81
JURNAL SISTEM DAN INFORMATIKA (JSI)
Optimasi Klasifikasi Naive Bayes Menggunakan Analisis Kemiripan Data untuk Mengukur Kinerja Dosen Dandy Pramana Hostiadi1.
Ni Luh Putri Srinadi2.
I Made Darma Susila3 Institut Teknologi dan Bisnis STIKOM Bali e-mail: 1 dandy@stikom-bali.
id, 2putri@stikom-bali.
id, 3darma_s@stikom-bali.
Diajukan: 6 Desember 2022.
Direvisi: 9 Januari 2023.
Diterima: 11 Januari 2023 Abstrak Dosen memiliki kewajiban Tridarma yaitu wajib melaksanakan pendidikan, penelitian dan pengabdian kepada masyarakat.
Terdapat beberapa variabel yang dapat digunakan dalam mengukur kualitas kinerja dosen, seperti motivasi, kepemimpinanan, budaya organisasi, dan pelatihan.
Beberapa penelitian sebelumnya memodelkan pengukuran dengan pendekatan klasifikasi.
Namun model klasifikasi perlu dioptimalkan untuk mendapatkan hasil yang optimal, misalnya dalam dengan pengukuran kemiripan data kinerja dosen sehingga mampu mendapatkan model yang optimal.
Metode pengukuran kemiripan data dapat digunakan agar dapat mengelompokkan berdasarkan kelompok pola data dan mengurangi data yang bersifat redundan.
Semakin banyak data yang memiliki kemiripan maka model akan mengklasifikasikan lebih cepat dan tepat.
Penelitian ini melakukan optimasi klasifikasi menggunakan pengukuran kemiripan yaitu euclidean distance untuk mengelompokkan data sehingga didapatkan kelompok data yang serupa dan digunakan dalam pengukuran klasifikasi.
Metode klasifikasi yang digunakan adalah naive bayes, dan optimasi menunjukkan model memiliki performa yang lebih baik dibandingkan tanpa menggunakan metode analisis kemiripan data dengan akurasi sebesar 0.
757, precision 0.
763, recall 0.
757 dan F1-score adalah Pendekatan yang diusulkan dapat digunakan di perguruan tinggi untuk mengukur kinerja dosen yang menggunakan metode klasifikasi dengan hasil yang tepat dan cepat.
Kata kunci: Kemiripan.
Naive-Bayes.
Klasifikasi.
Kinerja dosen.
Abstract Lecturers have Tridharma's responsibilities: teaching, research, and community service.
The institution can use several variables to measure the quality of lecturer performance, such as motivation, leadership, organizational culture, and training.
Previous studies introduced models to measure the lecturer's work performance using a classification approach.
However, the classification model needs to be optimized to get optimal results.
To obtain optimal performance, the classification model can use the similarity analysis technique on lecturer performance data to group data patterns based on groups and reduce redundan data.
The more similar data there is, the more quickly and precisely the model will classify This research performs classification optimization using similarity measurements, namely Euclidean distance, to group data so that similar data groups are obtained and used in classification measurements.
The classification method used is naive Bayes, and optimization shows that the model performs better than without using the data similarity analysis method with an accuracy of 0.
757, precision of 0.
763, recall of 757 and F1-score of 0.
This model can be used in higher education to measure lecturer performance using classification methods with precise and fast results.
Keywords: similarity.
Naive Bayes, classification, lecturer work performance.
Pendahuluan Undang Undang no 12 tahun 2012 menyatakan bahwa perguruan tinggi adalah sebagai penyelenggara pendidikan tinggi dengan fungsi untuk pengembangan pendidikan atau civitas pendidikan yang inovatif, kreatif, terampil, berdaya saing dan kooperatif .
Dosen dalam hal tersebut memiliki peran vital yaitu melaksanakan Pendidikan.
Penelitian dan Pengabdian .
Sehingga dibutuhkan suatu pengukuran yang objektif dalam menentukan kinerja dosen yang tepat.
Kinerja dosen dapat diukur dari beberapa parameter diantaranya adalah pelatihan.
, budaya organisasi.
, lingkungan kerja.
, kepuasan.
, perilaku kepemimpinan .
, 6Ae.
, motivasi.
dan komitmen organisasi.
Namun, tidak semua parameter dapat ditemukan dalam sebuah institusi p-ISSN: 1858-473X, e-ISSN: 2460-3732 pendidikan dan tidak tidak serta merta dapat dimodelkan dalam model pengukuran kinerja dosen.
