PENGARUH SELEKSI FITUR BERBASIS RECRUSIVE FEATURE
ELIMINATION (RFE) TERHADAP KLASIFIKASI KINERJA
KARYAWAN MENGUNAKAN RANDOM FOREST
Total View This Week0
Total View This Week0
Institusion
Universitas Siliwangi
Author
Wahyudin, Wildan
Subject
TA Engineering (General). Civil engineering (General)
Datestamp
2022-09-09 08:27:58
Abstract :
ABSTRAKSI Klasifikasi menggunakan supervised learning dibutuhkan pada sistem informasi atau evaluasi cerdas untuk mempercepat proses dan meningkatkan akurasi pengambilan keputusan terkait sumber daya manusia di organisasi. Namun, kamampuan dari supervised learning ini relatif bergantung pada kualitas data. Studi ini mengusulkan seleksi fitur menggunakan Recursive Feature Elimination (RFE) untuk meningkatkan kualitas data dengan mengeliminasi atribut-atribut yang tidak relevan dan mengidentifikasi dampaknya terhadap kemampuan klasifikasi salah satu algoritma supervised learning yaitu Random Forest. Berdasarkan hasil eksperimen pada dataset terbuka dari Kaggle bernama Human Resource Dataset, penerapan RFE dengan parameter yang tepat pada studi ini berhasil mengeliminasi 16 (64%) atribut yang tidak relevan dan meningkatkan 2.6% rata-rata AUC-ROC Random Forest. Adapun 84.32% rata-rata AUC-ROC hasil evaluasi Random Forest setelah penerapan RFE pada studi ini, lebih tinggi dibandingkan dengan Naïve Bayes (76.49%), Logistic Regression (63.40%), Support Vector Machine (56.56%) dan K-Nearest Neighbors (54.04%). Kata kunci: Karyawan, Kinerja, Supervised Learning, Seleksi Fitur, RFE.
ABSTRAKSI Klasifikasi menggunakan supervised learning dibutuhkan pada sistem informasi atau evaluasi cerdas untuk mempercepat proses dan meningkatkan akurasi pengambilan keputusan terkait sumber daya manusia di organisasi. Namun, kamampuan dari supervised learning ini relatif bergantung pada kualitas data. Studi ini mengusulkan seleksi fitur menggunakan Recursive Feature Elimination (RFE) untuk meningkatkan kualitas data dengan mengeliminasi atribut-atribut yang tidak relevan dan mengidentifikasi dampaknya terhadap kemampuan klasifikasi salah satu algoritma supervised learning yaitu Random Forest. Berdasarkan hasil eksperimen pada dataset terbuka dari Kaggle bernama Human Resource Dataset, penerapan RFE dengan parameter yang tepat pada studi ini berhasil mengeliminasi 16 (64%) atribut yang tidak relevan dan meningkatkan 2.6% rata-rata AUC-ROC Random Forest. Adapun 84.32% rata-rata AUC-ROC hasil evaluasi Random Forest setelah penerapan RFE pada studi ini, lebih tinggi dibandingkan dengan Naïve Bayes (76.49%), Logistic Regression (63.40%), Support Vector Machine (56.56%) dan K-Nearest Neighbors (54.04%). Kata kunci: Karyawan, Kinerja, Supervised Learning, Seleksi Fitur, RFE.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
