LAPORAN AKHIR PENELITIAN DASAR
PENERAPAN DATA MINING DALAM MENENTUKAN TINGKAT KEDISIPLINAN KARYAWAN PERHOTELAN MENGGUNAKAN ALGORITMA K-MEANS
CLUSTERING TIM PENGUSUL N
o
NIDN/NIM Nama Peneliti Jabatan
1 0109098801 Preddy Marpaung, M.Kom Ketua
2 200151010 Ibnu Febrian Anggota I
3 200151015 Widia Putri Anggota II
PROGRAM STUDI MANAJEMEN INFORMATIKA
SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER STMIK PELITA NUSANTARA
Kode*/Bidang Ilmu: 459/Ilmu Komputer
RINGKASAN
Perhotelan merupakan salah satu bisnis usaha di bidang paruwisata. Salah satu perhotelan yang ada di Deli Serdang adalah Hotel Halay. Dimana selama ini dalam menentukan tingkat kedisplinan karyawannya hanya melalui observasi dan tafsiran manager, sehingga kurang efektif dan kurang professional dalam menentukan kedisplinan karyawannya. Tujuan dalam menentukan tingkat kedisiplinan karyawan adalah untuk meningkatkan pelayanan terbaik kepada pelanggan melalui para karyawan, sehinga dibuat penilaian tingkat kedisplinan kepada karyawannya untuk diberikan penghargaan dan pembinaan kepada karyawan yang kurang disiplin. Penentuan tingkat kedisplinan di tentukan ke dalam 3 cluster yaitu Sangat Baik (C1), Baik (C2), dan Cukup (C3). Algortitma yang diterapkan adalah algoritma k-meas clustering. Dimana hasil dari penerapan algoritma ini dari 10 karyawaman dapat mengasilkan Sangat Baik (C1) sebanyak 6 data, Baik (C2) sebanyak 2 data, dan Cukup (C3) sebanyak 2 data. Sehingga dengan adanya hasil yang didapat, bisa membantu pihak pehotelan untuk mengevaluasi para karyawannya setiap efisode.
Kata kunci: : Perhotelan, Tingkat Kedisiplinan, Karyawan, Algoritma K-Means Clustering
PRAKATA
Puji dan Syukur Kepada Tuhan Yang Maha Esa atas segala kebaikanNya, sehingga penulis dapat menyelesaikan laporan akhir penelitian ini dengan judul “Penerapan Data Mining Untuk Pengelompokan Kepadatan Penduduk Kabupaten Deli Serdang Menggunakan Algoritma K- Means”. Dalam penyelesaian laporan penelitian ini, tentunya banyak hal dan kendala yang dihadapi, namun atas segala motivasi dan semangat yang diberikan berbagai pihak dapat dapat menyelesaikan laporan akhir sesusai dengan waktu yang direncanakan. Dalam kesempatan ini penulis mengucapkan terima kasih dan apresiasi yang sebesar-besarnya kepada:
1. Pembina Yayasan Pendidikan Demokrat Cemerlang 2. Ketua Yayasan Pendidikan Demokrat Cemerlang.
3. Ketua STMIK Pelita Nusantara
4. Ketua LPPM STMIK Pelita Nusantara yang telah memberikan bantuan dan perhatian terhadap pelayanan administrasi dalam pengerjaan penelitian ini.
5. Para Wakil Ketua di STMIK Pelita Nusantara
6. Para Ketua Program Studi dan jajarannya di STMIK Pelita Nusantara 7. Seluruh rekan-rekan Dosen di STMIK Pelita Nusantara
8. Seluruh Staf/Pegawai STMIK Pelita Nusantara 9. Dan seluruh pihak yang terlibat dalam penelitian ini.
Tentunya laporan penelitian ini jauh dari kata sempurna. Maka penulis berharap adanya masukan dan pengembangan terhadap hasil dari penelitian ini. Akhir kata penulis berharap laporan penelitian ini dapat bermanfaat untuk seluruh kalangan yang membutuhkan.
