MODEL UNTUK MEMPREDIKSI KINERJA PEGAWAI DENGAN ALGORITMA C.45

• RIZKY ADE SAFITRI
• 14002244

---

ABSTRAK

ABSTRAK

 

Nama                     :     Rizky Ade Safitri

NIM                      :     14002244

Program Studi       :     Magister Ilmu Komputer

Jenjang                  :     Strata Dua (S2)

Konsentrasi           :     Data Mining

Judul                     :     “Model Untuk Memprediksi Kinerja Pegawai dengan Algoritma C.45 ”

 

 

Manajemen Sumber Daya Manusia (SDM) menjadi salah satu kepentingan esensial manajer dan pengambil keputusan di hampir semua jenis bisnis untuk diadopsi rencana untuk menemukan karyawan yang berkualifikasi dengan benar. HRM bertanggung jawab mengalokasikan karyawan terbaik untuk yang sesuai pekerjaan pada waktu yang tepat, latih dan kualifikasi mereka, dan bangun sistem evaluasi untuk memantau kinerja mereka dan upaya untuk melestarikan bakat potensial karyawan. Dengan klasifikasi, model Prediktif miliki target spesifik yang memungkinkan kami memprediksi hal yang tidak diketahui nilai variabel tergantung pada minat sebelumnya nilai yang diketahui dari variabel lain. Dalam penelitian ini menjelaskan teknik resample dengan penambahan fitur selection algoritma yaitu correlation attribute eval. Dari hasil pengujian klasifikasi menggunakan teknik resample pada dataset HRM menggunakan algoritma Desicion Tree J48, Random Forest, Naive Bayes, KNN, Logistic dan SVM menunjukkan hasil akurasi terbaik yaitu algoritma Decision Tree J48 dengan nilai akurasi sebesar 95,41%, nilai kappa sebesar 0,8925, nilai MAE sebesar  0,0432, Nilai Precision sebesar  0,955, Nilai Recall sebesar  0,954 dan nilai ROC sebesar 0,964.

 

Kata kunci: Algoritma C45(J48), Resample, Kinerja, Klasifikasi

KATA KUNCI

Algoritma,Algoritma C.45

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

 

[1]      H. Dhika and F. Destiawati, “Penerapan Algoritma C45 Untuk Penilaian Karyawan Pada Restoran Cepat Saji,” no. September, pp. 55–59, 2018, doi: 10.31227/osf.io/zcsfm.

 

[2]      W. T. Ina et al., “Klasifikasi Tingkat Kelulusan Mahasiswa Prodi Teknik Elektro,” Semin. Nas. Sains Dan Tek. Fst Undana, pp. 355–361, 2019.

 

[3]      I. Handayani, “Algoritma, Enkripsi , Deskripsi , DES dan RSAUNTUK KEAMANAN DATA,” Jaisek, vol. 1, no. 2, pp. 89–97, 2019, doi: 10.12928/JASIEK.v13i2.xxxx.

 

[4]      D. Nofriansyah, K. Erwansyah, and M. Ramadhan, “Penerapan Data Mining dengan Algoritma Naive Bayes Clasifier untuk Mengetahui Minat Beli Pelanggan terhadap Kartu Internet XL ( Studi Kasus di CV. Sumber Utama Telekomunikasi),” J. Saintikom, vol. 15, no. 2, pp. 81–92, 2016.

 

[5]      S. Hilda Kusumahadi, H. Junaedi, and J. Santoso, “Klasifikasi Helpdesk Menggunakan Metode Support Vector Machine,” J. Inform. J. Pengemb. IT, vol. 4, no. 1, pp. 54–60, 2019, doi: 10.30591/jpit.v4i1.1125.

 

[6]      C. Java, D. S. Wisdayani, I. M. Nur, R. Wasono, and U. M. Semarang, “Penerapan Algoritma K-Nearest Neighbor dalam Klasifikasi Tingkat Keparahan Korban Kecelakaan Lalu Lintas di Kabupaten Jawa Tengah,” pp. 373–380.

 

[7]      D. Widiastuti, J. S. Informasi, and U. Gunadarma, “Analisa Perbandingan Algoritma Svm , Naive Bayes , Dan Decision Tree Dalam Mengklasifikasikan Serangan ( Attacks ),” pp. 1–8.

 

[8]      S. Saifullah, M. Zarlis, Z. Zakaria, and R. W. Sembiring, “Analisa Terhadap Perbandingan Algoritma Decision Tree Dengan Algoritma Random Tree Untuk Pre-Processing Data,” J-SAKTI (Jurnal Sains Komput. dan Inform., vol. 1, no. 2, p. 180, 2017, doi: 10.30645/j-sakti.v1i2.41.

 

[9]      D. I. Baihaqi, A. N. Handayani, and U. Pujianto, “Perbandingan Metode Naïve Bayes Dan C4.5 Untuk Memprediksi Mortalitas Pada Peternakan Ayam Broiler,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 10, no. 1, pp. 383–390, 2019, doi: 10.24176/simet.v10i1.2846.

 

[10]    B. Utami and P. Aliandu, “KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.pdf,” Proc. Int. Conf. Information, Commun. Technol. Syst., vol. 5, no. 4, pp. 1–5, 2013.

 

[11]    O. Heranova, “Synthetic Minority Oversampling Technique pada Averaged One Dependence Estimators untuk Klasifikasi Credit Scoring,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no. 3, pp. 443–450, 2019, doi: 10.29207/resti.v3i3.1275.

 

[12]    A. Rachmat and Y. Lukito, “SENTIPOL: Dataset Sentimen Komentar Pada Kampanye PEMILU Presiden Indonesia 2014 dari Facebook Page,” Konf. Nas. Teknol. Inf. dan Komun. 2017, no. December, pp. 218–228, 2016.

 

[13]    R. R. Pratama, “Analisis Model Machine Learning Terhadap Pengenalan Aktifitas Manusia,” MATRIK  J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 19, no. 2, pp. 302–311, 2020, doi: 10.30812/matrik.v19i2.688.

 

[14]    E. S. Mona Nasr Ahmed Samir, “A Proposed Model for Predicting Employees’ Performance Using Data Mining Techniques: Egyptian Case Study,” Int. J. Comput. Sci. Inf. Secur., vol. 17, no. 1, pp. 31–40, 2019.

 

[15]    S. Mulyati, Y. Yulianti, and A. Saifudin, “Penerapan Resampling dan Adaboost untuk Penanganan Masalah Ketidakseimbangan Kelas Berbasis Na?ve Bayes pada Prediksi Churn Pelanggan,” J. Inform. Univ. Pamulang, vol. 2, no. 4, p. 190, 2017, doi: 10.32493/informatika.v2i4.1440.