Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 47-60
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Penerapan Algoritma K-Means dalam Proses Clustering Penilaian Kinerja Aparatur Sipil Negera di Sekretariat DPRD Pematangsiantar Della Aulia1.
M Safii2.
Dedi Suhendro3 1Mahasiswa Program Studi Sistem Informasi.
STIKOM Tunas Bangsa.
Pematangsiantar 2,3AMIK Tunas Bangsa.
Pematangsiantar 1dellaaulia854@gmail.
com, 2m.
safii@amiktunasbangsa.
id, 3dedi.
su@amiktunasbangsa.
Abstract This study discusses the assessment of the performance of the ASN (State Civil Apparatu.
in the Pematangsiantar DPRD Secretariat based on the quality of its work.
In carrying out their performance, emoployess are still often truant and have a poor work ethic.
In this case the research aims to improve employee welfare.
During this time the amount of employee income is only based on the group and position they have.
This study uses the K-Means method to classify or classify employee performance quality assessments based on SKP .
mployee work objective.
with additional income based on work quality assessment and employee behavior.
After conducting this research there is a result that in carrying out the performance of employees include Quality.
Quantity.
Time.
Cost of each task activity so as to produce a system capable of assisting the appraisal officer in evaluating the quality of employee performance using the K-Means algorithm as information to find out the employee including very good, enough, and less.
Keywords: Data Mining.
Performance of the State Civil Apparatus.
K-Means Clustering Algorithm.
RapidMiner Abstrak Penelitian ini membahas tentang penilaian kinerja ASN (Aparatur Sipil Negar.
di Sekretariat DPRD Pematangsiantar berdasarkan kualitas kerjanya.
Dalam melaksanakan kinerjanya pegawai masih sering bolos dan memiliki etika kerja yang kurang baik.
Dalam hal ini dilakukannya penelitian bertujuan untuk meningkatkan kesejahteraan pegawai.
Selama ini besaran penghasilan pegawai hanya didasarkan pada golongan dan jabatan yang dimilikinya.
Penelitian ini menggunakan metode K-Means untuk mengelompokkan atau mengklasterisasi penilaian kualitas kinerja pegawai berdasarkan SKP (Sasaran Kerja Pegawa.
dengan adanya tambahan penghasilan berdasarkan penilaian kualitas kerja dan perilaku pegawai.
Setelah melakukan penelitian ini terdapat hasil bahwa dalam melaksanakan kinerjanya pegawai meliputi Quality.
Quantity.
Time.
Cost dari setiap kegiatan tugasnya sehingga menghasilkan sistem yang mampu membantu petugas penilai dalam melakukan penilaian kualitas kinerja pegawai dengan menggunakan algoritma K-Means sebagai informasi untuk mengetahui pegawai tersebut termasuk sangat baik, cukup, dan kurang.
Kata kunci: Data Mining.
Kinerja Aparatur Sipil Negara.
Algoritma K-Means Clustering.
RapidMiner PENDAHULUAN Penilaian kinerja (Performance Appraisa.
merupakan suatu proses yang digunakan untuk menentukan apakah seorang pegawai melakukan pekerjaannya sesuai dengan tugas dan tanggung jawabnya.
Penilaian kinerja atau Performance Appraisal ini juga bisa sebagai dasar untuk kenaikan gaji, penurunan jabatan maupun bonus atau tambahan bagi pegawai.
Disisi lain penilaian kinerja yang dilakukan dengan baik dan profesional dapat meningkatkan loyalitas dan motivasi pegawai sehingga tujuan suatu kantor dapat tercapai sesuai dengan yang Penerapan Algoritma K-Means dalam Proses Clustering Penilaian Kinerja ASN (Della Auli.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 47-60
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Di lingkup instansi, kegiatan penilaian kinerja dapat diterapkan untuk menilai kinerja pegawai.
Salah satu aspek yang dapat digunakan sebagai acuan alam penilaian kinerja pegawai adalah penilaian yang beradasarkan SKP (Sasaran Kerja Pegawa.
yang sudah ditetapkan.
