Sci-Tech Journal Volume 3 Nomor 2 .
193 - 203 E-ISSN 2830-6759 DOI: 10.
56709/stj.
Analisis Pengelolaan Kearsipan Menggunakan Algoritma Machine Learning pada Fakultas Arsitektur Lansekap dan Teknologi Lingkungan.
Universitas Trisakti Afif Endrawan1.
Musriatun Napiah2 1,2Jurusan Informatika.
Fakultas Teknik.
Universitas Bina Sarana Informatika afif29mei@gmail.
ABSTRACT
This research discusses the analysis of archive management using machine learning algorithms, especially the Decision Tree method, at the Faculty of Landscape Architecture and Environmental Technology.
Trisakti University.
This research aims to improve the efficiency and quality of incoming and outgoing letter archive management.
The results showed that the Decision Tree algorithm is effective in managing archive data, facilitating searches, and improving the systematization and efficiency of the archive storage and maintenance process.
The implementation of this algorithm is proven to have a positive and significant effect, so the working hypothesis stating the positive effect of this algorithm on archive management is accepted, while the null hypothesis is rejected.
Keywords: Archives Management.
Machine Learning Algorithm.
Decision Tree.
Archive Efficiency ABSTRAK Penelitian ini membahas tentang analisis pengelolaan arsip menggunakan algoritma machine learning khususnya metode Decision Tree di Fakultas Arsitektur Lansekap dan Teknologi Lingkungan Universitas Trisakti.
Penelitian ini bertujuan untuk meningkatkan efisiensi dan kualitas pengelolaan arsip surat masuk dan surat keluar.
Hasil penelitian menunjukkan bahwa algoritma Decision Tree efektif dalam mengelola data arsip, memudahkan pencarian, serta meningkatkan sistematisasi dan efisiensi proses penyimpanan dan pemeliharaan arsip.
Implementasi algoritma ini terbukti berpengaruh positif dan signifikan, sehingga hipotesis kerja yang menyatakan adanya pengaruh positif algoritma ini terhadap pengelolaan arsip diterima, sedangkan hipotesis nol ditolak.
Kata kunci: Manajemen Arsip.
Algoritma Pembelajaran Mesin.
Pohon Keputusan.
Efisiensi
Arsip
PENDAHULUAN
Dalam organisasi, baik instansi pemerintah maupun swasta, pekerjaan administrasi merupakan hal yang sangat penting untuk mencapai tujuan yang telah ditetapkan, salah satunya adalah kegiatan penyimpanan informasi dan surat-surat yang dikenal dengan istilah kearsipan (Afif & Dewi, 2.
Arsip, sebagai rekaman informasi dari seluruh kegiatan organisasi, berfungsi sebagai pusat ingatan, alat bantu pengambilan keputusan, bukti eksistensi, dan untuk keperluan organisasi lainnya.
Mengingat pentingnya fungsi arsip tersebut, maka diperlukan pengelolaan arsip yang baik dan benar (Alibasyah et al.
Nurninawati, 2.
Surat dan dokumen penting dalam organisasi, baik publik maupun privat, membutuhkan proses pengarsipan yang menjadi dasar pemeliharaan dokumen-dokumen tersebut (Hasrul et al.
, 2022.
Suminar et al.
, 2.
Proses pengarsipan memudahkan untuk 193 | Volume 3 Nomor 2 2024 Sci-Tech Journal Volume 3 Nomor 2 .
193 - 203 E-ISSN 2830-6759 DOI: 10.
56709/stj.
menemukan kembali surat atau dokumen yang telah disimpan sebelumnya.
Kumpulan surat-surat ini merupakan sumber informasi yang penting bagi kegiatan administrasi.
Pada umumnya setiap organisasi baik besar maupun kecil membutuhkan surat atau dokumen yang berisi keterangan yang kuat dan meyakinkan tentang suatu peristiwa dalam pelaksanaan kegiatan organisasi.
