Klasifikasi Absensi Pegawai Kantor Pusat Universitas Sebelas Maret Menggunakan Naive Bayes Untuk Optimalisasi Sistem Penggajian
DOI:
https://doi.org/10.47701/dthkdn20Keywords:
sistem absensi otomatis, klasifikasi kedisiplinan, Naïve Bayes, manajemen SDMAbstract
Sistem absensi pegawai sebagai komponen kritis dalam manajemen SDM di lingkungan pendidikan seperti Universitas Sebelas Maret masih menghadapi tantangan berupa ketidakefektifan sistem manual berbasis Excel yang rentan terhadap kesalahan input, manipulasi data, dan keterlambatan rekapitulasi. Penelitian ini mengembangkan solusi berbasis algoritma Naïve Bayes untuk mengklasifikasikan tingkat kedisiplinan pegawai (disiplin, toleransi, tidak disiplin) melalui tahapan pengumpulan data, verifikasi, validasi, dan integrasi dengan sistem penggajian. Algoritma Naïve Bayes dipilih karena keunggulannya dalam klasifikasi probabilistik yang cepat dan akurat. Implementasi sistem ini didukung oleh teori manajemen absensi, penggajian terkomputerisasi, dan efektivitas Naïve Bayes, yang secara signifikan meningkatkan akurasi, kecepatan, dan objektivitas pengelolaan absensi. Temuan penelitian menunjukkan pembagian kategori proporsional: Disiplin (0-26.7%), Toleransi (26.8-53.5%), dan Tidak Disiplin (53.6-81%). Sistem ini tidak hanya mengotomatisasi proses absensi tetapi juga memperkuat transparansi dan keadilan kebijakan SDM, sekaligus merekomendasikan integrasi variabel kinerja dan pengembangan fitur real-time untuk penelitian selanjutnya.
References
[1] Kurnia, F., & Nurainun, N. (2022). Rancang Bangun Sistem Absensi Di Upt Pengawasan Mutu Dan Keamanan Pangan. Jurnal Ilmiah Rekayasa Dan Manajemen Sistem Informasi, 8(2), 169-179.
[2] Supriyanta, S., Supriadi, D., & Susanto, B. (2022). Perancangan sistem informasi penggajian karyawan dengan metode waterfall. Indonesian Journal Computer Science, 1(1), 1-6.
[3] Nugroho, A., & Religia, Y. (2021). Analisis Optimasi Algoritma Klasifikasi Naive Bayes menggunakan Genetic Algorithm dan Bagging. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 5(3), 504-510.
[4] Darwis, D., Siskawati, N., & Abidin, Z. (2021). Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter Bmkg Nasional. Jurnal Tekno Kompak, 15(1), 131-145.
[5] Wattimena, S., Silahooy, M., Muhrim, S. A., & Far, J. D. C. F. (2025). Analisis Dan Optimalisasi Sistem Penggajian Pada Umkm Pisang Tongka Langit Berdasarkan Sistem Informasi Akuntansi. Jurnal Tagalaya Pengabdian Kepada Masyarakat, 2(1), 71-76.
[6] Fridayanthie, E. W., Haryanto, H., & Tsabitah, T. (2021). Penerapan metode prototype pada perancangan sistem informasi penggajian karyawan (persis gawan) berbasis web. Jurnal Khatulistiwa Informatika, 23(2), 472897.
[7] Renaningtias, N., & Apriliani, D. (2021). Penerapan metode prototype pada pengembangan sistem informasi tugas akhir mahasiswa. Rekursif: Jurnal Informatika, 9(1).
[8] Ichwani, A., Anwar, N., Karsono, K., & Alrifqi, M. (2021). Sistem Informasi Penjualan Berbasis Website dengan Pendekatan Metode Prototype. Prosiding Sisfotek, 5(1), 1-6.
[9] Dewi, N. R., Hartati, R. S., & Divayana, Y. (2021). Penerapan Metode Prototype dalam Perancangan Sistem Informasi Penerimaan Karyawan Berbasis Website pada Berlian Agency. Maj. Ilm. Teknol. Elektro, 20(1), 147.
[10] Pranoto, S., Sutiono, S., & Nasution, D. (2024). Penerapan UML Dalam Perancangan Sistem Informasi Pelaporan Dan Evaluasi Pembangunan Pada Bagian Administrasi Pembangunan Sekretariat Daerah Kota Tebing Tinggi. Surplus: Jurnal Ekonomi dan Bisnis, 2(2), 384-401.
[11] J. Padhye, V. Firoiu, and D. Towsley, “A stochastic model of TCP Reno congestion avoidance and control,” Univ. of Massachusetts, Amherst, MA, CMPSCI Tech. Rep. 99-02, 1999.
[12] Wireless LAN Medium Access Control (MAC) and Physical Layer (PHY) Specification, IEEE Std. 802.11, 1
