implementasi algoritma naïve bayes dalam proses analisis ......implementasi algoritma naïve bayes...

`

Implementasi Algoritma Naïve Bayes

dalam Proses Analisis Efisiensi Jasa Servis

Bengkel Daihatsu Cabang Salatiga

Artikel Ilmiah

Peneliti: Taufiq Jatmikanto (672009269)

Magdalena A. Ineke Pakereng, M.Kom.

Program Studi Teknik Informatika

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana

Salatiga

Agustus 2016

`1

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 di tengah 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 usahanya selalu berada dalam posisi baik adalah dengan menganalisis dan

mengetahui faktor-faktor yang dapat menjaga kinerja usaha itu sendiri berada

dalam posisi baik. Analisis dapat dilakukan dengan mengumpulkan data layanan

yang bersifat historis dan kemudian menggali informasi yang dapat digunakan

dari kumpulan data tersebut. Di dalam data tersebut dapat terlihat banyak

komponen yang terkait dengan pelayanan terhadap pelanggan di antaranya

hubungan antara jenis layanan, petugas/teknisi yang menangani, dan durasi waktu

penyelesaian masalah.

Data mining dapat memberikan informasi yaitu petugas tertentu cocok

untuk menyelesaikan jenis masalah tertentu. Melalui informasi ini, maka ketika

terdapat permintaan layanan yang masuk, maka sistem dapat memberikan

rekomendasi petugas yang paling cocok untuk menyelesaikan jenis pekerjaan itu.

Pada penelitian ini dirancang aplikasi data mining dengan algoritma Naïve Bayes,

yang berfungsi untuk menganalisis efisiensi jasa servis pada bengkel Daihatsu

cabang Salatiga.

Berdasarkan permasalahan dalam hal pencapaian efisiensi jasa servis, dan

kegunaan data mining dalam hal penggalian informasi, maka diajukan penelitian

data mining untuk analisis efisiensi kinerja pelayanan keluhan pada bengkel

Daihatsu cabang Salatiga.

2. Tinjauan Pustaka

Ridwan, Suyono dan Sarosa [3] 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

`2

data mahasiswa angkatan 2010-2011 dan belum lulus akan digunakan sebagai

data target. Data input akan diproses menggunakan teknik data mining algoritma

Naïve 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.

Pada penelitian Via, Nugroho dan Syafrizal [4], digunakan algoritma

Naïve Bayes untuk membangun sistem pendukung keputusan klasifikasi tingkat

keganasan kanker payudara. Kanker payudara merupakan salah satu jenis kanker

yang sering ditemukan pada kebanyakan wanita. Kanker ini ditandai dengan sel-

sel abnormal yang tumbuh di luar kendali pada payudara. Hal ini menunjukkan

bahwa kanker payudara adalah penyakit yang sangat ganas dan karenanya

memerlukan pemeriksaan intensif dengan mendeteksi dini tingkat keganasan

kanker payudara. Penelitian tersebut menganalisis tentang pengelompokan data

kanker payudara untuk mengetahui kanker tersebut termasuk kanker jinak atau

kanker ganas. Penelitian tersebut menggunakan 9 atribut sebagai masukan sistem

dan data set yang digunakan adalah data set publik Breast Cancer Wisconsin

Original (WBCO) yang diambil dari UCI Machine Learning. Untuk

mengklasifikasi tingkat keganasan dapat dilakukan dengan pemanfaatan

bioinformatic dengan menggunakan teknik data mining salah satunya adalah

algoritma Naïve Bayes Classifier (NBC). Berdasarkan hasil pengujian dengan

confusion matrix diketahui bahwa NBC yang diterapkan untuk melakukan

klasifikasi tingkat keganasan kanker payudara memiliki akurasi pola yang cukup

besar yaitu 97,82%, sedangkan error rate yang dihasilkan sebesar 2,18%. Hasil

penelitian tersebut menunjukan bahwa dengan error rate yang cukup kecil maka

algoritma Naïve Bayes Classifier terbukti cukup bagus untuk melakukan

klasifikasi pada data WBCO.

Berdasarkan penelitian-penelitian yang telah dilakukan tentang data

mining terutama Naïve Bayes dalam membentuk sistem pendukung keputusan,

maka dilakukan penelitian ini. Penelitian ini menggunakan algoritma Naïve Bayes

untuk menganalisis efisiensi jasa servis pada bengkel Daihatsu cabang Salatiga.

