Main Article Content

Irene Tangkawarow
Dandy Pramana Hostiadi
Nenden Siti Fatonah
Mohammad Yazdi
Eva Hariyanti

Abstract

Model Klasifikasi banyak digunakan dalam rangka menganalisis dan menemukan jenis kategori kelas data. Salah satu bentuk pemanfaatan metode klasifikasi adalah mengklasifikasikan hasil penilaian pengukuran kinerja karyawan. Metode klasifikasi yang umum dan dapat digunakan antara lain adalah metode Decision Tree, Naive Bayes, -NN dan Random Forest. Namun tidak semua metode dapat menghasilkan performa yang baik dalam penilaian kinerja Karyawan. Sehingga perlu dilakukan optimasi misalnya melalui penggunaan seleksi fitur. Beberapa penelitian telah dilakukan optimasi metode klasifikasi melalui penggunaan metode seleksi fitur dalam penilaian kinerja karyawan. Namun optimasi ini dipengaruhi oleh karakteristik data yang digunakan. Tidak semua teknik seleksi fitur sesuai untuk meningkatkan hasil klasifikasi dan jumlah penggunaan fitur dapat mempengaruhi performa model klasifikasi. Penelitian ini mengusulkan teknik analisis penggunaan jumlah fitur pada data kinerja dosen melalui metode seleksi fitur ANOVA untuk meningkatkan performa model klasifikasi metode -NN. Tujuannya adalah untuk mendapatkan jumlah fitur yang terbaik dalam peningkatan performa metode klasifikasi -NN. Hasil penelitian menunjukkan bahwa jumlah fitur terbaik dari metode ANOVA adalah sejumlah 5 fitur dengan hasil akurasi klasifikasi -NN sebesar 0.839, precision 0.8323, recall 0.839 dan F1-score 0.833. Teknik analisis ini dapat digunakan oleh sebuah perusahaan dalam mengutamakan fitur terbaik dalam menilai kualitas kinerja karyawannya.

Article Details

How to Cite
Tangkawarow, I., Hostiadi, D. P., Fatonah, N. S., Mohammad Yazdi, & Hariyanti, E. (2023). Analisis Seleksi Fitur untuk Optimasi Metode Klasifikasi k-NN pada Studi Kasus Penilaian Kinerja Karyawan. Jurnal Sistem Dan Informatika (JSI), 18(1), 18-28. https://doi.org/10.30864/jsi.v18i1.593
Section
Articles

