Metode Rough Set Dan SVM Untuk Penilaian Kinerja Kepegawaian Dan Rekomendasi Jabatan

Rafikasani Sani; Sarjon Defit; Gunadi Widi Nurcahyo

doi:10.35134/komtekinfo.v11i4.581

Authors

Rafikasani Sani Universitas Putra Indonesia YPTK Padang
Sarjon Defit Universitas Putra Indonesia YPTK Padang
Gunadi Widi Nurcahyo Universitas Putra Indonesia YPTK Padang

DOI:

https://doi.org/10.35134/komtekinfo.v11i4.581

Keywords:

Keywords: Data Mining, Rough Set, Support Vector Machine, Penilaian Kinerja, Rekomendasi Jabatan.

Abstract

Data Mining adalah teknik krusial untuk mengolah dataset besar dan kompleks guna menemukan pola tersembunyi yang mendukung keputusan strategis. Penelitian ini menerapkan teknik Data Mining dengan fokus pada metode Rough Set dan Support Vector Machine (SVM) untuk meningkatkan penilaian kinerja pegawai dan memberikan rekomendasi promosi jabatan yang lebih efektif dan objektif. Metode Rough Set digunakan untuk melakukan seleksi atribut dari data evaluasi kinerja pegawai, mencakup tujuh atribut utama seperti pengalaman kerja, pendidikan, usia, jenis jabatan, golongan ruang, hasil kerja, dan perilaku kerja. Data yang digunakan berasal dari laporan evaluasi kinerja 8.457 pegawai di Badan Kepegawaian dan Pengembangan Sumber Daya Manusia (BKPSDM) Kota Padang. Setelah atribut-atribut penting terpilih, data tersebut digunakan sebagai input dalam model SVM yang diimplementasikan menggunakan software Weka. Model ini berhasil mencapai tingkat akurasi sebesar 99,6216%, yang diperoleh dengan membagi jumlah data yang diklasifikasikan dengan benar oleh sistem dengan jumlah total data pegawai yang digunakan. Berdasarkan hasil confusion matrix, kelas "sangat baik" menunjukkan precision 1,000, recall 0,952, dan F-Measure 0,975; kelas "baik" dengan precision 0,996, recall 1,000, dan F-Measure 0,998; serta kelas "sangat kurang" menunjukkan precision 0,990, recall 0,987, dan F-Measure 0,988. Sebanyak 317 instance terklasifikasi benar sebagai "sangat baik," 7.722 instance sebagai "baik," dan 386 instance sebagai "sangat kurang," namun tidak ada instance yang terklasifikasi benar sebagai "perlu perbaikan." Penelitian ini juga melakukan perhitungan manual menggunakan sampel 26 data, di mana perhitungan menggunakan 3 data untuk testing. Hasil perhitungan manual menunjukkan bahwa data 1 dan data 2 termasuk dalam kategori "butuh perbaikan," sementara data 3 termasuk dalam kategori "sangat kurang." Berdasarkan aturan pemetaan, di mana hasil klasifikasi dengan nilai sign negatif mendekati -114 dikategorikan sebagai "sangat kurang," ketiga data testing tersebut konsisten dalam kategori "sangat kurang." Perbandingan hasil perhitungan manual dengan aplikasi menunjukkan akurasi 33,33%, di mana 1 dari 3 data testing sesuai antara manual dan aplikasi. Meskipun ada tantangan dalam mengidentifikasi beberapa kelas, sistem penilaian ini dapat membantu manajemen dalam membuat keputusan promosi yang lebih baik. Penelitian ini menggambarkan potensi besar teknik Data Mining dalam memperbaiki proses penilaian kinerja dan rekomendasi jabatan dalam organisasi.

References

A. Puri, D. Solihudin, S. Anwar, D. Pratama, and E. Wahyudin, “Analisis Klaster K-Medoid Untuk Pengelompokan Dan Pemetaan Provinsi Di Indonesia Berdasarkan Nilai Ujian Nasional,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 918–924, 2024, doi: 10.36040/jati.v8i1.8653.

S. Głowania, J. Kozak, and P. Juszczuk, “Knowledge Discovery in Databases for a Football Match Result,” Electron., vol. 12, no. 12, pp. 1–17, 2023, doi: 10.3390/electronics12122712.

S. Ashrafi, B. Majidi, E. Akhtarkavan, and S. H. R. Hajiagha, “Efficient Resume-Based Re-Education for Career Recommendation in Rapidly Evolving Job Markets,” IEEE Access, vol. 11, no. April 2020, pp. 124350–124367, 2023, doi: 10.1109/ACCESS.2023.3329576.

F. El Khair, S. Defit, and Y. Yuhandri, “Sistem Keputusan dengan Metode Multi Attribute Utility Theory dalam Penilaian Kinerja Pegawai,” J. Inf. dan Teknol., vol. 3, pp. 215–220, 2021, doi: 10.37034/jidt.v3i4.155.

A. Alhidayatullah, A. Sudarma, and M. Khairul Amal, “Efektivitas Pelatihan Kerja Dalam Meningkatkan Prestasi Kerja Karyawan,” Coopetition J. Ilm. Manaj., vol. 14, no. 1, pp. 119–130, 2023, doi: 10.32670/coopetition.v14i1.2373.

L. Falat, T. Michalova, P. Madzik, and K. Marsikova, “Discovering Trends and Journeys in Knowledge-Based Human Resource Management: Big Data Smart Literature Review Based on Machine Learning Approach,” IEEE Access, vol. 11, no. September, pp. 95567–95583, 2023, doi: 10.1109/ACCESS.2023.3296140.

E. Devia, “Penerapan Decision Tree Dengan Algoritma C4.5 Untuk Menentukan Rekomendasi Kenaikan Jabatan Karyawan,” J. Inf. Syst., vol. 3, no. 1, pp. 28–37, 2023, doi: 10.61488/jis.v3i1.257.

R. Das, J. Mishra, and P. K. Pattnaik, “Prediction of Heatwave Using Advanced Soft Computing Technique,” pp. 1–11, 2023.

Y. Zhao, Y. Zhou, F. Meng, and H. Qiu, “Research on Carbon Emission Prediction of Coal Combustion in Power Generation Enterprises Based on Rough Set and Grey SVM,” Adv. Transdiscipl. Eng., vol. 47, pp. 174–181, 2024, doi: 10.3233/ATDE231187.

Mohammed Akif, Anuj Nakka, Solanki Prakash, Vijay N, and Dr Suresh Kallam, “Utilizing Machine Learning for Intrusion Detection Systems in the Context of Cloud Computing,” Int. J. Adv. Res. Sci. Commun. Technol., pp. 14–21, 2023, doi: 10.48175/ijarsct-11603.

R. Yu, X. Kong, and Y. Li, “Optimizing the Diagnostic Algorithm for Pulmonary Embolism in Acute COPD Exacerbation Using Fuzzy Rough Sets and Support Vector Machine,” COPD J. Chronic Obstr. Pulm. Dis., vol. 20, no. 1, pp. 1–8, 2023, doi: 10.1080/15412555.2022.2139671.

S. N. Bhagat, P. S. Rath, and A. Mitra, “Coupling of Rough Set Theory and Predictive Power of SVM Towards Mining of Missing Data,” Int. Res. J. Multidiscip. Scope, vol. 5, no. 2, pp. 732–744, 2024, doi: 10.47857/irjms.2024.v05i02.0631.