KLASIFIKASI PENERIMAAN TENAGA KERJA TERTUTUP MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR (KNN)

Authors

  • Rizal Kurnia Pratama Universitas 17 Agustus 1954 Surabaya
  • Fridy Mandita Universitas 17 Agustus 1945 Surabaya

DOI:

https://doi.org/10.30587/indexia.v6i1.7224

Keywords:

Klasifikasi, K-Nearest Neighbor, K-Fold Cross Validation, Penerimaan Tenaga Kerja

Abstract

Perusahaan yang telah menerapkan pemanfaatan teknologi tidak akan lepas dari pengolahan data atau informasi, akan tetapi tidak semua perusahaan dapat memaksimalkan pengolahan data yang mereka miliki, salah satunya di CV. Arfa Nusantara Teknologi, data calon karyawan yang masuk ke dalam sebuah  perusahaan  tidak dilakukan pengolahan lebih lanjut. Penelitian ini mencoba untuk melakukan pengolahan terhadap data calon karyawan yang masuk ke sebuah perusahaan dengan tujuan untuk mengklasifikasikan data calon tenaga kerja berdasarkan variabel hasil skor tes teknis dari tim penilai, total nilai bobot keahlian, minimum gaji yang diminta dan jumlah tahun pengalaman bekerja dengan mengimplementasikan algoritma K-Nearest Neighbor (KNN), dengan implementasi algoritma ini nantinya akan dihasilkan beberapa klasifikasi data calon tenaga kerja yaitu paling baik, cukup baik dan kurang baik yang dimana dapat membantu tim penilai dalam perusahaan tersebut untuk membuat keputusan dalam menerima calon tenaga kerja yang terbaik bagi perusahaan dan mengetahui tingkat akurasi dari algoritma tersebut. Selain itu penelitian ini mencoba beberapa jumlah pengambilan ketetanggaan KNN dan menerapkan K-Fold Cross Validation dalam menentukan model optimal klasifikasi. Pada model optimal yang berhasil didapatkan berada di rata-rata nilai akurasi, presisi dan recall adalah 100% pada pembagian k = 4 dan k = 5 di uji coba pengambilan 10 K-Fold Cross Validation. Sedangkan nilai ketetanggan algoritma KNN paling baik adalah k = 7. Pada pengujian System Usability Scale didapatkan skor sebesar 80,21 dan masuk kedalam kategori nilai B.

References

[1] H. Chandra dan S. Tinggi Ilmu Ekonomi YPUP Makassar, “ANALISIS SISTEM SELEKSI PENERIMAAN KARYAWAN TERHADAP KINERJA KARYAWAN PADA PT ANUGRAH BUSANA INDAH DI MAKASSAR,” 2020.
[2] A. Rahmat, K. Auliasari, dan Y. A. Pranoto, “IMPLEMENTASI METODE K-NEAREST NEIGHBOR (KNN) UNTUK SELEKSI CALON KARYAWAN BARU (Studi Kasus : BFI Finance Surabaya),” 2020.
[3] I. G. T. Isa dan F. Elfaladonna, “Penilaian Kinerja Akurasi Metode Klasifikasi dalam Dataset Penerimaan Mahasiswa Baru Universitas XYZ,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 8, no. 2, hlm. 292–298, 2022.
[4] R. B. Anshori dkk., “Klasifikasi Citra Kanker Serviks Menggunakan Deep Residual Network,” vol. 8, no. 6, hlm. 3163–3170, 2022.
[5] I. Listiowarni dan N. P. Dewi, “Pemanfaatan Klasifikasi Soal Biologi Cognitive Domain Bloom’s Taxonomy Menggunakan KNN Chi-Square Sebagai Penyusunan Naskah Soal,” Digital Zone: Jurnal Teknologi Informasi Dan Komunikasi, vol. 11, no. 2, hlm. 185–195, 2020.
[6] A. Bangor, P. Kortum, dan J. Miller, “Determining what individual SUS scores mean: Adding an adjective rating scale,” J Usability Stud, vol. 4, no. 3, hlm. 114–123, 2009.

Downloads

Published

2024-05-21

How to Cite

Pratama, R. K., & Mandita, F. (2024). KLASIFIKASI PENERIMAAN TENAGA KERJA TERTUTUP MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR (KNN). Indexia, 6(1), 42–61. https://doi.org/10.30587/indexia.v6i1.7224

Similar Articles

1 2 > >> 

You may also start an advanced similarity search for this article.