Perbandingan Algoritma Gaussian Naïve Bayes dan K-Nearest Neighbor dalam Klasifikasi Dataset Employee Turnover
DOI:
https://doi.org/10.33005/santika.v6i1.1288Keywords:
employee turnover, klasifikasi, gaussian naïve bayes, k-nearest neighbor, standardscalerAbstract
Employee Turnover merupakan permasalahan penting bagi perusahaan karena berdampak pada peningkatan biaya rekrutmen dan pelatihan serta penurunan produktivitas. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Gaussian Naïve Bayes dan K-Nearest Neighbor (KNN) dalam klasifikasi dataset employee turnover, serta menganalisis pengaruh teknik normalisasi dan standarisasi terhadap performa model. Dataset yang digunakan berasal dari Kaggle dengan total 9.540 data karyawan periode 2016-2020. Tahapan penelitian meliputi preprocessing data, penyeimbangan kelas menggunakan Synthetic Minority Over Sampling Technique (SMOTE), ektraksi fitur dengan Principal Component Analysis (PCA), serta optimasi parameter menggunakan GridSearchCV. Evaluasi dilakukan menggunakan Confusion Matrix dengan metrik akurasi, precision, recall, dan F1-Score. Hasil penelitian menunjukkan bahwa K-Nearest Neighbor (KNN) memiliki performa lebih baik dibandingkan Gaussian Naïve Bayes. Pada skema terbaik dengan standarisasi menggunakan StandardScaler, KNN mencapai akurasi sebesar 85,46%, precision 81%, recall 92%, dan F1-Score 86%. Sementara itu, Gaussian Naïve Bayes hanya mencapai akurasi sebesar 67,18%, precision 63%, recall 81%, dan F1-Score 71%. Penggunaan StandardScaler terbukti lebih optimal dibandingkan Min-Max Scaler pada kedua algoritma, pada KNN akurasi meningkat dari 80,47% menjadi 85,46%, sedangkan pada Gaussian Naïve Bayes meningkat dari 55,86% menjadi 67,18%.
References
M. Miftahurrohman and M. Munifah, “Dampak Turnover Pegawai Terhadap Kinerja Organisasi Perguruan Tinggi di Jawa Tengah,” Jurnal Bisnis Kreatif dan Inovatif, vol. 1, no. 2, pp. 100–110, 2024.
Y. N. Rumbia et al., “Perbandingan Metode KNN dan Naive Bayes untuk Klasifikasi Kelulusan Mahasiswa Pada Mata Kuliah Probstat,” JURNAL PTI (PENDIDIKAN DAN TEKNOLOGI INFORMASI) FAKULTAS KEGURUAN ILMU PENDIDIKAN UNIVERSITA PUTRA INDONESIA" YPTK" PADANG, pp. 7–13, 2025.
H. Cahyaningrum, D. Arifianto, and G. Abdurrahman, “Analisis Perbandingan Metode K Nearest Neighbor Dan Gaussian Naive Bayes Pada Klasifikasi Jurusan Siswa (Studi Kasus pada Siswa SMA Muhammadiyah 3 Jember),” Jurnal Smart Teknologi, vol. 3, no. 3, pp. 261–266, 2022.
A. R. Pratama, F. Wabula, H. Ilmandry, M. L. Isabela, M. Raharjo, and R. Sianipar, “Literature Review The Impact of Machine Learning in Modern Industries,” Nian Tana Sikka: Jurnal ilmiah Mahasiswa, vol. 3, no. 1, pp. 177–182, 2025.
R. J. Woodman and A. A. Mangoni, “A comprehensive review of machine learning algorithms and their application in geriatric medicine: present and future,” Aging clinical and experimental research, vol. 35, no. 11, pp. 2363–2397, 2023.
K. Isyara and A. Kurniasih, “Penggunaan Metode SMOTE pada Naï ve Bayes Gaussian untuk Klasifikasi Mahasiswa Drop Out,” in Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya, 2023, pp. 616–623.
A. Lubis, Y. Irawan, J. Junadhi, and S. Defit, “Leveraging K-Nearest Neighbors with SMOTE and boosting techniques for data imbalance and accuracy improvement,” Journal of Applied Data Sciences, vol. 5, no. 4, pp. 1625–1638, 2024.
M. Kumar and V. Bhardwaj, “Evaluating label encoding and preprocessing techniques for breast cancer prediction using machine learning algorithms,” International Journal of Computational Intelligence Systems, vol. 18, no. 1, p. 218, 2025.
N. H. Fadhil, A. M. Mosa, and I. S. Abdulsaheed, “Principal Component Analysis for Feature Extraction,” Vital Annex: International Journal of Novel Research in Advanced Sciences (2751-756X), vol. 3, no. 3, pp. 100–103, 2024.
E. Elhaik, “Principal Component Analyses (PCA)-based findings in population genetic studies are highly biased and must be reevaluated,” Scientific reports, vol. 12, no. 1, p. 14683, 2022.
R. Arifudin, S. Subhan, and Y. N. Ifriza, “Student Adaptability Level Optimization using GridsearchCV with Gaussian Naive Bayes and K-Nearest Neighbor Methods as an Effort to Improve Online Education Predictions,” Jurnal Nasional Pendidikan Teknik Informatika: JANAPATI, vol. 14, no. 2, 2025.
A. D. Putri, K. I. Nahampun, P. Ritonga, and I. Andre, “PENERAPAN METODE NAIVE BAYES UNTUK MEMPREDIKSI HASIL BELAJAR PESERTA DIDIK ‘STUDI KASUS SD SWASTA METHODIST-1 RANTAUPRAPAT,’” Journal Computer Science and Information Technology (JCoInT), vol. 5, no. 2, pp. 238–248, 2024.
I. As’ ad, “Advancing healthcare diagnostics: a study on gaussian naive bayes classification of blood samples,” International Journal of Artificial Intelligence in Medical Issues, vol. 1, no. 2, pp. 115–123, 2023.
M. R. Saputra and P. Parjito, “Analisis sentimen twitter terhadap konflik di papua menggunakan perbandingan naive bayes dan svm,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 10, no. 2, pp. 1197–1208, 2025.
N. U. Nia, L. I. Lemi, and D. F. B. Dwi, “Implementation of Machine Learning Based on the K-Nearest Neighbor (KNN) Algorithm in Elderly Activities in Nursing Homes,” JUPITER: Jurnal Penelitian Ilmu dan Teknologi Komputer, vol. 17, no. 2, pp. 811–820, 2025.
J. C. Obi, “A comparative study of several classification metrics and their performances on data,” World Journal of Advanced Engineering Technology and Sciences, vol. 8, no. 1, pp. 308–314, 2023.
