Jurnal Infortech Volume 5 No.
1 Juni 2025
E-ISSN: 2715-8160
Implementasi Algoritma C4.
5 Untuk Klasifikasi Tingkat Kenaikan Jabatan Pada PT Siprama Cakrawala Depok Rahayu Ningsih1*.
Muhammad Devan Basunanda2.
Wati Erawati3
1,2, 3
Universitas Bina Sarana Informatika e-mail: rahayu.
ryh@bsi.
id, 2basunandadevan@gmail.
com, 3wati.
wti@bsi.
Diterima 03-11-2025 Direvisi 27-05-2025 Disetujui 14-06-2025 Abstrak - Dalam era modern, kenaikan jabatan menjadi tantangan bagi perusahaan karena proses promosi yang sering kali dianggap subjektif.
Penelitian ini bertujuan untuk membangun model klasifikasi kenaikan jabatan menggunakan Algoritma C4.
5 guna meningkatkan objektivitas keputusan promosi karyawan.
Data dikumpulkan dari database karyawan PT Siprama Cakrawala serta melalui kuesioner kepada manajer, supervisor, dan karyawan.
Variabel yang digunakan mencakup kinerja, pengalaman kerja, tingkat pendidikan, sikap kerja, dan keterlibatan dalam proyek.
Data dianalisis menggunakan RapidMiner dengan teknik Decision Tree, kemudian divalidasi menggunakan metode Cross Validation untuk mengukur akurasi model.
Hasil penelitian menunjukkan bahwa model yang dihasilkan memiliki tingkat akurasi sebesar 88.
91%, dengan classification error sebesar 11.
Variabel pengalaman kerja memiliki pengaruh paling dominan dengan nilai information gain tertinggi dan menjadi root node dalam pohon keputusan.
Precision model menunjukkan bahwa algoritma C4.
5 cukup andal dalam mengklasifikasikan karyawan yang layak dan belum layak mendapatkan promosi jabatan, dengan nilai precision kelayakan sebesar 91.
11% dan precision belum layak sebesar 87.
Dengan hasil ini, model yang dikembangkan dapat digunakan sebagai alat bantu dalam proses pengambilan keputusan promosi karyawan.
Kata Kunci: Algoritma C4.
Data Mining.
Klasifikasi Karyawan Abstract - In the modern era, promotions have become a challenge for companies due to the often subjective nature of the promotion process.
This research aims to build a promotion classification model using the C4.
5 Algorithm to enhance the objectivity of employee promotion decisions.
Data were collected from the employee database of PT Siprama Cakrawala as well as through questionnaires to managers, supervisors, and employees.
The variables used include performance, work experience, education level, work attitude, and project involvement.
Data were analyzed using RapidMiner with the Decision Tree technique, then validated using the Cross Validation method to measure the model's accuracy.
The research results show that the generated model has an accuracy rate of 91%, with a classification error of 11.
The work experience variable has the most dominant influence with the highest information gain value and becomes the root node in the decision tree.
The model's precision indicates that the C4.
5 algorithm is quite reliable in classifying employees who are eligible and not eligible for promotion, with an eligibility precision value of 91.
11% and a non-eligibility precision of 87.
With these results, the developed model can be used as a decision-making aid in the employee promotion process.
Keywords: C4.
5 Algorithm.
Data Mining.
Employee Classification PENDAHULUAN Pada era modern saat ini, kenaikan jabatan dalam perusahaan sering menjadi salah satu isu yang dihadapi organisasi.
Berdasarkan survey yang dilakukan oleh Society For Human Resouce Management (SHRM) pada tahun 2023, sebanyak 62% karyawan merasa bahwa proses promosi di tempat kerja masih bersifat subjektif, terutama karena kurangnya kriteria yang jelas dan transparansi dalam penilaian (SHRM, 2.
PT Siprama Cakrawala adalah sebuah perusahaan yang bergerak di bidang Outsourcing dan beralokasi pada Kota Depok, menghadapi tantangan serupa dalam menentukan http://ejournal.
id/ejurnal/index.
php/infortech kriteria kenaikan jabatan bagi karyawan mereka.
Penelitian ini akan melibatkan berbagai pihak pada perusahaan, termasuk departemen Sumber Daya Manusia.
Manager Divisi, dan para karyawan.
Penelitian ini juga di dukung oleh penelitian yang sudah ada sebalumnya, yaitu :
Bisnis simpan pinjam (Nugroho & Amrullah, 2.
