SISTEM PENDUKUNG KEPUTUSAN JENJANG KARIR KARYAWAN MENGGUNAKAN METODE NAÏVE BAYES (STUDY KASUS DINAS PERIKANAN DAN KELAUTAN SURABAYA).

SISTEM PENDUKUNG KEPUTUSAN J ENJ ANG KARIR KARYAWAN
MENGGUNAKAN METODE NAÏVE BAYES (STUDY KASUS DINAS
PERIKANAN DAN KELAUTAN SURABAYA)

SKRIPSI

Disusun oleh :

TRIYUDA BAYU WARDANA
NPM. 0834010104

PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL "VETERAN" J AWA TIMUR
SURABAYA
2012

SISTEM PENDUKUNG KEPUTUSAN J ENJ ANG KARIR KARYAWAN
MENGGUNAKAN METODE NAÏVE BAYES (STUDY KASUS DINAS
PERIKANAN DAN KELAUTAN SURABAYA)

SKRIPSI
Diajukan Untuk Memenuhi Sebagai Persyaratan
Dalam Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika

Disusun oleh :

TRIYUDA BAYU WARDANA
NPM. 0834010104

PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” J AWA TIMUR
SURABAYA
2012

LEMBAR PENGESAHAN

SISTEM PENDUKUNG KEPUTUSAN J ENJ ANG KARIR
KARYAWAN MENGGUNAKAN METODE NAÏVE BAYES

(STUDY KASUS DINAS PERIKANAN DAN KELAUTAN
SURABAYA)
Disusun Oleh :

TRIYUDA BAYU WARDANA
NPM. 0834010104

Telah disetujui untuk mengikuti Ujian Negara Lisan
Periode Desember Tahun Akademik 2012 / 2013
Menyetujui,
Pembimbing I

Pembimbing II

Rinci Kembang H, S.Si, M.Kom
NPT. 3 7712 08 0168 1

Fetty Tri Anggraeny, S.Kom, M.Kom
NPT. 3 8202 06 0208 1

Mengetahui,
Ketua Program Studi Teknik Informatika
Fakultas Teknologi Industri
Universitas Pembangunan Nasional ”Veteran” J awa Timur

Dr. Ir. Ni Ketut Sari, M.T
NIP. 19650731 199203 2001

SKRIPSI

SISTEM PENDUKUNG KEPUTUSAN J ENJ ANG KARIR
KARYAWAN MENGGUNAKAN METODE NAÏVE BAYES
(STUDY KASUS DINAS PERIKANAN DAN KELAUTAN
SURABAYA)
Disusun Oleh :

TRIYUDA BAYU WARDANA
0834010104
Telah dipertahankan dan diterima oleh Tim Penguji Skripsi
Program Studi Teknik Informatika Fakultas Teknologi Industri

Universitas Pembangunan Nasional ”Veteran” J awa Timur
Pada Tanggal 14 Desember 2012
Pembimbing :
1.

Tim Penguji :
1.

Rinci Kembang H, S.Si, M.Kom
NPT. 3 7712 08 0168 1

Basuki Rahmat, S.Si, MT
NPT. 3 6907 06 0209 1

2.

2.

Fetty Tr i Anggr aeny, S.Kom, M.Kom
NPT. 3 8202 06 0208 1

Ir . Pur nomo Edi Sasongko, MP

NIP. 19640714 198803 1 001
3.

Budi Nugr oho, S.Kom, M.Kom
NPT. 38009 050 2051

Mengetahui,
Dekan Fakultas Teknologi Industr i
Universitas Pembangunan Nasional ”Veter an” J awa Timur

Ir . Sutiyono, MT
NIP. 19600713 198703 1001

YAYASAN KESEJ AHTERAAN PENDIDIKAN DAN PERUMAHAN
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” J AWA TIMUR
FAKULTAS TEKNOLOGI INDUSTRI
PANITIA UJ IAN SKRIPSI / KOMPREHENSIF

J l. Raya Rungkut Madya Gunung Anyar Telp. (031) 8706369 (Hunting). Fax. (031) 8706372 Sur abaya 60294

KETERANGAN REVISI
Kami yang bertanda tangan di bawah ini menyatakan bahwa mahasiswa berikut :
Nama

: TRIYUDA BAYU WARDANA

NPM

: 0834010104

Jurusan

: Teknik Informatika

Telah mengerjakan revisi / tidak ada revisi*) pra rencana (design) / skripsi ujian lisan periode
desember , TA 2012/2013 dengan judul:
“SISTEM PENDUKUNG KEPUTUSAN J ENJ ANG KARIR KARYAWAN
MENGGUNAKAN METODE NAÏVE BAYES (STUDY KASUS DINAS PERIKANAN DAN

KELAUTAN SURABAYA)”
Surabaya, 19 November 2012
Dosen Penguji yang memeriksa revisi

1)

2)

3)

Basuki Rahmat, S.Si, MT
NPT. 3 6907 06 0209 1

{

}

Ir. Purnomo Edi Sasongko, MP
NIP. 19640714 198803 1 001

{

}

Budi Nugroho, S.Kom, M.Kom
NPT. 38009 050 2051

{

}

Mengetahui,
Dosen Pembimbing
Pembimbing I

Rinci Kembang H, S.Si, M.Kom
NPT. 3 7712 08 0168 1

Pembimbing II

Fetty Tri Anggraeny, S.Kom, M.Kom
NPT. 3 8202 06 0208 1

UCAPAN TERIMA KASIH

Syukur Alhamdulillaahi rabbil ‘alamin terucap ke hadirat Allah SWT atas
segala limpahan Kekuatan-Nya sehingga skripsi ini dapat terselesaikan. Ucapan
terima kasih ini saya persembahkan sebagai perwujudan rasa syukur atas
terselesaikannya skripsi yang tidak terlepas dari bantuan banyak pihak yang telah
memberikan masukan. Ucapan terima kasih ini saya tujukan kepada :
1. Bapak Prof. Dr. Ir. Teguh Soedarto, MP selaku Rektor Universitas
Pembangunan Nasional “Veteran” Jawa Timur (UPN “Veteran” Jatim).
2. Bapak Sutiyono, MT selaku Dekan Fakultas Teknologi Industri UPN
“Veteran” Jatim.
3. Ibu Dr. Ir. Ni Ketut Sari, MT selaku Ketua Jurusan Teknik Informatika UPN
“Veteran” Jatim.
4. Bapak Firza Prima Aditiawan, S.Kom selaku PIA Tugas Akhir Teknik
Informatika UPN “Veteran” Jatim.
5.

Ibu Rinci Kembang H, S.Si, M.Kom selaku dosen pembimbing I pada proyek
skripsi ini di UPN “Veteran” Jatim yang telah dengan sabar membimbing
dengan segala kerendahan hati dan telah banyak memberikan ide, petunjuk,
masukan, bimbingan, dorongan dan kritik yang bermanfaat sejak awal hingga
terselesainya skripsi ini, serta bersedia meluangkan waktu untuk membimbing
dan membantu.

