Penerapan Data Mining Dalam Analisis Penilaian Kinerja Pegawai Menerapkan Metode K-Means

(1)

Penerapan Data Mining Dalam Analisis Penilaian Kinerja Pegawai Menerapkan Metode K-Means

Supriadi Sahibu¹,Rismawati Bambang^1,*, Imran Taufik¹, Agusriandi²

1Pascasarjana Sistem Komputer, Universitas Handayani Makassar, Makassar, Indonesia

2Fakultas Matematika dan Ilmu Pengetahuan Alam, Matematika, Universitas Sulawesi Barat, Majene, Indonesia Email: ¹[email protected] , ^2,*[email protected] ,³[email protected],

4[email protected]

Email Penulis Korespondensi: [email protected]

Abstrak−Setiap organisasi termasuk Instansi pemerintahan Daerah dalam menghadapi persaingan yang semakin ketat harus meningkatkan kinerja pegawai jika ingin tetap eksis. Sebagai upaya meningkatkan kinerja pegawai dibutuhkan berbagai strategi salah satunya dengan analisis clustering kinerja pegawai. Analisis clutering sangat penting dalam sebagai upaya memperoleh pengetahuan dari aktivitas pegawai secara cepat disbanding cara-cara manual. Oleh karena itu, dalam penelitian dilakukan analisis kinerja pegawai berdasarkan Sasaran Kinerja Pegawai (SKP) yang dibagi menjadi 2 yaitu SKP Printout 2020 dan kuisioner SKP Tahun 2021. Dari Hasil Cluster K-Means menghasilkan cluster SKP kuisioner lebih meyakinkan karena terjadi sebaran yang lebih didominasi oleh kinerja pegawai yang baik dan outlier yang bernilai sedikit, dan selisih Nilai Sum of Square dari cluster SKP printout dan kuisioner tidak terlalu jauh, hanya 21% dengan demikian karakter dari hasil cluster hampir memiliki kesamaan. Hasil Cluster menggambarkan kondisi nyata kinerja Pegawai.

Kata Kunci: Cluster K-Means; Kinerja Pegawai; Sasaran Kinerja Pegawai

Abstract−The organization, including local government agencies, in the face of increasingly fierce competition, must improving employee performance if they want to exist. As an effort to improve employee performance, various strategies were needed, one of which is clustering analysis of employee performance. Clustering analysis is very important in an effort to gain knowledge from employee activities quickly compared to manual methods. Therefore, in this study an analysis of employee performance was carried out based on the Employee Performance Targets (SKP), which was divided into 2, namely the 2020 SKP Printout and the 2021 SKP questionnaire. From the results of the K-Means Cluster it produced a more convincing questionnaire SKP cluster because there was a distribution that was more dominated by employee performance that good and the outliers are of little value, and the difference in the Sum of Square values of the SKP printout and questionnaire clusters that not too far away, only 21% so that the characteristics of the cluster results are almost identical. Cluster results described the real conditions of employee performance.

Keywords: Employee Performance; Employee Performance Goals; K-Means Clustering

1. PENDAHULUAN

Berdasarkan hasil evaluasi yang dilakukan 2 tahun terakhir (2018-2019) oleh Direktorat Kinerja ASN menemukan bahwa instansi daerah dalam penerapan kinerja PNS yang kategori buruk sebanyak 11,7%, 50% cukup, 35% baik dan hanya 3,3% sudah sangat baik [1]. Suatu organisasi yang mempunyai pegawai berkinerja buruk akan berdampak pada tidak berdaya gunanya sumber daya yang dimiliki sehingga sasaran kinerja yang diharapkan tidak dapat tercapai [2].

Kinerja pegawai sangat penting perannya dalam suatu organisasi [3][4]. Setiap organisasi termasuk instansi pemerintahan dalam menghadapi persaingan yang semakin ketat harus meningkatkan kinerja pegawai jika ingin tetap eksis [5], [6]. Sebagai upaya dalam meningkatkan kinerja pegawai maka perlu dilakukan monitoring dan evaluasi secara tersistem. Monitoring dan evaluasi kinerja pegawai mempunyai tujuan untuk menjamin objektivitas pembinaan pegawai yang didasarkan pada sasaran kinerja pegawai [7], [8].

Di samping itu, kinerja pegawai sangat penting perannya dalam organisasi untuk mewujudkan visi organisasi guna memperoleh keutungan yang kompetititf [9]–[11]. Masalah kualitas kinerja pegawai dipertegas pada Peraturan pemerintah yang mengharuskan penerapan Sistem Manajemen Kinerja pegawai seperti dijelaskan dalam Pasal 6 Peraturan Pemerintah Nomor 30 Tahun 2019 [12].

Kinerja Pemerintah Kabupaten Enrekang memperoleh nilai 53,31 atau predikat “CC” berdasarkan hasil evaluasi kinerja yang dilakukan oleh kementerian PANRB pada tahun 2020. Hasil tersebut berarti bahwa tingkat efektivitas dan efisiensi penggunaan anggaran masih rendah jika dihubungkan dengan capaian kinerja. Rendahnya kinerja tersebut disebabkan oleh kualitas pembangunan budaya kinerja dan penyelenggaraan pemerintahan yang berorientasi pada hasil di Kabupaten Enrekang belum berjalan dengan baik dan diperlukan tindak lanjut.

Salah satu tindak lanjut yang dapat diusulkan adalah melakukan pemodelan kinerja pegawai sebagai upaya mengevaluasi yang bersumber dari data kinerja pegawai yang telah lampau. Pemodelan yang melibatkan atribut dan data yang relatif banyak umumnya menggunakan machine learning sebagai salah satu cara untuk memperoleh pengetahuan tentang kinerja pegawai berdasarkan data dan atribut yang relatif banyak [13].

Keunggulan machine learning dalam melakukan pemodelan adalah machine learning mampu membuat sebuah tugas yang manual menjadi otomatis yang bisa mempermudah untuk melakukan tugas tersebut menjadi cepat dan tanpa perlu perintah manusia secara real-time [14][15]. Di samping itu, machine learning mampu membuat model yang otomatis yang tidak perlu campur tangan manusia secara langsung. Algoritma yang

(2)

Banyak metode machine learning yang digunakan dalam melakukan clustering atau pengelompokan.

Berdasarkan karakterisitik atribut dan data yang bersifat unsupervised maka metode k-means digunakan dalam penelitian ini. Clustering dengan k-means merupakan salah satu teknik data mining yang melakukan proses pemodelan dan pengelompokan data tanpa melakukan supervisi melainkan dengan sistem partisi [13], [18]–[21].

2. METODOLOGI PENELITIAN

2.1 Tahapan Penelitian

Berisi Tahapan dalam metode penelitian ini meliputi pengumpulan data, cleaning data, analisis deskripsi, teknik data mining untuk clustering dan deteksi outlier. Analisis deskripsi menggunakan metode kuantitatif dengan memanfaatkan data pegawai. Alur pelaksanaan penelitian secara lengkap seperti ditampilkan pada Gambar 1.

Gambar 1. Tahapan Penelitian

Pada penelitian ini, tahapan pertama yang dilakukan adalah menentukan tujuan penelitian. Berdasarkan tujuan penelitian yang telah dirumuskan kemudian dilakukan pengumpulan data seperti dijelaskan secara rinci pada point 2.3. Pengumpulan data dilakukan dengan memperhatikan populasi dan sampel seperti dijelaskan pada point 2.4. Data yang telah diperoleh selanjutnya dianalisis dengan tahapan analisis seperti pada point 2.5.

2.2 Periode dan Sumber Data

Penelitian ini dilaksanakan di Kabupaten Enrekang dengan waktu penelitian dilaksanakan selama kurang lebih 3 bulan dimulai dari bulan Pebruari sampai dengan Mei 2022. Data yang digunakan dalam penelitian ini, adalah Data primer, yaitu data yang dikumpulkan langsung dari kantor BKPSDM Kabupaten Enrekang berupa data SKP Tahun 2020, dan data hasil kuisener Penilaian Kinerja ASN Tahun 2021 Kabupaten Enrekang.

2.3 Metode Pengumpulan Data

Metode pengumpulan data yang digunakan dalam penelitian ini, adalah sebagai berikut:

a. Metode Angket adalah metode pengumpulan data yang dilakukan melalui kuisioner atau daftar pertanyaan yang disusun secara sistematis, dikirim untuk diisi oleh responden dan selanjutnya peneliti akan melakukan pengolahan data selanjutnya, serta pengambilan data langsung berupa data SKP Tahun 2020.

b. Observasi (pengamatan) yaitu melakukan pengamatan secara langsung pada obyek penelitian yang berkaitan dengan analisis Penilaian Kinerja Pegawai Berbasis Machine Learning.

c. Interview yaitu proses memperoleh data penelitian dengan cara melakukan wawancara atau tanya jawab dengan para responden secara langsung berkaitan dengan analisis Penilaian Kinerja Pegawai Berbasis Machine Learning.

2.4 Populasi dan Sampel

Populasi Pegawai Negeri dimaksudkan untuk meneliti analisis Penilaian Kinerja Pegawai Berbasis Machine Learning, dimana Per Februari 2022 Data Pegawai Negeri Sipil dapat dilihat pada tabel 1.

Tabel 1. Data Pegawai Negeri Sipil Kabupaten Enrekang Per Pebruari Tahun 2022

No. Uraian Pria

(Orang)

Wanita (Orang)

Jumlah (Orang) 1 Pejabat Eselon 312 179 491 2 Fungsional Umum (Pelaksana) 283 274 557

(3)

No. Uraian Pria (Orang)

Wanita (Orang)

Jumlah (Orang) 3 Fungsional Tertentu 279 667 946 4 Guru SLTP 268 347 615

5 Guru SD 491 970 1,461

6 Guru TK 1 94 95 7 Tata Usaha sekolah 14 13 27 8 Bujang Sekolah 19 - 19

T O T A L 1,667 2,544 4,211

2.5 Analysis

Tahap analisis dilakukan dengan cara menerapkan model Garner dengan modifikasi yaitu penambahan analisis kualitas data. Gambaran tahapan analisis pemodelan seperti pada Gambar 2 dibawah ini :

Gambar 2. Tahapan analisis

Gambar 2 Tahapan analisis pemodelan terdiri dari, analisis deskriptif, diagnostik, prediktif, dan preskriptif [2].

3. HASIL DAN PEMBAHASAN

Hasil pengumpulan data dari jumlah pegawai berdasarkan data real di lapangan. Data tersebut tersimpan dalam format file comma separated values (csv) yang terdiri dari Data Printout (Data SKP Tahun 2020) dan Data Kuisioner (Data dari hasil Kuisioner Penilian Kinerja Tahun 2021).

3.1 Analisis Deskripsi

Analisis deksripsi dimulai dengan membersihan data-data yang tidak diperlukan sesuai dengan tujuan penelitian.

Data cleaning dilakukan dengan dua tahapan. Tahapan pertama yaitu dengan cara memilih atribut sesuai dengan tujuan analisis pada penelitian ini yaitu atribut inisial pegawai dan atribut-atribut kinerja pegawai. Jenis atribut pada data log dapat dilihat pada Tabel 2.

Tabel 2. Atribut-atribut Kinerja Pegawai

Atribut Parameter Keterangan

SKP Printout SKP Kuisioner Nomor Nomor urut 1 sampai

dengan banyaknya data pegawai

Nomor urut 1 sampai dengan banyaknya data pegawai

Nomor urut yang membedakan pegawai satu dengan lainnya Nilai SKP Bernilai 0 sampai dengan

100 dinyatakan dengan : 91 keatas (sangat baik) 76 – 90 (baik)

61 – 75 (cukup) 51 – 60 (kurang) 50 ke bawah (buruk)

Bernilai 0 sampai dengan 5 dinyatakan dengan :

5 (sangat baik) 4 (baik) 3 (cukup) 2 (kurang) 1 (buruk)

Nilai yang diperoleh pegawai berdasarkan sasaran kinerja pegawai Difficulty

Value

(4)

Atribut Parameter Keterangan

SKP Printout SKP Kuisioner Orientasi

Pelayanan

Bernilai 0 sampai dengan 100 dinyatakan dengan : 91 keatas (sangat baik) 76 – 90 (baik)

Nilai yang diperoleh pegawai berdasarkan kriteria orientasi pelayanan

Integritas Bernilai 0 sampai dengan 100 dinyatakan dengan : 91 keatas (sangat baik) 76 – 90 (baik)

Nilai yang diperoleh pegawai berdasarkan kriteria integritas

Komitmen Bernilai 0 sampai dengan 100 dinyatakan dengan : 91 keatas (sangat baik) 76 – 90 (baik)

Nilai yang diperoleh pegawai berdasarkan kriteria penilaian komitmen

Disiplin Bernilai 0 sampai dengan 100 dinyatakan dengan : 91 keatas (sangat baik) 76 – 90 (baik)

Nilai yang diperoleh pegawai berdasarkan kriteria kedisiplinan

Kerjasama Bernilai 0 sampai dengan 100 dinyatakan dengan : 91 keatas (sangat baik) 76 – 90 (baik)

Nilai yang diperoleh pegawai berdasarkan kriteria kerjasama

Kepemimpinan Bernilai 0 sampai dengan 100 dinyatakan dengan : 91 keatas (sangat baik) 76 – 90 (baik)

Nilai yang diperoleh pegawai berdasarkan kriteria kepemimpinan

Tahapan kedua yaitu menyeleksi masing-masing atribut yang missing value atau tidak sesuai dengan data pegawai pada Dataset SKP, misalnya terdapat data yang kosong. Penanganan missing value atau nilai yang kosong dilakukan dengan cara mengisi dengan angka 0. Deskripsi secara statistik atau rangkuman ringkasan data dari data pegawai ditunjukkan seperti Gambar 3 dan 4.

Gambar 3. Analisis deksripsi statistik Atribut (SKP Printout)

(5)

Gambar 4. Analisis deksripsi statistik Atribut (SKP Kuisioner)

Dari data Gambar 3 dan Gambar 4memberikan penjelasan tentang ringkasan data pada data Printout dan data kuisioner yaitu : (1) Min yaitu untuk melihat data terendah dari satu atribut/kolom/variable (2) 1st Qu yaitu untuk melihat kuadran pertama dari satu atribut sesuai dari (3) Median yaitu nilai tengah dari satu atribut (4) Mean yaitu nilai rata-rata dari satu atribut (5) 3rd Qu yaitu quadran ketiga dari satu atribut (6) Max yaitu nilai tertinggi dari satu atribut.

3.2 Analisis Clustering

Sebagai salah satu tahapan dari analisis clustering yaitu dilakukannya pendeskripsian secara statistik terhadap data pegawai untuk memperoleh gambaran awal tentang data yang akan dianalisis. Hasil deskripsi statistik seperti pada Gambar 3 dan Gambar 4 terlihat bahwa jarak antara nilai min dan max tidak terlalu jauh sehingga tidak perlu dilakukan standarisasi data. Standarisasi data hanya dilakukan pada data yang bertipe numerik yaiu atribut Nilai SKP, Orientasi Pelayanan, Integritas, Komitmen, Disiplin, Kerjasama Dan Kepemimpinan.

3.2.1 Standarisasi Data

Standarisasi data atau normalisasi data digunakan pada bagian ini hanya untuk data yang bertipe numerik yaitu atribut Nilai SKP, Nilai orientasi pelayanan, Integritas, Komitmen, Disiplin, kerjasama dan kepemimpinan.

Standarisasi dilakukan dengan cara membagi nilai dengan angka 100 sebagai contoh 90/100 dihasilkan nilai normalisasi 0.90. Keberhasilan standarisasi data saat berpengaruh terhadap hasil analisis.

3.2.2 Optimalisasi Cluster

Analisis cluster dengan metode K-Means merupakan suatu analisis yang bersifat non-hirarki sehingga nilai K ditentukan oleh peneliti itu sendiri. Pada penelitian ini digunakan nilai K=2, namun untuk menguji bahwa nilai 2 paling optimal maka dilakukan perbandingan tiga metode yaitu Elbow, Sillhoutten, dan Gap statistik.

3.2.3 Hasil Clustering SKP Printout

Hasil clustering dengan nilai K=2 diketahui memiliki jumlah record data sebesar 393 cluster 0, sedangkan jumlah data pada cluster 1 memiliki data sebanyak 714. Penentuan data suatu data masuk ke cluster tertentu didasarkan pada nilai vector dari clustering. Visualisasi hasil cluster seperti pada Gambar 5. Setelah diketahui tiap-tiap nilai masuk ke cluster masing-masing, selanjutnya diketahui nilai between sum of squares dibagi nilai total sum of squares maka diperoleh nilai yaitu 41,3%. Nilai persentase merupakan ukuran kedekatan antar objek dalam cluster.

Nilai yang kecil mengindikasikan kesamaan/kemiripan antar objek dalam cluster.

Gambar 5. Hasil visualisasi clustering SKP Printout 2.5.4 Hasil Clustering SKP Kuisioner

Hasil clustering dengan nilai K=2 diketahui memiliki jumlah record data sebesar 1 cluster 1(c0), jumlah data pada cluster 2 (c2) yaitu sebanyak 1106.Penentuan data suatu data masuk ke cluster tertentu didasarkan pada nilai vector dari clustering. Visualisasi hasil cluster seperti pada Gambar 6.

(6)

Setelah diketahui tiap-tiap nilai masuk ke cluster masing-masing, selanjutnya diketahui nilai between sum of squares dibagi nilai total sum of squares maka diperoleh nilai yaitu 20.3%. Nilai persentase merupakan ukuran kedekatan antar objek dalam cluster. Nilai yang kecil mengindikasikan kesamaan/kemiripan antar objek dalam cluster.

3.3 Perbandingan Hasil Cluster

Hasil dari optimasi masing-masing metode yang digunakan untuk mendapatkan hasil cluster yang optimal seperti pada tabel 3. dari 3 metode yang digunakan semua merekomendasikan nilai optimal berada pada angka 2 sehingga cluster yang digunakan pada SKP printout yaitu 2 cluster.

Tabel 3. Perbandingan Optimasi Cluster

Jenis SKP Metode Elbow Metode Silohotte Metode Gap Statistik

SKP Printout 2 2 2

SKP Kuisioner 2 2 4

Sedangkan pada SKP kuisioner, nilai pada metode pertama mendapatkan 2, metode kedua mendapatkan 2 dan metode ketiga 4, sehingga dalam penentuan nilai optimal dilakukan secara random atau acak. Pada percobaan pertama diberikan nilai cluster 4, namun hasil yang didapatkan tidak menggambarkan kinerja pegawai. Percobaan kedua dengan nilai cluster 2 dan menghasilkan cluster yang diharapkan seperti pada gambar 6.

Hasil perbandingan nilai sum of square antara SKP printout dan SKP Kuisioner, selisih nilai yang dihasilkan tidak jauh berbeda yaitu hanya 21% seperti ditampilkan pada tabel 4. dengan demikian karakter dari hasil cluster hampir memiliki kesamaan.

Tabel 4. Perbandingan sum of squares Jenis Cluster Nilai Sum of Square Cluster SKP Printout 41,3%

Cluster SKP Kuisioner 20,3%

Perbandingan hasil cluster antara SKP printout dengan hasil kuisioner seperti pada tabel 5.

Tabel 5. perbandingan hasil cluster

Jenis cluster Hasil Cluster Keterangan Cluster SKP printout Cluster 1 (c0) = 714

Cluster 2 (c1) = 393 Baik Sangat Baik Cluster SKP kuisioner Cluster 1(c0) = 1

Cluster 2 (c1) = 1106

Sangat Baik Baik

Pada tabel tersebut terlihat bahwa cluster untuk SKP printout interval nilai cluster 1 (c0) dengan cluster 2 (c2) tidak terlalu jauh, hanya berselisih 321, Hal ini menandakan bahwa perbandingan antara nilai kinerja Baik dengan Sangat Baik, hampir memiliki jumlah pegawai yang sama. Sedangkan cluster pada SKP kuisioner terdiri atas 2 yang dapat digambarkan nilai yang berada pada cluster 1 (c0) sebagai nilai outlier (pegawai yang berkinerja sangat baik) sedangkan pegawai yang berkinerja baik berada pada cluster 2 (c1) dengan jumlah nilai atau point lebih banyak. Tabel hasil perbandingan elemen hasil klaster pada SKP Kuisioner dan SKP Printout.

Tabel 6. perbandingan hasil cluster elemen SKP Printout dan SKP Kuisioner

No Nip Nama

Analisis K=2 SKP Printout (714,393)

42,3%

SKP Kuisioner (1,1106) 20,3%

C0 C1 C0 C1

Baik Sangat Baik Sangat Baik Baik

1 XXX XXX 2 1

2 XXX XXX 2 2

3 XXX XXX 1 2

(7)

No Nip Nama

Analisis K=2 SKP Printout (714,393)

42,3%

SKP Kuisioner (1,1106) 20,3%

C0 C1 C0 C1

Baik Sangat Baik Sangat Baik Baik

4 XXX XXX 1 2

5 XXX XXX 1 2

6 XXX XXX 2 2

7 XXX XXX 1 2

8 XXX XXX 1 2

9 XXX XXX 1 2

10 XXX XXX 1 2

Hasil perbadingan pada tabel 6 menunjukkan bahwa pegawai dengan nomor urut 1 memiliki nilai sangat baik pada kedua hasil cluster. Hasil tersebut sesuai dengan fakta bahwa nilai pegawai tersebut tertinggi dibanding dengan pegawai lainnya pada semua indicator khususnya pada indicator kepemimpinan seperti terlihat pada lampiran 1 dan 2. Di samping itu, terlihat bahwa sebagian besar pegawai pada kedua hasil cluster didominasi pada cluster c0 dan c1.

4. KESIMPULAN

Berdasarkan hasil penelitian, maka dapat ditarik kesimpulan yaitu hasil cluster SKP kuisioner lebih meyakinkan karena terjadi sebaran yang lebih didominasi oleh kinerja pegawai yang baik dan outlier yang bernilai sedikit.

Selisih Nilai Sum of Square dari cluster SKP printout dan kuisioner tidak terlalu jauh, hanya 21% dengan demikian karakter dari hasil cluster hampir memiliki kesamaan. Hasil Cluster menggambarkan kondisi kinerja Pegawai Negeri Sipil di Kabupaten Enrekang dengan didominasi oleh cluster yang berkinerja baik.

REFERENCES

[1] Badan Kepegawaian Nasional, “Baru 35 Instansi Pemerintah Berkategori Baik dalam Penerapan Menajemen Kinerja PNS,” 2021. https://www.bkn.go.id/berita/baru-35-instansi-pemerintah-berkategori-baik-dalam-penerapan-menajemen- kinerja-pns

[2] Agusriandi, I. S. Sitanggang, and S. H. Wijaya, “Student Performance Based on Activity Log on Social Network and e- Learning,” Int. J. Adv. Sci. Eng. Inf. Technol., vol. 10, no. 6, pp. 2276–2281, 2020, doi: 10.18517/ijaseit.10.6.8753.

[3] S. Man, “Analisis Peranan Pendidikan Dan Pelatihan Dalam Peningkatan Kinerja Pegawai,” Akuntanika, vol. 6, no. 1, pp. 38–45, 2020.

[4] L. Theresia, A. H. Lahuddin, G. Ranti, and R. Bangun, “The influence of culture, job satisfaction and motivation on the performance lecturer/employees,” in International Conference on Industrial Engineering and Operations Management.

Bandung, 2018, pp. 2541–2552.

[5] A. D. Andriani et al., Manajemen sumber daya manusia, vol. 1. TOHAR MEDIA, 2022.

[6] A. Handaru and U. Mardiyati, “Jurnal Dinamika Manajemen,” Jdm, vol. 5, no. 2, pp. 171–182, 2014.

[7] E. H. Yossy, “Analisa Kesenjangan Sistem Sasaran Kinerja Pegawai Pusat Data dan Informasi Divisi Perencanaan dan Pembangunan Kementerian Ketenagakerjaan Republik Indonesia,” Insa. Pembang. Sist. Inf. dan Komput., vol. 6, no. 1, 2018.

[8] N. Yuningsih, “Penerapan Manajemen Kinerja Pegawai Di Instansi Pemerintah,” J. Pengemb. Wiraswasta, vol. 19, no.

2, pp. 141–154, 2018.

[9] B. A. Rahadian, D. Kurnianingtyas, D. P. Mahardika, T. N. Maghfira, and I. Cholissodin, “Analisis Judul Majalah Kawanku Menggunakan Clustering K-Means Dengan Konsep Simulasi Big Data Pada Hadoop Multi Node Cluster,” J.

Teknol. Inf. dan Ilmu Komput. p-ISSN, vol. 2355, p. 7699, 2017.

[10] I. Z. Adhari, Optimalisasi Kinerja Karyawan Menggunakan Pendekatan Knowledge Management & Motivasi Kerja, vol.

1. CV. Penerbit Qiara Media, 2021.

[11] A. Purwanto, J. T. Purba, I. Bernarto, and R. Sijabat, “Pengaruh Servant, Digital dan Green leadership Terhadap Kinerja Industri Manufaktur Melalui Mediasi Komitmen Organisasi,” J. Ris. Inspirasi Manaj. dan Kewirausahaan, vol. 5, no. 1, pp. 1–13, 2021.

[12] R. Isdius, “ANALISIS KEBIJAKAN PENSIUN DINI PNS MELALUI UJI KOMPETENSI DALAM RANGKA MENINGKATKAN KUALITAS BIROKRASI PEMERINTAHAN,” J. Good Gov., vol. 15, no. 1, 2019.

[13] A. Agusriandi, E. Elihami, I. Syarif, and I. S. Samad, “Model Analisis Aktivitas Tutor Dalam Learning Management System Berdasarkan Data Log Menggunakan K-Means Dan Deteksi Outlier,” J. Teknol. Inf. dan Ilmu Komput., vol. 9, no. 4, pp. 709–716, 2022.

[14] I. S. Nugraha, K. I. Satoto, and K. T. Martono, “Pemanfaatan Augmented Reality untuk Pembelajaran Pengenalan Alat Musik Piano,” J. Teknol. dan Sist. Komput., vol. 2, no. 1, pp. 62–70, 2014, doi: 10.14710/jtsiskom.2.1.2014.62-70.

[15] N. Taufiq and S. Mariyah, “Pendekatan Model Machine Learning dalam Pemeringkatan Status Sosial Ekonomi Rumah Tangga di Indonesia,” in Seminar Nasional Official Statistics, 2021, vol. 2021, no. 1, pp. 1044–1053.

[16] B. Santoso and A. I. S. Azis, Machine Learning & Reasoning Fuzzy Logic Algoritma, Manual, Matlab, & Rapid Miner.

Deepublish, 2020.

[17] A. Imron, “Analisis sentimen terhadap tempat wisata di kabupaten Rembang menggunakan metode Naive Bayes

(8)

[18] T. Alfina, B. Santosa, and A. R. Barakbah, “Analisa Perbandingan Metode Hierarchical Clustering, K-Means dan Gabungan Keduanya dalam Cluster Data (Studi Kasus: Problem Kerja Praktek Teknik Industri ITS),” J. Tek. ITS, vol. 1, no. 1, pp. A521–A525, 2012.

[19] A. Van den Beemt, J. Buijs, and W. Van der Aalst, “Analysing Structured Learning Behaviour in Massive Open Online Courses (MOOCs): An Approach Based on Process Mining and Clustering,” Int. Rev. Res. Open Distrib. Learn., vol. 19, no. 5, pp. 38–60, 2018, doi: 10.19173/irrodl.v19i5.3748.

[20] W. Zhao, H. Ma, and Q. He, “Parallel k-means clustering based on mapreduce,” in IEEE International Conference on Cloud Computing, 2009, pp. 674–679.

[21] K. A. Seputra and I. N. S. W. Wijaya, “Penerapan Algoritma Pillar Untuk Inisialisasi Titik Pusat K-Means Klaster Dinamis,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 6, 2020.