Data Mining Menggunakan Algoritma Naïve Bayes Classifier Untuk Evaluasi Kinerja Karyawan
DOI:
https://doi.org/10.29313/jrm.v3i2.2837Keywords:
Data mining, Naïve Bayes Classifier, Evaluasi Kinerja karyawanAbstract
Abstrak. Data Mining adalah proses dalam menemukan pola tersembunyi, hubungan, atau informasi yang berharga dari data yang besar, kompleks, dan terstruktur. Penelitian ini bertujuan untuk membahas mengenai Algoritma Naïve Bayes Classifier dalam proses Data Mining untuk mengevaluasi kinerja karyawan sehingga dapat ditentukan perpanjangan kontrak kerja karyawan. Penelitian ini berdasarkan kriteria kualitas pekerjaan, kuantitas pekerjaan, analisis/pemecahan masalah, daya tangkap, amanah, kompeten, harmonis, loyal, adaptif, dan kolaboratif. Algoritma Naïve Bayes Classifier digunakan untuk memprediksi kinerja karyawan berdasarkan atribut. Penelitian ini menghasilkan knowledge yaitu nilai accuracy sebagai tingkat kedekatan antara nilai prediksi dengan nilai fakta, precision sebesar sebagai ketepatan antara informasi yang ada dengan hasil yang diperoleh, recall sebagai tingkat keberhasilan model dalam menemukan kembali sebuah informasi, dan error rate sebagai tingkat kekeliruan.
Abstract. Data Mining is the process of finding hidden patterns, relationships or valuable information from large, complex and structured data. This study aims to discuss the Naïve Bayes Classifier Algorithm in the Data Mining process to evaluate employee performance so that employee contract extensions can be determined. This research is based on the criteria of quality of work, quantity of work, analysis/problem solving, comprehension, trustworthiness, competence, harmony, loyalty, adaptive, and collaborative. The Naïve Bayes Classifier algorithm is used to predict employee performance based on attributes. This study produces knowledge, namely the accuracy value as the degree of closeness between the predicted value and the fact value, precision as the accuracy between the existing information and the results obtained, recall as the success rate of the model in retrieving an information, and error rate as the level of error.
References
T. Wahyudi and P. Handayani, “Perbandingan Akurasi C4.5 dan Naive Bayes Untuk Evaluasi Kinerja Karyawan PT Catur Sentosa Adiparna,” Jurnal Sistem Informasi dan Ilmu Komputer Prima, vol. 5, no. 2, 2022.
B. Pratiwi, A. Handayani, and Sarjana, “Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi WSN Menggunakan Confusion Matrix,” Jurnal Informatika UPGRIS, vol. 6, no. 2, pp. 66–75, 2020.
S. Akbar, “Analisa Faktor-Faktor yang Mempengaruhi Kinerja Karyawan,” JIAGANIS, vol. 3, no. 2, pp. 1–17, 2018.
G. Enzellina and D. Suhaedi, “Penggunaan Metode Principal Component Analysis dalam Menentukan Faktor Dominan,” Jurnal Riset Matematika, pp. 101–110, Dec. 2022, doi: 10.29313/jrm.v2i2.1192.
N. Iriadi and N. Nuraeni, “Kajian Penerapan Metode Klasifikasi Data Mining Algoritma C4.5 Untuk Prediksi Kelayakan Kredit Pada Bank Mayapada Jakarta,” Jurnal Teknik Komputer AMIK BSI, vol. 2, no. 1, pp. 132–137, 2016.
Suyanto, Data mining untuk Klasifikasi dan Klasterisasi Data. Bandung: Informatika Bandung, 2019.
A. Saleh, “Implementasi Metode Klasifikasi Naive Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga,” Citec Journal, vol. 2, no. 3, pp. 207–217, 2015.
M. Ridwan, H. Suyono, and M. Sarosa, “Penerapan Data mining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier,” EECCIS, vol. 7, no. 1, pp. 59–64, 2013.
J. Miharja and Suhendri, “Penerapan Data Mining Penerimaan Karyawan Menggunakan Metode Naïve Bayes Classifier,” Proceeding SENDIU, 2021.
I. Romli and B. Putra, “Evaluasi Penilaian Kinerja Dalam Klasifikasi Data mining Dengan Metode Naive Bayes,” Jurnal Pelita Industri, vol. 1, no. 1, pp. 36–45, 2020.
I. Budiman, R. Ramadina, and Muliadi, “Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi,” Jurnal Jupiter, vol. 7, no. 1, pp. 39–50, 2015.
F. Herliani and A. Kudus, “Penanganan Data Missing dengan Algoritma Multivariate Imputation By Chained Equations (MICE),” DataMath: Journal of Statistics and Mathematics, vol. 1, no. 1, pp. 35–42, 2023.
N. Iriadi and N. Nuraeni, “Kajian Penerapan Metode Klasifikasi Data Mining Algoritma C4.5 untuk Prediksi Kelayakan Kredit pada BANK Mayapada Jakarta,” Jurnal Teknik Komputer AMIK BSI, vol. 2, no. 1, p. 137, 2016.
