeksplorasi dan mengerti data. Bayes menyediakan metode yang

digunakan untuk pembelajaran berdasarkan bukti (evidence) yang ada.

Algoritmanya mempelajari bukti yang ada dengan menghitung korelasi diantara

variabel yang diinginkan dan semua variabel yang lain.

Untuk mulai menggunakan Naïve Bayes, perlu diketahui sebuah aturan

dasar dalam algoritma ini. Berikut rumus aturan Bayes:

P(a | b) = ( P(b | a) P(a) ) / P(b) (1)

Posterior = (Likehood * Prior) / Evidence (2)

Dimana, a adalah hal yang menyebabkan suatu hal terjadi (cause) dan b

adalah akibatnya (effect), mengacu pada Rumus 1. P(a|b) sering disebut juga

dengan istilah likehood dari b terhadap a, dari sini didapatkan probabilitas

posterior P(a|b), mengacu pada Rumus 2, dimana P(a|b) menyatakan probabilitas

munculnya a jika diketahui b.

Untuk menjelaskan teorema Naive Bayes, perlu diketahui bahwa proses

klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang

cocok bagi sampel yang dianalisis tersebut. Karena itu, teorema bayes di atas

disesuaikan sebagai berikut [9]:

(3)

Variabel C merepresentasikan kelas, sementara variabel F1...Fn

merepresentasikan karakteristik petunjuk yang dibutuhkan untuk melakukan

klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang masuknya sampel

karakteristik tertentu dalam kelas C (Posterior) adalah peluang munculnya kelas C

(sebelum masuknya sampel tersebut, seringkali disebut prior), dikali dengan

peluang kemunculan karakteristik karakteristik sampel pada kelas C (disebut juga

likelihood), dibagi dengan peluang kemunculan karakteristik karakteristik sampel

secara global (disebut juga evidence). Karena itu, rumus diatas dapat pula ditulis

secara sederhana sebagai berikut [9]:

(4)

Nilai Evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai dari

posterior tersebut nantinya akan dibandingkan dengan nilai nilai posterior kelas

lainnya untuk menentukan ke kelas apa suatu sampel akan diklasifikasikan.

Penjabaran lebih lanjut rumus Bayes tersebut dilakukan dengan menjabarkan

menggunakan aturan perkalian sebagai berikut [9]:

5

(5)

3. Metode dan Perancangan Sistem

Penelitian yang dilakukan, diselesaikan melalui tahapan penelitian yang

terbagi dalam lima tahapan, yaitu: (1) Identifikasi masalah dan studi literatur, (2)

Perancangan sistem, (3) Implementasi sistem, (4) Pengujian sistem dan analisis

hasil pengujian, (5) Penulisan laporan.

Identifikasi Masalah dan Studi Literatur

Perancangan Sistem

Implementasi Sistem

Pengujian Sistem dan Analisis Hasil Pengujian

Penulisan Laporan

Gambar 1 Tahapan Penelitian

Tahapan penelitian pada Gambar 1, dapat dijelaskan sebagai berikut.

Tahap pertama: yaitu melakukan analisis kebutuhan-kebutuhan user dalam proses

analisis data mining; Tahap kedua: yaitu melakukan perancangan sistem yang

meliputi perancangan database, perancangan antarmuka yakni sebagai media

penghubung interaksi antara user dan sistem; Tahap ketiga: yaitu

mengimplementasikan rancangan yang telah dibuat di tahap dua ke dalam sebuah

aplikasi/program sesuai kebutuhan sistem; Tahap keempat: yaitu melakukan

pengujian terhadap sistem yang telah dibuat, serta menganalisis hasil pengujian

tersebut, untuk melihat apakah aplikasi yang telah dibuat sudah sesuai dengan

yang diharapkan atau tidak, jika belum sesuai maka akan dilakukan perbaikan.;

dan Tahap kelima: melakukan penulisan laporan penelitian.

