KOMPARASI PERFORMA SELEKSI FITUR METODE WRAPPER DAN FILTER DALAM PREDIKSI PENERIMAAN PEGAWAI
Penulis Utama
:
Lutfiana Arifah
NIM / NIP
:
M0519057
×<p>Rekrutmen pegawai merupakan proses krusial yang mempengaruhi kesuksesan
perusahaan. Namun, perusahaan menghadapi tantangan dalam menyeleksi jumlah
pelamar yang besar. Penelitian ini mengusulkan penggunaan machine learning
dalam mengolah data pelamar untuk memprediksi penerimaan pegawai pada tahap
seleksi awal (screening). Meskipun penelitian terkait sudah banyak dilakukan
sebelumnya, namun masih jarang yang menerapkan seleksi fitur dalam model
klasifikasi. Penelitian ini memberikan kontribusi dengan melakukan perbandingan
seleksi fitur wrapper (Forward Selection, Backward Elimination) dan filter (Mutual
Information, Fisher Score) dalam mengoptimalkan klasifikasi Random Forest
untuk prediksi penerimaan pegawai. Hasil penelitian menunjukkan bahwa keempat
metode seleksi fitur berhasil meningkatkan performa model Random Forest
dibandingkan tanpa seleksi fitur, dan Backward Elimination terbukti sebagai
metode seleksi fitur paling efektif yang menghasilkan akurasi tertinggi sebesar
89,46%. Analisis feature importance berhasil mengidentifikasi faktor-faktor
penting dalam penerimaan pegawai yang meliputi Tingkat Pendidikan, Umur,
Jurusan, IPK, Provinsi Domisili, Kabupaten Domisili, Pengalaman Kerja, Tes
Bahasa Asing, Pelatihan, dan Keterampilan.</p>
×
Penulis Utama
:
Lutfiana Arifah
Penulis Tambahan
:
-
NIM / NIP
:
M0519057
Tahun
:
2025
Judul
:
KOMPARASI PERFORMA SELEKSI FITUR METODE WRAPPER DAN FILTER DALAM PREDIKSI PENERIMAAN PEGAWAI
Edisi
:
Imprint
:
Surakarta - Fak. Teknologi Informasi dan Sains Data - 2025
Program Studi
:
S-1 Informatika
Kolasi
:
Sumber
:
Kata Kunci
:
Random Forest, Seleksi Fitur, Rekrutmen, Prediksi Penerimaan Pegawai, Educational Data Mining
Jenis Dokumen
:
Skripsi
ISSN
:
ISBN
:
Link DOI / Jurnal
:
-
Link DOI
:
-
Status
:
Public
Pembimbing
:
1. Haryono Setiadi, ST., M.Eng 2. Prof. Dr. Wiharto, S.T., M.Kom.