Tujuan dari penelitian yang dilakukan adalah untuk merancang data mining untuk

proses analisis efisiensi dalam jasa servis pada bengkel Daihatsu cabang Salatiga.

Manfaat dari penelitian ini adalah untuk menghasilkan sebuah sistem rekomendasi

penanganan jasa servis pada bengkel Daihatsu cabang Salatiga. Batasan masalah

dalam penelitian ini adalah sebagai berikut: (1) Data yang dianalisis adalah data

jenis-jenis jasa servis, pengerjaan servis oleh petugas, dan data petugas yang

menangani pekerjaan tersebut; (2) Algoritma data mining yang digunakan adalah

Naïve Bayes; (3) Analisis dilakukan terhadap efisiensi waktu kerja, dan tidak pada

kualitas kerja.

Algoritma Naïve Bayes adalah klasifikasi statistik. Algoritma Naïve Bayes

dapat memprediksi kelas anggota probabilitas. Klasifikasi Naïve Bayes

`3

dikembangkan berdasarkan teorema Bayes. Studi perbandingan algoritma-

algoritma klasifikasi dapat menemukan sebuah klasifikasi Bayes sederhana yang

dikenal 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 di antara

variabel yang diinginkan dan semua variabel yang lain.

Untuk mulai menggunakan Naïve Bayes, perlu diketahui sebuah aturan

dasar dalam algoritma ini. Rumus aturan Naïve Bayes ditunjukkan pada Rumus 1

dan Rumus 2.

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 Naïve Bayes, perlu diketahui bahwa proses

klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang

sesuai bagi sampel yang dianalisis tersebut. Karena itu, teorema bayes tersebut

disesuaikan sebagai berikut [5]:

C: Kelas. Dalam kasus penelitian ini berarti TQ, B, dan Q.

F1-FN: karakteristik. Dalam penelitian ini berarti jenis-jenis

pekerjaan, seperti tune up, service KM, dll.

P: Peluang/Posterior. Angka yang menunjukkan kemungkinan

keberhasilan. Disajikan dalam persen.

(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 3 dapat pula ditulis

secara sederhana sebagai berikut [5]:

(4)

`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 Naïve Bayes tersebut dilakukan dengan

menjabarkan menggunakan aturan perkalian sebagai berikut [5]:

(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 identifikasi masalah yang terjadi pada Bengkel

Daihatsu cabang Salatiga. Masalah yang ditemukan dari hasil identifikasi yaitu

layanan pada Bengkel Daihatsu dapat ditingkatkan, dengan memanfaatkan data

riwayat pelayanan servis kendaraan. Berdasarkan studi literatur, diketahui bahwa

dengan mengolah data riwayat pelayanan dengan algoritma data mining, dapat

diperoleh informasi yang tersembunyi di dalamnya, dan dapat menjadi pendukung

pengambilan keputusan. Tahap kedua yaitu melakukan perancangan sistem yang

meliputi perancangan database dan perancangan antarmuka. Database yang

dirancang berfungsi untuk menyimpan informasi data riwayat pelayanan. Struktur

tabel ditunjukkan pada Tabel 1, dirancang berdasarkan data yang ada pada

Bengkel Daihatsu cabang Salatiga. Antarmuka sistem dirancang untuk

menghubungkan antara database dan hasil dari proses analisis Naïve Bayes,

dengan pengguna sistem. Database berfungsi untuk menyimpan data saja. Proses

analisis dirancang untuk berada di dalam program, bukan berada di database.

`5

Tahap ketiga yaitu mengimplementasikan rancangan yang telah dibuat di tahap

dua ke dalam sebuah aplikasi/program sesuai kebutuhan sistem. Aplikasi yang

dikembangkan pada penelitian ini berbentuk aplikasi desktop untuk dijalankan

pada sistem operasi Microsoft Windows, seperti yang digunakan oleh komputer-

komputer yang ada di Bengkel Daihatsu cabang Salatiga. Tahap keempat yaitu

melakukan pengujian terhadap sistem yang telah dibuat. Hasil pengujian dianalisis

untuk dilihat apakah aplikasi yang telah dibuat sudah sesuai dengan yang

diharapkan atau tidak, jika belum sesuai maka akan dilakukan perbaikan. Tahap

kelima yaitu melakukan penulisan laporan penelitian. Laporan penelitian

diharapkan dapat menjadi acuan bagi penelitian selanjutnya, terutama di bidang

data mining.

