Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pemerintah Kota Bogor merupakan salah satu bagian dari Pemerintah Provinsi Jawa Barat yang memiliki jumlah pegawai lebih dari 9000 orang. Pengelolaan kepegawaian dilakukan oleh Badan Kepegawaian Pendidikan dan Pelatihan Kota Bogor (BKPP). BKPP membentuk tim Badan Pertimbangan Jabatan dan Kepangkatan (Baperjakat) dalam tugas pengangkatan, pemindahan dan pemberhentian PNS dalam dan dari jabatan struktural Eselon IIA ke bawah. Baperjakat mengalami masalah dalam menyusun calon pejabat struktural yang selama ini dilakukan secara manual, meskipun sudah memiliki aplikasi Sistem Informasi Manajemen Kepegawaian (SIMPEG) sebagai aplikasi pengelolaan kepegawaian. Penelitian ini melakukan identifikasi pola pengisian jabatan struktural di lingkungan Pemerintah Kota Bogor dengan menggunakan data jabatan struktural tahun 2009 hingga 2013 yang bersumber dari basis data SIMPEG. Berbagai algoritma data mining dari teknik classification diujicobakan untuk mengidentifikasi pola pengisian jabatan struktural. Dari hasil classification, algoritma Classification Rule with Unbiased Interaction Selection and Estimation (CRUISE) menjadi algoritma terbaik dalam akurasi class eselon dengan tingkat akurasi rata-rata sebesar 95,7% untuk setiap tingkat eselon. Pola yang dihasilkan dapat menjadi rules yang akan diimplementasikan sebagai modul baru dalam aplikasi SIMPEG yang berfungsi memberikan usulan dalam pengisian jabatan struktural yang ditempatkan secara otomatis. Urutan atribut yang secara dominan muncul pada setiap tingkat eselon adalah atribut jenjang jabatan, pangkat golongan, pendidikan dan pelatihan, tingkat pendidikan, masa kerja, pengalaman dalam unit kerja, serta umur.

---

Bogor District Government is a part of West Java Province Government, which employs more than 9,000 employees. The human resources are managed by human resources and training division that is called Badan Kepegawaian Pendidikan dan Pelatihan (BKPP). BKPP form a team called Badan Pertimbangan Jabatan dan Kepangkatan (Baperjakat), who are responsible for promoting, rotating and dismissing local government employees from structural positions below the Echelon IIA positions. Baperjakat have problems on constructing the draft of structural government positions. These processes were done manually, even though BKPP have a human resources information systems called SIMPEG.

The main purpose of this research is to identify patterns of filling structural positions at Bogor Local Government using the structural position data from 2009 to 2013. The data were taken from the SIMPEG database. Various data mining classification algorithms were tested to identify filling structural position patterns.

The classification process yields Classification Rule with Unbiased Interaction Selection and Estimation (CRUISE) as the best algorithm in echelon class. Its average accuracy is 95.7% for each echelon level.

The discovered patterns can be applied as base rules that will be implemented as new modules of SIMPEG. These new modules can provide suggestions for automatically filling structural positions. The order of attributes, which dominantly show at each echelon, are hierarchy type, class rank, training education, level of education, working period, experience within division and age."

"Badan Pertimbangan Jabatan dan Golongan (BPJG) merupakan badan yang dibentuk untuk menjamin objektivitas dan kualitas proses pengangkatan, pemindahan dan pemberhentian pejabat struktural unit kerja di BP Batam. Dalam pelaksanaan tugasnya, BPJG menggunakan sistem Human Resource Management (HRM) untuk mendukung proses seleksi calon pejabat, namun sistem HRM ini belum dapat menghasilkan daftar calon yang memenuhi syarat untuk diseleksi menjadi pejabat struktural secara otomatis. Tujuan dari penelitian ini adalah untuk menemukan pola pengisian daftar calon pejabat struktural BP Batam berdasarkan data riwayat jabatan yang ada di sistem HRM (2010-2020) menggunakan teknik data mining, sehingga diharapkan dapat mempercepat proses penyusunan daftar calon pejabat struktural BP Batam oleh BPJG dan dapat digunakan untuk mengembangkan fitur dashboard talent pool pegawai BP Batam. Tahapan penelitian ini dilakukan menggunakan metodologi CRISP-DM dan tiga algoritme data mining klasifikasi yaitu Decision Tree, Support Vector Machine (SVM), dan Naive Bayes. Model klasifikasi Decision Tree menghasilkan performa terbaik pada dua skenario eksperimen yang dilakukan, yaitu skenario class imbalanced dataset dan skenario class balanced dataset. Model klasifikasi Decision Tree menghasilkan 25 pola pengisian jabatan struktural di BP Batam dan atribut Golongan BP merupakan atribut yang paling menentukan untuk memprediksi suatu tingkat jabatan.