6. Ibu Fetty Tri Anggraeny, S.Kom, M.Kom selaku dosen pembimbing II yang
telah dengan sabar membimbing dengan segala kerendahan hati dan telah
memberikan banyak ide, petunjuk, masukan, bimbingan, dorongan serta

iii

iv

bantuan yang sangat berarti dan bermanfaat bagi tugas akhir ini, serta bersedia
meluangkan waktu untuk membimbing dan membantu.
7. Ayah dan bunda tercinta yang telah sabar mendidik dan membesarkan penulis
dengan penuh kasih sayang baik moral, material, maupun spiritual, dan juga
untuk kakak tersayang atas semua perhatiannya. Terima kasih atas semua

dukungan, motivasi, dan do’a selama penulis menyelesaikan skripsi dan
laporan ini. Yang penulis minta hanya doa restunya, sehingga penulis bisa
membuat sesuatu yang lebih baik.
8. Terima kasih buat teman seperjuangan yang telah berjuang bersama sampai
akhir. Ma’nyoo Community terima kasih kawan Achmad Afan, Isra Ananda
D, Rizka Agustin, Ratna Oktaviani, Aris Yulianto, Dani Rachmat N, Deddy
Salyas A, Nurani Septiwulan, Prima Suryanindra, Andre R, Satya Rizki N,
Mas David C semangat buat kalian semoga kita tetap solid dan selalu
berkumpul layaknya keluarga. Serta Alm Pandu Eka W yang semoga tenang
disisi Allah SWT.
9. Kawan-kawan yang telah membantu dalam penyelesaian laporan skripsi ini.
Yang telah memberikan dorongan dan doa, yang tak bisa penulis sebutkan
satu per satu. Terima kasih yang tak terhingga untuk kalian semua. Semoga
Allah SWT yang membalas semua kebaikan dan bantuan tersebut.

KATA PENGANTAR

Syukur Alhamdulillaahi rabbil ‘alamin terucap ke hadirat Allah SWT atas
segala limpahan Kekuatan-Nya sehingga dengan segala keterbatasan waktu,
tenaga, dan pikiran, akhirnya penyusun dapat menyelesaikan skripsi yang berjudul
“Sistem

Pendukung

Keputusan

Untuk

J enjang

Karir

Karyawan

Menggunakan Metode Naive-Bayes (Studi Kasus Dinas Per ikanan dan
Kelautan Surabaya)”.
Tugas Akhir ini disusun guna diajukan sebagai salah satu syarat untuk
menyelesaikan program Strata Satu (S1) pada jurusan Teknik Informatika,
Fakultas Teknologi Industri, UPN ”Veteran” Jawa Timur.
Dalam penyusunan Tugas akhir ini, Peneliti berusaha untuk menerapkan
ilmu yang telah didapat selama menjalani perkuliahan dengan tidak terlepas dari
petunjuk, bimbingan, bantuan, dan dukungan berbagai pihak.
Peneliti menyadari sepenuhnya bahwa dalam penyusunan tugas akhir ini
masih banyak kekurangan. Oleh karena itu peneliti sangat mengharapkan saran
dan kritik dari para pembaca untuk pengembangan aplikasi lebih lanjut.

Surabaya, Desember 2012

Peneliti

ii

DAFTAR ISI

Halaman
LEMBAR PENGESAHAN
ABSTRAK ..................................................................................................

i

KATA PENGANTAR ................................................................................. ii
UCAPAN TERIMA KASIH ........................................................................ iii
DAFTAR ISI ................................................................................................

v

DAFTAR GAMBAR ................................................................................... ix
DAFTAR TABEL ........................................................................................ xi
BAB I

BAB II

PENDAHULUAN ........................................................................

1

1.1

Latar Belakang .....................................................................

1

1.2

Rumusan Masalah ...............................................................

2

1.3

Batasan Masalah .................................................................

3

1.4

Tujuan Penelitian ................................................................

3

1.5

Manfaat Penelitian ..............................................................

4

1.6

Sistematika Penulisan .........................................................

4

TINJAUAN PUSTAKA................................................................

6

2.1

Profil Dinas Perikanan dan Kelautan Surabaya ....................

6

2.2. Sistem Pendukung Keputusan Naïve Bayes .........................

9

2.2.1 Karakteristik dan Nilai Guna ................................... 11
2.2.2 Komponen Sistem Pendukung Keputusan ................ 13
v

vi

2.3. Pengenalan Naive Bayes Classifier....................................... 14
2.4. Microsoft Visual Basic .Net ................................................. 23
BAB III ANALISIS DAN PERANCANGAN SISTEM .............................. 25
3.1

Analisis Kebutuhan Sistem ................................................. 25

3.2

Perancangan Sistem ............................................................ 26
3.2.1 Flowchart Naïve Bayes ........................................... 27
3.2.2 Sistem Flow ............................................................. 28
3.2.3 Diagram Berjenjang .................................................. 30
3.2.4 Diagram Konteks ..................................................... 31
3.2.4.1 Data Flow Diagram Level 0 ......................... 32
3.2.4.2 Data Flow Diagram Level 1 ......................... 33
3.2.5 Conceptual Data Model (CDM) ............................... 34
3.2.6 Phsysical Data Model (PDM) .................................. 35
3.2.7 Perancangan Tabel ................................................... 36
3.2.8 Perancangan Antar Muka ......................................... 38

BAB IV IMPLEMENTASI SISTEM ......................................................... 45
4.1

Spesifikasi Sistem ............................................................... 45

4.2

Kebutuhan Aplikasi ............................................................ 45
4.2.1 Kebutuhan Minimal Perangkat Keras ....................... 45
4.2.2 Kebutuhan Perangkat Lunak .................................... 46

4.3

Implementasi Design Antarmuka ........................................ 46
4.3.1 Tampilan Menu Awal Login ................................... 47
4.3.2 Tampilan Awal Admin HRD ................................... 48

vii

4.3.3 Tampilan Awal Admin Kepala Dinas ....................... 48
4.3.4 Tampilan Menambah Karyawan .............................. 49
4.3.5 Tampilan Ubah Karyawan ....................................... 50
4.3.6 Tampilan Data Pegawai ……………………………. 50
4.3.7 Tampilan Proses Sistem Pendukung Keputusan ....... 51
4.3.8 Tampilan Peringkat Jabatan ………………………... 51
4.3.9 Tampilan Pengaturan .............................................. 52
4.3.10 Tampilan Tentang Kami .......................................... 53
4.3.11 Tampilan Laporan ................................................... 53

BAB V

UJI COBA DAN EVALUASI ...................................................... 54
5.1. Hasil Pemrograman ............................................................. 54
5.1.1 Uji Coba Tampilan Login Admin ............................ 54
5.1.2 Uji Coba Halaman Utama ........................................ 55
5.1.3 Uji Coba Form Tambah Pegawai ............................. 56
5.1.4 Uji Coba Form Proses Inputan data Pegawai ............ 56
5.1.5 Uji Coba Form Lihat Data Pegawai ......................... 57
5.1.6 Uji Coba Form Ubah Data Pegawai ......................... 58
5.1.7 Uji Coba Form Hapus Pegawai ................................ 58
5.1.8 Uji Coba Form Proses Pendukung Keputusan .......... 59
5.1.9 Uji Coba Form Peringkat Jabatan ............................... 60
5.1.10 Uji Coba Form Pengaturan ...................................... 61

viii

BAB VI PENUTUP .................................................................................... 63
6.1. Kesimpulan ........................................................................ 63
6.2. Saran .................................................................................. 63

DAFTAR PUSTAKA ................................................................................... 65

J UDUL

PENYUSUN
DOSEN PEMBIMBING I
DOSEN PEMBIMBING II

: SISTEM PENDUKUNG KEPUTUSAN UNTUK J ENJANG
KARIR KARYAWAN MENGGUNAKAN METODE
NAÏVE BAYES (STUDI KASUS DINAS PERIKANAN DAN
KELAUTAN SURABAYA)
: TRIYUDA BAYU WARDANA
: RINCI KEMBANG H, S.Si, M.KOM
: FETTY TRI ANGGRAENY, S.KOM, M.KOM

