Klasterisasi Pola Kehadiran Pegawai Institut Teknologi Pagar Alam Menggunakan Algoritma K-Means

Tari Kristianda, Ferry Putrawansyah, Febriansyah Febriansyah

Abstract


Tujuan dari penelitian ini adalah untuk mengetahui klasterisasi pola kehadiran pegawai menggunakan Metode Clustering dengan algoritma K-Means di Institut Teknologi Pagar Alam. Penelitian ini dilatar belakangi dengan proses pengelolaan data kehadiran pegawai yang dilakukan masih hanya sebatas pengarsipan saja, data disimpan dalam bentuk file microsoft excel. Dari proses pengumpulan data tersebut belum adanya pengelolaan yang lebih lanjut sehingga dapat menghambat pemantauan kedisiplinan pegawai dan ketaatan dalam hal ketepatan waktu datang. Sedangkan data tersebut dinilai perlu bagi instansi untuk meningkatkan kinerja dari pegawai, untuk menentukan dan membuat kebijakan baru terhadap kinerja pegawai. Data pegawai diolah menggunakan Rapid Miner dan bahasa pemrograman Python, metode pengembangan sistem dalam penelitian ini menggunakan metode Cross Industry Standard Process for Data Mining (CRISP-DM), dimana tahapan meliputi Business Understanding, Data Understanding, Data Preparation, Modelling, Evaluation dan Deployment. Untuk metode pengujian menggunakan Elbow Method pengujian menghitung hasil dari sum of square error (SEE) dari tiap nilai K untuk mencari jumlah cluster terbaik dengan melihat hasil yang berbentuk siku. Hasil dari penelitian ini yakni pola kehadiran pegawai ditahun 2020 yaitu Cluster_0 dengan Jumlah 6 Pegawai, Cluster_1 dengan jumlah 10 pegawai, Cluster_2 dengan jumlah pegawai 9. Selanjutnya ditahun 2021 diperoleh cluster_0 sebanyak 6 pegawai, cluster_1 sebanyak 11 pegawai, dan cluster_2 sebanyak 8 pegawai. Dan ditahun 2022 diperoleh cluster_0 sebanyak 15 pegawai, cluster_1 sebanyak 8 pegawai, dan cluster_2 sebanyak 2 pegawai. Untuk hasil pengujian Elbow Method dengan perhitungan sum of square error (SEE) yaitu 1249.721. Kemudian diperoleh 3 cluster yang tepat yang berbentuk siku diantaranya cluster_0 dengan keterangan Tepat Waktu, cluster 1 dengan keterangan Sedang dan cluster 2 dengan keterangan Tidak Tepat Waktu. Maka hasil klasterisasi dengan Rapid Miner dapat dikatakan valid atau sesuai dengan pengujian menggunakan Elbow Method yang ada di Python.

Kata kunci : Clustering K-Means; CRISP-DM; Elbow Method; Rapid Miner.


Full Text:

PDF

References


K. Handoko, “Penerapan Data Mining Dalam Meningkatkan Mutu Pembelajaran Pada Instansi Perguruan Tinggi Menggunakan Metode K - Means Clustering ( Studi Kasus Di Program Studi Tkj Akademi Komunitas Solok Selatan ),†vol. 02, no. 03, pp. 31–40, 2016.

J. Informasi, W. Robiansyah, and G. W. Nurcahyo, “Akurasi Pemberian Insentif Menggunakan Algoritma K-Medoids Terhadap Tingkat Kedisiplinan Pegawai,†vol. 3, 2021, doi: 10.37034/jidt.v3i3.125.

N. F. Adani et al., “Implementasi Data Mining Untuk Pengelompokan Data Penjualan Berdasarkan Pola Pembelian Menggunakan Algoritma K-Means Clustering Pada Toko Syihan,†no. x, pp. 1–11, 2019.

I. Kusdinar, “Penerapan K-Means Clustering Untuk Penentuan Keputusan Pegawai Teladan Dan Berpotensiphk Bedasarkan Data,†Vol. 6, No. 1, Pp. 1–9, 2019.

S. Informasi Et Al., “Implementation Of Employee Discipline Clustering At Gotting Sidodadi Village Office Bandar Pasir Mandoge Using K-Means Kantor Desa Gotting Sidodadi Bandar Pasir Mandoge Menggunakan Algoritma K-Means,†vol. 3, no. 2, pp. 295–304, 2022.

M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,†vol. 5, no. 2, 2021.


Refbacks

  • There are currently no refbacks.