METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
KLASTERISASI PEMETAAN KEDISIPLINAN PEGAWAI BERDASARKAN REKAP KEHADIRAN MENGGUNAKAN ALGORITMA CLUSTERING K-MEANS Imam Ahmad AshariA.
Purwono.
Jatmiko Indriyanto.
Arif Setia Sandi Fakultas Sains dan Teknologi.
Universitas Harapan Bangsa.
Purwokerto.
Indonesia Email: imamahmadashari@uhb.
DOI: https://doi.
org/10.
46880/jmika.
Vol9No1.
ABSTRACT
Employee discipline is one of the key success factors in a company.
Work discipline has an important role in the formation of a positive work environment.
One of the things that shows employee discipline is the time of Attendance time is usually recorded at the time the employee enters and leaves.
Disciplinary information can be mapped into several groupings so that it is easy for decision makers to read.
One of the computational methods that can perform data mapping is the K-Means Clustering method.
The K-Means Clustering method can group data based on their characteristics.
In this study, attendance data were analyzed using the K-Means method to obtain disciplinary groupings.
The number of Clusters is calculated using the elbow method, 3 Clusters are obtained which are the best Cluster choices, namely Clusters 0, 1, and 2.
The data analysis process shows Cluster 2 is the Cluster with the best level of discipline.
From the analysis, it shows that the KMeans Clustering method can classify data based on employee discipline.
Based on these results, decision makers can be helped in assessing employee discipline at Universita Harapan Bangsa using the disciplinary data grouping that has been made.
Keyword: Attendance Recap.
Discipline.
Data Mining.
Clustering.
K-Means Method.
ABSTRAK
Kedisiplinan pegawai merupakan salah satu faktor kunci keberhasilan di suatu perusahaan.
Kedisiplinan kerja mempunyai peranan penting dalam terbentuknya lingkungan kerja yang positif.
Salah satu hal yang menunjukkan sikap disiplin pegawai adalah waktu kehadiran.
Waktu kehadiran biasanya dicatat pada waktu masuk dan pulang Informasi kedisiplinan dapat dipetakkan ke dalam beberapa pengelompokkan sehingga mudah dibaca oleh pengambil keputusan.
Salah satu metode komputasi yang dapat melakukan pemetaan data adalah metode KMeans Clustering.
Metode K-Means Clustering dapat mengelompokkan data berdasarkan karakteristiknya.
Pada penelitian ini data kehadiran dianalisis menggunakan metode K-Means untuk mendapatkan pengelompokkan Jumlah Cluster dihitung menggunakan metode elbow, didapatkan 3 Cluster yang menjadi pilihan Cluster terbaik yaitu Cluster 0, 1, dan 2.
Proses analisis data menunjukkan Cluster 2 adalah Cluster dengan tingkat kedisiplinan terbaik.
Dari analisis yang dilakukan menunjukkan bahwa metode K-Means Clustering dapat mengelompokkan data berdasarkan kedisiplinan pegawai.
Berdasarkan hasil ini pengambil keputusan dapat terbantu dalam menilai kedisiplinan pegawai di Universita Harapan Bangsa menggunakan pengelompokkan data kedisiplinan yang telah dibuat.
Kata Kunci: Rekap Kehadiran.
Kedisiplinan.
Data Mining.
Clustering.
Metode K-Means.
PENDAHULUAN
Rekap kehadiran pegawai merupakan laporan wajib yang dibutuhkan oleh setiap instansi atau Manfaat dari rekap kehadiran salah satunya adalah sebagai acuan untuk penggajian dan monitoring kinerja pegawai.
Pencatatan kehadiran yang baik dan real-time akan mempermudah instansi atau perusahaan dalam mengevaluasi kinerja dari seorang Pegawai yang baik adalah pegawai yang hadir dan pulang tepat waktu sesuai dengan SOP (Standart operating procedu.
yang telah ditetapkan oleh Kehadiran pegawai juga dapat memberikan kontribusi kemajuan kepada perusahaan untuk masa-masa yang akan datang (H Kara, 2.
Salah satu apresiasi yang diberikan untuk pegawai salah satunya adalah bonus kedisiplinan.