ABSTRAK
Seiring dengan pesatnya perkembangan dunia teknologi yang
mengadaptasi teknologi informasi, agar memberi kemudahan dan saran bagi yang
menggunakannya. Sistem pendukung keputusan adalah suatu sistem informasi
berbasis komputer yang menghasilkan berbagai alternatif keputusan untuk
membantu manajemen dalam menangani berbagai permasalahan yang terstruktur
ataupun tidak terstruktur dengan menggunakan data model. Di dalam pemilihan
karyawan atau pegawai dinas perikanan dan kelautan surabaya ini dibutuhkannya
sebuah sistem pendukung keputusan.
Pemilihan jenjang karir ini menggunakan metode naïve bayes, teorema
keputusan bayes adalah pendekatan statistik yang fundamental dalam pengenalan
pola. Pendekatan ini didasarkan pada berbagai keputusan klasifikasi dengan
menggunakan probabilitas dan kemungkinan yang ditimbulkan dalam keputusankeputusan tersebut.
Dengan adanya aplikasi Sistem pendukung keputusan ini, aplikasi dapat
mengolah nilai–nilai dari pegawai yang bekerja serta dapat merekomendasikan
pegawai tersebut agar layak menduduki jenjang karir yang dipilih oleh aplikasi
tersebut. Namun semua kembali kepada kepala dinas untuk lebih memutuskan
setuju atau tidak pegawai tersebut untuk mendapatkan karir tersebut.
Kata kunci : Sistem Pendukung Keputusan Karyawan, Algoritma Naïve
Bayes.

i

BAB I
PENDAHULUAN

1.1

Latar Belakang
Perkembangan teknologi yang semakin maju pada saat ini memacu manusia

untuk berfikir lebih maju. Karena didorong oleh perkembangan teknologi, manusia
menginginkan segala sesuatu dilaksanakan dengan cepat, tepat dan teliti. Dengan
alasan tersebut, pemakaian komputer sebagai alat bantu makin banyak digunakan
mengingat semakin rumitnya proses pengolahan data. Untuk mempermudah prosesproses yang dilakukan maka dibuat suatu perencanaan sistem yang mengacu pada
pengolahan data secara sistematis yang diimplementasikan pada suatu program
dengan tujuan agar para pemakai dapat dengan mudah memahami cara kerja dan
mekanisme dari suatu sistem secara tepat, cepat, dan akurat.
Pada pernyataan tersebut diatas, maka pengolahan data yang dahulu
dilakukan secara manual, sudah tidak mungkin dilakukan karena akan memakan
waktu yang lama, kurang efisien serta membutuhkan ketelitian yang cukup tinggi.
Untuk mengatasi hal tersebut dilakukan perubahan secara keseluruhan terhadap
sistem kerja secara komputerisasi. Penggunaan sistem secara manual ini juga
didapat pada Dinas Perikanan Dan Kelautan Surabaya. Dengan sistem yang ada,
maka cara penyeleksi jenjang karir pegawai secara manual dapat diubah dengan
secara komputerisasi.
Dinas Perikanan dan Kelautan surabaya merupakan salah satu badan dinas
pemerintah yang bergerak mengurusi perikanan dan kelautan di surabaya, salah
satu elemen utama dalam Dinas Perikanan dan Kelautan yang dibutuhkan

1

2

termasuk karyawan adalah Sumber Daya Manusia (SDM) karena sangat
menentukan keberhasilan pelaksanaan tugas institusi di dalam Dinas Perikanan
dan Kelautan. Dalam konteks karyawan dalam suatu institusi sebagai satuan yang
paling berkompeten dan saling mempengaruhi, sehingga dapat melaksanakan
tugas secara optimal dalam institusi. Pada ruang lingkup dengan jumlah karyawan
yang cukup banyak, memiliki permasalahan yang cukup kompleks terkait
pengisian jabatan dan jenjang karir dari tiap karyawan yang bekerja di Dinas
Perikanan dan Kelautan surabaya. Tidak dapat dipungkiri bahwa proses ini
memiliki pengaruh yang besar baik berupa waktu maupun tenaga.
Sistem pendukung keputusan jenjang karir dan penilaian kinerja yang akan
dibuat merupakan sistem yang bersifat user friendly sehingga mempermudah
pengguna dalam mengoprasikannya. Sistem ini bermanfaat untuk menyeleksi
pegawai agar sesuai untuk jabatan yang akan ditentukan. Hal ini yang membuat
perhitungan untuk memilih karir suatu karyawan yang berpotensi dan memiliki
keahlian yang berguna untuk instansi serta memilih sumber daya manusia (SDM)
yang terpilih dari jauh hari agar memenuhi keinginan Dinas Perikanan dan
Kelautan.

1.2

Rumusan Masalah
Terdapat banyak permasalahan yang terdapat pada jenjang karir karyawan

Dinas Perikanan dan Kelautan Surabaya, beberapa permasalahan tersebut adalah
sebagai berikut :

3

a. Bagaimana membuat suatu sistem yang berfungsi sebagai pencatatan,
penyimpanan data dalam lingkup seleksi jenjang karir karyawan Dinas
Perikanan dan Kelautan yang berpotensi serta layak?
b. Bagaimana merancang dan membuat aplikasi agar dapat melakukan pemilihan
jenjang karir pegawai dengan metode naive bayes.

1.3

Batasan Masalah
Pada pembuatan sistem ini diperlukan pembatasan sistem agar tidak

menyimpang dari topik yang diambil. Pembatasan sistem tersebut dijelaskan di
bawah ini:
a.

Tidak membahas pengolahan data administrasi kepegawaian, cuti pegawai,
penggajian pegawai, dan absensi pegawai.

b.

Aplikasi di atur oleh admin seperti HRD dan Kepala Dinas.

c.

Aplikasi digunakan untuk Dinas Perikanan dan Kelautan Surabaya.

d.

Tidak membahas sistem keamanannya.

e.

Parameter penilaian sistem jenjang karir mengikuti penilaian dari kantor
Dinas Perikanan dan Kelautan Surabaya.

f.

Aplikasi ini hanya sebagai alat bantu untuk merekomendasikan pegawai,
semua tanggung jawab dan keputusan kembali kepada kepala dinas.

1.4

Tujuan Penelitian
Tujuan yang ingin dicapai dalam pembuatan tugas akhir, antara lain :

a. Membuat Sistem pendukung keputusan untuk jenjang karir karyawan Dinas
Perikanan dan Kelautan surabaya dengan metode naive bayes ini memiliki
tujuan yaitu merancang dan membuat sebuah aplikasi yang dapat digunakan

4

untuk mengambil suatu keputusan di dalam rekomendasi pegawai Dinas
Perikanan dan Kelautan yang bekerja dalam institusi.
b. Menerapkan metode naive bayes dalam aplikasi. Serta seleksi perhitungannya
algoritma naive bayes sebagai penyeleksi nilai pegawai agar dapat
direkomendasikan ke jenjang karir selanjutnya.

1.5

Manfaat Penelitian
Manfaat yang bisa diperoleh dari hasil tugas akhir yang saya buat ini, hal

yang paling mendasar adalah dengan dibuatnya aplikasi sistem pendukung
keputusan ini maka diharapkan dapat membantu Dinas Perikanan dan Kelautan
untuk melakukan seleksi jenjang karir bagi karyawan yang berpotensi di tempat
yang ditentukan. Diharapkan dapat membantu dan memudahkan dalam segi waktu
dan tenaga.

1.6

Sistematika Penulisan
Adapun Sistematika Penulisan Laporan Tugas Akhir adalah sebagai

berikut :
BAB I

: PENDAHULUAN
Bab ini berisikan tentang latar belakang masalah, perumusan masalah,
batasan masalah, tujuan,

manfaat, dan sistematika penulisan

pembuatan tugas akhir ini.
BAB II

: TINJ AUAN PUSTAKA
Pada bab ini menjelaskan tentang teori-teori pemecahan masalah yang
berhubungan dan digunakan untuk mendukung dalam pembuatan
tugas akhir ini.

