Professional Documents
Culture Documents
Abstraksi
The main goal of the Indonesian bureaucratic reform that began in the collapse of the Orde Baru in 2008 was
the creation of good governance and clean government. The main point of the implementation of good
governance is to create public satisfaction with the service held. Lately it has become government policy that in
each unit in its performance assessment, one through the Public Satisfaction Index (IKM). In DIY, there are still
people who upset the post-reform public services.
This research intends to explore the data in the Department of Licensing to determine the elements of public
service and the appropriateness of treatment is done during this time. The research begins by collecting data
followed by analysis of Data mart, and perform data mining using WEKA application with the J48 algorithm.
The results of this research could form 6 Data mart. The process of data mining research license revealed the
presentage of public service elements that affect the level of Correctly Class ified Instances in about 89.7476%
to the IMB permit, 82.4128% to the HO permits, 89.0122% to the Business License permits, 80 517% to the TDP
permits, and 93.1412% to the other permits.
Kata Kunci :
data mining, IKM, good governance, class ification, the public service element
2). Mudah dalam klasifikasi database; dan 3). secara kuantitatif dan kualitatif atas pendapat
Gratis. [21] masyarakat dalam memperoleh pelayanan dari
Kontribusi penelitian yang disajikan pada makalah aparatur penyelenggara pelayanan publik dengan
ini adalah agar masyarakat mengetahui informasi membandingkan antara harapan dan kebutuhannya.
secara berimbang dalam tinjauan ilmiah terhadap Terdapat 14 (empatbelas) unsur dasar yang harus
proses perizinan dan pelaksaan good governance di ada untuk dasar pengukuran indeks kepuasan
Dinas Perizinan Kota Yogyakarta. Melalui masyarakat, yaitu : 1). Prosedur pelayanan; 2).
penelitian ini akan mengungkapkan apakah Persyaratan Pelayanan; 3).Kejelasan petugas
treatment yang telah dilakukan selama ini sudah pelayanan; 4). Kedisiplinan petugas pelayanan; 5).
benar agar good governance dapat terlaksana baik di Tanggung jawab petugas pelayanan; 6).
Dinas Perizinan Kota Yogyakarta. Serta untuk Kemampuan petugas pelayanan; 7). Kecepatan
menambah literatur ilmiah bagi dunia pendidikan. pelayanan; 8). Keadilan mendapatkan pelayanan; 9).
Kesopanan dan keramahan petugas; 10). Kewajaran
Tinjauan Pustaka biaya pelayanan; 11). Kepastian biaya pelayanan;
12). Kepastian jadwal pelayanan; 13). Kenyamanan
Pelayanan publik dan kepuasan publik lingkungan; 14). Keamanan Pelayanan.
Kepuasan publik sangat erat kaitannya dengan Melalui unsur-unsur dasar diatas dapat dilakukan
kualitas pelayanan yang diberikan. Menurut perhitungan pada masing-masing unsur yang
Williams dan Bushwell bahwa, “satisfaction is a tertimbang dengan rumus 1. Dari perhitungan
psycological outcome emerging from an experience, tersebut akan diketahui bobot masing-masing unsur
whereas service quality is concerned with the terhadap keseluruhan unsur yang lainnya.
atributes of service it self”.[23] Adapun atribut-
atribut yang mempengaruhi kepuasan pelanggan =
terhadap pelayanan yang diselenggarakan sebuah
organisasi ke dalam dua kelompok, yaitu : 1). Dari ........(1)
sisi persepsi pelanggan; 2). Dari sisi harapan
pelanggan.
Untuk mendapatkan nilai IKM unit pelayanan
Pengertian kepuasan pelayanan dalam Keputusan
digunakan pendekatan nilai rata-rata tertimbang
Menteri Pendayagunaan Aparatur Negara Nomor
dengan rumus 2 sebagai berikut :
25/KEP/M.PAN/2/2004 adalah hasil pendapat dan
penilaian masyarakat terhadap kinerja pelayanan =
yang diberikan oleh aparatur penyelenggara × ..(2)
pelayanan publik. Berkaitan dengan kepuasan publik
pada institusi pemerintahan, Cokorda Gde Dharma Hasil perhitungan IKM diinterpretasikan ke dalam
Putra dalam penelitiannya untuk menganalisis nilai antara 25-100, oleh karena itu, maka setiap
kepuasan pelanggan pada Perusahaan Daerah Air hasil penilaian dikonversikan dengan nilai dasar 25,
Minum (PDAM) di kabupaten Jembrana dengan dengan rumus 3, sedangkan nilai persepsi, interval
menggunakan model Service Quality pada dimensi IKM, konversi IKM, mutu pelayayan dan kinerja
tangible, reability, responsiveness, assurance, dan unit pelayanan tersaji pada tabel 1.
