ALGORITMA

Perbandingan Algoritma K-Means
Dengan Algoritma Fuzzy C-Means

Untuk Clustering Tingkat
Kedisiplinan Kinerja Karyawan
Abstrak
STT-Bandung merupakan perguruan

tinggi swasta yang memiliki potensi
besar untuk menjadi perguruan tinggi
terkemuka di Kota Bandung. Untuk
mencapai tujuan perguruan tinggi, salah
satu tahap yang harus dilakukan adalah
evaluasi kinerja karyawan, yakni dengan
pemantauan kedisiplinan karyawan.
Untuk memudahkan penentuan tingkat
kedisiplinan karyawan maka diperlukan
teknik data mining untuk mengklaster
data. Pada data mining terdapat beberapa
metode klaster data, yang sering
digunakan adalah metode K-Means
dengan Fuzzy C-Means. Berdasarkan
penelitian yang dilakukan kedua metode
tersebut mengelompokan data kinerja
karyawan menjadi 3 kluster, yakni
tingkat kinerja tinggi, tingkat kinerja
sedang dan tingkat kinerja rendah. Hasil
dari penelitian ini menunjukkan bahwa
metode Fuzzy C-Means adalah metode
yang lebih baik dibandingkan K-Means
untuk melakukan mengklasteran data
pada tingkat kinerja karyawan di STT
Bandung karena nilai validasinya
bernilai mendekati.
1. Pendahuluan
Penilaian karyawan merupakan salah

satu tahap evaluasi kerja yang dapat
meningkatkan kualitas sumber daya
manusia. Penilaian kedisiplinan kinerja
karyawan adalah salah satu faktor untuk
memperbaiki situasi kualitas sumber
daya manusia. Pemantauan dan penilaian
kedisiplinan karyawan harus dilakukan
secara terus menerus menjadi sebagian
ciri manajemen telah berjalan dengan
baik sebagai tolak ukur pertimbangan
sasaran yang telah ditetapkan. Untuk
memudahkan pihak manajemen
menentukan tinngkat kedisiplinan
kinerja karyawan, maka teknik clustering
data perlu digunakan. Pengelompokan
data atau clustering merupakan suatu
metode yang digunakan dalam data
mining yang cara kerjanya mencari dan
mengelompokkan data yang mempunyai
kemiripan karakteristik antara data satu
dengan data lainnya yang diperoleh. Dari
beberapa teknik clustering data yang
paling sederhana dan umum
menggunakan Algoritma K-Means dan
Fuzzy C-Means sebagai pembanding
dimana hasil dari kedua algoritma
tersebut dibandingkan Penelitian ini
bertujuan untuk membandingkan
algoritma K-Means dengan
Fuzzy C-Means untuk melihat
kemampuan dari setiap algoritma dalam
clustering sehingga mendapatkan hasil
yang terbaik di Sekolah Tinggi
Teknologi Bandung menggunakan data
presensi karyawan pada tahun 2017.
Manfaat penelitian ini agar menjadi
referensi selanjutnya dalam meggunakan
metode clustering.
2. Tinjauan Pustaka
2.1 Data Mining
Data mining adalah proses menemukan
pola yang menarik dan pengetahuan dari
sejumlah besar data. Sumber data dapat
mencakup database, gudang data, web,
repositori informasi lainnya, atau data
yang dialirkan ke dalam sistem dinamis.
Data mining biasa digunakan untuk
klasifikasi, clustering, prediksi, estimasi,
asosiasi maupun deskripsi data.
2.2 Algoritma K-Means

Algoritma K-Means adalah bekerja
dengan membagi data ke dalam k buah
cluster yang telah ditentukan. Algoritma
K-means merupakan metode berbasis
jarak yang membagi data dalam
sejumlah cluster dan setiap tahapan
tertentu terhadap suatu objek.
Tahapan clustering menggunakan
algoritma k-means:
a. Memasukan data
b. Menentukan jumlah klaster
c. Ambil sebarang data sebanyak
jumlahklaster secara acak sebagai
pusat klaster (sentroid).
d. Hitung jarak antara data dengan
pusat klister, dengan
menggunakan persamaan:
D(i,j)=√ ¿ ¿
Dimana:
(i,j)= jarak data i ke pusat kluster
j,
xki = data ke i pada atribut ke j,
xji = titik pusat ke j, pada atribut
𝑘.
e. Hitung kembali pusat klaster
dengan keanggotaan klaster yang
baru.
f. Jika pusat klaster tidak berubah
maka proses klaster telah selesai,
jika belum maka ulangi langkah
ke d sampai pusat klaster tidak
berubah lagi.
2.3 Algoritma Fyzzy C-Means
Algoritma Fuzzy C-Means merupakan
algoritma yang mengelompokan data
yang kabur dan menghasil
pengelompokan data dimana bobot
keanggotaannya berasal dari data
tersebut. Fuzzy C-Means berhubungan
dengan konsep kesamaan fungsi objek
yang berdekatan dan menemukan titik
pusat cluster sebagai prototype. Untuk
beberapa objek data tidak memiliki
batasan pada salah satu kelas saja tetapi
data tersebut dapat dikelompokan
berdasarkan derajat keanggotaan yaitu
antara 0 dan 1 yang menunjukkan
keanggotaan parsial dari data tersebut.
3. Metodologi Penelitian
3.1 Jenis, Sifat dan Pendekatan
Penelitian Metode analisis data yang
dipakai adalah Penelitian Tindakan.
Tahap awal adalah melakukan
pengumpulan data melalui observasi,
wawancara dan studi literatur.
Selanjutnya adalah membandingkan
Algoritma K-Means dengan Fuzzy C-
Means, kemudian membuat rancangan
sistem dan pengujian diakhiri dengan
implementasi.
3.2 Metode Analisis Data Metode
analisis data yang dipakai adalah Metode
Perbandingan Eksponensial. Tingkat
kedisiplinan diukur melalui
perbandingan hasil nilai penilaian
tingkat kinerja menggunakan Algoritma
K-Means dengan Algoritma Fuzzy C-
Means. Pengukuran dipilih berdasarkan
hasil dari teknik implementasi algoritma
yang paling sesuai atau mendekati. Data
yang berkaitan dengan presensi
karyawan di STT - Bandung terlebih
dahulu diambil kemudian dilakukan
clustering. Hasil cluster merupakan
pengelompokan tingkat kinerja
karyawan, terdiri dari Tingkat Kinerja
Tinggi, Tingkat Kinerja Sedang dan
Tingkat Kinerja Rendah.
g.

ALGORITMA

Diunggah oleh

Hak Cipta:

Format Tersedia

ALGORITMA

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

ALGORITMA

Diunggah oleh

Hak Cipta:

Format Tersedia

Perbandingan Algoritma K-Means

Dengan Algoritma Fuzzy C-Means

STT-Bandung merupakan perguruan

Penilaian karyawan merupakan salah

2.2 Algoritma K-Means

Anda mungkin juga menyukai