DAFTAR ISI
HALAMAN PENGESAHAN... i
RINGKASAN... ii
PRAKATA ... iii
DAFTAR ISI... iv
DAFTAR TABEL... vi
DAFTAR GAMBAR... vii
BAB I PENDAHULUAN... 1
1.1 Latar Belakang... 1
1.2 Rumusan Masalah... 2
1.3 Batasan Masalah... 2
BAB II TINJAUAN PUSTAKA... 3
2.1 Data Mining... 3
2.2 Cluster... 3
2.3 Algoritma K-Means Cluster... 3
BAB III METODE PENELITIAN... 5
BAB IV HASIL YANG DICAPAI... 6
4.1 Analisa Data... 7
4.2 Hasil... 7
4.3 Implementasi... 7
4..3.1 Menentukan Pusat Awal Cluster “Centroid”... 8
4.3.2 Perhitungan Jarak Data Ke 1 Ke Pusat Cluster... 8
4.3..3 Menempatkan Data Ke Dalam Cluster Terdekat... 8
4.3.4 Menentukan Pusat Cluster “Centroid” Baru... 9
4.354 Penentuan Pusat Cluster Sampai Data Tidak Berubah... 10
BAB VI KESIMPULAN DAN SARAN... 12
DAFTAR TABEL
Tabel 4.1 Rekapulasi Data Penduduk... 6 Tabel 4.2 Hasil pengelompokan kepatan penduduk di daerah Deli Serdang 7 Tabel 4.3 Pusat Awal Cluster “Centroid” ... 8 Tabel 4.4 Hasil Perhitungan Semua Data Pada Pusat Cluster Iterasi ke-1. 8 Tabel 4.5 Pusat Cluster Baru Untuk Iterasi Ke-2... 10 Tabel 4.6 Hasil Akhir Perhitungan Semua Data Pada Pusat Cluster Iterasi ke-6 10
DAFTAR GAMBAR
Gambar 1 Tahapan Penelitian... 5
BAB 1 PENDAHULUAN 1.1 Latar Belakang
Perhotelan merupakan salah satu bisnis usaha di bidang paruwisata. Perkembangan bisnis perhotelan mengalami peningkatan yang cukup baik beberapa tahun terakhir, termasuk di daerah Deli Serdang, Suamtera Utara. Oleh karena itu, setiap perhotelan menuntut para karyawannya untuk memberikan pelayanan yang terbaik kepada pelanggan atau konsumen.
Dalam memberikan pelayanan, tentu kedisiplinan karyawan menjadi dasar utama dalam memberikan pelayanan terbaiknya[1]
Salah satu perhotelan yang ada di Deli Serdang adalah Hotel Halay. Dimana selama ini dalam menentukan tingkat kedisplinan karyawannya hanya melalui observasi dan tafsiran manager, sehingga kurang efektif dan kurang professional dalam menentukan kedisplinan karyawannya. Tujuan dalam menentukan tingkat kedisiplinan karyawan adalah untuk meningkatkan pelayanan terbaik kepada pelanggan melalui para karyawan, sehinga dibuat penilaian tingkat kedisplinan kepada karyawannya untuk diberikan penghargaan dan pembinaan kepada karyawan yang kurang disiplin. Oleh karena itu perlu dibuat sebuah solusi untuk memecahakan permasalahan dalam menuntukan tingkat kedisplinan karyawan, sehingga dengan solusi tersebut dapat menghasilkan tingkat kedisiplinan karyawan yang lebih objektif dan professional.
Solusi yang tepat diterapkan adalah dengan menerapkan ilmu komputer yakni data mining. Data mining adalah proses pengumpulan sebuah informasi penting pada suatu data yang berukuran besar. Untuk pengumpulan data tersebut dapat dilakukan melalui proses perhitungan statistika, matematika, maupun penggunaan teknologi AI (Artificial Intelligence).
Istilah lain dari data mining sendiri dapat berarti penambangan data yang berbentuk sebuah tool untuk melakukan analisa dengan teknik penyaringan informasi secara lebih akurat[2][3].
Dalam data mining banyak algoritma yang dihasilkan, namun menyelesaikan masalah yang ada seperti algoritma C4.5 [4], algoritma K-means clustering[5] dan algoritma KNN[6] dan lain sebagainya.
Algoritma yang digunakan dalam menyelesaikan permasalahan adalah algoritma k- means clustering. Melalui algoritma ini akan di tentukan tingkat kedisiplinan karyawan kedalam 3 cluster, yaitu Sangat Baik (C1), Baik (C2), Cukup (C3) . Alasan penenliti menentukan algoritma k-means clustering merupakan salah satu algoritma pengelompokan yang paling populer dan sederhana, dimana pertama kali diterbitkan pada tahun 1955 dan
sampai sekarang K-means masih banyak digunakan. Dimana seperti yang duungkkapamn peneliti terdahulu, bahwa K-Means Clustering merupakan suatu metode untuk menganalisis data, yang sering digunakandalam metode data mining. pengelompokan dapat dimanfaatkan untuk mengidentifikasi kasus berdasarkan kelompok atribut, atau dapat dikatakan mengelompokkan data yang memiliki atribut yang sama. Metode clustering yang paling populer yaitu algoritma K-Means Clustering[7][8]. Alasan lainnya karena algoritma sangat cocok untuk sejenis penentuan atau pengelompokan data sebagaimana yang sudah diungkkapka para peneliti terdahulu[9]. algoritma K-Means Clustering juga sangat efektif dalam menyelesaikan masalah di bandingkan algoritma lainnya seperti algoritma K- Medoids[10][11].