Untuk dapat lebih membantu proses penilaian tersebut, perlu adanya pengelolaan dan pengolahan data yang baik.
Pengolahan data yang dimaksud adalah data-data yang dimiliki hasil penilaian berdasarkan SKP dapat diproses dengan baik agar data-data tersebut dapat memberikan suatu informasi yang lebih jelas dan akurat.
Pimpinan kantor perlu mengetahui hasil kinerja pegawai, dari hasil tersebut akan diketahui kualitas kinerja pegawai dalam melaksanakan tugas dan tanggung jawabnya, sehingga pegawai bisa mendapatkan tambahan upah atau bonus dari kualitas kerjanya dan tidak berdasarkan jabatan atau golongannya.
Penelitian yang dilakukan oleh .
bahwa hasil pengelompokan kinerja dosen menggunakan K-Means terbentuk data kelompok dosen sangat baik terdiri dari 12 anggota dengan total nilai centroid 48.
550, data kelompok dosen sangat baik terdiri 29 anggota dengan total nilai centroid 40.
340, data kelompok dosen cukup baik 10 anggota dengan total nilai centroid 37.
963 dan kelompok dosen kurang baik terdiri dari 9 anggota dengan total nilai centroid 37.
Penelitian lainnya dilakukan oleh .
bahwa pengelompokan kualitas kerja pegawai menggunakan algoritma K-Means dalam pemeliharaan kesehatan pegawai terdiri atas 5 kelompok kerja dengan pegawai yang berbeda dan penyakit yang berbeda, dimana penyakit dan jumlah penyakit dalam kelompok tersebut akan digunakan sebagai bahan pertimbangan Bu Fatma untuk merencanakan program kesehatan pegawai di semester berikutnya.
Dalam penelitian ini diharapkan adanya peningkatan kinerja pegawai.
Melalui pelaksanaan penilaian kinerja pegawai yang dilakukan oleh peneliti akan menghasilkan klasterisasi pegawai dimana data-datanya diperoleh dari penilaian pejabat penilai terhadap pegawai secara objektif dan transparan.
METODOLOGI PENELITIAN
Data Mining Data mining merupakan serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis Data mining mulai ada sejak 1990-an sebagai cara yang benar dan tepat untuk mengambil pola dan informasi yang digunakan untuk menemukan hubungan antara data untuk melakukan pengelompokkan ke dalam satu atau lebih cluster sehingga objek - objek yang berada dalam satu cluster akan mempunyai kesamaan yang tinggi antara satu dengan lainnya.
Data mining merupakan bagian dari proses penemuan pengetahuan dari basis data Knowledge Discovery in .
Algoritma K-Means K-Means merupakan salah satu metode clustering non-hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster.
Algoritma ini mempartisi data ke dalam cluster sehingga data yang memiliki karakteristik yang sama dikelompokan ke dalam satu cluster yang sama dan data yang mempunyai Penerapan Algoritma K-Means dalam Proses Clustering Penilaian Kinerja ASN (Della Auli.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 47-60
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik karateristik yang berbeda di kelompokan ke dalam cluster yang lain.
Algoritma ini sederhana untuk diterapkan dan dijalankan, relatif cepat, mudah diadaptasi, dan umum digunakan dalam praktek .
Menurut (Khomaruddin, 2.
K-Means merupakan salah satu metode cluster analisis non hirarki yang berusaha untuk mempartisi objek yang ada ke dalam satu atau lebih cluster atau kelompok objek yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam cluster lain.
Menurut .
itten, 2.
adapun langkah-langkah metode K-Means antara lain sebagai berikut .
Pilih secara acak k buah data sebagai pusat cluster .
Jarak antara data dan pusat cluster dihitung menggunakan Euclidian Distance.