References

V. V, “Comparison of Some Classification Algorithms for the Analysis of Students Academic Performance in Educational Data Mining Using Orange,” Int. J. Adv. Res. Sci. Commun. Technol., vol. 6, no. 1, pp. 318–324, 2021, doi: 10.48175/ijarsct-1394.
I. Khan, A. R. Ahmad, N. Jabeur, and M. N. Mahdi, “An artificial intelligence approach to monitor student performance and devise preventive measures,” Smart Learn. Environ., vol. 8, no. 1, 2021, doi: 10.1186/s40561-021-00161-y.
M. Milkhatun, A. A. F. Rizal, N. W. W. Asthiningsih, and A. J. Latipah, “Performance Assessment of University Lecturers: A Data Mining Approach,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 6, no. 2, pp. 73–81, 2020, doi: 10.23917/khif.v6i2.9069.
S. Kim and E. Usui, “Employer learning, job changes, and wage dynamics,” Econ. Inq., vol. 59, no. 3, pp. 1286–1307, 2021, doi: 10.1111/ecin.12980.
D. S. Gunawan, Suwardi; Sirajang, Ratna Sari; Utomo, “Pengaruh Motivasi, Kepuasan Kerja, dan Komitmen Organisasional Terhadap Kinerja Karyawan (Studi Kasus PT. PLN Sektor Mahakam Samarinda),” J. Din. Tek., vol. 13, no. 1, pp. 14–23, 2020.
M. Indrasari, “The Effect Of Organizational Culture, Environmental Work, Leadership Style On The Job Satisfaction And Its Impact On The Performance Of Teaching In State Community Academy Bojonegoro,” Sinergi J. Ilm. Ilmu Manaj., vol. 7, no. 1, pp. 58–73, 2017, doi: 10.25139/sng.v7i1.30.
S. Langgeng Ratnasari, . R., G. Sutjahjo, and D. Yana, “Lecturer’s Performance: Leadership, Organizational Culture, Work Motivation, and Work Behavior,” KnE Soc. Sci., vol. 3, no. 10, pp. 1–7, 2018, doi: 10.18502/kss.v3i10.3416.
S. Langgeng Ratnasari, . R., G. Sutjahjo, and D. Yana, “Lecturer’s Performance: Leadership, Organizational Culture, Work Motivation, and Work Behavior,” KnE Soc. Sci., vol. 3, no. 10, 2018, doi: 10.18502/kss.v3i10.3416.
E. KARAAHMETOĞLU, S. ERSÖZ, A. K. TÜRKER, V. ATEŞ, and A. F. İNAL, “Evaluation of Profession Predictions for Today and the Future with Machine Learning Methods : Emperical Evidence From Turkey,” Politek. Derg., vol. 26, no. 1, pp. 107–124, 2021, doi: 10.2339/politeknik.985534.
A. M. Fevolden, “Skills for the future – forecasting firm competitiveness using machine learning methods and employer–employee register data,” no. April, 2021.
M. Bakare and Y. C. Ojeleye, “Participative Leadership Style and Employee Commitment in Federal College of Education (Technical) Gusau: Moderating role of Organizational Culture,” Int. J. Intellect. Discourse, vol. 3, no. 1, pp. 17–31, 2020.
M. H. Bhatti, Y. Ju, U. Akram, M. H. Bhatti, Z. Akram, and M. Bilal, “Impact of participative leadership on organizational citizenship behavior: Mediating role of trust and moderating role of continuance commitment: Evidence from the pakistan hotel industry,” Sustain., vol. 11, no. 4, 2019, doi: 10.3390/su11041170.
M. Sağnak, “Participative Leadership and Change-Oriented Organizational Citizenship: The Mediating Effect of Intrinsic Motivation,” Eurasian J. Educ. Res., vol. 16, no. 62, pp. 181–194, 2016, doi: 10.14689/ejer.2016.62.11.
F. Sinani, “The Effects of Participative Leadership Practices on Job Satisfaction for Highly Skilled Virtual Teams,” ProQuest Diss. Theses, p. 173, 2016.
N. Bandhaso, Mira Labi dan Paranoan, “Pengaruh Kepuasan Kerja dan Motivasi Kerja Terhadap Kinerja Dosen Fakultas Ekonomi di Perguruan Tinggi Swasta di Makassar,” J. Akunt. Netral, vol. 1, no. 2, pp. 20–30, 2019.
Fizia Nurul et al, “Pengaruh Pelatihan dan Pengembangan Karir Terhadap Kinerja Karyawan pada PT. Tri Megah Makmur,” Din. UMT, vol. 3, no. 1, pp. 2477–1546, 2018, doi: 10.31000/dinamika.v3i1.1091.
K. S. Akpoviroro, B. Kadiri, and S. O. Owotutu, “Effect of participative leadership style on employees productivity,” Trendy v Podn., vol. 8, no. 2, pp. 48–58, 2018, doi: 10.24132/jbt.2018.8.2.48_58.
M. Indrasari, Kepuasan Kerja dan Kinerja Karyawan. Yogyakarta: Indomedia Pustaka, 2017.
J. Straub, “Machine learning performance validation and training using a ‘perfect’ expert system,” MethodsX, vol. 8, no. August, p. 101477, 2021, doi: 10.1016/j.mex.2021.101477.
J. G. Choi, I. Ko, J. Kim, Y. Jeon, and S. Han, “Machine Learning Framework for Multi-Level Classification of Company Revenue,” IEEE Access, vol. 9, no. June, pp. 96739–96750, 2021, doi: 10.1109/ACCESS.2021.3088874.
Indexed and Journal List Title by: