Perancangan Aplikasi Penilaian Kualifikasi Kerja Pegawai

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
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
2016
ii
iii
iv
v
vi
vii
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
Fakultas Teknologi Informasi
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.
viii
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.
1
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
2
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 kelaskelas 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. Klasifikasiklasifikasi 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
3
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]:
4
(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
5
proses akan kembali lagi ketahap pertama. Diagram prototype model ditunjukkan
pada Gambar 2.
Gambar 2 Prototype Model [10]
Mulai
Log Kerja
Data Uji
Database
Log Kerja
Naïve
bayes
Rekomen
dasi
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.
6
No
1
2
3
4
5
6
7
Kolom
Wilayah
PD
R1T
Ganti Meter
Migrasi
Petugas
Kualifikasi Kerja
Tabel 1 Kriteria Data yang Digunakan
Keterangan
Kode wilayah pelanggan
Pasang Daya
Pemasangan baru untuk rumah hunian biasa
Ada pergantian alat meteran listrik.
Pindah lokasi alat meteran listrik dalam satu rumah
Nama Petugas
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
SA1
TAMBAH
Y
T
SA1
TAMBAH
Y
T
7
PETUGAS
Kualifikasi Kerja
T
AGUS
?
T
FAUZAN
?
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) =
P(C) =
P(B) =
1 / 10
1 / 10
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) =
P(TAMBAH| C) =
P(TAMBAH| B) =
0 / 1
0 / 1
3 / 8
R1T
Cari khusus yang R1T=Y
P(Y | K) =
P(Y | C) =
P(Y | B) =
0 / 1
0 / 1
3 /8
Ganti meter
Cari khusus yang GANTI METER= T
P(T | K) =
P(T | C) =
P(T | B) =
0 / 1
0 / 1
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
8
P(FAUZAN | K) = 0 / 1
P(FAUZAN | C) = 1 / 1
P(FAUZAN | B) = 3 / 8
P(YANTO | K) = 0 / 1
P(YANTO | C) = 0 / 1
P(YANTO | B) = 4 / 8
Langkah 3: Hitung Persentase Kemungkinan
Kemungkinan untuk AGUS dalam waktu K:
=P(AGUS | K) x P(MIGRASI=T | K) x P(GANTI METER=T | K) x P(R1T=Y | K) x
P(Penambahan Daya= TAMBAH | K) x P(Wilayah=SA1 | K) x P(K)
= 1 /1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0
Kemungkinan untuk AGUS dalam waktu C:
= P(AGUS | C) x P(MIGRASI=T | C) x P(GANTI METER=T | C) x P(R1T=Y | C) x
P(Penambahan Daya= TAMBAH | C) x P(Wilayah=SA1 | C) x P(C)
=0/1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0
Kemungkinan untuk AGUS dalam waktu B:
= P(AGUS | B) x P(MIGRASI=T | B) x P(GANTI METER=T | B) x P(R1T=Y | B) x
P(Penambahan Daya= TAMBAH | B) x P(Wilayah=SA1 | B) x P(B)
=1 / 1 x 4 / 8 x 3 / 8 x 3 /8 x 3 / 8 x 4 / 8 x 8 / 10 = 0.010546
Kemungkinan untuk FAUZAN dalam waktu K:
= P(FAUZAN | K) x P(MIGRASI=T | K) x P(GANTI METER=T | K) x P(R1T=Y | K) x
P(Penambahan Daya= TAMBAH | K) x P(Wilayah=SA1 | K) x P(K)
=0 / 1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0
Kemungkinan untuk FAUZAN dalam waktu C:
= P(FAUZAN | C) x P(MIGRASI=T | C) x P(GANTI METER=T | C) x P(R1T=Y | C) x
P(Penambahan Daya= TAMBAH | C) x P(Wilayah=SA1 | C) x P(C)
=1 / 1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0
Kemungkinan untuk FAUZAN dalam waktu B:
= P(FAUZAN | B) x P(MIGRASI=T | B) x P(GANTI METER=T | B) x P(R1T=Y | B) x
P(Penambahan Daya= TAMBAH | B) x P(Wilayah=SA1 | B) x P(B)
=3 / 8 x 4 / 8 x 3 / 8 x 3 /8 x 3 / 8 x 4 / 8 x 8 / 10 = 0.003955
Kemungkinan untuk YANTO dalam waktu K:
= P(YANTO | K) x P(MIGRASI=T | K) x P(GANTI METER=T | K) x P(R1T=Y | K) x
P(Penambahan Daya= TAMBAH | K) x P(Wilayah=SA1 | K) x P(K)
=0 / 1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0
Kemungkinan untuk YANTO dalam waktu C:
= P(YANTO | C) x P(MIGRASI=T | C) x P(GANTI METER=T | C) x P(R1T=Y | C) x
P(Penambahan Daya= TAMBAH | C) x P(Wilayah=SA1 | C) x P(C)
= 0 / 1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0
Kemungkinan untuk YANTO dalam waktu B:
= P(YANTO | B) x P(MIGRASI=T | B) x P(GANTI METER=T | B) x P(R1T=Y | B) x
P(Penambahan Daya= TAMBAH | B) x P(Wilayah=SA1 | B) x P(B)
=4 / 8 x 4 / 8 x 3 / 8 x 3 /8 x 3 / 8 x 4 / 8 x 8 / 10 = 0.052734
Petugas
Tabel 4 Kesimpulan Akhir
Waktu
Nilai Kemungkinan
9
Persentase
AGUS
AGUS
AGUS
K
C
B
0
0
0.010546
(kalikan 100%)
(tidak terpakai)
(tidak terpakai)
1.05%
FAUZAN
FAUZAN
FAUZAN
K
C
B
0
0
0.003955
(tidak terpakai)
(tidak terpakai)
0.3 %
YANTO
YANTO
K
C
0
0
YANTO
B
0.052734
(tidak terpakai)
(tidak terpakai)
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.
10
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).
11
No
1
2
3
4
Tabel 5 Hasil Pengujian Beta
Jawaban
Pertanyaan
SS
S
C
TS
Sistem memudahkan menganalisis
efisiensi dalam penanganan keluhan
30
pelanggan
Sistem mudah untuk digunakan.
28
2
Sistem memberikan informasi yang
30
jelas dan bermanfaat
Sistem memberikan rekomendasi
yang dapat berguna bagi kemajuan
27
3
layanan Tripola.
STS
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.
[1].
[2].
[3].
[4].
[5].
[6].
Daftar Pustaka
Winer, R. S. 2001. A Framework for Customer Relationship Management.
California Management Review 43, 89–105. (doi:10.2307/41166102)
Garcia-Murillo, M. & Annabi, H. 2002. Customer knowledge management.
Journal of the Operational Research Society 53, 875–884.
(doi:10.1057/palgrave.jors.2601365)
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.
Liao, S., Chen, Y. & Hsieh, H. 2011. Mining customer knowledge for direct
selling and marketing. Expert Systems with Applications 38, 6059–6069.
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.
Ngai, E. W. T., Xiu, L. & Chau, D. C. K. 2009. Application of data mining
12
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
13