Klasifikasi Kinerja Programmer pada Aktivitas Media Sosial dengan Metode Stochastic Gradient Descent

Rusydi Umar, Imam Riadi, Purwono Purwono

Abstract

Kegagalan perusahaan pemula berbasis teknologi (startup) di Indonesia diakibatkan oleh kurang solidnya kinerja tim serta banyaknya kesalahan dalam proses rekrutmen programmer. Kemajuan pesat dalam budaya bermedia sosial dapat dimanfaatkan sebagai salah satu metode untuk memperoleh kandidat programmer terbaik dalam startup. Metode perekrutan yang digunakan dapat berupa melakukan proses klasifikasi konten media sosial kandidat programmer. Klasifikasi tersebut diharapkan dapat menemukan pola kinerja kandidat programmer, dengan hasil baik atau buruk. Metode klasifikasi yang dapat digunakan salah satunya adalah Stochastic Gardient Descent (SGD). Hasil klasifikasi menunjukkan nilai akurasi sebesar 80%, nilai precission 81% dan nilai recall 80%.

Keywords

klasifikasi; stochastic gradient descent; kinerja; programmer; startup;

Article Metrics

Abstract view : 80 times
PDF view : 74 times

Full Text:

PDF

References

Daftar Pustaka

M. Arya, R. Ferdiana, and S. Fauziyati, “Analisis Faktor Keberhasilan Startup Digital di Yogyakarta,” in Jurnal.Umk.Ac.Id, 2017, vol. 4, no. 1, pp. 167–173.

M. D. K. Perdani, Widyawan, and P. I. Santoso, “Faktor-faktor yang mempengaruhi pertumbuhan startup di yogyakarta,” in Seminar Nasional Teknologi Informasi dan Komunikasi 2018, 2018, vol. 2018, no. Sentika, pp. 23–24.

T. Koch, C. Gerber, and J. J. De Klerk, “The impact of social media on recruitment: Are you Linkedin?,” SA J. Hum. Resour. Manag., vol. 16, pp. 1–14, 2018.

C. Tu, Z. Liu, H. Luan, and M. Sun, “PRISM: Profession identification in social media,” ACM Trans. Intell. Syst. Technol., vol. 8, no. 6, 2017.

R. Umar, I. Riadi, and Purwono, “Perbandingan Metode SVM, RF dan SGD untuk Penentuan Model Klasifikasi Kinerja Programmer pada Aktivitas Media Sosial,” RESTI, vol. 4, no. 2, pp. 329–335, 2020.

N. D. Hoang and H. T. Nguyen, “A stochastic gradient descent logistic regression software program for civil engineering data classification developed in .NET framework,” DTU J. Sci. Technol., no. June, 2019.

I. Oktanisa and A. A. Supianto, “Perbandingan Teknik Klasifikasi Dalam Data Mining Untuk Bank Direct Marketing,” Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, pp. 567–576, 2018.

A. Handayanto, K. Latifa, N. D. Saputro, and R. R. Waliyansyah, “Analisis dan Penerapan Algoritma Support Vector Machine ( SVM ) dalam Data Mining untuk Menunjang Strategi Promosi ( Analysis and Application of Algorithm Support Vector Machine ( SVM ) in Data Mining to Support Promotional Strategies ),” JUITA J. Inform., vol. 7, no. November, pp. 71–79, 2019.

A. T. J. Harjanta, “Preprocessing Text untuk Meminimalisir Kata yang Tidak Berarti dalam Proses Text Mining,” Inform. UPGRIS, vol. 1, pp. 1–9, 2015.

A. T. Jaka, “Preprocessing Text untuk Meminimalisir Kata yang Tidak Berarti dalam Proses Text Mining,” Inform. UPGRIS, vol. 1, pp. 1–9, 2015.

A. Alajmi and E. mostafa Saad, “Toward an ARABIC Stop-Words List Generation Toward an ARABIC Stop-Words List Generation,” no. January 2012, 2018.

A. F. Zulfikar, “Pengembangan Algoritma Stemming Bahasa Indonesia dengan Pendekatan Dictionary Base Stemming untuk Menentukan Kata Dasar dari Kata yang Berimbuhan,” J. Inform. Univ. Pamulang, vol. 2, no. 3, p. 143, 2017.

B. Herwijayanti, D. E. Ratnawati, and L. Muflikhah, “Klasifikasi Berita Online dengan menggunakan Pembobotan TF-IDF dan Cosine Similarity,” Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 1, pp. 306–312, 2018.

R. Melita et al., “(Tf-Idf) Dan Cosine Similarity Pada Sistem Temu Kembali Informasi Untuk Mengetahui Syarah Hadits Berbasis Web ( Studi Kasus : Syarah Umdatil Ahkam ),” vol. 11, no. 2, 2018.

A. A. A. Putra, “Implementasi Text Summarization Menggunakan Metode Vector Space Model Pada Artikel Berita Berbahasa Indonesia,” Universitas Komputer Indonesia, 2018.

N. K. Widyasanti, I. K. G. D. Putra, and N. K. D. Rusjayanthi, “Seleksi Fitur Bobot Kata dengan Metode TF-IDF untuk Ringkasan Bahasa Indonesia,” Merpati, vol. 6, no. 2, pp. 119–126, 2018.

P. Nakkiran et al., “SGD on Neural Networks Learns Functions of Increasing Complexity,” 2019, no. NeurIPS, pp. 1–11.

A. S. Ritonga and E. S. Purwaningsih, “Penerapan Metode Support Vector Machine ( SVM ) Dalam Klasifikasi Kualitas Pengelasan Smaw ( Shield Metal Arc Welding ),” Ilm. Edutic, vol. 5, no. 1, pp. 17–25, 2018.

D. Iskandar and Y. K. Suprapto, “Perbandingan Akurasi Klasifikasi Tingkat,” J. Ilm. NERO, vol. 2, no. 1, pp. 37–43, 2015.

T. H. Apandi, C. A. Sugianto, and C. R. Service, “Algoritma Naive Bayes untuk Prediksi Kepuasan Pelayanan Perekaman e-KTP ( Naive Bayes Algorithm for Satisfaction Prediction of e-ID,” JUITA J. Inform., vol. 7, no. November, pp. 125–128, 2019.

S. Asiyah and K. Fithriasari, “Klasifikasi Berita Online Menggunakan Metode Support Vector Machine Dan K-Nearest Neighbor,” J. Sains dan Seni ITS, vol. 5, no. 2, 2016.

Refbacks

  • There are currently no refbacks.