Perbandingan Algoritma K-Means dan Hierarchical Untuk Klasterisasi Data Kehadiran Karyawan
Abstract
Employee attendance data analysis has an important role in human resource management to improve efficiency and productivity. This study compares the K-Means and Hierarchical methods for grouping employee attendance data to discover performance factors. The goal of this study is to compare the performance of the two algorithms utilizing the assessment metrics Silhouette Score, Calinski-Harabasz Index, and Dunn Index. The methods used include collecting employee attendance data, preprocessing data, applying clustering algorithms, and evaluating performance based on specified metrics. The evaluation results showed that K-Means produced a Silhouette Score of 0.46, a Calinski-Harabasz Index of 522.90, and a Dunn Index of 0.98, while Hierarchical obtained a score of 0.40, 452.85, and 0.86, respectively. These results indicate that K-Means is superior in forming clearer and separate clusters. Based on these findings, the K-Means technique is more recommended for employee attendance data analysis because it provides more optimal cluster separation.
Keywords: Clustering; K-Means; Hierarchical; Attendance Data; Evaluation
Abstrak
Analisis data kehadiran karyawan memiliki peran penting dalam manajemen sumber daya manusia untuk meningkatkan efisiensi dan produktivitas. Penelitian ini membahas perbandingan algoritma K-Means dan Hierarchical dalam klasterisasi data kehadiran karyawan guna mengidentifikasi karakteristik kinerja. Tujuan dari penelitian ini adalah mengevaluasi performa kedua algoritma menggunakan metrik evaluasi Silhouette Score, Calinski-Harabasz Index, dan Dunn Index. Metode yang digunakan meliputi pengumpulan data kehadiran karyawan, preprocessing data, penerapan algoritma klasterisasi, serta evaluasi performa berdasarkan metrik yang ditentukan. Hasil evaluasi menunjukkan bahwa K-Means menghasilkan Silhouette Score sebesar 0.46, Calinski-Harabasz Index sebesar 522.90, dan Dunn Index sebesar 0.98, sedangkan Hierarchical memperoleh nilai masing-masing sebesar 0.40, 452.85, dan 0.86. Hasil ini mengindikasikan bahwa K-Means lebih unggul dalam membentuk klaster yang lebih jelas dan terpisah. Berdasarkan temuan ini, algoritma K-Means lebih direkomendasikan untuk analisis data kehadiran karyawan karena memberikan pemisahan klaster yang lebih optimal.
Keywords
References
F. Wibowo and H. K. Tjahjono, “Optimalisasi kinerja organisasi melalui gaya kepemimpinan yang efektif untuk mencapai kepuasan kerja: sebuah studi literatur,” Entrepreneurship Bisnis Manajemen Akuntansi (E-BISMA), pp. 129–142, Jun. 2023, doi: 10.37631/ebisma.v4i1.929.
E. H. Pratiwi and M. A. Ahmadi, “Pengaruh E-Recruitment dan Absensi Online Terhadap Kinerja Karyawan,” Neraca: Jurnal Ekonomi, Manajemen dan Akuntansi, vol. 8, no. 1, pp. 629–638, 2025, [Online]. Available: https://ojs.serambimekkah.ac.id/serambi-ekonomi-dan-bisnis/629
E. Arda, A. Aulia, O. Saputra, and J. Heikal, “Employee Performance Segmentation In The Public Housing Service And Payakumbuh City Residential Area With Using The K-Means Clustering Model,” Jurnal Ekonomi Dan Bisnis Digital, vol. 01, no. 03, pp. 385–389, 2024.
A. Frianco Bunga, S. Yulianto, and J. Prasetyo, “Optimasi Penilaian Mutu Kerja Pegawai Dengan Metode Clustering Pada RRI Tual,” Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK, vol. 9, no. 1, pp. 391–397, 2024, [Online]. Available: https://tunasbangsa.ac.id/ejurnal/index.php/jurasik
F. Salsabila, N. Azise, and M. A. Ridla, “Perbandingan Kinerja Algoritma Clustering K-Means Dan Kmedoids Pada Popularitas Line Webtoon,” Prosiding Seminar Nasional Sains dan Teknologi Seri 02, vol. 1, no. 2, pp. 3047–6569, 2024.
H. Februariyanti, J. S. Wibowo, D. B. Santoso, and M. Sukur, “Analisis Kecenderungan Informasi Menggunakan Algoritma Hierarchical Agglomerative Clustering,” Jurnal Informatika, Manajemen dan Komputer, vol. 13, no. 1, 2021.
