Clustering Status Keberlanjutan Karyawan Kontrak Menggunakan Algoritma K-Medoids

Dinda Ramadhaniaty; Novianti Puspitasari; Anindita Septiarini

doi:10.15575/telka.v10n2.97-108

Clustering Status Keberlanjutan Karyawan Kontrak Menggunakan Algoritma K-Medoids

Dinda Ramadhaniaty, Novianti Puspitasari, Anindita Septiarini

Sari

Karyawan kontrak adalah karyawan tidak tetap yang dipekerjakan untuk melakukan pekerjaan didalam perusahaan, dan tidak ada jaminan kelangsungan masa kerjanya. Penilaian terhadap karyawan tetap maupun karyawan kontrak dilakukan dengan cara menilai kinerja seorang karyawan tersebut. Oleh karena itu, perusahaan selalu melakukan evaluasi terhadap kinerja karyawannya. Penelitian ini bertujuan untuk mengelompokkan status karyawan kontrak yang layak diperpanjang atau tidak layak secara objektif sehingga mempermudah perusahaan dalam menganalisa data agar hasil lebih tepat dan dapat menghindari kecurangan dalam prosesnya. Algoritma yang digunakan dalam penelitian ini adalah K-Medoids menggunakan tiga metode pengukuran jarak yaitu Euclidean Distance, Manhattan Distance dan Chebyshev Distance. Sementara, untuk uji akurasi menggunakan Silhouette Coefficient (SC) dan Sum of Square Error (SSE). Data yang digunakan adalah data penilaian karyawan kontrak berjumlah 42 karyawan kontrak. Berdasarkan pengujian nilai SC diperoleh bahwa dari ketiga metode pengukuran jarak yang digunakan, chebyshev distance menghasilkan nilai yang mendekati 1 dengan nilai 0.3220214. Sedangkan, hasil uji cluster SSE diperoleh bahwa nilai error terkecil dimiliki oleh 2 cluster. Lebih lanjut, hasil pengelompokan status keberlanjutan karyawan kontrak menempatkan 20 data ke dalam kategori Tidak Layak (C1) dan 22 data ke dalam kategori Layak (C2).

Contract employees are temporary workers hired to perform tasks within a company without any guarantee of tenure. Evaluations of both permanent and contract employees are conducted based on their performance, which is essential for the company's continuous performance assessment. This study aims to classify the status of contract employees to determine their eligibility for contract extension objectively. This objective classification facilitates the company's data analysis, resulting in more accurate outcomes and minimizing the risk of fraud in the evaluation process. The algorithm employed in this research is K-medoids, utilizing three distance measurement methods: Euclidean distance, Manhattan distance, and Chebyshev distance. The accuracy of the classifications was tested using the silhouette coefficient (SC) and sum of squares error (SSE). The data set comprised performance assessments of 42 contract employees. Testing the SC values revealed that among the three distance measurement methods, the Chebyshev distance yielded the closest value to 1, specifically 0.3220214. Additionally, the SSE cluster test results indicated that the smallest error value was achieved with 2 clusters. Consequently, the grouping results classified 20 employees as Ineligible (C1) and 22 employees as Eligible (C2) for contract extension.

Kata Kunci

Karyawan; K-Medoids; Chebyshev Distance; SSE; Silhouette Coefficient

Teks Lengkap:

PDF

Dilihat:

Sari 89 kali

PDF 26 kali

Referensi

A. Thuda, J. Sari, and A. Maharani, “Employees Perception of Human Capital Practices, Employee’s Productivity, and Company Performance,” Integr. J. Bus. Econ., vol. 3, no. 3, p. 240, 2019, doi: 10.33019/ijbe.v3i3.188.

J. Rubery, D. Grimshaw, A. Keizer, and M. Johnson, “Challenges and Contradictions in the ‘Normalising’ of Precarious Work,” Work. Employ. Soc., vol. 32, no. 3, pp. 509–527, 2018, doi: 10.1177/0950017017751790.