5

BAB III : ANALISIS DAN PERANCANGAN SISTEM
Bab ini dijelaskan tentang tata cara perancangan sistem yang
digunakan untuk mengolah sumber data yang dibutuhkan sistem
antara lain: Perancangan perangkat keras, perancangan perangkat
lunak, seperti pada Diagram Jenjang, Context Diagram, DFD, CDM,
PDM, kamus data.
BAB IV : IMPLEMENTASI SISTEM
Pada bab ini menjelaskan implementasi dari program yang telah
dibuat meliputi lingkungan implementasi, implementasi proses dan
implementasi antar muka.
BAB V : UJ I COBA DAN EVALUASI
Pada bab ini menjelaskan tentang pelaksanaan uji coba dan evaluasi
dari pelaksanaan uji coba dari program yang dibuat.
BAB VI : PENUTUP
Bab ini berisi kesimpulan dan saran-saran dari peneliti untuk
pengembangan sistem.
DAFTAR PUSTAKA
Pada bagian ini akan dipaparkan tentang sumber-sumber literatur yang
digunakan dalam pembutan laporan tugas akhir ini.
LAMPIRAN

BAB II
TINJ AUAN PUSTAKA

Pada bab ini akan menjelaskan tentang profil Dinas Perikanan dan
Kelautan Surabaya. Tinjauan pustaka serta pengetahuan umum tentang materi–
materi yang penulis gunakan sebagai acuan dalam penyelesaian sistem.

2.1

Profil Dinas Perikanan dan Kelautan Surabaya
Dinas Perikanan dan Kelautan Provinsi Surabaya merupakan unsur

pelaksanaan pemerintah daerah Surabaya dan dipimpin oleh seorang Kepala Dinas
yang berada di bawah dan bertanggung jawab kepada Gubernur melalui Sekretaris
Daerah. Sesuai dengan Surat Keputusan Gubernur Provinsi Surabaya disebutkan
Dinas Perikanan dan Kelautan Provinsi Surabaya mempunyai tugas membantu
Gubernur dalam melaksanakan kewenangan desentralisasi dan dekonsentrasi di
bidang kelautan dan perikanan. Kepala Dinas dalam melaksanakan tugasnya
dibantu oleh Sekretaris dan uraian tugas jabatan struktural dan non struktural di
lingkungan Dinas Perikanan dan Kelautan Provinsi Sulawesi Tenggara
dilaksanakan berdasarkan Peraturan Gubernur Provinsi Surabaya. Dinas
Perikanan dan Kelautan Surabaya ini berlokasi di Jl. Jenderal Achmad Yani 152B
Surabaya.
Tujuan Dinas Kelautan dan Perikanan Surabaya membantu Gubernur
dalam melaksanakan kewenangan desentralisasi dan dekonsentrasi dibidang
Kelautan dan Perikanan. Dalam menyelenggarakan tugas tersebut diatas, Dinas
Kelautan dan Perikanan mempunyai fungsi :

6

7

1) Menyusun kebijakan pembangunan dibidang kelautan dan perikanan,
pesisir dan pulau-pulau kecil.
2) Pemberian

perizinan

dan

pelaksanaan

pelayanan

umum

lintas

Kabupaten/Kota di bidang kelautan dan perikanan atau kewenangan
provinsi.
3) Pembinaan teknis dibidang kelautan dan perikanan, pesisir dan pulaupulau kecil.
4) Pengendalian dan pengawasan pemanfaatan sumberdaya kelautan dan
perikanan.
5) Pengawasan dan pengujian mutu produk perikanan.
6) Pembinaan Unit Pelaksana Teknis Dinas.
7) Pelaksanaan urusan kesekretariatan Dinas.

Struktur Organisasi

Gambar 2.1 Bagan Struktur Organisasi Dinas perikanan dan Kelautan Surabaya

8

Untuk menunjang pencapaian tugas pokok dan fungsinya, Dinas Perikanan dan
Kelautan Surabaya memiliki bermacam bidang kerja antara lain sebagai berikut:
1) Kepala Dinas

Kepala Dinas bertugas untuk memimpin tugas pokok dan fungsi seperti di
sebutkan di atas, serta menjadi admin dalam aplikasi jenjang karir karyawan.
2) Sekretariat

Sekertariat mempunyai tugas melaksanakan penyiapan perumusan kebijakan
teknis, pembinaan, pengkoordinasian, penyelenggara tugas secara terpadu,
pelayanan administrasi dan pelaksanaan di bidang program, keuangan, umum
dan kepegawaian.
3) Bidang Perikanan Tangkap

Bidang Perikanan Tangkap mempunyai tugas pokok penyiapan perumusan
kebijakan teknis, pembinaan bidang prasarana perikanan tangkap, sarana
perikanan tangkap dan pengawasan dan pengelolaan sumber daya ikan.
4) Bidang Perikanan Budidaya

Bidang Perikanan Budidaya mempunyai tugas pokok penyiapan perumusan
kebijakan teknis, pembinaan dan pelaksanaan di bidang pengolahan budidaya
air tawar, pengelolaan budidaya air payau dan laut, serta pengelolaan sumber
daya perikanan budidaya.
5) Bidang Usaha Kelautan dan Perikanan

Bidang Usaha Kelautan dan Perikanan mempunyai tugas pokok penyiapan
perumusan kebijakan teknis, pembinaan dan pelaksanaan di bidang usaha
perikanan, pengolahan hasil dan pemasaran, dan pengembangan SDM serta
kelembagaan.

9

6) Bidang Kelautan, Pesisir dan Pulau-pulau Kecil

Bidang Kelautan, Pesisir, dan Pulau-Pulau Kecil mempunyai tugas pokok
menyiapkan bahan rencana dan program bidang Kelautan, Pesisir, dan PulauPulau Kecil, pelaksanaan, pelayanan administrasi dan teknis, fasilitasi dan
kerjasama, pemantauan dan evaluasi kegiatan Bina Pesisir, Laut, dan PulauPulau Kecil; Konservasi, Pengendalian Ekosistem dan Sumberdaya Kelautan;
serta Pemberdayaan Masyarakat Pesisir dan Jasa Kelautan.
7) Balai Karantina dan Kesehatan Ikan

Unit Pelaksana Teknis tersebut di atas mempunyai tugas pokok menyiapkan,
melaksanakan,

menganalisis,

mengevaluasi,

mengembangkan

dan

melaporkan kegiatan pengendalian hama dan penyakit serta karantina ikan
dalam rangka melindungi sumberdaya ikan dan lingkungan.
8) Kelompok J abatan Fungsional

Sekretariat, Bidang-bidang Kelautan, Pesisir dan Pulau-pulau Kecil,
Perikanan Tangkap, Perikanan Budidaya dan Usaha Kelautan dan Perikanan,
UPTD serta Kelompok Jabatan Fungsional berada di bawah dan bertanggung
jawab kepada Kepala Dinas.

2.2

Sistem Pendukung Keputusan Naïve Bayes
Sistem Pendukung Keputusan (Decision Support System disingkat dengan

DSS) didefinisikan sebagai suatu sistem berbasis komputer yang interaktif,
membantu pengambilan keputusan dengan menggunakan analisa data-data dan
model-model, guna memecahkan permasalahan yang semi terstruktur maupun
masalah yang tak terstruktur. Menurut konsep yang dikemukakan Michael S.
Scoot Morton dengan istilah “Management Decision System” (Tuban, 1995).

