Penerapan Synthetic Minority Oversampling Technique (SMOTE) pada Klasifikasi Kinerja Karyawan Di PT. Indomarco Prismatama Menggunakan Metode C 4.5 dan Naive Bayes

Abstract

Sistem penentuan kinerja karyawan di PT. Indomarco Prismatama hanya menggunakan microsoft excel yang memiliki kelemahan untuk data yang kompleks seperti dataset pada penelitian ini, terdapat 17 atribut dan 696 record yang terdiri dari 520 kelas No Reward dan 179 Reward. Sistem penentuan kinerja karyawan dapat menggunakan pendekatan machine learning yaitu teknik klasifikasi. Klasifikasi pada data yang tidak seimbang menyebabkan akurasi prediksi yang bias. Penelitian ini mengklasifikasikan kinerja karyawan menggunakan algoritma C4.5 dan Naïve Bayes dengan pendekatan teknik SMOTE untuk mengatasi ketidakseimbangan data. Tujuan dari penelitian ini untuk mengetahui faktor yang memengaruhi kinerja karyawan dan mengetahui performa terbaik dari kedua algoritma tersebut. Algoritma C4.5 digunakan untuk menghasilkan pohon keputusan yang membantu mengidentifikasi atribut paling signifikan, sedang Naïve Bayes memanfaatkan pendekatan probabilistik untuk menganalisis pola kinerja berdasarkan indikator utama. Evaluasi menggunakan K-Fold Cross Validation berdasarkan metrik akurasi, presisi, recall dan AUC. Hasil penelitian menunjukan bahwa atribut yang paling berpengaruh terhadap kinerja karyawan adalah variance plus. Performa algoritma C4.5 unggul dibandingkan Naïve Bayes, dengan akurasi 99%, recall 99%, presisi 99%, dan AUC 1.00. Penelitian ini memberikan kontribusi dalam pengembangan sistem penentuan kinerja karyawan yang lebih objektif, terstruktur dan berbasis data yang dapat dijadikan alternatif pengambilan keputusan oleh perusahaan.