Misalnya, dalam pengukuran model hanya terdapat 1 hingga 2 variabel yang relevan untuk digunakan dalam pemodelan pengukuran kualitas kinerja dosen, misalnya penggunaan variabel kepemimpinan dan motivasi kerja .
Ae.
Pada penelitian .
, .
, menyebutkan bahwa budaya organisasi diperlukan dalam sebuah Budaya organisasi dikatakan dapat mengukur kualitas tenaga pengajar dan menciptakan suasana lingkungan kerja yang optimal dan menunjang kualitas pendidikan.
Teknik pengukuran budaya organisasi dapat dilihat berdasarkan bagaimana perilaku dan tindakan dosen dalam lingkungannya.
Sedangkan menurut .
, keberadaan budaya di dalam organisasi atau disebut dengan budaya organisasi tidak bisa dilihat oleh mata, tapi bisa dirasakan.
Budaya organisasi itu bisa dirasakan keberadaannya melalui perilaku anggota karyawan di dalam organisasi itu sendiri.
Kebudayaan tersebut memberikan pola, caracara berpikir, merasa menanggapi dan menuntun para anggota dalam organisasi.
Oleh karena itu, budaya organisasi akan berpengaruh juga terhadap efektif atau tidaknya suatu organisasi.
Budaya organisasi biasanya juga dijelaskan sebagai keyakinan inti yang dimiliki secara bersama oleh anggota organisasi.
Keyakinan ini mencerminkan pemahaman tentang nilai-nilai kebersamaan yang diekspresikan dalam perilaku anggota organisasi.
Beberapa penelitian sebelumnya, mengenalkan proses analisis kinerja dosen yang melibatkan penggunaan model analisis data secara statistik.
Penelitian terdahulu .
, 10, .
menganalisis secara statiskal mencari kausalitas dengan menggunakan SEM (Structural Equation Modellin.
dan secara Penelitian ini mampu menganalisis hubungan setiap parameter pengukuran dengan hasil nilai yang optimal.
Namun, pengukuran yang dilakukan hanya menunjukkan pengaruh satu arah berdasarkan parameter yang diukur seperti melibatkan dua parameter yaitu kepemimpinan dan budaya organisasi.
Seiring dengan perkembangan teknologi pengolahan data, maka untuk mengukur kinerja dosen dapat menggunakan pendekatan artificial intelligent .
Beberapa metode klasifikasi yang umum digunakan adalah Decision Tree.
Naive Bayes, k-NN.
SVM dan Random Forest .
, 16Ae.
Model ini mampu bekerja dengan baik dalam melakukan klasifikasi, namun memerlukan optimasi dalam penanganan data yang besar dan beberapa data yang bersifat ganda.
Penanganan data awal dalam tahap pra pemrosesan sering menggunakan pendekatan data normalisasi .
, .
dan pemetaan kemiripan data.
Teknik ini mampu menunjukkan pengaruh terhadap peningkatan akurasi model prediksi.
Penelitian ini mengenalkan teknik optimasi metode klasifikasi dengan penggunaan pendekatan analisis kemiripan yaitu metode euclidean distance untuk mengukur kemiripan data kinerja dosen.
Tujuannya adalah untuk menekan kemungkinan data yang bersifat redundan sehingga dapat meningkatan efisiensi klasifikasi dan akurasi metode klasifikasi Naive bayes.
Keterbaharuan dari penelitian ini adalah untuk mendapatkan model kerja dari metode euclidean terhadap model klasifikasi Naive Bayes.
Manfaat dari penelitian ini adalah agar dapat membantu analisis dari setiap perguruan tinggi dalam menganalisis kinerja dosen yang tepat, efisien dan akurat dengan menggunakan metode klasifikasi Naive Bayes.
Metode Penelitian Dalam penelitian ini, dataset yang digunakan adalah pengukuran kinerja dosen yang menggunakan satu variabel yaitu budaya organisasi yang memiliki sub-variable yaitu Keyakinan.
Perilaku.
Sistem Kontrol.
Norma-norma.
Kepercayaan.
Nilai Kebersamaan.
Pembagian Kerja.
Alur Model yang diusulkan dalam penelitian ini ditunjukkan pada Gambar 1.
Gambar 1.
Alur Model JURNAL SISTEM DAN INFORMATIKA Vol.
No.
Mei 2023.
Data Tabulasi Dalam penelitian ini pengambilan data menggunakan kuesioner, dimana mengambil 53 data penilaian kinerja dosen dari variabel budaya organisasi.