Surat-surat dan dokumen-dokumen tersebut digunakan sebagai sarana informasi dan pembuktian, sehingga apabila diperlukan harus dapat ditemukan kembali dengan cepat dan mudah (Hendriyani, 2021.
Putri et al.
, 2020.
Saifudin & Widrani, 2.
Menurut UU No.
43 Tahun 2009 Pasal 1, arsip adalah rekaman kegiatan dalam berbagai bentuk dan media sesuai dengan perkembangan teknologi informasi dan komunikasi, yang dibuat dan diterima oleh lembaga negara, pemerintahan daerah, lembaga pendidikan, perusahaan, organisasi politik, organisasi kemasyarakatan, dan perseorangan dalam pelaksanaan kehidupan bermasyarakat, berbangsa, dan bernegara (Kasih, 2019.
Simanjuntak et al.
, 2.
Berdasarkan hasil pra-survei di Institusi Pendidikan Tinggi.
Fakultas Arsitektur Lanskap dan Teknologi Lingkungan, penulisan judul penelitian harus memiliki keterkaitan yang kuat dengan permasalahan yang dibahas, tujuan penelitian, dan ruang lingkup penelitian.
Latar belakang penelitian ini meliputi tiga hal utama: pertama, permasalahan pengelolaan arsip yang belum optimal di institusi tersebut, seperti sulitnya menemukan arsip, penumpukan arsip yang tidak penting, dan kurangnya tenaga yang terampil.
Kedua, kebutuhan akan solusi pengelolaan arsip yang lebih efisien, untuk memudahkan pencarian, penyimpanan, dan meningkatkan kualitas pengelolaan arsip secara keseluruhan.
Ketiga, penerapan algoritma Machine Learning, khususnya Decision Tree, sebagai salah satu metode yang diharapkan dapat meningkatkan efisiensi pengelolaan arsip.
Dari penjelasan tersebut, rumusan masalah yang diangkat dalam penelitian ini adalah: bagaimana pengelolaan arsip di Fakultas Arsitektur Lansekap dan Teknologi Lingkungan Universitas Trisakti, kendala apa saja yang muncul dalam proses pengelolaan arsip, dan model arsitektur machine learning apa yang dapat menghasilkan akurasi terbaik dalam menganalisa pengelolaan arsip di fakultas tersebut.
Tujuan dari penelitian ini adalah untuk mengetahui pengelolaan arsip di fakultas, mengidentifikasi kendala dalam pengelolaan arsip, dan menerapkan algoritma machine learning khususnya model arsitektur Decision Tree dalam penelitian ini.
Manfaat dari penelitian ini diharapkan dapat memberikan sumbangan pemikiran bagi pengelolaan arsip di Fakultas Arsitektur Lanskap dan Teknologi Lingkungan, serta sebagai bahan masukan dan informasi bagi pihak-pihak yang membutuhkan, khususnya pada instansi terkait.
TINJAUAN LITERATUR
Konsep Dasar Pengolahan Data Konsep dasar pengolahan data adalah pada serangkaian prinsip dan langkahlangkah yang diterapkan dalam mengumpulkan, menyusun, mengelola, menganalisis, dan menyajikan data.
Pengolahan data merupakan bagian penting dari proses penelitian, pengambilan keputusan, dan operasional berbagai jenis organisasi.
Menurut (Nurninawati 194 | Volume 3 Nomor 2 2024 Sci-Tech Journal Volume 3 Nomor 2 .
193 - 203 E-ISSN 2830-6759 DOI: 10.
56709/stj.
et al.
, 2.
Suatu sistem data dapat mempunyai suatu proses yang akan mengubah masukan menjadi keluaran.
Algoritma Decision Three atau Pohon Keputusan Menurut (Kasih, 2.
AuDecision Tree adalah struktur flowchart yang menyerupai Tree .
