4728-Article Text-14637-1-10-20230430
4728-Article Text-14637-1-10-20230430
4728-Article Text-14637-1-10-20230430
116-125
Metode k-means clustering untuk mengukur tingkat kedisiplinan pegawai (studi kasus di
pemerintah kabupaten padang pariaman)
Abstrak
Knowledge Discovery In Database (KDD) merupakan sebuah proses merubah data mentah menjadi data yang bermanfaat
berbentuk informasi. Data mining adalah suatu teknik menggali informasi berharga yang terpendam atau tersembunyi pada suatu
koleksi data (database) yang sangat besar sehingga ditemukan suatu pola yang menarik yang sebelumnya tidak diketahui.
Clustering adalah salah satu metode dalam data mining yang dimana objek data yang mempunyai kemiripan atau karakteristik
yang sama akan dikelompokan menjadi satu kelompok dan yang berbeda di kelompokkan pada kelompok yang lainnya. Salah
satu aspek kedisiplinan yang dapat digunakan untuk mengevaluasi kinerja pegawai adalah dengan kehadiran. Metode k-means
digunakan untuk mengelompokan tingkat kedisiplinan pegawai kemudian mendeskripsikan nilai-nilai yang sudah didapatkan
untuk menghasilkan sebuah knowledge baru mengenai pola data tingkat kedisplinan pegawai. Data absensi di clustering menjadi
3 yaitu untuk mengukur tingkat kedisiplinan rendah, sedang, dan tinggi. proses perhitungan dari 41 sampel pegawai
menghasilkan 3 kali iterasi, dan di dapatkan hasil akhir 3 cluster yaitu cluster 1 sebanyak 10 pegawai dengan kedisiplinan rendah,
cluster 2 sebanyak 7 pegawai dengan kedisiplinan sedang, dan cluster 3 sebanyak 24 pegawai dengan kedisiplinan tinggi,
Penelitian ini bertujuan agar pimpinan dapat mengetahui pegawai mana yang memiliki tingkat kedisiplinan tinggi, sedang dan
rendah sehingga dapat memberikan apresiasi atau penghargaan dan sanksi agar dapat mempertahankan dan meningkatkan
kedisiplinannya sehingga pelayanan kepada masyarakat bisa optimal dan visi misi pemerintah daerah bisa tercapai.
K-means clustering method for measuring employee discipline level (case study in padang pariaman
district government)
Abstract
Knowledge Discovery In Database (KDD) is a process of converting raw data into useful data in the form of information. Data
mining is a technique of digging up hidden or hidden valuable information in a very large data collection (database) so that an
interesting pattern is found that was previously unknown. Clustering is a method in data mining in which data objects that have
similarities or the same characteristics are grouped into one group and those that are different are grouped into another group.
One aspect of discipline that can be used to evaluate employee performance is attendance. The k-means method is used to classify
employee discipline levels and then describes the values that have been obtained to generate new knowledge regarding data
patterns on employee discipline levels. The attendance data is clustered into 3, namely to measure low, medium, and high levels
of discipline. After carrying out the calculation process, the 41 employee samples produced 3 iterations, and the final result was
3 clustering, namely cluster 1 of 10 employees with low discipline, cluster 2 of 7 employees with moderate discipline, and cluster
3 of 24 employees with high discipline. This is intended so that leaders can find out which employees have high, medium and
low levels of discipline so that they can provide appreciation or rewards and sanctions in order to maintain and improve their
discipline so that service to the community can be optimal and the vision and mission of the local government can be achieved.