10

Karakteristik sistem pendukung keputusan adalah sebagai sistem berbasis
komputer yang interaktif yang mendukung manajemen pengambil keputusan
melalui pemanfaatan data dan model untuk mengambil keputusan mengenai
masalah yang semi terstruktur.
Pada pengertian diatas dapat dijelaskan bahwa sistem pendukung
keputusan bukan alat pengambilan keputusan melainkan sistem yang membantu
pengambil keputusan dengan mengungkapkan informasi dari data yang telah
diolah secara relevan dan diperlukan untuk membuat keputusan tentang suatu
masalah dengan lebih cepat dan akurat, sehingga sistem ini tidak dimaksudkan
untuk menggantikan pengambil keputusan dan proses pembuatan keputusan.
Dapat juga dikatakan sebagai sistem komputer yang mengolah data menjadi
informasi untuk mengambil suatu keputusan dari masalah semi-terstruktur yang
spesifik. Menurut McLeod (2004), SPK terdiri dari kombinasi dari relational
database, knowledge base, dan multidimensional database. Ketiga jenis database
ini saling berkolaborasi untuk menghasilkan sebuah keputusan yang digunakan
oleh kepala dinas.
Tahapan Sistem Pendukung Keputusan (SPK):
1) Definisi masalah
2) Pengumpulan Data atau Elemen informasi yang relevan
3) Pengolahan data menjadi informasi baik dalam bentuk laporan, grafik,
maupun tulisan.
4) Menentukan alternative-alternative solusi (bisa dalam presentase)

11

Tujuan dari Sistem Pendukung Keputusan (SPK), antara lain:
1) Membantu menyelesaikan masalah terstruktur.
2) Mendukung manajer atau user dalam mengambil keputusan.
3) Meningkatkan efektifitas pengambilan suatu keputusan bukan efisiensi dalam
mengambil dalam suatu keputusan.
Pada prosesnya, Sistem Pendukung Keputusan (SPK) dapat menggunakan
bantuan dari sistem lain seperti kecerdasan buatan, sistem pakar, logika fuzzy, dll
(anonim, 18 juli 2007).

2.2.1 Karakteristik dan Nilai Guna
Karakteristik sistem pendukung keputusan adalah:
1)

Sistem Pendukung Keputusan dirancang untuk membantu pengambil
keputusan dalam memecahkan masalah yang sifatnya semi terstruktur
ataupun tidak terstruktur dengan menambahkan kebijaksanaan manusia dan
informasi komputerisasi.

2)

Pada proses pengolahannya, sistem pendukung keputusan mengkombinasikan
penggunaan

model-model

analisis

dengan

teknik

pemasukan

data

konvensional serta fungsi-fungsi pencari / interogasi informasi.
3)

Sistem Pendukung Keputusan, dirancang sedemikian rupa sehingga dapat
digunakan/dioperasikan dengan mudah.

4)

Sistem Pendukung Keputusan dirancang dengan menekankan pada aspek
fleksibilitas serta kemampuan adaptasi yang tinggi.

Melalui berbagai karakter khusus diatas, SPK dapat memberikan berbagai
manfaat dan keuntungan. Manfaat yang dapat diambil dari SPK adalah:

12

1) SPK memperluas kemampuan pengambil keputusan dalam memproses data /
informasi bagi pemakainya.
2) SPK membantu pengambil keputusan untuk memecahkan masalah terutama
berbagai masalah yang sangat kompleks dan tidak terstruktur.
3) SPK dapat menghasilkan solusi dengan lebih cepat serta hasilnya dapat
diandalkan.
4) Walaupun suatu SPK, mungkin saja tidak mampu memecahkan masalah yang
dihadapi oleh pengambil keputusan, namun ia dapat menjadi stimulan bagi
pengambil keputusan dalam memahami persoalannya, karena mampu
menyajikan berbagai alternatif pemecahan.
Di samping berbagai keuntungan dan manfaat seperti dikemukakan di atas,
SPK juga memiliki beberapa keterbatasan, diantaranya adalah :
1)

Ada beberapa kemampuan manajemen dan bakat manusia yang tidak dapat
dimodelkan, sehingga model yang ada dalam sistem tidak semuanya
mencerminkan persoalan sebenarnya.

2)

Kemampuan suatu SPK terbatas pada perbendaharaan pengetahuan yang
dimilikinya (pengetahuan dasar serta model dasar).

3)

Proses-proses yang dapat dilakukan SPK biasanya juga tergantung pada
perangkat lunak yang digunakan.

4) SPK tidak memiliki kemampuan intuisi seperti yang dimiliki manusia. Sistem
ini dirancang hanyalah untuk membantu pengambil keputusan dalam
melaksanakan tugasnya.

13

Jadi secara dapat dikatakan bahwa SPK dapat memberikan manfaat bagi
pengambil keputusan dalam meningkatkan efektifitas dan efisiensi kerja terutama
dalam proses pengambilan keputusan.

2.2.2 Komponen Sistem Pendukung Keputusan
Sistem pendukung keputusan terdiri atas tiga komponen utama yaitu :
1) Sub sistem pengelolaan data (database) merupakan komponen SPK yang
berguna sebagai penyedia data bagi sistem. Data tersebut disimpan dan
diorganisasikan dalam sebuah basis data yang diorganisasikan oleh suatu
sistem yang disebut dengan sistem manajemen basis data (Database
Management System).
2) Sub sistem pengelolaan model (model base). Keunikan dari SPK adalah
kemampuannya

dalam

mengintegrasikan

data

dengan

model-model

keputusan. Model adalah suatu tiruan dari alam nyata. Kendala yang sering
dihadapi dalam merancang suatu model adalah bahwa model yang dirancang
tidak mampu mencerminkan seluruh variabel alam nyata, sehingga keputusan
yang diambil tidak sesuai dengan kebutuhan oleh karena itu, dalam
menyimpan

berbagai

model

harus

diperhatikan

dan

harus

dijaga

fleksibilitasnya. Hal lain yang perlu diperhatikan adalah pada setiap model
yang disimpan hendaknya ditambahkan rincian keterangan dan penjelasan
yang komprehensif mengenai model yang dibuat.
3) Sub sistem pengelolaan dialog (user interface). Keunikan lainnya dari SPK
adalah adanya fasilitas yang mampu mengintegrasikan sistem yang terpasang
dengan pengguna secara interaktif, yang dikenal dengan subsistem dialog.

14

Melalui subsistem dialog, sistem diimplementasikan sehingga pengguna
dapat berkomunikasi dengan sistem yang dibuat.

2.3

Pengenalan Naive Bayes Classifier
Naive bayes classifier mengestimasi peluang kelas bersyarat dengan

mengasumsikan bahwa atribut adalah independen secara bersyarat yang diberikan
dengan label kelas y . Asumsi independen bersyarat dapat dinyatakan dalam
bentuk berikut :

P(X Y = y ) = ∏ P(X i Y = y )
d

(2.1)

i =1

dengan tiap set atribut X = {X 1 , X 2 , K , X d } terdiri dari d atribut.

Independensi Bersyarat
Sebelum menyelidiki lebih detail bagaimana naive bayes classifier
bekerja, terlebih dahulu diuji notasi independensi bersyarat. Anggap X , Y , dan
Z melambangkan tiga set variabel acak. Variabel di dalam X dikatakan

independen secara bersyarat Y , yang diberikan Z , jika sesuai kondisi berikut.
P(X Y , Z ) = P(X Z )

(2.2)

Contoh independensi bersyarat adalah hubungan panjang lengan manusia
dengan kemampuan membacanya. Dapat diamati bahwa orang dengan lengan
lebih panjang cenderung memiliki tingkat kemampuan membaca lebih tinggi.
Hubungan ini dapat dijelaskan dengan kehadiran faktor confounding, yaitu usia.
Seorang anak kecil cenderung memiliki lengan lebih pendek dan kemampuan
membaca lebih sedikit dibanding orang dewasa. Jika usia seseorang ditetapkan,
maka hubungan yang diamati antara panjang kengan dan kemampuan membaca

15

akan hilang. Sehingga dapat disimpulkan bahwa panjang lengan dan kemampuan
membaca adalah independen secara bersyarat ketika variabel usia ditetapkan.
Independensi bersyarat antara X dan Y juga dapat ditulis dalam bentuk serupa
dengan Persamaan 2 :
P(X , Y Z )

=

P( X , Y , Z )
P(Z )

=

P( X , Y , Z ) P(Y , Z )
x
P(Y , Z )
P (Z )

= P ( X Y , Z )xP(Y Z )
= P ( X Z )xP (Y Z )

(2.3)

Persamaan 3 digunakan untuk memperoleh baris terakhir Persamaan.

