Institut Teknologi PLN (ITPLN) menggunakan Key Performance Indicator (KPI) untuk mengukur kinerja Pegawainya, namun pengelolaan data KPI secara konvensional menjadi tantangan tersendiri. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model klasifikasi KPI Pegawai ITPLN menggunakan algoritma Naïve Bayes Classifier. Penelitian ini dilakukan dengan pendekatan Cross-Industry Standard Process for Data Mining (CRISP-DM), yang mencakup tahapan pemahaman bisnis, pemrosesan data, pembangunan model, dan evaluasi hasil. Data yang digunakan dalam penelitian ini adalah data KPI Pegawai ITPLN tahun 2023, dengan total 275 data yang mencakup berbagai atribut kinerja. Untuk meningkatkan performa model dalam menangani data yang tidak seimbang, diterapkan teknik Synthetic Minority Oversampling Technique (SMOTE). Hasil penelitian menunjukkan bahwa model Naïve Bayes Classifier mampu mengklasifikasikan KPI Pegawai dengan tingkat akurasi sebesar 98%, yang diverifikasi menggunakan Confusion Matrix. Model ini diimplementasikan dalam aplikasi berbasis web menggunakan Streamlit, yang memungkinkan evaluasi kinerja Pegawai secara lebih efisien dan objektif.

The PLN Institute of Technology (ITPLN) uses Key Performance Indicators (KPI) to measure employee performance, but managing KPI data conventionally is a challenge in itself. Therefore, this research aims to develop a KPI classification model for ITPLN employees using the Naïve Bayes Classifier algorithm. This research was conducted using the Cross-Industry Standard Process for Data Mining (CRISP-DM) approach, which includes the stages of business understanding, data processing, model building, and results evaluation. The data used in this research is ITPLN Employee KPI data for 2023, with a total of 275 data covering various performance attributes. To improve the model's performance in handling imbalanced data, the Synthetic Minority Oversampling Technique (SMOTE) technique is applied. The research results show that the Naïve Bayes Classifier model is able to classify employee KPIs with an accuracy rate of 98%, which is verified using the Confusion Matrix. This model is implemented in a web based application using Streamlit, which allows evaluating employee performance more efficiently and objectively.