https://doi.org/10.37859/coscitech.v4i1.4728 116
Jurnal Computer Science and Information Technology (CoSciTech) Vol. 4, No. 1, April 2023, hal. 116-125
1. PENDAHULUAN
Knowledge Discovery In Database (KDD) merupakan sebuah proses mengubah data mentah menjadi data yang bermanfaat
berbentuk informasi [1]. Knowledge Discovery in Database (KDD) merupakan proses analisa yang terstruktur bertujuan
mendapatkan informasi yang baru dan benar, menemukan pola dari data yang komplek, dan bermanfaat [2]. Data mining adalah
suatu teknik menggali informasi berharga yang terpendam atau tersembunyi pada suatu koleksi data (database) yang sangat besar
sehingga ditemukan suatu pola yang menarik yang sebelumnya tidak diketahui [3] [4]. Data mining merupakan alternatif untuk
membaca tren data yang terjadi dan mampu mengklasifikasikan, mengelompokkan, dan memperkirakan data dalam jumlah besar
[5]. Data mining juga dapat digunakan untuk menganalisa sentimen masyarakat [6] [7]. Clustering adalah salah satu metode
dalam data mining yang dimana objek data yang mempunyai kemiripan atau karakteristik yang sama akan dikelompokkan
menjadi satu kelompok dan yang berbeda di kelompokkan pada kelompok yang lainnya [8]. Perbedaan clustering dengan
klasifikasi yaitu tidak adanya variabel target dalam melakukan suatu pengelompokan pada proses clustering [9].
K-Means Clustering adalah teknik pengelompokan data non-hirarki yang memisahkan data ke dalam cluster, mengelompokkan
data dengan fitur yang sama, bersama-sama dan mengelompokkan data dengan karakteristik yang berbeda ke dalam kelompok
yang berbeda [10] [11]. K-Means clustering merupakan algoritma unsupervised learning yang membagi data berdasarkan cluster
centroid, diikuti dengan menghitung jarak antara data dan centroid yang sesuai dan menetapkan data ke centroid tertentu
berdasarkan nilai jarak minimum, serta memperbarui centroid dengan menemukan nilai jarak rata-rata data yang ditetapkan dari
centroid [12].
Penelitian terdahulu yang berkaitan dengan metode k-means clustering telah banyak dilakukan, seperti dalam penilaian
kedisiplinan siswa [13]. Menganalisa tingkat kedisiplinan pegawai pada kantor desa [14]. Melakukan penentuan mata kuliah
peminatan mahasiswa [15]. Mengelompokan prilaku mahasiswa berdasarkan ketidakhadiran, keterlambatan, nilai akademik
[16]. Penelitian lainnya yang menggunakan algoritma k-means clustering dalam menentukan kepadatan permintaan dari berbagai
jenis pekerjaan [17], melakukan zonasi suhu air waduk [18]. Menganalisis kasus Covid 19 di Indonesia [19] dan menganalisa
populasi ayam petelur di Indonesia [20].
Pemerintah Padang Pariaman berkomitmen untuk meningkatkan kedisiplinan pegawai dengan melakukan pemotongan tunjangan
penghasilan pegawai yang dihitung berdasarkan kinerjanya. Indikator dari kinerja pegawai adalah 40% kehadiran dan 60% tugas
dan fungsi yang dituangkan kedalam laporan kinerja harian (Perbub No. 36 Tahun 2021 Tentang TPP ASN). Indikator kehadiran
dilihat dari data absensi pegawai yang direkam tiap hari melalui perangkat fingerprint. Saat ini di Pemerintah Kabupaten Padang
Pariaman belum melakukan klasterisasi absensi pegawai, sehingga tidak diketahui berapa jumlah pegawai yang tingkat
kedisiplinannya tinggi, sedang, dan rendah. Penelitian ini bertujuan untuk mengelompokan tingkat kedisiplinan pegawai
kemudian mendeskripsikan nilai-nilai yang sudah didapatkan untuk menghasilkan sebuah knowledge baru mengenai pola data
tingkat kedisplinan pegawai dan memberikan informasi kepada pimpinan tentang tingkat kedisiplinan pegawai juga sebagai
dasar dalam mengambil kebijakan untuk meningkatkan kedisiplinan pegawai.
