Implementasi Sistem Klasifikasi Tim Kerja Menggunakan Algoritma Naïve Bayes (Studi Kasus: PT.MNL)

Tasya Angelya(1*), Abdul Rahman(2), Iis Pradesan(3)
(1) Sistem Informasi, Universitas Multi Data Palembang
(2) Sistem Informasi, Universitas Multi Data Palembang
(3) Sistem Informasi, Universitas Multi Data Palembang
(*) Corresponding Author

https://doi.org/10.25077/TEKNOSI.v9i2.2023.86-94


Abstrak


PT.MNL adalah perusahaan swasta yang bergerak dibidang jasa kehutanan khususnya Hutan Tanaman Industri. Perusahaan memiliki banyak areal kerja yang memiliki banyak tim kerja di semua arealnya. Mengingat besarnya tim kerja, pemilik perusahaan harus bisa menjaga kinerja tim kerjanya agar selalu berada dalam posisi baik. Dengan semakin banyaknya tim kerja maka data yang masuk ke dalam perusahaan semakin banyak pula, data-data tersebut tentunya perlu dimanfaatkan dengan cara mengolah dan menganalisis untuk menghasilkan suatu informasi yang berguna bagi perusahaan. Sehingga dapat digunakan dalam mengklasifikasikan seluruh anggota-anggota tim pada lokasi kerja tertentu. Maka dari itu, diperlukan sebuah teknologi Data Mining yang dapat membantu perusahaan dalam memilah nama tim yang sebaiknya dipilih. Metode yang dipakai untuk klasifikasi tim kerja adalah algoritma Naïve Bayes. Penelitian ini menghasilkan tingkat akurasi klasifikasi sebesar 93,66%, hasil recall 90,74% serta hasil precision sebesar 88,58% sehingga hal ini menunjukkan bahwa sistem klasifikasi tim menggunakan algoritma Naive Bayes dapat digunakan oleh pemilik perusahaan sebagai bahan pertimbangan dalam mengatur persebaran tim di setiap lokasi kerja.

Kata Kunci


Naive Bayes


Teks Lengkap:

PDF


Referensi


[1] H. T. Sherly, Yosef Stephen, “Analisis dan Perancangan Data Warehouse Pada Koperasi IPEKA,” Encyclopedia of Geographic Information Science, pp. 1–6, 2018, doi: 10.4135/9781412953962.n41.

[2] H. Lubis and D. B. Srisulistiowati, “Implementasi Sistem Data Mining Untuk Menentukan Stock Accuracy Pada Warehouse PT Coca-Cola Amatil Indonesia Cibitung–Plant,” Jurnal Media Informatika Budidarma, vol. 4, no. 1, p. 72, 2020, doi: 10.30865/mib.v4i1.1795.

[3] M. Kusmawaty, “Perancangan dan implementasi data mining dalam proses penerimaan siswa baru dengan metode quantitative association rule,” Jurnal Teknik Komputer, 2017.

[4] Retroningsih, “Bab II Landasan Teori,” J Chem Inf Model, vol. 53, no. 9, pp. 8–24, 2019.

[5] D. Puspitasari, S. S. Al Khautsar, and W. P. Mustika, “Algoritma Naïve Bayes Untuk Memprediksi Kredit Macet Pada Koperasi Simpan Pinjam,” Jurnal Informatika Upgris, vol. 4, no. 2, 2019, doi: 10.26877/jiu.v4i2.2919.

[6] A. W. Syaputri and E. Irwandi, “Naive Bayes Algorithm for Classification of Student Major’s Specialization,” Journal of Intelligent Computing and Health Informatics, vol. 1, no. 1, pp. 1–5, 2020.

[7] A. Saleh, “Implementasi Naive Bayes,” Journal of Informatics, Information System, Software Engineering and Applications (INISTA), vol. 2, no. 3, pp. 73–81, 2015, doi: 10.20895/inista.v1i2.73.

[8] E. Manalu, F. A. Sianturi, and M. R. Manalu, “Penerapan Algoritma Naive Bayes Untuk Memprediksi Jumlah Produksi Barang Berdasarkan Data Persediaan Dan Jumlah Pemesanan Pada CV. Papadan Mama Pastries,” Jurnal Mantik Penusa, vol. 1, no. 2, pp. 16–21, 2017.

[9] P. Han, Kamber, Data mining: Data mining concepts and techniques. 2014. doi: 10.1109/ICMIRA.2013.45.