Berdasarkan masalah diatas dan refresnsi jurnal penelitian terdahulu dalam penyelesaian masalah, maka melalui penelitian ini perlu ditentukan tingkat kedisiplinan karyawan hotel ke dalam 3 cluster yakni, sangat baik (c1), baik (c2), dan cukup(c3). Sehingga penelian ini diangkat dengan judul “Penerapan Data Mining Dalam Menentukan Tingkat Kedisiplinan Karyawan Perhotelan Menggunakan Algoritma K-Means Clustering”. Dengan demikian, akan dapat membantu pihak perhotelan dalam menentukan kedisplinan karyawannya setiap efisode.
1.2 Rumusan Masalah
Dengan pesatnya perkembangan bisnis perhotelan, maka hotel halay perlu memacu karyawannya untuk memberikan pelayanan terbaik kepada tamu dengan cara menentukan tingkat kedisiplina karyawannya kedalam 3 kelompok (cluster) yaitu Sangat baik (C1), baik(C2), dan cukup (C3). Dimana hasil dari cluster akan diberikan evaluasi baik penghargaan dan pembinaan..
1.3 Batasan Masalah
Berdasarkan perumusan masalah diatas, maka peneliti memberi batasan sebagai berikut:
1. Dataset yang digunakan adalah 10 karyawan hotel halay
2. Kreteria menentukan tingkat kedisplinan karyawan yaitu absensi, penampilan diri, Pelayanan, sikap & loyalitas, tugas & tanggung jawab, kerjasama tim
BAB II
TINJAUAN PUSTAKA 2.1 Data Mining
Data Mining adalah serangkaian proses untuk mengali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data. Informasi yang dihasilkan diperoleh dengan cara mengekstrasi dan menggali pola yang penting atau menarik dari data yang terdapat pada basis data[8][9]. Peneliti terdahulu juga mengatakan bahwa data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar[10].
Data mining yang disebut juga Knowledge Discovery in Database (KDD) adalah sebuah proses secara otomatis atas pencarian data di dalam sebuah memori yang amat besar dari data untuk mengetahui pola dengan menggunakan alat seperti klasifikasi, hubungan (association) maupun pengeompokan (clustering). Secara sederhananya, data mining dapat diartikan sebagai proses mengestrak atau menggali informasi dari sekumpulan data menjadi pengetahuan baru.
2.2. Cluster
Clustering adalah proses pemetaan kelompok objek yang sama. Kelompok-kelompok yang dibentuk oleh pengelompokan disebut sebagai cluster[11][12]. Clustering merupakan suatu teknik data mining yang membagi-bagikan data ke dalam beberapa kelompok (grup atau cluster atau segmen) sesuai dengan yang diinginkan, dimana setiap cluster atau kelompok dapat ditempati beberapa anggota secara bersamaan dan di dalam kelompok bisa disebutkan objek atau variabel yang sama.
2.3. Algoritma K-Means
K-Means merupakan salah satu metode yang ada di dalam data mining yang melakukan pemodelan untuk pegelompokan data dengan sistem partisi. K-Means juga merupakan salah satu algoritma pengelompokan paling popular dan sederhana, dimana algoritma ini dipakai mulai tahun 1955 dan sampai sekarang masih banyak digunakan[11].
Algoritma K-means sangat membantu dalam mengelompokkan data dan juga sangat berpengaruh pada hasil cluster dengan menggunakan data yang besar[12]. Langkah-langkah dalam Algoritma K-means Clustering :
1. Menentukan jumlah cluster
2. Menentukan nilai centroid (titik pusat cluster) secara acak.
3. Menghitung jarak antara data atau objek dengan pusat cluster menggunakan teori Euclidian Distance yang dirumuskansebagai berikut:
D(i , j)=
√
(X1i−X1 j)2+(X2i−X2j)2+…+(X ki−X kj)2❑ ...(2.1)Dimana :
D (i,j) : Jarak data ke i kepusat cluster j Xki : Data ke i pada atribut data ke k Xkj : Titik pusat ke j pada atribut data ke k 4. Data ditempatkan dalam cluster yang terdekat.
5. Pusat cluster baru akan ditentukan bila semua data telah ditetapkan dalam cluster terdekat.
D=1
n …(2.2)