Untuk menghitung jarak semua data ke setiap titik pusat cluster dapat menggunakan teori jarak Euclidean yang dirumuskan sebagai berikut :
Keterangan :
= Jarak objek antara objek i dan j = Dimensi data = Koordinat dari objek i pada dimensi k = Koordinat dari objek j pada dimensi k .
Data ditempatkan dalam cluster yang terdekat, dihitung dari tengah cluster.
Pusat cluster baru akan ditentukan bila semua data telah ditetapkan dalam cluster terdekat.
Proses penentuan pusat cluster dan penempatan data dalam cluster diulangi sampai nilai cendroid tidak berubah lagi.
RapidMiner RapidMiner merupakan perangakat lunak yang bersifat terbuka .
pen RapidMiner adalah sebuah solusi untuk melakukan analisis terhadap data mining, text mining dan analisis pengelompokan.
RapidMiner menggunakan berbagai teknik deskriptif dan prediksi dalam memberikan wawasan kepada pengguna sehingga dapat membuat keputusan yang paling baik.
RapidMiner memiliki kurang lebih 500 operator datamining, termasuk operator untuk input, output, data preprocessing dan visualisasi.
RapidMiner merupakan software yang berdiri sendiri untuk analisis data dan sebagai mesin data mining yang dapat diintegrasikan pada produknya sendiri.
RapidMiner ditulis dengan menggunakan bahasa java sehingga dapat bekerja di semua sistem operasi.
HASIL DAN PEMBAHASAN
Dalam penelitian ini data yang digunakan adalah data SKP (Sasaran Kerja Pegawa.
tahun 2017 yang diperoleh dari Kantor DPRD Kota Pematangsiantar.
Data yang ada dalam penelitian ini dikelompokkan menjadi 3 cluster, data yang diperoleh akan dihitung terlebih dahulu.
Pada penelitian ini aplikasi yang digunakan yaitu RapidMiner sebagai pengujian data yang dianalisa.
Penerapan Algoritma K-Means dalam Proses Clustering Penilaian Kinerja ASN (Della Auli.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 47-60
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Pengolahan Data Berikut uraian perhitungan manual proses Algoritma K-Means clustering.
Menentukan Data Yang Akan Di Cluster Sampel data yang akan digunakan dalam proses clustering kinerja pegawai berdasarkan SKP (Sasaran Kerja Pegawa.
Berikut daftar tabel penggunaan data dapat dilihat pada tabel 1 :
Tabel 1.
Data Sasaran Kerja Pegawai Nama Evi Berliana Nurul Ratna Isum Sudirson Edy Jekson Tri Sutiani Susi Suyani Wanden Wulandani Rumiris Lisma Sumiah Oloan Nazmah Hajijah Haposan Binahar Setia SKP Perilaku .
Menentukan Nilai k Jumlah Cluster Menentukan jumlah cluster yang diinginkan.
Dalam penelitian ini data-data yang ada akan dikelompokkan menjadi tiga cluster.
Yaitu cluster dengan nilai tertinggi (C.
, cluster dengan nilai tengah (C.
, dan cluster dengan nilai terendah (C.
Menentukan Nilai Centroid (Centroid Pusa.
Penentuan pusat cluster awal ditentukan secara random yang diambil dari data yang ada dalam range dan didapat titik pusat dari setiap cluster dapat dilihat pada tabel 2 Tabel 2.
Centroid Data Awal SKP PERILAKU Cluster 1 91.
Cluster 2 85.
Penerapan Algoritma K-Means dalam Proses Clustering Penilaian Kinerja ASN (Della Auli.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 47-60
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik SKP PERILAKU Cluster 3 84.
Menghitung Jarak Setiap Data Terhadap Centroid (Pusat Cluste.
Setelah data nilai pusat cluster awal ditentukan, maka selanjutnya adalah menghitung jarak masing-masing data terhadap pusat cluster.
Proses pencarian jarak terpendek pada iterasi 1 dapat dilihat pada perhitungan dan tabel dibawah ini.
1,744133
2,775212
Hasil dari keseluruhan perhitungan dapat dilihat pada tabel 3 sebagai berikut :
Tabel 3.
