Klasifikasi Data Mining Untuk Seleksi Penerimaan Calon Pegawai Negeri Sipil Tahun 2017 Menggunakan Metode Naïve Bayes

Rado Yendra, Laradea Marifni, Irma Suryani

Abstract


Pertumbuhan yang pesat dari akumulasi data telah menciptakan kondisi kaya akan data tetapi minim informasi. Data mining merupakan cara untuk menemukan informasi dengan mencari pola atau aturan tertentu dari data dalam jumlah besar yang diharapkan dapat mengatasi kondisi tersebut. Dengan memanfaatkan informasi atau fitur-fitur seperti jenis kelamin, nilai Seleksi Kompetensi Dasar (SKD), nilai Seleksi Kompetensi Bidang (SKB) 1, nilai Seleksi Kompetensi Bidang (SKB) 2, nilai Seleksi Kompetensi Bidang (SKB) 3, dan keterangan lulus atau tidak lulus seleksi sebagai sumber datanya, diharapkan dapat menghasilkan informasi tentang klasifikasi seleksi penerimaan Calon Pegawai Negeri sipil (CPNS) 2017. Metode yang digunakan adalah metode Naïve Bayes yaitu metode yang digunakan untuk memprediksi berbasis probabilitas. Penelitian ini bertujun untuk mendapatkan distribusi yang tepat untuk fitur-fitur data kontinu. Dari hasil pengujian yang dilakukan dengan menggunakan data sebanyak 284 dengan 227 sebagai data training dan 57 sebagai data testing baik untuk fitur kontinu menggunakan distribusi normal maupun distribusi gamma, akurasi untuk distribusi normal adalah 81% dengan jumlah data yang tepat sebanyak 46 dan yang tidak tepat sebanyak 11. Sedangkan akurasi distribusi gamma sebesar 70% dengan data yang tepat sebanyak 40 dan data yang tidak tepat sebanyak 17.

Full Text:

PDF

References


A. Yusnita, R. Handini, Sistem Pendukung Keputusan Menentukan Lokasi Rumah Makan yang Strategis menggunakan Metode Niave Bayes, Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2012 (Semantik 2012), Semarang, 2012.

Aljumah A, Siddiqui M., Hypertension Interventions using Classification based Data Mining, Research Journal of Applied Sciences, Engineering and Technology, Vol. 7, pp. 3593-3602, 2014.

Dangare S, Apte S., Data Mining Approach For Prediction of Heart Disease Using Neural Networks, International Journal of Computer Engineering and Technology (IJCET), Vol. 3, pp. 30-40, 2012.

Davinder Kaur et. al., Review of Decision Tree Data Mining Algorithms: ID3 and C4.5, International Conference on Information Technology and Computer Science, pp. 5-8, 2015.

Dudewicz, Edward J and Mishra, Satya N., Statistika Matematika Modern, ITB, Bandung, 1995.

Fadlina, Data Mining Untuk Analisa Tingkat Kejahatan Jalanan Dengan Algoritma Association Rule Metode Apriori, Informasi dan Teknologi (INTI), Vol. 3, No. 1, hal. 144-154, Mei 2014.

Gumilang, I. C., Sudjalwo, dan Rakhmadi, A., Prediksi Persediaan Obat Dengan Metode Naïve Bayes (Studi Kasus: Apotek Saputra), Universitas Muhammadiyah Surakarta, Surakarta, 2014.

Han, J., and Kamber, M., Data Mining: Concepts and Techniques, Second Edition, Morgan Kaufmann, San Francisco, 2011.

Kusrini, luthfi taufiq Emha, Algoritma Data Mining, Penerbit Andi, Yogyakarta, 2009.

Larose, D. T., Discovering Knowledge In Data, John Willey and Sons, Inc., 2005.

Meilani, B. D., dan Susanti, N., Aplikasi Data Mining Untuk Menghasilkan Pola Kelulusan Siswa Dengan Metode Naive Bayes, JURNAL LINK, Vol. 21, No. 2, hal. 1-6, September 2014.

Misbahussurur, Ahmad, Estimasi Parameter Distribusi Gamma dengan Metode Maximum Likelihood, Tugas Akhir Mahasiswa Universitas Islam Negeri Maulana Malik Ibrahim, Malang. 2009.

Nugroho, A., dan Subanar. Klasifikasia Naïve Bayes untuk Prediksi Kelahiran pada Data Ibu Hamil. Berkala MIPA. Vol. 23, No. 3, halaman 297-308, September 2013.

Prasetyo, Eko, Data Mining dan Konsep Aplikasi Menggunakan Matlab, Penerbit Andi, Yogyakarta. 2012.

Rendra, Kumara Graha, Klasifikasi Data Mining Untuk Seleksi Penerimaan Calon Pegawai Negeri Sipil 2014 Menggunakan Algoritma Decision Tree C4.5, Skripsi Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, 2015.

Romli, Lili, Masalah Reformasi Birokrasi, Jurnal kebijakan dan Manajemen PNS, Yogyakarta. 2007.

Richard S. Segall, Gauri S. Guha, and Sarath A. Nonis, Data Mining of Environmental Stress Tolerances On Plants, Kybernetes, Vol. 37 Issue: 1, pp. 127-148, 2008.

Saleh, Alfa, Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga, Citec Journal, Vol.2, No.3, 2015.

Seema Sharma et. al., Classification Through Machine Learning Technique: C4.5 Algorithm based on Various Entropies, International Journal of Computer Applications, Vol. 82, pp. 20-27, Nov. 2013.

Sneha K. Dehankar et. al., Web Page Classification using Apriori Algorithm and Naïve Base Classifier, International Journal of Advanced Research in Computer Science and Management Studies, Vol. 3, pp. 527-533, Apr. 2015.

Umar Husei, Metode Penelitian, Aplikasi dalam Pemasaran, Jakarta, 1997.

Walpole, Ronald E. dan Myers Raymond H., Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuan Terjemahan RK Sembiring., ITB, Bandung, 1995.

Wasiati, H., dan Wijayanti, D., Sistem Pendukung Keputusan Penentuan Kelayakan Calon Tenaga Kerja Indonesia Menggunakan Metode Naive Bayes (Studi Kasus: PT. Karyatama Mitra Sejati Yogyakarta), Indonesian Jurnal on Networking and Security, Vol. 3, No 2, hal. 45-51, 2014.




DOI: http://dx.doi.org/10.24014/jsms.v6i1.9254

Refbacks

  • There are currently no refbacks.


Jurnal JSMS

p-ISSN     : 2460-4542 (print)
e-ISSN     : 2615-8663 (online)
Alamat   : Program Studi Matematika
                   Fakultas Sains dan Teknologi, UIN Suska Riau
                   Jl. H.R Soebrantas, No. 155, Tampan, Pekanbaru.
Website : http://ejournal.uin-suska.ac.id/index.php/JSMS
e-mail    : jsmsfst@uin-suska.ac.id