implementasi algoritma naïve bayes dalam proses analisis ......implementasi algoritma naïve bayes...
TRANSCRIPT
-
`
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
-
`ii
-
`iii
-
`iv
-
`v
-
`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 ?
XENIA Y Y T T PETUGAS 2 ?
XENIA Y Y T T PETUGAS 3 ?
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
-
`8
OVERHAUL
Cari khusus yang OVERHAUL=Y
P(Y | TQ) = 0 / 1
P(Y | B) = 0 / 1
P(Y | Q) = 3 /8
GANTI OLI
Cari khusus yang GANTI OLI= T
P(T | TQ) = 0 / 1
P(T | B) = 0 / 1
P(T | Q) = 3 / 8
SERVICE KM 5000
Cari khusus yang SERVICE KM 5000=T
P(T | TQ) = 1 / 1
P(T | B) = 1 / 1
P(T | Q) = 4 / 8
PETUGAS
Untuk menghitung petugas, dilakukan ke semua petugas yang ada.
P(PETUGAS 1 | TQ) = 1 / 1
P(PETUGAS 1 | B) = 0 / 1
P(PETUGAS 1 | Q) = 1 / 1
P(PETUGAS 2 | TQ) = 0 / 1
P(PETUGAS 2 | B) = 1 / 1
P(PETUGAS 2 | Q) = 3 / 8
P(PETUGAS 3 | TQ) = 0 / 1
P(PETUGAS 3 | B) = 0 / 1
P(PETUGAS 3 | Q) = 4 / 8
Langkah 3: HITUNG KEMUNGKINAN
PETUGAS 1
Kemungkinan untuk PETUGAS 1 dalam waktu TQ:
=P(PETUGAS 1 | TQ) x P(SERVICE KM 5000=T | TQ) x P(GANTI
OLI=T | TQ) x P(OVERHAUL=Y | TQ) x P(TUNE UP= TAMBAH | TQ)
x P(JENIS KENDARAAN=XENIA | TQ) x P(TQ)
= 1 /1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0
-
`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
Kemungkinan untuk PETUGAS 2 dalam waktu TQ:
= P(PETUGAS 2 | TQ) x P(SERVICE KM 5000=T | TQ) x P(GANTI
OLI=T | TQ) x P(OVERHAUL=Y | TQ) x P(TUNE UP= TAMBAH | TQ)
x P(JENIS KENDARAAN=XENIA | TQ) x P(TQ)
=0 / 1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0
Kemungkinan untuk PETUGAS 2 dalam waktu B:
= P(PETUGAS 2 | 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)
=1 / 1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0
Kemungkinan untuk PETUGAS 2 dalam waktu Q:
= P(PETUGAS 2 | 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)
=3 / 8 x 4 / 8 x 3 / 8 x 3 /8 x 3 / 8 x 4 / 8 x 8 / 10 = 0.00791
PETUGAS 3
Kemungkinan untuk PETUGAS 3 dalam waktu TQ:
= P(PETUGAS 3 | TQ) x P(SERVICE KM 5000=T | TQ) x P(GANTI
OLI=T | TQ) x P(OVERHAUL=Y | TQ) x P(TUNE UP= TAMBAH | TQ)
x P(JENIS KENDARAAN=XENIA | TQ) x P(TQ)
=0 / 1 x 1/1 x 0/1 x 0/1 x 0/1 x 0/1 x 1/10 = 0
Kemungkinan untuk PETUGAS 3 dalam waktu B:
= P(PETUGAS 3 | 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
-
`10
Kemungkinan untuk PETUGAS 3 dalam waktu Q:
= P(PETUGAS 3 | 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)
=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 TQ 0 (tidak terpakai)
PETUGAS 2 B 0 (tidak terpakai)
PETUGAS 2 Q 0.00791 0.79 %
PETUGAS 3 TQ 0 (tidak terpakai)
PETUGAS 3 B 0 (tidak terpakai)
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