Metode perancangan sistem dilakukan dengan menggunakan metodologi

pengembangan perangkat lunak prototype model [10]. Pada proses implementasi

dihasilkan beberapa prototype yang dapat dijelaskan sebagai berikut. Tahap

pertama: mendengarkan atau wawancara customer atau user; Tahap kedua;

merancang program kemudian membuat perbaikan terhadap hasil yang diperoleh;

Tahap ketiga: melakukan evaluasi ke customer atau user dimana pada tahap ini

6

proses akan kembali lagi ketahap pertama. Diagram prototype model ditunjukkan

pada Gambar 2.

Gambar 2 Prototype Model [10]

Database Log Kerja

Log Kerja Data Uji

Naïve bayes

Rekomendasi

Mulai

Selesai

Gambar 3 Proses Rekam Data dan Analisis dengan Naïve Bayes.

Setiap pegawai Tripola, wajib untuk mencatat jam mulai dan selesai dari

tiap tugas yang dikerjakan. Data pekerjaan ini disimpan dalam database, dan

dimanfaatkan untuk proses analisis data mining dengan algoritma Naïve Bayes.

Hasil proses analisis adalah rekomendasi pegawai yang dapat dipilih untuk

menyelesaikan suatu tugas.

7

Tabel 1 Kriteria Data yang Digunakan

No Kolom Keterangan

1 Wilayah Kode wilayah pelanggan

2 PD Pasang Daya

3 R1T Pemasangan baru untuk rumah hunian biasa

4 Ganti Meter Ada pergantian alat meteran listrik.

5 Migrasi Pindah lokasi alat meteran listrik dalam satu rumah

6 Petugas Nama Petugas

7 Kualifikasi Kerja Terbagi ke dalam 3 kriteria kelas yaitu TQ (tidak masuk

kualifikasi), B (Baik), Q (masuk kualifikasi)

Kriteria data yang digunakan dalam perhitungan naïve bayes ditunjukkan

pada Tabel 1. Setiap pelanggan masuk dalam kelompok wilayah tertentu. Jenis

pekerjaan yang dilakukan oleh terbagi ke dalam kategori PD, R1T, Ganti Meter,

atau Migrasi. Satu keluhan dapat terdiri dari beberapa keluhan sekaligus. Setiap

kali petugas menyelesaikan pekerjaan, dicatat lama waktu proses pengerjaan

keluhan tersebut. Waktu kerja ini berupa data angka dalam satuan menit. Tabel 2

menunjukkan contoh data yang diolah dengan Naïve Bayes.

Tabel 2 Contoh Data Training Set

No Wilayah PD R1T Ganti

Meter Migrasi Petugas

Waktu

Target

Waktu

Kerja

Kualifika

si Kerja

1 SA1 TAMBAH Y T Y AGUS 120 60 Q

2 SA1 TAMBAH Y T Y FAUZAN 120 45 Q

3 SA2 TIDAK T Y T FAUZAN 45 45 B

4 SA2 TURUN T Y T FAUZAN 75 60 Q

5 SA1 TURUN T Y T FAUZAN 75 45 Q

6 SA3 TIDAK T Y T AGUS 45 60 TQ

7 SA3 TIDAK T Y Y YANTO 105 60 Q

8 SA3 TIDAK T Y Y YANTO 105 45 Q

9 SA1 TAMBAH Y T T YANTO 60 45 Q

10 SA2 TURUN T Y T YANTO 75 45 Q

Target kerja untuk PD adalah 30 menit, R1T 30 menit, Ganti Meter 45

menit, dan Migrasi 60 menit. Pekerjaan yang dilakukan kurang dari target waktu,

maka dianggap Baik (B) lebih dari waktu target dianggap (K), dan jika tepat

waktu maka dianggap Cukup (C).

Langkah-langkah analisis dengan algoritma Naïve Bayes untuk contoh

data pada tabel 2 dijelaskan sebagai berikut. Jika ada SATU pekerjaan di wilayah

SA1, PD tambah, R1T Y, Ganti meter T, migrasi T. Petugas siapa yang bias

mengerjakan paling cepat?

Tabel 3 Contoh Kasus

WILAYAH PD R1T GANTI METER MIGRASI PETUGAS Kualifikasi Kerja

SA1 TAMBAH Y T T AGUS ?

SA1 TAMBAH Y T T FAUZAN ?

8

SA1 TAMBAH Y T T YANTO ?

