IMPLEMENTASI METODE FEATURE SELECTION PADA KOMBINASI ALGORITMA SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBOR DALAM MELAKUKAN SELEKSI KLASIFIKASI PEGAWAI (Studi Kasus Penentuan Hak Akses Aplikasi Pemerintahan SAKTI)

Ramadhan, Syaiful (2023) IMPLEMENTASI METODE FEATURE SELECTION PADA KOMBINASI ALGORITMA SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBOR DALAM MELAKUKAN SELEKSI KLASIFIKASI PEGAWAI (Studi Kasus Penentuan Hak Akses Aplikasi Pemerintahan SAKTI). S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 21.55.2169 Syaiful Ramadhan.pdf Download (4MB)

Abstract

SDM sangat penting bagi suatu organisasi, seperti halnya dengan Badan Riset dan Inovasi Nasional. Namun, agar kinerja organisasi menjadi efisien, perlu untuk memilih karyawan. Seleksi pegawai dilakukan karena jumlah pegawai di Badan Riset dan Inovasi Nasional (BRIN) saat ini +- 14.000 pegawai berdasarkan Surat Keputusan Kepala BRIN yang tersebar di seluruh unit kerja di lingkungan BRIN, sehingga menjadi surplus. Selain itu, penyempurnaan sistem administrasi keuangan pemerintahan merupakan suatu keharusan yang diimbangi dengan pengembangan aplikasi terintegrasi Kementerian Keuangan yaitu Sistem Aplikasi Keuangan Tingkat Institusi (SAKTI). Dalam mengelola aset di Biro BMN, setiap pegawai memiliki peran pengguna tingkat kewenangan SAKTI dengan ruang lingkup modul yang digunakan berbedabeda. Penelitian ini bertujuan untuk memilih klasifikasi pengguna berdasarkan hasil penilaian kinerja dengan menerapkan metode Feature Selection dan dilanjutkan dengan kombinasi algoritma SVM dan KNN menggunakan python. Berdasarkan hasil pengujian pada 10 percobaan terhadap 321 data karyawan yang dinormalisasi menjadi 313 data karyawan, dengan 17 variabel karyawan, diperoleh hasil akurasi terbaik sebesar 94,1% dan F1-Score sebesar 94.4% dalam pemilihan fitur menjadi 13 variabel, dengan parameter algoritma SVM C=1, gamma=0,1 dan parameter algoritma KNN pada nilai K=9, metrik Euclidean. Sedangkan hasil pengujian kombinasi algoritma SVM-KNN tanpa melalui seleksi fitur menghasilkan akurasi terbaik sebesar 88,2% dengan total 17 variabel data karyawan, parameter algoritma SVM pada nilai C dan gamma terbaik, serta nilai K=8 pada metrik Euclidean. Sehingga dalam melakukan seleksi klasifikasi pegawai yang memiliki spesifikasi rekapitulasi kehadiran (WFO dan WFH) serta penilaian kinerja dapat menerapkan Backward Elimination pada Kombinasi algoritma SVM dan KNN.

Actions (login required)

View Item