Hasil Perhitungan Jarak Pusat Cluster Iterasi 1 Nama SKP Perilaku Evi Berliana Nurul Ratna Isum Sudirson Edy Jekson Tri Setia Jarak Terpendek .
Menentukan Posisi Cluster atau Pengelompokan Dalam menentukan posisi cluster masing-masing data hasil SKP berdasarkan Tabel 4.
Hasil Cluster Nama Kelompok 1 Evi 2 Berliana 3 Nurul 4 Ratna 5 Isum 6 Sudirson 7 Edy 8 Jekson 9 Tri 23 Setia Penerapan Algoritma K-Means dalam Proses Clustering Penilaian Kinerja ASN (Della Auli.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 47-60
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Dapat dilihat pada tabel di atas bahwa pengelompokan antar cluster mendapat hasil C1 dengan 1 data.
C2 dengan 17 data dan C3 sebanyak 5 data.
Proses K-Means akan terus beriterasi sampai pengelompokan data sama dengan pengelompokan data iterasi sebelumnya.
Dengan kata lain proses akan terus melakukan iterasi sampai data pada iterasi terakhir sama dengan iterasi sebelumnya.
Menghitung centroid baru mengunakan hasil dari setiap anggota pada masingmasing cluster setelah didapatkan hasil jarak dari setiap objek pada iterasi ke-1 maka lanjut ke iterasi ke-2 pada perhitungan dan tabel dibawah ini.
C1 :
C2 :
C3 :
84,324
Tabel 5.
Centroid Baru Iterasi 1
SKP
PERILAKU
Selanjutnya dilakukan kembali langkah ke 4 sampai 6.
Jika centroid hasil iterasi dengan centroid sebelumnya bernilai sama seperti posisi cluster data hasil tidak mengalami perubahan maka proses iterasi berhenti.
Namun jika nilai centroid tidak sama serta posisi data masih berubah maka proses iterasi berlanjut pada iterasi berikutnya.
Berikut tabel hasil cluster iterasi ke 2 :
Tabel 6.
Centroid Baru Cluster 1
Cluster 2
85,38471 83,22294
Cluster 3
84,324
81,736
Langkah selanjutnya adalah melakukan perhitungan jarak terhadap data SKP perilaku dengan menggunakan data centroid baru.
1,140849
2,953051
Hasil dari keseluruhan perhitungan dapat dilihat pada tabel 7 sebagai berikut :
Penerapan Algoritma K-Means dalam Proses Clustering Penilaian Kinerja ASN (Della Auli.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 47-60
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Tabel 7.
Hasil Perhitungan Jarak Pusat Cluster Iterasi 2 Nama SKP Perilaku Evi Berliana Nurul Ratna Isum Sudirson Edy Jekson Tri Setia Jarak Terpendek Tabel 8.
Hasil Cluster Iterasi 2 Nama Kelompok 1 Evi 2 Berliana 3 Nurul 4 Ratna 5 Isum 6 Sudirson 7 Edy 8 Jekson 9 Tri 23 Setia Dapat dilihat pada hasil perhitungan manual pada data di atas mendapatkan hasil akhir yang berbeda pada iterasi 1 dan iterasi 2.
Dimana hasil untuk iterasi 2 benilai C1 = 1.
C2 = 12, dan C3 =8.
Untuk itu proses K-Means akan dilanjutkan ke iterasi Berikut perhitungan dan tabel iterasi ke-3 dibawah ini :
Menghitung Centroid Baru :
C1 :
C2 :
C3 :
84,5275MVH
Penerapan Algoritma K-Means dalam Proses Clustering Penilaian Kinerja ASN (Della Auli.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 47-60
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Tabel 9.
Hasil Perhitungan Centroid Baru Pada Iterasi 3
SKP
PERILAKU
Langkah selanjutnya adalah melakukan perhitungan jarak terhadap data SKP perilaku dengan menggunakan data centroid baru.