N. Nur, M. Iqram, and N. Inayah, “Perbandingan K-Means dan Hierarchical Clustering dalam Pengelompokan Daerah Beresiko Stunting,” Jurnal Inovtek Polbeng - Seri Informatika, vol. 8, no. 2, p. 2023, 2023.
Rahmati Rizqina and Wijayanto Arie, “Analisis Cluster Dengan Algoritma K-Means, Fuzzy C-Means Dan Hierarchical Clustering (Studi Kasus: Indeks Pembangunan Manusia tahun 2019),” JIKO (Jurnal Informatika dan Komputer), vol. 5, no. 2, 2021.
G. B. Kaligis and S. Yulianto, “Analisa Perbandingan Algoritma K-Means, K-Medoids, Dan X-Means Untuk Pengelompokkan Kinerja Pegawai (Studi Kasus: Sekretariat Dprd Provinsi Sulawesi Utara),” Jurnal Penerapan Teknologi Informasi dan Komunikasi, 2022.
S. D. K. Wardani, A. S. Ariyanto, M. Umroh, and D. Rolliawati, “Perbandingan Hasil Metode Clustering K-Means, Db Scanner &Amp; Hierarchical Untuk Analisa Segmentasi Pasar,” JIKO (Jurnal Informatika dan Komputer), vol. 7, no. 2, p. 191, Sep. 2023, doi: 10.26798/jiko.v7i2.796.
D. D. Satrio, F. A. Akbar, and M. M. Al Haromainy, “Pengembangan Bot Discord Sebagai Pemutar dan Rekomendasi Musik Menggunakan Metode K-Means,” Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 13, no. 1, p. 95, Apr. 2024, doi: 10.35889/jutisi.v13i1.1681.
T. Widyanti, S. S. Hilabi, A. Hananto, Tukino, and E. Novalia, “Implementasi K-Means dan K-Nearest Neighbors pada Kategori Siswa Berprestasi,” Jurnal Informasi & Teknologi (JIdT), vol. 5, no. 1, 2023.
A. Lia Hananto et al., “Analysis Of Drug Data Mining With Clustering Technique Using K-Means Algorithm,” J Phys Conf Ser, vol. 1908, no. 1, p. 012024, Jun. 2021, doi: 10.1088/1742-6596/1908/1/012024.
N. Kastiawan, B. Huda, E. Novalia, and F. Nurapriani, “Klasterisasi Data Obat dengan Algoritma K-Means (Kasus pada UPTD Puskesmas Curug),” 2024.
N. Hendrastuty, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Dalam Evaluasi Hasil Pembelajaran Siswa,” Jurnal Ilmiah Informatika dan Ilmu Komputer (JIMA-ILKOM), vol. 3, no. 1, pp. 46–56, Mar. 2024, doi: 10.58602/jima-ilkom.v3i1.26.
N. Satyahadewi, S. J. Sinaga, and H. Perdana, “Hierarchical Cluster Analysis Of Districts/Cities In North Sumatra Province Based On Human Development Index Indicators Using Pseudo-F,” BAREKENG: Jurnal Ilmu Matematika dan Terapan, vol. 17, no. 3, pp. 1429–1438, Sep. 2023, doi: 10.30598/barekengvol17iss3pp1429-1438.
D. Astuti and Muqorobin, “Optimasi Metode K-Means Clustering untuk Pengelompokan Obat Di Puskemas Mertoyudan I Magelang,” Sistemasi: Jurnal Sistem Informasi , vol. 13, no. 5, 2021, [Online]. Available: http://sistemasi.ftik.unisi.ac.id
I. F. Ashari, E. Dwi Nugroho, R. Baraku, I. Novri Yanda, and R. Liwardana, “Analysis of Elbow, Silhouette, Davies-Bouldin, Calinski-Harabasz, and Rand-Index Evaluation on K-Means Algorithm for Classifying Flood-Affected Areas in Jakarta,” Journal of Applied Informatics and Computing, vol. 7, no. 1, pp. 89–97, Jul. 2023, doi: 10.30871/jaic.v7i1.4947.
N. A. Kilo, M. R. Katili, and I. K. Hasan, “Perbandingan Metode K-Means dan K-Medoids Dengan Validitas Davies-Bouldin Indeks, Dunn Indeks dan Indeks Connectivity Pada Pengelompokkan Masyarakat Penerima Bantuan Langsung Tunai,” Research in the Mathematical and Natural Sciences, vol. 4, no. 1, pp. 8–15, 2025, doi: 10.55657/rmns.v4i1.190.
How To Cite This :
Refbacks
- There are currently no refbacks.