Disiplin adalah rasa taat dan patuh terhadap nilai yang dipercaya serta tanggung jawab yang diberikan kepada seseorang.
Disipilinisasi di perusahaan berarti bahwa pegawai patuh terhadap peraturan atau tunduk pada pengawasan dan pengendalian sesuai dengan SOP yang berlaku.
Perusahaan melakukan tindakan Halaman 12 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
kedisplinan dengan tujuan untuk memperkuat aturan yang telah ditetapkan, meningkatkan moral, dan mempertahankan standar perusahaan.
Disiplin kerja juga merupakan salah satu karakteriristik dari sumber daya manusia yang berkualitas (Saputra, 2.
Selain itu disiplin kerja di dalam perusahaan mampu berpengaruh positif pada lingkungan kerja terhadap kinerja pegawai (Putri et al.
, 2.
Kebermanfaatan yang disebutkan di atas menandakan bahwa begitu pentingnya perusahaan harus selalu menjaga karakter disiplin oleh setiap pegawainya, maka dari itu perlu dilakukan monitoring dan evalusi sehingga karakter kedisiplinan bisa tetap terjaga.
Monitoring dan evaluasi data kehadiran akan lebih mudah dilakukan ketika data kehadiran pegawai tersajikan dalam bentuk pemetaan.
Pemetaan kehadiran dapat dikelompokkan ke dalam beberapa sub sesuai dengan karakteristik kedisiplinan.
Salah satu metode komputasi yang dapat digunakan untuk melakukan pengelompokkan sebuah data adalah metode Data Mining.
Dengan ketersediaan data yang luas dan kebutuhan untuk mengubahnya menjadi informasi dan pengetahuan yang bermanfaat, data mining telah menarik perhatian industri informasi dalam beberapa tahun terakhir (Ramasamy & Nirmala, 2.
Data mining adalah teknik yang digunakan untuk menemukan struktur data dari kumpulan data yang Hasil dari proses ini memungkinkan para pengambil keputusan untuk membuat keputusan yang tepat tentang bagaimana mengembangkan bisnis ke depannya (Hossain et al.
, 2.
Clustering adalah salah satu metode Data Mining.
Teknik pengelompokan data clustering menggunakan label kelas tanpa mendefinisikan kelas data pengetahuan (Rodriguez et al.
, 2.
Tujuan utama melakukan pengelompokan data pada data besar adalah untuk mengurutkan kumpulan data terkait dan kemudian menemukan pola dari data yang dikelompokkan (Chen et al.
, 2.
Pada teknik Clustering sendiri pertama.
Clustering diterapkan di ruang desain dan hasilnya kemudian divisualisasikan di ruang objektif.
Setelah pengelompokkan, detail fitur di setiap Cluster dianalisis berdasarkan konsep analisis aturan asosiasi, sehingga substruktur karakteristik dapat diekstraksi dari setiap Cluster solusi (Sato et al.
Salah satu metode Clustering yang paling populer dan tercepat adalah metode K-Means (Manochandar et al.
, 2.
Metode K-Means merupakan metode yang terkenal karena efisiensinya dalam mengelompokkan kumpulan data yang besar, bekerja hanya pada data numerik bukan diterapkan untuk mengelompokkan ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
data kategorikal (Nguyen et al.
, 2.
Algoritma clustering yang terkenal yaitu K-Means memperoleh partisi k objek melalui perbaikan berulang sehingga jumlah jarak kuadrat antara objek dan pusat cluster diminimalkan (Jothi et al.
, 2.
Cara kerja K-Means dimulai dengan k pusat awal yang dipilih secara acak.
K-Means menetapkan setiap objek ke sebuah Cluster yang memiliki pusat terdekat.
Kemudian, pusat Cluster dihitung ulang menggunakan keanggotaan objek saat Sekali lagi objek dipindahkan ke pusat terdekat.
Proses ini berulang sampai tidak ada perubahan pada pusat Cluster.
Penelitian K-Means Clustering adalah tentang penyajian pendekatan pengelompokkan untuk mempartisi siswa ke dalam kelompok yang berbeda berdasarkan perilaku belajar siswa dengan metode Data Mining (Kausar et al.
Pada penelitian bidang kesehatan metode KMeans dikombinasikan dengan neural network untuk deteksi objek dan identifikasi kelainan tumor otak (Arunkumar et al.
, 2.
Pada penelitian lain metode K-Means digunakan untuk mengklasifikasikan pegawai di sebuah perusahaan, kemudian setiap jenis algoritma pohon keputusan digunakan untuk melakukan prediksi dan analisis turnover (Yunmeng & Chengyi, 2.
Kontribusi kami dalam penelitian ini ialah melakukan Clusterisasi terhadap rekap kehadiran pada daftar hadir pegawai di Universitas Harapan Bangsa.
Hasil yang diharapkan adalah adanya pengelompokkan data sesuai dengan kedisiplinan kerja pegawai.
Keputusan ini akan menjadi bahan evaluasi bagi instansi untuk membuat kebijakan SOP rekap kehadiran ke depannya.
Sehingga ke depan tradisi menjunjung tinggi nilai kedisiplinan di kampus Universitas Harapan Bangsa dapat lebih ditingkatkan.
KAJIAN LITERATUR
Terdapat penelitian tentang Klasterisasi Tingkat Kehadiran Dosen Menggunakan Algoritma K-Means Clustering (Virgo et al.
, 2.
Penelitian ini bertujuan untuk mengimplementasikan sebuah aplikasi yang dapat mencatat jumlah pertemuan yang dilakukan oleh dosen selama proses belajar mengajar, dengan tujuan untuk menggunakan data pertemuan tersebut sebagai penilaian terhadap kinerja mereka.
Penelitian ini berhasil mengelompokkan dosen menjadi tiga kelompok: kelompok jarang melakukan pertemuan .
7650%), kelompok sedang dalam melakukan pertemuan .
5665%), dan kelompok rajin melakukan pertemuan .
6684%).
Pendekatan Knowledge Discovery in Database (KDD) dan Algoritma K-Means Halaman 13 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
Clustering dalam Data Mining digunakan.
Hasil penelitian menunjukkan bahwa dosen pengampu matakuliah tertentu cenderung rajin menghadiri setiap pertemuan pada tahun akademik 2017/2018 semester gasal dan genap, dengan kehadiran rata-rata antara delapan belas hingga dua belas kali pertemuan per Penelitian lain yaitu tentang Penerapan Data Mining untuk Memprediksi Kinerja Akademik Menggunakan K-means Clustering dan Klasifikasi Nayve Bayes (Ali et al.
, 2.
Penelitian ini bertujuan untuk meningkatkan kualitas sistem pendidikan di perguruan tinggi dengan menggunakan proses algoritma k-means clustering dan klasifikasi Nayve Bayes.
Penelitian ini berfokus pada mengeksplorasi data evaluasi mahasiswa terkait kinerja pengajar untuk memahami atribut utama yang dapat memengaruhi kinerja pendidikan di berbagai mata kuliah.
Sistem yang diusulkan ini membantu mengidentifikasi mahasiswa yang berhenti belajar dan memberikan saran atau konseling yang sesuai untuk manajemen pendidikan dalam mengambil keputusan yang Penelitian lainnya tentang Analisis Perilaku Mahasiswa Berdasarkan Algoritma Fusion K-Means Clustering (Chang et al.
, 2.
Penelitian ini bertujuan untuk meningkatkan efisiensi dan efek klasterisasi dalam analisis data dengan mengusulkan algoritma berbasis K-Means dan K-CFSFDP.
Hasil analisis klaster menunjukkan bahwa mahasiswa dari kategori yang berbeda di empat universitas memiliki performa yang berbeda dalam kebiasaan hidup dan performa belajar, sehingga universitas dapat memahami perilaku mahasiswa dari berbagai kategori dan memberikan layanan personalisasi yang sesuai, yang memiliki signifikansi praktis tertentu.
Penelitian terkait lainnya yaitu tentang Strategi Marketing Penerimaan Mahasiswa Baru Menggunakan Machine Learning dengan Teknik Clustering (Dana et , 2.