, sering kali kurang mempertimbangkan kemampuan mengimplementasikan algoritma K-NN dengan KFold Cross Validation untuk memprediksi kelayakan pinjaman, menghasilkan akurasi 93% setelah pembobotan atribut menggunakan metode Rank Order Centroid (ROC).
Penguasaan bahasa Inggris di Jurnal Infortech.
Volume 7 No.
1 Juni 2025
E-ISSN 2715-8160
pembelajaran konvensional dan kurangnya praktik (Fanny Irnanda & Perdana Windarto, n.
Penelitian ini mengatasi masalah tersebut dengan menerapkan algoritma C4.
5 berbasis data mining untuk menganalisis faktor dominan seperti praktik (C.
, menggunakan RapidMiner sebagai tools analisis, dan mencapai akurasi 95% dalam mengidentifikasi atribut paling berpengaruh untuk meningkatkan kecakapan berbahasa Inggris.
Proses rekrutmen karyawan sering kali bersifat subjektif dan tidak konsisten (Devia, 2.
, sehingga perusahaan kesulitan mendapatkan kandidat yang sesuai (Mayangsari & Wahyudi, 2.
Penelitian ini mengatasi masalah tersebut dengan menerapkan algoritma C4.
5 berbasis data mining untuk menganalisis atribut seperti background check dan pendidikan, menggunakan RapidMiner sebagai alat analisis, dan mencapai akurasi 99,43% dalam memprediksi kelayakan kandidat.
Proses penempatan jabatan fungsional ASN sering kali bersifat subjektif dan tidak terstandarisasi, sehingga berpotensi menimbulkan ketidaksesuaian kompetensi.
(Isra, 2.
Penelitian ini mengatasi masalah tersebut dengan menerapkan algoritma C4.
5 berbasis pohon keputusan untuk menganalisis faktor kunci seperti RapidMiner sebagai alat analisis, dan mencapai akurasi 92,54% dalam memprediksi kelayakan penempatan jabatan fungsional.
Karyawan PT WS tidak puas dengan penilaian kinerja manual dan subjektif, sehingga penelitian ini mengusulkan sistem berbasis web dengan Algoritma C4.
5 untuk klasifikasi dan Metode 360A melibatkan multipenilai, yang berhasil diuji dengan tingkat penerimaan pengguna sebesar 83,4% (Rochmat Asyhari et al.
, 2.
PT.
Alfa Scorpii menghadapi kesulitan dalam memprediksi preferensi konsumen terhadap sepeda motor Yamaha karena kurangnya sistem analisis data yang efektif.
Untuk mengatasi hal ini, penelitian menerapkan Algoritma C4.
5 guna perhitungan entropy dan gain, serta mengembangkan sistem berbasis web yang mampu mengklasifikasikan cepat (Widodo et al.
, 2.
omosi jabatan yang kompleks dan subjektif membutuhkan pendekatan membandingkan algoritma Decision Tree C4.
5 dan C5.
0 menggunakan dataset 54.
808 data melalui RapidMiner dan Python, dengan hasil menunjukkan C4.
5 lebih akurat .
,54%) dalam mengidentifikasi karyawan berpotensi berdasarkan kriteria seperti pencapaian KPI dan penghargaan (Abidin.
Zaenal.
Nurhana.
Eka.
Permata.
Permata.
Ulum, 2.
Dinas Perhubungan Sulawesi Tengah kesulitan menyeleksi karyawan sesuai kepribadian, sehingga penelitian ini mengimplementasikan algoritma C4.
5 untuk membangun sistem prediksi kepribadian berbasis pohon keputusan dengan akurasi 79.
http://ejournal.
id/ejurnal/index.
php/infortech menggunakan atribut seperti umur dan jabatan (Oktafiqurahman et al.
, 2.
BKAD Kabupaten Banyumas mengalami kesulitan dalam mengelola KIB peralatan dan mesin kantor yang menghambat proses pengadaan, sehingga penelitian ini menerapkan algoritma C4.
5 melalui RapidMiner untuk membangun sistem prediksi berbasis pohon keputusan dengan akurasi sempurna 100% berdasarkan kriteria tahun pembelian, kondisi, dan bahan barang (Iftitah & Setyadi, 2.