, dimana setiap simpul internal menandakan suatu tes pada atribut, setiap cabang merepresentasikan hasil tes, dan simpul daun merepresentasikan kelas atau distribusi kelasAy.
Alur pada Decision Tree di telusuri dari simpul akar ke simpul daun yang memegang prediksi.
Klasifikasi Suatu teknik dengan melihat pada kelakuan dana tribut dari kelompok yang telah didefinisikan.
Decision Tree adalah struktur flowchart yang menyerupai Tree .
, dimana setiap simpul internal menandakan suatu tes pada atribut, setiap cabang merepresentasikan hasil tes, dan simpul daun merepresentasikan kelas atau distribusi kelas.
Alur pada Decision Tree di telusuri dari simpul akar ke simpul daun yang memegang prediksi.
Arsip Pengertian yg dikemukakan Afif et al.
AuKearsipan adalah suatu proses pengaturan dan penyimpanan bahan-bahan atau warkat secara sistematis sehingga bahanbahan tersebut dapat dicari dengan cepat atau diketahui tempatnya setiap diperlukanAy.
Jadi, bisa diambil kesimpulan yakni kearsipan adalah kegiatan berupa hal pencatatan, penyimpanan, dan penyusunan dalam bentuk surat, gambar, atau bagan yang berisikan keterangan atau peristiwa untuk membantu ingatan orang agar berkas dapat ditemukan kembali apabila diperlukan suatu waktu secara cepat.
METODE PENELITIAN
Penelitian ini menggunakan pendekatan deskriptif kuantitatif, yang bertujuan untuk menggambarkan suatu kondisi atau keadaan tertentu berdasarkan data yang Penelitian deskriptif kuantitatif sangat efektif untuk memberikan gambaran secara sistematis mengenai fenomena yang diteliti, dengan pemecahan masalah berdasarkan data-data yang faktual.
Alat bantu utama yang digunakan dalam penelitian ini adalah RapidMiner dan Microsoft Excel, yang mendukung proses analisis data.
Penelitian ini mengandalkan data primer dan sekunder sebagai bahan analisis utama.
Proses penelitian dilakukan secara sistematis, mulai dari pengumpulan data, pengolahan data, hingga tahap analisis.
Data yang dikumpulkan meliputi arsip korespondensi dari Fakultas Arsitektur Lansekap dan Teknologi Lingkungan Universitas Trisakti yang kemudian diolah menggunakan algoritma decision tree dengan tool RapidMiner.
Decision tree merupakan model yang menyerupai struktur pohon, dimana setiap internal node merepresentasikan uji atribut, dan leaf node merepresentasikan kelas atau hasil keputusan.
Model ini digunakan untuk mengklasifikasikan record dan mengidentifikasi pola atau kategori yang relevan dengan penelitian.
Tahap awal dari proses ini adalah pengumpulan data arsip, yang meliputi surat undangan rapat umum, pimpinan, dan sosialisasi tendik dari Fakultas.
Data ini kemudian dinormalisasi dan dianalisis menggunakan pohon keputusan untuk menghasilkan klasifikasi yang lebih terstruktur.
Data primer meliputi variabel-variabel seperti 195 | Volume 3 Nomor 2 2024 Sci-Tech Journal Volume 3 Nomor 2 .
193 - 203 E-ISSN 2830-6759 DOI: 10.
56709/stj.
kemudahan penyimpanan arsip, pemeliharaan, kemudahan akses, dan penempatan arsip, sedangkan data sekunder terdiri dari dokumen-dokumen yang tersedia di instansi terkait.
Selanjutnya, tahap pengolahan data meliputi pra-pemrosesan, seperti pembersihan dan transformasi data untuk memastikan keakuratan analisis.
Pengolahan data dilakukan dengan menggunakan model prediksi decision tree, yang mampu menentukan kelas dari setiap variabel yang dianalisis.
Hasil analisis ini dievaluasi dengan menggunakan confusion matrix untuk mengukur akurasi, presisi, recall, dan F1-score yang menjadi tolak ukur keberhasilan model dalam penelitian ini.