Jika budaya organisasi dinotasikan sebagai AO dan memiliki 7 sub-variabel Aycn,7 adalah Keyakinan A1 .
Perilaku A2 .
Sistem Kontrol A3 .
Norma-norma A4 .
Kepercayaan A5 .
Nilai Kebersamaan A6 .
Pembagian Kerja A7 , maka dalam tabulasi data, nilai budaya data dituliskan menjadi A OO AO.
AO = {A1 .
A2 .
A3 .
A4 .
A5 .
A6 .
A7 , }.
Pembersihan Data Di tahap ini dilakukan pembersihan data yaitu penghapusan nilai record data yang tidak memiliki penilaian sub-variabel penilaian.
Dalam penelitian ini, jika data data record dinotasikan sebagai yc dan dataset merupakan kumpulan data .
cI), maka berlaku persamaan .
Eaycaycyycyc, ycycnycoyca ycuycnycoycaycn A = ycuycycoyco yaycaycyca ycycn { yccycaycyca ycycn = ycaycayciycnycaycu yccycaycyca ycI, ycycnycoyca ycuycnycoycaycn A O ycuycycoyco Pengukuran Kemiripan Pengukuran kemiripan dilakukan dilakukan dengan menggunakan pengukuran euclidean distance yang ditunjukkan pada persamaan .
ycc = Oo[.
cu2 Oe ycu1 )2 .
c2 Oe yc1 )2 ], .
dimana ycc adalah hasil pengukuran jarak, ycu adalah kordinat selisih data ycu pertama dan kedua dan yc adalah koordinat selisih data yc pertama dan kedua.
Sehingga dalam penelitian ini, jika ycu2 adalah data Aycn,yc2 , yc2 adalah data Ayc,yc2 , ycu1 adalah data Aycn,yc1 , yc1 adalah data Ayc,ycycn maka perhitungan euclidean distance untuk mengukur kemiripan data menjadi persamaan .
ycc = Oo[(A1,yc2 Oe A1,yc1 ) (A2,yc2 Oe A2,yc1 ) (AA,yc2 Oe AA,yc1 ) (A7,yc2 Oe A7,yc1 ) ], .
Hasil dari kemiripan menghasilkan kumpulan data r yang memiliki kemiripan.
Jika terdapat data yang memiliki kemiripan tinggi, maka dinyatakan data tersebut digabungkan ke dalam data yang sama.
Data Normalisasi Pada tahap ini dilakukan proses normalisasi data, yaitu menormalkan data menjadi skala nilai Tujuan dari proses ini adalah menstandarisasi skala nilai dari setiap fitur, ditunjukkan pada persamaan .
ycuOeycuycoycnycu ycu A = ycu Oeycu ycoycaycu ycoycnycu dimana ycu A adalah nilai data yang telah dinormalisasi, ycu adalah nilai asli dari data, ycuycoycnycu adalah nilai minimum dari dataset, dan ycuycoycaycu adalah adalah nilai maksimum dari dataset.
Pemecahan Data Di Tahap ini dilakukan pemecahan data ke dalam dua data, yaitu data latih dan data uji.
Data latih digunakan dalam training data dan data uji digunakan unutk proses klasifikasi.
Data latih adalah data yang digunakan untuk proses pelatihan dari model klasifikasi.
Data latih ini terbentuk pada proses pemecahan Data uji adalah data yang akan diuji dalam model klasifikasi.
Dalam penelitian ini pemecahan data menggunakan komposisi 70% sebagai data latih dan 30% sebagai data uji.
Model Klasifikasi Pada tahap ini dilakukan pelatihan dengan model klasifikasi naive bayes.
Model akan melakukan pelatihan terhadap data, dan memprediksi data uji dalam tahap klasifikasi.
Persamaan naive bayes ditunjukkan pada persamaan .
Parameter yang diestimasi adalah mean dan variansi untuk setiap fitur dalam setiap kelas.
yaA) = ycE.
ycE .
aA) .
Optimasi Klasifikasi Naive Bayes Menggunakan Analisis Kemiripan Data untuk Mengukur Kinerja Dosen (Dandy Pramana Hostiad.
84 Proses Klasifikasi Pada tahap ini dilakukan klasifikasi terhadap data uji.
Terdapat 2 kelas prediksi yaitu performa bagus dan performa buruk terhadap kinerja dosen.
Proses Evaluasi Model Dalam proses evaluasi metode klasifikasi, dilakukan pengukuran nilai akurasi, precision dan Pengukuran dilakukan dengan menganalisis nilai yang terdapat pada confusion matrix.