---

Badan Pertimbangan Jabatan dan Golongan (BPJG) was formed to guarantee the objectivity and quality process of promotion, mutation and dismissal structural official at BP Batam. BPJG uses the Human Resource Management (HRM) system to support the selection process for prospective officials, however this system unable to automatically produce a list of candidates who meet the requirements to be selected as official. The objective of this research is to find patterns in filling the list of candidates for structural officials based on historical data in the HRM system using data mining techniques, so it will accelerate the process of compiling a list of candidates for structural officials by BPJG and also it can help BP Batam to develop employee talent pool feature for HRM. This research were carried out using the CRISP-DM methodology and three classification algorithms namely Decision Tree, SVM, and Naive Bayes. The Decision Tree classification model yields the best performance in the two experimental scenarios, namely the class imbalanced dataset and the class balanced dataset. The Decision Tree classification model yields 25 patterns for filling the list of candidates for structural officials and Golongan BP attribute is the most decisive attribute for predicting a position level. "

"Kabupaten Pangkajene dan Kepulauan Pangkep merupakan daerah yang berada pada wilayah Provinsi Sulawesi Selatan. Pengelolaan pegawai negeri sipil PNS lingkup pemerintah Kabupaten Pangkep dilakukan oleh Badan Kepegawaian Pendidikan dan Pelatihan Daerah BKPPD Kabupaten Pangkep. BKPPD Kabupaten Pangkep memberikan layanan kepada pegawai mulai dari perekrutan, penempatan, mutasi, pendidikan dan pelatihan, kedisiplinan, pemberhentian, dan pensiun. BKPPD dalam melakukan mutasi masih mengalami kesulitan dalam menentukan pegawai yang sebaiknya dipindahkan karena tidak adanya pola yang menjadi acuan. Penelitian ini bertujuan untuk mendapatkan pola mutasi dengan menggunakan data mining mengacu pada metodologi CRISP-DM berdasarkan data riwayat mutasi pada sistem aplikasi layanan kepegawaian SAPK . Teknik klasifikasi dengan algoritme Decision Tree, Na ve Bayes, dan Support Vector Machine SVM diterapkan pada data riwayat mutasi untuk mengetahui algoritme terbaik.Algoritme yang memiliki tingkat akurasi paling baik yaitu decision tree dengan nilai sebesar 72,76 . Pola mutasi dapat diimplementasikan oleh BKPPD untuk merancang dokumen redistribusi pegawai lingkup Pemerintah Kabupaten Pangkep.

---

Pangkajene and Kepulauan Pangkep District is an area located in South Sulawesi Province. The management of civil servants PNS scope of government of Pangkep District is done by Regional Civil Servants, Education, and Training BKPPD of Pangkep District. BKPPD provides services to civil servants ranging from recruitment, placement, transfer, education and training, discipline, dismissal, and retirement. BKPPD in conducting mutations still have difficulty in determining which civil servants should be moved because of the absence of a reference pattern.

This study aims to obtain mutation patterns using data mining refers to the CRISP-DM methodology based on historical data on the employment service application system SAPK . Classification techniques with Decision Tree, Na ve Bayes, and Support Vector Machine SVM algorithms are applied to the mutation history data to find the best algorithm.Algorithm that has the best accuracy is the decision tree with a value of 72,76 . The mutation pattern can be implemented by BKPPD to design the redistribution document of Pangkep District Government civil servants."

"Direktorat Pembinaan Kursus dan Pelatihan memberikan layanan kursus dan pelatihan untuk meningkatkan kualitas hidup manusia Indonesia. Layanan kursus dan pelatihan diselenggarakan oleh lembaga pendidikan yang memenuhi syarat dalam bentuk program Pendidikan Kecakapan Kerja (PKK) dan Pendidikan Kecakapan Wirausaha (PKW). Dalam pelaksanaannya, banyak lembaga yang terlambat dalam menyampaikan laporan pertanggungjawaban (LPJ) hingga melewati akhir tahun anggaran. Hal tersebut dapat menyebabkan timbulnya potensi temuan dalam proses audit keuangan yang perlu ditindaklanjuti. Proses tindak lanjut temuan BPK membutuhkan sumber daya dalam bentuk dana, waktu, dan tenaga yang tidak sedikit. Salah satu upaya untuk mengurangi jumlah lembaga yang berisiko terlambat dalam menyampaikan LPJ adalah dengan mengembangkan model klasifikasi kelayakan lembaga penerima dana bantuan dengan menggunakan teknik data mining. Dalam penelitian ini, teknik data mining yang digunakan adalah classification dengan algoritme decision tree, naive bayes, deep neural network dan logistic regression. Hasil penelitian menunjukkan bahwa model yang dihasilkan oleh algoritme logistic regression dari dataset hasil oversampling memiliki nilai MCC (Matthews correlation coefficient) yang paling tinggi di antara model-model lainnya.