Penelitian ini mengatasi keterlambatan rekomendasi kenaikan pangkat PNS akibat sistem manual dengan mengembangkan sistem berbasis web menggunakan algoritma Nayve Bayes dan PHP yang menghasilkan rekomendasi otomatis dengan akurasi 84,24%, precision 81,34%, dan recall 73,22%, yang telah diuji melalui confusion matrix dan kuisioner kepuasan pengguna (Angreni & Susanti, 2.
METODE PENELITIAN
Penelitian ini menggunakan metode kuantitatif dengan pendekatan data mining, khususnya Algoritma C4.
5 untuk membangun model klasifikasi kenaikan jabatan karyawan.
Berikut adalah langkah langkah yang dilakukan dalam penelitian ini dapat dilihat di Gambar 1:
Gambar 1.
Tahapan Penelitian Data yang digunakan dalam penelitian ini berasal dari database karyawan PT Siprama Cakrawala serta pengamatan langsung pada lingkungan kerja dan interaksi antar karyawan demi mendapatkan pemahaman yang lebih mendalam mengenai faktor-faktor yang memengaruhi keputusan kenaikan jabatan.
Pengumpulan data juga akan dilakukan melalui kuesioner kepada manager, supervisor, dan para karyawan untuk melengkapi informasi yang mungkin tidak tersedia dalam Data yang akan dikumpulkan meliputi:
Kinerja karyawan .
enilaian hasil kerj.
Lama pengalaman kerja .
alam tahu.
Tingkat pendidikan.
Jurnal Infortech.
Volume 7 No.
1 Juni 2025
E-ISSN 2715-8160
Penilaian sikap dan attitude dalam bekerja .
erdasarkan superviso.
Keterlibatan dalam proyek perusahaan.
HASIL DAN PEMBAHASAN
Hasil Data yang diperoleh dalam penelitian ini merupakan data kuesioner karyawan yang diperoleh dari PT Siprama Cakrawala, data tersebut berisi kode responden, nama responden, jabatan, serta 19 pertanyaan yang terdiri dari Kinerja.
1 Ae x1.
Pengalaman.
1 Ae x2.
Pendidikan.
1 Ae x3.
Sikap dan Attitude.
1 Ae x4.
, dan Keterlibatan Proyek.
1 Ae x5.
menggunakan skala likert sebesar 1-5 poin.
Penelitian akan dibantu oleh 4 manager dan 1 supervisor untuk menentukan kriteria Rekomendasi(Y) dan validasi data responden seperti pengisian kuesioner dengan nilai yang asal-asalan dan banyak yang tidak di isi.
Data yang dihasilkan dari para karyawan berjumlah 129 data valid dan 21 data yang tidak valid, dan penelitian menggunakan sebanyak 20 Random Data Sample dari 129 data tersebut untuk dijadikan bahan perhitungan MENENTUKAN NILAI ATRIBUT Dalam data sampel yang telah didapat hal berikutnya yang dalam penelitiannya di lakukan adalah menentukan Root Node atau atribut utama demi mendapatkan atribut yang paling banyak atau memiliki kemampuan terbaik untuk membagi data menjadi kelompok yang lebih homogen, penelitian ini menggunakan nilai gain yang paling besar.
Kemudian akan dilakukan perhitungan nilai entropy dan gain masing masing atribut.
Dengan cara ini pohon keputusan yang dihasilkan akan lebih efisien dan akurat dalam mengklasifikasikan data.
Dalam hal ini kita perlu menghitung entropy total dari data yang telah didapat, berikut adalah cara perhitungannya:
Jumlah Kasus : 20 Layak (S.
: 11 Belum (S.
: 9 Rumus Entropy:
E(S) = Oe Oc Oo pi log 2.
i ) .
S = 20.
S1 = 11.
S2 = 9 p(Laya.
= S1/S = 11/20 = 0.
p(Belu.
= S2/S = 9/20 = 0.
E(S) = -.
55 UI log2.
45 UI
E(S) = -.
55 UI (-0.
45 UI (-1.
= 0.
Setelah itu hitung entropy untuk tiap atribut dengan X1 = Kinerja Sub kelompok yang terdapat dalam dataset:
Baik (S = 3.
S1 = 1.
S2 = .
http://ejournal.
id/ejurnal/index.
php/infortech E(Bai.
= -.
/3 UI log2.
2/3 UI log2.
) E(Bai.
= -.
3333 UI log2.
6667 UI log2.
= -0.
E(Bai.
= -.
3333 UI (-1.
6667 UI (-0.
= 0.