6. Proses penentuan pusat cluster dan penempatan data dalam cluster diulangin sampai nilai centroid tidak berubah lagi.
BAB III
METODE PENELITIAN
Peneletian dimulai dengan melakukan literature kepada mitra , kemudian dilanjutkan literature dari jurnal terkait masalah utama penentuan tingkat kedisiplinan karyawan hotel, dan juga algoritma yang sesuai untuk digunakan dalam penyelesaian masalah. Algoritma K- Means Clustering digunakan dalam menentukan tingkat kedisiplinan pada karyawa hotel halay kedalam kelompok (cluster) dengan kategori sangat baik(C1),baik(C2), dan cukup (C3). Alasan menggunakn algoritma tersebut, karena algoritma K-Means Clustering sangat banyak digunakan peneliti sebelumnya dalam menentukan maupun mengelompokkan sebuah data sperti menentukan pemberian behasiswa[12], menentukan penyebaran pandemic covid- 19[13], pengelompokan presentasi siswa[14]
Tahapan yang akan dilakukan dalam penelitian ini secara keseluruhan dapat dilihat sebagai berikut:
Gambar 1: Tahapan Penelitian
Studi Literatur Pengumpulan Data
Algoritma K-Means Cluster Hasil dan Pembahasan
Menentuka jumlah cluster Menentukan nilai centroid (titik pusat cluste
r) Secara Acak
Menghitung jarak antara objek data dengan pusat cluster Data ditempatkan dalam cluster
terdekat Menentukan pusat
cluster baru
Kesimpulan
Penentuan pusat cluster diulangin sampai data tidak berubah
2.2 Pengumpulan Data
Adapun pengumpulan data yang digunakan dalam penelitian ini adalah hasil dari hasil wawancara dan data dari jurnal sebelumnya yang sudah perna dilakukan dalam menentukan waiters terbaik[15].
2.3. Algoritma K-Means Clustering
Untuk menentukan tingkat kedisiplinan karyawan perhotelan dalam hal ini hotel halay inn ke dalam 3 cluster yaitu sangat baik (C1), Baik(C2), dan Kurang(C3),maka di terapkanlah metode k-means sebagai model pengelompokan data dengan langka langka sebagai berikut[2]:
a). Menentukan jumlah cluster
Dari 10 data karawan akan ditentukan ke dalam 3 cluster, yakni Sangat Baik (C1), Baik (C2), dan Cukup(C3)
b). Menentukan nilai centroid (titik pusat cluster) secara acak.
c). Menghitung jarak antara data atau objek dengan pusat cluster menggunakan teori Euclidian Distance yang dirumuskansebagai berikut:
D (i,j)=√(X1i-X1j)^2+ (X2i-X2j)^2+⋯+(Xki-Xkj)^2 ..(2.1) Dimana
D (i,j) : Jarak data ke i kepusat cluster j Xki : Data ke i pada atribut data ke k Xkj : Titik pusat ke j pada atribut data ke k d). Data ditempatkan dalam cluster yang terdekat.
e). Pusat cluster baru akan ditentukan bila semua data telah ditetapkan dalam cluster terdekat.
Setelah data ditempatkan ke dalam cluster terdekat ,maka selanjutnya akan dilakukan perhitungan data yang ditempatkan ke dalam masing masing cluster dengan rumus berikut: D =1/n ..(2.2)
BAB IV
HASIL YANG DICAPAI
4.1 Analisa Data
Berdasarkan uraian data yang sudah dikumpulkan, adapun data yang digunakan dalam penelitian ini adalah dataset karyawan hotel halay lengkap dengan kriterianya, yakni sebagai berikut:
Tabel 4.1 Rekapulasi Data dan Nilai karyawan setiap Kriteria No Nama
Karyawa n
Absen si
Penam pilan Diri
Pelay anan
Sikap
&
Loyalit as
Tugas
&
Tangg ung Jawab
Kerjas ama Tim
1 Bangban g
70 70 80 90 90 75
2 Jenerius S
60 80 75 80 80 80
3 Hansen S 60 65 70 70 75 80
4 Erwin M 60 75 60 80 60 60
5 Lastrodo 80 80 70 80 80 80
6 Horas S 80 70 70 70 80 80
7 Freddy H 80 70 75 70 80 70
8 Wanda S 60 60 70 65 70 70
9 Ronaldo 80 80 80 80 80 90
10 Walfin 80 80 80 90 80 90
Dan selanjutnya akan diproses dengan algoritma k-means clustering yaitu menetukan 3 cluster untuk menentukan tingkat kedisplinan karyawan halay inn, yaitu Sangat Baik (C1), Baik (C2), dan Cukup (C3).
4.2 Hasil
Hasil pengelompokan menentukan tingkat kedisplinan karyawan menggunakan algoritma K- Means dapat dilihat pada tabel 4.2 di bawah, dimana hasil akhirnya didapat klaster , yakni Sangat baik(C1) dengan hasil sebanyak 6 data, Baik (C2) dengan hasil sebanyak 2 data, dan Kurang(C3) dengan hasil sebanyak 2 data
Tabel 4.2 . Hasil Penentuan Tingkat Kedisiplinan Karyawan Cluster 1 (Sangat
Baik) Cluster 2 (Baik) Cluster 3 (Cukup) Tingkat kedisplinan
ka-
Tingkat kedisplinan ka-
Tingkat kedisplinan ka-
ryawan dengan
cluster1 ryawan dengan
cluster2 ryawan dengan cluster3 adalah sebagai
berikut
adalah sebagai berikut
adalah sebagai berikut
1. Jenerius 1.Bangbang 1.Erwin
2. Hansen 2. Freddy H 2.Wanda
3.Lastro 4.Horas 5.Ronaldo
untuk menentukan tingkat kedisplinan karyawan halay inn, yaitu Sangat Baik (C1), Baik (C2), dan Cukup (C3).