0,920354
2,675783
Hasil dari keseluruhan perhitungan dapat dilihat pada Tabel 5.
0 sebagai berikut :
Tabel 10.
Hasil Perhitungan Jarak Pusat Cluster Iterasi 3
Nama SKP
Perilaku EVI
BERLIANA
NURUL
RATNA
ISUM
SUDIRSON
EDY
JEKSON
TRI
SETIA
Jarak Terpendek Tabel 11.
Hasil Cluster Nama Kelompok 1 Evi 2 Berliana 3 Nurul 4 Ratna 5 Isum 6 Sudirson 7 Edy 8 Jekson 9 Tri 23 Setia Penerapan Algoritma K-Means dalam Proses Clustering Penilaian Kinerja ASN (Della Auli.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 47-60
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Proses K-Means masih terus berlanjut ke iterasi berikutnya dikarenakan masih ada perubahan dan hasilnya belum stabil.
Berikut perhitungan dan tabel iterasi ke-4 dibawah ini :
Menghitung Centroid Baru :
C1 :
C2 :
C3 :
84,52333
Tabel 12.
Hasil Perhitungan Centroid Baru Pada Iterasi 4
SKP
PERILAKU
C3 84,52333
Langkah selanjutnya adalah melakukan perhitungan jarak terhadap data SKP perilaku dengan menggunakan data centroid baru.
5,467723
0,830488
2,602445
Hasil dari keseluruhan perhitungan dapat dilihat pada tabel berikut :
Tabel 13.
Hasil Perhitungan Jarak Pusat Cluster Iterasi 4
Nama SKP
Perilaku EVI
BERLIANA
NURUL
RATNA
ISUM
SUDIRSON
EDY
JEKSON
TRI
SETIA
Jarak Terpendek Penerapan Algoritma K-Means dalam Proses Clustering Penilaian Kinerja ASN (Della Auli.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 47-60
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Tabel 14.
Hasil Cluster Nama Kelompok 1 Evi 2 Berliana 3 Nurul 4 Ratna 5 Isum 6 Sudirson 7 Edy 8 Jekson 9 Tri 23 Setia Proses K-Means masih terus berlanjut ke iterasi berikutnya dikarenakan masih ada perubahan dan hasilnya belum stabil.
Berikut perhitungan dan tabel iterasi ke-5 dibawah ini :
Menghitung Centroid Baru :
C1 :
C2 :
C3 :
84,5793
Tabel 15.
Hasil Perhitungan Centroid Baru Pada Iterasi 5
SKP
PERILAKU
C2 85,61417 83,54583
84,579
82,092
Langkah selanjutnya adalah melakukan perhitungan jarak terhadap data SKP dan Perilaku dengan menggunakan data centroid baru.
5,467723
0,757167
2,516614
Penerapan Algoritma K-Means dalam Proses Clustering Penilaian Kinerja ASN (Della Auli.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 47-60
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Hasil dari keseluruhan perhitungan dapat dilihat pada tabel 16 sebagai berikut :
Tabel 16.
Hasil Perhitungan Jarak Pusat Cluster Iterasi 5 Nama SKP Perilaku Evi Berliana Nurul Ratna Isum Sudirson Edy Jekson Tri Setia Jarak Terpendek Tabel 17.
Hasil Cluster Nama Kelompok 1 Evi 2 Berliana 3 Nurul 4 Ratna 5 Isum 6 Sudirson 7 Edy 8 Jekson 9 Tri 23 Setia Proses K-Means masih terus berlanjut ke iterasi berikutnya dikarenakan masih ada perubahan dan hasilnya belum stabil.
Berikut perhitungan dan tabel iterasi ke-6 dibawah ini :
Menghitung Centroid Baru :
C1 :
C2 :
85,80889
83,77444
C3 :
Penerapan Algoritma K-Means dalam Proses Clustering Penilaian Kinerja ASN (Della Auli.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 47-60
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik 84,68308 82,26923 Tabel 18.