---

The Directorate of Courses and Training Development provides course and training services to improve the quality of human life in Indonesia. These services are organized by qualified training providers in the form of Lifeskills for Work Education (PKK) and Lifeskills for Entrepreneurship Education (PKW) programme. In the implementation, many training providers are delayed in delivering accountability reports (LPJ) to the end of the year. This can lead to potential findings in the process of financial audits that need to be followed up. The follow-up process requires resources in the form of funds, time, and human resources.

One of the efforts to reduce the number of training providers at risk of delay in delivering LPJ is to develop a model of training providers worthiness classification using data mining techniques. The research utilized classification technique employing decision tree, naive bayes, deep neural network and logistic regression algorithm. The result showed us that model generated by the logistic regression algorithm from the oversampled dataset had the highest MCC (Matthews correlation coefficient) value among the other models."

"Tingginya jumlah peserta seleksi beasiswa yang tidak lulus, menyebabkan tidak efisiennya penyelenggaraan kegiatan seleksi beasiswa di LPDP. Berdasarkan data hasil seleksi beasiswa, terlihat bahwa persentase kelulusan peserta sangat rendah tiap tahunnya. Pada tahun 2013 proporsi yang tidak lulus seleksi sebesar 54%, sedangkan pada tahun 2014 dan tahun 2015 meningkat menjadi 85% dan 71%. Secara keseluruhan, terdapat 74% pendaftar beasiswa LPDP yang tidak lulus seleksi beasiswa dari tahun 2013 hingga tahun 2015. Hal ini menyebabkan tingginya biaya yang dikeluarkan untuk pelaksanaan seleksi. Jika LPDP bisa memprediksi peluang kelulusan peserta, maka biaya tersebut bisa dikurangi. Teknik klasifikasi pada data mining merupakan teknik yang tepat untuk permasalahan ini. Metodologi yang digunakan dalam penelitian ini adalah knowledge discovery in databases (KDD). Metodologi ini terdiri dari 5 (lima) langkah, yaitu selection, preprocessing, transformation, data mining, dan interpretation / evaluation. Dataset bersumber dari data formulir pendaftaran beasiswa dan hasil wawancara. Proses pemodelan menggunakan software Rapid Miner dan algoritma decision tree. Model yang dihasilkan dievaluasi menggunakan k-fold cross validation. Hasil penelitian ini yaitu LPDP dapat memprediksi peluang kelulusan peserta seleksi.

---

The high number of participants who did not pass the scholarship selection, leading to inefficient operation of the selection of scholarship in the LPDP. Based on data from scholarship selection results, it appears that a very low percentage of graduation of each year. In 2013 the proportion who were not selected by 54%, whereas in 2014 and 2015 increased to 85% and 71%. Overall, there is a 74% LPDP scholarship applicants who did not pass the selection of scholarship from 2013 to 2015. This led to high costs incurred for the implementation of the selection. If LPDP can predict the chances of graduation participants, the cost can be reduced. Classification techniques in data mining is a technique that is appropriate for this problem.

The methodology used in this study is a knowledge discovery in databases (KDD). This methodology consists of five (5) steps, namely selection, preprocessing, transformation, data mining, and interpretation / evaluation. Dataset data sourced from the scholarship application form and interview. Process modeling using software Rapid Miner and decision tree algorithm. The resulting model was evaluated using the k-fold cross validation. Results of this study are LPDP can predict the chances of graduation of the selection."

"Focuses on data mining theory and applications. This title intends to introduce some of the developments to a broad audience of both specialists and non-specialists in this field."

