Algoritma K-Nearest Neighbor pada Kasus Dataset Imbalanced untuk Klasifikasi Kinerja Karyawan Perusahaan
Perusahaan perlu menilai kinerja karyawan mereka untuk berbagai tujuan, termasuk promosi jabatan. Namun, data karyawan yang semakin rumit dapat membuat proses penilaian ini menjadi sulit. Penelitian ini bertujuan untuk membuat model machine learning yang dapat memprediksi apakah karyawan berpotensi...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
University of Brawijaya
2024-07-01
|
| Series: | Jurnal Teknologi Informasi dan Ilmu Komputer |
| Subjects: | |
| Online Access: | https://jtiik.ub.ac.id/index.php/jtiik/article/view/8144 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1823858631863435264 |
|---|---|
| author | Fitri Nuraeni Dede Kurniadi Moch Haiqal Diazki |
| author_facet | Fitri Nuraeni Dede Kurniadi Moch Haiqal Diazki |
| author_sort | Fitri Nuraeni |
| collection | DOAJ |
| description |
Perusahaan perlu menilai kinerja karyawan mereka untuk berbagai tujuan, termasuk promosi jabatan. Namun, data karyawan yang semakin rumit dapat membuat proses penilaian ini menjadi sulit. Penelitian ini bertujuan untuk membuat model machine learning yang dapat memprediksi apakah karyawan berpotensi untuk dipromosikan atau tidak. Penelitian ini menggunakan metode Machine Learning LifeCycle (MLLC) dan algoritma K-Nearest Neighbor. Untuk mengatasi masalah ketidakseimbangan label kelas dalam dataset, teknik SMOTE (Synthetic Minority Over-sampling Technique) digunakan. Hasil dari penelitian ini, model dibangun dengan melakukan pemisahan data menggunakan cross validation dan menggunakan nilai k=2 dalam implementasi algoritma K-Nearest Neighbor. Hasil evaluasi model menunjukkan kinerja yang sangat baik dengan nilai akurasi 94%, nilai presisi 90,8%, dan nilai recall 97,4%. Selain itu, evaluasi confusion matrix menunjukkan bahwa hanya 562 dari 9377 data testing yang tidak sesuai dengan hasil klasifikasi. Model ini juga memiliki kurva ROC yang baik yang hampir menyentuh sudut kiri atas dan nilai AUC sebesar 94,1% atau 0,94 yang termasuk ke dalam kategori excellent.
|
| format | Article |
| id | doaj-art-8972f1f90d2c478181d3b70a0a81a318 |
| institution | Kabale University |
| issn | 2355-7699 2528-6579 |
| language | Indonesian |
| publishDate | 2024-07-01 |
| publisher | University of Brawijaya |
| record_format | Article |
| series | Jurnal Teknologi Informasi dan Ilmu Komputer |
| spelling | doaj-art-8972f1f90d2c478181d3b70a0a81a3182025-02-11T10:38:00ZindUniversity of BrawijayaJurnal Teknologi Informasi dan Ilmu Komputer2355-76992528-65792024-07-0111310.25126/jtiik.938144Algoritma K-Nearest Neighbor pada Kasus Dataset Imbalanced untuk Klasifikasi Kinerja Karyawan PerusahaanFitri Nuraeni0Dede Kurniadi1Moch Haiqal Diazki2Institut Teknologi Garut, Kabupaten GarutInstitut Teknologi Garut, Kabupaten GarutInstitut Teknologi Garut, Kabupaten Garut Perusahaan perlu menilai kinerja karyawan mereka untuk berbagai tujuan, termasuk promosi jabatan. Namun, data karyawan yang semakin rumit dapat membuat proses penilaian ini menjadi sulit. Penelitian ini bertujuan untuk membuat model machine learning yang dapat memprediksi apakah karyawan berpotensi untuk dipromosikan atau tidak. Penelitian ini menggunakan metode Machine Learning LifeCycle (MLLC) dan algoritma K-Nearest Neighbor. Untuk mengatasi masalah ketidakseimbangan label kelas dalam dataset, teknik SMOTE (Synthetic Minority Over-sampling Technique) digunakan. Hasil dari penelitian ini, model dibangun dengan melakukan pemisahan data menggunakan cross validation dan menggunakan nilai k=2 dalam implementasi algoritma K-Nearest Neighbor. Hasil evaluasi model menunjukkan kinerja yang sangat baik dengan nilai akurasi 94%, nilai presisi 90,8%, dan nilai recall 97,4%. Selain itu, evaluasi confusion matrix menunjukkan bahwa hanya 562 dari 9377 data testing yang tidak sesuai dengan hasil klasifikasi. Model ini juga memiliki kurva ROC yang baik yang hampir menyentuh sudut kiri atas dan nilai AUC sebesar 94,1% atau 0,94 yang termasuk ke dalam kategori excellent. https://jtiik.ub.ac.id/index.php/jtiik/article/view/8144Imbalanced DatasetKinerja KaryawanKlasifikasiMachine LearningMLLC |
| spellingShingle | Fitri Nuraeni Dede Kurniadi Moch Haiqal Diazki Algoritma K-Nearest Neighbor pada Kasus Dataset Imbalanced untuk Klasifikasi Kinerja Karyawan Perusahaan Jurnal Teknologi Informasi dan Ilmu Komputer Imbalanced Dataset Kinerja Karyawan Klasifikasi Machine Learning MLLC |
| title | Algoritma K-Nearest Neighbor pada Kasus Dataset Imbalanced untuk Klasifikasi Kinerja Karyawan Perusahaan |
| title_full | Algoritma K-Nearest Neighbor pada Kasus Dataset Imbalanced untuk Klasifikasi Kinerja Karyawan Perusahaan |
| title_fullStr | Algoritma K-Nearest Neighbor pada Kasus Dataset Imbalanced untuk Klasifikasi Kinerja Karyawan Perusahaan |
| title_full_unstemmed | Algoritma K-Nearest Neighbor pada Kasus Dataset Imbalanced untuk Klasifikasi Kinerja Karyawan Perusahaan |
| title_short | Algoritma K-Nearest Neighbor pada Kasus Dataset Imbalanced untuk Klasifikasi Kinerja Karyawan Perusahaan |
| title_sort | algoritma k nearest neighbor pada kasus dataset imbalanced untuk klasifikasi kinerja karyawan perusahaan |
| topic | Imbalanced Dataset Kinerja Karyawan Klasifikasi Machine Learning MLLC |
| url | https://jtiik.ub.ac.id/index.php/jtiik/article/view/8144 |
| work_keys_str_mv | AT fitrinuraeni algoritmaknearestneighborpadakasusdatasetimbalanceduntukklasifikasikinerjakaryawanperusahaan AT dedekurniadi algoritmaknearestneighborpadakasusdatasetimbalanceduntukklasifikasikinerjakaryawanperusahaan AT mochhaiqaldiazki algoritmaknearestneighborpadakasusdatasetimbalanceduntukklasifikasikinerjakaryawanperusahaan |