Hasil Perhitungan Centroid Baru Pada Iterasi 6
SKP
PERILAKU
85,80889 83,77444
84,68308 82,26923
Langkah selanjutnya adalah melakukan perhitungan jarak terhadap data SKP perilaku dengan menggunakan data baru.
5,467723
0,468922
2,314669
Hasil dari keseluruhan perhitungan dapat dilihat pada tabel berikut :
Tabel 19.
Hasil Perhitungan Jarak Pusat Cluster Iterasi 6
Nama EVI
BERLIANA
NURUL
RATNA
ISUM
SUDIRSON
EDY
JEKSON
TRI
SETIA
SKP
Perilaku Jarak Terpendek Tabel 20.
Hasil Cluster Nama Kelompok 1 Evi 2 Berliana 3 Nurul 4 Ratna 5 Isum 6 Sudirson 7 Edy 8 Jekson 9 Tri 10 Sutiani Penerapan Algoritma K-Means dalam Proses Clustering Penilaian Kinerja ASN (Della Auli.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 47-60
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Susi Suyani Wanden Wulandani Rumiris Lisma Sumiah Oloan Nazmah Hajijah Haposan Binahar Setia Pada perhitungan ini iterasi berhenti pada iterasi ke-6 karena pada iterasi 5 dan iterasi 6 pengelompokan data yang dilakukan terhadap 3 cluster didapatkan hasil yang sama, dan telah mencapai stabil dan konvergen.
Berdasarkan perhitungan manual pada data SKP (Sasaran Kerja Pegawa.
yang telah dilakukan diatas mendapatkan hasil yaitu C1= 1.
C2= 9, dan C3= 13 pada posisi data tiap cluster.
Hasil Percobaan Pada pengujian ini kita menggunakan software RapidMiner Studio Versi 9.
dengan menggunakan software tersebut kita akan membandingkan hasil dari pengolahan data secara manual dengan hasil pada pengolahan data menggunakan Untuk Cluster Model dapat melihat dalam Decription yang merupakan tampilan hasil pengelompokan cluster dan jumlah anggota dengan Format Text seperti terlihat pada gambar 1.
Gambar 1.
Tampilan Cluster Model Description Keterangan :
Jumlah cluster 0 .
berjumlah 1 item.
Jumlah cluster 1 .
berjumlah 9 item.
Jumlah cluster 2 .
berjumlah 13 item.
Jumlah keseluruhan yaitu 23 data.
Penerapan Algoritma K-Means dalam Proses Clustering Penilaian Kinerja ASN (Della Auli.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 47-60
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik SIMPULAN Berdasarkan pembahasan dan hasil implementasi software Rapidminer pada pengelompokan menggunakan Data Mining metode Algoritma K-Means, maka penulis dapat menyimpulkan sebagai berikut:
Hasil analisis menunjukkan bahwa penerapan Data Mining dalam analisis penilaian kinerja ASN untuk menetapkan besaran TPP di Sekretariat DPRD Pematangsiantar dapat membantu dalam memaksimalkan kinerja pegawai.
Berdasarkan hasil yang diperoleh dari metode K-Means clustering yang di implementasikan kedalam Rapidminer memiliki nilai yang sama yaitu menghasilkan 3 cluster yaitu cluster tinggi sebanyak 1 yaitu Sutiani.
Sedangkan cluster sedang sebanyak 9 yaitu Evi.
Berliana.
Ratna.
Isum.
Jekson.
Suyani.
Wanden.
Rumiris, dan Haposan .
Dan cluster rendah sebanyak 13 yaitu Nurul.
Sudirson.
Edy.
Tri.
Susi.
Wulandani.
Lisma.
Sumiah.
Oloan.
Nazmah.
Hajijah.
Binahar.
Setia.
Hasil yang didapat dari penelitian dapat menjadi masukan bagi instansi terkait, pegawai yang menjadi perhatian lebih pada kantor DPRD berdasarkan cluster yang telah dilakukan DAFTAR PUSTAKA