PENERAPAN DATA MINING UNTUK PREDIKSI TINGKAT KOMPETENSI KARYAWAN PADA PT. HANKOOK TIRE INDONESIA DENGAN METODE ALGORITMA C4.5
Arief Hidayat1, Aswan Supriyadi Sunge, S.Kom, M.Kom2 Mahasiswa STT Pelita Bangsa1, Dosen STT Pelita Bangsa2
Program Studi Teknologi Pelita Bangsa, Sekolah Tinggi Teknologi Pelita Bangsa Jl. Inspeksi Kalimalang-Tegal Danas, Cikarang, Bekasi 17530
ariefhidayat994@gmail.com1, aswan.sunge@gmail.com2
ABSTRACT
High employee performance can be achieved if all elements in the company are well integrated, and able to run its role in accordance with the needs and desires of customers and employees. Therefore it is necessary support the existence of competence to improve employee performance. The purpose of this study is to analyze and determine the effect of competence on employee performance. The research method used is Decission Tree Learning (DCT). C4.5 algorithm is part of DCT, C4.5 algorithm, that is data mining technique to make decision tree and later become a rule. Of the 205 overall employee data obtained will be divided into 80% partition for training data and 20% data testing. Data training is a sample used to build a classifier model, with RapidMiner 5.3 test tool. As for data processing using Microsoft Visual Studio 2010 program.
The results showed that (1) Employee competence covering general competence, special competence and technical competence at PT. Hankook Tire Indonesia average score included in the high category. (2) The degree of accuracy is measured by Confusion Matrix and Receiver Operating Caracteristic (ROC). Evaluation in Confusion Matrix is intended to find accuracy value, precision value, and data recall value. In the process of monitoring employees will be monitored for determination of salary increase or promotion of office. Keywords : competence, work performance, data mining, C4.5 algorithm, Confusion Matrix, ROC
ABSTRAK
Kinerja karyawan yang tinggi dapat dicapai jika seluruh elemen-elemen yang ada dalam perusahaan terintegrasi dengan baik, dan mampu menjalankan peranannya sesuai dengan kebutuhan dan keinginan pelanggan dan karyawan. Oleh sebab itu diperlukan dukungan adanya kompetensi guna meningkatkan kinerja karyawan tersebut. Tujuan penelitian ini adalah untuk menganalisis dan mengetahui pengaruh kompetensi terhadap kinerja karyawan. Metode penelitian yang digunakan adalah Decission Tree Learning (DCT). Algoritma C4.5 merupakan bagian dari DCT, algoritma C4.5, yakni teknik data mining untuk membuat pohon keputusan dan nantinya akan menjadi sebuah rule. Dari 205 data keseluruhan karyawan yang diperoleh akan dibagi partisi 80 % untuk data training dan 20% data testing. Data training adalah sampel yang digunakan untuk membangun model classifier, dengan alat uji RapidMiner5. Sedangkan untuk pengolahan data menggunakan program Microsoft Visual Studio 2010.
Hasil penelitian menunjukkan bahwa (1) Kompetensi karyawan yang meliputi kompetensi umum, kompetensi khusus dan kompetensi teknikal pada PT. Hankook Tire Indonesia rata-rata skornya termasuk dalam kategori tinggi. (2) Tingkat akurasi diukur dengan Confusion Matrix dan Receiver Operating Caracteristic (ROC). Evaluasi dalam Confusion Matrix ditujukan untuk mencari nilai accuracy, nilai precision, dan nilai recall data. Pada proses monitoring karyawan akan dipantau untuk penentuan kenaikan gaji atau promosi jabatan.
1 PENDAHULUAN 1.1 Latar Belakang
Karyawan merupakan salah satu sumberdaya yang sangat penting dan diperhitungkan di dalam menentukan keberhasilan perusahaan maupun unit kerja yang ada di dalam perusahaan. Perusahaan yang memiliki karyawan yang berkualitas memungkinkan perusahaan untuk dengan mudah mengelola aktifitas perusahannya sehingga tujuan yang telah ditetapkan dapat tercapai. Dalam melakukan proses evaluasi dalam rangka meningkatan kompetensi karyawan banyak hal yang menjadi bahan pertimbangan. Proses penilaian kinerja karyawan yang masih manual tentunya sangat tidak efektif dikarenakan jumlah karyawan yang banyak, kriteria penilaian yang banyak serta keheterogenan karyawan yang juga semakin komplek. Hal tersebut mengakibatkan tidak mudahnya pimpinan departement / Leader untuk mengambil keputusan karyawan mana saja yang memang benar-benar memenuhi standart kompetensi yang telah ditentukan.
Dengan bertambahnya karyawan baru maka bertambah pula jumlah karyawan yang bekerja. Semakin banyaknya jumlah karyawan maka keanekaragaman karyawan juga semakin kompleks sehingga sangat sulit memilih karyawan yang berprestasi menurut lembaga dan sulitnya menentukan prioritasnya. Peningkatan kompetensi karyawan dilakukan berdasarkan beberapa faktor penilaian. Faktor penilaian tersebut terdiri dari kompetensi umum, kompetensi khusus dan kompetensi teknikal. Pada saat ini proses penilaian kinerja karyawan masih dalam bentuk hardcopy dan keputusan dari satu pihak saja sehingga proses yang dilakukan masih belum akurat.
Menimbang dari latar belakang masalah diatas maka penulis mengambil penelitian skripsi dengan judul “PENERAPAN DATA MINING UNTUK PREDIKSI TINGKAT KOMPETENSI KARYAWAN PADA PT. HANKOOK TIRE INDONESIA DENGAN METODE ALGORITMA C4.5 “.
1.2 Identifikasi Masalah
1. Belum adanya prediksi dalam melihat tingkat kompetensi karyawan yang secara akurat dan efektif.
2. Banyak karyawan yang belum mengerti tentang kompetensi-kompetensi apa saja yang harus dimiliki yang berhubungan dengan pekerjaannya.
3. Masih ada keterbatasan Sumber Daya Manusia dalam proses pengimplementasian tingkat kompetensi pada seluruh karyawan PT Hankook Tire Indonesia.
1.3 Rumusan Masalah
1. Bagaimana melihat prediksi tingkat kompetensi karyawan di PT. Hankook Tire Indonesia secara efektif dan akurat ? 2. Kompetensi apa saja yang harus dimiliki
karyawan yang berhubungan dengan pekerjaanya ?
3. Bagaimana mengimplementasikan proses penilaian tingkat kompetensi karyawan di PT. Hankook Tire Indoensia ?
1.4 Tujuan dan Manfaat
Tujuan yang ingin dicapai dari penelitian ini adalah: 1. Memprediksi tingkat kompetensi karyawan
agar lebih efektif dan akurat.
2. Meningkatkan pengetahuan dan keterampilan karyawan dalam menangani setiap pekerjaan yang diberikan.
3. Memudahkan pihak pengambil keputusan proses penilaian tingkat kompetensi karyawan dengan merancang aplikasi datamining. Sedangkan manfaat penelitiannya antara lain: 1. Manfaat praktisi diharapkan dapat digunakan
sebagai masukan suatu bentuk akurasi yang berpotensi ahli atau tidak sehingga memudahkan pihak PT. Hankook Tire Indonesia dalam menentukan kebijakan untuk meningkatkan kompetensi karyawan, memudahkan pengambilan keputusan dalam menentukan posisi jabatan sesuai standar kompetensi yang telah ditentukan dan pada proses monitoring karyawan akan dipantau untuk penentuan kenaikan gaji atau promosi jabatan.
2. Manfaat teoritis diharapkan dapat memberikan kontribusi bagi penelitian yang berkaitan dengan metode klasifikasi Algoritma C4.5 khususnya dalam memprediki tingkat kompetensi karyawan ahli atau tidaknya.
2 TINJAUAN PUSTAKA
2.1 Data Mining
Data mining merupakan proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidenfikasi informasi yang bermanfaat dan pengetahuan yang terakit dari berbagai database besar/Data Warehouse (Tampubolon, Saragih, & Reza, 2013).
Tahap-tahap data mining adalah sebagai berikut:
1. Pembersihan data (data cleaning)
Pengumpulan data
Pengolahan data awal
Metode yang diusulkan
Pengujian data dengan metode
Pengujian / Validasi Hasil 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.
2.2 Algoritma C4.5
Algoritma decision tree digunakan untuk membangun sebuah pohon keputusan yang mudah dimengerti, fleksibel, dan menarik karena dapat divisualisasikan dalam bentuk gambar 2.5 (Rohman, 2013). Menentukan akar dari pohon dengan menghitung nilai gain yang tertinggi dari masing-masing atribut atau berdasarkan nilai index entropy terendah. Sebelumnya dihitung terlebih dahulu nilai index entropy, dengan rumus:
Keterangan :
S = Himpunan Kasus n = Jumlah partisi S
p = Proporsi dari Si terhadap S
3 METODE PENELITIAN
3.1 Metode Penelitian
Gambar 3.1 : Tahapan Penelitian
3.2 Pengumpulan Data 3.2.1 Sumber Data
1. Data Primer, yaitu data yang diperoleh dari tanggapan responden terhadap item pertanyaan yang diajukan dalam kuesioner, atau dengan kata lain data yang diperoleh langsung dari lokasi penelitian dimana penulis mengadakan pengumpulan data melalui kuesioner, artinya penulis menyusun pertanyaan dalam bentuk kalimat dengan opsi jawaban yang tersedia dalam form yang telah disediakan.
2. Data Sekunder, yaitu data yang diperoleh dari dokumen-dokumen dan arsip perusahaan yang ada kaitannya dengan penelitian ini, atau data yang diperoleh dari berbagai literature dan sumber-sumber lain yang berhubungan dengan masalah yang sedang diteliti. Tabel 3.1 : Data Kompetensi Karyawan PT.
Hankook Tire Indonesia
3.3 Pengelolahan Awal Data
Data yang sudah disiapkan untuk klasifikasi dibagi menjadi dua untuk data training (80%) dan data testing (20%). Pembagian data menjadi data training dan data testing menggunakan teknik sampling random sistematik (systematic random sampling). Interval sampel atau juga disebut sampling rasio diperoleh dengan cara membagi ukuran populasi dengan ukuran sampel yang dikehendaki (N/n). Contoh perhitungan untuk mengambil data testing adalah sebagai berikut: Jumlah data testing = 20% x 206 = 41
Jumlah populasi (N) = 206 Jumlah sampel (n) = 41
Interval Sampling (k) = N/n = 206/42 = 5
Unsur pertama yg diambil untuk data testing (s) = 1 Unsur kedua = s + k
Hasil Metode Algoritma C4.5
Menganalisa hasil akurasi Algoritma C4.5 dengan Rapidminer Pengolahan data dengan Algoritma C4.5
3.4 Metode Yang Diusulkan
Gambar 3.2 : Langkah Pengujian Metode Data kompetensi karyawan akan diolah dengan metode Algoritma C4.5, kemudian dilihat akurasinya pada metode tersebut. Hasil pengujian dengan akurasi ini yang akan digunakan untuk prediksi ahli atau tidaknya skill karyawan.
Gambaran kateristik dari algoritma C4.5: Algoritma C4.5 yaitu salah satu algoritma dalam metode pohon keputusan yang merubah data menjadi pohon keputusan menggunakan rumus perhitungan entropi.
4. Hasil dan Pembahasan 4.1 Pengujian dan Validasi Hasil
Perancangan dilakukan dengan menggunakan perangkat lunak Rapidminer ver. 5.1. Hasil meta data yang telah diinput adalah sebagai berikut:
Tabel 4.1 : Sample Data Training
Data yang digunakan dalam aplikasi adalah data training. Dari seluruh populasi, data dipisah menjadi 80% data training yang dipakai untuk membuat model atau rule dan 20% sebagai data testing. Dari meta data tersebut dilakukan pengolahan pada rapidminer dengan main process sebagai berikut:
Gambar 4.1 : Main Process
Main proses dilakukan sesuai dengan tahapan CRISP-DM dengan menambahkan data dengan tipe
csv, dan memasukan box validation untuk memastikan agar hasil pengukuran dapat maksimal. Selanjutnya, diperoleh tingkat pengukuran akurasi sebagai berikut:
Gambar 4.2 : Pengukuran Akurasi data Hasil pengukuran akurasi data yang diperoleh bahwa secara keseluruhan nilainya mencapai 78.64 %. Dari tabel tersebut diketahui prediksi ahli tingkat kompetensi karyawan dengan true ahli mencapai 66 karyawan dan true tidak ahli sebanyak 15 karyawan, dengan hasil pencapaian nilai presisi sebesar 81.48 %. Sedangkan untuk prediksi data karyawan yang tidak ahli untuk true ahli mencapai 20 karyawan dan untuk true tidak ahli terdapat 63 karyawan. Persentase tidak ahlinya karyawan adalah sebesar 75.90 %. Untuk recall data karyawan yang sangat tinggi terdapat class recall true ahli mencapai 76.74 %, sedangkan untuk class recall true tidak ahli mencapai 80.77 % karyawan.