Dalam data training diatas, ada 3 petugas: AGUS, FAUZAN, YANTO.

Jadi akan cari satu-satu, dan dilihat kemungkinan waktu selesainya pekerjaan

untuk tiap petugas.

Langkah 1: variabel WAKTU (K, C, B) P(K) = 1 / 10

P(C) = 1 / 10

P(B) = 8 / 10

Langkah 2: variabel WAKTU dipasangkan dengan variabel yang lain

Wilayah

Karena pekerjaan yang dicari ada di wilayah SA1, maka dihitung khusus

yang wilayah SA1

P(SA1 | K) = 0 / 1

P(SA1 | C) = 0 / 1

P(SA1 | B) = 4 / 8

PD

Cari khusus yang PD=TAMBAH

P(TAMBAH| K) = 0 / 1

P(TAMBAH| C) = 0 / 1

P(TAMBAH| B) = 3 / 8

R1T

Cari khusus yang R1T=Y

P(Y | K) = 0 / 1

P(Y | C) = 0 / 1

P(Y | B) = 3 /8

Ganti meter

Cari khusus yang GANTI METER= T

P(T | K) = 0 / 1

P(T | C) = 0 / 1

P(T | B) = 3 / 8

Migrasi

Cari khusus yang MIGRASI=T

P(T | K) = 1 / 1

P(T | C) = 1 / 1

P(T | B) = 4 / 8

Petugas

Untuk menghitung petugas, dilakukan kesemua petugas yang ada.

P(AGUS | K) = 1 / 1

P(AGUS | C) = 0 / 1

P(AGUS | B) = 1 / 1

10

(kalikan 100%)

AGUS K 0 (tidak terpakai)

AGUS C 0 (tidak terpakai)

AGUS B 0.010546 1.05%

FAUZAN K 0 (tidak terpakai)

FAUZAN C 0 (tidak terpakai)

FAUZAN B 0.003955 0.3 %

YANTO K 0 (tidak terpakai)

YANTO C 0 (tidak terpakai)

YANTO B 0.052734 5% (tertinggi dari

semua)

Agus, Fauzan, dan Yanto sama-sama masuk kategori Qualified (Q), tapi

dari 3 orang tersebut, persentasi tertinggi adalah Yanto (5%). Jadi yang dipilih

untuk tugas tersebut adalah Yanto karena memiliki nilai kemungkinan terbesar

untuk menyelesaikan pekerjaan dalam Qualified.

4. Hasil dan Pembahasan

Aplikasi yang dirancang pada penelitian ini dikembangkan dalam bentuk

aplikasi desktop. Aplikasi ini terhubung dengan database server (SQL Server

Express 2008).

Gambar 4 Form Log Kerja

Pada form log kerja, dicatat setiap tugas yang dilaksanakan oleh pegawai

tripola. Tiap detail pekerjaan, telah ditentukan waktu target sebelumnya (Gambar

4). Berdasarkan waktu ini, dapat diketahui apakah seorang petugas masuk

kualifikasi Kurang, Cukup, atau Baik. Kurang berarti petugas tersebut

menyelesaikan tugas dengan waktu yang lebih lama dari waktu target. Cukup

berarti waktu yang diperlukan, sesuai dengan target. Baik berarti waktu yang

diperlukan, lebih cepat daripada target.

11

Gambar 5 Form Master Data Jenis Pekerjaan

Form master data jenis Pekerjaan. (Gambar 5), digunakan untuk mengatur

data jenis pekerjaan yang biasa dilakukan oleh petugas Tripola. Tiap jenis

pekerjaan diberi nilai target waktu.

Gambar 6 Form Hasil Analisis Naïve Bayes

Proses analisis Naïve bayes dilakukan pada form analisis (Gambar 6).

Proses analisis bertujuan untuk memberikan rekomendasi petugas yang memiliki

persentase terbesar dalam hal menyelesaikan pekerjaan.

