Publisher

NINETYJOURNALNINETYJOURNAL

Journal Jurnal Kecerdasan Buatan dan Teknologi InformasiJurnal Kecerdasan Buatan dan Teknologi Informasi Abstract

OKR (Objectives and Key Results) merupakan kerangka kerja yang digunakan untuk menetapkan dan memantau tujuan serta hasil kunci yang ingin dicapai oleh suatu organisasi. Penilaian dilakukan secara berkala untuk mengukur kemajuan dan efektivitas OKR dalam mencapai tujuan yang telah ditentukan. Dalam penelitian ini, data sintetis digunakan untuk memprediksi kinerja karyawan. Data tersebut dihasilkan menggunakan metode faker dari library Python, dengan mengacu pada data asli. Machine learning, sebagai bagian dari kecerdasan buatan, memungkinkan sistem untuk belajar secara otomatis dan meningkatkan performanya berdasarkan pengalaman tanpa perlu pemrograman eksplisit. Algoritma Decision Tree diterapkan dalam penelitian ini untuk melakukan klasifikasi dan regresi. Tujuan penelitian ini adalah memprediksi kinerja karyawan dengan label cukup, baik, memuaskan, dan sangat memuaskan. Hasil penelitian menunjukkan bahwa algoritma Decision Tree mampu membangun pohon keputusan yang efektif dalam memprediksi kategori kinerja karyawan dengan akurasi mencapai 95%. Selain itu, nilai Macro Average untuk precision dan recall masing-masing adalah 0,75, sedangkan F1-Score mencapai 0,77. Adapun nilai Weighted Average untuk F1-Score juga sebesar 0,77. Kesimpulannya, algoritma Decision Tree terbukti efektif dalam evaluasi kinerja karyawan.

Conclusion

Penelitian ini berhasil mengimplementasikan pembuatan data sintetis dengan library Python Faker dan algoritma Decision Tree untuk memprediksi kinerja karyawan, menghasilkan akurasi 95% serta precision, recall, dan F1‑Score masing‑masing 0,75‑0,77.Analisis confusion matrix menunjukkan model unggul dalam mengklasifikasikan kelas Baik, Cukup, dan Kurang, namun masih mengalami kesulitan pada kelas Memuaskan dan Sangat Memuaskan.Hasil ini menegaskan bahwa Decision Tree efektif dalam evaluasi kinerja karyawan dan dapat diintegrasikan dengan kerangka OKR untuk sistem penilaian yang lebih akurat.

Future Research

Pertama, dilakukan studi komparatif dengan menggunakan algoritma pembelajaran mesin lain seperti Random Forest dan Gradient Boosting pada data OKR sintetis untuk mengevaluasi apakah akurasi pada kelas Memuaskan dan Sangat Memuaskan dapat ditingkatkan. Kedua, penelitian lanjutan dapat mengumpulkan data kinerja riil dari organisasi selama periode waktu yang lebih lama, kemudian menguji generalisasi model Decision Tree pada data nyata serta memeriksa bagaimana perubahan OKR sepanjang waktu memengaruhi prediksi. Ketiga, dikembangkan sebuah alat visualisasi interpretatif yang mengaitkan tiap keputusan pada pohon dengan metrik OKR spesifik, sehingga manajer dapat memahami faktor-faktor utama yang memengaruhi penilaian kinerja dan mengambil keputusan perbaikan yang lebih terinformasi.

References

1. Tahapan Desain dan Implementasi Model Machine Learning untuk Sistem Tertanam | Ultima Computing : Jurnal... doi.org/10.31937/sk.v12i2.1782Tahapan Desain dan Implementasi Model Machine Learning untuk Sistem Tertanam Ultima Computing Jurnal doi 10 31937 sk v12i2 1782
2. IMPLEMENTASI ALGORITMA DECISION TREE UNTUK KLASIFIKASI PRODUK LARIS | Jurnal Ilmiah Ilmu Komputer Fakultas... doi.org/10.35329/jiik.v7i2.203IMPLEMENTASI ALGORITMA DECISION TREE UNTUK KLASIFIKASI PRODUK LARIS Jurnal Ilmiah Ilmu Komputer Fakultas doi 10 35329 jiik v7i2 203
3. DOI Name 10.69916 Values. name values index type timestamp data admin handle delete modify list serv... doi.org/10.69916DOI Name 10 69916 Values name values index type timestamp data admin handle delete modify list serv doi 10 69916

Subjects

1. #algoritma decision tree#algoritma decision tree

Metadata

File size	631.95 KB
Pages	12
DMCA	ReportReport