Dalam confusion matrix terdapat True Positive (TP): Jumlah kasus di mana model memprediksi positif dan sebenarnya positif.
True Negative (TN): Jumlah kasus di mana model memprediksi negatif dan sebenarnya False Positive (FP): Jumlah kasus di mana model memprediksi positif tetapi sebenarnya negatif.
Ini juga dikenal sebagai tipe I error.
False Negative (FN): Jumlah kasus di mana model memprediksi negatif tetapi sebenarnya positif.
Ini juga dikenal sebagai tipe II error Persamaan akurasi ditunjukkan pada persamaan .
, precission pada persamaan .
, recall pada persamaan .
, dan F1-score pada persamaan .
ycNycE ycNycA ycaycaycaycycycaycayc = ycNycE yaycE yaycA ycNycA ycyycyceycaycnycycnycuycu = ycyceycaycaycoyco = ycNycE ycNycE yaycE ycNycE ycNycE yaycA ya1 Oe ycycaycuycyce = 2 C ycyycyceycaycnycycnycuycu C ycyceycaycaycoyco ycyycyceycaycnycycnycuycu _ ycyceycaycaycoyco Hasil dan Pembahasan Di penelitian ini, model diolah dengan spesifikasi komputer dengan processor core i5.
RAM 8 GB dan storage SSD 128GB.
Bahasa pemrograman yang digunakan adalah Python versi 3.
Di tahap awal, data yang diolah dalam bentuk data tabular ditunjukkan pada Tabel 1.
Tabel 1.
Contoh Data Tabular dari Kuesioner.
Data yeeyeO Keyakinan Perilaku Sistem Kontrol Normanorma Kepercayaan Nilai Kebersamaan Pembagian Kerja A A A A A A A A Pada tahap pembersihan data, tidak ditemukan data yang bersifat kosong.
Sehingga data yang digunakan tetap berjumlah 53 data.
Kemudian dilanjutkan dengan proses pengukuran data dengan metode JURNAL SISTEM DAN INFORMATIKA Vol.
No.
Mei 2023.
euclidean distance.
Dalam pengukuran Euclidean Distance, penggunaan data yang diukur adalah terhadap 53 data dengan 7 sub-parameter, dan menghasilkan hasil pengukuran matirk dalam 2 pasangan data sejumlah 1378 data Matrix.
Hasil pengukuran ditunjukkan pada Gambar 2, dan hasil dari pengukuran data ditunjukkan pada Tabel 2.
Gambar 2.
Contoh Hasil Pengukuran Kemiripan dengan Euclidean Distance Tabel 2.
Statistik Nilai Hasil Pengukuran Euclidean Distance Evaluasi Kemiripan Nilai Maksimum Nilai Minimum Nilai rata-rata Nilai Median Nilai Dari hasil pengukuran kemiripan, didapatkan nilai statsistik seperti nilai maksimal kemiripan diantara dua pasangan data, nilai minimal, nilai rata-rata dan nilai median.
Pengukuran nilai statistik digunakan untuk mendapatkan pengukuran nilai ambang kemiripan.
Nilai ambang diperlukan untuk mendapatkan seberapa kuat kemiripan diantara data kinerja dosen satu dengan lainnya.
Untuk mendapatkan nilai ambang, dilakukaan pemetaan dari seluruh total pengukuran data.
Selain itu, nilai ambang yang didapatkan dalam penelitian ini digunakan untuk menggabungkan mana data yang serupa dan terkelompok menjadi satu data dengan diwakili oleh nilai tertinggi.
Dalam penelitian ini, hasil yang dari Tabel 2, digunakan pengukuran nilai ambang kemiripan yang dihitung menggunakan menggunakan persamaan .
yayceycoycnycycnycyycaycu = ycoycaycoycycnycoycayco ycuycnycoycaycn ycoyceycoycnycycnycyycaycuycycn,yc53 ycoycnycuycnycoycyco ycuycnycoycaycn ycoyceycoycnycycnycyycaycuycycn,yc53 .
sehingga dari nilai yang didapatkan, nilai ambang kemiripan yang digunakan dalam reduksi data adalah Data yang berhasil direduksi adalah sebesar 30.
19% atau terdapat 16 data yang digabung dan tercatat sebagai data redundan.
Sisa data sejumlah 37 data digunakan dalam model klasifikasi.
Hasil klasifikasi metode naive bayes dalam bentuk confusion matrix ditunjukkan pada Gambar 3, dan evaluasi klasifikasi ditunjukkan pada Tabel 3.
