<![CDATA[Kedisiplinan erat kaitannya dengan absen masuk dan absen keluar seorang karyawan. Untuk memudahkan perusahaan dalam mengelompokkan karyawan yang disiplin dilakukan penelitian tentang clustering dengan algoritma k-medoids. Metode penelitian yang dilakukan pengumpulan data, pemilihan data, preprocessing data, transformasi data dan data mining. Pengumpulan terdiri dari 400 data dengan fitur id, nip, nama, golongan, tgl_lahir, tgl, in_absen, out_absen, sta-tus, dan satker. Pemilihan data yaitu fitur yang berhubungan dengan kedisiplinan yaitu nama, in_absen, out_absen, dan status. Preprocessing data pada kolom dan baris tidak ada yang kosong, sehingga tidak ada yang harus dilengkapi dan dihapus. Transformasi data mengubah fitur yang bukan angka menjadi angka, yaitu in_absen (07:33:00 menjadi 0, =07:33:00 menjadi 1, dan tidak absen menjadi 2), out_absen (16:00:00 menjadi 0, =16:00:00 menjadi 1, dan tidak absen menjadi 2) dan status (WFO menjadi 4 dan dinas luar menjadi 5). Pemodelan data mining menghasilkan jumlah cluster sebanyak 2 dengan keterangan cluster 0 sebanyak 181 items dan cluster 1 sebanyak 219 items. Selisih jumlah pembagian pada cluster 0 dan cluster 1 hanya berbeda sedikit. Untuk cluster 0 mempunyai in_absen dan out_absen mempunyai nilai yang sama yaitu 1 (tepat waktu). Sedangan status bernilai 4 yaitu WFO. Nilai centroid table juga dapat terlihat jelas pada diagram plot pada gambar 4 yang menunjukkan bahwa cluster 0 lebih banyak memuat karyawan yang disiplin yaitu karyawan yang in_absen dan out_absen tepat waktu. Hal tersebut bisa menjadi acuan perusahaan dalam penilaian kedisiplinan karyawan.]]>
Copyrights © 2025
