Haya Pangestu, Bunga
Unknown Affiliation

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

Data Mining Menggunakan Algoritma Naïve Bayes Classifier Untuk Evaluasi Kinerja Karyawan Haya Pangestu, Bunga
Jurnal Riset Matematika Volume 3, No.2, Desember 2023, Jurnal Riset Matematika (JRM)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrm.v3i2.2837

Abstract

Abstrak. Data Mining adalah proses dalam menemukan pola tersembunyi, hubungan, atau informasi yang berharga dari data yang besar, kompleks, dan terstruktur. Penelitian ini bertujuan untuk membahas mengenai Algoritma Naïve Bayes Classifier dalam proses Data Mining untuk mengevaluasi kinerja karyawan sehingga dapat ditentukan perpanjangan kontrak kerja karyawan. Penelitian ini berdasarkan kriteria kualitas pekerjaan, kuantitas pekerjaan, analisis/pemecahan masalah, daya tangkap, amanah, kompeten, harmonis, loyal, adaptif, dan kolaboratif. Algoritma Naïve Bayes Classifier digunakan untuk memprediksi kinerja karyawan berdasarkan atribut. Penelitian ini menghasilkan knowledge yaitu nilai accuracy sebagai tingkat kedekatan antara nilai prediksi dengan nilai fakta, precision sebesar sebagai ketepatan antara informasi yang ada dengan hasil yang diperoleh, recall sebagai tingkat keberhasilan model dalam menemukan kembali sebuah informasi, dan error rate sebagai tingkat kekeliruan. Abstract. Data Mining is the process of finding hidden patterns, relationships or valuable information from large, complex and structured data. This study aims to discuss the Naïve Bayes Classifier Algorithm in the Data Mining process to evaluate employee performance so that employee contract extensions can be determined. This research is based on the criteria of quality of work, quantity of work, analysis/problem solving, comprehension, trustworthiness, competence, harmony, loyalty, adaptive, and collaborative. The Naïve Bayes Classifier algorithm is used to predict employee performance based on attributes. This study produces knowledge, namely the accuracy value as the degree of closeness between the predicted value and the fact value, precision as the accuracy between the existing information and the results obtained, recall as the success rate of the model in retrieving an information, and error rate as the level of error.