Jurnal Informanika, Volume 09 No.

01, Januari – Juni 2023 ISSN : 2470-1730 EISSN : 2775-5762

PENERAPAN MACHINE LEARNING DALAM KLASIFIKASI KINERJA

PEGAWAI PT X.

Lemi Iryani
Program Studi Sistem Informasi, Fakultas Ilmu Komputer, Universitas Sjakhyakirti
Email: lemiiryani@gmail.com
Corresponding author. Phone : +62 81271187981

Abstrak
Penilaian kinerja merupakan evaluasi sistematis yang dilakukan oleh kepala bagian HRD terhadap
kinerja karyawan untuk memahami kemampuan karyawan tersebut. Dengan kata lain, penilaian
ini dilakukan untuk menilai dan mengevaluasi keterampilan, kemampuan, pencapaian serta
pertumbuhan seorang karyawan. Kinerja merupakan tingkat berhasilnya seorang karyawan dalam
periode tertentu ketika melaksanakan pekerjaannya berupa standar dari hasil kerja dan target yang
sudah dicapai. Kinerja biasa juga disebut dengan prestasi kerja yang merupakan gabungan dari
kemampuan dari seorang karyawan, usaha yang dilakukannya dan kesempatan yang bisa dinilai
dari semua hasil kerjanya. Penilaian kinerja karyawan harus dilakukan pada semua bidang usaha
yang melibatkan karyawan didalamnya.

Kata kunci: Machine Learning, Algoritma C45, Kinerja Karyawan

Abstract
Performance appraisal is a systematic evaluation carried out by the head of HRD on employee
performance to understand the employee's abilities. In other words, this assessment is carried out
to assess and assess the skills, abilities, willingness and growth of an employee. Performance is
the level of success of an employee in a certain period when carrying out their duties in the form
of standards of work results and targets that have been achieved. Performance is also commonly
referred to as work performance which is a combination of the ability of an employee, the effort
he has put in and the opportunity that can be assessed from all the results of his work. Employee
performance appraisal must be carried out in all business fields that involve employees in it

Keywords : Machine Learning, C45 Algorithm, Employee Performance

1. PENDAHULUAN
Penilaian Kinerja atau dalam bahasa Inggris disebut dengan Performance Appraisal
adalah Evaluasi sistematis terhadap kinerja karyawan dan untuk memahami kemampuan
karyawan tersebut sehingga dapat merencanakan pengembangan karir lebih lanjut bagi
karyawan yang bersangkutan. Dengan kata lain, Penilaian Kinerja ini menilai dan
mengevaluasi keterampilan, kemampuan, pencapaian serta pertumbuhan seorang
karyawan
Perusahaan sering menggunakan Penilaian Kinerja atau Performance Appraisal ini
sebagai dasar dari kenaikan gaji, promosi, bonus ataupun bisa juga sebagai dasar utnuk
penurunan jabatan dan pemutusan hubungan kerja. Di sisi lain, Penilaian Kinerja yang
yang dilakukan dengan baik dan profesional akan dapat meningkatkan loyalitas dan
motivasi karyawan sehingga tujuan organisasi juga dapat tercapai sesuai dengan yang
diharapkan
1
Jurnal Informanika, Volume 09 No. 01, Januari – Juni 2023 ISSN : 2470-1730 EISSN : 2775-5762

PT. X selalu melakukan penilaian kinerja terhadap karyawanya dalam jangka waktu
tertentu. Penilaian kinerja merupakan evaluasi sistematis yang dilakukan oleh kepala HRD
terhadap kinerja karyawan untuk memahami kemampuan karyawan tersebut.Dengan kata
lain, penilaian ini dilakukan untuk menilai dan mengevaluasi keterampilan, kemampuan,
pencapaian serta pertumbuhan seorang karyawan. Kinerja merupakan tingkat berhasilnya
seorang karyawan dalam periode tertentu ketika melaksanakan pekerjaannya berupa
standar dari hasil kerja dan target yang sudah dicapai. Kinerja biasa juga disebut dengan
prestasi kerja yang merupakan gabungan dari kemampuan dari seorang karyawan, usaha
yang dilakukannya dan kesempatan yang bisa dinilai dari semua hasil kerjanya. Penilaian
kinerja karyawan harus dilakukan pada semua bidang usaha yang melibatkan karyawan
didalamnya.
Proses Penilaian Kinerja dimulai dari penetapan Standar Kinerja. Manajer harus
menentukan prestasi, Keterampilan ataupun Output apa yang akan dievaluasi. Standar-
standar kinerja ini harus dimasukan kedalam Analisis Jabatan (Job Analysis) dan Deskripsi
Jabatan (Job Description). Standar Kinerja juga harus Jelas dan Obyektif agar mudah
dipahami dan dapat diukur. Standar tidak boleh diungkapkan secara samar-samar seperti
“pekerjaan yang baik” atau “Kualitas kerja yang baik”. Karena Standar yang samar-samar
ini tidak dapat menegaskan standar kinerja dengan jelas. Maka dari itu peneliti ingin
membuat model klasifikasi Machine learning dengan menggunakan algoritma C45 untuk
melakukan klasifikasi terhadap data penilaian kinerja karyawan.

