<![CDATA[Salah satu penilaian yang dibutuhkan perusahaan adalah kedisiplinan. Penilaian kedisiplinan dapat diambil dari absen masuk dan absen keluar pegawai. Klasterisasi data menggunakan algoritma data mining yaitu K means. Tahapan yang digunakan terdiri dari pengumpulan data, eksperimen, dan evaluasi. Data dikumpulkan sebanyak 300 items yang terdiri dari id, nip, nama, golongan, tgl_lahir, tgl, in_absen, out_absen, status, satker dan label yaitu kedisiplinan. Seleksi atribut menghasilkan 5 fitur yaitu, nama, golongan, in_absen, out_absen, dan status. Eksperiman dilakukan dengan binning atau normalisasi setiap fitur atau atribut yang sudah diseleksi menjadi numerik. Evaluasi dilakukan dengan pemodelan menggunakan klasterisasi K-means dengan Rapid miner. Pemodelan tersebut menghasilkan 5 klaster, yang terdiri dari klaster nol terdiri dari 46 items, klaster satu terdiri dari 103 items, klaster dua terdiri 94 items, kluster tiga terdiri dari 1 items, dan klaster empat terdiri dari 56 items. Pemodelan menghasilkan dengan nilai DBI (Davies Bouldin) sebesar 0.502. Nilai rata-rata seluruh klaster sebesar -1,372. Nilai centroid distance untuk klaster 0 sebesar -4.264, klaster 1 sebesar -0.729, klaster 2 sebesar -1.307, klaster 3 sebesar -0.000, dan klaster 4 sebesar -0.311. Nilai kedisiplinan yang bernilai sangat baik terdapat pada tiga klaster yaitu klaster 1, klaster 2, dan klaster 4 dengan jumlah terbesar yaitu 52 items, terdapat pada klaster 1. Sedangkan nilai kedisiplinan yang bernilai baik terdapat pada klaster 2 dan klaster 4 dengan jumlah terbesar yaitu 56 items, terdapat pada klaster 4.]]>
Copyrights © 2025