Gambar 2 Prototype Model [6]

Metode perancangan sistem dilakukan dengan menggunakan metodologi

pengembangan perangkat lunak prototype model [6], ditunjukkan dengan diagram

pada Gambar 2. Pada proses implementasi dihasilkan beberapa prototype yang

dapat dijelaskan sebagai berikut. Tahap pertama: mendengarkan atau wawancara

customer atau user. Pada tahap ini diperoleh data pencatatan log kerja beserta

struktur data tersebut. Selain itu, diketahui kebutuhan user yaitu sebuah sistem

yang dapat memberikan rekomendasi pemilihan teknisi dalam mengerjakan tugas

service kendaraan; Tahap kedua; merancang program kemudian membuat

perbaikan terhadap hasil yang diperoleh. Tahap ini menghasilkan sebuah

prototype, yang dibuat sesuai hasil wawancara pada tahap pertama; Tahap ketiga:

melakukan evaluasi prototype ke customer atau user. Evaluasi menghasilkan

perbaikan-perbaikan atau tambahan-tambahan pada prototype yang diujikan

kepada customer/user. Pada tahap ini proses akan kembali lagi ke tahap pertama.

Pada proses pengembangan dengan metode prototype, dihasilkan tiga

prototype. Tiap prototype dihasilkan pada akhir siklus. Siklus pertama

`6

menghasilkan prototype yang berfungsi untuk mengolah data log kerja. Siklus

kedua merupakan hasil pengembangan dari revisi prototype pertama. Protoype

kedua berfungsi untuk mengolah log kerja, dan mengelompokkan waktu kerja ke

dalam kategori Tidak Qualifed (TQ), Baik (B), dan Qualifed (Q). Siklus ketiga,

menghasilkan prototype tiga yang memiliki fungsi tambahan yaitu analisis dengan

naïve bayes.

Database Log Kerja

Log Kerja Data Uji

Analisis dengan Naive Bayes

Rekomendasi

Mulai

Selesai

Gambar 3 Proses Rekam Data dan Analisis dengan Naïve Bayes.

Proses analisis dilakukan terhadap catatan kerja yang dilakukan oleh

teknisi di bengkel Daihatsu cabang Salatiga. Catatan kerja (log) ini memiliki

struktur yang ditunjukkan pada Tabel 1. Tabel 1 Kriteria Data yang Digunakan

No Kolom Keterangan

1 Jenis Kendaraan Jenis Kendaran yang ditangani. Contoh: Alya, Luxio, Grand Max,

Xenia

2 Ganti Oli Ganti oli mesin

3 Overhaul Bongkar mesin

4 Tune Up Perbaikan performa kendaraan

5 Service KM 5000 Service berjangka 5000 kilometer

6 Service KM

10000

Service berjangka 10000 kilomeer

7 Service > 10000

KM

Service untuk kilometer tempuh lebih dari 10000

Langkah perhitungan dengan Naïve Bayes dijelaskan dengan langkah-

langkah berikut. Untuk dapat menghasilkan sebuah rekomendasi, maka diperlukan

suatu data training set. Tabel 2 Contoh Data Training Set

No

JENIS

KENDA

RAAN

TUNE UP

OVE

RHA

UL

GANTI

OLI

SERVI

CE KM

5000

PETUGAS Waktu

Target

Waktu

Kerja

Kualifika

si Kerja

1 XENIA Y Y T Y PETUGAS 1 300 230 Q

2 XENIA Y Y T Y PETUGAS 2 300 280 Q

`7

3 SIRION T T Y T PETUGAS 2 45 45 B

4 SIRION Y T Y T PETUGAS 2 135 100 Q

5 XENIA Y T Y T PETUGAS 2 45 45 Q

6 AYLA T T Y T PETUGAS 1 45 60 TQ

7 AYLA T T Y Y PETUGAS 3 135 110 Q

8 AYLA T T Y Y PETUGAS 3 135 105 Q

9 XENIA Y Y T T PETUGAS 3 90 80 Q

10 SIRION Y T Y T PETUGAS 3 135 100 Q

Target kerja untuk Tune Up adalah 90 menit, Overhaul 120 menit, Ganti

Oli 45 menit, dan Service KM 5000 adalah 90 menit. Pada Tabel 1, nomor 1,

waktu target 300 menit diperoleh dari waktu Tune Up ditambah waktu Overhaul

ditambah waktu Service KM 5000, yaitu 90+120+90 = 300 menit. Pekerjaan yang

dilakukan kurang dari target waktu, maka dianggap Qualified (Q), lebih dari

waktu target dianggap Tidak Qualified (TQ), dan jika tepat waktu maka dianggap

Baik (B). Jika ada SATU pekerjaan untuk JENIS KENDARAAN XENIA, dengan

layanan yang harus dikerjakan adalah Tune Up dan Overhaul, maka petugas yang

dapat mengerjakan paling cepat dapat direkomendasikan dengan langkah berikut. Tabel 3 Contoh Kasus

JENIS

KENDARAAN

TUNE UP OVERHAUL GANTI OLI SERVICE

KM 5000

PETUGAS Kualifikasi

Kerja

XENIA Y Y T T PETUGAS 1 ?



Data training pada Tabel 3, menunjukkan bahwa ada 3 petugas:

PETUGAS 1, PETUGAS 2, PETUGAS 3. Naïve Bayes akan digunakan untuk

menghitung persentase waktu penyelesaian pekerjaan untuk tiap petugas.

Rekomendasi diberikan untuk petugas yang memiliki persentase terbesar untuk

waktu kerja yang paling kecil.

Langkah 1: variabel WAKTU (TQ, B, Q)

P(TQ) = 1 / 10

P(B) = 1 / 10

P(Q) = 8 / 10

Langkah 2: variabel WAKTU dipasangkan dengan variabel-variabel yang lain

JENIS KENDARAAN

Karena pekerjaan yang dicari ada di JENIS KENDARAAN XENIA, maka

dihitung khusus yang JENIS KENDARAAN = XENIA

P(XENIA | TQ) = 0 / 1

P(XENIA | B) = 0 / 1

P(XENIA | Q) = 4 / 8

TUNE UP

Cari khusus yang TUNE UP=Y

P(Y| TQ) = 0 / 1

P(Y| B) = 0 / 1

P(Y| Q) = 6 / 8

`9

Kemungkinan untuk PETUGAS 1 dalam waktu B:

= P(PETUGAS 1 | B) x P(SERVICE KM 5000=T | B) x P(GANTI OLI=T |

B) x P(OVERHAUL=Y | B) x P(TUNE UP= TAMBAH | B) x P(JENIS

KENDARAAN=XENIA | B) x P(B)

=0/1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0

Kemungkinan untuk PETUGAS 1 dalam waktu Q:

= P(PETUGAS 1 | Q) x P(SERVICE KM 5000=T | Q) x P(GANTI OLI=T

| Q) x P(OVERHAUL=Y | Q) x P(TUNE UP= TAMBAH | Q) x P(JENIS

KENDARAAN=XENIA | Q) x P(Q)

=1 / 1 x 4 / 8 x 3 / 8 x 3 /8 x 3 / 8 x 4 / 8 x 8 / 10 = 0.010546

PETUGAS 2


= P(PETUGAS 2 | TQ) x P(SERVICE KM 5000=T | TQ) x P(GANTI



=0 / 1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0





=1 / 1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0





=3 / 8 x 4 / 8 x 3 / 8 x 3 /8 x 3 / 8 x 4 / 8 x 8 / 10 = 0.00791

PETUGAS 3


= P(PETUGAS 3 | TQ) x P(SERVICE KM 5000=T | TQ) x P(GANTI



=0 / 1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0





= 0 / 1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0

`10





=4 / 8 x 4 / 8 x 3 / 8 x 3 /8 x 6 / 8 x 4 / 8 x 8 / 10 = 0.105468

Tabel 4 Kesimpulan Akhir

Petugas Waktu Nilai Kemungkinan Persentase (kalikan 100%)

PETUGAS 1 TQ 0 (tidak terpakai)

PETUGAS 1 B 0 (tidak terpakai)

PETUGAS 1 Q 0.010546 1.05%



PETUGAS 2 Q 0.00791 0.79 %



PETUGAS 3 Q 0.105468 10.54% (tertinggi dari semua)

PETUGAS 1, PETUGAS 2, dan PETUGAS 3 sama-sama masuk kategori

Qualified (Q), tapi dari 3 orang tersebut, persentasi tertinggi adalah PETUGAS 3

(5%). Jadi yang dipilih untuk tugas tersebut adalah PETUGAS 3 karena memiliki

nilai kemungkinan terbesar untuk menyelesaikan waktu lebih dari waktu target.

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).

`11

Gambar 4 Form Log Kerja

Pada form log kerja (Gambar 4), dicatat setiap tugas yang dilaksanakan

oleh teknisi Bengkel Daihatsu cabang Salatiga. Tiap detail pekerjaan, telah

ditentukan waktu target sebelumnya. Berdasarkan waktu ini, dapat diketahui

apakah seorang petugas masuk kualifikasi TQ (Tidak Qualified), B (Baik), atau Q

(Qualified). Pekerjaan yang dilakukan kurang dari target waktu, maka dianggap

Qualified (Q), lebih dari waktu target dianggap Tidak Qualified (TQ), dan jika

tepat waktu maka dianggap Baik (B).

Gambar 5 Form Hasil Rekomendasi dengan Naïve Bayes

Analisis dan rekomendasi dengan algoritma Naïve Bayes memberikan

hasil seperti ditunjukkan pada Gambar 5. Proses analisis bertujuan untuk

memberikan rekomendasi petugas yang memiliki persentase terbesar dalam hal

menyelesaikan pekerjaan. Pada Gambar 5, diberikan contoh hasil rekomendasi

sistem. Kasus yang digunakan (uji data) adalah jenis kendaraan Xenia, dengan

layanan yang diminta oleh pelanggan adalah Tune Up. Hasil rekomendasi sistem

yaitu urutan teknisi/petugas berdasarkan persentase keberhasilannya dalam

menyelesaikan pekerjaan tersebut dalam kategori waktu tertentu. Sebagai contoh,

petugas “BUDIMAN” memiliki kemungkinan 0.38 persen untuk menyelesaikan

tugas tersebut dalam kategori waktu “Q” (Qualified), yang berarti lebih cepat dari

pada waktu yang ditargetkan. Petugas “DIKA” juga memiliki angka persentase

yang sama, sedangkan “ARI” memiliki persentase tepat dibawahnya.

Pengujian beta berfungsi untuk mengetahui apakah sistem dapat diterima

oleh pengguna sistem. Pengujian Beta merupakan pengujian yang dilakukan secara objektif dimana diuji secara langsung ke lapangan yaitu yang bersangkutan dengan

membuat kuesioner mengenai kepuasan user, untuk selanjutnya dibagikan kepada

sebagian user dengan mengambil sampel sebanyak 5 orang. Jawaban dikelompokkan

pada 5 tingkatan, yaitu Sangat Setuju (SS), Setuju (S), Cukup (C), Tidak Setuju (TS),

Sangat Tidak Setuju (STS). Responden berjumlah 5 orang yang terdiri dari kepala

cabang, wakil kepala cabang, dan beberapa kepala bengkel/teknisi. Responden

`12

tersebut dipilih karena memiliki peran dalam pengambilan keputusan layanan servis

kendaraan. Tabel 5 Hasil Pengujian Beta

No Pertanyaan Jawaban

SS S C TS STS

1

Sistem memudahkan menganalisis

efisiensi dalam penanganan service

kendaraan

5

2 Sistem mudah untuk digunakan. 3 2

3 Sistem memberikan informasi yang

jelas dan bermanfaat 5

4

Sistem memberikan rekomendasi

yang dapat berguna bagi kemajuan

layanan di bengkel Daihatsu cabang

Salatiga

3 2

Berdasarkan hasil pengujian beta, disimpulkan bahwa sistem dapat

membantu pihak manajerial bengkel Daihatsu cabang Salatiga, dalam

memberikan rekomendasi pemilihan petugas. Sistem mempermudah pencatatan

log kerja, yang berguna untuk arsip bengkel Daihatsu cabang Salatiga.

Untuk menguji keberhasilan sistem dalam memberikan rekomendasi,

maka dilakukan perbandingan antara rekomendasi dengan keadaan nyata di

lapangan. Pengujian ini dilakukan dengan membandingkan hasil rekomendasi

sistem, yaitu teknisi yang cocok dalam satu atau beberapa kombinasi pekerjaan,

dengan waktu yang dibutuhkan sebenarnya. Tabel 6 Akurasi Data Pengujian

No Jenis Kendaraan

Layanan Rekomendasi Sistem Catatan Waktu

Di Lapangan

untuk Teknisi

yang sama

Akurasi Sistem

Teknisi Waktu

1 SIRION Overhaul (120 menit) Budiman Q 104 menit (Q) Tepat

2 SIRION Overhaul (120 menit) Dika Q 110 menit (Q) Tepat

3 SIRION Tune Up (90 menit) Budiman Q 60 menit (Q) Tepat

4 SIRION Tune Up (90 menit) Dika Q 60 menit (Q) Tepat

5 SIRION Tune Up (90 menit) Ari Q 80 menit (Q) Tepat

6 XENIA Service KM 5000 (90 menit) Yoyok Q 92 menit (TQ) Tidak Tepat

7 XENIA Service KM 5000 (90 menit) Elio Q 80 menit (Q) Tepat

8 XENIA Service KM 5000 (90 menit) Agus Q 87 menit (Q) Tepat

9 XENIA Tune Up (90 menit) Catur Q 120 menit (TQ) Tidak Tepat

10 XENIA Tune Up (90 menit) Andi Q 80 menit (Q) Tepat

Kategori waktu “Q” berarti penyelesaian pekerjaan lebih cepat dari target

waktu yang disarankan, dan “TQ” berarti lebih lama dari target waktu.

Berdasarkan Tabel 6, terdapat 2 dari 10 data pengujian, yang memberikan hasil

rekomendasi yang tidak tepat. Akurasi = (8/10) * 100% = 80%.

Kesalahan = (2/10) * 100% = 20%.

Perlu diperhatikan bahwa catatan waktu di lapangan dapat dipengaruhi

oleh faktor-faktor lain seperti kondisi kesehatan teknisi, semangat kerja teknisi,

kondisi ruang kerja, dan lain sebagainya. Faktor-faktor ini tidak menjadi

perhitungan dalam data mining di penelitian ini. Proses perhitungan Naïve Bayes

menggunakan variabel jenis kendaraan dan jenis pekerjaan/layanan yang

dilakukan.

`13

Gambar 6 Jumlah Data Pengujian

Pengujian dilakukan dengan menggunakan data log kerja berukuran 684

records. Log kerja tersebut dikumpulkan pada rentang waktu 4 Mei 2016 sampai

dengan 30 Mei 2016. Informasi ini ditunjukkan pada Gambar 6. Untuk melihat

total data digunakan perintah SQL count(*). Rentang waktu diketahui dengan

perintah min tanggal dan max tanggal. Jumlah data Petugas yang digunakan

adalah 24 (Gambar 6).

Gambar 7 Jumlah Petugas

5. Simpulan

Berdasarkan penelitian, pengujian dan analisis terhadap sistem, maka

dapat diambil kesimpulan yaitu: 1) Sistem dapat membantu dalam hal pencatatan

log kerja bengkel Daihatsu cabang Salatiga; 2) Sistem memudahkan menganalisis

efisiensi dalam penanganan keluhan pelanggan; 3) Hasil analisis naïve bayes pada

log kerja penanganan keluhan pelanggan, berguna bagi pihak manajerial bengkel

Daihatsu cabang Salatiga, untuk peningkatan layanan kepada pelanggan; 4)

Sistem dapat memberikan rekomendasi dengan tingkat akurasi 80%. 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 seperti ID3.

`14

6. Daftar Pustaka

[1]. Winer, R. S. 2001. A Framework for Customer Relationship Management.

California Management Review 43, 89–105. (doi:10.2307/41166102)

[2]. Garcia-Murillo, M. & Annabi, H. 2002. Customer knowledge management.

Journal of the Operational Research Society 53, 875–884.

(doi:10.1057/palgrave.jors.2601365)

[3]. 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.

[4]. Via, Y. V., Nugroho, B. & Syafrizal, A. 2015. Sistem Pendukung

Keputusan Klasifikasi Tingkat Keganasan Kanker Payudara Dengan

Metode Naive Bayes Classifier. SCAN-Jurnal Teknologi Informasi dan

Komunikasi 10, 63–68.

[5]. Bustami, B. 2014. Penerapan Algoritma Naïve Bayes Untuk

Mengklasifikasi Data Nasabah Asuransi. Techsi 3.

[6]. Pressman, R. S. & Jawadekar, W. S. 1987. Software engineering. New

York 1992

implementasi algoritma naïve bayes dalam proses analisis ......implementasi algoritma naïve bayes...

Documents