2. METODE PENELITIAN
Metode penelitian dalam penelitian ini meliputi 8 tahapan yang digunakan untuk memecahkan permasalahan yaitu
mengidentifikasi masalah, menentukan tujuan penelitian, melakukan studi literatur, mengumpulkan data, menganalisa data,
melakukan pengolahan data, melakukan pengujian hasil , hasil dan pembahasan. Analisis menggambarkan masalah yang ada
dan akan diselesaikan dalam penelitian. Desain menggambarkan bagaimana menyelesaikan permasalahan dan disajikan dalam
bentuk diagram dengan penjelasan lengkap.
117
https://doi.org/10.37859/coscitech.v4i1.4728
Jurnal Computer Science and Information Technology (CoSciTech) Vol. 4, No. 1, April 2023, hal. 116-125
Mengidentifikasi Masalah
Mengumpulkan Data
Menganalisa Data
Berdasarkan gambar rincian kerangka kerja diatas, peneliti menguraikan tahapan kerangka kerja penelitian sebagai berikut :
2.1. Mengidentifikasi Masalah
Tahapan identifikasi masalah merupakan tahap awal dalam melakukan penelitian. Tahapan ini penting karena peneliti melakukan
perumusan masalah dari masalah yang ditemukan pada objek penelitian.
Keterangan :
CI = centroid baru
R1 = Nilai data ke-1
Rn = Nilai data ke-n
ΣR = jumlah data.
d. Menghitung jarak data dengan pusat centroid dengan persamaan Euclidien Distance
𝐷𝑒 = 2(𝑥𝑖 − 𝑠𝑖)7 + (𝑦𝑖 − 𝑡𝑖)7 (2)
Keterangan :
De = Euclidean Distance
i = banyaknya objek
(x,y) = koordinat objek
(s,t) = koordinat centroid.
e. Hitung kembali pusat cluster dengan keanggotaan cluster yang baru
f. Jika pusat cluster tidak ada perubahan maka proses cluster telah selesai. Jika belum maka ulangi langkah ke 4 hingga nilai
centroid yang dihasilkan tetap dan anggota cluster tidak berpindah ke cluster lain
119
https://doi.org/10.37859/coscitech.v4i1.4728
Jurnal Computer Science and Information Technology (CoSciTech) Vol. 4, No. 1, April 2023, hal. 116-125
Keterangan :
OPD = Organisasi Perangkat Daerah
H = Hadir
TL = Terlambat
PSW = Pulang Sebelum Waktunya
TK = Tanpa Keterangan
C = Cuti
Selanjutnya melakukan pencarian jarak data hingga data ke 41 dan mengelompokan keanggotaan cluster dengan memilih nilai
minimun dari jarak data terhadap pusat cluster. Hasil pencarian dan pengelompokan data dapat dilihat pada tabel berikut :
Keanggotaan Cluster
NO C1 C2 C3
C1 C2 C3
4 18,221 11,916 9,274 C3
5 28,601 21,633 8,367 C3
6 22,136 15,166 4,243 C3
7 12,083 5,292 10 C2
8 0,000 7,211 22 C1
9 26,870 19,849 5,292 C3
10 6,782 3,162 16,062 C2
11 30,265 23,622 10,296 C3
12 13,638 8,124 10,770 C2
13 7,211 0,000 14,900 C2
14 40,669 33,675 19,545 C3
15 29,563 22,804 10,198 C3
16 5,099 10,296 24,000 C1
17 12,410 19,442 34,059 C1
18 37,868 30,887 16,912 C3
19 22,000 14,900 0,000 C3
20 8,602 15,492 30,166 C1
21 12,410 19,339 34,205 C1
22 33,196 26,306 13,191 C3
23 24,125 17,088 3,742 C3
24 12,247 18,762 33,377 C1
25 2,828 6,325 20,591 C1
26 41,425 34,496 20,445 C3
27 33,257 26,192 11,489 C3
28 28,178 21,448 9,274 C3
29 41,545 34,583 20,640 C3
30 11,916 7,211 14,353 C2
31 31,048 24,125 11,225 C3
32 3,162 9,487 24,083 C1
33 23,580 16,912 7,874 C3
34 36,194 29,155 14,765 C3
35 30,067 23,238 10,000 C3
36 35,214 28,249 14,697 C3
37 14,560 21,679 36,359 C1
38 33,823 26,870 13,491 C3
39 8,367 13,565 27,386 C1
40 40,025 33,106 19,131 C3
41 34,438 27,568 14,071 C3
Dari hasil pencarian yang dilakukan pada iterasi 1 didapatkan pengelompokan data anggota cluster 1 (C1) terdiri dari 10 pegawai
dengan nomor: 8,16,17,20,21,24,25,32,37 dan 39. Anggota cluster 2 (C2) terdiri dari 6 pegawai dengan nomor: 1,7,10,12,13,30
dan anggota cluster 3 (C3) terdiri dari 25 pegawai dengan nomor: 2,3,4,5,6,9,11,14,15,18,19,22,26,27,28,29,31,33,34,35,36,38,
40,41.
