PENERAPAN DATA MINING UNTUK RENCANA SUKSESI SUMBER DAYA MANUSIA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DI PT POS INDONESIA

Transkripsi

1 PENERAPAN DATA MINING UNTUK RENCANA SUKSESI SUMBER DAYA MANUSIA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DI PT POS INDONESIA 1 Muhammad Hafiz Ardiansyah, 2 Wahyu Nurjaya WK 1 Program Studi Teknik Informatika, STMIK & Ilmu Komputer LPKIA 2 Program Studi Sistem Informasi, STMIK & Ilmu Komputer LPKIA Jl. Soekarno Hatta 456, Bandung, 40266, Telp , Fax hafizardiansyah@gmail.com, wahyunwk@lpkia.ac.id ABSTRAK Sumber daya manusia adalah salah satu faktor penting dalam perusahaan untuk menjamin keberlangsungan proses bisninya, sehingga dalam pelaksanaanya karyawan perlu dijaga motivasi dan kinerjanya. Salah satu cara untuk menjaga motivasi, kinerja dan loyalitas karyawan adalah dengan menggunakan sistem jalur karir dan rencana suksesi. Dengan banyaknya jumlah karyawan yang ada, sistem jalur karir sering mengalami permasalahan karena beberapa karyawan tidak terseleksi karena tidak memiliki pola penilaian yang testandarisasi dengan baik yang menyebabkan kurangnya regenerasi jabatan struktural. Penelitian ini difokuskan untuk membantu bagian assesment dalam memprediksikan rekomendasi terhadap seorang karyawan, dengan menggunakan algoritma klasifikasi data mining K-Nearest Neighbour yang membandingkan data assesment baru terhadap data assesment yang sudah ada. Hasil yang didapat berupa rekomendasi kelayakan karyawan menempati jabatan yang di targetkan dengan tingkat akurasi sebesar 85%. Kata Kunci : Sumber daya manusia, rekomendasi, data mining, klasifikasi, k-nearest neighbour. I. PENDAHULUAN Suksesi adalah pelimpahan bisnis dari generasi senior yang sedang menguasai bisnis kepada kepemimpinan dan kepemilikan perusahaan keluarga kepada generasi berikutnya. PT.Pos Indonesia (Persero) sebagai perusahaan yang bergerak dalam bidang pelayanan jasa harus selalu meningkatkan daya saingnya untuk menyesuaikan kebutuhan perkembangan zaman, salah satunya di bidang sumber daya manusia (SDM). SDM dalam hal ini adalah salah satu faktor penting dalam perusahaan untuk menjamin keberlangsungan proses bisnis perusahaan sehingga, dalam pelaksanaanya karyawan perlu dijaga motivasi dan kinerjanya. Salah satu cara untuk menjaga motivasi, kinerja dan loyalitas karyawan adalah dengan menggunakan sistem jalur karir dan rencana suksesi. Dengan banyaknya jumlah karyawan yang ada, sistem jalur karir sering mengalami permasalahan karena beberapa karyawan tidak terseleksi karena tidak memiliki pola penilaian yang testandarisasi dengan baik yang menyebabkan kurangnya regenerasi jabatan struktural. Perusahaan membutuhkan suatu sistem yang dapat membantu dalam mengelola promosi karyawan dan informasi kandidat yang disarankan untuk mengisi suatu jabatan. Sistem ini membuat aktifitas pengelolaan karir menjadi lebih terstruktur dan dapat memberikan peluang yang sama bagi semua karyawan sebagai bahan pertimbangan untuk kenaikan jabatan.. II. DASAR TEORI 1. Suksesi Suksesi adalah proses pendiri perusahaan untuk mentransfer pengetahuan dan modal intelektual kepada generasi selanjutnya dalam anggota keluarga yang membutuhkan waktu untuk dikembangkan dan perlu dikelola agar sukses [1]. Proses suksesi adalah pelimpahan bisnis dari generasi senior yang sedang menguasai bisnis kepada kepemimpinan dan kepemilikan perusahaan keluarga kepada generasi berikutnya [2].

