PENINGKATAN PERFORMA NAIVE BAYES (NB) BERBASIS PARTICLE SWARM OPTIMIZATION (PSO) UNTUK KLASIFIKASI PENENTU PENERIMAAN KARYAWAN

Abstrak

Karyawan merupakan unsur yang penting yang berperan bagi kesuksesan perusahaan menghasilkan sumber daya akan tetapi perlu diperoleh untuk melewati proses perekrutan yang sesuai. proses pemilihan karyawan amat dibutuhkan supaya kegiatan dalam melengkapi kriteria dan standar mutu untuk kepentingan terlaksananya sebuah target perusahaan.Oleh karena itu, perusahaan mebutuhkan informasi yang benar. Kemudian  manfaat untuk memperoleh calon karyawan yang dibutuhkan dengan kondisi perusahaan. Metode pembobotan dapat digunakan untuk mengatasi independensi atribut dalam algoritma NB. Nilai penelitian menunjukkan bahwa model Naive Bayes(NB) dan Particle Swarm Optimization (PSO), hasilnya accuracy lebih besar yaitu 94,10%, dibandingkan dengan model Naive Bayes 91,45%. Penelitian ini membuktikan bahwa ketika menggunakan Particle Swarm Optimization (PSO) memiliki accuracy yang lebih besar. Dengan begitu, ini bisa dijadikan model untuk diterapkan pada kasus lain, dengan dataset dan atribut yang lebih lengkap.