KLASIFIKASI DATA MINING UNTUK PENERIMAAN SELEKSI CALON PEGAWAI NEGERI SIPIL 2014 MENGGUNAKAN ALGORITMA DECISION TREE C4.5

KLASIFIKASI DATA MINING UNTUK PENERIMAAN SELEKSI CALON PEGAWAI NEGERI SIPIL 2014 MENGGUNAKAN ALGORITMA DECISION TREE C4.5 Rendragraha Kumara1, Catur Supriyanto2 1,2

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang Jl. Nakula I No. 5-11 Semarang Telp. (024) 3517261 E-mail : [email protected], [email protected]

Abstrak Badan Kepegawaian Daerah memegang wewenang dalam menjalankan visi dan misi daerah Kabupaten Banjarnegara salah satunya dengan pelaksanaan Rekruitmen dan penempatan yang sesuai syarat dan prosedur yang telah ditentukan oleh Pemerintah yang berwenang sesuai kebutuhan formasi yang dibentuk dalam setiap unit / organisasi badan. Banyak kasus dijumpai bahwa pemilihan pegawai dari tahun ke taun masih banyak yang tidak kompeten,tidak sesuai dengan kemampuan, dan bakat. Algoritma C4.5 digunakan untuk menentukan hasil lulus atau gagalnya seorang pelamar. Parameter pemilihan kelulusan adalah Indeks Prestasi Kumulatif , Umur, Akreditasi, Tes Wawasan Akademik, Tes Karakteristik Pribadi dan Tes Intelegensi Umum. Manfaat data mining dapat diimplementasikan pada penerimaan pegawai yang melibatkan data dalam jumlah besar, teknik yang digunakan dalam data mining ini adalah pohon keputusan, dengan Algoritma C4.5. Dari hasil penelitian yang menggunakan 250 data pelamar cpns menghasilkan Hasil eksperimen dan evaluasi bahwa Algoritma Decision Tree C4.5 akurat diterapkan untuk penentuan diterimanya cpns dengan tingkat akurasi terbaik yaitu 75 % dari tiga kali percobaan. Kata Kunci: Badan Kepegawaian Daerah, Kabupaten Banjarnegara, Rekruitmen dan Penempatan Pegawai, Klasifiksi, pohon keputusan.Algoritma C4.5 Abstract Regional Employment Board holds the authority to carry out the vision and mission areas Banjarnegara one of them with the implementation of appropriate recruitment and placement procedures and meet the requirements set by the competent authority in accordance formations formed in each unit / organizational entity. Many cases found that the selection of employees from year to epidemic are still many who are not competent, not according to their ability and talent. The use of data mining classification algorithm approach will be applied to determine how the suitability of the process with the results obtained, so the Regional Employment Board is not wrong to produce competent employees. C4.5 algorithms used to determine the results of pass or failure of an applicant. Parameter selection is graduation GPA, age, Accreditation, Academic Insights Test, Personal Characteristics Test and the General Intelligence Test. The benefits of data mining can be implemented on hiring that involve large amounts of data, the techniques used in data mining is a decision tree, the algorithm C4.5, after sorting the data, it will be seen how the tendency applicants will be accepted on recruitment, by searching The highest gain entropy and decision tree established. So in the implementation of selection recruitment, it is known patterns - patterns and criteria of what is needed in the implementation of recruitment and placement Governments Banjarnegara as a material classification. The experimental results and evaluations indicate that accurately C4.5 Decision Tree algorithm is applied to the determination of receipt CPNS with the best accuracy level that is 75% of the three attempts. Keywords : Regional Employment Board , Banjarnegara , Recruitment and Placement Officer , classifications , Decision tree. C4.5 Algorithm

1

seleksi calon pegawai negeri sipil 2014 pada Badan Kepegawaian Daerah Kabupaten Banjarnegara menggunakan algoritma Decision tree C4.5.

