Lubis, Anna Carelina (2026) PENGEMBANGAN DASHBOARD ABSENSI DAN PENILAIAN KPI DISIPLIN KARYAWAN MENGGUNAKAN ALGORITMA XGBOOST PADA CLIENT PROSESIN.ID. S1 thesis, Universitas Mercu Buana Jakarta- Menteng.
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (COVER)
41522010105-Anna Carelina Lubis-01 Cover - ANNA CARELINA LUBIS.pdf Download (546kB) |
|
Text (BAB 1)
41522010105-Anna Carelina Lubis-02 Bab 1 - ANNA CARELINA LUBIS.pdf Restricted to Registered users only Download (102kB) |
|
Text (BAB 2)
41522010105-Anna Carelina Lubis-03 Bab 2 - ANNA CARELINA LUBIS.pdf Restricted to Registered users only Download (223kB) |
|
Text (BAB 3)
41522010105-Anna Carelina Lubis-04 Bab 3 - ANNA CARELINA LUBIS.pdf Restricted to Registered users only Download (497kB) |
|
Text (BAB 4)
41522010105-Anna Carelina Lubis-05 Bab 4 - ANNA CARELINA LUBIS.pdf Restricted to Registered users only Download (558kB) |
|
Text (BAB 5)
41522010105-Anna Carelina Lubis-06 Bab 5 - ANNA CARELINA LUBIS.pdf Restricted to Registered users only Download (35kB) |
|
Text (DAFTAR PUSTAKA)
41522010105-Anna Carelina Lubis-08 Daftar Pustaka - ANNA CARELINA LUBIS.pdf Restricted to Registered users only Download (167kB) |
|
Text (LAMPIRAN)
41522010105-Anna Carelina Lubis-09 Lampiran - ANNA CARELINA LUBIS.pdf Restricted to Registered users only Download (757kB) |
Abstract
Proses absensi di Prosesin.id masih dilakukan melalui grup WhatsApp dan direkap secara manual sehingga berisiko menimbulkan keterlambatan, kesalahan pencatatan, serta penilaian disiplin yang kurang terintegrasi. Penelitian ini bertujuan mengembangkan dashboard absensi dan penilaian Key Performance Indicator (KPI) disiplin karyawan dengan klasifikasi XGBoost. Landasan penelitian meliputi manajemen sumber daya manusia, absensi digital, disiplin kerja, KPI, dashboard, machine learning, XGBoost, dan Decision Support System, didukung kajian terdahulu mengenai digitalisasi absensi serta analitik prediktif. Penelitian menggunakan mixed methods dengan pendekatan Research and Development dan model Prototype. Data dikumpulkan melalui observasi, wawancara, studi dokumen, serta 24.000 rekaman absensi periode 2023–2025 dari 800 karyawan. Data diagregasi menjadi delapan fitur dan empat kategori disiplin, yaitu Baik, Cukup, Buruk, dan Sangat Buruk. XGBoost pada pembagian data 70:30 menghasilkan akurasi 89,58%, macro precision 0,8950, macro recall 0,9081, dan macro F1-score 0,9007. Meskipun Random Forest memperoleh akurasi tertinggi sebesar 92,92%, XGBoost dipilih karena efisien dan sesuai untuk integrasi sistem. Dashboard berhasil menyajikan monitoring absensi, KPI, probabilitas prediksi, rekomendasi tindakan HR, tindak lanjut, dan ekspor laporan. Sistem mendukung evaluasi disiplin yang lebih cepat, transparan, terstruktur, dan berbasis data.
| Item Type: | Thesis (S1) |
|---|---|
| NIM/NIDN Creators: | 41522010105 |
| Uncontrolled Keywords: | dashboard absensi, KPI disiplin, XGBoost, machine learning, HR analytics. |
| Subjects: | 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika |
| Divisions: | Fakultas Ilmu Komputer > Informatika |
| Depositing User: | ZAHRA AULIA FEBRIANI |
| Date Deposited: | 22 Sep 2026 02:06 |
| Last Modified: | 22 Sep 2026 02:06 |
| URI: | http://repository.mercubuana.ac.id/id/eprint/104019 |
Actions (login required)
 |
View Item |