4.3.1 Menentukan Nilai Centroid (Titik Pusat Cluster) Secara Acak
Pada iterasi pertama akan ditentukan titik pusat cluster secara ajak sebanyak tiga cluster yaitu Sangat Baik (C1), Baik (C2), dan Cukup (C3). Pusat Cluster “Centroid” dapat dilihat pada tabel berikut;
Tabel 4.3 Titik Pusat Cluster “Centroid”
Dat a Ke
Pusat Cluster
Abs ensi
Penam pilan Diri
Pelay anan
Sikap
&
Loyalit as
Tugas &
Tanggun g Jawab
Kerjas ama Tim
9 C1 80 80 80 80 80 90
1 C2 70 70 80 90 90 75
4 C3 60 75 60 80 60 60
4.3.2 Perhitungan Data Ke Pusat Cluster
Akan dilakunan perhitungan antara data pertama ke pusat cluster “centroid” sesuai pada rumus 2.1 diatas sebagai iterasi pertama. Berikut ini merupakan contoh perhitungan antara data ke-1 pada table 2.1 terhadap pusat cluster c1,c2, dan c3 yang ada pada table 3.1.
C1=
√
(80−70)2+(80−70)2+(80−80)2+(80−90)2+(80−90)2+(90−75)2=535C2=
√
(70−70)2+(70−70)2+(80−80)2+(90−90)2+(90−90)2+(75−75)2=0C3=
√
(60−70)2+(75−70)2+(60−80)2+(80−90)2+(60−90)2+(65−75)2=1660Setelah itu akan dilakukan perhitungan dari data ke-2 ke semua pusat cluster, sampai data ke- 10.
4.3.3 Menempatkan Data ke Dalam Cluster Terdekat
Setelah semua perhitungan dilakukan dari data ke-1 sampai data ke-10 ke semua pusat cluster menggunakan rumus 2.1 ,maka hasilnya dapat dilihat pada tabel berikut
Tabel 4.4 Hasil Perhitungan Data Pada Pusat Cluster Pada Iterasi Pertama
N o
Nama Karyaw an
Abs ensi
Pe na mp ila n Dir i
Pel aya na n
Sika p &
Loy alita s
Tugas
&
Tangg ung Jawab
Kerj asa ma Tim
C1 C2 C3
Jarak Terde kat
Cluster Data
1 Bangba
ng 70 70 80 90 90 75
535 0 1660 0
Cluster 2 2 Jenerius
S 60 80 75 80 80 80
145 360 1050 145
Cluster 1 3 Hansen
S 60 65 70 70 75 80
570 785 925 570
Cluster 1 4 Erwin
M 60 75 60 80 60 60
1745 1660 0 0
Cluster 3 5 Lastrod
o 80 80 70 80 80 80
200 435 945 200
Cluster 1
6 Horas S 80 70 70 70 80 80
400 635 1045 400
Cluster 1 7 Freddy
H 80 70 75 70 80 70
625 560 870 560
Cluster 2 8 Wanda
S 60 60 70 65 70 70
1245 1260 750 750
Cluster 3
9 Ronaldo 80 80 80 80 80 90
0 535 1745 0
Cluster 1 1
0 Walfin 80 80 80 90 80 90
100 435 1845 100
Cluster 1
Pada tahap perhitungan iterasi pertama ini dapat dilihat bahwa tingak kedisplinan karyawan pada tabel diatas sebagai berikut:Sangan Baik (C1) sebanyak 6 data yaitu ke 2,3,5,6,9 dan 10),
4.3.4 Menentukan Pusat Cluster Baru
Langka selanjutnya adalah menentukan pusat cluster baru dengan menjumlahkan semuan data setia cluster sesuai rumus 2.2. Pada C1(Sangat Baik) Memiliki 6 data anggota dengan nilai masing masing, maka perhitungannya sebagai berikut:
C1=60+60+80+80+80+80
6 =73Untuk Nilai Absensi
C1=80+65+80+70+80+80
6 =76Untuk Nilai Penampilan diri
Dan seterusnya dilakukan seperti diatas untuk mendapatkan nilai setiap kriteria pada C1,C2 dan C3. Setelah dilakukan perhitungan kesuma data setiap cluster sesuai rumus 2.2 maka dapat dihasilkan pusat cluster “centroid “ baru sebagai iterasi kedua sebagai berikut:
Tabel 4.5 Pusat Cluster “Centroid” Baru Pusat
cluste r Iterasi 2
Absens i
Penampila n Diri
Pelayana n
Sikap &
Loyalita s
Tugas &
Tanggun g Jawab
Kerjasam a Tim
C1 73 76 74 78 79 83
C2 75 70 78 80 85 73
C3 60 68 65 73 65 65
4.3.5 Proses Penentuan Pusat Cluster Sampai Data Tidak Berubah