Cara Kerja Naive Bayes Classifier
Asumsi independen bersyarat, termasuk menghitung peluang bersyarat
untuk setiap kombinasi X , hanya memerlukan mengestimasi peluang bersyarat
untuk tiap X i yang diberikan Y . pendekatan selanjutnya lebih praktis karena
tidak mensyaratkan training set sangat besar untuk memperoleh estimasi peluang
yang baik.
Untuk mengklasifikasi tes record, naive bayes classifier menghitung
peluang posterior untuk tiap kelas Y :

P(Y X ) =

P(Y )∏i=1 P( X i Y )
d

P( X )

(2.4)

P( X ) adalah tetap untuk seluruh Y , cukup untuk memilih kelas yang
memaksimalkan istilah numerator, P(Y )∏i=1 P( X i Y ) .
d

16

Mengestimasi Peluang Ber syarat untuk Atribut Kategorikal
Atribut kategorikal, peluang bersyarat

P ( X i = xi Y = y ) diestimasi

menurut pecahan training instances pada kelas y yang membuat nilai atribut
khusus x i . Sebagai contoh, pada set training diberikan pada Tabel 1, tiga dari
tujuh orang yang membayar pinjaman juga memiliki rumah. Sebagai hasil,
peluang bersyarat untuk P(Home Owner = Yes|No) adalah 3/7. Dengan cara yang
sama, peluang bersyarat untuk peminjam yang lalai adalah single diberikan oleh
P(Marital Status = Single|Yes) = 2/3.

Mengestimasi Peluang Ber syarat untuk Atribut Kontinyu
Ada dua cara untuk mengestimasi peluang kelas bersyarat untuk
mengestimasi atribut kontinyu pada naive bayes classifiers.
A. Mendiskritisasi tiap atribut kontinyu dan kemudian mengganti nilai atribut
kontinyu dengan interval diskrit yang bersesuaian. Pendekatan ini mengubah
atribut kontinyu ke dalam atribut ordinal. Peluang bersyarat diestimasi dengan
menghitung pecahan training record yang dimiliki kelas y yang berada di
dalam interval yang bersesuaian untuk X i . Kesalahan estimasi tergantung
pada strategi mendiskritisasi, sebagaimana halnya dengan jumlah interval
diskrit. Jika jumlah interval terlalu besar, ada terlalu sedikit training record
pada tiap interval untuk menyediakan estimasi yang reliable (dapat dipercaya)
untuk P ( X i Y ) . Di sisi lain, jika jumlah interval terlalu kecil, maka beberapa
interval dapat aggregate records dari kelas berbeda dan batas keputusan yang
benar dapat hilang.

17

B. Diasumsikan bentuk tertentu distribusi peluang untuk variabel kontinyu dan
mengestimasi parameter distribusi menggunakan training data. Distribusi
Gaussian sering dipilih untuk merepresentasikan peluang kelas bersyaarat
untuk atribut kontinyu. Distribusi dikarakterisasi dengan dua parameter yaitu
mean, µ , dan varian, σ 2 . Untuk tiap kelas y j , peluang kelas bersyarat untuk
atribut X i adalah

(

)

P X i = xi Y = y j =

1
2π σ ij

−

exp

(xi − µij )2
2σ 2ij

(2.5)

Parameter µ ij dapat diestimasi berdasarkan sampel mean X i

(x )

untuk

seluruh training record yang dimiliki kelas y j . Dengan cara sama, σ 2 ij dapat

( )

diestimasi dari sampel varian s 2 training record tersebut. Sebagai contoh,
dipertimbangkan atribut pendapatan tahunan yang ditunjukkan Tabel 1.
Sampel mean dan varian untuk atribut ini yang berkenaan dengan kelas No
adalah :

125 + 100 + 70 + K + 75
= 110
7
(125 − 110)2 + (100 − 110)2 + K + (75 − 100)2 = 2975
s2 =
7(6)
x=

s = 2975 = 54.54
Diberikan test record dengan pendapatan kena pajak sebesar $120K, maka
dapat dihitung peluang kelas bersyarat sebagai berikut.
−
1
P(Income = 120 No ) =
exp
2π (54.54)

(120 −110 )2
2 x 2975

= 0.0072

Interpretasi terdahulu dari peluang kelas bersyarat dapat menyesatkan.
Persamaan 6 pada sisi kanan bersesuaian dengan fungsi densitas peluang,

18
f (X i ; µ ij , σ ij ) . Karena fungsi bernilai kontinyu, peluang bahwa variabel acak

X i mengambil nilai tertentu adalah nol. Sebagai gantinya, dihitung peluang
bersyarat bahwa X i berada pada beberapa interval, x i dan x i + ∈ dengan ∈
adalah konstanta kecil :

(

)

P xi ≤ X i ≤ xi + ∈ Y = y j = ∫

xi +∈

xi

f (X i ; µ ij , σ ij )dX i

≈ f (xi ; µij , σ ij )x ∈

(2.6)

Karena muncul sebagai faktor pengali tetap untuk tiap kelas, maka dibatalkan
ketika dinormalisasi peluang posterior untuk. Oleh karena itu, Persamaan
masih dapat diterapkan untuk pendekatan peluang kelas bersyarat.

Mengestimasi Peluang Ber syarat
Contoh

sebelumnya

mengilustrasikan

masalah

potensial

dengan

mengestimasi peluang posterior dari training data. Jika peluang kelas bersyarat
untuk atribut adalah nol, maka keseluruhan peluang bersyarat untuk kelas hilang.
Pendekatan mengestimasi peluang kelas bersyarat menggunakan tuple pecahan
mengkin terlihat terlalu rapuh, khususnya jika ada training sample yang tersedia
dan jumlah atribut besar.
Pada kasus lebih ekstrim, tidak dapat mengklasifikasikan beberapa test
record. Sebagai contoh, jika P(Marital Status=Divorced|No) adalah nol
menggantikan 1/7, maka record dengan set atribut X = (Home Owner=Yes,
Marital Status=Divorced, Income=$120K) memiliki peluang kelas bersyarat
P ( X No ) = 3/7 x 0 x 0.0072 = 0.
P ( X Yes ) = 0 x 1/3 x 1.2 x 10-9 = 0.

19

Naive bayes classifier tidak dapat mengklasifikasikan record. Masalah ini
dapat ditujukan dengan menggunakan pendekatan m-estimasi untuk mengestimasi
peluang bersyarat

(

)

P xi y j =

nc + m p

(2.7)

n+m

Dengan n adalah total jumlah instances dari kelas y j , nc adalah jumlah
contoh training dari kelas y j yang menerima nilai xi , m adalah parameter yang
dikenal sebagai ukuran sampel ekivalen, dan

p adalah parameter yang

dispesifikasi pengguna. Jika tidak tersedia training set (misalnya n = 0), maka

(

)

P xi y j = p . Oleh karena itu, dapat dikenali sebagai peluang prior dari
pengamatan nilai atribut xi bersama record dengan kelas y j . Ukuran sampel
ekivalen menetapkan pertukaran antara peluang prior p dan peluang yang
diamati nc n .
Pada

contoh

yang

diberikan

sebelumnya,

peluang

bersyarat

P(Status=Married|Yes) = 0 karena tidak ada training record kelas yang memiliki
nilai atribut tersebut. Menggunakan pendekatan m-estimasi dengan m =3 dan
p =1/3, peluang bersyarat tidak lagi nol.

