Hamid Baehaqi, 4611418057 (2023) PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE DAN BINARY HYBRID PARTICLE SWARM OPTIMIZATION GREY WOLF OPTIMIZATION UNTUK PREDIKSI EMPLOYEE TURNOVER. Under Graduates thesis, UNIVERSITAS NEGERI SEMARANG.

PDF - Published Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Employee turnover atau perputaran karyawan merupakan istilah yang digunakan untuk menggambarkan keluar masuknya karyawan dari perusahaan. Employee turnover dapat terjadi karena berbagai alasan, seperti lingkungan kerja yang tidak baik, kompensasi yang kurang memuaskan dan kurangnya kesempatan karir. Tingkat employee turnover yang tinggi dapat menjadi masalah bagi perusahaan karena dapat menambah pengeluaran perusahaan untuk merekrut dan melatih karyawan baru serta mempengaruhi produktifitas dan kualitas pekerjaan. Oleh karena itu, penting bagi perusahaan untuk melakukan prediksi employee turnover dan mengambil tindakan yang tepat untuk mengurangi tingkat turnover. Perkembangan teknologi memungkinkan pemecahan masalah prediksi employee turnover dilakukan dengan teknik data mining klasifikasi. Salah satu algoritma yang umum dipakai untuk klasifikasi yaitu SVM. Pemilihan kernel dan parameter kernel pada algoritma SVM sangat mempengaruhi performa klasifikasi. Dalam penelitian ini diterapkan algoritma SVM dengan kernel rbf, poly¸ linear dan sigmoid. Pemilihan algoritma SVM yaitu karena algoritma SVM terkenal dengan komputasinya yang rendah dan mampu bekerja baik untuk data berdimensi tinggi. Namun data berdimensi tinggi sering kali menyajikan data yang redundant atau data yang sebenarnya tidak perlu dipakai dalam klasifikasi. Data seperti ini akan berpengaruh buruk pada hasil klasifikasi. Pada penelitian ini, masalah data berdimensi tinggi diatasi dengan menggunakan algoritma BGWOPSO. Penerapan BGWOPSO mampu memilih subset fitur dengan jumlah 24 fitur dari total 34 fitur. Hasil penelitian yaitu penerapan SVM kernel rbf dan BGWOPSO memberikan akurasi sebesar 90,48%. Akurasi tersebut memberikan peningkatan sebesar 3,41% dari awalnya 87,07% pada klasifikasi SVM kernel rbf tanpa BGWOPSO.

Actions (login required)

View Item