Perbandingan Klasifikasi Hasil Indeks Kepuasan Masyarakat Terhadap Upt Balai Latihan Kerja Surabaya Menggunakan Algoritma Decision Tree, Random Forest, K-Nearest Neighbor

Abstract

Abstrak – Pelaksanaan evaluasi hasil indeks kepuasan masyarakat terhadap UPT Balai Latihan Kerja Surabaya yang dilakukan dengan cara memberikan kuisioner kepada masyarakat dan perserta pelatihan yang ada di UPT Balai Latihan Kerja Surabaya, kemudian berkas kuisioner diserahkan kepada pihak Staff Pengembangan dan Pemasaran.. Akan tetapi hasil kuisioner yang seharusnya diberikan kepada kepala UPT Balai Latihan Kerja Surabaya sebagai bahan evaluasi UPT Balai Latihan Kerja Surabaya sering kali hanya terbengkalai dan tidak diproses lebih lanjut olehUPT Balai Latihan Kerja Surabaya. Sehingga evaluasi kuisioner khususnya pada sarana prasarana melalui selembaran kertas bisa dianggap tidak efektif dan tidak sesuai sasaran.Untuk mengatasi permasalah diatas penulis memberikan alternatif denga ncaramemanfaatkan ilmu yang diperoleh selama perkuliahan dengan menggunakan teknik data mining untuk memprediksi tingkat kepuasan masyarakat menggunakan metode perbandingan 3 algoritma yaitu DecisionTree, RandomForest, K-Nearest Neighbor. Klasifikasi merupakanTeknik dalam data mining untuk mengklompokkan data berdasarkan data  terhadap data sampel.Pada penelitian ini,penulis melakukan perbandingan 3 teknik klasifikasi untuk mengklasifikasikan respon kepuasan masyarakat pada dataset UPT Balai Latihan Kerja Surabaya.Perbandingan teknik klasifikasi ini dilakukan untuk mengetahui model dalam teknik klasifikasi mana yang paling efektif untuk mengklasifikasikan target pada dataset UPT Balai Latihan Kerja Surabaya.Proses klasifikasi diawali dengan preprocessing data untuk melakukan penghilangan missing value danpemilihan fitur pada dataset. Pada tahap evaluasi digunakkan teknik confusion matrix dan Kfold crossvalidation. Setelah dilakukan pengujian, didapatkanbahwa hasil klasifikasi menunjukan akurasi terbaikdiperoleh oleh model Random Forest memperoleh accuracy1.00,DecisionTree memperoleh accuracy 0.91,danK-NearestNeighbor 0.94.

KataKunci: Perbandingan,Klasifikasi,datamining, Decision Tree, Random Forest, K-NearestNeighbor