PENGARUH SELEKSI FITUR BERBASIS RECRUSIVE FEATURE ELIMINATION (RFE) TERHADAP KLASIFIKASI KINERJA KARYAWAN MENGUNAKAN RANDOM FOREST

Wahyudin, Wildan (2021) PENGARUH SELEKSI FITUR BERBASIS RECRUSIVE FEATURE ELIMINATION (RFE) TERHADAP KLASIFIKASI KINERJA KARYAWAN MENGUNAKAN RANDOM FOREST. Sarjana thesis, Universitas Siliwangi.

[img] Text
1.1.COVER.pdf
Download (40kB)
[img] Text
1.2.ABSTRACT.pdf
Download (14kB)
[img] Text
1.3.PENGESAHAN.pdf
Download (554kB)
[img] Text
1.4.KATA_PENGANTAR, DAFTAR_ISI, DAFTAR_TABEL, DAFTAR GAMBAR.pdf
Download (94kB)
[img] Text
2.1.BAB_1.pdf
Download (171kB)
[img] Text
2.2.BAB_II.pdf
Restricted to Repository staff only
Download (406kB)
[img] Text
2.3.BAB_III.pdf
Restricted to Repository staff only
Download (602kB)
[img] Text
2.4.BAB_IV.pdf
Restricted to Repository staff only
Download (1MB)
[img] Text
2.5.BAB_V.pdf
Restricted to Repository staff only
Download (16kB)
[img] Text
3.1.DAFTAR_PUSTAKA.pdf
Download (93kB)

Abstract

ABSTRAKSI Klasifikasi menggunakan supervised learning dibutuhkan pada sistem informasi atau evaluasi cerdas untuk mempercepat proses dan meningkatkan akurasi pengambilan keputusan terkait sumber daya manusia di organisasi. Namun, kamampuan dari supervised learning ini relatif bergantung pada kualitas data. Studi ini mengusulkan seleksi fitur menggunakan Recursive Feature Elimination (RFE) untuk meningkatkan kualitas data dengan mengeliminasi atribut-atribut yang tidak relevan dan mengidentifikasi dampaknya terhadap kemampuan klasifikasi salah satu algoritma supervised learning yaitu Random Forest. Berdasarkan hasil eksperimen pada dataset terbuka dari Kaggle bernama Human Resource Dataset, penerapan RFE dengan parameter yang tepat pada studi ini berhasil mengeliminasi 16 (64%) atribut yang tidak relevan dan meningkatkan 2.6% rata-rata AUC-ROC Random Forest. Adapun 84.32% rata-rata AUC-ROC hasil evaluasi Random Forest setelah penerapan RFE pada studi ini, lebih tinggi dibandingkan dengan Naïve Bayes (76.49%), Logistic Regression (63.40%), Support Vector Machine (56.56%) dan K-Nearest Neighbors (54.04%). Kata kunci: Karyawan, Kinerja, Supervised Learning, Seleksi Fitur, RFE.

Item Type: Thesis (Sarjana)
Subjects: T Technology > TA Engineering (General). Civil engineering (General)
Divisions: Fakultas Teknik > Informatika
Depositing User: Dedi Natawijaya .
Date Deposited: 09 Sep 2022 08:27
Last Modified: 09 Sep 2022 08:27
URI: http://repositori.unsil.ac.id/id/eprint/6582

Actions (login required)

View Item View Item