P(Marital Status=Married|Yes) = (0 + 3 + 1/3)(3 + 3) = 1/6.
Jika diasumsikan p =1/3 untuk setiap atribut kelas Yes dan p =2/3 untuk seluruh
atribut kelas No, maka
P ( X No ) = P(Home Owner=No|No) x P(Status=Married|No)

x P(Annual Income=$120K|No)
= 6/10 x 6/10 x 0.0072 = 0.0026.

20

P ( X Yes ) = P(Home Owner=No|Yes) x P(Status=Married|Yes)

x P(Annual Income=$120K|Yes)
= 4/6 x 1/6 x 1.2 x 10-9 = 1.3 x 10-10.
Peluang posterior untuk kelas No adalah :
P (No X ) = αx 7 / 10 x0.0026 = 0.0018α , sementara peluang posterior untuk kelas

Yes adalah P (Yes X ) = αx3 / 10 x1.3x10 −10 = 4.0 x10 −11 α . Meski keputusan
klasifikasi tidak diubah, pendekatan m-estimasi umumnya menyediakan cara lebih
robust (kokoh) untuk mengestimasi peluang ketika jumlah training sampel kecil.

Karakteristik Naive Bayes Classifier
Naive Bayes Classifier umumnya memiliki karakteristik sebagai berikut.
• Kokoh untuk titik noise yang diisolasi seperti titik yang di rata-ratakan ketika
mengestimasi peluang bersyarat data. Naive bayes classifier dapat menangani
missing value dengan mengabaikan contoh selama pembuatan model dan
klasifikasi.
• Kokoh untuk atribut tidak relevan, jika X i adalah atribut yang tidak relevan,
maka P ( X i Y ) menjadi hampir didistribusikan seragam. Peluang kelas
bersyarat untuk X i tidak berdampak pada keseluruhan perhitungan peluang
posterior.
• Atribut yang dihubungkan dapat menurunkan performance Naive bayes
classifier karena asumsi independen bersyarat tidak lagi menangani atribut
tersebut. Sebagai contoh, perhatikan peluang berikut.
P(A = 0|Y = 0) = 0.4,

P(A = 1|Y = 0) = 0.6,

P(A = 0|Y = 1) = 0.6,

P(A = 1|Y = 1) = 0.4,

21

dengan A adalah atribut biner dan Y adalah variabel kelas biner. Jika ada
atribut biner lain yaitu B yang secara tepat dihubungkan dengan A ketika Y
= 0, tetapi independen dengan A ketika Y = 1. Sederhanaya, diasumsikan
bahwa peluang kelas bersyarat untuk B sama seperti A . diberikan record
dengan atribut A = 0, B = 0, dapat dihitung peluang posterior sebagai berikut.
P(Y = 0 A = 0, B = 0) =

=
P(Y = 1 A = 0, B = 0) =

=

P( A = 0 Y = 0)P(B = 0 Y = 0)P(Y = 0 )
P( A = 0, B = 0 )

0.16 xP(Y = 0 )
.
P( A = 0, B = 0)
P( A = 0 Y = 1)P (B = 0 Y = 1)P(Y = 1)
P( A = 0, B = 0)

0.36 xP(Y = 1)
P( A = 0, B = 0 )

Jika P(Y = 0 ) = P(Y = 1) , maka naive bayes classifier akan menugaskan record
ke kelas 1. Bagaimanapun, yang benar adalah :
P ( A = 0, B − 0 Y = 0) = P ( A = 0 Y = 0) = 0.4

karena A dan B dihubungkan secara tepat ketika Y = 0. Sebagai hasil,
peluang posterior untuk Y = 0 adalah :
P(Y = 0 A = 0, B = 0) =

=

P( A = 0 Y = 0)P(B = 0 Y = 0)P(Y = 0 )
P( A = 0, B = 0 )

0.4 xP(Y = 0 )
.
P( A = 0, B = 0 )

yang lebih besar dibanding untuk Y = 1. Record diklasifikasikan sebagai
kelas 0.

22

Naïve Bayes Classifier
Apa yang bisa kita lakukan jika data kami memiliki beberapa atribut?
Naïve Bayes Classifier Atribut yang menggambarkan contoh data secara
kondisional mengingat hipotesis klasifikasi :
P (d | h) = P (a1 ,..., aT | h) = ∏ P (at | h)
t

-

itu adalah asumsi menyederhanakan, jelas itu dapat dilanggar dalam
kenyataannya

-

terlepas dari itu, itu bekerja dengan baik dalam praktek

•

Classifier Bayesian yang menggunakan asumsi Naïve Bayes dan menghitung
hipotesis MAP disebut Naïve Bayes classifier

•

Salah satu metode pembelajaran yang paling praktis

•

Sukses aplikasi yang digunakan:
- Diagnosis medis
- klasifikasi teks

Contoh :
Tabel 2.1 Data Permainan Tenis
Day

Outlook

Temperature

Humidity

Wind

Play Tennis

Day1
Day2

Sunny
Sunny

Hot
Hot

High
High

Weak
Strong

No
No

Day3

Overcast

Hot

High

Weak

Yes

Day4

Rain

Mild

High

Weak

Yes

Day5

Rain

Cool

Normal

Weak

Yes

Day6

Rain

Cool

Normal

Strong

No

Day7

Overcast

Cool

Normal

Strong

Yes

Day8

Sunny

Mild

High

Weak

No

Day9

Sunny

Cool

Normal

Weak

Yes

Day10

Rain

Mild

Normal

Weak

Yes

23

Day11

Sunny

Mild

Normal

Strong

Yes

Day12

Overcast

Mild

High

Strong

Yes

Day13

Overcast

Hot

Normal

Weak

Yes

Day14

Rain

Mild

High

Strong

No

Klasifikasikan setiap contoh d baru Atum x = (a1, ... aT) sebagai:

hNaiveBayes= argmaxP(h)P(x | h) = argmaxP(h)∏P(at | h)
h

h

t

Untuk melakukan hal ini didasarkan pada contoh-contoh pelatihan, kita perlu
memperkirakan parameter dari contoh pelatihan:
-

Untuk setiap nilai target (hipotesis) h :
Pˆ (h) := estimate P (h)

-

Untuk setiap nilai atribut pada setiap contoh datum :
Pˆ (at | h) := estimate P (at | h)

Berdasarkan contoh-contoh dalam tabel, mengklasifikasikan x datum berikut:

hNB = argmax P(h)P(x | h) = argmax P(h)∏P(at | h)
h∈[ yes,no]

h∈[ yes,no]

t

= argmax P(h)P(Outlook= sunny| h)P(Temp= cool | h)P(Humidity= high| h)P(Wind = strong| h)
h∈[ yes,no]

Jawaban :

P( PlayTennis = yes) = 9 / 14 = 0.64
P( PlayTennis = no) = 5 / 14 = 0.36
P(Wind = strong | PlayTennis = yes) = 3 / 9 = 0.33
P(Wind = strong | PlayTennis = no) = 3 / 5 = 0.60
etc.
P( yes) P( sunny | yes) P(cool | yes) P(high | yes) P( strong | yes) = 0.0053
P(no) P( sunny | no) P(cool | no) P(high | no) P( strong | no) = 0.0206
⇒ answer : PlayTennis ( x) = no

2.4

Microsoft Visual Basic .Net
Seperti yang diketahui, program Visual Basic adalah bahasa pemrograman

yang paling mudah dikuasai oleh para pemula. Dalam versi yang terbaru ini

24

program Visual Basic.Net 2005 menawarkan banyak kemudahan lagi dibanding
versi-versi sebelumnya, antara lain teknik pemrograman dapat dibuat lebih
terstruktur dan lebih banyak bantuan dalam pemrograman. Jauh lebih mudah
untuk menguasainya dibandingkan dengan versi yang terdahulu, yaitu Visual
Basic 6.0.
Ada banyak perubahan dalam Visual Basic.Net 2005 ini dibandingkan
Visual Basic 6.0, antara lain:
a.