Y. Pomantow, S. L. Mandey, and R. N. Taroreh, “Perbedaan Kinerja Karyawan Tetap Dan Kinerja Karyawan Tidak Tetap pada Perusahaan Daerah Air Minum (PDAM) Kab. Minahasa Tenggara,” J. EMBA J. Ris. Ekon. Manajemen, Bisnis dan Akunt., vol. 7, no. 4, pp. 5544–5551, 2019.

E. Lyons, “The Impact of Job Training on Temporary Worker Performance: Field Experimental Evidence from Insurance Sales Agents,” J. Econ. Manag. Strateg., vol. 29, no. 1, pp. 122–146, 2020, doi: 10.1111/jems.12333.

M. Susanti and Jefi, “Prediksi Pengangkatan Karyawan Kontrak Menjadi Karyawan Tetap Menggunakan Decision Tree Pada PT . Baskara Cipta Putra,” J. Bianglala Inform., vol. 6, no. 1, pp. 1–7, 2018.

T. Winarti, D. Priyanto, V. Vydia, and H. Indriyawati, “Penerapan Data Mining Menggunakan Algoritma Naive Bayes ntuk Klasifikasi Perpanjangan Kontrak Kerja Karyawan,” J. Chem. Inf. Model., vol. 53, no. 9, pp. 1689–1699, 2020.

T. Boongoen and N. Iam-On, “Cluster Ensembles: A Survey of Approaches with Recent Extensions and Applications,” Comput. Sci. Rev., vol. 28, pp. 1–25, 2018, doi: 10.1016/j.cosrev.2018.01.003.

I. Syukra, A. Hidayat, and M. Z. Fauzi, “Implementation of K-Medoids and FP-Growth Algorithms for Grouping and Product Offering Recommendations,” Indones. J. Artifical Intell. Data Min., vol. 2, no. 2, pp. 107–115, 2019.

K. Annisa, B. S. Ginting, and M. A. Syari, “Penerapan Data Mining Pengelompokan Data Pengguna Air Bersih Berdasarkan Keluhannya Menggunakan Metode Clustering Pada PDAM Langkat,” J. Ilmu Komput. dan Inform., vol. 06, 2022, doi: http://dx.doi.org/10.30829/algoritma.v6i1.11624.

N. Y. Aung, A. C. Mon, and S. Z. Hlaing, “Performance Analysis of Parallel Clustering on Spark Computing Platform,” 2nd Int. Conf. Adv. Inf. Technol., vol. 1, no. 2, pp. 39–44, 2018.

J. A. Talingdan, “Data Mining using Clustering Algorithm as Tool for Poverty Analysis,” ACM Int. Conf. Proceeding Ser., pp. 56–59, 2019, doi: 10.1145/3316615.3316672.

S. Theresia, Suhada, I. S. Saragih, I. S. Damanik, and D. Suhendro, “Pengklasteran Gaji Karyawan Pada Pt . Erba Primas Bogor,” vol. 4, pp. 395–402, 2020, doi: 10.30865/komik.v4i1.2852.

L. Purba, S. Saifullah, and R. Dewi, “Pengelompokan Kasus Penyakit Aids Berdasarkan Provinsi Dengan Data Mining K-Medoids Clustering,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 687–694, 2019, doi: 10.30865/komik.v3i1.1679.

Martanto, S. Anwar, C. L. Rohmat, F. M. Basysyar, and Y. A. Wijaya, “Clustering of Internet Network Usage using the K-Medoid Method,” IOP Conf. Ser. Mater. Sci. Eng., vol. 1088, no. 1, pp. 1–6, 2021, doi: 10.1088/1757-899x/1088/1/012036.

R. N. H. Hutasuhut, H. Okprana, and B. E. Damanik, “Penerapan Data Mining Untuk Menentukan Penerima Program Bidikmisi Menggunakan Algoritma K-Medoids,” TIN Terap. Inform. Nusant., vol. 2, no. 11, pp. 667–672, 2022, doi: 10.47065/tin.v2i11.1516.