Dengan menggunakan teknologi machine learning dan metode clustering, penelitian ini bertujuan untuk meningkatkan efektivitas kegiatan penerimaan mahasiswa baru di perguruan tinggi.
Hasilnya, pendaftar dikelompokkan menjadi tiga kelompok, yaitu kelompok 1 sebesar 11%, kelompok 2 sebesar 56%, dan kelompok 3 sebesar 33%.
Ini memudahkan penentuan strategi dan pola pemasaran yang sesuai dengan karakteristik masing-masing kelompok pendaftar, yang diharapkan akan meningkatkan minat dan keberhasilan penerimaan mahasiswa baru.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
METODE PENELITIAN Metode penelitian dilakukan mulai dari pengumpulan data, pemodelan data, penentuan jumlah Cluster, analisis data sampai dengan menghasilkan output yang diharapkan.
Data dikumpulkan untuk mendapatkan informasi yang diperlukan untuk mencapai tujuan penelitian.
Pemodelan data digunakan untuk menyeleksi data sehingga mudah dipahami dan memastikan bahwa data tersebut akurat untuk proses Penentuan jumlah Cluster dihitung menggunakan metode elbow.
Analisis data menggunakan metode K-Means, digunakan untuk melakukan pemetaan kedisiplinan pegawai sesuai dengan data rekap kehadiran yang sudah ditransformasi sesuai dengan kebutuhan.
Metode Pengumpulan Data Data kehadiran pegawai di Universitas Harapan Bangsa digunakan sebagai sumber penelitian ini.
Data pengelompokkan kedisiplinan pegawai.
Data diambil dari tanggal 08 Juni 2023 sampai dengan 21 September Jumlah keseluruhan rekap kehadiran yang tersimpan adalah 20.
935 data, dengan jumlah pegawai yaitu 121 orang.
Sebelum memulai proses analisis dengan menggunakan metode K-Means Clustering data yang telah ditransformasi, beberapa fitur yang tidak diperlukan dihilangkan.
Data rekap kehadiran yang sudah disesuaikan dapat dilihat pada Tabel 1.
Tabel I.
Data Rekap Kehadiran Nama Jam Berangkat
Jam Pulang
Pep
07:30:03
16:03:35
Gal
07:04:23
16:05:03
Dan 07:11:51 16:01:17 Had 07:13:17 16:06:25 Des
07:14:13
16:01:26
Hes
07:14:14
16:01:36
Fua
07:14:24
16:02:16
Est
07:15:28
16:04:40
Adi
07:15:34
16:03:38
Arl
07:16:50
16:10:01
Ala
07:17:04
16:00:17
Langkah-langkah prosedur menggunakan k melibatkan metode pengelompokan yang terdiri dari beberapa tahapan.
Pertama, hitung jumlah Cluster yang diinginkan dengan nilai k.
Kemudian, pilih centroid, pusat Cluster awal, sejumlah k nilai tersebut.
Selanjutnya, gunakan rumus jarak Euclidean untuk Halaman 14 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
menghitung jarak dari setiap data input ke centroid, dan cari centroid terdekat dari setiap data.
Langkah mengelompokkan setiap item data berdasarkan kedekatannya, di mana data akan ditempatkan dalam Cluster dengan jarak minimum ke centroid.
Terakhir, perbarui nilai pusat dengan mengambil mean Cluster tersebut menggunakan rumus yang sesuai.
Metode Elbow Metode Elbow digunakan untuk menjelaskan dan memverifikasi konsistensi analisis Clustering, yang bertujuan untuk membantu menemukan jumlah Cluster yang sesuai dalam kumpulan data (Purwono et , 2.
Metode Elbow membandingkan jumlah Cluster yang akan membentuk siku dengan persentase Langkah pertama metode elbow, derajat distorsi yang diperoleh dengan metode Elbow dinormalisasi dengan kisaran 0 sampai 10.
Kedua, hasil normalisasi digunakan untuk menghitung kosinus sudut perpotongan antar titik siku.
Ketiga, perhitungan kosinus sudut perpotongan dan teorema arccosinus ini digunakan untuk menghitung sudut perpotongan antara titik siku.
