Klasifikasi Kinerja Pegawai Menggunakan Algoritma Random Forest

Jelly Helia Putri; Sunarsan Sitohang

doi:10.47134/jacis.v6i1.170

Authors

Jelly Helia Putri Universitas Putera Batam
Sunarsan Sitohang Universitas Putera Batam

DOI:

https://doi.org/10.47134/jacis.v6i1.170

Keywords:

Random Forest, Machine Learning, Data Mining, Klasifikasi, Kinerja Pegawai

Abstract

Evaluasi kinerja pegawai merupakan aspek penting dalam manajemen sumber daya manusia, namun penerapannya masih sering dilakukan secara subjektif sehingga berpotensi menimbulkan bias dan ketidakkonsistenan. Penelitian-penelitian sebelumnya umumnya berfokus pada penerapan algoritma klasifikasi tanpa menekankan kesenjangan penelitian, kontribusi ilmiah, serta analisis faktor dominan yang memengaruhi kinerja pegawai. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model klasifikasi kinerja pegawai yang objektif serta mengidentifikasi faktor-faktor utama penentu kinerja pegawai menggunakan algoritma Random Forest. Penelitian ini menggunakan dataset INX Future Inc. Employee Performance yang diperoleh dari Kaggle dengan tiga kategori kinerja, yaitu Low, Medium, dan High. Proses penelitian dilakukan melalui tahapan data mining yang meliputi seleksi data, prapemrosesan, transformasi data, pemodelan, dan evaluasi. Performa model dievaluasi menggunakan metrik akurasi, presisi, recall, dan f1-score, serta dibandingkan berdasarkan beberapa skenario pembagian data latih dan data uji. Hasil penelitian menunjukkan bahwa pembagian data latih dan data uji sebesar 80%:20% menghasilkan performa terbaik dengan tingkat akurasi sebesar 94,58%, yang lebih unggul dibandingkan skenario lainnya. Analisis feature importance menunjukkan bahwa kepuasan lingkungan kerja, sistem reward, pengembangan karier, dan pengalaman kerja merupakan faktor yang paling berpengaruh terhadap kinerja pegawai. Simpulan penelitian ini menegaskan bahwa algoritma Random Forest efektif dalam klasifikasi kinerja pegawai sekaligus memberikan kontribusi ilmiah dalam mengidentifikasi faktor penentu kinerja, serta implikasi praktis sebagai sistem pendukung keputusan evaluasi kinerja pegawai yang lebih objektif dan berbasis data

References

[1] F. Halida, “Penilaian Kinerja Karyawan PT . Muda Kreatif Menggunakan Metode Simple Additive Weighting ( SAW ) Berbasis Web,” Infotech J. Teknol. dan Inov. Digit., vol. 1, no. 02, pp. 49–57, 2025, doi: 10.65369/ys711h91. DOI: https://doi.org/10.65369/2nqtah19

[2] A. Sistem, I. Manajemen, K. Dosen, D. Metode, and S. A. Weighting, “Analisis Sistem Informasi Manajemen Penilaian Kinerja Dosen dengan Metode Simple Additive Weighting,” Nobel Manag. Rev., vol. 6, no. 4, pp. 374–382, 2025, doi: 10.37476/nmar.v6i4.5543.

[3] S. Ismail, M. Iqbal, and R. F. Wijaya, “Analisis Pola Peningkatan Indeks Profesionalitas ASN Kabupaten Asahan Menggunakan Random Forest Dan Gradient Boosting Machines,” Jatilima J. Multimed. Dan Teknol. Inf., vol. 07, no. 02, pp. 141–149, 2025, doi: 10.54209/jatilima.v7i02.1504.

[4] A. A. Prayoga, M. Hasanuddin, S. Khodijah, and C. A. Rizki, “Analisis Penerapan Machine Learning dalam Sistem Prediksi dan Pengambilan Keputusan,” J. Electr. Eng. Res., vol. 1, no. 3, pp. 84–90, 2025. DOI: https://doi.org/10.64803/joeer.v1i3.19

[5] I. Meiriska, A. S. Wati, and L. Rahmi, “Pemanfaatan Algoritma Decision Tree Pada Machine Learning Dalam Penentuan Klasifikasi Kinerja Karyawan Pada CV Duta Media,” Jupiter (Jurnal Penelit. Ilmu dan Teknol. Komputer), vol. 17, no. 1, pp. 169–178, 2025.

