SKRIPSI NATASYA LEXBERT SUMEISEY

• NATASYA LEXBERT SUMEISEY
• 2025

---

Klasifikasi ketidakhadiran karyawan merupakan salah satu tantangan penting dalam
manajemen sumber daya manusia. Support Vector Machine (SVM) telah terbukti
efektif dalam berbagai tugas klasifikasi, namun performanya sangat bergantung pada
pemilihan hyperparameter yang tepat. Penelitian ini bertujuan untuk mengoptimasi
performa SVM melalui tuning hyperparameter menggunakan Orange Data Mining
untuk meningkatkan akurasi klasifikasi penyebab ketidakhadiran karyawan. Metode
yang digunakan meliputi eksplorasi berbagai kombinasi hyperparameter SVM, seperti
kernel (linear, RBF, polynomial, sigmoid), nilai C (regularisasi), dan gamma untuk
menemukan konfigurasi optimal. Dataset ketidakhadiran karyawan diolah dan
dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil
eksperimen menunjukkan bahwa tuning hyperparameter secara signifikan
meningkatkan performa model SVM dengan akurasi terbaik sebesar 0.911, presisi
0.903, recall 0.911, dan F1 score sebesar 0.878 pada kernel RBF dengan validasi
silang pada nilai K=10. Temuan ini membuktikan bahwa penggunaan Orange Data
Mining sebagai tools visual memudahkan proses tuning hyperparameter, sekaligus
meningkatkan kemampuan prediktif model dalam mengidentifikasi pola
ketidakhadiran karyawan. Implikasi penelitian ini dapat mendukung pengambilan
keputusan dalam mengurangi tingkat absensi melalui analisis data yang lebih akurat.
Kata Kunci: Support Vector Machine, Hyperparameter Tuning, Klasifikasi,
Ketidakhadiran Karyawan, Orange Data Mining

• Support Vector Machine

https://repository.bsi.ac.id/repo/72766/SKRIPSI-NATASYA-LEXBERT-SUMEISEY
File full-text dikunci.