empathy. Hasil penelitian menunjukkan bahwa
aspek responsiveness memberikan pengaruh yang
paling besar terhadap tingkat kepuasan konsumen = ×
PDAM dibandingkan dengan aspek lainnya sebesar
25..(3)
0,708. [14]
Pada Keputusan Menteri Pendayagunaan Aparatur
Tabel 1. Nilai Persepsi, Interval IKM, Interval Konversi
Negara Nomor 63/KEP/M.PAN/7/2003 tentang IKM, Mutu Pelayanan dan Kinerja Unit Pelayanan
pedoman umum penyelenggaraan pelayanan publik
menyebutkan bahwa hakekat pelayanan publik Nilai
Nilai Nilai
adalah pemberian pelayanan prima kepada interval
persepsi interval Mutu Kinerja
masyarakat yang merupakan perwujudan kewajiban konversi
aparatur pemerintah sebagai abdi masyarakat.
Pemerintah Kota Yogyakarta dalam mengukur 1,00 – 25 –
tingkat kepuasan publik menggunakan instrumen 1 Tidak
1,75 43,75 D
baku yang sudah diatur dalam Undang-Undang baik
Nomor 25 Tahun 2009, yang dikenal dengan nilai
1,76 – 43,76 –
Indeks Kepuasan Masyarakat (IKM). Pengertian 2 Kurang
2,50 62,50 C
IKM dalam Keputusan Menteri Pendayagunaan baik
Aparatur Negara Nomor 25/KEP/M.PAN/2/2004
adalah data dan informasi tentang tingkat kepuasan 3
2,51 – 62,51 – B Baik
masyarakat yang diperoleh dari hasil pengukuran
46
JURNAL DASI ISSN: 1411-3201
Vol. 14 No. 2 JUNI 2013
warehouse, karena beberapa proses yang dilakukan keputusan atribut akan diuji, dan setiap hasil akan
antara data mining dan data warehouse hampir sama. menghasilkan cabang. Setiap cabang akan diarahkan
Sebagai contoh, jika dalam proses data cleaning di ke node lain atau ke node akhir untuk menghasilkan
data warehouse sudah dilakukan, maka pada saat suatu keputusan. [10]
melakukan data mining tidak diperlukan lagi proses Menurut Maimon dan Rokach, pohon keputusan
yang sama.[19] adalah salah satu metode klasifikasi yang dinyatakan
Data mining dan On-Line Analytical Processing sebagai partisi rekursif. Pohon keputusan terdiri dari
(OLAP) juga mempunyai perbedaan yang node yang membentuk pohon yang berakar, semua
signifikan. Pada data mining proses untuk node memiliki satu masukan. Node yang keluar
memverifikasi pola hipotesis dengan menggunakan disebut node tes. Node yang lain disebut node
data itu sendiri untuk mengungkapkan pola yang keputusan atau sering disebut node daun. Setiap
terjadi, atau dikenal dengan proses induktif. simpul internal membagi dua atau lebih sub-ruang
Sedangkan OLAP adalah sebuah alat untuk sesuai dengan kategori atribut dan akan dipartisi
mendukung keputusan, dimana pengguna membuat sesuai dengan nilai kategori kasus. Kasus-kasus
sebuah hipotesis yang akan diverifikasi dengan tersebut membentuk pohon keputusan, yang
serangkaian query terhadap data yang ada di basis menghasilkan problem solvin.[11]
data. Proses analisis OLAP pada dasarnya adalah Pohon keputusan adalah sebuah flowchart seperti
proses deduktif.[19] struktur tree, dimana tiap internal node menunjukkan
Larose dalam Kusrini and Luthfi, membagi data sebuah test pada sebuah atribut, setiap cabang
mining menjadi enam kelompok sesuai dengan tugas menunjukkan hasil dari test, dan leaf node
yang dilakukannya.[9] Dari enam kelompok menunjukkan kelas.[16] Pohon keputusan biasanya
tersebut, [18] menggolongkan data mining ke dalam digunakan untuk mendapatkan informasi untuk
dua fungsi, yaitu fungsi minor yang meliputi : 1. tujuan pengambilan sebuah keputusan. Pohon
deScription; 2. estimation; dan 3. prediction. keputusan dimulai dengan sebuah root node (titik
Sedangkan fungsi kedua adalah fungsi mayor yang awal) yang diapakai oleh user untuk mengambil
meliputi : 1. classification; 2. clustering; dan 3. tindakan. Dari node root ini, user memecahkan
association.[9] sesuai dengan algoritma decision tree. Hasil
akhirnya adalah sebuah pohon keputusan dengan
Waikato Environment for Knowledge Analysis setiap cabangnya menunjukkan kemungkinan
(WEKA) skenario dari keputusan yang diambil serta hasilnya.