Pada bagian ini akan dilakukan perhitungan sesuai rumus 2.1 antara pusat cluster baru iterasi kedua yang ada di tabel 3.3 ke data karyawan pada tabel 2.1. Dimana hasil perhitungannya jika didapatkan berbeda dengan hasil perhitungan pada iterasi pertama yaitu tabel 3.2, makan akan ditentukan pusat cluster baru sesuai rumus 2.2. Namun jika hasil perhitungannya tidak berubah sesuai data pada tabel 3.2, maka perhitungan menentukan tingkat kedisiplinan karyawan halay inn akan di hentikan. Oleh karena ini akan dilakukan perhitungan sama seperti iterasi satu. Maka hasil perhitungan pusat cluster iterasi2 ke data karyawan pada tabel 2.1 sebagai berikut:
Tabel 4.6. Hasil Perhitungan Data Ke Pusat Cluster Baru Iterasi kedua
N o
Nama Karyaw an
A bs en si
Pena mpila n Diri
Pel aya na n
Sika p &
Loy alita s
Tugas
&
Tangg ung Jawab
Kerj asa ma Tim
c1 c2 c3
Jara k Terd
ekat
Cluster Data
1 Bangba
ng 70 70 80 90 90 75 394 143 127
3 143 Cluster 2 2 Jenerius
S 60 80 75 80 80 80 46 203 763 46 Cluster
1 3 Hansen
S 60 65 70 70 75 80 246 353 363 246 Cluster
1 4 Erwin
M 60 75 60 80 60 60 112
9
112
8 188 188 Cluster 3 5 Lastrod
o 80 80 70 80 80 80 56 243 708 56 Cluster
1
6 Horas S 80 70 70 70 80 80 139 243 508 139 Cluster
1 7 Freddy
H 80 70 75 70 80 70 289 143 383 143 Cluster
2 8 Wanda
S 60 60 70 65 70 70 721 628 188 188 Cluster
3
9 Ronaldo 80 80 80 80 80 90 106 443 130
8 106 Cluster 1
10 Walfin 80 80 80 90 80 90 239 543 155
8 239 Cluster 1
BAB V
KESIMPULAN DAN SARAN
clustering dapat menyelesaiakn menentukan tingkat kedisplinan karyawaannyan kedalam 3 cluster, yakni Sangat baik(C1) dengan hasil sebanyak 6 data, Baik (C2) dengan hasil sebanyak 2 data, dan Kurang(C3) dengan hasil sebanyak 2 data. Denghan hasil penelitian ini, bahwa algoritma k-measn clustering sangat efektif digunakan dalam menyelesaikan masalah yang ada, sehingga, pihak hotel bisa terbantu dalam melakukan evaluasi terhadap karyawannya setiap efisode..
5.2 Saran
Saran yang disampaikan berkaitan dengan pelaksanaan penelitian :
Perlu dicibtakan aplikasi mobile untuk menentukakan tingkat kedisplinan pada karyawan halay inn
DAFTAR PUSTAKA
[1] V. N. Amadhy, Perancangan Sistem Pengukuran Kinerja Menggunakan Framework Balanced Scorecard Pada Hotel Merdeka Madiun. repository.its.ac.id, 2020.
[2] Muhammad Robith Adani, “Mengenal Konsep Data Mining Beserta Contoh Implementasinya,” Sekawanmedia.Co.Id, 2021. .
[3] … Preddy, P. Marpaung, I. Pebrian, and W. Putri, “Penerapan Data Mining Untuk Pengelompokan Kepadatan Penduduk Kabupaten Deli Serdang Menggunakan Algoritma K-Means,” J. Ilmu Komput. dan Sist. Inf., vol. 6, no. 2, pp. 64–70, 2023.
[4] N. S. Pangaribuan and F. Marpaung, “Analysis of Corn Agriculture Data to Predict
Harvest Results with Data Mining Algorithm C4 . 5,” vol. 14, no. 2, pp. 235–243, 2020.
[5] K. P. Sinaga and M. S. Yang, “Unsupervised K-means clustering algorithm,” IEEE Access, vol. 8, 2020.
[6] H. A. Musril, S. Saludin, W. Firdaus, S. Usanto, K. Kundori, and R. Rahim, “Using k- NN Artificial Intelligence for Predictive Maintenance in Facility Management,” SSRG Int. J. Electr. Electron. Eng., vol. 10, no. 6, 2023.
[7] Q. I. Mawarni and E. S. Budi, “Implementasi Algoritma K-Means Clustering Dalam Penilaian Kedisiplinan Siswa,” J. Sist. Komput. dan Inform., vol. 3, no. 4, p. 522, 2022.
[8] P. Marpaung and R. F. Siahaan, “Penerapan Algoritma K-Means Clustering Untuk Pemetaan Kepadatan Penduduk Berdasarkan Jumlah Penduduk Kota Medan,” J-SAKTI (Jurnal Sains Komput. dan Inform., 2021.
