KLASIFIKASI MUTASI JABATAN STRUKTURAL PEGAWAI NEGERI SIPIL MENGGUNAKAN METODE DECISION TREE

Transkripsi

1 KLASIFIKASI MUTASI JABATAN STRUKTURAL PEGAWAI NEGERI SIPIL MENGGUNAKAN METODE DECISION TREE Yati, I Ketut Edy Purama, da Surya Sumpeo Tekik Elektro,Istitut Tekologi Sepuluh Nopember Alamat: Gedug B, C & AJ Kampus ITS Sukolilo, Surabaya, 60111, Idoesia yati.cgbmajid@gmail.com ABSTRAK Pemberia rekomedasi usula mutasi jabata struktural selama ii membutuhka waktu yag relatif lama karea dilakuka secara maual serta tidak memiliki pola atau belum bisa megikuti atura yag berlaku. Utuk megatasi hal tersebut dibutuhka sistem klasifikasi agar memiliki pola serta waktu yag relatif sigkat dega tekik klasifikasi data miig megguaka metode Decisio Tree C4.5, Label data sebayak 6 kelas, pegujia sistem megguaka data testig sebayak 25% dari data yag ada. Dalam pegklasifikasia diguaka pemiliha kriteria atribut berdasarka iformatio gai, gai ratio da gii ideks yag aka diperbadigka utuk megetahui tigkat akurasiya. Hasil dari peelitia ii meujukka bahwa sistem klasifikasi yag dibagu memiliki tigkat akurasi yag berbeda berdasarka tabel cofusio Matrix yaitu iformatio gai sebesar 87,18%, gii ideks 86,75% da gai ratio 82,48%, masig-masig membutuhka waktu 3 (tiga) detik dalam pembetuka sistem klasifikasi. Melihat tigkat akurasi dari ketiga pemiliha atribut tersebut maka iformatio gai dapat diperguaka dalam pemberia rekomedasi mutasi jabata struktural utuk pegambila keputusa lebih lajut. Kata kuci: Mutasi Jabata Struktural, Data Miig, Decisio Tree C4.5, Iformatio Gai, Gai Ratio, Gii Ideks. PENDAHULUAN Pemberia rekomedasi mutasi jabata struktural masih belum berjala dega maksimal sesuai dega atura yag berlaku atau tidak memiliki pola mutasi jabata struktural serta waktu yag relatif lama karea dilakuka secara maual. Hal ii mejadi salah satu peyebab peurua kierja Pegawai Negeri Sipil (PNS) dalam bekerja atau pu dalam memberika layaa ke masyarakat sehigga dibutuhka sistem klasifikasi yag diharapka mampu memberika solusi terhadap pelaksaaa mutasi jabata struktural dega membuat pola mutasi jabata struktural dega waktu yag relatif sigkat. Ada beberapa peelitia sebelumya yag membahas tetag mutasi jabata struktural di ligkup pemeritah daerah seperti yag dilakuka oleh (Pramutoko, 2012) da (Sriyaa, 2013) amu belum ada yag peulis temuka peelitia yag membahas tetag pegklasifikasia mutasi jabata struktural sehigga peulis aggap bahwa hal tersebut layak utuk diteliti dalam ragka membatu dalam pemberia rekomedasi usula mutasi. Metode decisio tree yag merupaka pegembaga dari algoritme ID3 (Iterative Dichotomiser 3) da juga salah satu algoritme poho keputusa yag terkeal karea memiliki kelebiha atara lai: mudah dimegerti serta mearik karea dapat divisualisasika dalam betuk gambar berupa poho keputusa (Prabowo Pudjo Widodo, 2013) (Bhatt, 2012). Metode klasifikasi Decisio Tree merupaka metode yag masuk kelas frequecy tabel yaitu suatu metode yag melihat data berdasarka seberapa serig data itu mucul dalam tiap A-25-1