Pengukuran yang berikutnya sebagai pembanding presicion data sebagai berikut:
Gambar 4.3 : Pengukuran Precision Data Hasil pengukuran precision data diperoleh bahwa secara keseluruhan nilainya mencapai 76.77%. Hasil ini sama seperti hasil pengukuran pada akurasi. Dengan hasil dari tabel tersebut diketahui prediksi ahli tingkat kompetensi karyawan dengan true ahli mencapai 66 karyawan dan true tidak ahli sebanyak 15 karyawan, dengan hasil pencapaian nilai presisi sebesar 81.48 %. Sedangkan untuk prediksi data karyawan yang tidak ahli untuk true ahli mencapai 20 karyawan dan untuk true tidak ahli terdapat 63 karyawan. Persentase tidak ahlinya karyawan adalah sebesar 75.90 %. Untuk recall data karyawan yang sangat tinggi terdapat class recall true ahli mencapai 76.74 %, sedangkan untuk class recall true tidak ahli mencapai 80.77% karyawan. Dalam hal ini data difokuskan pada kebalikan hasil accuracy.
Gambar 4.4 : Pengukuran Recall data Hasil dari pengukuran recall data jika diperhatikan untuk prediksi ahli dan prediksi tidak ahli adalah sama dengan gambar 4.3 dan 4.5. Yang membedakannya adalah nilai dari recall sebesar 80.95 % yang membedakan dengan lain. Nilainya mengartikan bahwa untuk nilai atau hasil keputusan dalam prediksi tingkat kompetensi karyawan lebih sedikit yang tidak ahli sehingga yang merupakan positive class adalah “tidak”.
Setelah dilakukan seluruh tahapan evaluasi untuk confusion matrix maka selanjutnya dilakukan analisa evaluasi pembanding yakni terhadap pengukuran Receiver Operating Characteristic (ROC) sebagai berikut:
Gambar 4.5 : Pengukuran UAC Optimistic Nilai dari ROC diukur terlebih dahulu terhadap Area Under Curvenya (AUC) optimistic dengan nilai sebesar 0.907 terhadap kelas yang tidak ahli. Pengukuran berikutnya dilakukan terhadap AUC normal adalah:
Gambar 4.6 : Pengukuran AUC
Nilai yang diperoleh dari pengukuran AUC adalah sebesar 0.769 untuk kelas yang tidak ahli. Selanjutnya pengukuran untuk pessimistic-nya adalah sebagai berikut:
Gambar 4.7 : Pengukuran AUC Pessimistic Nilai yang diperoleh dari AUC pessimistic adalah 0.720 untuk class predictive yang tidak ahli. Dari hasil keseluruhan maka diperoleh pohon keputusan sebagai berikut:
Gambar 4.8 : Pohon Keputusan Prediksi Tingkat Kompetensi Karyawan
4.2 Rule yang Dihasilkan
Rules yang berhasil diekstrak sebanyak 18 rule, dengan 11 rules mengelompokkan sample ke kelas 0 (tidak ahli), dan 7 rules yang mengklasifikasikan sampel ke kelas 1 (ahli). Tingkat akurasi yang berhasil dicapai oleh Algoritma C4.5 adalah sebesar 78,64 %. Secara keseluruhan, terdapat 17 atribut yang terlihat berpengaruh terhadap tingkat kompetensi karyawan yaitu dari operasi mesin A chemical (2 atribut), paham QCS (Quality of Customer Satisfaction) (2 atribut) dan 13 atribut lainya masing-masing 1 atribut.
Berdasarkan Decesion Tree maka diperoleh rule untuk klasifikasi prediksi kompetensi karyaan yaitu :
R1 : Jika Operasi Mesin Wigwag > 2,5 dan jika Paham ISO 14001 > 0,5 dan jika Paham QCS > 0,5 dan jika Operasi Mesin A Chemical > 2,5 Maka Ahli.
