KOMPARASI ALGORITMA C4.5 DAN NAIVE BAYES YANG DIKEMBANGKAN MENJADI WEB INTELLEGENCE PADA PERHITUNGAN BONUS TAHUNAN KARYAWAN DI PT.ABC

KOMPARASI ALGORITMA C4.5 DAN NAIVE BAYES YANG DIKEMBANGKAN MENJADI WEB INTELLEGENCE PADA PERHITUNGAN BONUS TAHUNAN KARYAWAN DI PT.ABC

• By Tutupoly, Taransa Agasya;
• Jurnal Nasional Tidak Terakreditasi
• 152
• 92-103

Revisi pertama : 25 Januari 2019 Diterima : 29 Januari 2019 Tersedia online : 31 Januari 2019 

Pengklasifikasian Data Mining saat ini diimplementasikan ke berbagai bidang ilmu, salah satunya adalah algoritma klasifikasi yang ada dapat diterapkan ke penilaian kinerja karyawan yang berimbas langsung pada bonus karyawan PT.ABC, Algoritma klasifikasi yaitu Decission Tree (C4.5) dan Naive Bayes paling tepat digunakan sebagai penerapan teknologi berbasis web intellegence untuk pemberian bonus tahunan untuk karyawan di PT.ABC yang setiap tahunnya selalu mengalami perubahan karyawan dikarenakan turn over yang cukup tinggi, tidak achieve target didukung dengan label pendukung “Ya” atau “Tidak”, dari hasil eksperimen yang dilakukan, setelah dilakukan pengujian dengan menggunakan dataset yang sama pada kedua algoritma dengan melakukan perbandingan terhadap nilai AUC dan Confusion Matrix, di dapat bahwa algoritma yang sesuai untuk diterapkan pada dataset perhitungan bonus karyawan dari kedua algoritma Decission Tree C4.5 dan Naive Bayes yang dimana memiliki nilai Area Under Curve (AUC) sebesar 0.991 dan Accuracy atau Confusion Matrix sebesar 99%. 

• Katakunci Klasifikasi, Web Intellegence, C4.5, Naive Bayes
• URL https://e-jurnalmitrapendidikan.com/index.php/e-jmp/article/view/482
• Penerbit ,

REFERENSI

Anggarwal, Charu C. 2015. Data Mining: The Textbook. New York: Springer.  Blaxter, L., Attenberg, J., & Ertekin, S. 2013. Class Imbalance and Active Learning. In H. He, & Y. Ma, Imbalanced Learning: Foundations, Algorithms, and Applications (pp. 101-149). New Jersey: John Wiley & Sons. Berry, M.J.A., Linoff, G.S. 2004. Data Mining Techniques : For Marketing, Sales, and Customer Relationship Management. Second Edition. Wiley Publishing, Inc., Indianapolis, Indiana. C. Sammut and G. I. Webb, Eds. Springer US, 2016, pp. 1–10. Sentiment Analysis and Opinion Mining. in Encyclopedia of Machine Learning and Data Mining Carlo, Vercellis. 2009. Business intelligence : data mining and optimization for decision making. United Kingdom: John Wiley and Sons Ltd. Dawson, C. W. 2009. Projects in Computing and Information Systems a student’s guide. . Han, J., & Kamber.,& Pei, J. 2012. Data Mining Consepts and Techniques. San Fransisco Maimon, O., & Rokach, L. 2010. Data Mining and Knowledge Discovery. Handbook. London: Springer. Mantas, C. J., & Abean, J. 2014. Credal-C4.5: Decision tree based on imprecise probabilities to  classify noisy data. Expert Systems with Applications.  https://doi.org/10.1016/j.eswa.2014.01.017 Setiyorini, T., Pascasarjana, P., Ilmu, M., Tinggi, S., Informatika, M., Komputer,D. a N., & Mandiri, N. 2014. Penerapan Metode Bagging UntukMengurangi Data Noise Pada Neural Network Untuk Estimasi Kuat TekanBeton Penerapan Metode Bagging Untuk Mengurangi Data Noise Pada NeuralNetwork Untuk, 1(1), 36–41. Witten, I. H., Frank, E., & Hall, M. A. 2011. Data Mining: Practical Machine Learning and Tools. Burlington: Morgan Kaufmann Publisher.