WEKA adalah sebuah paket tools machine learning
praktis. WEKA merupakan singkatan dari Waikato Metode Penelitian
Environment for Knowledge Analysis, yang dibuat
di Universitas Waikato, New Zealand untuk Agar penelitian yang dilakukan berjalan secara
penelitian, pendidikan dan berbagai aplikasi. WEKA terencana dan sistematis, maka peneliti merumuskan
mampu menyelesaikan masalah-masalah data kerangka sebagai landasan untuk melakukan proses
mining di dunia nyata, khususnya klasifikasi yang penelitian menggunakan flow chart proses pada
mendasari pendekatan-pendekatan machine learning. gambar 1 berikut ini.
Perangkat lunak ini ditulis dalam hirarki class Java
dengan metode berorientasi objek dan dapat berjalan
hampir di semua platform.[5]
WEKA mudah digunakan dan diterapkan pada
beberapa tingkatan yang berbeda. Tersedia
implementasi algoritma-algoritma pembelajaran
state-of-the-art yang dapat diterapkan pada dataset
dari command line. WEKA mengandung tools untuk
pre-processing data, klasifikasi, regresi, clustering,
aturan asosiasi, dan visualisasi. User dapat
melakukan preprocess pada data, memasukkannya
dalam sebuah skema pembelajaran, dan menganalisa
classifier yang dihasilkan dan performansinya semua
itu tanpa menulis kode program sama sekali. [3]
Ada banyak metodologi Data Mining yang dapat
dilakukan pada WEKA, salah satu yang populer
adalah pohon keputusan (decision tree). Pohon
keputusan merupakan salah satu metode klasifikasi
yang sangat menarik yang melibatkan konstruksi
pohon keputusan yang terdiri dari node keputusan
yang dihubungkan dengan cabang-cabang dari Gambar 1. Kerangka proses penelitian
simpul akar sampai ke node daun (akhir). Pada node
48
JURNAL DASI ISSN: 1411-3201
Vol. 14 No. 2 JUNI 2013
49
JURNAL DASI ISSN: 1411-3201
Vol. 14 No. 2 JUNI 2013
50
JURNAL DASI ISSN: 1411-3201
Vol. 14 No. 2 JUNI 2013
51
JURNAL DASI ISSN: 1411-3201
Vol. 14 No. 2 JUNI 2013
[5] Dimov, Rossen. 2007. WEKA : Praktical machine [21] WEKA. 2007. [online]. [Accessed 18 Januari 2013].
learning tools and techniques with java Available from World Wide Web:
implementations. AI Tools Seminar, 30 April. http://inet613110038.wordpress.com/2012/05/07/tug
as-besar-sistem-informasi-manajemen-software-
[6] Dwiyanto, Agus (ed). 2008. Mewujudkan good weka-waikato-environment/
governance melalui pelayanan publik. Yogyakarta:
Gadjah Mada University Press. [22] Widhianto, Wahyu. 2011. Good Governance Dalam
Pelaksanaan Anggaran Belanja Pemerintah Pusat.
[7] Effendi, Sofyan. 2005. Membangun good Jakarta: Tesis. Tidak terbit. Universitas Indonesia.
governance : tugas kita bersama. [online].
[23] Williams, Cristine and John BUSWELL. 2003.
[8] Hardjasoemantri, Koesnadi. 2003. Good governance Service quality in leisure and tourism. Cabi
dalam pembangunan berkelanjutan di Indonesia. In: Publishing.
Lokakarya pembangunan hukum Nasional ke VIII.
Bali: http://www.lfip.org/english/pdf/bali- [24] Wiranarada, Gregorius Gede. 2009. Pengembangan
seminar/Good%20Governance%20- Prototipe Aplikasi Business Intelligence Untuk
%20koesnadi%20hardjasoemantri.pdf. Membantu Pengambilan Keputusan Strategis Pada
Dinas Perizinan Pemerintah Kota Yogyakarta.
[9] Kusrini and Emha Taufiq Luthfi. 2009. Algoritma Yogyakarta: Sekolah Pasca Sarjana Universitas
data mining. Yogyakarta: Andi Offset. Gajah Mada.