Analisis Pola Peningkatan Indeks Profesionalitas ASN Kabupaten Asahan Menggunakan Random Forest Dan Gradient Boosting Machines
Article Metrics
Abstract view : 330 timesAbstract
Penelitian ini bertujuan untuk menganalisis pola peningkatan Indeks Profesionalitas Aparatur Sipil Negara (ASN) Kabupaten Asahan menggunakan metode machine learning, khususnya Random Forest dan Gradient Boosting Machines (GBM). Tujuan spesifik penelitian meliputi identifikasi faktor-faktor yang mempengaruhi Indeks Profesionalitas ASN, perbandingan efektivitas kedua metode machine learning tersebut, dan perumusan rekomendasi strategis untuk peningkatan Indeks Profesionalitas ASN di Kabupaten Asahan.
Penelitian menggunakan pendekatan kuantitatif dengan menganalisis dataset yang berisi 5.308 baris data capaian Indeks Profesionalitas ASN Kabupaten Asahan tahun 2022. Analisis dilakukan dengan menerapkan dua metode machine learning, yaitu Random Forest dan Gradient Boosting Machines, untuk mengidentifikasi feature importance dan memprediksi nilai Indeks Profesionalitas ASN. Evaluasi model dilakukan menggunakan metrik R² Score dan RMSE (Root Mean Squared Error), serta dilengkapi dengan analisis gap untuk menilai kesenjangan antara capaian aktual dan target pada setiap dimensi Indeks Profesionalitas ASN.
Hasil penelitian menunjukkan bahwa dimensi Kompetensi menjadi faktor utama yang belum mencapai target dengan gap sebesar 15,47%,. Analisis feature importance mengungkapkan bahwa Jabatan Pelaksana merupakan faktor paling dominan yang mempengaruhi Indeks Profesionalitas ASN, dengan kontribusi 57,50% pada model Random Forest dan 61,36% pada model GBM. Model GBM menunjukkan performa yang sedikit lebih baik dengan nilai R² Score 0,6761 dan RMSE 4,1923 dibandingkan Random Forest dengan nilai R² Score 0,6466 dan RMSE 4,3791. Simulasi peningkatan dimensi Kompetensi ke nilai target menghasilkan proyeksi kenaikan total Indeks Profesionalitas ASN menjadi 77,36, jauh melampaui target 65. Berdasarkan temuan tersebut, direkomendasikan program pengembangan kompetensi yang terdiri dari Diklat Kepemimpinan untuk 621 pegawai struktural, Diklat Fungsional untuk 3.489 pegawai fungsional, Diklat Teknis untuk 2.005 pegawai, dan Workshop/Seminar untuk 1.118 pegawai pelaksana
References
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794. https://doi.org/10.1145/2939672.2939785
Creswell, J. W., & Creswell, J. D. (2018). Research design: Qualitative, quantitative, and mixed methods approaches (5th ed.). Sage Publications.
Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. The Annals of Statistics, 29(5), 1189-1232. https://doi.org/10.1214/aos/1013203451
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer.
Ho, T. K. (1995). Random decision forests. Proceedings of the 3rd International Conference on Document Analysis and Recognition, 1, 278-282.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning with applications in R. Springer.
Kearns, M., & Valiant, L. (1994). Cryptographic limitations on learning boolean formulae and finite automata. Journal of the ACM, 41(1), 67-95.
Kementerian Pendayagunaan Aparatur Negara dan Reformasi Birokrasi (KemenPAN-RB). (2018). Peraturan Menteri Pendayagunaan Aparatur Negara dan Reformasi Birokrasi Nomor 38 Tahun 2018 tentang Pengukuran Indeks Profesionalitas Aparatur Sipil Negara. KemenPAN-RB.
Liaw, A., & Wiener, M. (2002). Classification and regression by randomForest. R News, 2(3), 18-22.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... & Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825-2830.
Rahmawati, D., Sari, I. P., & Nugroho, A. (2021). Prediksi kinerja aparatur sipil negara menggunakan algoritma random forest. Jurnal Teknologi Informasi dan Ilmu Komputer, 8(4), 765-772. https://doi.org/10.25126/jtiik.2021842536
Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197-227. https://doi.org/10.1007/BF00116037
Sutrisno, A., & Wibowo, E. (2020). Implementasi machine learning untuk analisis kinerja pegawai di sektor publik. Jurnal Sistem Informasi, 12(3), 45-56.
Widodo, S., & Sutopo, H. (2022). Analisis kepuasan kerja pegawai pemerintah menggunakan gradient boosting machine. Jurnal Manajemen Sumber Daya Manusia, 15(2), 134-145.
Zhou, Z. H. (2012). Ensemble methods: Foundations and algorithms. Chapman and Hall/CRC.
Copyright (c) 2025 Syahlan Ismail, Muhammad Iqbal, Rian Farta Wijaya
This work is licensed under a Creative Commons Attribution 4.0 International License.
