PENERAPAN DATA MINING DALAM MENENTUKAN

KARYAWAN BERPRESTASI DENGAN METODE

ALGORITMA C4.5

Dwi Wanda Bayu Segara Aswan Supriyadi Sunge

Sekolah Tinggi Teknologi Pelita Bangsa Sekolah Tinggi Teknologi Pelita Bangsa
Teknik Informatika Teknik Informatika
Cikarang Pusat, Jawa Barat Cikarang Pusat, Jawa Barat
dsegara19@gmail.com aswan.sunge@pelitabangsa.ac.id

Abstrak
Peningkatan kualitas karyawan yang bekerja didalam sebuah perusahaan merupakan hal
penting yang harus dilakukan salah satunya dengan cara penilaian kinerja karyawan serta
memberikan apresiasi terhadap karyawan yang berprestasi agar dapat memacu kinerja
karyawan lainnya. Penilaian perlu dilakukan terhadap seluruh karyawan dan meliputi semua
aspek sehingga menghasilkan penilaian yang obyektif, maka dari itu diperlukan otomatisasi
penggalian data yang akurat dari data karyawan untuk menjadi acuhan dalam penetapan
keputusan. Penerapan data mining dengan metode Algoritma C4.5 dipilih dalam penelitian ini
untuk memprediksi karyawan berprestasi karena dapat mengeksplorasi data dalam jumlah yang
besar dan mengubahnya menjadi pohon keputusan yang mempresentasikan aturan dengan
pengembangan metode menggunakan alat bantu rapidminer. Hasil dari penelitian ini adalah
diketahui akurasi sebesar 75.67% dari data karyawan. Hal ini menunjukan bahwa kinerja
karyawan dalam aspek atribut-atribut berpengaruh didalam aturan yang dihasilkan pohon
keputusan Algoritma C4.5 masih rendah. Oleh karena itu, diperlukan penambahan atribut-
atribut berpengaruh serta penggunaan metode-metode data mining lainnya agar mendapatkan
tingkat akurasi yang lebih tinggi.
Kata kunci : Prestasi, Karyawan, Algoritma C4.5, RapidMiner