918295834 | rounding E(Bai.
= 0.
Sangat Baik (S = 17.
S1 = 10.
S2 = .
E(Sangat Bai.
= -.
/17 UI log2.
7/17 UI log2.
) E(Sangat Bai.
= -.
5882 UI
4118 UI log2.
= -1.
E(Bai.
= -.
3333 UI (-0.
6667 UI (-1.
= 0.
977417818 | rounding E(Sangat Bai.
= 0.
Setelah itu hitung Weighted Entropy dan Gain nya, berikut formula yang penelitian gunakan:
= Oc.
cIycn | .
cI|) O ya.
cIycn ) .
cI| S = Dataset Awal | A = Atribut | ycIycn = Subset Data dari .
cIycn |= Jumlah Kasus dalam subset ycIycn .
cI|= Total Jumlah Kasus E.
cIycn )= Entropy subset ycIycn Untuk kategori Baik:
0,918295834 =
Untuk kategori Sangat Baik:
977417818 = 0,831805565
Weighted Entropy: E(A) = 0.
0,831805565 = 0,96954994
Gain = E(S) Ae E(A) Dari perhitungan diatas penelitian mendapatkan hasil entropi total dengan nilai 0.
weighted entropy Kinerja(X.
dengan nilai 0,96954994 dan Gain Kinerja(X.
dengan nilai 0,023224514.
Proses serupa juga diterapkan untuk atribut Pengalaman(X.
Pendidikan(X.
Sikap(X.
, serta Keterlibatan Proyek(X.
Penelitian ini juga membuat tabel perhitungan entropy dari tiap atribut dan sub kelompok dari dataset yang telah didapat.
Berikut adalah format serta hasil perhitungan entropy dan gain dari tiap atribut:
Tabel 2 format serta hasil perhitungan entropy dan gain dari tiap atribut Klasifi Penilai Juml Kasu s(S) Laya k(S.
Belu m(S.
ENTR
OPY
Total
0,9927
GAIN
Jurnal Infortech.
Volume 7 No.
1 Juni 2025
E-ISSN 2715-8160
0,0232
Kinerja Baik Sangat Baik Pengal Kurang Baik Sangat Baik Pendidi Cukup Klasifi Penilai Sangat Baik 0,7500 0,9709 0,0599 Juml Kasu s(S) Laya k(S.
Belu m(S.
ENTR
OPY
0,9819
GAIN
0,4224
Kurang Cukup Baik 0,7642 0,5032 0,3345 Kurang Cukup 0,9402 Baik Dari tabel 2 dapat dilihat nilai gain yang tertinggi ada pada atribut Pengalaman dengan nilai 0,750036805 maka Pengalaman akan menjadi akar pertama atau root node, kemudian akan dilanjutkan perhitungan node ke 2 dengan perhitungan pada tabel dibawah ini.
Klasifik Penilaia Jum Kas Laya k(S.
Belu
m(S2 ENTR
OPY
Total
0,9709
Kinerj
Sanga
t Baik Pendi
Sanga
t Baik Kas
ENTR
m(S2 k(S.
OPY GAIN
0,9709
Baik Sanga t Baik Keterl Proyek Kuran Baik 0,9709 Tabel 3.
Hasil perhitungan entropy dan gain dari tiap atribut node 2 Pada tabel 3 merupakan perhitungan terakhir dari Algoritma C4.
5 karena dapat dilihat bahwa node 2, meskipun terdapat beberapa atribut yang sudah dilakukan pemisaha5n, hasil pemisahan tidak memperbaiki keadaan atau menurunkan entropy lebih lanjut, yang menandakan tidak ada pemisahan yang signifikan lagi.
Dengan ini klasifikasi akar terakhir dari pohon keputusan yaitu atribut Pendidikan dan Sikap yang dapat dilihat dari tabel 2.
Pemodelan dengan Algoritma C4.
Setelah data siap.
Algoritma C4.
5 diterapkan untuk membangun model klasifikasi.
Penelitian RapidMiner membangun pohon keputusan berdasarkan atributatribut yang memengaruhi tingkat promosi jabatan.
Langkah-langkah yang dilakukan oleh penelitian adalah sebagai berikut :
Importing Data
0,9709
Belu
Laya
GAIN
Klasif
Penilaia
Sikap
Sikap
Sangat Baik Keterli Proyek
0,9182
0,9774
Jum
0,9709
http://ejournal.
id/ejurnal/index.
php/infortech Pada tahap ini akan dilakukan pemrosesan data decision tree dengan menggunakan RapidMine Studio 10.
