Analisis Produktivitas Tenaga Kerja dengan Menggunakan Regression Tree dan Classification C50
DOI:
https://doi.org/10.37631/jri.v7i1.1227Keywords:
Produktivitas tenaga kerja, Regression Tree, Klasifikasi C50, Machine LearningAbstract
Peningkatan produktivitas tenaga kerja merupakan salah satu masalah utama yang dihadapi banyak pelaku bisnis. Dalam upaya mengatasi masalah ini, penelitian sebelumnya telah memberikan berbagai pemahaman dan solusi terkait masalah tersebut. Berbeda dengan penelitian sebelumnya, artikel ini mengusulkan suatu framework metodologi untuk melakukan analisis produktivitas tenaga kerja dengan menggunakan teknik machine learning melalui dua macam keperluan yaitu regresi dan klasifikasi dengan tujuan agar hasil yang diperoleh lebih komprehensif dan dapat dengan mudah diinterpretasikan sebagai saran manajemen dengan tetap mencapai akurasi prediksi yang relatif baik. Sebagai ilustrasi penggunaan dari framework yang diusulkan tersebut, algoritma Regression Tree dipilih untuk keperluan regresi dan algoritma Classification C50 dipilih untuk keperluan klasifikasi, bahasa pemrograman R dalam RStudio digunakan sebagai alat untuk menjalankan framework, dan diaplikasikan dengan suatu data sekunder produktivitas tenaga kerja.
References
Adeniji, O. D., Adeyemi, S. O., & Ajagbe, S. A. (2022). An improved bagging ensemble in predicting mental disorder using hybridized random forest-artificial neural network model. Informatica, 46(4).
Al Imran, A., Amin, M. N., Rifat, M. R. I., & Mehreen, S. (2019, April). Deep neural network approach for predicting the productivity of garment employees. In 2019 6th International Conference on Control, Decision and Information Technologies (CoDIT) (pp. 1402-1407). IEEE.
Aristizabal, S., Byun, K., Wood, N., Mullan, A. F., Porter, P. M., Campanella, C., Jamrozik, A., Nenadic, I. Z., & Bauer, B. A. (2021). The Feasibility of Wearable and Self-Report Stress Detection Measures in a Semi-Controlled Lab Environment. IEEE Access, 9, 102053–102068. https://doi.org/10.1109/ACCESS.2021.3097038
Benediktus, N., & Oetama, R. S. (2020). The decision tree c5. 0 classification algorithm for predicting student academic performance. Ultimatics: Jurnal Teknik Informatika, 12(1), 14-19.
Breiman, L., Friedman, J., Stone, C. J., & Olshen, R. A. (1984). Classification and regression trees. CRC press.
De Salvio, D., Bianco, M. J., Gerstoft, P., D'Orazio, D., & Garai, M. (2023). Blind source separation by long-term monitoring: A variational autoencoder to validate the clustering analysis. The Journal of the Acoustical Society of America, 153(1), 738-750.
De Silva, T. R. S., Dayananda, K. Y., Arachchi, R. G., Amerasekara, M. K. S. B., Silva, S., & Gamage, N. (2022, December). Solution to Measure Employee Productivity with Employee Emotion Detection. In 2022 4th International Conference on Advancements in Computing (ICAC) (pp. 210-215). IEEE.
Fadli, S., Ashari, M., Studi Sistem Informasi, P., & Lombok, S. (2021). JISA (Jurnal Informatika dan Sains) Optimization of Support Vector Machine Method Using Feature Selection to Improve Classification Results.
Gu, J. (2022). Image Model and Algorithm of Human Resource Optimal Configuration Based on FPGA and Microsystem Analysis. Wireless Communications and Mobile Computing, 2022. https://doi.org/10.1155/2022/7911419
Kemnaker, S. (2022). Ketenagakerjaan dalam Data (Edisi 6). Jakarta: Satu Data Ketenagakerjaan.
https://satudata.kemnaker.go.id/publikasi/90.
Obiedat, R., & Toubasi, S. (2022). A Combined Approach for Predicting Employees’ Productivity based on Ensemble Machine Learning Methods. Informatica (Slovenia), 46(5), 49–58. https://doi.org/10.31449/inf.v46i5.3839
Prabawati, N. I., & Ajie, H. (2019). Kinerja Algoritma Classification And Regression Tree (Cart) dalam Mengklasifikasikan Lama Masa Studi Mahasiswa yang Mengikuti Organisasi di Universitas Negeri Jakarta. PINTER: Jurnal Pendidikan Teknik Informatika dan Komputer, 3(2), 139-145.
Razali, M. N., Ibrahim, N., Hanapi, R., Zamri, N. M., & Manaf, S. A. (2023). Exploring Employee Working Productivity: Initial Insights from Machine Learning Predictive Analytics and Visualization. Journal of Computing Research and Innovation (JCRINN, 8(2), 1–10. https://doi.org/10.24191/jcrinn.v8i2.362
Sabuj, H. H., Nuha, N. S., Gomes, P. R., Lameesa, A., & Alam, M. A. (2022, December). Interpretable Garment Workers’ Productivity Prediction in Bangladesh Using Machine Learning Algorithms and Explainable AI. In 2022 25th International Conference on Computer and Information Technology (ICCIT) (pp. 236-241). IEEE.
Saxena, S., Deogaonkar, A., Pais, R., & Pais, R. (2023). Workplace Productivity Through Employee Sentiment Analysis Using Machine Learning. International Journal of Professional Business Review: Int. J. Prof. Bus. Rev., 8(4), 14.
Sungheetha, A., & Sharma R, R. (2021). A Comparative Machine Learning Study on IT Sector Edge Nearer to Working From Home (WFH) Contract Category for Improving Productivity. Journal of Artificial Intelligence and Capsule Networks, 2(4), 217–225. https://doi.org/10.36548/jaicn.2020.4.004
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Valentine Andreas Manurung, The Jin Ai
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License
