Analisis Kinerja Algoritma Klasifikasi terhadap Dataset Penerimaan Pegawai Outsourcing

Abstract

Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja tiga algoritma klasifikasi, yaitu Decision Tree, Naive Bayes, dan K-Nearest Neighbors (K-NN), dalam memprediksi kelayakan calon pegawai outsourcing berdasarkan data historis. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Dari hasil pengujian yang telah dilakukan dimana nilai akurasi dari algoritma C4.5 yang dihasilkan adalah 75,00%. Nilai akurasi ini lebih besar daripada model algoritma klasifikasi K-NN sebesar 73,00% dan naïve bayes sebesar 64,00%, namun nilai performa algoritma KNN ini memiliki keunggulan nilai performa akurasi dibandingkan dengan Naïve bayes. Hasil analisis menunjukkan bahwa algoritma Decision Tree memiliki kinerja terbaik dibandingkan dua algoritma lainnya, baik dari sisi akurasi maupun keseimbangan antara presisi dan recall. Hal ini menunjukkan bahwa model Decision Tree cukup efektif dalam menangani data campuran dan menghasilkan prediksi yang andal dalam konteks klasifikasi calon pegawai outsourcing. Dengan hasil ini, diharapkan model klasifikasi berbasis Decision Tree dapat diterapkan dalam sistem pendukung keputusan untuk meningkatkan efisiensi dan akurasi dalam proses rekrutmen tenaga kerja outsourcing. Penelitian ini diharapkan dapat menjadi acuan untuk penelitian lebih lanjut di bidang penerapan data mining dalam manajemen sumber daya manusia.

GS Cited Analysis