R3 : Jika Operasi Mesin Wigwag > 2,5 dan jika Paham ISO 14001 > 0,5 dan jika Paham QCS > 0,5 dan jika Operasi Mesin A Chemical ≤ 2,5 dan jika Paham Fifo Material > 1,5 dan jika Peraturan Perusahaan ≤ 2,5 dan jika Jenis Masalah di Area Kerja > 3 Maka Ahli. R4 : Jika Operasi Mesin Wigwag > 2,5 dan jika
Paham ISO 14001 > 0,5 dan jika Paham QCS > 0,5 dan jika Operasi Mesin A Chemical ≤ 2,5 dan jika Paham Fifo Material > 1,5 dan jika Peraturan Perusahaan ≤ 2,5 dan jika Jenis Masalah di Area Kerja ≤ 3 Maka Tidak Ahli. Paham ISO 14001 ≤ 0,5 Maka Tidak Ahli. R8 : Jika Operasi Mesin Wigwag ≤ 2,5 dan jika Jenis
Material & Kegunaanya > 1,5 dan jika Operasi Mesin A Chemical > 1,5 dan jika Paham SNI ISO 17025 > 0.5 dan jika Paham QCS > 0,5 dan jika Bisa Membaca Grafik Chart > 1,5 Maka Ahli.
R9 : Jika Operasi Mesin Wigwag ≤ 2,5 dan jika Jenis Material & Kegunaanya > 1,5 dan jika Operasi Mesin A Chemical > 1.5 dan jika Paham SNI ISO 17025 > 0,5 dan jika Paham QCS > 0,5 dan jika Bisa Membaca Grafik Chart ≤ 1,5 dan jika Paham K3 > 3,5 dan jika Komunikasi Baik > 3,5 Maka Ahli.
R10 : Jika Operasi Mesin Wigwag ≤ 2,5 dan jika Jenis Material & Kegunaanya > 1,5 dan jika Operasi Mesin A Chemical > 1,5 dan jika Paham SNI ISO 17025 > 0,5 dan jika Paham QCS > 0,5 dan jika Bisa Membaca Grafik Chart ≤ 1,5 dan jika Paham K3 > 3,5 dan jika Komunikasi Baik ≤ 3,5 dan jika Jenis Equipment Mesin > 2,5 Maka Tidak Ahli. R11 : Jika Operasi Mesin Wigwag ≤ 2,5 dan jika Jenis
Material & Kegunaanya > 1,5 dan jika Operasi Mesin A Chemical > 1,5 dan jika Paham SNI ISO 17025 > 0,5 dan jika Paham QCS > 0,5 dan jika Bisa Membaca Grafik Chart ≤ 1,5 dan jika Paham K3 > 3,5 dan jika Komunikasi Baik ≤ 3,5 dan jika Jenis Equipment Mesin < 2,5 Maka Ahli.
R12 : Jika Operasi Mesin Wigwag ≤ 2,5 dan jika Jenis Material & Kegunaanya > 1,5 dan jika Operasi Mesin A Chemical > 1,5 dan jika Paham SNI ISO 17025 > 0,5 dan jika Paham QCS > 0,5 dan jika Bisa Membaca Grafik Paham SNI ISO 17025 > 0,5 dan jika Paham QCS ≤ 0,5 Maka Tidak Ahli.
R14 : Jika Operasi Mesin Wigwag ≤ 2,5 dan jika Jenis Material & Kegunaanya > 1,5 dan jika Operasi Mesin A Chemical > 1,5 dan jika Paham SNI ISO 17025 ≤ 0,5 Maka Tidak Ahli.
R15 : Jika Operasi Mesin Wigwag ≤ 2,5 dan jika Jenis Material & Kegunaanya > 1,5 dan jika Operasi Mesin A Chemical ≤ 1,5 dan jika Operasi Komputer > 2,5 dan jika Leadership > 3,5 Maka Ahli.
R16 : Jika Operasi Mesin Wigwag ≤ 2,5 dan jika Jenis Material & Kegunaanya > 1,5 dan jika Operasi Mesin A Chemical ≤ 1,5 dan jika Operasi Komputer > 2,5 dan jika Leadership ≤ 3,5 Maka Tidak Ahli.
R17 : Jika Operasi Mesin Wigwag ≤ 2,5 dan jika Jenis Material & Kegunaanya > 1,5 dan jika Operasi Mesin A Chemical ≤ 1,5 dan jika Operasi Komputer ≤ 2,5 Maka Tidak Ahli.
R18 : Jika Operasi Mesin Wigwag ≤ 2,5 dan jika Jenis Material & Kegunaanya ≤ 1,5 Maka Tidak Ahli.
Hasil perhitungan divisualisasikan dengan kurva ROC (Receiver Operating Characteristic) atau AUC (Area Under Curve). ROC memiliki tingkat
5. Akurasi bernilai 0.50 – 0.60 = failure Hasil yang didapat dari pengolahan ROC untuk Algoritma C4.5 dengan menggunakan data training sebesar 0.907 dapat dilihat pada gambar 4.5 (Pengukuran UAC Optimistic) dengan tingkat diagnosa excellent classification.