2 fitur/variable, metode laiya yag masuk kelas tersebut atara lai (Sayad, ) : Oe R, ZeroR da Naive Bayesia. Dega memafaatka data yag berhubuga dega kepegawaia serta melihat bayak usula mutasi jabata struktural struktural dari Satua Kerja Peragkat Daerah (SKPD) setiap saat dega jejag da jumlah yag relatif bervariasi, diharapka mampu memberika sebuah solusi utuk mejawab persola pola mutasi jabata struktural yag ada di daerah. Peelitia ii buka bertujua utuk membuat sistem pedukug keputusa mutasi jabata struktural utuk meduduki jabata tertetu karea keterbatasa data yag dimiliki amu haya sebatas medapatka model pola klasifikasi mutasi jabata struktural berdasarka eselo megguaka metode decisio tree yag lebih cepat dibadigka dega cara maual yag di harapka bisa diperguaka utuk pemberia rekomedasi usula mutasi jabata struktural ke pegambil kebijaka sebagai pegambil keputusa lebih lajut jika sistem klasifikasi yag dibagu memiliki akurasi di atas 70%. METODE Peelitia yag dilakuka megguaka tekik klasifikasi data miig dega algoritme Decisio Tree C4.5 dega pemiliha kriteria atribut berdasarka iformatio gai, gai ratio da gii ideks sebagai kriteria pemiliha atribut yag terkeal dalam Decisio Tree (Satosa, 2007). Proses peelitia dapat dilihat pada blok diagram Gambar 1. Berdasarka Gambar 1, dapat dijelaska blok diagram tersebut sebagai berikut : Melakuka pegumpula data dari berbagai file yag berhubuga dega data kepegawaia yaitu gaji = 4471 data, riwayat pedidika = data, Data PNS = 4627 data, riwayat diklat = 221 data, riwayat jabata = 9772 data, calo latpim 2012 = 121 data, latpim III tahu 2005 = 40 data, latpim tahu 2004 = 40 data, calo latpim tahu 2004 = 49 data, Lampira SK iji/tubel serta batua iji/tubel = 59 sheet. Tahap selajutya adalah meetuka parameter iput da output seperti terlihat pada Tabel 1 sebelum meyatuka dalam satu file baru sebagai database. Atribut total jabata, masa kerja jabata akhir, total masa kerja jabata da masa kerja keseluruha tidak terdapat dalam data awal amu peulis melakuka perhituga sediri berdasarka data yag telah ada. Melakuka pembersiha data utuk megatasi data yag bermasalah seperti missig value/tidak legkap da oisy (Hermawati, 2013) (Bhatt, 2012) agar didapatka data dega kualitas yag baik sesuai kebutuha. Total data yag didapatka pada tahap ii adalah sebesar 934 data, masig-masig terdiri atas eselo II.b 28 data, III.a 44 data, 75 data, 324 data,.b 55 data, da No eselo 408 data. Data olah terdiri atas data omial da umerik, tidak dilakuka metode utuk megkategorika data karea Decisio Tree C4.5 bisa meagai data umerik. Data umerik secara otomatis aka diubah mejadi kategori dega 2 retag ilai tiap kategori. Melakuka traiig data megguaka pemiliha kriteria atribut iformatio gai, gai ratio da gii ideks dalam peetua simpul akar/cabag. Dilakuka beberapa perubaha parameter agar didapatka hasil akurasi yag lebih tiggi dega pre pruig data yaitu miial jumlah data tiap dau, miimal jumlah data tiap cabag, miimal gai, kedalama poho, kofidesi. Melakuka pegujia sistem klasifikasi megguaka data testig utuk megetahui tigkat akurasi berdasarka tabel cofusio Matrix sebayak 25% (234 data) data dega pemiliha secara stratified. Pemiliha kriteria atribut yag palig akurat yag aka dijadika sebagai rekomedasi usula mutasi jabata struktural. A-25-2

