Perancangan Model Sistem Pendukung Keputusan Untuk Menentukan Formasi CASN Menggunakan Naïve Bayes dan Simple Additive Weighting

Wahyu Cesar; Riki Ramdani Saputra; Gandung Triyono

doi:10.51454/decode.v4i1.260

Authors

Wahyu Cesar Program Studi Ilmu Komputer Universitas Budi Luhur
Riki Ramdani Saputra Program Studi Ilmu Komputer Universitas Budi Luhur
Gandung Triyono Program Studi Sistem Informasi Universitas Budi Luhur

DOI:

https://doi.org/10.51454/decode.v4i1.260

Keywords:

e-formasi, naive bayes, simple additive weighting, sistem pendukung keputusan

Abstract

Di era reformasi birokrasi, pengelolaan manajemen Aparatur Sipil Negara (ASN) menjadi satu hal penting karena dapat mendorong efisiensi anggaran serta memaksimalkan kinerja dan layanan pemerintah. Salah satu penyebab belum optimalnya kinerja ASN hingga saat ini yaitu belum tepatnya penempatan formasi penerimaan pegawai CASN yang disebabkan belum adanya sistem pendukung keputusan yang digunakan oleh biro kepegawaian pada instansi pemerintah pada saat menentukan formasi CASN berdasarkan pada analisa kebutuhan pegawai dari setiap unit kerja. Oleh sebab itu kebijakan pemerintah melalui Surat kementrian PANRB Nomor: B-2156/M.PAN.RB/5/2014 terkait optimalisasi kebutuhan ASN, diperlukan analisa penyusunan kebutuhan formasi CASN dari setiap instansi pemerintah menggunakan e-Formasi. Dalam mendukung kebijakan pemerintah tersebut, tujuan penelitian ini adalah membuat model sistem pendukung keputusan untuk membantu instansi pemerintah dalam menganalisa kebutuhan formasi CASN dengan metode Naïve Bayes Classifier dan Simple Additive Weighting (SAW). Model algoritma Naïve Bayes Classifier yang menghasilkan nilai akurasi 94,44%. SAW digunakan untuk meranking unit kerja prioritas yang sangat membutuhkan formasi pegawai. Hasil penelitian ini dari sebuah model sistem pendukung keputusan dengan kombinasi algortima Naïve Bayes dan SAW didapatkan kelas dan alternatif A7, A8, A9, A4, dan A6 yang merupakan top 5 unit kerja prioritas yang paling membutuhkan pegawai CASN.

References

Adriana, S. (2022). Problematika perampingan jabatan aparatur sipil negara menuju perampingan birokrasi. Jurnal SULTAN : Riset Hukum Tatanegara, 1(1), 11-20. https://doi.org/10.35905/sultanhtn.v1i1.3178

Cesar, W., Saputra, R. R., & Wibowo, A. (2023). Klasterisasi Kepadatan Pegawai Dengan Metode K-Means Untuk Prediksi Kebutuhan CASN Instansi Pemerintah. Jurnal Teknik Informatika Dan Sistem Informasi, 10(2), 340-354.

Dewi, P. S., Sastradipraja, C. K., & Gustian, D. (2021). Sistem Pendukung Keputusan Kenaikan Jabatan Menggunakan Metode Algoritma Naïve Bayes Classifier. Jurnal Teknologi Dan Informasi, 11(1), 66-80. https://doi.org/10.34010/jati.v11i1.3593

Fitriyani, M. R., Kurniawan, D., Kartubi, & Tristiyanto. (2016). Sistem Pendukung Keputusan Kenaikan Jabatan Aparatur Sipil Negara Struktural Dengan Metode SAW. Jurnal Komputasi, 4(2), 94-101.

Frindo, M. M. (2018). Sistem Penunjang Keputusan dalam Evaluasi Kinerja Karyawan Menggunakan Metode SAW pada PT. Sierad Produce. Jurnal Informatika Universitas Pamulang, 3(1), 13-19. https://doi.org/10.32493/informatika.v3i1.1424

Ghaniy, R., & Sihotang, K. (2019). Penerapan Metode Naïve Bayes Classifier Untuk Penentuan Topik Tugas Akhir Pada Website Perpustakaan STIKOM Binaniaga. Jurnal Ilmiah Teknologi - Informasi Dan Sains (TeknoIS), 9(1), 63-72. https://doi.org/10.36350/jbs.v9i1.7

Katharina, R. (2018). Reformasi Manajemen Aparatur Sipil Negara: Evaluasi Peran Pejabat Pembina Kepegawaian dan Komisi Aparatur Sipil Negara. Spirit Publik: Jurnal Administrasi Publik, 13(2), 1-15. https://doi.org/10.20961/sp.v13i2.24864

Kawani, G. P. (2019). Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. Journal of Informatics, Information System, Software Engineering and Applications (INISTA), 1(2), 73-81. https://doi.org/10.20895/inista.v1i2.73

Melani, A. A., & Bachtiar, L. (2022). Analisis Sistem Pendukung Keputusan Dalam Rekomendasi Kenaikan Pangkat PNS Menggunakan Kombinasi Metode TOPSIS dan SAW. Jurnal Sistem Komputer Dan Informatika (JSON) 4(2), 245-253. https://doi.org/10.30865/json.v4i2.4471

Moonallika, P. S. C., Fredlina, K. Q., & Sudiatmika, I. B. K. (2020). Penerapan Data Mining Untuk Memprediksi Kelulusan Mahasiswa Menggunakan Algoritma Naive Bayes Classifier ( Studi Kasus STMIK Primakara ). Progresif: Jurnal Ilmiah Komputer, 16(1), 47-56.

Putra, A. H., Sarimole, F. M., Iskandar, D., & Arinal, V. (2022). Implementasi Metode SAW Dalam Menentukan Supplier Terbaik Pada CV. Bina Usaha Mandiri. Jurnal Teknologi Informasi, 8(1), 6-11. https://doi.org/10.52643/jti.v8i1.1616

Ridwan, A. (2020). Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus. Jurnal SISKOM-KB (Sistem Komputer Dan Kecerdasan Buatan), 4(1), 15-21. https://doi.org/10.47970/siskom-kb.v4i1.169

Safitri, L. (2016). Implementasi Kebijakan E-Formasi SDM Aparatur dalam Rekrutmen Pegawai di Pemerintah Kota Surabaya. Kebijakan Dan Manajemen Publik, 4(1), 1-11.

Syarli, & Muin, A. A. (2016). Metode Naive Bayes Untuk Prediksi Kelulusan. Jurnal Ilmiah Ilmu Komputer, 2(1), 22-26.

Wijaya, A. E., Bani, R., Sukarni, S., & Weighting, S. A. (2019). Penerapan Data Mining Pada Penjualan Barang Menggunakan Metode Naive Bayes Classifier Untuk Optimasi Strategi Pemasaran. Jurnal Teknologi Informasi Dan Komunikasi STMIK Subang, Oktober 2019 ISSN: 2252-4517, April, 100-110.

Yendra, R., Marifni, L., & Suryani, I. (2020). Klasifikasi Data Mining Untuk Seleksi Penerimaan Calon Pegawai Negeri Sipil Tahun 2017 Menggunakan Metode Naïve Bayes. Jurnal Sains Matematika Dan Statistika, 6(1), 65-78. https://doi.org/10.24014/jsms.v6i1.9254