Akhirnya, indeks sudut perpotongan minimal yang dihitung di atas antara titik siku digunakan sebagai perkiraan jumlah Cluster optimal potensial (Liu & Deng, 2.
Untuk perbandingan antara jumlah Cluster adalah dengan menghitung SSE (Sum of Square Erro.
dari masingmasing nilai Cluster.
Nilai SSE akan berkurang seiring dengan jumlah Cluster K.
Rumus SSE pada K-Means dapat dilihat pada persamaan .
SSE = Ocycoyco=1 OcycUycnyunycIyco |.
cuycn Oe yayco |.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Metode penganalisa data K-Means Clustering melakukan proses pemodelan tanpa supervisi dan termasuk dalam kelompokan data dengan sistem Dua jenis model pengelompokan data yang paling umum digunakan dalam proses pengelompokan data adalah hierarchical dan non-hierarchical.
Metode pengelompokan data K-Means menggunakan model non-hierarchical, juga dikenal sebagai partisional Model partitional Clustering dapat dilihat pada gambar 1.
Gambar 1.
Partitional Clustering Metode K-Means Clustering mengelompokkan data ke dalam beberapa kelompok, masing-masing dengan karakteristik yang sama dan berbeda satu sama Tujuan dari metode ini adalah untuk mengurangi fungsi tujuan yang ditetapkan selama proses clustering dengan mengurangi variasi antara data dalam kelompok dan meningkatkan variasi antara data dalam Contoh Cluster dengan jumlah 3 dapat dilihat pada gambar 2.
Keterangan dari persamaan berikut adalah k merupakan Cluster ke-c, ycuycn merupakan jarak data obyek ke-I, dan yayco merupakan pusat Cluster ke-i.
Contoh hasil dari K-Means Clustering menggunakan metode elbow dapat dilihat pada tabel 2.
Tabel 2.
Data Clustering dengan metode elbow
Jam Jam Nama Cluster
Berangkat
Pulang
Pep
7:30:03
16:03:35
Ang
7:22:58
17:03:49
Noo
7:08:14
16:16:26
Metode K-Means Clustering Metode K-Means adalah metode clustering yang paling umum dan populer (Sinaga & Yang, 2.
Gambar 2.
Contoh Cluster Tahapan proses Clustering menggunakan metode K-Means Clustering umumnya mengikuti algoritma dasar sebagai berikut: Pertama, tentukan jumlah Cluster yang diinginkan.
Selanjutnya, alokasikan data secara acak ke dalam Cluster.
Kemudian, hitung centroid atau rata-rata dari data yang Halaman 15 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
terdapat di setiap Cluster.
Langkah berikutnya adalah mengalokasikan setiap data ke centroid atau rata-rata Proses tersebut dilanjutkan dengan kembali ke langkah ketiga, jika masih ada data yang berpindah Cluster, jika terdapat perubahan nilai centroid di atas nilai threshold yang ditentukan, atau jika terdapat perubahan nilai pada fungsi tujuan di atas nilai threshold yang ditentukan.
HASIL DAN PEMBAHASAN
Menentukan Jumlah Cluster dengan Metode Elbow Percobaan dilakukan menggunakan data presensi yang diambil dari tanggal 08 Juni 2023 sampai dengan 21 September 2023.
Jumlah Cluster yang dipakai pada penelitian ini yaitu sebanyak 3 Cluster.
Jumlah Cluster diambil berdasarkan perhitungan metode Elbow.
Metode Elbow menghitung jumlah Cluster yang tepat dengan membandingkan persentase hasil antara jumlah Cluster yang akan membentuk siku pada titik tertentu.
Hasil perhitungan metode ini dapat dilihat pada gambar 3.
Gambar 4.
Transformasi Data Transformasi data yang telah dibuat selanjutnya di cek rentang nilainya.
Rentang nilai yang terlalu jauh akan menyebabkan plot tidak muncul dengan Persebaran dari transformasi data rekap kehadiran yang sudah disesuaikan dapat dilihat pada Gambar 5.
Gambar 5.
Persebaran Data Kehadiran Gambar 3.