[9] I. Vhallah, S. Sumijan, and J. Santony, “Pengelompokan Mahasiswa Potensial Drop Out Menggunakan Metode Clustering K-Means,” J. RESTI (Rekayasa Sist. dan Teknol.
Informasi), vol. 2, no. 2, 2018.
[10] N. A. S. Z. Abidin, R. D. Avila, A. Hermatyar, and R. Rismayani, “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Daerah Produksi Kakao,”
J. Tek. Inform. dan Sist. Inf., vol. 8, no. 2, 2022.
[11] A. Meiriza, E. Ali, Rahmiati, and Agustin, “Perbandingan Algoritma K-Means dan K- Medoids untuk Pengelompokan Program BPJS Ketenagakerjaan,” Indones. J. Comput.
Sci., vol. 12, no. 2, 2023.
[12] F. S. Sagala, M. Mugiarso, and W. Priatna, “Algoritma K-Means Clustering Untuk Menentukan Rekomendasi Pemberian Beasiswa Bagi Siswa Berprestasi,” J. Students‘
Res. Comput. Sci., vol. 2, no. 2, 2021.
[13] D. Abdullah, S. Susilo, A. S. Ahmar, R. Rusli, and R. Hidayat, “The application of K- means clustering for province clustering in Indonesia of the risk of the COVID-19 pandemic based on COVID-19 data,” Qual. Quant., vol. 56, no. 3, 2022.
[14] S. N. Br Sembiring, H. Winata, and S. Kusnasari, “Pengelompokan Prestasi Siswa Menggunakan Algoritma K-Means,” J. Sist. Inf. Triguna Dharma (JURSI TGD), vol. 1, no. 1, 2022.
[15] P. Marpaung and H. Pandiangan, “Utilization of the MOORA Method for
Recommended Selection of Best Waiters in Hospitality,” vol. 4, no. 36, pp. 566–573, 2020.
LAMPIRAN
Kontrak Penelitian...21
Lampiran 1. Susunan organisasi tim peneliti dan pembagian tugas
Susunan Organisasi Tim Pengusul dan Pembagian Tugas
No Nama/NIDN Instansi Bidang Alokasi Waktu Uraian Tugas
Asal Ilmu (jam/minggu) 1 Preddy
Marpaung, S.Kom., M.Kom/
0109098801
STMIK Pelita Nusantara
Teknik Informatika
15 Mengumpulkan Data
Melakukan Train Data
Penerapan
Algoritma K- means Cluster
Membuat Laporan Akhir
Persiapan Artikel
Publish Artikel 2 Ibnu Pebrian
/200151010
STMIK Pelita Nusantara
Teknik Informatika
10 Mengumpulkan Data
Membuat Laporan Kemajuan
3 Widia /200151015
STMIK Pelita Nusantara
Teknik Informatika
10 Mengumpulkan Data
Membuat Laporan Kemajuan
Lampiran 2. Biodata ketua dan anggota tim pengusul
3. Jabatan Fungsional : Asisten Ahli
4. Pangkat/Gol/ NIP : -
5. NIDN : 0109098801
6. Tempat/tanggal lahir : Sitiotio/09 September 1989
7. e-mail : [email protected]
8. No. Hp : 082276557778
9. Alamat : Jl. Bunga Kantil XXII, Pang
Bulan,Medan.
10 Mata Kuliah yang diampu : 1. Pemrosesan Data Terdistribusi 2. Pemrograman Mobile
3. Pemrograman Berorientasi Objek
A. Riwayat Pendidikan
Nama PT Universitas Methodist
Indonesia Universitas Sumatera Utara
Bidang Ilmu Teknik Informatika Teknik Informatika Tahun masuk/lulus
SI dan S2 2007/2011 2015/2018
Judul
Skripsi/Tesis/Disertasi
Perangkat Lunak Pengendalian Log Trasaksi Suatu Sistem Bank Menggunakan Metode Recovery Berbasis Log
Image Quality Improvement Using Spatial Median Filter Algorithm And Adaptive Fuzzy Contrast
Enhancement Nama
Pembimbing/Promotor Alfonsus Situmorang ,
M.Kom Prof. Muhammad Zarlis
B. Publikasi Artikel Ilmiah Dalam Jurnal alam 5 Tahun Terakhir
No. Judul Artikel Nama Jurnal Volume/ Nomor/ Tahun
1
Application of C4. 5 Algorithm for Simulation of Prediction of Victory in Acceptance of Several Prospective Employees
Journal Of Computer Networks
Vol 1 No 2, Juli 2019 ISSN 2655-9102
2
PKM: Penerapan Dan Pelatihan Pengoperasian Blog Akademis Bagi Dosen Politeknik Trijaya
Krama Medan TRIDARMA
(PKM)
Vol 1No 1, Mei 2018 ISSN: 2716-1579
3
Image Qualiy Improvement Using Algorithm Spatial Median Filter And Adaptive Fuzzy Contrast Enhacement
Proceeding/
EAI
ISSN: 2593-7650 DOI 10.4108/eai.20-1- 2018.2281921
4 Application of C4.5 Algorithm for Simulation of Prediction of Victory in Acceptance of Several
Prospective Employees
Journal Of Computer Networks
Volume 1,No.2, Juli 2019
ISSN:2655-9102
5 Optimization of Sugar Salt Fat in the Human Body Using Genetic Algorithm
SinkrOn Volume 4, Number 2, April 2020.