I. PENDAHULUAN penilai harus melihat kriteria – kriteria

1.1. Latar Belakang
Berkembangnya perusahaan juga harus
diikuti oleh meningkatnya kualitas sumber
daya manusia yang tergabung didalamnya.
Sumber daya manusia yang berkualitas
ditandai dengan kemampuan setiap individu
untuk menyelesaikan perkerjaan yang
menjadi tanggung jawabnya masing –
masing. Perusahaan juga akan memberikan
apresiasi terhadap karyawan yang
berprestasi agar dapat memacu kinerja
karyawan lainnya. Menilai karyawan bukan
hal yang mudah bila jumlah karyawan
begitu banyak, Hal ini akan membuat tim
dengan teliti dan hati - hati. Manipulasi data
dapat terjadi karena sulitnya mengambil
keputusan dengan kriteria dan data yang
begitu besar tanpa adanya otomatisasi
penggalian data. Sebagai dampaknya
perusahaan tidak akan mendapatkan sumber
daya manusia yang kompetitif. Salah satu
caranya dengan mengembangkan metode
penelitian baru yang dapat menambah
keakuratan hasil keputusan yaitu
penggunaan data mining.
1.2. Perumusan Masalah
Mendasar pada latar belakang yang
sudah dikemukakan diatas, rumusan
masalah pada penelitian ini adalah
1. Bagaimana memanfaatkan penggalian
data untuk menghasilkan keputusan
penilaian karyawan dengan tingkat
keakuratan yang tinggi?
2. Bagaimana memudahkan perusahaan
untuk melakukan penilaian kinerja
karyawan dengan kriteria dan proses
yang sesuai?
1.3. Batasan Masalah
Pembahasan penelitian ini dibatasi agar
tidak menyimpang dari apa yang telah
dirumuskan, batasan masalah pada
penelitian ini sebagai berikut.
1. Karyawan yang akan diprediksikan
dalam penelitian ini hanya pada bagian
produksi.
2. Penelitian ini hanya membahas tentang
prediksi karyawan berprestasi dengan
metode Algoritma C4.5.
1.4. Tujuan
Tujuan yang hendak dicapai dalam
penelitian ini adalah
1. Menganalisa pencapaian kinerja
karyawan dengan menggali data – data
yang akurat untuk menjadi acuhan dalam
penetapan keputusan.
2. Merancang sebuah perangkat lunak yang
dapat melakukan pengambilan
keputusan sesuai dengan data dan
kriteria yang dimasukan dengan
melibatkan data dengan jumlah yang
besar.
1.5. Manfaat
Manfaat yang diperoleh dari penelitian
ini adalah
1. Mempermudah perusahaan dalam hal
mengambil keputusan untuk
menentukan karyawan berprestasi secara
obyektif berdasarkan kriteria – kriteria
yang sesuai dan transparan.
2. Menghindari manipulasi data maupun
cara yang subyektif dari pengambil
keputusan agar karyawan juga merasa
keputusan yang diperoleh sudah sesuai
data yang benar.
3. Penelitian ini dapat dijadikan
perbandingan bagi penelitian lain yang
berkaitan dengan pengambilan
keputusan.
II. TINJAUAN PUSTAKA
2.1. Kinerja Karyawan
Rivai dalam (Muhammad Sandy, 2015)
memberikan pengertian bahwa kinerja atau
prestasi kerja adalah hasil atau tingkat
keberhasilan seseorang secara keseluruhan
selama periode tertentu di dalam
melaksanakan tugas dibandingkan dengan
berbagai kemungkinan, seperti standar hasil
kerja, target atau sasaran atau kriteria yang
telah ditentukan terlebih dahulu dan
disepakati bersama.
Penilaian kinerja menurut Robin dalam
(Hamdiyah, Tri Haryono, & Fathoni, 2016)
pengertian penilaian pelaksanaan pekerjaan
yang bersifat komprehensip meliputi :
1. Kualitas dari hasil pekerjaan.
2. Jumlah hasil atau produk.
3. Pengetahuan mengenai perkerjaan dan
kreativitas karyawan dalam berkerja.
4. Ketergantungan untuk menghasilkan
produk yang ditetapkan perusahaan
berdasarkan standar kualitas, maupun
efisiensi karyawan dalam berkerja.
2.2. Key Performance Indicator
Key Performance Indicator (KPI)
merupakan seperangkat ukuran yang fokus
terhadap aspek kinerja organisasi yang
paling kritis bagi kesuksesan organisasi saat
ini maupun di masa yang akan datang
menurut Abdullah dalam (F.Hamid, 2015).
Berdasarkan penelitian Eckerson
dalam Journal of Competitiveness
(2012:119) menjelaskan karakteristik KPI
yang baik, yaitu:
a) Sparse: Semakin sedikit KPI maka
semakin baik.
b) Drillable: Penggunanya dapat menggali
informasi secara terperinci.
c) Simple: Pengguna memahami KPI
tersebut.
d) Actionable: Pengguna tahu cara
menggunakan KPI.
e) Owned: KPI dimiliki oleh semua orang.
f) Referenced: Pengguna dapat melihat
sumber dan konteks awalnya.
g) Balanced: KPI mengandung baik ukuran
financial dan non-financial.
h) Aligned: KPI tidak meruntuhkan satu
sama lain.
2.3. Data Mining
Data mining merupakan suatu proses
untuk mengidentifikasi pola yang memiliki
potensi dan berguna untuk mengelola
dataset yang besar (Witten & Frank, 2011).
Menurut Han dan Kamber dalam
(Yulianora et al., 2013) secara garis besar
data mining dapat dikelompokkan menjadi
2 kategori utama, yaitu:
1. Predictive
Predictive merupakan proses untuk
menemukan pola dari data dengan
menggunakan beberapa variabel lain di
masa depan. Salah satu teknik yang
terdapat dalam predictive mining adalah
klasifikasi. Tujuan dari tugas prediktif
adalah untuk memprediksi nilai dari