b. C2 = (36+46+39+36+38+36+41)/7 = 38,857
= (23+18+18+23+16+22+23)/7 = 20,429
= (5+0+1+2+5+0+0)/7 = 1,857
= (0+0+0+0+0+1+0)/7 = 0,143
= (0+0+6+3+5+5+0)/7 = 2,714
c. C3 = (57+49+53+48+50+50+62+53+60+46+57+49+62+55+52+53+55+50+58+53+58+57+62+57)/24 = 54,792
= (2+10+9+13+8+4+1+8+3+11+7+11+0+4+9+1+8+14+3+7+5+6+ 1+1)/24 = 6,250
= (2+0+0+0+1+6+0+3+0+0+0+0+2+0+3+0+0+0+0+3+0+0+2+2)/24 = 1
= (1+0+0+0+0+0+0+0+0+1+0+0+0+0+0+0+1+0+0+0+1+1+0+)/24 = 0,208
121
https://doi.org/10.37859/coscitech.v4i1.4728
Jurnal Computer Science and Information Technology (CoSciTech) Vol. 4, No. 1, April 2023, hal. 116-125
= (2+5+2+3+5+4+1+0+1+6+0+4+0+5+0+0+0+0+3+1+0+0+0+0)/24 = 1,750
Hasil perhitungan nilai centroid untuk iterasi ke 3 dapat dilihat pada tabel berikut :
Tabel 4. Nilai Centroid Iterasi 3
Cluster H TL PSW TK C
C1 26,300 31,200 2,200 0,300 4,000
C2 38,857 20,429 1,857 0,143 2,714
C3 54,792 6,250 1,000 0,208 1,750
Kemudian melakukan pencarian jarak data hingga data ke 41 dan mengelompokan keanggotaan cluster dengan memilih nilai
minimun dari jarak data terhadap pusat cluster. Hasil pencarian dan pengelompokan data pada iterasi 3 dapat dilihat pada tabel
berikut:
Tabel 5. Hasil Cluster Iterasi 3
Keanggotaan Cluster
NO C1 C2 C3
C1 C2 C3
1 13,611 5,660 25,550 C2
2 42,422 25,885 4,963 C3
3 31,155 14,843 7,695 C3
4 24,151 8,231 14,814 C2
5 34,852 18,292 3,447 C3
6 28,426 11,930 9,711 C3
7 18,468 4,180 20,138 C2
8 6,501 10,531 31,737 C1
9 33,203 16,870 6,052 C3
10 12,746 3,860 25,225 C2
11 36,278 20,320 7,624 C3
12 19,413 5,956 20,091 C2
13 13,604 4,477 24,766 C2
14 46,909 30,323 9,007 C3
15 35,607 19,057 3,658 C3
16 6,234 12,808 33,682 C1
17 6,713 22,836 44,052 C1
18 44,101 27,517 6,269 C3
19 28,381 12,446 10,934 C3
20 2,839 18,033 39,353 C1
21 6,698 22,336 43,546 C1
22 39,358 22,811 3,090 C3
23 30,467 14,032 7,887 C3
24 7,160 21,167 42,162 C1
25 8,430 10,087 30,744 C1
26 47,582 30,989 9,753 C3
27 39,616 23,220 4,088 C3
28 34,206 17,665 4,739 C3
29 47,748 31,164 9,952 C3
30 17,443 4,695 21,792 C2
31 37,192 20,655 2,792 C3
122
https://doi.org/10.37859/coscitech.v4i1.4728
Jurnal Computer Science and Information Technology (CoSciTech) Vol. 4, No. 1, April 2023, hal. 116-125
Keanggotaan Cluster
NO C1 C2 C3
C1 C2 C3
32 5,609 13,279 34,160 C1
33 29,639 13,279 9,334 C3
34 42,498 25,957 4,844 C3
35 36,170 19,612 2,895 C3
36 41,384 24,820 4,068 C3
37 8,128 24,583 45,931 C1
38 39,986 23,429 3,103 C3
39 6,038 15,475 36,288 C1
40 46,176 29,584 8,379 C3
