JNATIA Volume 1, Nomor 1, November 2022

Jurnal Nasional Teknologi Informasi dan Aplikasinya

Klasifikasi Tingkat Produktivitas Pegawai Garmen Menggunakan Algoritma Naïve Bayes

Desak Putu Sri Wulandaria1, I Ketut Gede Suhartanaa2

aProgram Studi Informatika, Universitas Udayana Bukit Jimbaran, Bali, Indonesia 1[email protected] 2[email protected]

Abstract

Productivity level of garment employee classification aims to facilitate for companies to give appreciation to employees. In doing classification can use the Naïve Bayes Algorithm, which uses probability and statistical methods to predict opportunities base on experience. The classification of garment employees is categorized into three, such as low, medium, and high. The results of the classification of 1197 data employees, obtained 981 employees have high productivity, 190 employees with moderate productivity, 26 employees with low productivity. Evaluation on the classification obtained an accuracy value of 82,07%.

Keywords: Classification, Garment Employee, Naïve Bayes, Productivity Level

  • 1.    Pendahuluan

Industri garmen merupakan jenis industri yang bergerak dalam pembuatan barang tekstil. Dalam operasionalnya, industri ini memiliki banyak proses yang dilakukan sehingga memerlukan banyak tenaga kerja. Berdasarkan hal tersebut, kemajuan industri garmen bergantung pada kinerja tenaga kerja yang dimilikinya. Oleh karena itu, perusahaan pada industri ini akan memberikan banyak apresiasi untuk para tenaga kerja yang memiliki tingkat produktifitas yang baik. Semakin baik tingkat produktifitas dari kinerja tenaga kerja, maka semakin besar pula apresiasi yang diberikan. Akan tetapi, penilaian kinerja tenaga kerja masih banyak dilakukan secara manual, sehingga tenaga kerja membutuhkan waktu yang lama untuk menerima apresiasi yang diberikan.

Lambatnya pemberian apresiasi ini akan menurunkan tingkat kepercayaan tenaga kerja pada perusahaan. Hal ini akan berpengaruh pada tingkat kemajuan perusahaan. Oleh karena itu, diperlukan suatu cara dalam mengelompokkan tenaga kerja berdasarkan tingkat produktifitasnya. Salah satunya melakukan klasifikasi menggunakan algoritma Naïve Bayes. Naïve Bayes merupakan suatu metode klasifikasi yang menggunakan metode probabilitas dan statistik untuk memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya. Naïve Bayes untuk setiap kelas keputusan menghitung probabilitas dengan syarat bahwa kelas keputusan adalah benar, mengingat vector informasi objek. Algoritma ini mengasumsikan bahwa atribut obyek adalah independen (Olson Delen, 2008).

Algoritma Naïve Bayes kerap kali digunakan pada penelitian sebelumnya dengan hasil yang lebih baik dalam menangani masalah klasifikasi. Pada penelitian sebelumnya, algoritma Naïve Bayes dibandingkan dengan algoritma Support Vector Machine (SVM) dalam klasifikasi pada studi kasus pemberian penerima beasiswa PPA dengan hasil akurasi algoritma Naïve Bayes sebesar 90,90% sedangkan algoritma Support Vector Machine (SVM) dengan hasil akurasi 89.25% [1]. Selain itu, terdapat penelitian lain yang menggunakan algoritma Naïve Bayes dengan algoritma K-Nearest Neighbor (KNN) dengan hasil akurasi sebesar 84,12% untuk algoritma Naïve Bayes sedangkan 83,18% untuk KNN [2]. Sehingga dapat disimpulkan bahwa algoritma Naïve bayes dapat menjadi solusi yang optimal dalam menyelesaikan masalah klasifikasi.

  • 2.    Metode Penelitian

    2.1.    Desain Penelitian

Tahapan terkait penelitian mengenai klasifikasi tingkat produktivitas pegawai garmen dengan menggunakan algoritma naïve bayes dapat dilihat pada gambar 1.

Gambar 1. Desain Penelitian

  • 2.2.    Pengumpulan Data

Dataset yang digunakan pada penelitian ini merupakan data prediksi produktivitas pegawai garmen di Bangladesh yang dipublikasikan oleh Abdullah Al Imran pada website repositori UCI Machine Learning, diakses pada 25 September 2022 pukul 11:59:50 WITA pada                                                                   alamat

https://archive.ics.uci.edu/ml/datasets/Productivity+Prediction+of+Garment+Employees.

Dataset ini berjumlah 1197 data dengan jumlah fitur data sebanyak 15 fitur [3]. Tipe data dari lima belas fitur tersebut dapat dilihat pada tabel 1.

Tabel 1 Daftar Fitur dan Tipe Dataset

Fitur

Tipe Data

date

Object

quarter

Object

department

Object

day

Object

team

Numerik

targeted_productivity

Numerik

smv

Numerik

wip

Numerik

over_time

Numerik

incentive

Numerik

idle_time

Numerik

idle_men

Numerik

no_of_style_change

Numerik

no_of_workers

Numerik

actual_productivity

Numerik

2.3.


2.4.


