Analisis Klasterisasi Penilaian Kinerja Pegawai Menggunakan Metode Fuzzy C-Means (Studi Kasus : Pengadilan Tinggi Agama bandar lampung)
Abstract
Data mining merupakan teknik pengolahan Data dalam jumlah besar untuk pengelompokan. Teknik data mining mempunyai beberapa metode dalam mengelompokan salah satunya tekn ik yang dipakai penulis saat ini adalah Fuzzy C-means. dalam hal ini penulis akan mengelompokan Penilaian kinerja pegawai bertujuan untuk mengevaluasi kinerja pegawai dan pemberian apresiasi terhadap pegawai Yang memiliki kinerja baik, guna meningkatkan semangat pegawai dalam bekerja. Penilian kinerja pegawai dilakukan dengan menjumlahkan nilai tiap kriteria penilaian dan menggunakan standar nilai untuk menentukan nilai akhir. Pada penelitian ini penelitian kinerja pegawai yang digunakan adalah nilai perilaku yaitu nilai orientasi, nilai integritas, nilai komitmen, nilai kedisiplinan dan nilai kerjasama. Nilai tersebut diolah dengan menggunakan metode Fuzzy C-Means (FCM) dengan tools aplikasi matlab sehingga menghasilkan sejumlah kelompok karyawan yang memiliki standar penilaian bersifat dinamis. Penetapan nilai yang di peroleh pegawai didasarkan pada pengurutan pusat cluster hasil pengolahan total nilai pegawai menggunakan FCM. Pada Penelitian ini berhasil dikelompokan pegawai dengan kelompok pegawai yang termasuk sangat baik, baik, cukup, kurang dan buruk. Dari hasil analisis pengelompokan FCM dengan 5 cluster dengan 35x iterasi diperoleh fungsi objektif sebesar 111.949781. Dimana kelompok pertama terdiri dari 940 pegawai, klaster ke dua 692 pegawai, kelompok 23 pegawai , kelompok ke empat terdiri dari 8 pegawai dan kelompok ke lima terdiri dari 17 pegawai. Dari hasil centroid ini telah dianalisa bahwa rata-rata nilai pegawai memiliki nilai sangat baik pada fitur nilai komitmen dan nilai kesidipilinan. Hal ini dapat menjadi pola bahwa seorang pegawai dikatakan layak untuk mendapatkan reward ketika nilai komitmen dan nilai kedisiplinan sangat baik.
Keywords
Full Text:
PDFReferences
Afifah, N., Rini, D. C., & Lubab, A. (2016). Pengklasteran lahan sawah di Indonesia sebagai evaluasi ketersediaan produksi pangan menggunakan fuzzy C-Means. Jurnal Matematika Mantik, 2(1), 40–45.
Ahmad, I., Sulistiani, H., & Saputra, H. (2018). The Application Of Fuzzy K-Nearest Neighbour Methods For A Student Graduation Rate. Indonesian Journal of Artificial Intelligence and Data Mining, 1(1), 47–52.
Aldino, A. A., Darwis, D., Prastowo, A. T., & Sujana, C. (2021). Implementation of K-means algorithm for clustering corn planting feasibility area in south lampung regency. Journal of Physics: Conference Series, 1751(1), 12038.
Ali, Z. M., Hassoon, N. H., Ahmed, W. S., & Abed, H. N. (2020). The Application of Data Mining for Predicting Academic Performance Using K-means Clustering and Naïve Bayes Classification. International Journal of Psychosocial Rehabilitation, 24(03), 2143–2151. https://doi.org/10.37200/ijpr/v24i3/pr200962
Alita, D. (2021). Multiclass Svm Algorithm For Sarcasm Text In Twitter. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 8(1), 118–128.
Bakri, M., & Wakhidah, R. (2018). PENERAPAN KLASTERISASI K-MEANS UNTUK IDENTIFIKASI SEBARAN BUDIDAYA UDANG VANNAME. SEMINAR NASIONAL PENERAPAN ILMU PENGETAHUAN DAN TEKNOLOGI 2018.