0 dengan metode decision tree.
Data yang diolah menggunakan MS.
Excel 2019, sehingga di aplikasi RapidMiner Studio 10.
0 menggunakan operator read excel yang berfungsi untuk membaca file yang akan diolah.
Kemudian masukan operator Decision Tree untuk membuat data yang diolah menghasilkan decision tree.
Dapat dilihat di Gambar Jurnal Infortech.
Volume 7 No.
1 Juni 2025
E-ISSN 2715-8160
Gambar 1.
User Interface Work Area dari RapidMiner Studio 10.
Selanjutnya kita perlu ke parameter Read Excel untuk menjalankan fungsi Import Configuration Wizard.
Pilih lokasi file dan setelah data terupload di aplikasi RapidMiner Studio 10.
0, berikut adalah tampilan example set yang merupakan dataset yang sudah untuk di proses dengan aplikasi RapidMiner 10.
Dapat dilihat di Gambar 2.
Decision Tree Langkah berikutnya yang akan dilakukan yaitu melihat hasil pengujian, dimana nantinya proses akan dimulai dari koneksi dataset, operator RapidMiner dan decision tree yang dihasilkan.
Untuk itu perlu penambahan fungsi decision tree kedalam Work Area RapidMiner.
Berikut adalah tampilan Work Area yang telah ditambahkan fungsi decision tree.
Dapat dilihat di Gambar 4.
Gambar 4.
Work Area yang telah ditambahkan fungsi decision tree Gambar 2.
User Interface Example Set dari RapidMiner Studio 10.
Set Role Langkah berikutnya yang akan dilakukan yaitu menambahkan fungsi set roles untuk mendefinisikan peran atau role setiap atribut dalam Dengan menentukan role.
RapidMiner dapat memahami bagaimana menggunakan atribut tersebut dalam proses pemodelan dan analisis.
Dalam kasus ini penelitian menggunakan role Label pada atribut Hasil(Y) untuk menjadi target atau variabel yang akan diprediksi seperti layak atau belum layaknya seseorang untuk mendapat promosi Berikut adalah tampilan dari set roles dari aplikasi RapidMiner Studio 10.
Dapat dilihat di Gambar 3.
Graph View Proses menjalankan atau run dan hasil pohon keputusan yang dibentuk akan langsung terlihat dalam bentuk graph view decision tree ma0upun depenelitian atau description view, hasil dari pohon keputusan ini akan sama dengan hasil perhitungan manual yang terlah dilakukan diatas serta bisa dibuat lebih simpel dan mudah dipahami dengan fungsi pre-pruning.
Namun dalam kasus ini hal tersebut tidak diperlukan karena hasil akan sangat jelas.
Dapat dilihat pada Gambar 5.
Gambar 5.
Graph View yang telah ditambahkan fungsi decision tree Gambar 3.
User Interface set roles dari RapidMiner Studio 10.
http://ejournal.
id/ejurnal/index.
php/infortech Berdasarkan graph view dari decision tree diatas, dapat disimpulkan bahwa atribut yang menentukan kelayakan seseorang adalah Pengalaman(X.
Jika seseorang memiliki Pengalaman yang AuSangat BaikAy, maka kemungkinan besar hasil akhirnya adalah AuLayakAy untuk promosi jabatan.
Jika Pengalaman hanya AuBaikAy, faktor Sikap akan menjadi penentu proses kenaikan jabatan dan otomatis belum layak jika faktor Pengalaman AuKurangAy persis seperti perhitungan manual yang sebelumnya penelitian Jurnal Infortech.
Volume 7 No.
1 Juni 2025
E-ISSN 2715-8160
Persiapan dan Evaluasi Model Persiapan Data Uji Pada tahap ini, data yang akan digunakan untuk pengujian model adalah 109 data para responden yang sudah dipisahkan dari data latih untuk menghindari bias dalam evaluasi performa Data uji dipersiapkan dengan memastikan formatnya sesuai dengan kebutuhan algoritma, terdiri dari fitur-fitur prediktor dan label target.
Dapat dilihat pada Gambar 6.
Gambar 6.
Tampilan Validation Cross Pada gambar diatas kita bisa melihat tampilan dari operator Cross Validation, yang bertujuan untuk membagi data menjadi 10 bagian atau 10 folds agar dapat dievaluasi secara lebih akurat menggunakan 10-Fold Cross Validation.