"Pengembangan karier merupakan salah satu aspek dalam pelaksanaan sistem merit, yang juga merupakan bagian dari delapan area perubahan pada Grand Design Reformasi Birokrasi 2010-2025. Komisi Aparatur Sipil Negara (KASN) menyebutkan bahwa banyak instansi pemerintah yang kesulitan dalam melaksanakan aspek pengembangan karier ini. Dari hasil wawancara, hal ini pun terjadi di Badan Kepegawaian Daerah (BKD) Provinsi Kalimantan Selatan. Penelitian ini mengusulkan pemanfaatan data mining dalam penyusunan rencana pengembangan karier pegawai negeri sipil (PNS) dengan berbasis pada metodologi CRISP-DM (Cross-Industry Standard Process for Data Mining). Penelitian ini memodelkan analisis kesenjangan kompetensi dan kinerja dengan melakukan eksperimen menggunakan class imbalance maupun class balance data set. Dari hasil evaluasi didapatkan algoritma SVM (Support Vector Machine) sebagai model terbaik pada masing-masing analisis dan skenario. Dari hasil analisis yang dilakukan dengan memetakan kelompok kesenjangan kompetensi-kinerja dalam bentuk Human Asset Value Matrix yang diadaptasi dari General Electric-McKinsey Nine-box Grid, dapat disusun rencana pengembangan karier PNS secara lengkap mulai dari rekomendasi promosi jabatan, informasi kebutuhan diklat, hingga hukuman disiplin. Selain dapat memberikan rekomendasi pengembangan karier PNS, hasil penelitian ini juga dapat memberikan informasi kompetensi maupun jabatan yang akan dikembangkan.

---

Career development is one aspect of implementing the merit system, which is also part of the eight areas of change in the Grand Design for Bureaucratic Reform 2010-2025. The State Civil Apparatus Commission (KASN) stated that many government agencies had difficulties in implementing this aspect of career development. From the results of the interview, this also happened in the Regional Personnel Agency (BKD) of South Kalimantan Province. This study proposes the use of data mining in the preparation of career development plans for civil servants (PNS) based on the CRISP-DM (Cross-Industry Standard Process for Data Mining) methodology. This study models the competency and performance gap analysis by conducting experiments using class imbalance and class balance data sets. From the evaluation results, the SVM (Support Vector Machine) algorithm is obtained as the best model for each analysis and scenario. From the results of the analysis conducted by mapping the competency-performance gap groups in the form of the Human Asset Value Matrix adapted from the General Electric-McKinsey Nine-box Grid, a complete career development plan for civil servants can be drawn up starting from recommendations for promotions, information on training needs, to penalties. discipline. Besides being able to provide recommendations for career development for civil servants, the results of this study can also provide information on competencies and positions to be developed."

"Saat ini credit scoring calon nasabah produk Kreasi Pegadaian masih menggunakan scorecard konvensional berupa pembobotan pertanyaan. Model credit scoring tersebut dibangun berdasarkan pengalaman pakar (expert scorecard) dan kemungkinan ada unsur subjektivitas dalam penilaian kelayakan kredit. Untuk mengatasi masalah tersebut, penelitian ini membangun model credit scoring dengan pendekatan data mining menggunakan data riwayat kredit nasabah produk Kreasi (data driven scoring) menggunakan algoritma klasifikasi, diantaranya: support vector machine (SVM), naïve bayes, decision tree dan neural network. Pengembangan model dilakukan dengan menggunakan metodologi CRISP-DM (The Cross Industry Standard Process for Data Mining). Model dibangun dengan kriteria tanpa penggunaan feature selection dan dengan feature selection. Teknik SMOTE (Synthetic Minority Over Sampling Technique) dan Oversampling dipilih untuk menyeimbangkan class data. Dari hasil evaluasi kinerja model menunjukan model SVM dengan feature selection dan penyeimbangan class menggunakan teknik Oversampling dipilih sebagai model dengan kinerja terbaik.

---

Currently, the credit worthiness of Pegadaian prospective customers still uses a conventional scorecard in the form of weighting questions. The model is built based on expert experience which is called expert scorecard. There might be an element of subjectivity in credit assessment. To resolve that problem, in this research data mining classification techniques are used to build credit scoring models. There are four classification algorithms, namely SVM (Support Vector Machine), Naïve Bayes, Decision Tree and Neural Network as a classification algorithm. Modelling uses the historical customer credit data of Pegadaian Kreasi product. CRISP-DM (The Cross Industry Standard Process for Data Mining) is used as a development methodology. Modeling is done with two criteria, by considering the use of feature selection and without feature selection. The SMOTE (Synthetic Minority Over Sampling Technique) and Oversampling techniques are chosen to balance the class data. The result of this research shows the SVM model with feature selection and data balancing using the Oversampling technique was chosen as the model with the best performance."

"Summary:Equips you with an understanding and application of the theory and practice of discovering patterns hidden in large data sets. This title focuses on important topics in the field: data warehouses and data cube technology, mining stream, mining social networks, and mining spatial, multimedia and other complex data."