41 40,559 23,971 3,247 C3
Hasil yang diperoleh dari iterasi 3 terdapat pengelompokan anggota cluster 1 (C1) adalah 10 pegawai dengan nomor: 8,16,17,
20,21,24,25,32,37 dan 39. Anggota cluster 2 (C2) adalah 7 pegawai dengan nomor: 1,4,7,10,12,13,30 serta anggota cluster 3
(C3) adalah 24 pegawai dengan nomor: 2,3,5,6,9,11,14,15,18,19,22,23,26,27,28,29,31,33,34,35,36,38,40 dan 41.
Selanjutnya cluster 2 merupakan cluster yang anggotanya pegawai dengan tingkat kedisiplinan sedang. anggota pada cluster 2
dapat dilihat pada tabel berikut:
Tabel 7 Cluster 2 (Tingkat Kedisiplinan Sedang)
NO Nama OPD H TL PSW TK Cuti Cluster
1 Maizar BKPSDM 36 23 5 0 0 C2
4 Dewi Anggraini BKPSDM 46 18 0 0 0 C2
7 Metra Nelida BKPSDM 39 18 1 0 6 C2
10 Riyan Fikri BKPSDM 36 23 2 0 3 C2
12 Syanti Fitri Angraini BKPSDM 38 16 5 0 5 C2
13 Hardi Fardian BKPSDM 36 22 0 1 5 C2
30 Mariati Disdukcapil 41 23 0 0 0 C2
Jumlah 7
Cluster 3 merupakan cluster yang anggotanya pegawai dengan tingkat kedisiplinan tinggi. Data hasil pada cluster 3 adalah terlihat
pada table berikut:
Tabel 8. Cluster 3 (Tingkat Kedisiplinan Tinggi)
NO Nama OPD H TL PSW TK Cuti Cluster
2 Eliza BKPSDM 57 2 2 1 2 C3
3 Revid Hidayat BKPSDM 49 10 0 0 5 C3
5 Fitri Agustin Azhar BKPSDM 53 9 0 0 2 C3
6 Suarni BKPSDM 48 13 0 0 3 C3
9 Mukhtar Luthfi BKPSDM 50 8 1 0 5 C3
11 Alfakhri Syukri BKPSDM 50 4 6 0 4 C3
14 Sal Amini Eka Putra BKPSDM 62 1 0 0 1 C3
15 Armen Marta BKPSDM 53 8 3 0 0 C3
18 Nila Purnama BKPSDM 60 3 0 0 1 C3
19 Satria Ms BKPSDM 46 11 0 1 6 C3
22 Agustina Murni Nur BKPSDM 57 7 0 0 0 C3
23 Dian Novita BKPSDM 49 11 0 0 4 C3
26 Zeta Hidayati Disdukcapil 62 0 2 0 0 C3
27 Anda Marzuni Disdukcapil 55 4 0 0 5 C3
28 Andriyani Disdukcapil 52 9 3 0 0 C3
29 Wirman Wahyudi Disdukcapil 63 1 0 0 0 C3
31 Yusneli Roza Disdukcapil 55 8 0 1 0 C3
123
https://doi.org/10.37859/coscitech.v4i1.4728
Jurnal Computer Science and Information Technology (CoSciTech) Vol. 4, No. 1, April 2023, hal. 116-125
4. KESIMPULAN
Dari hasil penelitian yang telah diuraikan disimpulkan bahwa metode k-means clustering untuk mengukur tingkat kedisiplinan
pegawai, menghasilkan sebuah informasi mengenai data pengelompokan tingkat kedisiplinan rendah, sedang dan tinggi. Dari 41
data absensi terdapat anggota C1 (tingkat disiplin rendah) 10 pegawai, C2 (tingkat disiplin sedang) 7 pegawai, dan C3 (tingkat
disiplin tinggi) 24 pegawai. Penelitian ini sebagai dasar bagi pimpinan untuk membuat kebijakan dalam hal meningkatkan
kedisiplinan pegawai.