2. METODOLOGI PENELITIAN

Dalam penelitian ini, metode yang digunakan adalah SEMMA. Metode ini digunakan
sebagai pengembangan sistem dan metode observasi selama proses pengumpulan data.
SEMMA adalah singkatan dari Sample, Explore, Modify, Model, dan Assess. Akronim yang
mengacu pada proses menjalankan objek data mining[5]. Terdapat lima tahapan dalam
pengembangan system ini. Berikut adalah tahapan pada metode SEMMA yang digunakan
dalam penelitian ini :
1. Pengumpulan data (Sample)
2. Deskripsi data (Explore)
3. Transformasi data (Modify)
4. Pemodelan data (Model)
5. Evaluasi data (Assess)

2
Jurnal Informanika, Volume 09 No. 01, Januari – Juni 2023 ISSN : 2470-1730 EISSN : 2775-5762

Gambar 1. Tahapan metode SEMMA.

(Sumber: https://3.bp.blogspot.com/-
5kZcCc3J3Ko/UhIqDpX7W1I/AAAAAAAACzA/bdh7uzErRHQ/s160
0/SEMMA.JPG)
2.1. Alur penelitian
Adapun tahapan dalam penelitian ini antara lain sebagai berikut :
1. Pembersihan data (Data Cleaning) : Pembersihan data merupakan proses menghilang-kan
noise dan data yang tidak konsisten atau data tidak relevan.

2. Integrasi data (Data Integration) : Integrasi data merupakan penggabungan data dari berbagai
database ke dalam satu database baru.

3. Seleksi data (Data Selection) : Data yang ada pada database sering kali tidak semuanya
dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari
database.

4. Transformasi data (Data Transformation) : Data diubah atau digabung ke dalam format yang
sesuai untuk diproses dalam data mining.

5. Proses Mining : Merupakan suatu proses utama saat metode diterapkan untuk menemukan
pengetahuan berharga dan tersembunyi dari data.

6. Evaluasi pola (Pattern Evaluation) : Untuk mengidentifikasi pola-pola menarik ke dalam

knowledge based yang ditemukan.

7. Presentasi pengetahuan (Knowledge Presentation : Merupakan visualisasi dan penyajian

pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan yang
diperoleh pengguna.

8.

3
Jurnal Informanika, Volume 09 No. 01, Januari – Juni 2023 ISSN : 2470-1730 EISSN : 2775-5762

Gambar 1. Alur Penelitian

3. PENGUJIAN DAN PEMBAHASAN

3.1. Hasil
Implementasi proses pengolahan data menggunakan diskritisasi data yang digunakan untuk
mengurangi jumlah nilai atribute numeric dengan cara membagi range atribut ke dalam interval.
Label interval kemudian dapat digunakan untuk menggantikan nilai-nilai aktual data. Hasil
pemodelan yang telah di proses oleh Tool RapidMiner selain menghasilkan dalam bentuk pola
pemodelan ini juga dapat mengetahui tingkat akurasi, recall, dan precision. Hasil pohon
keputusan dalam implementasi C4.5 yang dapat dilihat pada gambar 2 sebagai berikut :

Gambar 2. Hasil Decision Tree Algoritma C45

4
Jurnal Informanika, Volume 09 No. 01, Januari – Juni 2023 ISSN : 2470-1730 EISSN : 2775-5762

Dari gambar diatas dapat diketahui bahwa karyawan rata-rata mendapatkan penilaian
kinerja B atau Baik. Diketahui untuk karyawan yang memperoleh nilai B nilai rata-rata
keseluruhan berada diangka 60 keatas sedangkan untuk penilaian A atau sangat baik nilai rata-
ratanya 80 keatas. Selebihnya nilai rata-rata yang dibawah 60 maka memperoleh nilai kinerja C
atau cukup baik.
Rata-rata penilaian diperoleh dari nilai disiplin, penyelesaian masalah, delivery dan
pickup. Nilai tersebut diberikan oleh SPV PT. Shen Makmur Prabumulih. Untuk melihat detail
tree dari hasil algoritma C45 dapat dilihat pada gambar sebagai berikut :