[10] H. F. Putro, R. T. Vulandari, and W. L. Saptomo, “Penerapan Metode Naive Bayes Untuk Klasifikasi Pelanggan,” vol. 8, no. 2, 2020.

[11] F. Fitriyani, “Implementasi Forward Selection dan Bagging untuk Prediksi Kebakaran Hutan Menggunakan Algoritma Naïve Bayes,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 8, no. 1, pp. 1–8, 2022, doi: 10.25077/teknosi.v8i1.2022.1-8.

[12] E. Y. Hidayat and M. A. Rizqi, “Klasifikasi Dokumen Berita Menggunakan Algoritma Enhanced Confix Stripping Stemmer dan Naïve Bayes Classifier,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 6, no. 2, pp. 90–99, 2020, doi: 10.25077/teknosi.v6i2.2020.90-99.

[13] M. Silvana, R. Akbar, and A. Syahnum, “Pemanfaatan Metode Naïve Bayes dalam Implementasi Sistem Pakar Untuk Menganalisis Gangguan Perkembangan Anak,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 6, no. 2, pp. 74–81, 2020, doi: 10.25077/teknosi.v6i2.2020.74-81.

[14] Abiyoga, A. Wicaksana, and N. M. S. Iswari, “Decision Support System for Choosing an Elective Course Using Naive Bayes Classifier,” in Software Engineering, Artificial Intelligence, Networking and Parallel/Distributed Computing, R. Lee, Ed., Cham: Springer International Publishing, 2020, pp. 97–110. doi: 10.1007/978-3-030-26428-4_7.

[15] Moh. S. Anam, “Social Assistance Decision Support System Using the Naive Bayes Method,” JTECS : Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem dan Komputer, vol. 1, no. 1, p. 85, 2021, doi: 10.32503/jtecs.v1i1.1433.

[16] D. M. Khairina, S. Maharani, Ramadiani, and H. R. Hatta, “Decision support system for admission selection and positioning human resources by using naive bayes method,” Adv Sci Lett, vol. 23, no. 3, pp. 2495–2497, 2017, doi: 10.1166/asl.2017.8653.

[17] F. Burdi, A. H. Setianingrum, and N. Hakiem, “Application of the naive bayes method to a decision support system to provide discounts (Case study: PT. Bina Usaha Teknik),” Proceedings - 6th International Conference on Information and Communication Technology for the Muslim World, ICT4M 2016, pp. 281–285, 2017, doi: 10.1109/ICT4M.2016.57.

[18] A. P. Fadillah, “Penerapan Metode CRISP-DM untuk Prediksi Kelulusan Studi Mahasiswa Menempuh Mata Kuliah (Studi Kasus Universitas XYZ),” Jurnal Teknik Informatika dan Sistem Informasi, vol. 1, no. 3, pp. 260–270, 2015, doi: 10.28932/jutisi.v1i3.406.

[19] M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” Journal of Applied Informatics and Computing, vol. 5, no. 2, pp. 103–108, 2021.

[20] M. H. Adiya and Y. Desnelita, “Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan Pada RSUD Pekanbaru,” vol. 01, pp. 17–24, 2019.

[21] M. K. Suryadewiansyah and T. E. E. Tju, “Naïve Bayes dan Confusion Matrix untuk Efisiensi Analisa Intrusion Detection System Alert,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 8, no. 2, pp. 81–88, 2022, doi: 10.25077/teknosi.v8i2.2022.81-88.

[22] D. K. Sharma, M. Chatterjee, G. Kaur, and S. Vavilala, “3 - Deep learning applications for disease diagnosis,” D. Gupta, U. Kose, A. Khanna, and V. E. B. T.-D. L. for M. A. with U. D. Balas, Eds., Academic Press, 2022, pp. 31–51. doi: 10.1016/B978-0-12-824145-5.00005-8.


Artikel Statistik

Abstrak telah dilihat : 314 kali
PDF telah dilihat : 184 kali

Refbacks

  • Saat ini tidak ada refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

 

Alamat Redaksi :
Departemen Sistem Informasi, Fakultas Teknologi Informasi
Universitas Andalas
Kampus Limau Manis, Padang 25163, Sumatera Barat

email: teknosi@fti.unand.ac.id

  Jumlah Pengunjung :

 

Creative Commons License
This work by JSI-Unand and licensed under a CC BY-SA 4.0 International License.