DAFTAR PUSTAKA
[1] ud Hermansyah, R. Aditia Hamdan, F. Sidik, and A. Wibowo, “Klasterisasi Data Travel Umroh di Marketplace Umroh.com Menggunakan Metode K-
Means”.
[2] D. A. Fakhri, S. Defit, and Sumijan, “Optimalisasi Pelayanan Perpustakaan terhadap Minat Baca Menggunakan Metode K-Means Clustering,” Jurnal
Informasi dan Teknologi, pp. 160–166, Sep. 2021, doi: 10.37034/jidt.v3i3.137.
[3] H. Parasian Doloksaribu and Y. T. Samuel, “KOMPARASI ALGORITMA DATA MINING UNTUK ANALISIS SENTIMEN APLIKASI
PEDULILINDUNGI,” vol. 16, no. 1, 2022, doi: 10.47111/JTI.
[4] N. Pradita, “Penerapan Data Mining sebagai Cara untuk Memprediksi Prestasi Siswa Berdasarkan Status Ekonomi dan Kedisiplinan Menggunakan
Metode Regresi Linier Berganda.” [Online]. Available: https://jurnal.universitasputrabangsa.ac.id/index.php/jimmba/index
[5] S. Ika Murpratiwi, D. Ayu Indah Cahya Dewi, and A. Aranta, “Accuracy Analysis of Predictive Value in Transaction Data of Service Company Using
Combination of K-Means Clustering and Time Series Methods.” [Online]. Available: http://jcosine.if.unram.ac.id/
[6] E. B. Susanto, Paminto Agung Christianto, Mohammad Reza Maulana, and Sattriedi Wahyu Binabar, “Analisis Kinerja Algoritma Naïve Bayes Pada
Dataset Sentimen Masyarakat Aplikasi NEWSAKPOLE Samsat Jawa Tengah,” Jurnal CoSciTech (Computer Science and Information Technology),
vol. 3, no. 3, pp. 234–241, Dec. 2022, doi: 10.37859/coscitech.v3i3.4343.
[7] Aditya Quantano Surbakti, Regiolina Hayami, and Januar Al Amien, “Analisa Tanggapan Terhadap Psbb Di Indonesia Dengan Algoritma Decision
Tree Pada Twitter,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 2, no. 2, pp. 91–97, Dec. 2021, doi:
10.37859/coscitech.v2i2.2851.
[8] A. A. Aldino, D. Darwis, A. T. Prastowo, and C. Sujana, “Implementation of K-Means Algorithm for Clustering Corn Planting Feasibility Area in
South Lampung Regency,” in Journal of Physics: Conference Series, IOP Publishing Ltd, Jan. 2021. doi: 10.1088/1742-6596/1751/1/012038.
[9] S. Sindi et al., “ANALISIS ALGORITMA K-MEDOIDS CLUSTERING DALAM PENGELOMPOKAN PENYEBARAN COVID-19 DI
INDONESIA,” Jurnal Teknologi Informasi, vol. 4, no. 1, 2020.