Gambar 3. Hasil Tree Algoritma C45

3.2. Pembahasan
Penilaian accuracy, precision, recall pada implementasi algoritma C45 pada penilaian
kinerja karyawan PT. Shen Makmur Prabumulih dapat dilihat pada gambar sebagai berikut :

Gambar 4. Hasil Accuracy, Precision dan Recall Algoritma C45

Dari gambar diatas diperoleh penilaian class recall untuk nilai B sebesar 98,66%, class
5
Jurnal Informanika, Volume 09 No. 01, Januari – Juni 2023 ISSN : 2470-1730 EISSN : 2775-5762

recall untuk nilai A ialah 100% dan class recall untuk nilai C ialah 85,71%. Class precision
untuk nilai B ialah 99,66% , class precision untuk nilai A ialah 93,75% dan class precision untuk
nilai C ialah 75%. Dan diperoleh nilai accuracy untuk keseluruhan ialah 98,51%.

4. PENUTUP
Berdasarkan pembahasan sebelumnya maka diperoleh kesimpulan pada penelitian ini,
dimana kesimpulanya ialah sebagai berikut :
1. Implementasi algoritma C45 pada penilaian kinerja karyawan PT. Shen Makmur
menggunakan bantuan tools rapidminer.
2. Nilai akurasi yang diperoleh dari implementasi algoritma C45 ialah 98,51%.

REFERENSI

Dewi, S. (2019). Komparasi Metode Algoritma Data Mining Pada Prediksi Uji Kelayakan
Credit Approval Pada Calon Nasabah Kredit Perbangkan. Jurnal Khatulistiwa
Informatika, Vol VII, No. 1, ISSN : 2579 - 633X59.

Fiastantyo, G. (2015). Perbandingan Kinerja Metode Klasifikasi Data Mining Menggunakan

Naive Bayes dan Algoritma C4.5 Untuk Prediksi Ketepatan Waktu Kelulusan Mahasiswa.
Semarang: http://eprints.dinus.ac.id.

Haryati, S., Sudarsono, A., & Suryana, E. (2015). Implementasi Data Mining Untuk
Memprediksi Masa Studi Mahasiswa Menggunakan Algoritma C4.5 (Studi Kasus:
Universitas Dehasen Bengkulu). Media Infotama , 130.

Hastuti, K. (2012). Analisis Komparasi Algoritma Klasifikasi Data Mining Untuk Prediksi
Mahasiswa Non Aktif. Seminar Nasional Teknologi Informasi & Komunikasi Terapan
(Semantik) , 241-249.

Hermawati, F. A. (2013). Data Mining. Yogyakarta: Andi.

Hijriana, N., & Muttaqin, R. (2016). Penerapan Metode Decision Tree Algoritma C4.5 Untuk
Klasifikasi Mahasiswa Berprestasi. Al Ulum Sains dan Teknologi , 39-40.

Lemi Iryani, (2020). Penerapan Datamining Menentukan Minat Baca Mahasiswa Di Perpustakaan
Universitas Bina Darma Palembang Menggunakan Metode Clustering. Journal of Information
Technology and Computer Science(INTECOMS) e-ISSN : 2614-1574 p-ISSN : 2621-3249.

Novianti, B. (2016). Implementasi Data Mining Dengan Algoritma C4.5 Untuk Penjurusan
Siswa (Studi Kasus SMA Negeri 1 Pontianak). Jurnal Coding, Sistem Komputer Untan
ISSN : 2338-493X , 76-77.

Nugroho, Y. S., & Haryati, M. S. (2015). Klasifikasi dan Klastering Penjurusan Siswa SMA
Negeri 3 Boyolali. Surakarta: KHAZANAH INFORMATIKA | Online ISSN: 2477-698X.

Sembiring, M. A., Larasati, M. F., & Sapta, A. (2017). Analisa Kinerja Algoritma C4.5 dalam
Memprediksi Hasil Belajar. Journal of Science and Social Research, ISSN 2615-3262.

Sulianta, F., & Juju, D. (2010). Rapid Miner (YALE). Jakarta: PT. Elex Media Komputindo.