PERBANDINGAN ALGORITMA KNN, DECISION TREE,*DAN RANDOM*FOREST PADA DATA IMBALANCED CLASS UNTUK KLASIFIKASI PROMOSI KARYAWAN

Abstract

Di era big data, promosi karyawan dapat dilakukan dengan menggunakan algoritma machine learning yang akan mengklasifikasikan dan memprediksi data secara cepat dan konsisten. Pada penelitian ini dilakukan proses klasifikasi dengan algoritma machine learning, diantaranya*K-Nearest Neighbor (KNN),*Decision Tree dan*Random Forest. Penelitian bertujuan untuk menganalisa performa model machine learning pada data klasifikasi*karyawan,*data yang*digunakan pada penelitian*ini merupakan data imbalanced class sehingga dilakukan teknik Synthetic Minority Over-Sampling Technique (SMOTE). Berdasarkan hasil uji coba, algoritma KNN merupakan algoritma yang memiliki performa terbaik dan tidak mengalami underfitting, maupun overfitting. Kata kunci: Decision Tree, KNN, Machine Learning, Random Forest, SMOTE