[10] T. Amalina, D. Bima, A. Pramana, and B. N. Sari, “Metode K-Means Clustering Dalam Pengelompokan Penjualan Produk Frozen Food,” Jurnal Ilmiah
Wahana Pendidikan, vol. 8, no. 15, pp. 574–583, 2022, doi: 10.5281/zenodo.7052276.
[11] R. T. Vulandari, W. Laksito, Y. Saptomo, and D. W. Aditama, “Application of K-Means Clustering in Mapping of Central Java Crime Area,” 2020.
[12] M. Nasor and W. Obaid, “Detection and localization of early-stage multiple brain tumors using a hybrid technique of patch-based processing, k-means
clustering and object counting,” Int J Biomed Imaging, vol. 2020, 2020, doi: 10.1155/2020/9035096.
[13] Q. I. Mawarni and E. S. Budi, “Implementasi Algoritma K-Means Clustering Dalam Penilaian Kedisiplinan Siswa,” Jurnal Sistem Komputer dan
Informatika (JSON), vol. 3, no. 4, p. 522, Jun. 2022, doi: 10.30865/json.v3i4.4242.
[14] D. Murni, B. Efendi, N. Rahmadani, S. Informasi, and S. Tinggi Manajemen Informatika dan Komputer Royal Kisaran, “IMPLEMENTATION OF
EMPLOYEE DISCIPLINE CLUSTERING AT GOTTING SIDODADI VILLAGE OFFICE BANDAR PASIR MANDOGE USING K-MEANS
ALGORITHM,” Jurnal Teknik Informatika (JUTIF), vol. 3, no. 2, pp. 295–304, 2022, doi: 10.20884/1.jutif.2022.3.2.236.
[15] L. N. Rani, S. Defit, and L. J. Muhammad, “Determination of Student Subjects in Higher Education Using Hybrid Data Mining Method with the K-
Means Algorithm and FP Growth,” International Journal of Artificial Intelligence Research, vol. 5, no. 1, Dec. 2021, doi: 10.29099/ijair.v5i1.223.
[16] J. G. Saren, H. Talirongan, F. Jean B. Talirongan, and C. L. Malicay, “Mining Student Behavioral Concern Through Referrals Using K-Means
Clustering,” International Journal of Research Publications, vol. 71, no. 1, Feb. 2021, doi: 10.47119/ijrp100711220211768.
124
https://doi.org/10.37859/coscitech.v4i1.4728
Jurnal Computer Science and Information Technology (CoSciTech) Vol. 4, No. 1, April 2023, hal. 116-125
[17] F. M. Javed Mehedi Shamrat, Z. Tasnim, I. Mahmud, N. Jahan, and N. Islam Nobel, “Application Of K-Means Clustering Algorithm To Determine
The Density Of Demand Of Different Kinds Of Jobs,” INTERNATIONAL JOURNAL OF SCIENTIFIC & TECHNOLOGY RESEARCH, vol. 9, p. 2,
2020, [Online]. Available: www.ijstr.org
[18] W. Liu, P. Zou, D. Jiang, X. Quan, and H. Dai, “Zoning of reservoir water temperature field based on K-means clustering algorithm,” J Hydrol Reg
Stud, vol. 44, Dec. 2022, doi: 10.1016/j.ejrh.2022.101239.
[19] T. Hardiani, “Analisis Clustering Kasus Covid 19 di Indonesia Menggunakan Algoritma K-Means,” Jurnal Nasional Pendidikan Teknik Informatika
(JANAPATI), vol. 11, no. 2, pp. 156–165, Aug. 2022, doi: 10.23887/janapati.v11i2.45376.
[20] E. Ramadanti and M. Muslih, “PENERAPAN DATA MINING ALGORITMA K-MEANS CLUSTERING PADA POPULASI AYAM PETELUR DI
INDONESIA,” Rabit : Jurnal Teknologi dan Sistem Informasi Univrab, vol. 7, no. 1, pp. 1–7, Jan. 2022, doi: 10.36341/rabit.v7i1.2155.
125
https://doi.org/10.37859/coscitech.v4i1.4728