N. I. Asriny et al., “Comparison of K-Medoids and Self Organizing Maps Algorithm in Grouping Hydrometeorological Natural Disasters in Java Island,” IOP Conf. Ser. Mater. Sci. Eng., vol. 1077, no. 1, pp. 1–13, 2021, doi: 10.1088/1757-899X/1077/1/012008.

M. Orisa and A. Faisol, “Analisis Algoritma Partitioning Around Medoid untuk Penentuan Klasterisasi,” J. Teknol. Inf. dan Terap., vol. 8, no. 2, pp. 86–90, 2021.

H. Zayuka, S. M. Nasution, and Y. Purwanto, “Perancangan Dan Analisis Clustering Data Menggunakan Metode K-Medoids Untuk Berita Berbahasa Inggris Design and Analysis of Data Clustering Using K-Medoids Method For English News,” e-Proceeding Eng. , vol. 4, no. 2, pp. 2182–2190, 2017.

D. ayu Ilfiana, “Pengklasteran Puskesmas di Kabupaten Kudus Menggunakan Metode K-Means dengan Perbandingan Jarak Euclidean dan Chebyshev,” Prism. Pros. Semin. Nas. Mat. 5, vol. 5, pp. 787–798, 2022.

N. Puspitasari, H. Haviluddin, and F. U. J. H. Puadi, “Klasterisasi Wilayah Penghasil Tanaman Lada Menggunakan Algoritma K-Means,” Indones. J. Comput. Sci., vol. 11, no. 3, 2022.

R. I. Fajriah, H. Sutisna, and B. K. Simpony, “Perbandingan Distance Space Manhattan Dengan Euclidean Pada K-Means Clustering Dalam Menentukan Promosi,” IJCIT (Indonesian J. Comput. Inf. Technol., vol. 4, no. 1, pp. 36–49, 2019.

B. L. Pailan, H. Haviluddin, M. Wati, N. Puspitasari, and E. Budiman, “Analisa Kebutuhan Tenaga Kesehatan Menggunakan Algoritma K-Means,” Sains, Apl. Komputasi dan Teknol. Inf., vol. 3, no. 1, pp. 1–9, 2023.

G. P. I. Rani, A. Aziz, and M. P. T. Sulistyono, “Implementasi Euclidean Dan Chebyshev Distance Pada K-Medoids Clustering,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, 2022.

R. Y. Prabowo, Rahmadwati, and P. Mudjirahardjo, “Klasifikasi Kandungan Nitrogen berdasarkan Warna Daun melalui Color Clustering menggunakan Metode Fuzzy C Means dan Hybrid PSO K-Means,” J. EECCIS, vol. 12, no. 1, pp. 1–8, 2018.

E. M. S. Rochman, Miswanto, and H. Suprajitno, “Comparison of Clustering in Tuberculosis Using Fuzzy C-Means and K-Means Methods,” Commun. Math. Biol. Neurosci., vol. 41, pp. 1–20, 2022, doi: 10.28919/cmbn/7335.

N. Puspitasari, A. A. Maulana, and F. Alameka, “K-Means untuk Klasterisasi Daerah Rawan Penyakit Demam Berdarah K-Means for Clustering of Dengue Fever Prone Areas,” J. SISFOTENIKA, vol. 13, no. 1, pp. 40–52, 2023.

D. Jollyta, S. Efendi, M. Zarlis, and H. Mawengkang, “Optimasi Cluster Pada Data Stunting: Teknik Evaluasi Cluster Sum of Square Error dan Davies Bouldin Index,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, pp. 918–926, 2019, doi: 10.30645/senaris.v1i0.100.

M. Wati, M. S. Noorlah, A. Tejawati, A. Septiarini, M. Jamil, and N. Puspitasari, “Implementation of The K-means Clustering for The Public Health Center Data,” in 2022 International Conference on Electrical Engineering, Computer and Information Technology (ICEECIT), 2022, pp. 65–69.

DOI: https://doi.org/10.15575/telka.v10n2.97-108