PERBANDINGAN PENGELOMPOKAN GAJI KARYAWAN DI PT.XYZ MENGGUNAKAN ALGORITMA K-MEDOIDS DAN K-MEANS

JANNAH, AFIFAH MIFTAHUL (2022) PERBANDINGAN PENGELOMPOKAN GAJI KARYAWAN DI PT.XYZ MENGGUNAKAN ALGORITMA K-MEDOIDS DAN K-MEANS. S1 thesis, Universitas Mercu Buana Jakarta.

Preview	Text (HAL COVER) 01 Cover.pdf Download (409kB) | Preview
Preview	Text (ABSTRAK) 02 ABSTRAK.pdf Download (31kB) | Preview
	Text (BAB I) 03 BAB I.pdf Restricted to Registered users only Download (78kB)
	Text (BAB II) 04 BAB II.pdf Restricted to Registered users only Download (282kB)
	Text (BAB III) 05 BAB III.pdf Restricted to Registered users only Download (39kB)
	Text (BAB IV) 06 BAB IV.pdf Restricted to Registered users only Download (433kB)
	Text (BAB V) 07 BAB V.pdf Restricted to Registered users only Download (29kB)
	Text (DAFTAR PUSTAKA) 08 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (89kB)
	Text (LAMPIRAN) 09 LAMPIRAN.pdf Restricted to Registered users only Download (1MB)

Abstract

Employee performance appraisal is an important thing to do in order to see and determine the classification of a worker to assess employee professionalism. At this time the employee performance appraisal at PT. XYZ still uses inefficient methods, this is what causes a lack of attention in determining employee performance classifications. It is from this problem that the authors conduct research on data grouping or what is commonly called clustering. In this study the authors used two algorithms, namely K-Means and K-Medoids. In the process of comparing the performance of the K-Means and K-Medoids algorithms, the author uses the Davies Bouldin Index Evaluation method and also the Silhouette Coefficient. From the results of the Davies Bouldin Index (DBI) the best results were obtained in the K-Means algorithm with a DBI value of -1.298. And according to the results of the evaluation on calculations performed using the silhouette coefficient method, a value of 0,795 is obtained for the K-Means algorithm and 0,687 for the K-Medoids algorithm. From the calculation results of the two evaluation methods, it can be concluded that the K-Means algorithm has a fairly good value and is included in the strong structure category and is better than the K-Medoids algorithm. Keywords: Clustering, K-Means, K-Medoids, Silhouette Coefficient, Data Mining. Penilaian kinerja karyawan merupakan hal yang penting dilakukan guna melihat dan menentukan klasifikasi seorang pekerja untuk menilai profesionalisme karyawan. Pada saat ini penilaian kinerja karyawan di PT. XYZ masih menggunakan metode yang tidak efisien, hal inilah yang menyebabkan kurangnya perhatian dalam menentukan klasifikasi kinerja karyawan. Dari permasalahan inilah penulis melakukan penelitian tentang pengelompokan data atau yang biasa disebut dengan clustering. Pada penelitian ini penulis menggunakan dua algoritma yaitu K-Means dan K-Medoids. Dalam proses membandingkan kinerja algoritma KMeans dan K-Medoids, penulis menggunakan metode Davies Bouldin Index Evaluation dan juga Silhouette Coefficient. Dari hasil Davies Bouldin Index (DBI) didapatkan hasil terbaik pada algoritma K-Means dengan nilai DBI sebesar -1.298. Dan menurut hasil evaluasi pada perhitungan yang dilakukan dengan menggunakan metode koefisien siluet diperoleh nilai 0,795 sedangkan untuk algoritma K-Means dan 0,687 untuk algoritma K-Medoids. Dari hasil perhitungan kedua metode evaluasi tersebut dapat disimpulkan bahwa algoritma K-Means memiliki nilai yang cukup baik dan termasuk dalam kategori struktur kuat dan lebih baik dari algoritma K-Medoids. Kata Kunci: Klastering, K-Means, K-Medoids, Silhouette Coefficient, Data Mining

Item Type:	Thesis (S1)
Call Number CD:	FIK/INFO. 22 185
NIM/NIDN Creators:	41517110082
Uncontrolled Keywords:	Klastering, K-Means, K-Medoids, Silhouette Coefficient, Data Mining
Subjects:	000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 020 Library and Information Sciences/Perpustakaan dan Ilmu Informasi > 025 Operations, Archives, Information Centers/Operasional Perpustakaan, Arsip dan Pusat Informasi, Pelayanan dan Pengelolaan Perpustakaan > 025.4 Subject Analysis and Control/Subjek Analisis dan Kontrol Perpustakaan > 025.46 Classification of Specific Subject/Klasifikasi Khusus 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 510 Mathematics/Matematika > 518 Numerical Analysis/Analisis Numerik, Analisa Numerik 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 510 Mathematics/Matematika > 518 Numerical Analysis/Analisis Numerik, Analisa Numerik > 518.1 Algorithms/Algoritma 600 Technology/Teknologi > 650 Management, Public Relations, Business and Auxiliary Service/Manajemen, Hubungan Masyarakat, Bisnis dan Ilmu yang Berkaitan > 651 Office Services/Layanan Kantor > 651.3 Office Management/Manajemen Kantor, Manajemen Perkantoran
Divisions:	Fakultas Ilmu Komputer > Informatika
Depositing User:	ADELINA HASNA SETIAWATI
Date Deposited:	20 Feb 2023 06:30
Last Modified:	20 Feb 2023 06:30
URI:	http://repository.mercubuana.ac.id/id/eprint/74228

Actions (login required)

View Item