<![CDATA[Employee attendance data analysis has an important role in human resource management to improve efficiency and productivity. This study compares the K-Means and Hierarchical methods for grouping employee attendance data to discover performance factors. The goal of this study is to compare the performance of the two algorithms utilizing the assessment metrics Silhouette Score, Calinski-Harabasz Index, and Dunn Index. The methods used include collecting employee attendance data, preprocessing data, applying clustering algorithms, and evaluating performance based on specified metrics. The evaluation results showed that K-Means produced a Silhouette Score of 0.46, a Calinski-Harabasz Index of 522.90, and a Dunn Index of 0.98, while Hierarchical obtained a score of 0.40, 452.85, and 0.86, respectively. These results indicate that K-Means is superior in forming clearer and separate clusters. Based on these findings, the K-Means technique is more recommended for employee attendance data analysis because it provides more optimal cluster separation.Keywords: Clustering; K-Means; Hierarchical; Attendance Data; Evaluation AbstrakAnalisis data kehadiran karyawan memiliki peran penting dalam manajemen sumber daya manusia untuk meningkatkan efisiensi dan produktivitas. Penelitian ini membahas perbandingan algoritma K-Means dan Hierarchical dalam klasterisasi data kehadiran karyawan guna mengidentifikasi karakteristik kinerja. Tujuan dari penelitian ini adalah mengevaluasi performa kedua algoritma menggunakan metrik evaluasi Silhouette Score, Calinski-Harabasz Index, dan Dunn Index. Metode yang digunakan meliputi pengumpulan data kehadiran karyawan, preprocessing data, penerapan algoritma klasterisasi, serta evaluasi performa berdasarkan metrik yang ditentukan. Hasil evaluasi menunjukkan bahwa K-Means menghasilkan Silhouette Score sebesar 0.46, Calinski-Harabasz Index sebesar 522.90, dan Dunn Index sebesar 0.98, sedangkan Hierarchical memperoleh nilai masing-masing sebesar 0.40, 452.85, dan 0.86. Hasil ini mengindikasikan bahwa K-Means lebih unggul dalam membentuk klaster yang lebih jelas dan terpisah. Berdasarkan temuan ini, algoritma K-Means lebih direkomendasikan untuk analisis data kehadiran karyawan karena memberikan pemisahan klaster yang lebih optimal. ]]>