2 2. Data Mining Data mining merupakan proses semi otomatik yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi pengetahuan potensial dan berguna yang bermanfaat yang tersimpan di dalam database besar [3] Tahapan dalam data mining ada 7, diantaranya : pembersihan data, integrasi data, seleksi data, transformasi data, proses mining, evaluasi pola, presentasi pengetahuan. [4] 3. Klasifikasi Classification adalah sebuah model dalam data mining dimana, classifier dikonstruksi untuk memprediksi categorical label, seperti aman atau beresiko untuk data aplikasi peminjaman uang; ya atau tidak untuk data marketing; atau treatment A, treatment B atau treatment C untuk data medis. Kategori tersebut dapat direpresentasikan dengan nilai yang sesuai dengan kebutuhannya, dimana pengaturan dari nilai tersbut tidak memiliki arti tertentu [5]. Classification dan Association rule discovery merupakan tugas yang sama dalam data mining, dengan pengecualian bahwa tujuan utama dari klasifikasi adalah prediksi label kelas, sedangkan asosiasi aturan penemuan menggambarkan korelasi antara item dalam database transaksional. [6] 4. Algoritma K-Nearest Neighbour K-Nearest Neighbour (k-nn) adalah suatu metode yang menggunakan algoritma supervised dimana hasil dari query instance yang baru diklasifikasikan berdasarkan mayoritas dari label class pada k-nn. Tujuan dari algoritma k-nn adalah mengklasifikasikan objek baru berdasarkan atribut dan training data. Algoritma k-nn bekerja berdasarkan jarak terpendek dari query instance ke training data untuk menentukan k-nn-nya. Salah satu cara untuk menghitung jarak dekat atau jauhnya tetangga menggunakan metode euclidian distance. Euclidian Distance sering digunakan untuk menghitung jarak. Euclidian Distance berfungsi menguji ukuran yang bisa digunakan sebagai interpretasi kedekatan jarak antara dua obyek, di bawah ini merupakan rumus Euclidian Distance [7]: m ( (x ik x jk ) k=1 ) (1) Dimana Xik menunjukkan nilai attribut pada training data, Xjk menunjukkan nilai attribut pada testing data sedangkan m adalah dimensi data dan k adalah batas jumlah banyaknya data. Jika hasil nilai dari rumus di atas besar maka akan semakin jauh tingkat keserupaan antara kedua objek dan sebaliknya jika hasil nilainya semakin kecil maka akan semakin dekat tingkat keserupaan antar objek tersebut. Objek yang dimaksud adalah training data dan testing data. Dalam algoritma ini, nilai k yang terbaik itu tergantung pada jumlah data. Ukuran nilai k yang besar belum tentu menjadi nilai k yang terbaik begitupun juga sebaliknya. Langkah-langkah untuk menghitung algoritma k-nn: 1. Menentukan nilai k. 2. Menghitung kuadrat jarak euclid (query instance) masing-masing objek terhadap training data yang diberikan. 3. Kemudian mengurutkan objek-objek tersebut ke dalam kelompok yang mempunyai jarak euclid terkecil. 4. Mengumpulkan label class target (klasifikasi Nearest Neighborhood). 5. Dengan menggunakan kategori Nearest Neighborhood yang paling mayoritas maka dapat dipredeksikan nilai query instance yang telah dihitung. III. ANALISA DAN PERANCANGAN Dalam penelitian ini mengumpulkan data digunakan metode pengembangan sistem prototype, juga untuk mengolah data menjadi sebuah hasil rekomendasi digunakan metode K-NN. Dapat dilihat pada gambar 1. Gambar 1 Metode Prototype

3 Gambar 2 Usecacse Diagram 1. Mendengarkan Pelanggan Pada tahap ini dilakukan pengumpulan kebutuhan dari sistem dengan cara mendengar keluhan dari pelanggan. Untuk membuat suatu sistem yang sesuai dengan kebutuhan, maka harus diketahui terlebih dahulu bagaimana sistem yang sedang berjalan untuk kemudian mengetahui masalah yang terjadi. 2. Perancangan dan Pembuatan Prototype Pada tahap ini, dilakukan perancangan dan pembuatan prototpe sistem. Prototype yang dibuat disesuaikan dengan kebutuhan sistem yang telah didefinisikan sebelumnya dari keluhan pelanggan atau pengguna. Untuk melihat fungsi-fungsi yang dibutuhkan pada sistem dapat dilihat pada gambar 2. Dan classclass yang dibutuhkan oleh sistem dapat dilihat pada gambar Pengujian Pada tahap ini, prorotype dari sistem di uji coba oleh pelanggan atau pengguna. Kemudian dilakukan evaluasi kekurangankekurangan dari kebutuhan pelanggan. Pengembangan kemudian kembali mendengarkan keluhan dari pelanggan untuk memperbaiki prototype yang ada. IV. IMPLEMENTASI Pada aplikasi assesment ini digunakan metode KNN (k-nearest Neighbour) untuk mengambil keputusan rekomendasi kelayakan karyawan menempati suatu jabatan dari data penilaian assesmentnya. Proses perhitungan dilakukan dengan cara menghitung jarak terpendek data masukan terhadap data yang ada pada basis pengetahuan. Gambar 3 Class Diagram 1. Studi Kasus Terdapat 20 data sampel yang digunakan sebagai basis pengetahuan untuk mengetahui rekomendasi kelayakan karyawan menempati suatu jabatan berdasarkan 12 attribut penilian seperti pada tabel 1. Ingin diketahui rekomendasi seorang karyawan dengan nilai Intergrity 2, Enthusias 3, Innovation & Creativity 2, Building Business Partnership 3, Business Acumen 2, Customer Focus 4, Strategic Orientation 2, Driving Execution 3, Visionary Leadership 2, Aligning Performance for Success 2, Change Leadership 3, Empowering 2. Berdasarkan algoritma K-NN, dapat dilakukan perhitungan sebagai berikut: 1. Menentukan nilai K. Nilai K yang diambil adalah Hitung jarak setiap sampel data dengan data assesment karyawan yang akan diuji berdasarkan persamaan (1), sehingga diperoleh nilai jarak seperti yang terdapat pada Tabel Setelah menentukan jarak untuk setiap data sampel, maka data diurutkan berdasarkan jarak seperti pada Tabel Dengan menetapkan jumlah nilai K=5, maka akan diambil 5 jarak terdekat atau terpendek. Jumlah jarak yang yang diambil disesuaikan dengan penentuan nilai K. 5. Pada urutan pertama sampai kelima ada 3 rekomendasi Tidak Disarankan dan 2 rekomendasi Disarankan dengan pertimbangan maka hasil rekomendasi yang didapat oleh data yang diassesment adalah Tidak Disarankan berdasarkan kecendrungan rekomendasi data sampel.