[6] M. A. Tenriadjeng, I. As’ad, and A. Faradibah, “Implementasi Naïve Bayes untuk Evaluasi dan Klasifikasi Beban Kerja Pegawai di Badan Kepegawaian Kabupaten Barru,” Linier Lit. Inform. dan Komput., vol. 2, no. 3, pp. 286–293, 2025, doi: 10.33096/linier.v2i3.3140. DOI: https://doi.org/10.33096/linier.v2i3.3140

[7] R. Sani, S. Defit, and G. W. Nurcahyo, “Metode Rough Set dan SVM untuk Penilaian Kinerja Kepegawaian serta Rekomendasi Jabatan,” J. KomtekInfo, vol. 11, no. 4, pp. 342–353, 2024, doi: 10.35134/komtekinfo.v11i4.581. DOI: https://doi.org/10.35134/komtekinfo.v11i4.581

[8] F. Nuraeni, D. Kurniadi, and M. H. Diazki, “Algoritma K-Nearest Neighbor Pada Kasus Dataset Imbalanced Untuk Klasifikasi Kinerja Karyawan Perusahaan,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 3, pp. 557–568, 2024, doi: 10.25126/jtiik.938144. DOI: https://doi.org/10.25126/jtiik.938144

[9] S. Sufina and L. Wati, “Implementation of Random Forest Algorithm in Lecturer Performance Evaluation System,” J. Artif. Intell. Softw. Eng., vol. 5, no. 2, pp. 790–798, 2025, doi: 10.30811/jaise.v5i2.6975.

[10] S. Sitohang and V. Karnadi, “Prediksi Harga Saham Menggunakan Generalize Fuzzy Inference System (GENFIS3),” in Seminar Nasional Ilmu Sosial dan Teknologi (SAINTEK), 2020, no. Februari, pp. 132–144.

[11] I. A. Thaher, A. Septiariani, and N. Puspitasari, “Pengelompokan Kualitas Kinerja Pegawai Menggunakan Metode K-Means,” Komputika J. Sist. Komput., vol. 11, no. 2, pp. 131–141, 2022, doi: 10.34010/komputika.v11i2.5518. DOI: https://doi.org/10.34010/komputika.v11i2.5518

[12] S. Rukmini, N. Nurchim, and D. Hartanti, “Pendekatan Naive Bayes dalam Klasifikasi Penilaian Kinerja Pegawai,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 2, pp. 2811–2818, 2025, doi: 10.36040/jati.v9i2.13124. DOI: https://doi.org/10.36040/jati.v9i2.13124

[13] M. Erkamim, S. Suswandi, M. Z. Subarkah, and E. Widarti, “Komparasi Algoritme Random Forest dan XGBoosting dalam Klasifikasi Performa UMKM,” J. Sist. Inf. Bisnis, vol. 02, pp. 127–134, 2023, doi: 10.21456/vol13iss2pp127-134. DOI: https://doi.org/10.21456/vol13iss2pp127-134

[14] P. Alkhairi and Z. Situmorang, “Penerapan Data Mining Untuk Menganalisis Kepuasan Pegawai Terhadap Pelayanan Bidang SDM dengan Algoritma C4 .5,” J. Ris. Sist. Inf. Dan Tek. Inform., vol. 7, no. 1, pp. 40–50, 2022. DOI: https://doi.org/10.30645/jurasik.v7i1.414

[15] B. M. Dinata and E. Ardhianto, “Pemodelan Hybrid Support Vector Machine dan K- Nearest Neigbors Untuk Peramalan Permintaan Suku Cadang Otomotif: Pendekatan Machine Learning Terhadap Data Fluktuatif,” J. Educ. Dev. Inst. Pendidik. Tapanuli Selatan, vol. 14, no. 1, pp. 178–188, 2026, doi: 10.37081/ed.v14i1.7642.