I. PENDAHULUAN Badan Kepegawaian Daerah merupakan Badan Pemerintah yang berperan sebagai Penyelenggaraan Pengadaan dan Seleksi Calon Pegawai serta penempatan pegawai di lingkungan Pemerintah Kabupaten Banjarnegara. Salah satu tugas dan wewenang BKD atas pelaksaan tugas kedinasan yang diberikan oleh Pemerintah Kabupaten Banjarnegara untuk melahirkan pegawai yang memiliki kemampuan baik dan kompeten di bidangnya yaitu dengan cara menyelenggarakan pelayanan umum bidang pengembangan pegawai, mutasi, pengangkatan dan kepangkatan, dalam rangka pelaksanaan urusan pemerintah bidang kepegawaian yang ditentukan dalam menjalankan tugas pengadaan dan manajemen kepegawaian sesuai formasi yang dibutuhkan setiap unit/organisasi badan.[7]

Sehingga pelaksanaan pengadaan CPNS dapat berjalan sesuai prosedur yang ditetapkan oleh pemerintah. Sertadapat diketahui kriteria kriteria apa saja yang dibutuhkan dalam Pelaksanaan Pegadaan dan Seleksi Calon Pegawai Negeri Sipil di Lingkungan Pemerintah Kabupaten Banjarnegara sebagai bahan klasifikasi. Data Mining sendiri memiliki beberapa algoritma, salah satunya yaitu Decission Tree yang merupakan metode klasifikasi yang paling terkenal, mudah dan banyak diimplementasi di berbagai bidang karena sederhana, serta memiliki kemampuan akurasi yang baik untuk mengklasifikasi gundukan data yang teramat banyak. Klasifikasi merupakan proses menemukan kumpulan pola atau fungsi-fungsi yang mendeskripsikan dan memisahkan kelas data satu dengan lainnya, untuk dapat digunakan untuk memprediksi data yang belum memiliki kelas data tertentu. Jadi secara singkat, klasifikasi adalah proses untuk membedakan/memisahkan kelas.

Melihat jumlah penduduk yang cukup padat (rasio beban kerja) dan pelamar luar daerah yang melamar, Pemerintah belum bisa memberi kepastian tentang jumlah Pegawai Negeri Sipil yang dibutuhkan dan yang harus direkrut kemudian diangkat setiap tahunnya masih belum dapat dihitung secara baik.Oleh sebab itu, alasan mengapa Pelaksanaan Pengadaan Pegawai, Mutasi dan Penempatan Pegawai di Lingkungan Pemerintah Kabupaten Banjarnegara diadakan.Salah satunya, berita dari tahun ke tahun dan opini yang beredar di kalangan masyarakat, penerimaan pegawai masih diwarnai kegiatan daerahisme, nepotisme, kolusi, spoil, sehingga kualitas SDM-PNS yang diterima sebagi pegawai masih rendah. [7]

II. TEORI PENUNJANG 2.1

Business Intelligence

Business Intelligence (BI) is an umbrella term that combines architectures, tools, databases, analytical tools, applications, and methodologies [4]. BI meliputi semua proses mengumpulkan dan menganalis data menggunakan teknologi yang bertujuan untuk mendapatkan informasi yang membantu sebuah institusi dalam mengambil keputusan [14], membantu organisasi mengelola dan menyaring informasi dalam membuat keputusan yang lebih efektif .[15]

Sebagai langkah dan solusi yang diajukan sebagai penyelesaian terhadap uraian diatas maka penulis tertarik untuk mengklasifikasi suatu permasalahan sistem data mining yang mudah digunakan dan dapat menyajikan informasi relevan dan akurat yaitu mengklasifikasi data mining untuk menampilkan informasi penerimaan

BI menyediakan informasi yang bersifat historical, current dan predictive. Adapun fungsi-fungsi BI antara lain reporting, 2

online analytical processing, analytics, data mining, process mining, complex event processing, business performance management, benchmarking, text mining, predictive analytics dan prescriptive analytics.[17] 2.2

1. 2.

3.

Data Mining

Data mining merupakan proses yang mempekerjakan satu atau lebih teknik pembelajaran computer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan secara otomatis [18]. Data mining merupakan istilah yang sering dikatakan sebagai suatu cara untuk menguraikan serta mencari penemuan berupa pengetahuan didalam suatu database. Data mining adalah proses pemilihan atau “menambang” pengetahuan dari sekumpulan data dalam jumlah yang banyak.[2]

Objek dari data mining adalah data kompleks atau yang berjumlah besar Data mining adalah proses otomatis dari sekumpulan data yang terkumpul di masa lalu. Tujuan data mining adalah menemukan pola atau hubungan hubungan yang bisa memberikan hasil indikasi yang bermanfaat.

