Penerapan Kombinasi Algoritma SVM-KNN dalam seleksi User SAKTI berdasarkan Hasil Kinerja Pegawai pada Kementerian XYZ
DOI:
https://doi.org/10.37012/jtik.v9i2.1716Abstract
Kementerian XYZ merupakan Kementerian dengan jumlah pegawai lebih dari 5.000 pegawai. Pada saat dibentuk tidak dilakukan pemetaan pegawai, hal ini mengakibatkan surplus jumlah pegawai, tidak terkecuali pada Biro Barang Milik Negara (BMN). Bagi sebuah organisasi, SDM yang berlimpah merupakan hal yang baik, namun perlu dilakukan penyeleksian pegawai agar dapat meningkatkan produktivitas sehingga keberhasilan organisasi dapat tercapai. Disamping itu, perbaikan sistem Administrasi Keuangan pemerintahan merupakan suatu keharusan yang diimbangi dengan pengembangan aplikasi terintegrasi Kementerian Keuangan yaitu Sistem Aplikasi Keuangan Tingkat Instansi (SAKTI). Dalam melakukan pengelolaan aset pada Biro BMN, setiap pegawai memiliki role user level kewenangan SAKTI dengan lingkup yang berbeda-beda. Penelitian ini bertujuan melakukan seleksi klasifikasi user berdasarkan hasil penilaian kinerja dengan penerapan metode Kombinasi algoritma SVM dan KNN menggunakan bahasa pemrograman Python. Berdasarkan pengujian dengan sampel data sebesar ±313 data pegawai dan 18 variabel pegawai dengan atribut target berupa kelayakan yaitu dipertahankan maupun dipertimbangkan, diperoleh hasil akurasi sebesar 94% pada Kernel SVM RBF; nilai K=5; metrik Euclidean; Dapat disimpulkan seleksi user aplikasi SAKTI menggunakan kombinasi algoritma SVM dan KNN dapat memberikan prediksi guna meningkatkan efektivitas dan efisiensi organisasi dalam penempatan pegawai yang sesuai dengan kompetensi pada Biro BMN Kementerian XYZ. Penelitian selanjutnya diharapkan dapat membandingkan kombinasi algoritma SVM dan KNN dengan metrik serta parameter yang lebih banyak.
References
Amriani, T. N., & Iskandar, A. (2019). Analisis Kesuksesan Implementasi Sistem Aplikasi Keuangan Tingkat Instansi (SAKTI) pada Satuan Kerja di Lingkungan Badan Pendidikan dan Pelatihan Keuangan (BPPK). Kajian Ekonomi dan Keuangan, 3(1), 54-74.
Anwar, A. I., & Hadi, M. (2022). Implementasi aplikasi SAKTI dan SPAN dalam penyusunan laporan keuangan. Jurnal Informatika, 1(2), 32-55.
Astrianda, N. (2020). Klasifikasi Kematangan Buah Tomat Dengan Variasi Model Warna Menggunakan Support Vector Machine. VOCATECH: Vocational Education and Technology Journal, 1(2), 110-117.
Azizah, R. A., Bachtiar, F., & Adinugroho, S. (2022). Klasifikasi Kinerja Akademik Siswa Menggunakan Neighbor Weighted K-Nearest Neighbor dengan Seleksi Fitur Information Gain. Jurnal Teknologi Informasi dan Ilmu Komputer, 9(4), 655-664
Desiani, A., Akbar, M., Irmeilyana, & Amran, A. (2022). Implementasi Algoritma Naïve Bayes Dan Support Vector Machine ( SVM ) Pada Klasifikasi Penyakit Kardiovaskular. Jurnal Teknik Elektro Dan Komputasi (ELKOM), 4(2), 207–214
Ginting, S. L. B., & Permana, A. A. (2018). Hybrid Classifier System: Support Vector Machines Dikombinasikan dengan K-Nearest Neighbors untuk Menentukan Kelayakan Nasabah Bank dalam Pengajuan Kredit. Komputika: Jurnal Sistem Komputer, 7(1), 9-16.
Huang, F., Shen, J., Guo, Q., & Shi, Y. (2016). eRFSVM: a hybrid classifier to predict enhancers-integrating random forests with support vector machines. Hereditas, 153, 1-11.
Karri, S. L., De Silva, L. C., Lai, D. T. C., & Yong, S. Y. (2021). Classification and prediction of driving behaviour at a traffic intersection using SVM and KNN. SN computer science, 2(3), 1-11.
Kotu, V., & Deshpande, B. Predictive analytics and data mining: concepts and practice with rapidminer. Waltham, USA: Morgan Kaufmann, 2014
Mardi, Y. (2017) ‘Data Mining:Klasifikasi Menggunakan Algoritma c4.5’, Jurnal Edik Informatika, 2(2), pp 213-219
Michael, A. (2022). Komparasi Kombinasi Pre-trained Model dengan SVM pada Klasifikasi Kematangan Kopi Berbasis Citra. Journal Dynamic sainT E-ISSN, 2722, 5364.
Noviansyah, M. R., Rismawan, T., & Midyanti, D. M. (2018). Penerapan data mining menggunakan metode k-nearest neighbor untuk klasifikasi indeks cuaca kebakaran berdasarkan data AWS (automatic weather station)(studi kasus: kabupaten Kubu Raya). Coding Jurnal Komputer dan Aplikasi, 6(2).
Nugroho, H. P., & Lestyowati, J. (2020). Analisis Tingkat Kepuasan dan Kepentingan Pengguna Aplikasi SAKTI dengan PIECES Framework. Indonesian Treasury Review: Jurnal Perbendaharaan, Keuangan Negara dan Kebijakan Publik, 5(2), 93-104.
Prasetyo, A., Kusrini, K., & Arief, M. R. (2019). Penerapan Algoritma K Nearest Neighbor Untuk Rekomendasi Minat Konsentrasi Di Program Studi Teknik Informatika Universitas PGRI Yogyakarta. Informasi Interaktif, 4(1), 1-6
Sunandar, H. S., & Satar, M. (2020). Tinjauan tentang proses recruitment tenaga kerja di kantor pusat PT. Y Bandung. Jurnal Industri Elektro dan Penerbangan, 6(1)
Suwinardi, S. (2017). Profesionalisme dalam bekerja. Orbith: Majalah Ilmiah Pengembangan Rekayasa dan Sosial, 13(2)
Wibowo, S., & Nababan, A. A. (2021). Penerapan Algoritma K-Nearest Neigbour Dalam Rekrutmen Pegawai Tidak Tetap Di BPJS Kesehatan Cabang Gunungsitoli. Jurnal Sistem Informasi dan Teknologi Jaringan (SISFOTEKJAR), 2(2), 6-11.
Widiastuti, N., Hermawan, A., & Avianto, D. (2023). Komparasi Algoritma Klasifikasi Datamining Untuk Prediksi Minat Pencari Kerja. Jurnal Teknoinfo, 17(1), 219-227.
Downloads
Published
Issue
Section
Citation Check
License
Jurnal Teknologi Informatika dan Komputer allows readers to read, download, copy, distribute, print, search, or link to the full texts of its articles and allow readers to use them for any other lawful purpose. The journal allows the author(s) to hold the copyright without restrictions. Finally, the journal allows the author(s) to retain publishing rights without restrictions Authors are allowed to archive their submitted article in an open access repository Authors are allowed to archive the final published article in an open access repository with an acknowledgment of its initial publication in this journal.
Jurnal Teknlogi Informatika dan Komputer is licensed under a Creative Commons Attribution 4.0 International License.