3 Pegumpula Data Pemiliha Masuka/ keluara Itegrasi Data Pegujia Klasifikasi Traiig Data Gambar 1. Blok Diagram Validasi/ Pembersiha Data Tabel 1 Parameter Iput Data No. Masuka Keteraga 1. Pagkat/Gol Akhir III/a - /d 2. Jejag Pedidika Jejag Pedidika terakhir 3. Masa kerja gologa akhir Tahu berjala tahu gologa akhir 4. Masa kerja Masa kerja keseluruha PNS 5. Usia Usia PNS 6. Diklat Kepemimpia Latpim II, III,, - (belum latpim) 7. Total Jabata Jumlah jabata yag perah di duduki 8. Masa kerja jabata terakhir Tahu berjala tahu jabata terakhir 9. Total masa kerja jabata Tahu berjala tahu jabata pertama Parameter data keluara yag dihasilka adalah peetua eselo/jabata yag diberika kepada PNS tersebut yaitu : No Eselo,.b,,, III.a, II.b. Iformatio gai Merupaka pemiliha atribut dega megukur seberapa baik atribut dipisahka ke dalam kelas yag ada amu sebelumya dihitug ilai etropy yag berfugsi megetahui bobot suatu atribut dega formula sebagai berikut (Bhatt, 2012) : Etropy (S)= - p i.log 2 p i (1) Dimaa S adalah himpua kasus/keputusa, adalah jumlah partisi S da Pi adalah proporsi keputusa terhadap S. Gai (S,A)=Etropy (S)- S i *Etropy (S S i ) (2 ) Dimaa : adalah jumlah partisi atribut A, A adalah semua ilai yag mugki dari atribut tersebut, si adalah bagia/subset ilai S, s adalah jumlah kasus dalam S Gai ratio Meghitug ilai split iformatio utuk diperguaka dalam meghitug ilai gai ratio. Formula utuk split iformatio da gai ratio adalah sebagai berikut (Bhatt, 2012) : Gii ideks SplitIformatio (S,A)= - S i S Gai(S,A) Gairatio (S,A)= SplitIformatio (S,A) log 2 S i S (3) (4) A-25-3

4 Formula utuk meghitug gii ideks isi setiap atribut adalah sebagai berikut (Hermawati, 2013) : IG(A)=1- P 2 Dimaa : P adalah Rasio observasi dalam kotak A yag masuk kelas i, adalah jumlah kelas/variabel dari cabag/kotak A. Lagkah selajuya adalah meghitug gii split sebagai peetua simpul akar/cabag dega formula sebagai berikut (Hermawati, 2013) : GiiSplit (A)= S i S IG(A) Iformatio gai da gai ratio megguaka ilai tertiggi utuk meetuka simpuk akar/cabag poho sedagka gii ideks berdasarka ilai terkecil. Pegujia Klasifikasi Melakuka testig klasfikasi utuk megetahui tigkat akurasi berdasarka tabel cofusio matrix dega formula sebagai berikut (Sayad, ) : HASIL DAN PEMBAHASAN Akurasi= Data Bear Total Data Uji (5) (6) x 100% (7) Hasil Traiig Pemiliha Kriteria Atribut Berdasarka Iformatio Gai Pada Gambar 2 yag merupaka sebagia dari hasil poho keputusa yag dibetuk berdasarka pemiliha kriteria iformatio gai. Pada Gambar tersebut dapat dilihat bahwa ode yag palig atas adalah Gologa yag mejadi simpul akar karea memiliki ilai iformatio gai tertiggi dibadigka atribut yag lai. Gologa terbagi ke dalam 7 split sesuai jumlah gologa yag ada dalam data, dari III/a sampai dega /c, sebagai cotoh split utuk Gol akhir III/d yag melakuka perulaga utuk meghasilka kelas data. Utuk melihat urutaya, bisa dilakuka dega melihat arah aak paah yag dihasilka dari suatu simpul da akhir dari simpul tersebut adalah kelas data dega lambag berbetuk kotak. Salah satu cotoh peetua eselo berdasarka Gologa III/d adalah sebagai berikut : Jika Gologa = III/d & = & Masa kerja jab. Akhir 3,5 Maka Eselo. Total atura keputusa berdasarka pemiliha kriteria iformatio gai adalah 24 atura keputusa yag terbagi ke dalam 6 kelas data. Hasil Traiig Pemiliha Kriteria Atribut Berdasarka Gii Ideks Pada Gambar 3 yag merupaka sebagia dari hasil poho keputusa yag dibetuk berdasarka pemiliha kriteria gii ideks. Pada Gambar tesebut dapat dilihat bahwa ode yag palig atas adalah Gologa yag mejadi simpul akar karea memiliki ilai gii ideks terkecil dibadigka atribut yag lai. Gologa terbagi ke dalam tujuh split sesuai jumlah gologa yag ada dalam data dari III/a sampai dega /c, sebagai cotoh split utuk Gologa III/c yag melakuka perulaga utuk meghasilka kelas data. Salah satu cotoh peetua eselo berdasarka Gologa akhir III/c adalah sebagai berikut : Jika Gologa = III/c & Ped. Akhir = S2 & Masa kerja Jab. Akhir = 1,5 & Masa kerja keseluruha > 11,5 maka Eselo. Total atura keputusa berdasarka gii ideks adalah 54 atura keputusa yag terbagi ke dalam 6 kelas data. A-25-4

