Klasifikasi Kinerja Programmer pada Aktivitas Media Sosial dengan Metode Support Vector Machines

Abstract

Abstrak Peningkatan kebutuhan software di berbagai perusahaan terus meningkat. Kualitas software yang dibutuhkan harus memiliki nilai manfaat yang tinggi bagi perusahaan. Kesalahan dalam perekrutan programmer berakibat fatal terhadap kualitas software yang dihasilkan. Perekrutan profesi ini harus dilakukan dengan prosedur yang benar. Meningkatnya penggunaan media sosial dapat dijadikan sebagai salah satu metode perekrutan kandidat profesional karena sebelumnya belum banyak menyentuh aspek ini. Media sosial telah merekam aktivitas digital yang dilakukan oleh kandidat programmer dalam bentuk data posting sebagai pola kinerja mereka. Tujuan dari penelitian ini adalah menemukan pola kinerja baik atau buruknya programmer dengan cara melakukan klasifikasi berdasarkan postingan media sosial. Penelitian ini berupa implementasi dari metode SVM yang digunakan sebagai sistem klasifikasi otomatis. Hasil penelitian menunjukan persentase akurasi dengan k=10 cross-validation untuk algoritma SVM mencapai angka tertinggi 85,1%, sehingga metode ini dianggap cukup baik dalam melakukan klasifikasi. Kata kunci: support vector machines, klasifikasi, kinerja, media sosial, programmer Abstract Increasing software requirements in various companies continue to increase. The quality of the software needed must have a high value for the company. Error in recruiting programmers is fatal to the quality of the software produced. Recruitment of this profession must be carried out with the right procedures. The increasing use of social media can be used as a method of recruiting professional candidates because previously it has not touched this aspect. Social media has recorded digital activities carried out by prospective programmers in the form of posting data as a pattern of their performance. The purpose of this research is to find the pattern of good or bad performance of the programmer by classification based on social media posts. This research is an implementation of the SVM method which is used as an automatic classification system. The results showed the percentage of accuracy with k = 10 cross-validation for the SVM algorithm reached the highest rate of 85.1%, so this method is considered quite good in doing classification.