Evaluasi model dilakukan untuk memastikan ketepatan klasifikasi dan memastikan bahwa data arsip telah diolah dengan tepat sesuai dengan standar yang telah ditentukan.
HASIL DAN PEMBAHASAN
Dengan menggunakan data arsip surat untuk dijadikan dasar dalam pemberian Tabel 1.
Pada label status surat yang berasal dari Fakultas Arsitektur Lansekap dan Teknologi Lingkungan Universitas Trisakti.
Berikut ini adalah data arsip surat FALTL.
Tabel 1 Label Surat
FACULTY OF LANDSCAPE ARCHITECTURE AND ENVIRONMENTAL TECHNOLOGY
TRISAKTI UNIVERSITY
Deskripsi Pengirim Penerima Surat Wakil Rektor I Penerima (WR I) 52 Surat 243 Surat Surat Undangan Fakultas Arsitektur 12 Surat 51 Surat Rapat Umum Lanskap dan 51 Surat Teknologi Lingkungan Undangan (FALTL) 26 Surat 139 Surat Rapat Surat Pimpinan Sumber: Data Olahan Peneliti, 2024 Proses ini bertujuan untuk menjaga keteraturan, aksesibilitas, dan keamanan informasi yang tersimpan dalam bentuk arsip.
Setelah melakukan identifikasi dan perumusan masalah, peneliti melakukan pengumpulan dataset sebelum data tersebut diolah dengan menggunakan model Decision Tree.
Selanjutnya dilakukan pengujian dengan Rapid Miner untuk melihat keakuratan algoritma Decision Tree dalam mengklasifikasikan data prediksi kesiapan surat sebagai data arsip pada penelitian ini dapat dilihat pada gambar berikut.
196 | Volume 3 Nomor 2 2024 Sci-Tech Journal Volume 3 Nomor 2 .
193 - 203 E-ISSN 2830-6759 DOI: 10.
56709/stj.
Gambar 1 Model Algoritma Pohon Keputusan Data Olahan Peneliti, 2024 Berdasarkan gambar di atas menjelaskan bahwa dalam menyusun model algoritma Decision tree terdapat beberapa operator yang akan digunakan, yaitu Read Excel.
Set Role.
Cross Validation.
Decision Tree.
Apply Model dan Performance.
Gambar 2 Plot View Data Olahan Peneliti, 2024 Gambar 3 Performance Vector Data Olahan Peneliti, 2024 Berikut ini adalah hasil dari uji coba Performance yang menghasilkan hasil akurasi tertinggi yaitu 84.
77% yang didapatkan dari pembagian 90.
29% data surat selesai dengan 59% data surat tunggu.
197 | Volume 3 Nomor 2 2024 Sci-Tech Journal Volume 3 Nomor 2 .
193 - 203 E-ISSN 2830-6759 DOI: 10.
56709/stj.
Vektor Performa Akurasi ConfusionMatrix Benar Selesai Menunggu : 84.
75% /- 6.
48% .
ata-rata mikro: 84.
: Selesai Menunggu : 158 20
: 17 48
Gambar 4 Pohon Keputusan Data Olahan Peneliti, 2024 Berdasarkan penjelasan gambar di atas:
Keterangan = undangan rapat pimpinan | Penerima = Wakil Rektor I WR I: Selesai {Selesai =11.
Menunggu = .
| Penerima = Wakil Rektor II WR II: Menunggu {Selesai =11.
Menunggu = .
Deskripsi = undangan rapat umum: Selesai {Selesai = 50.
Menunggu = .
Deskripsi = undangan sosialisasi tendik | Penerima = Wakil Rektor I WR I: Menunggu {Selesai = 6.
Menunggu = .
| Penerima = Wakil Rektor II WR II: Selesai {Selesai = 97.
Menunggu = .
Gambar 5 ExampletSet Count Data Olahan Peneliti, 2024 Berikut ini adalah Contoh Hasil Hitung Keterangan pada Rapid Miner 198 | Volume 3 Nomor 2 2024 Sci-Tech Journal Volume 3 Nomor 2 .
193 - 203 E-ISSN 2830-6759 DOI: 10.
56709/stj.
Nilai Nominal Undangan Sosialisasi Tendik adalah 139 Hitungan Absolut dan Pecahan 0.
Nilai Nominal Undangan Rapat Umum adalah 53 Hitungan Absolut dan Pecahan 0.
Nilai Nominal Undangan Rapat Pimpinan adalah 51 Jumlah Absolut dan Pecahan 0.
Gambar 6 ExampletSet Count (Pengiri.
Data Olahan Peneliti, 2024 Berikut adalah hasil dari Sender ExampleSet Count pada Rapid Miner Nilai Nominal Fakultas Arsitektur Lansekap dan Teknologi Lingkungan adalah 243 Jumlah Absolut dan 1 Pecahan.
Gambar 7 Example of Set Count (Penerim.
Data Olahan Peneliti, 2024 Berikut ini adalah hasil dari ExampleSet Count Recipient pada Rapid Miner Nilai Nominal Wakil Rektor II adalah 191 Hitungan Absolut dan Pecahan 0.
Nominal Value Wakil Rektor I adalah 52 Absolute count dan 0.
214 Fraction.
199 | Volume 3 Nomor 2 2024 Sci-Tech Journal Volume 3 Nomor 2 .
193 - 203 E-ISSN 2830-6759 DOI: 10.
56709/stj.
Gambar 8 Example of Set Count (Statu.
Data Olahan Peneliti, 2024 Berikut ini adalah hasil perhitungan ExampleSet yang diterima di Rapid Miner Nilai Nominal Selesai adalah 175 Hitungan Absolut dan 0.
720 Pecahan.
Nilai Nominal Menunggu adalah 68 Hitungan absolut dan 0.
280 Pecahan.
Pada penelitian ini, algoritma Decision Tree digunakan untuk mengklasifikasikan data prediksi arsip surat dengan menggunakan tools Rapid Miner.
Hasil dari pengujian ini meliputi akurasi model dan analisis menggunakan confusion matrix.
Hasil akurasi tertinggi yang didapatkan adalah 84.
77% dengan margin of error sebesar /- 6.
48% .
ata-rata mikro: 84.
77%).
Gambar 9 Performace Vector Data Olahan Peneliti, 2024 Evaluasi Matriks Kebingungan True Positives (TP): 158 (Jumlah surat yang sebenarnya AuSelesaiAy dan diprediksi AuSelesaiA.
False Positives (FP): 20 (Jumlah surat yang sebenarnya AuMenungguAy tetapi diprediksi AuSelesaiA.
False Negatives (FN): 17 (Jumlah surat yang sebenarnya AuSelesaiAy tetapi diprediksi AuMenungguA.
True Negatives (TN): 48 (Jumlah email yang sebenarnya AuMenungguAy dan diprediksi sebagai AuMenungguA.
200 | Volume 3 Nomor 2 2024 Sci-Tech Journal Volume 3 Nomor 2 .
193 - 203 E-ISSN 2830-6759 DOI: 10.
56709/stj.
Gambar 10 Perhitungan Matriks Kebingungan Data Olahan Peneliti, 2024 Berdasarkan hasil evaluasi ini, algoritma Decision Tree terbukti memiliki performa yang baik dalam klasifikasi data arsip dengan tingkat akurasi sekitar 84,77%.
Nilai precision dan recall yang tinggi menunjukkan bahwa model ini cukup handal dalam memprediksi status surat AuSelesaiAy dan AuMenungguAy.
Penelitian ini juga menyimpulkan bahwa penerapan algoritma machine learning khususnya Decision Tree memberikan manfaat yang cukup signifikan dalam pengelolaan arsip surat di Fakultas Arsitektur Lansekap dan Teknologi Lingkungan Universitas Trisakti.
KESIMPULAN DAN SARAN
Berdasarkan hasil penelitian dan analisis pengelolaan arsip menggunakan algoritma machine learning dengan metode Decision Tree di Fakultas Arsitektur Lansekap dan Teknologi Lingkungan Universitas Trisakti, maka dapat ditarik beberapa kesimpulan Pertama, algoritma Decision Tree terbukti efektif dalam mengelola data arsip surat masuk dan surat keluar.
Hasil pengujian menunjukkan bahwa penggunaan algoritma ini berpengaruh positif dan signifikan dalam memudahkan pencarian dan pengelolaan dokumen arsip.
Kedua, implementasi algoritma ini berhasil meningkatkan kualitas pengelolaan arsip dengan membuat proses penyimpanan, pemeliharaan, dan pencarian arsip menjadi lebih efisien dan sistematis.
Ketiga, hipotesis kerja (H.
yang menyatakan bahwa terdapat pengaruh positif dan signifikan penggunaan metode Decision Tree terhadap data arsip surat terbukti benar, sedangkan hipotesis nol (H.
yang menyatakan bahwa tidak terdapat pengaruh yang signifikan terbukti salah.
Hal ini sesuai dengan tujuan awal penelitian yang bertujuan untuk meningkatkan efisiensi pengelolaan arsip melalui teknologi berbasis Machine Learning.
Selain itu, metode klasifikasi algoritma Decision Tree yang diusulkan menghasilkan nilai akurasi yang cukup baik, yaitu sebesar 84,77% dengan margin of error sebesar /- 6,48% .
ata-rata mikro: 84,77%), yang terlihat dari hasil evaluasi Confusion Matrix Classification.
Keempat, pembahasan yang telah dilakukan jelas mendukung keberhasilan algoritma ini dalam meningkatkan manajemen arsip serta memberikan solusi yang relevan dengan permasalahan yang diangkat dalam latar belakang Berdasarkan kesimpulan tersebut, diajukan beberapa saran untuk pengembangan dan perbaikan pengelolaan arsip di masa yang akan datang.
Pertama, disarankan untuk meningkatkan infrastruktur teknologi, termasuk perangkat keras dan perangkat lunak, untuk mendukung implementasi algoritma machine learning dalam pengelolaan arsip.
Kedua, pelatihan dan pengembangan keterampilan staf dalam penggunaan teknologi 201 | Volume 3 Nomor 2 2024 Sci-Tech Journal Volume 3 Nomor 2 .
193 - 203 E-ISSN 2830-6759 DOI: 10.
56709/stj.
pengelolaan arsip berbasis machine learning perlu dilakukan untuk memastikan pemanfaatan teknologi ini secara optimal.
Ketiga, evaluasi secara berkala terhadap sistem pengelolaan arsip yang telah diimplementasikan juga perlu dilakukan untuk memastikan efektivitas dan efisiensi sistem, serta melakukan perbaikan jika ditemukan kekurangan.
Keempat, dengan keberhasilan implementasi di Fakultas Arsitektur Lanskap dan Teknologi Lingkungan, disarankan untuk menerapkan metode ini di unit atau departemen lain di dalam universitas untuk meningkatkan efisiensi pengelolaan arsip secara keseluruhan.
Terakhir, disarankan untuk melakukan penelitian dan pengembangan algoritma pembelajaran mesin lainnya yang mungkin lebih efektif atau dapat bekerja secara komplementer dengan Decision Tree, untuk lebih meningkatkan kualitas pengelolaan arsip.
Dengan mengikuti saran-saran tersebut, diharapkan pengelolaan arsip di Fakultas Arsitektur Lanskap dan Teknologi Lingkungan.
Universitas Trisakti semakin membaik dan menjadi contoh bagi unit-unit lainnya.
DAFTAR PUSTAKA