UMIUMI

METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi AkuntansiMETHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi

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 pegawai. 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 K-Means Clustering. Metode K-Means Clustering dapat mengelompokkan data berdasarkan karakteristiknya. Pada penelitian ini data kehadiran dianalisis menggunakan metode K-Means untuk mendapatkan pengelompokkan kedisiplinan. 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.

Metode K-Means berhasil mengelompokkan kedisiplinan pegawai menjadi tiga cluster, dengan Cluster 2 menunjukkan tingkat kedisiplinan tertinggi.Pegawai dengan waktu berangkat lebih awal dan pulang lebih cepat menunjukkan kedisiplinan terbaik, sehingga hasil pengelompokan memudahkan pengambilan keputusan.Penelitian masih membutuhkan indikator tambahan untuk menilai kedisiplinan secara lebih komprehensif, dan penelitian selanjutnya sebaiknya mengintegrasikan faktor-faktor tersebut untuk meningkatkan akurasi penilaian.

Penelitian selanjutnya dapat mengeksplorasi penggunaan indikator tambahan seperti kepatuhan terhadap peraturan internal dan tanggung jawab pekerjaan untuk memperkaya penilaian kedisiplinan pegawai, sehingga model klasifikasi menjadi lebih komprehensif. Selain itu, studi lanjutan dapat membandingkan efektivitas algoritma clustering lain, misalnya DBSCAN atau Hierarchical Clustering, dalam mengelompokkan data kehadiran untuk menentukan apakah metode K-Means memang paling optimal dalam konteks ini. Penelitian juga dapat mengembangkan sistem pemantauan kedisiplinan secara real‑time dengan integrasi data kehadiran, output kerja, dan feedback supervisor, guna menguji dampak disiplin terhadap produktivitas dan kepuasan kerja secara longitudinal. Dengan pendekatan multidimensi tersebut, hasilnya diharapkan memberikan wawasan yang lebih akurat bagi manajemen dalam merumuskan kebijakan pengembangan sumber daya manusia.

  1. A dynamic K-means clustering for data mining | Hossain | Indonesian Journal of Electrical Engineering... doi.org/10.11591/ijeecs.v13.i2.pp521-526A dynamic K means clustering for data mining Hossain Indonesian Journal of Electrical Engineering doi 10 11591 ijeecs v13 i2 pp521 526
Read online
File size325.96 KB
Pages7
DMCAReport

Related /

ads-block-test