atribut tertentu berdasarkan pada nilai
atribut-atribut lain. Atribut yang
diprediksi umumnya dikenal sebagai
target atau variable tak bebas, sedangkan
atribut-atribut yang digunakan untuk
membuat prediksi dikenal sebagai
explanatory atau variable bebas.
Contohnya, perusahaan retail dapat
menggunakan data mining untuk
memprediksikan penjualan dari produk
mereka di masa depan dengan
menggunakan data-data yang telah
didapatkan dari beberapa minggu.
2. Descriptive
Descriptive dalam data mining
merupakan proses untuk menemukan
karakteristik penting dari data dalam
suatu basis data. Tujuan dari tugas
deskriptif adalah untuk menurunkan
pola-pola (korelasi, trend, cluster,
teritori, dan anomali) yang meringkas
hubungan yang pokok dalam data. Tugas
data mining deskriptif sering merupakan
penyelidikan dan seringkali memerlukan
teknik post-processing untuk validasi
dan penjelasan hasil.
2.4. Algoritma C4.5
Algoritma yang dapat digunakan
untuk memprediksi atau mengklarifikasi
suatu kejadian dengan pembentukan pohon
keputusan antara lain C4.5, yang
merupakan salah satu algoritma induksi
pohon keputusan yang dikembangkan oleh
J. Ross Quinlan.
Secara umum alur proses Algoritma
C4.5 untuk membangun pohon keputusan
dalam data mining adalah Kusrini & Luthfi
dalam (Dhika & Destiawati, 2015):
1. Pilih atribut sebagai simpul akar.
2. Buat cabang untuk tiap-tiap nilai.
3. Bagi kasus dalam cabang
4. Ulangi proses untuk setiap cabang
sampai semua kasus pada cabang
memiliki kelas yang sama.
Pemilihan atribut sebagai simpul, baik
simpul akar (root) atau simpul internal
didasarkan pada nilai Gain tertinggi dari
atribut-atribut yang ada. Penghitungan nilai
Gain digunakan rumus seperti dalam
Persamaan 1.
|𝑆𝑖|
Gain (S,A) = Entropy (S) – ∑𝑛
𝑖=1 *
|𝑆|
Entropy (Si)
S : Himpunan kasus
 A : Atribut
n : Jumlah partisi atribut A
|Si | : Jumlah kasus pada partisi ke-i
|S| : Jumlah kasus dalam S
untuk menghitung nilai Entropy dapat
dilihat pada Persamaan 2.
Entropy (S) = ∑𝑛 𝑖=1 − pi * 𝐿𝑜𝑔2 pi
n : Jumlah partisi S
pi : Proporsi dari Si terhadap S
III. METODE PENELITIAN
Tahapan penelitian yang digunakan
dalam penyusunan penelitian ini adalah :
Gambar 3.1 Tahapan Penelitian
1. Pengumpulan data dilakukan untuk
memperoleh sumber data karyawan yang
akan diteliti, dalam tahap ini diperlukan
pembelajaran mengenai data awal agar
dapat menemukan wawasan awal
mengenai informasi yang
didalamnya.
2. Pengolahan data awal dilakukan untuk
mempersiapkan data sebelum masuk
proses pemodelan, tahapan tersebut
diantaranya:
a. Select data, yaitu memilih atribut
mana saja yang akan digunakan
didalam penelitian.
b. Trasformation, yaitu memodifikasi
sumber data ke format yang dapat
diterima pada proses pemodelan.
c. Cleaning, yaitu proses membersihkan
data agar layak untuk dilakukan
proses pemodelan termasuk
menghapus dan memperbaiki data
yang rusak.
3. Pemodelan dilakukan terhadap data yang
sudah disiapkan pada tahap sebelumnya,
pada tahap awal ditentukan jenis data
mining yang akan digunakan yaitu
klasifikasi, serta menentukan jenis
algoritma yang akan dipakai yaitu
Algoritma C4.5. Selanjutnya, proses
pemasukan data ke tools yang akan
membantu dalam proses pemodelan
yaitu rapidminer.
4. Pengujian model mengunakan alat bantu
rapidminer, dalam tahap ini akan
dibentuk pohon keputusan dari data
training yang telah di import ke dalam
tools rapidminer.
5. Tahap terakhir adalah evaluasi dan
validasi dari penerapan metode
Algoritma C4.5. Pengujian dilakukan
menggunakan metode cross validation,
confusion matrix dan kurva ROC.
IV. HASIL PENELITIAN DAN
PEMBAHASAN
4.1. Pengujian Pemodelan
Pada tahap pertama pengujian ini adalah
membentuk pohon keputusan melalui data
training yang di import ke dalam
rapidminer. Hasil pohon keputusan untuk
ada
karyawan berprestasi adalah sebagai berikut
ini:
Gambar 4.1 Pohon Algoritma C4.5 Karyawan
Berprestasi
 Dari pohon keputusan diatas dapat
dijabarkan ada 9 rule yang terbentuk. 4 rule
mengelompokan sampel ke kelas prestasi
dan 5 rule mengelompokan sampel ke kelas
tidak prestasi.
4.2. Evaluasi dan Validasi
Evaluasi dan validasi pengujian metode
Algoritma C4.5 pada penelitian ini
dilakukan dengan confusion matrix dan
kurva ROC. Setelah data diproses maka
akan diperoleh tingkat akurasi data,
pengukuran tingkat akurasi data sebagai
berikut:
oleh sistem. Artinya bahwa, angka dari data
actual berprestasi yang terprediksi benar
oleh sistem akan dibandingkan dengan
seluruh data yang terprediksi berprestasi
oleh sistem. Precision dari prediksi
karyawan tidak berprestasi sebesar 82.86%
dan berprestasi sebesar 61.90%.
Setelah seluruh tahapan evaluasi untuk
confusion matrix dilakukan maka
selanjutnya dilakukan analisa evaluasi
pembanding yakni terhadap pengukuran
Receiver Operating Characteristic (ROC),
ROC menunjukan akurasi dan
membandingkan klasifikasi secara visual
dan mengekspresikan confusion matrix.