Hasil Perhitungan Metode Elbow Menentukan Jumlah Cluster dengan Metode Elbow Setelah mendapatkan jumlah cluster yang ideal, langkah selanjutnya adalah menggabungkan data kehadiran menggunakan metode K-Means.
Metode KMeans memulai langkahnya dengan memilih secara acak kelompok pertama centroid yang digunakan sebagai titik awal untuk setiap Cluster.
Langah berikutnya adalah melakukan perhitungan berulang ulang untuk mengoptimalkan posisi centroid.
Proses KMeans berhenti ketika centroid telah stabil atau jumlah iterasi yang ditentukan telah tercapai.
Variabel dari data kehadiran yang akan di Cluster adalah data waktu berangkat dan data waktu pulang, sehingga transformasi data berubah seperti terlihat pada gambar 4.
Ukuran dari rentang persebaran data sudah sangat baik sehingga tidak perlu dilakukan standarisasi data lagi.
Ukuran persebaran data yang merata akan membuat plot muncul dengan sempurna.
Langkah terakhir adalah menambahkan kolom Cluster kedalam data frame.
Hasil akhir klasterisasi dengan metode KMeans dapat dilihat pada Gambar 6.
Gambar 6.
Hasil Clusterisasi dengan Metode KMeans Halaman 16 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
Untuk memudahkan membaca persebaran Cluster, data di visualisasikan ke dalam grafik plot.
Visualisasi hasil Cluster dalam bentuk grafik plot dapat dilihat pada gambar Gambar 7.
Gambar 7.
Visualisasi Hasil Cluster Grafik Plot Dari hasil analsis Cluster didapat data presensi 659 berada pada Cluster 0, 3.
552 berada pada Cluster 1, dan 4.
724 berada pada Cluster 2.
Bentuk karakteristik dari Cluster 0 adalah waktu berangkat mendekati jam batas waktu masuk kerja, sedangkan waktu pulang lebih sedikit dari ketentuan waktu pulang kerja.
Karakteristik dari Cluster 1 adalah waktu berangkat mendekati jam batas waktu masuk kerja, sedangkan waktu pulang lebih lama dari ketentuan waktu pulang kerja.
Karakteristik dari Cluster 2 adalah waktu berangkat lebih pagi dari jam batas waktu masuk kerja, sedangkan waktu pulang lebih sedikit dari ketentuan waktu pulang kerja.
Dari karakteristik tersebut dapat diambil kesimpulan bahwa data presensi yang berada pada Cluster 2 adalah presensi dengan karakteristik terbaik.
Dari hasil percobaan didapat 5 pegawai dengan nilai Cluster 0 terbanyak dapat dilihat pada tabel 3.
Tabel 3.
Data Pegawai dengan Nilai Cluster 0
No Nama Total Cluster 0
Gal
Bas
Evi
Ari
Sun
KESIMPULAN
Berdasarkan hasil penelitian yang telah dilakukan, metode K-Means dapat digunakan untuk pengelompokkan kedisiplinan pegawai menggunakan Metode K-Means mengelompokkan karakter kedisplinan kedalam 3 Cluster, yaitu 0, 1, dan 2.
Analisis Cluster ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
menunjukkan bahwa Cluster 2 merupakan Cluster yang mempunyai tingkat kedisiplinan lebih baik dari Cluster Kedisiplinan terbaik diambil dari pegawai yang mempunyai waktu berangkat lebih pagi dari jam batas waktu masuk kerja, sedangkan waktu pulang lebih sedikit dari ketentuan waktu pulang kerja.
Pengelompokkan kedisiplinan dengan rekap kehadiran ini mudah dibaca sehingga akan membantu pihak pengambil keputusan untuk menilai kedisiplinan pegawai di dalam perusahannya.
Kekurangan dalam penelitian ini adalah masih perlunya indikator lain untuk menentukan kedisiplinan kerja, seperti ketaatan dalam mematuhi semua peraturan dan tanggung jawab terhadap sebuah pekerjaan.
Harapan pengembangan penelitian ke depan adalah adanya indikator lain yang digunakan dalam menilai kedisiplinan pegawai, sehingga hasil yang didapat akan lebih akurat.
DAFTAR PUSTAKA