Optimasi Klasifikasi Naive Bayes Menggunakan Analisis Kemiripan Data untuk Mengukur Kinerja Dosen (Dandy Pramana Hostiad.
86 Gambar 3.
Confusion Matrix Hasil Klasifikasi Nayve Bayes Tabel 3.
Hasil Klasifikasi Naive Bayes Parameter Evaluasi Akurasi Precision Recall F1-Score Nilai Hasil yang didapatkan dibandingkan dengan pengolahan data yang tidak menggunakan analisis Perbandingan antara hasil klasifikasi dengan penggunaan analisis kemiripan dan tanpa analisis kemiripan ditunjukkan pada Tabel 4.
Tabel 4.
Detail Perbandingan Performa Klasifikasi Parameter Evaluasi Akurasi Precision Recall F1-Score Waktu Train .
Waktu Test .
Nilai dengan Analisis Kemiripan Nilai tanpa Analisis Kemiripan Hasil dari perbandingan menunjukkan bahwa model yang menggunakan analisis kemiripan memiliki performa yang lebih baik dibandingkan tanpa menggunakan analisis kemiripan.
Nilai akurasi 72% lebih baik dimana nilai dari model tanpa analisis kemiripan hanya mencapai nilai 585, sedangkan model yang menggunakan analisis kemirpin mampu mencapai nilai 0.
Perbandingan nilai precision menunjukkan bahwa model yang menggunakan analisis kemiripan memiliki nilai lebih tinggi yaitu 0.
763 dibandingkan tanpa menggunakan analisis kemiripan dengan nilai 0.
583 dengan selisih Perbandingan nilai recall, model dengan analisis kemiripan memiliki performa lebih baik 757 dibandingkan dengan tanpa anlisis kemiripan sebesar 0.
585 atau berbeda sebesar 22.
evaluasi terakhir pada parameter F1-score, model tanpa analisis kemiripan jauh lebih rendah yaitu dengan 581 dibandingkan dengan model yang menggunakan analisis kemiripan yaitu 0.
755 dengan perbedaan sebesar 23.
Hasil perbandingan dari evaluasi model klasifikasi ditunjukkan pada Gambar Gambar 4.
Perbandingan Evaluasi Akurasi.
Precision.
Recall dan F1-score JURNAL SISTEM DAN INFORMATIKA Vol.
No.
Mei 2023.
Selain membandingkan analisis akurasi, precision, recall dan F1-score, penelitian ini melakukan perbandingan dari sisi waktu komputasi pada proses pelatihan dan pengujian.
Hasil model dengan menggunakan analisis kemiripan memiliki performa komputasi yang lebih cepat yaitu 0.
003 detik pada proses pelatihan dan 0.
001 detik pada proses pengujian.
Sedangkan pada model yang tidak menggunakan analisis kemiripan memiliki waktu komputasi lebih lama yaitu 0.
008 detik pada proses pelatihan dan 0.
detik pada proses pengujian.
Hal ini menunjukkan bahwa model dengan analisis kemiripan mampu lebih cepat melakukan proses pelatihan dan pengujian data berdasarkan data yang digunakan.
Hasil perbandingan dari komputasi pelatihan model klasifikasi dan pengujian ditunjukkan pada Gambar 5.
Gambar 5.
Perbandingan Waktu Komputasi Pelatihan dan Pengujian Data Uji Kesimpulan Pada penelitian ini mengusulkan model optimasi metode klasifikasi Naive Bayes dengan pendekatan analisis kemiripan menggunakan pengukuran jarak yaitu Euclidean Distance pada studi kasus data pengukuran kinerja dosen.
Pengukuran kemiripan bertujuan untuk mereduksi data ganda dan meningkatkan akurasi metode klasifikasi.
Hasil yang didapatkan bahwa model memiliki performa klasifikasi yang baik, yaitu mampu memiliki performa di atas 0.
75 dengan nilai akurasi 0.
757, precision 763, recall 0.
757 dan F1-score adalah 0.
Walaupun hasil evaluasi menunjukkan model belum mampu menghasilkan nilai di atas 90%, model ini memiliki hasil yang lebih baik dibandingkan dengan model klasifikasi yang tanpa menggunakan metode analisis kemiripan.
Penelitian selanjutnya akan dilakukan pengembangan terhadap analisis optimasi agar model mampu menghasilkan performa rata-rata di atas 90%.
Selain itu, dapat dilakukan analisis terhadap perangkingan dari setiap parameter kinerja dosen dan menambah sub-parameter yang diukur dalam pengukuran kinerja dosen.
Daftar Pustaka