Dalam operator ini, proses terbagi menjadi dua bagian yaitu Training dan Testing.
Pada bagian Training, penelitian menggunakan operator decision tree untuk membangun model klasifikasi, sedangkan bagian Testing, operator Apply Model dan Performance ditambahkan untuk mengevaluasi performa decision Untuk visualisasi work area yang telah ditambahkan operator Cross Validation bisa dilihat pada gambar 7 Gambar 7.
Tampilan Work Area dengan Cross Validation Uji dan Evaluasi Model Langkah selanjutnya adalah menerapkan model yang telah dilatih pada data uji mengguanakan operator Apply Model di RapidMiner.
Dapat dilihat pada Gambar 8.
Setelah model diterapkan pada data uji, langkah berikutnya adalah mengevaluasi kinerja model menggunakan operator Performance (Classificatio.
Operator ini menghasilkan metrik evaluasi seperti akurasi (Accurac.
, presisi (Precisio.
, dan Selain itu, confusion matrix akan digunaka untuk memeriksa kesalahan klasifikasi yang terjadi seperti jumlah prediksi yang benar dan salah (True Positive.
True Negative.
False Positive.
False Negativ.
Metrik-metrik ini memberikan gambaran yang lebih lengkap mengenai kinerja model dalam mengklasifikasikan data uji.
Berikut adalah tampilan tabel Performance Vector dari model yang telah Tabel 4 tampilan tabel Performance Vector Dari data tabel 4, penelitian ini akan mencari nilai akurasi dan error klasifikasi (Classification Erro.
dengan formula ini.
yaycycoycoycaEa ycyycyceyccycnycoycycn ycycaycuyci ycayceycuycayc Akurasi = yaycycoycoycaEa ycycuycycayco ycycaycoycyyceyco .
cNycE ycNycA) .
cNycE ycNycA yaycE yaycA) True Positive (TP) = 41 .
rediksi AuLayakAy yang True Negative (TN) = 56 .
rediksi AuBelum LayakAy yang bena.
False Positive (FP) = 4 .
rediksi AuLayakAy yang sala.
False Negative (FN) = 8 .
rediksi AuBelum LayakAy yang sela.
Maka:
Akurasi = y 100% = .
4 8 .
Error = y 100% =11.
Maka penelitian mendapat hasil akurasi keseluruhan model dengan nilai 88,91% dan hasil error klasifikasi dengan nilai 11.
Dan berikut cara untuk menghitung presisi(Precisio.
dan recal dari data tabel diatas.
ycNycE.
Precision(Laya.
= ycNycE.
= 0.
Precision(Belu.
= = 0.
Recall(Laya.
= ycNycE.
aAyceycoycyc.
ycNycE.
aAyceycoycyc.
aAyceycoycyc.
ycNycE.
ycNycE.
= 0.
Recall(Belu.
= ycNycE.
aAyceycoycyc.
ycNycE.
aAyceycoycyc.
aAyceycoycyc.
Gambar 8 Tampilan Example Set Apply Model = = 0.
Dari data diatas maka dapat di interpretasikan dengan Akurasi 88.
91% menunjukan bahwa model mampu 91% dari data dengan benar, http://ejournal.
id/ejurnal/index.
php/infortech Jurnal Infortech.
Volume 7 No.
1 Juni 2025
E-ISSN 2715-8160
Classification Error 11.
09% menunjukkan bahwa 09% prediksi yang salah dan menunjukkan keakuratan model.
Dengan precision kelayakan 11%, mengindikasikan bahwa model memiliki tingkat akurasi yang tinggi terhadap indentifikasi karyawan yang layak mendapat promosi Serta precision belum layak sebesar 87.
menunjukan bahwa dari semua prediksi, model cukup dapat diandalkan untuk meminimalisir kesalahan klasifikasi karyawan yang belum layak untuk promosi jabatan.
Model ini dapat digunakan sebagai alat bantu keputusan dalam penilaian promosi karyawan dengan performa yang baik, perusahaan dapat meningkatkan efisiensi dalam mengidentifikasi karyawan yang layak dipromosikan serta mengurangi risiko kesalahan dalam pengambilan keputusan, yang sangat berguna untuk PT Siprama Cakrawala.