Gambar 4.2 Hasil Accuracy

Hasil pengukuran akurasi data bahwa
secara keseluruhan akurasi data yang
dimasukan mencapai 75.67%. Dari tabel
tersebut diketahui bahwa data karyawan
yang tidak berprestasi dengan terprediksi
benar tidak prestasi oleh sistem adalah 29 Gambar 4.4 AUC Normal
orang sedangkan yang terprediksi salah
oleh sistem adalah 8 orang, dengan tingkat V. KESIMPULAN DAN SARAN
recall sebesar 78.38%. 5.1. Kesimpulan
Sedangkan untuk data karyawan yang Adapun beberapa kesimpulan yang
berprestasi dengan terprediksi tidak prestasi diperoleh dari hasil penelitian ini adalah
oleh sistem sebanyak 6 orang dan 1. Pembentukan pohon keputusan
terprediksi benar prestasi oleh sistem ada 13 Algoritma C4.5 dalam penelitian ini
orang dengan tingkat recall sebesar dapat menghasilkan prediksi karyawan
68.42%. berprestasi dengan mengacu pada nilai
Pengukuran selanjutnya adalah tingkat dari masing-masing atribut yang muncul
precision data hasilnya sebagai berikut: pada pohon keputusan.
2. Penelitian data karyawan yang
berprestasi dengan menggunakan
metode Algoritma C4.5 dapat
menghasilkan tingkat akurasi
berdasarkan confusion matrix sebesar
Gambar 4.3 Hasil Precision 75.67%.
Precision merupakan ketepatan antara 3. Penggunaan rule/pola yang dihasilkan
informasi yang diminta oleh user, oleh penggalian data pada penelitian ini
dibanding dengan jawaban yang diberikan dapat dijadikan dasar dalam membangun
 sebuah sistem perangkat lunak yang
akan memudahkan perusahaan dalam
menentukan berprestasi atau tidaknya
seorang karyawan secara obyektif,
akurat dan efisien.
5.2. Saran
Saran yang disampaikan berkenaan
dengan hasil penelitian ini adalah sebagai
berikut :
1. Hasil penelitian ini diharapkan bisa
digunakan untuk meningkatkan
kepercayaan karyawan terhadap hasil
keputusan yang diambil oleh perusahaan
dalam hal memprediksi karyawan
berprestasi.
2. Dalam penelitian selanjutnya diharapkan
dapat dilakukan penambahan atribut-
atribut untuk dapat mengetahui atribut
yang berpengaruh terhadap prestasi
karyawan sehingga tingkat akurasi
karyawan berprestasi dapat meningkat.
3. Diharapkan penelitian ini dapat
dikembangkan dengan metode-metode
data mining lainnya agar didapat
komparasi antar metode yang nantinya
muncullah metode yang paling baik
untuk digunakan.
DAFTAR PUSTAKA
Dhika, H., & Destiawati, F. (2015).
Application Of Data Mining Algorithm
To Recipient Of Motorcycle
Installment. ComTech, 6(4), 569–579.
F.Hamid, M.Shobirin. 2015. Identifikasi
Kompetensi Karyawan Yang
Mempengaruhi Pencapaian Kinerja
Bidang Produksi Di PT.Industri
Sandang Nusantara (Persero) Dengan
Pemberian Insentif Sebagai Variabel
Moderator. Magister Manajemen.
Tesis di Universitas Widyatama.
Hamdiyah, Tri Haryono, A., & Fathoni, A.
(2016). Peningkatan Kinerja
Karyawan Melalui Kompensasi,
Lingkungan Kerja dan Gaya
Kepemimpinan di ADA Swalayan
Banyumanik Semarang, 2(2).
Sandy Martha, Muhammad. 2015.
Karakteristik Pekerjaan dan Kinerja
Dosen Luar Biasa UIN Sunan Gunung
Djati Bandung: Komitmen Organisasi
Sebagai Variabel Moderating. Tesis di
Universitas Widayatama Bandung.
Sunge, Aswan Supriyadi “Prediksi
Kompetensi Karyawan Menggunakan
Algoritma C4.5 (Studi Kasus : PT
Hankook Tire Indonesia),” Vol. 2018,
no. Sentika, pp. 23–24, 2018.
Witten, I. H., & Frank, E. (2011). Data
Mining: Practical Machine Learning
Tools and Techniques. Elsevier, San
Francisco (Vol. 3 edition). Morgan
Kaufmann.
https://doi.org/0120884070,
9780120884070
Yulianora, F., Latif, M. H., & Febriana, R.
J. (2013). Analisis Perbandingan
Algoritma Decision Tree J48 Dan
Naive Bayes Dalam
Mengklasifikasikan Pola Penyakit.