Pengolahan Data Awal

Dataset produktivitas pegawai garmen ini akan dilakukan tahap preprocessing yang diantaranya transformasi data, mencari korelasi antar fitur, pengisian nilai kosong (NULL) dan normalisasi data. Transformasi data dilakukan dengan tujuan untuk menyamakan tipe data asli menjadi bentuk lain yang sesuai dengan data asli lainnya sehingga memudahkan dalam memberikan perlakukan pada data. Dikarenakan fitur data yang banyak, maka pengurangan fitur dilakukan dengan mencari korelasi fitur. Berdasarkan hasil korelasi, fitur pada dataset yang dihilangkan antara lain date, quarter, dan department sehingga jumlah fitur yang ada menjadi 13 fitur. Oleh karena terdapat banyak data yang memiliki nilai NULL, maka dilakukan pengisian nilai data dengan menggunakan median data. Pengisian ini dilakukan guna menghindari overfitting. Pada dataset terdapat sebuah fitur yang memiliki nilai yang besar, sehingga rentang nilai data antar fitur serupa. Maka dari itu dilakukan normalisasi dengan menggunakan Min-Max Normalization dengan rumus sebagai berikut.

X-MinValue MaxValue-MinValue

(1)


Keterangan:

N               = Hasil normalisasi

X               = Nilai yang dinormalisasi

MaxValue      = Nilai terbesar pada fitur yang dibandingkan

MinValue       = Nilai terkecil pada fitur yang dibandingkan

Klasifikasi menggunakan Naïve Bayes


Gambar 2 Flowchart Klasifikasi dengan Algoritma Naïve Bayes

Klasifikasi dengan menggunakan algoritma naïve bayes membutuhkan fitur yang memiliki keterhubungan, kelas yang digunakan serta jumlah data yang digunakan. Algoritma ini melakukan klasifikasi menggunakan probabilitas fitur pada setiap data. Adapun tahapan klasifikasi dapat dilihat pada gambar 2.

2.5.


Evaluasi


Pada penelitian ini, pengujian dilakukan dengan menghitung akurasi. Akurasi dihitung dengan menggunakan rumus sebagai berikut.

TP+TN

Akurasi = --t-+tl--x 100%

(2)


TP+TN+FP+FN

Keterangan:

TP              = Jumlah positif yang dikasifikasikan sebagai positif

TN              = Jumlah negatif yang diklasifikasikan sebagai negatif

FP              = Jumlah positif yang diklasifikasikan sebagai negatif

FN              = Jumlah negatif yang diklasifikasikan sebagai positif

  • 3.    Hasil dan Pembahasan

Pada penelitian ini, produktivitas pegawai garmen dibagi menjadi tiga kategori yakni rendah, sedang, dan tinggi. Implementasi algoritma Naïve Bayes dalam penelitian ini dilakukan menggunakan Bahasa pemrograman python yang dibantu dengan library Sklearn dan Math dengan tahapan seperti gambar 2. Berdasarkan hasil klasifikasi, didapatkan data sejumlah 981 pegawai dengan tingkat produktivitas tinggi, 190 pegawai dengan tingkat produktivitas sedang, dan 26 pegawai dengan tingkat produktivitas yang rendah seperti yang tertera pada gambar 3.


Gambar 3. Hasil Klasifikasi Tingkat Produktivitas Pegawai Garmen

Berdasarkan hasil tersebut, dilakukan evaluasi dari model klasifikasi tingkat produktivitas dengan pembagian data latih dan data uji sebesar 70:30. Evaluasi dilakukan dengan menghitung akurasi dengan menggunakan confusion matrix. Hasil dari evaluasi terhadap hasil klasifikasi dapat dilihat pada gambar 4.

Predicted label


Gambar 4 Confusion Matrix

Berdasarkan matriks tersebut, didapatkan nilai TP = 325, TN = 0, FP = 59, dan FN = 12 yang kemudian dituangkan pada rumus akurasi berikut.

325


Akurasi = ^r x 100% = 82,07%

Sehingga hasil perhitungan akurasi model klasifikasi tingkat produktivitas pegawai garmen sebesar 82,07%.

  • 4.    Kesimpulan

Berdasarkan  penelitian yang dilakukan, dapat disimpulkan bahwa klasifikasi dengan

menggunakan algoritma Naïve Bayes pada data produktivitas pegawai garmen menghasilkan 981 pegawai dengan tingkat produktivitas tinggi, 190 pegawai dengan tingkat produktivitas

sedang, dan 26 pegawai dengan tingkat produktivitas rendah. Hasil klasifikasi tersebut memiliki menghasilkan akurasi sebesar 82,07%.

References

  • [1]    S.Linawati, R.A. Safitri, A.R. Alfiyah, “Perbandingan Algoritma Klasifikasi Naive Bayes Dan Svm Pada Studi Kasus Pemberian Penerima Beasiswa PPA”, Jurnal Swabumi, vol.8, no.1, pp 71-75, 2020.

  • [2]   A. A. Imran, “UCI Machine Learning Repository”. [Online]. Available:

https://archive.ics.uci.edu/ml/datasets/Productivity+Prediction+of+Garment+Employees.     [22

September 2022]

  • [3]      Fitinline,      “Fitinline”,      19      November     2019.      [Online].      Available:

https://fitinline.com/article/read/pengertian-industri-garment-dan-istilah-istilah-penting-di-dalamnya-yang-perlu-anda-ketahui/. [22 September 2022]

  • [4]    M. Sarosa, M. Junus, M.U. Hoesny, “Classification Technique of Interviewer-Bot Result using Naïve Bayes and Phrase Reinforcement Algorithms”, International Journal of Emerging Technologies in Learning, vol.13, no.02, pp 33-47, 2018.

  • [5]    S. K. Soumik, “Medium”, 1 Juli 2020. [Online]. Available:  https://medium.com/analytics-

vidhya/how-to-calculate-confusion-matrix-manually-14292c802f52. [12 Oktober 2022]

  • [6]    M.H. Widianto, “Binus University”. [Online]. Available:

https://binus.ac.id/bandung/2019/12/algoritma-naive-bayes/. [22 September 2022]

Halaman ini sengaja dibiarkan kosong

160