5 Gologa III/d - III Masa Kerja Jab Akhir >3,5 3,5 Usia 43,5 Ped. Akhir >43,5 S1 S2 Gambar 2 Bagia Poho Keputusa Pemiliha Atribut Iformatio Gai Gologa III/c S1 DIII Ped. Akhir S2 SLTA - Tot. Jabata Masa kerja Gol. Akhir - - >0,5 0,5 No Eselo >1,5 >2,5 0,5 Masa kerja Jab. Akhir 2,5 Masa Kerja Jab. Akhir >1,5 1,5 Masa kerja Keseluruha Tot. Jabata >0,5 0,5 No Eselo.b >11,5 11,5 Gambar 3 Bagia Poho Keputusa Pemiliha Atribut Gii Ideks Hasil Traiig Pemiliha Kriteria Atribut Berdasarka Gai Ratio Pada Gambar 4 yag merupaka sebagia dari hasil poho keputusa yag dibetuk berdasarka pemiliha kriteria gai rati. Pada gambar tersebut dapat dilihat bahwa ode yag palig atas adalah Total jabata yag mejadi simpul akar karea memiliki ilai gai ratio terbesar dibadigka atribut yag lai. Total jabata terbagi atas 2 split yaitu >0,5 da 0,5. Sebagai cotoh split utuk >0,5 yag melakuka perulaga utuk meghasilka kelas data sedagka split 0,5 lagsug meghasilka kelas data. A-25-5

6 Salah satu cotoh peetua eselo adalah sebagai berikut : Jika Total jabata > 0,5 & = & Gologa = /a Maka Eselo. Total atura keputusa berdasarka gai ratio adalah 22 atura keputusa yag terbagi ke dalam 6 kelas data. Total Jabata > 0,5 0,5 III.a III/d Masa kerja Keseluruha > 17.b III.a 17 Gologa.c II.b.b III III/d S1 > 1,5 Gologa III/c 0,5 Ped. Akhir S2 Masa Kerja Jab. Akhir No Eselo II.b SLTA 1,5 Gambar 4 Bagia Poho Keputusa Pemiliha Atribut Gai Ratio Hasil Akurasi Berdasarka Tabel Cofusio Matrix Berdasarka Tabel 2, Tabel 3 da Tabel 4 dapat dilihat tigkat akurasi data berdasarka data testig sebayak 234 data dari masig-masig pemiliha atribut. Tigkat akurasi dihitug berdasarka formula (7) dega hasil yag berbeda-beda yaitu berdasarka iformatio gai sebesar 87,18%, gii ideks 86,75% da gai ratio 82,48%. Area yag memiliki latar berwara abu-abu merupaka ilai dari data yag di klasifikasika secara bear. Tabel 2 Cofusio Matrix berdasarka Iformatio Gai Akurasi 87,18% Target Data Prediksi No Eselo.b II.b III.a No Eselo b II.b III.a A-25-6