KESIMPULAN DAN SARAN
KESIMPULAN
Berdasarkan hasil penelitian yang telah dilakukan dalam penelitian ini maka dapat ditarik beberapa kesimpulan sebagai berikut: Berdasarkan pengujian yang telah dilakukan dalam penelitian, dapat ditarik kesimpulan bahwa variabel-variabel yang relevan dalam penelitian ini meliputi Kinerja.
Pengalaman.
Pendidikan.
Sikap, serta Keterlibatan Penentuan variabel-variabel dipertimbangkan oleh bantuan Supervisor dan Manager demi mendapat variabel-variabel yang relevan dan sesuai dengan standar perusahaan.
Pada data entropy dan gain yang telah didapat, variabel Pengalaman adalah variabel yang paling menentukan dari model Decision Tree ini.
Melalui tahap pembagian kuesioner, transformasi hasil kuesioner ke format excel, normalisasi hasil kuesioner, reduksi data, serta merubah hasil normalisasi menjadi format dataset untuk menjadi data training pada RapidMiner, penelitian dapat mengolah dan mempersiapkan data historis karyawan agar dapat digunakan dalam Algoritma C4.
Metrik evaluasi lainnya seperti Precision dan Recall, menunjukkan bahwa model lebih unggul dalam mengenali karyawan yang tidak layak (Belum Laya.
dibandingkan yang layak untuk promosi.
Recall untuk kategori Belum Layak mencapai 93.
33%, yang berarti model sangat baik dalam memastikan bahwa karyawan benar-benar tidak layak untuk promosi, teridentifikasi dengan benar, dan Recall untuk kategori Layak sebesar 83.
67% dinyatakan cukup baik oleh Supervisor dan para Manager untuk membantu klasifikasi karyawan yang layak mendapatkan hak kenaikan jabatan serta mengurangi subjektifitas pada proses kenaikan jabatan pada Model Decision Tree ini menunjukkan performa yang baik dalam memprediksi kelayakan promosi jabatan.
Dengan tingkat akurasi 88.
model mampu memberikan prediksi yang andal dalam mengklasifikasikan data.
Dengan margin Error http://ejournal.
id/ejurnal/index.
php/infortech 09%, margin tersebut dapat diterima dalam konteks Real-World yang sering kali mengandung noise atau ketidakakuratan dalam data yang Dan berdasarkan hasil akurasi yang menyentuh nilai 88.
Algoritma C4.
5 terbukti mampu membangun model klasifikasi yang akurat.
Oleh karena itu, hipotesis H0 dan H1 dapat dinyatakan bernilai positif terhadap model algoritma yang telah ditetapkan, serta information gain dari atribut Pengalaman(X.
yang tinggi dalam model Decision Tree menunjukkan bahwa atribut ini dinyatakan sebagai salah satu pembagi utama (Root Nod.
, maka H2 dianggap valid.
Secara Keseluruhan, model Decision Tree ini layak digunakan untuk karyawan dan telah di setujui oleh Supervisor beserta para Manager unuk dilakukan implementasi lebih lanjut pada perusahaan.
Jika akurasi lebih tinggi menambahkan lebih banyak data serta meningkatkan pre-processing dapat diperhitungkan SARAN Setelah penelitian menyelesaikan pembahasan pada penelitian ini, maka pada bab penutup penelitian mengemukakan saran-saran sesuai dengan hasil pengamatan dalam pembahasan penelitian ini.
Adapun saran-saran yang penelitian berikan setelah meneliti permasalahan ini: Untuk meningkatkan performa model Decision Tree ini, beberapa langkah dapat dilakukan, yang pertama penambahan data dari segi jumlah maupun variabel yang relevan, seperti evaluasi kinerja tahunan dan pelatihan yang diikuti dapat memberikan konteks yang lebih kaya pada Untuk meningkatkan performa model Decision Tree ini, beberapa langkah dapat dilakukan, yang pertama penambahan data dari segi jumlah maupun variabel yang relevan, seperti evaluasi kinerja tahunan dan pelatihan yang diikuti dapat memberikan konteks yang lebih kaya pada model.
Selanjutnya, proses data pre-processing seperti menangani ketidakseimbangan data menggunakan teknik oversampling atau undersampling, serta normalisasi data lebih mendalam untuk memahami pola secara lebih konsisten.
Selain itu Tuning Parameter model, seperti mengatur kedalaman maksimal pohon atau kriteria pemisahan dapat mengurangi resiko overfitting atau underfitting.
REFERENSI