[16] R. S. Siburian, O. Rozalia, P. Alpianita, and A. A. Dermawan, “Klasifikasi Ketidakhadiran Karyawan Menggunakan Metode Algoritma Decision Tree C4.5,” JT-IBSI (Jurnal Tek. Ibnu Sina), vol. 9, no. 01, pp. 61–73, 2024, doi: 10.36352/jt-ibsi.v9i01.887. DOI: https://doi.org/10.36352/jt-ibsi.v9i01.887

[17] S. Sitohang and R. P. Tampubolon, “Pengaruh Lingkungan Kerja Terhadap Kinerja Pegawai Dinas Pemadam Kebakaran Kota Batam,” J. Mirai Manag. J. Mirai Manag., vol. 4, no. 2, pp. 233–242, 2019, doi: 10.37531/mirai.v4i2.504.

[18] A. Pratama, S. Mujiyono, and U. P. Sanjaya, “Analisis Klasifikasi Resign Karyawan dengan Random Forest,” J. Unitek, vol. 18, no. 1, pp. 2580–2582, 2025, doi: 10.52072/unitek.v18i1.1415. DOI: https://doi.org/10.52072/unitek.v18i1.1415

[19] S. Darma, Y. Yusman, and J. Hendrawan, “Analisis Data Tingkat Kehadiran Pegawai dengan Menggunakan Clustering K-Means Pada Dinas Pekerjaan Umum dan Penataan Ruang Kabupaten Langkat,” J. Minfo Polgan, vol. 13, no. 1, pp. 1106–1116, 2024, doi: 10.33395/jmp.v13i1.13958. DOI: https://doi.org/10.33395/jmp.v13i1.13958

[20] M. A. Dinata, H. Yenni, W. Agustin, and A. Aguston, “Prediksi Jumlah Titik Ruang Terbuka Hijau (RTH) Menggunakan Regresi Linier Dan Model Random Forest,” Betrik Basemah Teknol. Inf. dan Komput., vol. 16, no. 02, pp. 144–156, 2025.

[21] D. Kiswanto, F. Ramadhani, N. M. Surbakti, and N. A. Nasution, “Pengembangan dan Implementasi Sistem Deteksi Serangan DDoS Berbasis Algoritma Random Forest,” Bull. Inf. Technol., vol. 6, no. 3, pp. 247–256, 2025, doi: 10.47065/bit.v6i3.2203.

[22] S. A. Putri and R. Rachmatika, “Penerapan Algoritma Random Forest dan SMOTE untuk Prediksi Risiko Putus Sekolah Siswa Sekolah Menengah Kejuruan,” Decod. J. Pendidik. Teknol. Inf., vol. 5, no. 3, pp. 903–910, 2025, doi: 10.51454/decode.v5i3.1360. DOI: https://doi.org/10.51454/decode.v5i3.1360

[23] M. Z. Abidin, M. A. Rosid, and A. Eviyanti, “Analisis Sentimen Pengguna Aplikasi Shopee Pada Google Play Store Menggunakan Metode Random Forest,” STORAGE – J. Ilm. Tek. dan Ilmu Komput., vol. 4, no. 3, pp. 265–276, 2025, doi: 10.55123/storage.v4i3.6027. DOI: https://doi.org/10.55123/storage.v4i3.6027

[24] A. S. Lather, R. Malhotra, P. Saloni, P. Singh, and S. Mittal, “Prediction of Employee Performance using Machine Learning Techniques,” Proc. 1st Int. Conf. Adv. Inf. Sci. Syst., no. November, 2019, doi: 10.1145/3373477.3373696. DOI: https://doi.org/10.1145/3373477.3373696

[25] T. Tugino, “Analisis Data Mining Menggunakan Teknik Single Linkage Untuk Klasterisasi Key Performance (Studi Kasus Di Stmik Triguna Dharma Medan),” J. Teknol. Sist. Inf. dan Sist. Komput. TGD, vol. 3, no. 2, pp. 114–122, 2020. DOI: https://doi.org/10.53513/jsk.v3i2.2189

[26] P. Simanjuntak, C. E. Suharyanto, S. Sitohang, and K. Handoko, “Data Mining Untuk Klasifikasi Status Pandemi Covid 19,” J. Tek. Inf. dan Komput., vol. 5, no. 2, p. 327, 2022, doi: 10.37600/tekinkom.v5i2.620. DOI: https://doi.org/10.37600/tekinkom.v5i2.620

[27] D. Mayangsari and T. Wahyudi, “Classification of New Employee Selection Using the C4.5,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. January, pp. 26–34, 2025, doi: 10.57152/malcom.v5i1.1525. DOI: https://doi.org/10.57152/malcom.v5i1.1525