2.3 Teknik Klasifikasi Klasifikasi adalah salah satu bentuk dari teknik atau metode data mining yang termasuk dalam kategori predictive mining yaitu suatu teknik yang dapat digunakan untuk meramalkan atau memprediksi kecenderungan data di masa depan [3]. Proses yang terjadi dalam klasifikasi adalah proses penggolongan data ke dalam variabel target atau variabel tujuan dengan membangun sebuah model penyelesaian dengan memperhatikan atribut yang paling berpengaruh [5].

Pada Tabel 2.1 berikut mengklasifikasikan model data mining berdasarkan fungsi dan algoritma yang digunakan.

Klasifikasi masuk ke dalam supervised induction, dimana pengujian yang memanfaatkan kumpulan pengujian dari record dan atribut yang terklasifikasi untuk menentukan output dan kelas tambahan. Salah satu contoh algoritmanya adalah decision tree yang terkenal dan mudah dalam implementasinya ke dalam bentuk grafik.

Tabel 2.1 : Data mining Functions, Algorithms, and Application Examples [4]

Komponen-komponen utama dari proses klasifikasi antara lain : 1) Kelas, merupakan variable tidak bebas yang merupakan label dari hasil klasifikasi. 2) Prediktor, merupakan variable bebas suatu model berdasarkan dari karakteristik atribut data yang diklasifikasi, 3) Set data pelatihan, merupakan sekumpulan data lengkap yang berisi kelas dan predictor untuk dilatih agar model dapat mengelompokan ke dalam kelas yang tepat. Contohnya adalah grup pasien yang telah di-test terhadap serangan jantung, grup

Berdasarkan penjelasan definisi tabel 2.1 , data mining dapat didefinisikan ke dalam faktor – faktor berikut : 3

pelanggan di suatu supermarket, dan sebagainya. 4) Set data uji, berisi data-data baru yang akan dikelompokan oleh model guna mengetahui akurasi dari model yang telah dibuat. 2.4

Kemudian hitung Gain dengan Rumus sebagai berikut :

S : himpunan kasus |Si| : jumlah kasus pada partisi ke-i A : atribut |S| : jumlah kasus dalam S

Algoritma C4.5

Algoritma pohon keputusan yang terkenal adalah C4.5. Pada akhir tahun 1970 sampai awal tahun 1980 J. Ross Quinlan, seorang peneliti di bidang machine learning, membuat sebuah algoritma decision tree yang dikenal dengan ID3 (Iterative Dichotomiser). Quinlan kemudian mengembangkan algoritma ID3 menjadi algoritma C4.5 yang merupakan penyempurnaan algoritma sebelumya [11].

Langkah algoritma C4.5 untuk membangun pohon keputusan secara umum adalah sebagai berikut: a. Memilih atribut paling atas sebagai akar. b. Pilih cabang untuk setiap nilai. c. Tiap cabang bagi kasusnya . d. Ulangi proses pada setiap cabang hingga semua kasus yang ada pada cabang mempunyai kelas yang sama.

Algoritma ini memiliki kelebihan, yaitu mudah dimengerti, fleksibel, dan menarik karena dapat divisualisasikan dalam bentuk gambar (pohon keputusan) [7]. Algoritma C4.5 membuat pohon keputusan dari node atas hingga cabang terakhirnya, dimana atribut paling atas merupakan akar, dan yang paling bawah dinamakan daun. Karena algoritma C4.5 digunakan untuk melakukan klasifikasi, jadi hasil daripengolahan test dataset berupa pengelompokkan data ke dalam kelaskelasnya [14].

III.

METODE PENELITIAN

3.1

Desain Penelitian

Standar proses data mining model CRISPDM (Cross Industry Standard Process) yang dikembangkan tahun 1996 oleh analis dari beberapa industri menetapkan sebagai proses standar strategi pemecahan masalah data mining untuk penelitian. Dalam CRISP-DM, terdapat enam tahap siklus pengembangan data mining / tahapan proses sebagai berikut:

Rumus menghitung entropy pada algoritma C4.5

Keterangan : S : adalah Himpunan (dataset) kasus K : adalah banyaknya partisi S Pi : adalah probabilitaas yang didapat dari Sum(Ya) atau Sum(Tidak) dibagi total kasus Setelah mendapatkan entropy dari keseluruhan kasus, lakukan analisis pada setiap atribut dan nilai nilainya dan kemudian hitung entropinya.