7 Tabel 3 Cofusio Matrix berdasarka Gii Ideks Akurasi 86,75% Target Data Prediksi No Eselo.b II.b III.a No Eselo b II.b III.a Tabel 4 Cofusio Matrix berdasarka Gai Ratio Akurasi 82,48 % Prediksi Target Data No Eselo.b II.b III.a No Eselo b II.b III.a Sebagai cotoh pada Tabel 2 atara prediksi kelas No Eselo dega target data dapat dilihat bahwa yag bear/sesuai atara prediksi da target data adalah sebayak 102 data, semetara terdapat kesalaha klasifikasi dimaa Eselo yag sebearya adalah amu di prediksika salah da masuk ke No Eselo sebayak 1 data, amu tidak ada kesalaha prediksi utuk target No Eselo. Berdasarka Tabel 5, dapat dilihat bahwa semua pemiliha kriteria atribut meghasilka akurasi di atas 70% da sudah melebihi dari target sebelumya yaitu sebesar 70%, sehigga diaggap layak utuk dijadika rekomedasi usula mutasi jabata struktural. Iformatio gai memiliki tigkat akurasi tertiggi dibadigka yag laiya, Gologa sebagai faktor yag palig berpegaruh dega mejadi peetu awal klasifikasi, jumlah atura keputusa sebayak 24. Gii ideks juga mejadika gologa sebagai peetu awal klasifikasi, amu memiliki akurasi yag lebih redah serta jumlah atura keputusa yag terbayak, dega atura keputusa yag lebih bayak aka membuat pegambila keputusa lebih rumit. Gai ratio memiliki jumlah atura keputusa da pemakaia atribut palig sedikit amu memiliki tigkat akurasi teredah, mejadika total jabata sebagai atribut yag palig berpegaruh, berdasarka split yag ada, maka sudah bisa di pastika bahwa ketika seorag PNS belum perah meduduki jabata maka tidak aka perah bisa meduduki jabata tertetu, berbeda dega pemiliha kriteria atribut laiya yag memugkika terjadi promosi jabata utuk PNS yag belum perah mejabat sebelumya. A-25-7

8 Tabel 5 Perbadiga Algoritme Pemiliha Kriteria Atribut Decisio Tree C4.5 No. Algoritme Jumlah Atribut Simpul Akar Jumlah Atura Keputusa Akurasi (%) 1 Iformatio gai 9 Gologa 24 87,16 2 Gii Ideks 9 Gologa 54 86,75 3 Gai Ratio 7 Total Jabata 22 82,48 KESIMPULAN DAN SARAN Peelitia ii meghasilka peetua klasifikasi mutasi jabata struktural megguaka metode Decisio Tree C4.5, pemiliha kriteria atribut iformatio gai berdasarka eselo yaitu No Eselo, II.b, III.a,,,.b. Hasil peelitia ii, mampu mejawab persoala mutasi jabata struktural dalam hal waktu yag relatif lama dega pola mutasi yag sebelumya tidak ada. Dalam peetua klasifikasi mutasi tersebut, atribut yag mejadi faktor utama sebagai peetu awal adalah Gologa PNS. Peetua atribut tersebut lebih baik dibadigka dega pemiliha kriteria atribut laiya. Hal tersebut juga sesuai dega atura, dimaa faktor gologa adalah bagia yag sagat petig/utama dalam meetuka eselo PNS. Dalam peelitia ii diketahui bahwa jumlah atura keputusa yag ada masih relatif bayak dega melibatka semua atribut yag ada, sehigga pemberia rekomedasi usula mutasi utuk pegambila keputusa lebih lajut agak rumit. Diharapka dalam peelitia selajutya supaya atura keputusa yag dibuat lebih sederhaa agar membatu dalam mempercepat proses pemberia rekomedasi tapa harus meeliti semua atribut yag selama ii diaggap berpegaruh. DAFTAR PUSTAKA Bhatt, A. S. (2012). Comparative Aalysis of Attribute Selectio Measures Used for Attribute. Iteratioal Coferece o Radar, Commuicatio ad Computig (ICRCC), (pp ). Tiruvaamalai, TN, Idia. Hermawati, F. A. (2013). Data Miig. Yogyakarta: Peerbit Adi. Prabowo Pudjo Widodo, D. (2013). Peerapa Data Miig Dega Matlab. Badug: Peerbit Rekayasa Sais. Pramutoko, B. (2012). Pemahama Elit Politik Terhadap Kebijaka Mutasi Pegawai di Ligkuga Pemeritah Kota Kediri. Hal. 1-29(2012). Satosa, B. (2007). Data Miig - Tekik Pemafaata Data utuk Keperlua Bisis. Surabaya Idoesia: Graha Ilmu. Sayad, D. S. ( ). A Itroductio to Data Miig. Retrieved Jui 07, 2014, from Sriyaa. (2013). Pelaksaaa Mutasi Pejabat Struktural pada Kator Bada Kepegawaia Daerah Kabupate Sitag. Volume 5 Nomor 1 Hal (Februari 2013). A-25-8