Perbandingan Model NBC, SVM, dan C4.5 dalam Mengukur Kinerja Karyawan Berprestasi Pasca Pandemi Covid-19

Abstract

Pengklasifikasian penilaian kinerja karyawan merupakan salah satu cara meningkatkan mutu pekerja. Penilaian kinerja karyawan sangat penting dalam menentukan karyawan yang baik dalam suatu perusahaan. Proses penilaian kinerja karyawan hanya dinilai secara manual tanpa adanya suatu aplikasi atau sistem. Algoritma yang diterapkan untuk kinerja karyawan memanfaatkan algoritma Naïve Bayes Classifier karena mengacu pada penelitian yang telah dilakukan sebelumnya, terdapat beberapa temuan penelitian. Dengan menggunakan 310 data karyawan yang dibagi menjadi 5 kelompok yaitu Kinerja Sangat Tinggi, Kinerja Tinggi, Kinerja Sesuai Standar, Kinerja rendah dan Kinerja Tidak Efektif, pengujian ini menggunakan tools RapidMiner versi 7.2.0 model algoritma Naïve Bayes Classifier menghasilkan tingkat akurasi 84.52%, algoritma C4.5 menghasilkan tingkat akurasi 74.19% dan sedangkan menggunakan algoritma Support Vector Machine menghasilkan tingkat akurasi 56.13%. Jika menggunakan tools WEKA versi 3.8.0 Model algoritma Naïve Bayes Classifier menghasilkan tingkat akurasi 81.93%, algoritma C4.5 menghasilkan tingkat akurasi 75.80% dan sedangkan menggunakan algoritma Support Vector Machine menghasilkan tingkat akurasi 60.32%.

A Comparative Study on Data Collection Methods: Investigating Optimal Datasets for Data Mining Analysis

“…Questionnaire-derived data offers insights into respondents' perceptions, opinions, or feelings regarding a product, service, company, event, or occurrence. Concurrently, secondary data sourced from pre-existing outlets like journals, books, or articles, proves valuable in sentiment analysis to discern public opinions or sentiments [6], [7]. This secondary This study aims to assess the computational effectiveness of sentiment analysis through the examination of data obtained via both primary and secondary data collection approaches.…”

Perbandingan Algoritma K-Nearest Neighbor dan Naïve Bayes Classifier untuk Klasifikasi Status Gizi Pada Balita

“…Maulidah dkk (2022) pernah melakukan perbandingan algoritma K-NN dan ID3 untuk prediksi kelulusan mahasiswa di Universitas Muhammadiyah Jember menghasilkan nilai Accuracy, Recall, dan Precission untuk K-NN berturut-turut adalah 91.66%, 96.66%, dan 87.87%, sedangkan ID3 menghasilkan nilai beturut-turut yakni 93.33%, 93.33%, dan 93.33% [8]. Kemudian Galih dan Eriyadi membandingkan algoritma NBC, SVM dan C4.5 untuk mengukur kinerja Karyawan Berprestasi Pasca pandemic Covid-19 yang menyatakan NBC lebih baik dengan accuracy pada rapidminer sebesar 84.52%, sedangkan menggunakan Weka sebesar 81.93% [9].…”