Gambar 3.1 : CRISP-DM [3] 4

a. Pemahaman Bisnis (Business Understanding) Pemerintah melakukan rekrutmen CPNS merupakan kegiatan untuk mengisi lowongan yang kosong. Pada umumnya Pemerintah mengangkat hanya untuk menggantikan pegawai dipecat atau berhenti, yang sudah pensiun, serta meninggal dunia dengan tidak menambah jumlah pegawai secara keseluruhan yang kemudian ditetapkan dalam kebijakan nasional dalam keputusan Menteri di bidang pendayagunaan aparatur Negara. b. Pemahaman Data (Data Understanding)

Data diperoleh dari Instansi Pemerintah Badan Kepegawaian Daerah Kabupaten Banjarnegara pada Bidang Jabatan oleh Kasubbid Jabatan sebagai sumber data primer sebanyak 250 sebagai bahan uji penelitian. Atribut yang dijadikan sebagai acuan adalah indeks prestasi kumulatif, akreditasi kelulusan, hasil Tes Kompetensi Dasar (TKD) diantaranya : Tes Karakteristik Pribadi (TKP), Tes Wawasan Kebangsaan (TWK), Tes Intelejensi Umum (TIU) dan atribut lulus seleksi yaitu Diterima atau Gagal sebagai keterangan bahwa calon pegawai tersebut masuk sebagai pegawai atau tidak.

Tempat Lahir

×

No

Tanggal Lahir

√

Nilai Model

Kode Pos

×

No

Propinsi

×

No

Kota

×

No

Telepon

×

No

Email

×

No

Asal Instansi

×

No

No Ijasah

×

No

Akreditasi

√

Nilai Model

Nilai IPK

√

Nilai Model

Kode Jabatan

×

No

Nama Jabatan

×

No

Kode Pendidikan

×

No

Nama Pendidikan

×

No

TWK

√

NIlai Model

TKP

√

Nilai Model

TIU

√

Nilai Model

Hasil Seleksi

√

Label Target

d. Pemodelan (Modelling) Metode yang diusulkan dalam proses pemodelan adalah Algoritma C4.5. Lemudian pengukuran akurasi dalam penelitian ini akan menggunakan framework Matlab.

c. Pengolahan Data (Data Preparation) Data kemudian dilakukan pemilihan atribut dan sebagian dari data dalam atribut yang ada akan dikonversikan untuk memudahkan proses data mining, karena data akan diproses dengan tools bantu data mining.

Gambar 3.2 Model penelitian yang

Tabel 3.1 Seleksi Atribut

diusulkan

Atribut

e. Validasi dan Evaluasi

Detail Penggunaan

NIK

×

No

No Register

×

No

No Peserta

√

Nilai Unique

Nama

×

No

Jenis Kelamin

×

No

Dalam tahapan ini akan dilakukan validasi serta pengukuran keakuratan hasil yang dicapai oleh model menggunakan beberapa teknik yang terdapat dalam framework Matlab 5

R2010a yaitu Confusion Matrix untuk pengukuran tingkat akurasi model, dan pengujian manual.

Konversi data ini merupakan proses penting dalam perhitungan dalam sistem yang dibangun agar memudahkan pengkodean dalam pembuatan sistem.

f. Penyebaran (Deployment) Hasil dari penelitian ini berupa analisa yang mengarah ke decision Suport System (DSS), yang diharapkan dapat digunakan oleh Badan Kepegawaian Daerah Kab. Bnjarnegara Dalam menyeleksi dari ribuan pelamar Calon Pegawai Negeri Sipil yang akan mengisi kekosongan lowongan di Kab. Banjarnegara tersebut dan juga dapat digunakan sebagai bahan rujukan untuk penelitian selanjutnya. IV.

Dari Tabel 4.2 di atas diberikan penjelasan keterangan dari table tersebut diatas yaitu diambil dari enam variabel terpenting sebagai atribut untuk menentukan label / keluaran yaitu sebagai berikut: Table 4.3: Keterangan table konversi data

HASIL DAN PEMBAHASAN Table 4.1: Data Pelamar CPNS 2014

b. Implementasi Antarmuka

a.

Tampilan pada gambar 4.1 merupakan tampilan utama yang menampilkan menumenu yang dapat diakses oleh user. Desain sistem yang digunakan yaitu menggunakan aplikasi Matlab versi 7.10.0 yang mendukung pengoperasian data mining.

Konversi Data

Proses konversi data asli pelamar menjadi sebuah bilangan bulat untuk mempermudah matlab untuk melakukan proses klasifikasi. Tabel 4.2 : Data pelamar setelah dikonversi

Gambar 4.1 : Tampilan Antarmuka Aplikasi Penerimaan CPNS

6

2. Data training 80% dan data testing 20% 3. Data training 70% dan data testing 30%

c. Proses Data Training dan Data Testing

Dalam proses data mining terdapat tahap yang harus dilakukan untuk pengolahan suatu data, yaitu tahap data training dan data testing. Training set digunakan oleh algoritma klassifikasi sebagai bentuk model classifier dalam bentuk pohon keputusan.

Pengujian I

Testing set digunakan untuk mengukur classifier sejauh mana akurat melakukan klasifikasi dengan tepat. Algoritma C4.5 akan menghasilkan pola data yang diproses guna memberikan informasi dan trend dari data tersebut. Sedangkan data testing digunakan untuk mengukur sejauh mana pohon keputusan yang dibentuk berhasil melakukan klasifikasi dengan benar.

Gambar 4.3 : Hasil Data Testing 10%

Pada tabel 4.4 berikut, data dengan perbandingan 90% : 10% memiliki nilai akurasi sebesar 0.75, precision sebesar 0.375, recall sebesar 0.75 dan f-measure 0.5. Tabel 4.4 Evaluasi dan Validasi 1

Gambar 4.2 : Proses Data `

d.

Pengujian Rules Terhadap Data Calon Siswa

Pengujian terhadap validitas sistem bertujuan untuk mengetahui apakah solusi yang dihasilkan oleh pohon keputusan tersebut valid atau tidak. Rules tersebut dikatakan valid jika jumlah dan nama pelamar yang dinyatakan lulus BKD dengan data set. Pembagian data set ke dalam dua bagian , yaitu data training dan data testing. Pengujian dilakukan tiga kali dengan jumlah data training dan data testing yang berbeda. Uraiannya sebagai berikut : Gambar 4.4 Pohon Keputusan uji I

1. Data training 90% dan data testing 10% 7

Pengujian II

Pengujian III

Gambar 4.7 : Hasil Data Testing 30%

Gambar 4.5 : Hasil Data Testing 20%

Pada 4.5 berikut, data dengan perbandingan 80% : 20% memiliki nilai akurasi sebesar 0.75, precision sebesar 0.0.36, recall 0.8 dan f-measure 0.4965.

Pada 4.6 data dengan perbandingan 80% : 20% memiliki nilai akurasi sebesar 0.75, precision sebesar 0.0.36, recall 0.8 dan f-measure 0.4965.

Tabel 4.5 Evaluasi dan Validasi 1I

Tabel 4.6 Evaluasi dan Validasi 1I

Gambar 4.8 Pohon Keputusan uji III

Gambar 4.6 Pohon Keputusan uji II

8

e.

diperoleh dari perhitungan metode yang digunakan. Jadi dengan demikian metode decision tree merupakan metode yang sesuai dalam hal penyelesaian studi kasus penerimaan calon pegawai negeri sipil 2014.

Analisa Hasil Pengujian

b.

Saran Untuk pengembangan lebih lanjut maka penulis memberikan saran yang bermafaat dan dapat membantu pembaca untuk masa yang akan datang, yaitu :

Gambar 4.9 Grafik menunjukan penuruan bertahap pada akurasi, dan FMeasure. Recall mengalami kenaikan dari 0.75 menjadi 0.8 namun turun menjadi 0.6. Sedangkan Precision mengalami penurunan dari 0.375 menjadi 0.36 kemudian meningkat drastis menjadi 0.93. Semakin banyak data training yang digunakan maka semakin akurat hasil yang didapat.

1. Menambahkan metode lain dalam data mining sebagai proses perbandingan tingkat keakurasian klasifikasi penerimaan CPNS 2014. 2. Penelitian selanjutnya hendaknya menggunakan data yang lebih banyak agar menghasilkan rules yang lebih akurat. 3. Pengujian metode ini belum sampai pada implementasi, maka perlu dibuat sistem aplikasi yang diperuntukkan untuk pihak Badan Kepegawaian Daerah Kab. Banjarnegara.

V. KESIMPULAN DAN SARAN

DAFTAR PUSTAKA

a.

[1]

Mandasari, V., & Tama, B. A. Analisis Kepuasan Konsumen Terhadap Restoran Cepat Saji Melalui Pendekatan Data Mining, 2011.

[2]

Han, J. Kamber, Data Mining: Concept and Techniques. San Fransisco: Morgan Kaufmann Publishers, 2001.

[3]

Fayyard, Usama. Advance in Knowledge Discovery and Data Mining. MIT Press, 1996.

[4]

Turban, E., dkk. Decision Support Systems and Intelligent Systems. Yogyakarta: Andi Offset, 2005.

[5]

Kusrini. Algoritma Data Mining. Yogyakarta: Andi Offset, 2009.

Gambar 4.9 Grafik Hasil Pengujian

Kesimpulan

Hasil penelitian yang didapat dari permasalahan yang dikembangkan disimpulkan bahwa pengimplementasian metode decision tree terhadap data penerimaan CPNS 2014 memiliki tingkat akurasi yang baik dalam menyelesaikan solusi klasifikasi dengan memanfaatkan teknik klasifikasi data mining dengan algoritma C4.5. Hasil dari tiga kali pengujian , didapatkan akurasi terbaik dari pengujian pertama sebanyak 75% dari dataset. Sebanyak 250 pelamar yang dibagi menjadi 225 pelamar / 90% menjadi data training dan 25 pelamar / 10% menjadi data testing. Kemudian dibuatlah pohon keputusan dengan sistem yang dibangun, hubungannya untuk lebih memastikan dan mengetahui aturan atau rules yang 9

[6]

[7]

Larose, Daniel T. Discovering Knowledge in Data: An Introduction to Data Mining. John Willey & Sons, Inc, 2005. Sugiat. Peranan Badan Kepegawaian Daerah dalam pelaksanaan rekruitmen dan penempatan pegawai negeri sipil di lingkungan pemerintah Kota Samarinda. 2013.

[8]

Friedman JH: Data Mining and Statistics: whats the Connection? Dept. of Statistics and Stanford Linear Accelerator Center. Stanford university. Stanford: California.

[9]

Zaky, M. Data Mining and Analysis, Fundamental Concepts and Algorithms. Iowa: University of Iowa, 2003.

[10]

K.Hastuti. Analisis komparasi algoritma klasifikasi data mining untuk prediksi mahasiswa non aktif. Semantik, 2012.

[11]

I. H. Witten, E. Frank, and M. A. Hall. Data mining practical machine learning tools and technique. burlington: morgan kaufmann publisher, 2011.

[12]

Fayyad, Usama. Advances in Knowledge Discovery and Data Mining. MIT Press, 1996.

[13]

Wenefrida Tulit Ina. Klasifikasi Data Rekam Medis Berdasarkan Kode Penyakit Internasional Menggunakan Algoritma C4.5. Media Elektro, vol. 1, pp. 105110, 2013.

[14]

Connolly, Thomas Carolyn. Database Practical Approach Implementation, ManagementFifth Boston: Pearson 2010.

and Begg, Systems A to Design, and Edition. Education,

10

[15]

Lonnqvist & Pirttimaki. The measurement of business intelligence, 206.

[16]

Effendi, Onong Uchjana. Ilmu, Teori, dan Filsafat Data Mining. Bandung: Citra Aditya Bakti, 2001.

[17]

http://en.wikipedia.org./wiki/ Business intelegence

[18]

Santosa Budi. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis, Yogyakarta : Graha Ilmu. 2007.