4 Tabel 1 Data Sampel Histori Penilaian Assesment Tabel 2 Data Sampel setelah ditambahkan dengan jarak terhadap data pengujian d1 = (3 3) 2 + (3 2) 2 + (2 3) 2 + (3 2) 2 + (3 4) 2 + (3 2) 2 + (2 3) 2 + (3 2) 2 + (2 2) 2 + (2 3) 2 + (3 2) 2 + (3 2) 2 = 3.16 d2 = (3 3) 2 + (3 2) 2 + (2 3) 2 + (3 2) 2 + (2 4) 2 + (3 2) 2 + (2 3) 2 + (3 2) 2 + (2 2) 2 + (2 3) 2 + (3 2) 2 + (3 2) 2 = 3.61 Dan seterusnya hinnga seluruh data sampel mendapatkan jarak

5 Tabel 3 Data sampel setelah diurutkan berdasarkan jarak terkecil Untuk melihat nilai validitas dari sistem yang telah dibangun, maka dilakukan uji validitas tinggi apabila output rekomendasi yang dihasilkan oleh aplikasi memiliki nilai yang sama dengan rekomendasi pada data sampel [8]. Tabel 4 Hasil Uji Akurasi Algoritma KNN Keterangan: TRUE = Terjadi apabila hasil algoritma KNN sama dengan data sampel atau training. FALSE = Terjadi apabila hasil algoritma KNN berbeda dengan data sampel atau training. Berdasarkan pengujian validitas yang telah dilakukan maka diperoleh: Kinerja KNN : banyaknya hasil pengujian bernilai benar banyaknya data sampel = 17 x 100% = 85% 20 x 100%

6 Hasil pengujian menunjukkan bahwa kinerja algoritma sudah cukup baik. Penambahan data sampel memungkinkan naiknya kinerja algoritma. V. KESIMPULAN Berdasarkan hasil penerapan penilaian assesment dengan menggunakan Algoritma K- Nearest Neighbour sudah memenuhi pada hasil yang di harapkan, bahwa setelah di generate algoritma K-Nearest Neighbour menghasilkan hasil yang sama dengan perhitungan manual dalam pencarian rekomendasi dan memiliki tingkat akurasi yang cukup baik dengan presentase 85%.. [8] A. W. I. W. P. S. K. Tedy Rismawan, SISTEM PENDUKUNG KEPUTUSAN BERBASIS POCKET PC SEBAGAI PENENTU STATUS GIZI MENGGUNAKAN METODE KNN (K-NEAREST NEIGHBOR), SISTEM PENDUKUNG KEPUTUSAN BERBASIS POCKET PC SEBAGAI PENENTU STATUS GIZI MENGGUNAKAN METODE KNN (K-NEAREST NEIGHBOR), vol. II, pp , DAFTAR PUSTAKA [1] F. D. Lipman, The family business guide., United States of America: Palgrave Macmillan, [2] J. L. Ward, Perpetuating the family business: 50 Leasons Learned From Long Lasting, Successful Families in Business, United States of America: Palgrave Macmillan, [3] J. E. T.-P. L. Efraim Turban, Decision Support Systems and Intelligent Systems 7th Ed., New Jersey: Pearson Education, [4] J. Han dan M. Kamber, Data Mining: Concepts and Techniques, Second Edition, San Francisco: Morgan Kaufmann, [5] J. Han dan M. Kamber, Data Mining : Concept and Techniques Second Edition, San Fransisco: Morgan Kaufmann Publisher, [6] F. A. Thabtah dan P. I. Cowling, A greedy classification algorithm based on association rule. Applied Soft Computing, A greedy classification algorithm based on association rule. Applied Soft Computing, [7] A. A. N. N. W. N. Khairul Umam Syaliman, Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K-Nearest Neighbor (K-NN), Pembentukan Prototype Data Dengan Metode K- Means Untuk Klasifikasi dalam Metode K-Nearest Neighbor (K-NN), 2017.