Komparasi Model Klasifikasi Naïve Bayes Dan C4.5 Pada Data Prestasi Kerja PNS

Yola Vegita, Cahyo Prianto, Syafrial Fachri Pane

Abstract


— Salah satu bagian yang terpenting untuk mencapai keberhasilan dalam kemajuan suatu organisasi adalah SDM atau sumber daya manusia. Pegawai yang tidak menuntaskan pekerjaannya, maka target organisasi tidak akan tercapai. Berdasarkan hal tersebut, apabila seorang pegawai tidak maksimal dan tidak dapat bekerja dengan baik, pastinya akan mempengaruhi perkembangan dan kemajuan dari perusahaan atau organisasi. Untuk melakukan evaluasi  kinerja PNS Dinas Perhubungan Provinsi Jawa Barat dengan memanfaatkan hasil penilaian prestasi kerja, yang mana data yang digunakan adalah penilaian pada tahun 2020. Banyaknya pegawai membuat penilaian Prestasi Kerja menjadi sulit dan tidak dipungkiri penilaian juga terkadang dilakukan tidak objektif. Untuk melakukan suatu penilaian kerja dapat menggunakan metode pendukung, salah satunya dengan melakukan klasifikasi data pegawai dengan data mining. Penelitian ini membandingkan algoritma performance algoritma Naïve Bayes dan C4.5 dengan mengevaluasi hasil pemodelan dengan Confusion Matrix dan Classification Report. Hasilnya, C4.5 memiliki akurasi 99.12% sedangkan Naïve Bayes hanya 83%.

Keywords


C4.5, Classification Report; Confusion Matrix; Evaluasi Model; Naïve Bayes; Perbandingan Model

Full Text:

PDF

References


T. Tania, D. Haryadi, W. W. Mirza, and A. M. Khairusy, “Improving employe performance with structural empowerment and transformational leadership through job satisfaction , organizational citizenship behavior and interpersonal trust (study at PT . BPRS Cilegon Mandiri),” Am. J. Humanit. Soc. Sci. Res., vol. 5, no. 11, pp. 91–102, 2021.

M. T. Lesmana, “Pengaruh Kompetensi Dan Disiplin Kerja Terhadap Kinerja Pegawai,” vol. 6681, pp. 665–670, 2017.

Kepala Badan kepegawaian Negara, “Peraturan Kepala Badan Kepegawaian Negara Nomor 1 Tahun 2013 Tentang Ketentuan Pelaksanaan Peraturan Pemerintah Nomor 45 Tahun 2011 Tentang Penilaian Prestasi Kerja Pegawai Negeri Sipil,” pp. 1–135, 2013, [Online]. Available: https://www.bkn.go.id/wp-content/uploads/2015/02/Perka-Bkn-Nomor-1-Tahun-2013-Ketentuan-Pelaksanaan-Pp-Nomor-46-Tahun-2011-Tentang-Penilaian-Prestasi-Kerja-Pns.pdf

P. W. Kastawan, D. M. Wiharta, and M. Sudarma, “Implementasi Algoritma C5.0 pada Penilaian Kinerja Pegawai Negeri Sipil,” Maj. Ilm. Teknol. Elektro, vol. 17, no. 3, p. 371, 2018, doi: 10.24843/mite.2018.v17i03.p11.

D. Suer, “Analisa Penentuan Karyawan Terbaik Menggunakan Data Mining Dengan Metode Algoritma C4.5 Di Pt.Shei Tai Industrial,” World Dev., vol. 1, no. 1, pp. 1–15, 2018, [Online]. Available: http://www.fao.org/3/I8739EN/i8739en.pdf%0Ahttp://dx.doi.org/10.1016/j.adolescence.2017.01.003%0Ahttp://dx.doi.org/10.1016/j.childyouth.2011.10.007%0Ahttps://www.tandfonline.com/doi/full/10.1080/23288604.2016.1224023%0Ahttp://pjx.sagepub.com/lookup/doi/10

P. Mishra, A. Biancolillo, J. M. Roger, F. Marini, and N. Rutledge, “New data preprocessing trends based on ensemble of multiple preprocessing techniques,” Trends Anal. Chem., p. 116045, 2020, doi: 10.1016/j.trac.2020.116045.

M. K. Dahouda and I. Joe, “A Deep-Learned Embedding Technique for Categorical Features Encoding,” IEEE Access, vol. 9, pp. 114381–114391, 2021, doi: 10.1109/Access.2021.3104357.

A. Elhassan, S. M. Abu-soud, F. Alghanim, and W. Salameh, “ILA4 : Overcoming missing values in machine learning datasets – An inductive learning approach,” J. King Saud Univ. - Comput. Inf. Sci., vol. 34, no. 7, pp. 4284–4295, 2022, doi: 10.1016/j.jksuci.2021.02.011.

K. Surabaya et al., “Antara Kejadian Demam Berdarah Dengue Dengan Kepadatan Penduduk Di Kota Surabaya Pada Tahun 2012 - 2014 Pearson Correlation Analysis to Determine The Relationship Between City Population Density with Incident Dengue Fever of Surabaya in The Year 2012-2014 Widayanti Ratna Safitri Program Studi S1 Ilmu Kesehatan Masyarakat Universitas Airlangga Surabaya,” 2014.

H. Kaur, H. S. Pannu, and A. K. Malhi, “A Systematic Review on Imbalanced Data Challenges in Machine Learning : Applications and Solutions,” vol. 52, no. 4, 2019.

S. Widaningsih, “Perbandingan Metode Data Mining Untuk Prediksi Nilai Dan Waktu Kelulusan Mahasiswa Prodi Teknik Informatika Dengan Algoritma C4,5, Naïve Bayes, Knn Dan Svm,” J. Tekno Insentif, vol. 13, no. 1, pp. 16–25, 2019, doi: 10.36787/jti.v13i1.78.

A. Y. Simanjuntak, I. S. E. S. Simatupang, and A. Anita, “Implementasi Data Mining Menggunakan Metode NaãVe Bayes Classifier Untuk Data Kenaikan Pangkat Dinas Ketenagakerjaan Kota Medan,” J. Sci. Soc. Res., vol. 5, no. 1, p. 85, 2022, doi: 10.54314/jssr.v5i1.804.

Afdhaluzzikri, “Analisa Kinerja Metode Naïve Bayes Dengan Pembobotan Data,” 2021.

F. Elfaladonna and A. Rahmadani, “Analisa Metode Classification-Decission Tree Dan Algoritma C.45 Untuk Memprediksi Penyakit Diabetes Dengan Menggunakan Aplikasi Rapid Miner,” SINTECH (Science Inf. Technol. J., vol. 2, no. 1, pp. 10–17, 2019, doi: 10.31598/sintechjournal.v2i1.293.

F. Marisa, A. L. Maukar, I. Khalim, and M. R. Putra, “Jurnal Teknologi dan Manajemen Informatika Analisa Prediksi Varietas Buah Salak yang Sesuai dengan Lahan Daerah,” vol. 8, no. 1, pp. 20–25, 2022.

Binus, “Clustering.” [Online]. Available: https://socs.binus.ac.id/2017/03/09/clustering/

M. Azhari, Z. Situmorang, and R. Rosnelly, “Perbandingan Akurasi, Recall, dan Presisi Klasifikasi pada Algoritma C4.5, Random Forest, SVM dan Naive Bayes,” J. Media Inform. Budidarma, vol. 5, no. 2, p. 640, 2021, doi: 10.30865/mib.v5i2.2937.

Presiden Republik Indonesia, “Peraturan Pemerintah Republik Indonesia Nomor 30 Tahun 2019 Tentang Penilaian Kinerja Pegawai Negeri Sipil,” Kementeri. Sekr. Negara Republik Indones., pp. 1–52, 2019.

D. Alita, A. D. Putra, and D. Darwis, “Analysis of Classic assumption test and multiple linear regression coefficient test for employee structural office recommendation,” vol. 15, no. 3, pp. 295–306, 2021.

S. J. Kamatkar, A. Tayade, A. Viloria, and A. Hernández-Chacín, “Application of classification technique of data mining for employee management system,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 10943 LNCS, pp. 434–444, 2018, doi: 10.1007/978-3-319-93803-5_41.

C. Elfira, A. Pah, and I. Journal, “Decision Support Model for Employee Recruitment Using Data Mining Classification”.




DOI: https://doi.org/10.26877/jiu.v8i2.13205

Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Cahyo Prianto



Creative Commons License
Jurnal Informatika Upgris by Program Studi Informatika UPGRIS is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.