Gambar 4.9 : Aplikasi Prediksi Tingkat Kompetensi Karyawan
Pada aplikasi untuk memprediksi tingkat kompetensi karyawan pada gambar 4.9 dihasilkan prediksi ahli dan tidaknya. Input data karyawan pada program tersebut sesuai dengan atribut yang dibutuhkan, kemudian klik tombol PREDIKSI, maka secara otomatis tampil hasil kompetensi karyawan yang ahli atau tidak ahli. Untuk menginput kembali data baru klik tombol CLEAR.
5. Penutup 5.1 Kesimpulan
Berdasarkan penelitian prediksi tingkat kompetensi karyawan ahli atau tidak diambil beberapa kesimpulan sebagai berikut :
1. Penerapan algoritma data mining terhadap kompetensi karyawan memiliki tingkat akurasi yang cukup tinggi yaitu 81% atau sekitar 81 karyawan yang ahli. Sedangkan yang tidak ahli sebesar 76% atau sebanyak 83 karyawan yang tidak ahli dari 164 konsumen. Kategori penelitian ini masuk dalam klasifikasi sangat baik dengan persentase antara 0.80-0.90 yaitu 0.907%. Dari hasil tersebut maka perlu terus dikembangkan dan dikomparasikan dengan beberapa algoritma lain sehingga hasil akurasi bisa jauh lebih tinggi lagi.
2. Penelitian ini juga menghasilkan aplikasi prediksi rules kompetensi karyawan yang dapat membantu user dalam meng-entry data dari hasil survei dan untuk menganalisis atribut yang mempengaruhi tingkat kompetensi karyawan.
5.2 Saran
Dari hasil pengujian yang telah dilakukan dan hasil kesimpulan yang diberikan maka saran dan usulan antara lain :
1. Hal ini di harapkan bisa digunakan untuk meningkatkan akurasi dalam memprediksi tingkat kompetensi karyawan.
2. Sebagai pendukung dan panutan dalam pengambilan keputusan dan kebijakan dalam memprediksi tingkat kompetensi karyawan di PT. Hankook Tire Indoensia.
DAFTAR PUSTAKA
Alhikmah, F., Setiawan, E. B., & Imrona, D. (2014).
ANALISIS DAN IMPLEMENTASI
ALGORITMA ID3 DAN CART PADA PENILAIAN KINERJA PEGAWAI, 0–6. Dhika, H., & Destiawati, F. (2015). Application of
Data Mining Algorithm To Recipient of Motorcycle Installment. Jurnal ComTech, Volume 6 N, 569–579.
Hadi, A. F. (2017). ANALISIS DATA MINING UNTUK MENENTUKAN VARIABEL – VARIABEL YANG MEMPENGARUHI, 4(1), 108–116.
Huda, M. A. I. (2013). PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN
KARYAWAN TELADAN DENGAN
MENGGUNAKAN METODE PROFILE MATCHING, 1–16.
Huda, N. M. (2010). APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA ( Studi Kasus di Fakultas MIPA Universitas Diponegoro ). Universitas Stuttgart.
Ina, W. T. (2013). Klasifikasi Data Rekam Medis Berdasarkan Kode Penyakit Internasional Menggunakan Algoritma C4.5. Jurnal Media Elektro, 1(3), 105–110.
Julianto, W., Yunitarini, R., & Sophan, M. K. (2014). Algoritma C4.5 Untuk Penilaian Kinerja Karyawan. Scan, Vo. IX,(No. 2), 33–39. Mallu, S. (2015). Sistem Pendukung Keputusan
Penentuan Karyawan Kontrak Menjadi Karyawan Tetap Menggunakan Metode Topsis. Jurnal Ilmiah Teknologi Informasi Terapan, I(2), 36–42.
Raharjo, R. A. (2017). KAJIAN KOMPARASI PENERAPAN ALGORITMA C4.5, NEURAL NETWORK, DAN SVM DENGAN TEKNIK PSO UNTUK PEMILIHAN KARYAWAN TELADAN PT. XYZ, 1(3), 345–356.
Rahmayuni, I. (2014). Perbandingan Performansi Algoritma C4.5 dan Cart Dalam Klasifiksi Data Nilai Mahasiswa Prodi Teknik komputer POLITEKNIK NEGERI PADANG. Jurnal Teknologi Informasi & Pendidikan, 7(1), 87– 94. Retrieved from http://jurnal-tip.net/jurnal-