Bahasa pemrograman sekarang benar-benar bahasa berbasis objek (Object
Oriented Programming), sedangkan Visual Basic 6.0 bukan bahasa berbasis
objek.

b.

Aplikasi dan komponen yang ditulis di Visual Basic.Net 2005 mempunyai
akses penuh ke Net Framework.

Sedangkan di Visual Basic 6.0 tidak

dikenal atau digunakan Net Framework.
c.

Semua aplikasi yang dibuat beroperasi dalam manajemen Common
Language Runtime (CLR).
Pemrograman berbasis objek (OOP) sendiri adalah suatu pendekatan ke

arah struktur pengembangan aplikasi berdasarkan objek. Objek tersebut dapat
berupa prosedur, event, ataupun variable. Objek satu dapat menjadi bawahan
objek lainnya berdasarkan susunan fungsinya. Artinya suatu objek terdepan terdiri
atas beberapa objek yang memiliki tugas lebih sempit, dan antar objek dapat
saling berinteraksi dalam melaksanakan tugas tertentu.
Dalam Visual Basic.Net 2005, pembuatan aplikasi dimulai dengan
memperkirakan kebutuhan, merancang tampilan, dan selanjutnya diikuti dengan
pembuatan kode untuk program tersebut.

BAB III
ANALISIS DAN PERANCANGAN SISTEM

3.1

Analisis Kebutuhan Sistem
Analisis kebutuhan sistem adalah awal untuk membuat suatu sistem baru

setelah data dari Dinas Perikanan dan Kelautan terkumpul. Data masih perlu
diolah dan diteliti agar tepat sehingga data dapat bermakna sehingga setelah
didapatkan hasil penelitian dapat disimpulkan. Adapun jabatan jenjang karir yang
dijadikan patokan untuk mendapat kedudukan di Dinas Perikanan dan Kelautan,
diantaranya Sekretariat, Bidang pertanian tangkap, Bidang perikanan budidaya,
Bidang usaha kelautan dan perikanan, Bidang kelautan, pesisir, dan pulau-pulau
kecil, Balai karantina dan kesehatan ikan, dan kelompok jabatan fungsional.
Dari pembahasan jenjang karir karyawan di Dinas Perikanan dan Kelautan
Surabaya, dapat dianalisa syarat dengan faktor penilaian yang berhubungan erat
dengan syarat untuk kenaikkan karirnya kelak, yaitu penilaian Kapasitas
intelektual, Sikap kerja, Perilaku, dan Kedisiplinan.
Syarat-syarat yang diperlukan untuk melengkapi jenjang karir karyawan, yaitu:
1) Berijazah serendah-rendahnya sarjana (S1) atau diploma di bidang perikanan
atau bidang lain yang berkaitan dengan pengawasan perikanan yang
ditetapkan oleh Menteri Kelautan dan Perikanan.
2) Pangkat serendah-rendahnya Penata Muda golongan ruang III/A.
3) Telah mengikuti pendidikan dan pelatihan fungsional di bidang pengawasan
perikanan yang sesuai dengan bidangnya dan memperoleh sertifikat tanda
lulus.

25

26

4) Setiap unsur penilaian pelaksanaan pekerjaan (DP-3) sekurang-kurangnya
bernilai baik dalam 1 (satu) tahun terakhir.
Faktor-faktor penilaian yang diperlukan untuk kenaikkan karir, yaitu:
1) Sistematika berpikir

12) Dorongan berprestasi

2) Penalaran dan solusi real

13) Vitalitas dan perencanaan

3) Logika praktis

14) Dominasi

4) Fleksibilitas berpikir

15) Berpengaruh

5) Imajinasi kreatif

16) Pembelajaran

6) Antisipasi

17) Laporan perilaku

7) Potensi kecerdasan

18) Ketepatan waktu

8) Energi psikis

19) Ijazah

9) Ketelitian dan tanggung jawab
10) Kehati – hatian
11) Pengendalian perasaan
Kemudian yang dilakukan pertama-tama ialah menginputkan data pegawai
setelah itu data akan disimpan dan dimasukkan dalam database. Data pegawai
yang diinputkan akan diberikan penilaian yang kemudian diolah dan diproses,
sehingga dapat ditampilkan dalam bentuk laporan yang bisa dicetak dan akan
diberikan kepada kepala Dinas Perikanan dan Kelautan.

3.2

Perancangan Sistem
Sebelum membuat program aplikasi, terlebih dahulu dilakukan proses

perancangan sistem. Hal ini dilakukan supaya aplikasi yang dibuat dapat berfungsi
sesuai

dengan

yang

diharapkan

dan

terstruktur

sehingga

mampu

27

mengklasifikasikan saran dan respon jenjang karir sesuai dengan kategori yang
telah ditentukan. Adapun tahapan-tahapan dalam perancangan sistem berisikan
penjelasan tentang deskripsi umum sistem, pembuatan sistem flow, diagram
berjenjang, rancangan Data Flow Diagram (DFD) dan rancangan database.

3.2.1 Flowchart Naïve Bayes

Gambar 3.1 Flowchart Naïve Bayes
Pada Gambar 3.1 menggambarkan alur flowchart Naïve Bayes. Ketika
user memilih proses jenjang karir, maka selanjutnya NIP pegawai dipilih dan
memasukkan nilai pegawai. Selanjutnya penghitungan Naïve Bayes akan diproses
dan disimpan. Hasil dari penghitungan Naïve Bayes akan ditampilkan.
3.2.2 Sistem Flow
Sistem flow menunjukkan jalannya program aplikasi secara garis besar.
Sistem flow sangat membantu dalam pembuatan program aplikasi seperti program

28

jenjang karir Dinas Perikanan dan Kelautan. Selain menunjukkan jalannya
program aplikasi dan pengguna, sistem flow juga memperlihatkan simpanan data
dalam database yang dibutuhkan oleh aplikasi.

Gambar 3.2 Sistem Flow Proses Pendataan Pegawai oleh Admin
Pada Gambar 3.2 menjelaskan tentang sistem flow dari proses alur
pendataan pegawai dengan mengisi data pegawai ke dalam database yang dientri
oleh admin. Data pegawai tersebut dapat diedit dan dihapus oleh admin.

29

Admin

PNS

Sistem

Antar Muka

Kepala Dinas

Mulai
1
Hasil Kerja Pegawai

- Master Data
Pegawai
- Master Akun
- Penilaian Kinerja
Pegawai

Melihat Penilaian
Data Pegawai
Database

2
Master Data
Pegawai

Y

Input Data
Pegawai

Proses simpan
data Pegawai

ACC

Penilaian kinerja
Pegawai Ter- ACC
Database
Penilaian Data
Pegawai Ter- ACC

T
Y
Selesai

Edit Master
Akun

Proses simpan
Master Akun

Master Akun
2

T
Selesai
Y
Melakukan
Pengisian Nilai
kinerja Pegawai

Y

T

Input Nilai
Kinerja Pegawai
Database

Tampil Hasil
jabatan Pegawai
Melihat Penilaian
Data Pegawai

Proses penghitungan
algoritma naive bayes

Y
Y

MencetakPenilaian
Kinerja Pegawai

1

Gambar 3.3 Sistem