Pengujian beta berfungsi untuk mengetahui apakah sistem dapat diterima

oleh pengguna. Pengujian Beta merupakan pengujian yang dilakukan secara objektif dmana diuji secara langsung ke lapangan yaitu yang bersangkutan dengan membuat

kuesioner mengenai kepuasan user, untuk selanjutnya dibagikan kepada sebagian

user dengan mengambil sampel sebanyak 30 orang. Jawaban dikelompokkan pada 5

tingkatan, yaitu Sangat Setuju (SS), Setuju (S), Cukup (C), Tidak Setuju (TS), Sangat

Tidak Setuju (STS).

12

Tabel 5 Hasil Pengujian Beta

No Pertanyaan Jawaban

SS S C TS STS

1

Sistem memudahkan menganalisis

efisiensi dalam penanganan keluhan

pelanggan

30

2 Sistem mudah untuk digunakan. 28 2

3 Sistem memberikan informasi yang

jelas dan bermanfaat 30

4

Sistem memberikan rekomendasi

yang dapat berguna bagi kemajuan

layanan Tripola.

27 3

Berdasarkan hasil pengujian beta, disimpulkan bahwa sistem dapat

membantu pihak manajerial Tripola, dalam memberikan rekomendasi pemilihan

petugas Sistem mempermudah pencatatan log kerja, yang berguna untuk arsip

Tripola.

5. Simpulan

Berdasarkan penelitian, pengujian dan analisis terhadap sistem, maka

dapat diambil kesimpulan yaitu: 1) Sistem dapat membantu dalam hal pencatatan

log kerja Tripola; 2) Sistem memudahkan menganalisis efisiensi dalam

penanganan keluhan pelanggan; 3) Hasil analisis naïve bayes pada log kerja

penanganan keluhan pelanggan, berguna bagi pihak manajerial Tripola, untuk

peningkatan layanan kepada pelanggan.

Saran yang dapat diberikan untuk penelitian dan pengembangan

selanjutnya adalah: analisis dapat diperluas tidak hanya terbatas pada komponen

waktu, namun juga kepuasan pelanggan, dan biaya yang diperlukan. Algoritma

untuk proses analisis juga dapat menggunakan algoritma data mining yang lain,

sehingga diperoleh perbandingan hasil analisis antara Naïve bayes, dengan

algoritma yang lain.

6. Daftar Pustaka

[1]. Winer, R. S. 2001. A Framework for Customer Relationship Management.

California Management Review 43, 89–105. (doi:10.2307/41166102)

[2]. Garcia-Murillo, M. & Annabi, H. 2002. Customer knowledge management.

Journal of the Operational Research Society 53, 875–884.

(doi:10.1057/palgrave.jors.2601365)

[3]. Wei, J.-T., Lee, M.-C., Chen, H.-K. & Wu, H.-H. 2013. Customer

relationship management in the hairdressing industry: An application of

data mining techniques. Expert Systems with Applications 40, 7513–7518.

[4]. Liao, S., Chen, Y. & Hsieh, H. 2011. Mining customer knowledge for direct

selling and marketing. Expert Systems with Applications 38, 6059–6069.

[5]. Ridwan, M., Suyono, H. & Sarosa, M. 2013. Penerapan Data Mining

Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma

Naive Bayes Classifier. Jurnal EECCIS 7, pp–59.

[6]. Ngai, E. W. T., Xiu, L. & Chau, D. C. K. 2009. Application of data mining

13

techniques in customer relationship management: A literature review and

classification. Expert Systems with Applications. 36, 2592–2602.

(doi:10.1016/j.eswa.2008.02.021)

[7]. Vercellis, C. 2009. Business Intelligence: Data Mining and Optimization

for Decision Making. (doi:10.1002/9780470753866)

[8]. Ahmed, S. R. 2004. Applications of data mining in retail business. In

International Conference on Information Technology: Coding Computing,

ITCC, pp. 455–459.(doi:10.1109/ITCC.2004.1286695)

[9]. Bustami, B. 2014. Penerapan Algoritma Na{"\i}ve Bayes Untuk

Mengklasifikasi Data Nasabah Asuransi. Techsi 3.

[10]. Pressman, R. S. & Jawadekar, W. S. 1987. Software engineering. New

York 1992

perancangan aplikasi penilaian kualifikasi kerja pegawai ......mengumpulkan, mengelola dan membagi...

Documents