Darwis, D., Siskawati, N., & Abidin, Z. (2021). Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter Bmkg Nasional. Jurnal Tekno Kompak, 15(1), 131–145.
Fikri, C. M., Agustin, F. E. M., & Mintarsih, F. (2017). Pengelompokan kualitas kerja pegawai menggunakan algoritma K-Means++ dan Cop-Kmeans untuk merencanakan program pemeliharaan kesehatan pegawai di pt. Pln p2b jb depok. Pseudocode, 4(1), 9–17.
Hendrastuty, N. (2021). Rancang Bangun Aplikasi Monitoring Santri Berbasis Android (Studi Kasus: Pesantren Nurul Ikhwan Maros). Jurnal Data Mining Dan Sistem Informasi, 2(2), 21–34.
Hendrastuty, N., Rahman Isnain, A., & Yanti Rahmadhani, A. (2021). Analisis Sentimen Masyarakat Terhadap Program Kartu Prakerja Pada Twitter Dengan Metode Support Vector Machine. 6(3), 150–155. http://situs.com
Herlinda, V., Darwis, D., & Dartono, D. (2021). Analisis Clustering Untuk Recredesialing Fasilitas Kesehatan Menggunakan Metode Fuzzy C-Means. Jurnal Teknologi Dan Sistem Informasi, 2(2), 94–99.
Kesemen, O., Tezel, Ö., & Özkul, E. (2016). Fuzzy c-means clustering algorithm for directional data (FCM4DD). Expert Systems with Applications, 58, 76–82.
Nabila, Z., Rahman Isnain, A., & Abidin, Z. (2021). Analisis Data Mining Untuk Clustering Kasus Covid-19 Di Provinsi Lampung Dengan Algoritma K-Means. Jurnal Teknologi Dan Sistem Informasi (JTSI), 2(2), 100. http://jim.teknokrat.ac.id/index.php/JTSI
Nurkholis, A., Alita, D., & Munandar, A. (2022). Comparison of Kernel Support Vector Machine Multi-Class in PPKM Sentiment Analysis on Twitter. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 6(2), 227–233.
Permatasari, B. (2019). Penerapan Teknologi Tabungan Untuk Siswa Di Sd Ar Raudah Bandar Lampung. TECHNOBIZ : International Journal of Business, 2(2), 76. https://doi.org/10.33365/tb.v3i2.446
Prasetyo, E. (2019). Data mining mengolah data menjadi informasi menggunakan matlab.
Rahman Isnain, A., Pasha, D., & Sintaro, S. (2021). Workshop Digital Marketing “Temukan Teknik Pemasaran Secara Daring.” Journal of Social Sciences and Technology for Community Service (JSSTCS), 2(2), 113–120. https://ejurnal.teknokrat.ac.id/index.php/JSSTCS/article/view/1365
Sanusi, W. (2018). Analisis Fuzzy C-Means dan Penerapannya Dalam Pengelompokan Kabupaten/Kota di Provinsi Sulawesi Selatan Berdasarkan Faktor-faktor Penyebab Gizi Buruk. FMIPA.
Styawati, S., & Mustofa, K. (2019). A Support Vector Machine-Firefly Algorithm for Movie Opinion Data Classification. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 13(3), 219–230.
Wantoro, A., Rusliyawati, R., & Wantoro, A. (2021). Model sistem pendukung keputusan menggunakan FIS Mamdani untuk penentuan tekanan udara ban Decision support system model using FIS Mamdani for determining tire. 9(November 2020), 56–63. https://doi.org/10.14710/jtsiskom.2020.13776
DOI: https://doi.org/10.21107/edutic.v9i1.17134
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution 4.0 International License.
J. Ilm. Edutic is licensed under a Creative Commons Attribution 4.0 International License.