ISSN : 2541-2019
DOI:https://doi.org/10.3 3395/sinkron.v4i2.10531
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai ketidak- sesuaian dengan kenyataan, saya sanggup menerima sanksi. Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu persyaratan dalam pengajuan laporan akhir penelitian internal STMIK Pelita Nusantara Tahun 2023
Medan, 03 July 2024 Ketua Pelaksana
Preddy Marpaung, M.Ko m
Identitas Anggota Peneliti I A. Identitas Diri
1 .
Nama Lengkap Ibnu Febrian
2
. Jenis Kelamin Laki-Laki
3
. Program Studi Teknologi Rekayasa Komputer Jaringan 4
.
Nim 200151010
5 .
Tempat Tanggal Lahir Melati, 20 Agustus 2020 6
.
Email [email protected]
7 .
No Telepon/Hp 083198705281
B. Riwayat Pendidikan
SD SMP SMA
Nama Instusi SDN 101899 SMP N1
Perbaungan
SMK Musda Perbaungan
Jurusan - - TKJ
Tahun
Masuk/Lulus 2007-2013 2013-2016 2016-2019
Demikian biodata ini saya buat dengan sebenar-benarnya, dan apabila terdapat kesalahan di kemudian hari, maka saya siap mempertanggungjawabkannya.
Medan, Agustus 2023 Angota Peneliti I
Ibnu Febrian .
Identitas Anggota Peneliti II A. Identitas Diri
1. Nama Lengkap Widia Putri
2. Jenis Kelamin Perempuan
3. Program Studi Teknologi Rekayasa Komputer Jaringan
4. Nim 200151015
5. Tempat Tanggal Lahir Perbaungan, 06 Maret 2002
6. Email [email protected]
7. No Telepon/Hp 085266558511
B. Riwayat Pendidikan
SD SMP SMA
Nama Instusi SDN 101914 SMPN 1 Perbaungan SMK Musda Perbaungan
Jurusan - - TKJ
Tahun
Masuk/Lulus 2007-2013 2013-2017 2016-2019
Demikian biodata ini saya buat dengan sebenar-benarnya, dan apabila terdapat kesalahan di kemudian hari, maka saya siap mempertanggungjawabkannya.
Medan, Agustus 2023 Angota Peneliti II
Widia Putri
Lampiran 3. Format Justifikasi Anggaran
Tabel Format Justifikasi Anggaran 1. Honorarium
Honor Volume Satuan Honor (Rp) Total (Rp)
Pelaksana I 1 Orang Rp. 1.100.000,- Rp. 1.100.000,- Pelaksana II 1 Orang Rp. 1.000.000,- Rp. 1.000.000,- Pelaksana III 1 Orang Rp. 900.000,- Rp. 900.000,- Sub Total Rp. 3.000.000,- 4 Pembelian Bahan
Item Bahan Volu
me
Satuan Harga Satuan (Rp)
Total (Rp)
Kertas A 4 1 Rim 9.0000 Rp. 90.000,-
Tinta Hitam 2 buah 50.000 Rp. 100.000,-
Fotocopy 200 lembar 350 Rp. 70.000,-
Pakar 1 orang 1.000.000 Rp. 1.000.000,-
Transportasi 1 paket 650000 Rp. 650.000,-
Paket Internet 3 0rg 250.000 Rp. 750.000,-
Flashdisk 32 Gb 1 buah Rp 250.000
Sub Total Rp. 2.860.000,- 5 Pelaporan, Luaran Wajib dan Luaran Tambahan
Proposal 1 buah 80.000 Rp. 80.000,-
Laporan Kemajuan 1 buah 80.000 Rp. 80.000,-
Laporan Akhir 1 buah 80.000 Rp. 80.000,-
Submit dan Publish Luaran Wajib
1 Jurnas
Nasional Terakre ditasi
900.000 Rp. 900.000,-
Sub Total Rp. 1.140.000,- JUMLAH TOTAL KESELURUHAN Rp. 7.000.000,-
Luaran Wajib
Hasil dari penelitian ini sudah terpublikasi pada jurnal nasional terakreditasi (sinta5) yang merupakan luaran wajib yang dijanjikan pada proposal penelitian ini. Adapun bukti ketercapaian luaran adalah sebagai berikut:
