ANALISIS PEMBERIAN INSENTIF TENAGA MEDIS MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING
Dwi Cahya Prana Ginting1), Jonggi Samuel Parluhutan Sihombing2), Nia Natalia Aritonang3), Ribka Patricia Sinaga4, Windania Purba5)
1,2,3,4,5 Fakultas Sains Dan Teknologi, Universitas Prima Indonesia
Email: [email protected], [email protected], [email protected], [email protected], [email protected]
Abstract
Intensive funds are very important for health workers in caring for Covid-19 patients. Researchers conducted research using a dataset from a list of names of health workers at the puskesmas who were proposed to get intensive handling of Covid-19 in the city of Medan. One of the stages for preprocessing the data set is carried out using the application of the linear regression method. The researcher uses several k means clustering algorithms so that from this process the results can be obtained for anyone who deserves intensive handling of the Covid-19 pandemic. The algorithms used include Decision Tree C4.5, K-Nearest Neighbor, Naive Bayes, C4.5 Algorithm, K-Means clustering, Online Analytical Processing. The researcher conducted a test using a data mining tool, namely with RapidMiner version 9.0 using the K-means Clustering Algorithm method, data results from RapidMiner that have been connected to the K-Means Clustering method and obtained predictive results from data obtained from health workers 2019-2022. In this study using a dataset from a list of names of health workers at the puskesmas who were proposed to get incentives for handling the Covid-19 disease pandemic in Medan City. The data was obtained from the results of the list of names of health workers at the puskesmas from 2019-2022. The dataset preprocessing stage is carried out using the application of the Linear Regression Method. Based on the results of Cluster officers, the total number of data is 279, there are 5 clusters, which consist of Cluster 0, Cluster 1, Cluster 2, Cluster 3 results. There are 6 officers who get incentives of Rp. 3,000,000, 44 officers get incentives of Rp. 4,000,000 and 229 officers who received Rp. 5,000,000. The results of this analysis obtained Cluster 0: 93 items, Cluster 1: 83 items, Cluster 2: 91 items, Cluster 3: 2 items, Cluster 4: 10 items and a total number of times 279.
Keywords : K-means Clustering Algorithm, Covid-19, Health workers, Insentif
1. PENDAHULUAN
Pemberian insentif kepada tenaga medis merupakan aspek penting dalam manajemen sumber daya manusia di bidang kesehatan. Insentif yang tepat dapat memberikan motivasi yang tinggi kepada tenaga medis untuk memberikan pelayanan yang berkualitas. Dalam konteks ini, penelitian ini akan melakukan analisis pemberian insentif kepada tenaga medis menggunakan algoritma K-Means Clustering. Melalui analisis ini, diharapkan dapat ditemukan pola-pola atau kelompok-kelompok tenaga medis yang memiliki karakteristik yang serupa, sehingga pengaturan insentif dapat lebih
terarah dan sesuai dengan kebutuhan dan kinerja mereka.
Algoritma K-Means Clustering telah terbukti efektif dalam melakukan pengelompokan data berdasarkan kesamaan karakteristik. Dalam penelitian ini, algoritma ini akan diterapkan untuk menganalisis pemberian insentif kepada tenaga medis. Penggunaan algoritma K-Means Clustering akan memungkinkan identifikasi kelompok- kelompok tenaga medis yang memiliki profil yang serupa dalam hal kinerja, pengalaman, atau faktor lain yang relevan. Hasil analisis ini akan menjadi dasar dalam merancang skema pemberian insentif
yang lebih efektif dan adil, dengan mempertimbangkan perbedaan karakteristik antara kelompok-kelompok tenaga medis tersebut.
Penelitian ini dilakukan sebagai respons terhadap tantangan pengelolaan sumber daya manusia di sektor kesehatan, khususnya dalam hal pemberian insentif kepada tenaga medis.
Pemberian insentif yang tidak tepat dapat berdampak negatif, seperti kurangnya motivasi atau keengganan dalam memberikan pelayanan yang berkualitas. Oleh karena itu, analisis yang akurat dan efisien dalam mengelompokkan tenaga medis menjadi hal yang sangat penting. Dalam penelitian ini, algoritma K-Means Clustering digunakan untuk mengklasifikasikan tenaga medis ke dalam kelompok-kelompok yang serupa. Dengan demikian, pengelolaan pemberian insentif dapat lebih terarah, efektif, dan memberikan dampak positif bagi kinerja dan kepuasan tenaga medis serta pelayanan kesehatan secara keseluruhan.
Tenaga Kesehatan adalah kelompok yang paling berjasa di garda depan dalam pemeriksaan dan perawatan pasien yang diduga atau terkonfirmasi positif menderita Coronavirus Disease 2019 (Covid-19). Merujuk pada definisi menurut Undang-Undang Nomor 36 Tahun 2014 tentang Tenaga Kesehatan, tenaga kesehatan adalah setiap orang yang mengabdikan diri dalam bidang kesehatan serta memiliki pengetahuan dan keterampilan melalui pendidikan di bidang kesehatan jenis tertentu yang memerlukan kewenangan untuk melakukan upaya kesehatan.
[1], [2]. Dengan latar belakang tersebut, maka dilakukan penelitian dengan tujuan untuk menganalisis Pemberian Insentif Tenaga Medis Menggunakan Algoritma K-Means Clustering di Puskesmas Padang Bulan.
2. METODE PENELITIAN Lokasi Penelitian
Lokasi dari penelitian adalah Puskesmas Padang Bulan beralamat di Jl. Jamin Ginting No.3, Padang Bulan, Kec. Medan Baru, Kota Medan, Sumatera Utara 2057. Bahan penelitian yang digunakan adalah data Pemberian insentif Tenaga kesehatan pada Puskesmas Padang bulan pada tahun 2020 sebagai objek yang di teliti.
Metode Pengumpulan Data
Proses pengolahan data dilakukan menggunakan teknik data mining, dengan mengikuti tahapan yang telah ditentukan dalam Clustering [1], [3]–[7]. Tahapan tersebut meliputi:
a) Seleksi Data: Merupakan pemilihan data dari sekumpulan data operasional sebelum memulai tahap penggalian informasi dalam Clustering [8].
Data yang digunakan dalam penelitian ini berasal dari Puskesmas Padang bulan di tahun 2020 sebagai objek penelitian.
b) Preprocessing: Tahap ini melibatkan integrasi data untuk menggabungkan data dari berbagai sumber database [9]. Selanjutnya, dilakukan proses pembersihan data untuk mendapatkan dataset yang bersih agar dapat digunakan dalam tahap berikutnya, yaitu mining.
c) Transformasi: Tahap ini merubah data yang telah dipilih agar sesuai dengan proses data mining. Proses transformasi dalam Clustering bersifat kreatif dan bergantung pada jenis atau pola informasi yang ingin dicari dalam basis data.
d) Data Mining: Tahap ini melibatkan pencarian pola atau informasi menarik dalam data yang telah dipilih menggunakan teknik atau metode tertentu [2], [10]–[13]. Dalam penelitian ini, metode yang digunakan adalah metode K-Means Clustering.
Berikut adalah beberapa penelitian pemberian insentif menggunakan metode Naïve Bayes Dan Saw dengan judul Komparasi Metode Naïve Bayes Dan Saw untuk pemilihan penerimaan insentif karyawan dengan hasil bahwa metode Naïve Bayes dan Saw dapat menyelesaikan permasalahan untuk pemilihan penerima insentif dengan hasil yang baik yaitu dengan Naïve Bayes.
Tetapi implementasi Naïve Bayes dengan RapidMiner mempunyai kemudahan yaitu tidak perlu merubah ke dalam angka dahulu apabila datanya berupa kata atau teks. Sehingga waktu pemrosesan dengan Naïve Bayes Lebih cepat dibandingkan dengan SAW [14].
3. HASIL DAN PEMBAHASAN Dataset
Dalam penelitian ini menggunakan dataset dari daftar nama petugas kesehatan di puskesmas yang diusulkan untuk mendapatkan insentif penanganan pandemi penyakit covid-19 pada Kota Medan. Data diperoleh dari hasil data daftar nama petugas kesehatan di puskesmas dari tahun 2019- 2022. Tahap preprocessing dataset dilakukan menggunakan penerapan Metode Regresi Linear.
Tabel 1. Data Petugas Kesehatan dari Tahun 2019- 2022
NO
Puskesmas Padang
Bulan
NIP Pangkat 1 Drg. Sufania 19590619
198712 2 001
Pembina Utama Madya/IV-d 2 Novena
Sembiring, AMK
19790407 201101 2 004
Penata Muda Tk.I/III-b 3 Purnama
Hutasoit, SKM
19760830 199703 2 001
Penata Tk.I/III-d 4 Tohom Eva
Juninda Siregar, AMAK
19760612 201001 2 005
Penata Muda Tk.I/III-b
5 Arna Idaraysa Br.
Manurung, Amd.K
19910119 201903 2 011
Pengatur/II-c
6 Drg. Asmi Adhelina
19740104 200502 2 005
Pembina Tk.I/IV-b 7 Dr. Darlina 19610414
200604 2 001
Pembina Tk.I/IV-b 8 Dr. Titin
Wahyuni
19820209 201001 2 014
Pembina/IV-a
9 Angela T.
Padang, SST
19770124 201001 2 016
Penata Tk.I/III-d 10 Mery
Delima R.
Siahaan, S.Kep, Ns
19791204 200502 2 007
Penata Tk.I/III-d
11 Lorina Ginting, AMKeb
19800902 200604 2 011
Penata Muda Tk.I/III-b 12 Marlinda
Ginting, SKM
19750316 201001 2 007
Penata/III-c
13 Yukihana, S.Kep
19820406 201001 2 006
Penata/III-c
14 Rosniati, AMK
19820702 201001 2 026
Penata Muda Tk.I/III-b
15 Drg. Sufania
19590619 198712 2 001
Pembina Utama Madya/IV-d 16
Novena Sembiring, AMK
19790407 201101 2 004
Penata Muda Tk.I/III-b
17
Purnama Hutasoit, SKM
19760830 199703 2 001
Penata Tk.I/III-d
18
Tohom Eva Juninda Siregar, AMAK
19760612 201001 2 005
Penata Muda Tk.I/III-b
19
Arna Idaraysa Br.
Manurung, Amd.K
19910119 201903 2 011
Pengatur/II-c
20 Drg. Asmi Adhelina
19740104 200502 2 005
Pembina Tk.I/IV-b
21 Dr. Darlina
19610414 200604 2 001
Pembina Tk.I/IV-b
22 Angela T.
Padang, SST
19770124 201001 2 016
Penata Tk.I/III-d
23
Mery Delima R.
Siahaan, S.Kep, Ns
19791204 200502 2 007
Penata Tk.I/III-d
… … … …
… … … …
279 Rosniati, AMK
19820702 201001 2 026
Penata Muda Tk.I/III-b
Rancangan Penelitian
Rancangan terhadap penelitian ini dilakukan dengan melakukan sebuah pengamatan.
Selanjutnya mengumpulkan data, setelah data tersebut dimasukkan di Microsoft Excel, lalu data akan diolah melalui proses perhitungan dan mengikuti langkah-langkah metode regresi linear berganda. Hasil perhitungan tersebut dapat diaplikasikan ke RapidMiner untuk melihat hasil yang akurat. Rancangan penelitian dapat dilihat pada gambar 1.
Gambar 1. Rancangan Penelitian Clustering dengan algoritma K-Means
Setelah nilai-nilai disetarakan, langkah selanjutnya melibatkan penggunaan algoritma K- Means untuk melakukan pengklusteran. Dari tahap ini, akan diperoleh hasil mengenai siapa-siapa yang memenuhi syarat untuk menerima insentif penanganan pandemi penyakit Covid-19. Adapun tahap/proses algoritma K-Means sebagai berikut:
A. Mengumpulkan Dataset
Berikut adalah contoh dataset tabel pegawai dari bulan Oktober hingga September yang akan digunakan sebagai simulasi data penerima
reward. Hasil data yang terkumpul ini dijadikan sebagai data sampel seperti tersaji pada tabel 2.
Tabel 2. Dataset Absensi Petugas Kesehatan Di Puskesmas
No
Nama
Pegawai Masuk Izin Alpha Telat
1 PGW01 120 0 0 40
2 PGW02 117 2 1 98
3 PGW03 115 3 2 5
4 PGW04 119 1 0 120
5 PGW05 108 12 0 35
6 PGW06 115 5 0 26
7 PGW07 120 0 0 15
8 PGW08 111 7 2 19
9 PGW09 120 0 0 12
10 PGW10 114 6 0 2
11 PGW11 120 0 0 6
12 PGW12 117 2 1 10
13 PGW13 120 0 0 0
14 PGW14 118 1 1 0
15 PGW15 120 0 0 2
16 PGW16 117 3 0 0
17 PGW17 117 3 0 3
18 PGW18 120 0 0 1
19 PGW19 112 8 0 17
20 PGW20 120 0 0 12
21 PGW21 119 1 0 9
22 PGW22 117 3 0 8
23 PGW23 120 0 0 0
.. ... .. ... .. ...
.. ... .. ... .. ...
279 PGW279 120 0 0 98
Pada tahap ini, dilakukan proses normalisasi data dengan tujuan untuk mengubah skala atribut data menjadi seragam dalam rentang yang lebih spesifik. Hal ini bertujuan agar data dapat dengan mudah diolah menggunakan metode K-Means dengan bantuan aplikasi RapidMiner.
Tabel 3. Tabel Hasil Cluster RapidMiner
N o
Nama
Pegawai Cluster Masuk Izin Alp
ha Telat 1 PGW01 cluster_1 120.0 0.0 0.0 40.0 2 PGW02 cluster_1 117.0 2.0 1.0 98.0 3 PGW03 cluster_1 115.0 3.0 2.0 5.0 4 PGW04 cluster_1 119.0 1.0 0.0 120.0 5 PGW05 cluster_1 108.0 12.0 0.0 35.0 6 PGW06 cluster_1 115.0 5.0 0.0 26.0 7 PGW07 cluster_1 120.0 0.0 0.0 15.0 8 PGW08 cluster_1 111.0 7.0 2.0 19.0 9 PGW09 cluster_1 120.0 0.0 0.0 12.0 1
0 PGW10 cluster_1 114.0 6.0 0.0 2.0 1
1 PGW11 cluster_1 120.0 0.0 0.0 6.0 1
2 PGW12 cluster_1 117.0 2.0 1.0 10.0 1
3 PGW13 cluster_1 120.0 0.0 0.0 0.0 1
4 PGW14 cluster_1 118.0 1.0 1.0 0.0 1
5 PGW15 cluster_1 120.0 0.0 0.0 2.0 1
6 PGW16 cluster_1 117.0 3.0 0.0 0.0
.. ... .. ... .. ...
.. ... .. ... .. ...
2 7 9
PGW279 cluster_0 279.0 117.
0 0.0 3.0
Terlihat ada 3 kriteria penilaian yaitu masuk, izin, alpha dan telat. Terdapat 279 data petugas Kesehatan di puskesmas. Maka akan dikelompokkan menjadi 5 cluster yaitu:
1. Cluster 0 (C1) 2. Cluster 1 (C2) 3. Cluster 2 (C3) 4. Cluster 3 (C3) 5. Cluster 5 (C3)
Tabel 4. Hasil Data Cluster Ketera
ngan
Clust er_0
Clust er_1
Clust er_2
Clust er_3
Clust er_4
Masu k
119.6 77
117.6 99
119.8
79 120 119.6 00
Izin 0 2 0.121 0 0.300
Alpha 0.323 0.301 0 0 0.100 Telat 6.957 15.59
0
0.923
0 489 183.2 00 Ketera
ngan
Clust er_0
Clust er_1
Clust er_2
Clust er_3
Clust er_4
Penerapan Algoritma K-Means Clustering Menggunakan Rapidminer
Pada tahap ini akan dilakukan pemodelan menggunakan RapidMiner versi 9.10. Pengujian dilakukan menggunakan tools data mining yaitu RapidMiner versi 9.10 dengan menggunakan metode Algoritma K-Means Clustering. Penelitian ini ke dalam local repository pada computer/laptop seperti pada gambar 2.
Gambar 2. Langkah Pengujian Menggunakan RapidMiner 9.10
Setelah data petugas Kesehatan dihubungkan dan parameter telah ditetapkan pada gambar 3.2 diatas maka, selanjutnya dengan mengklik tombol Run pada RapidMiner bisa memproses dan menampilkan hasil Analis.
Gambar 3. Tampilan RapidMiner Dengan Linear Regression
Diatas merupakan hasil data dari RapidMiner yang sudah dihubungkan dengan metode Algoritma K-Means Clustering dan mendapatkan hasil predikat data dari data yang diperoleh data petugas Kesehatan 2019-2021.
Gambar 4. Tampilan Data Hasil RapidMiner
Diatas merupakan hasil dari aplikasi RapidMiner, Maka diatas merupakan daftar nama petugas Kesehatan di puskesmas yang diusulkan untuk mendapatkan insentif penanganan pandemic penyakit I Covid – 19 pada kota Medan yang sesuai dengan hasil RapidMiner terdapat 6 petugas yang mendapatkan insentif Rp.3.000.000, 44 Petugas mendapatkan insentif sebesar Rp.4.000.000 dan 229 petugas mendapatkan Rp.5.000.000.
4. KESIMPULAN
Berdasarkan hasil penelitian yang telah dilakukan analisis pemberian insentif tenaga medis (penanganan Covid – 19) menggunakan algoritma K-Means Clustering pada tahun 2019-2020 di puskesmas padang bulan, maka dapat diambil kesimpulan sebagai berikut:
1. Algoritma K-Means Dapat digunakan untuk menganalisis data daftar nama petugas Kesehatan di puskesmas yang di usulkan untuk mendapatkan insentif penanganan pandemic penyakit Covid -19. Penelitian pada tahun petugas 2019-2020 dengan total masing- masing data yaitu 279 data menggunakan RapidMiner.
2. Berdasarkan hasil Cluster petugas jumlah data keseluruhan adalah 279 terdapat 5 Cluster, yang terdiri dari hasil Cluster 0, Cluster 1, Cluster 2, Cluster 3 mendapatkan hasil terdapat
6 petugas yang mendapatkan insentif Rp 3.000.000, 44 petugas mendapatkan insentif sebesar Rp. 4.000.000 dan 229 petugas yang mendapatkan Rp.5.000.000.
3. Hasil analisis ini memperoleh hasil Cluster 0:
93 items, Cluster 1: 83 items, Cluster 2: 91 items, Cluster 3: 2 items, Cluster 4: 10 items dan total number of times 279
REFERENCES
[1] A. Ali, “Klasterisasi Data Rekam Medis Pasien Menggunakan Metode K-Means Clustering di Rumah Sakit Anwar Medika Balong Bendo Sidoarjo,” MATRIK J.
Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 19, no. 1, pp. 186–195, 2019, doi: 10.30812/matrik.v19i1.529.
[2] J. Wandana, S. Defit, and S. Sumijan,
“Klasterisasi Data Rekam Medis Pasien Pengguna Layanan BPJS Kesehatan Menggunakan Metode K-Means,” J. Inf.
dan Teknol., vol. 2, pp. 4–9, 2020, doi:
10.37034/jidt.v2i4.73.
[3] M. Benri, H. Metisen, and S. Latipa,
“Analisis Clustering Menggunakan Metode K-Means Dalam Pengelompokkan Penjualan Produk Pada Swalayan Fadhila,”
J. Media Infotama, vol. 11, no. 2, pp. 110–
118, 2015.
[4] W. A. Wahyuni and S. Saepudin,
“Penerapan Data Mining Clustering Untuk Mengelompokkan Berbagai Jenis Merk Mesin Cuci,” Semin. Nas. Sist. …, pp. 306–
313, 2021.
[5] W. I. Rahayu, S. F. Pane, and ...,
“Implementasi Data Mining Dengan Metode K-Means Clustering Untuk Menentukan Iklan Audio Berdasarkan User Behaviors Pada Aplikasi Audio Social Media Svara …,” J. Tek. …, vol. 10, no. 2, pp. 13–19, 2018.
[6] E. Kurniawan, “Analisa Data Rekam Medis Menggunakan Teknik Data Mining Association Rules Dengan Algoritma Clustering .pdf,” pp. 1–7.
[7] W. M. P. Dhuhita, “Clustering Metode K- Means Untuk Menentukan Status Gizi Balita,” J. Inform., vol. 15, no. 2, pp. 160–
174, 2015.
[8] P. Berkhin, “Clustering survey Bherkin,”
Tech. Report, Accrue Softw., pp. 1–56, 2002.
[9] M. Bari, A. Majid, Y. M. Cani, and U. Enri,
“Penerapan Algoritma K-Means dan Decision Tree Dalam Analisis Prestasi Siswa Sekolah Menengah Kejuruan,” J.
Sist. Komput. dan Inform. Hal 355−, vol.
364, no. 2, pp. 355–364, 2022, doi:
10.30865/json.v4i2.5299.
[10] K. Fatmawati and A. P. Windarto, “Data Mining: Penerapan Rapidminer Dengan K- Means Cluster Pada Daerah Terjangkit Demam Berdarah Dengue (Dbd) Berdasarkan Provinsi,” Comput. Eng. Sci.
Syst. J., vol. 3, no. 2, p. 173, 2018, doi:
10.24114/cess.v3i2.9661.
[11] S. Seimahuira, “Berdasarkan Online Reviews Tripadvisor Menggunakan,” vol.
12, no. 1, pp. 53–58, 2021.
[12] R. Saputra, “VOL . 9 NO . 1 April 2016 VOL . 9 NO . 1 April 2016,” Pemesenan Tarv. Berbas. SMS Gatew. dan Java Netvbeans pada CV.Ratu Pasaman Travel Berbas. SMS Gatew. dan Java Netbeans, vol. 9, no. 1, pp. 1–12, 2016.
[13] G. A. Marcoulides, Discovering Knowledge in Data: an Introduction to Data Mining, vol. 100, no. 472. 2005. doi:
10.1198/jasa.2005.s61.
[14] A. P. Widyassari and P. E. Suryani,
“Komparasi Metode Naïve Bayes dan SAW untuk Pemilihan Penerimaan Insentif Karyawan,” J. Ilm. Intech Inf.
Technol. J. UMUS, vol. 3, no. 02, pp.
149–159, 2021, doi:
10.46772/intech.v3i02.555.
[15] A. BASTIAN, “Penerapan Algoritma K- Means Clustering Analysis Pada Penyakit Menular Manusia (Studi Kasus Kabupaten
Majalengka),” J. Sist. Inf., vol. 14, no. 1, pp.
28–34, 2018, doi: 10.21609/jsi.v14i1.566.
[16] Y. R. Nasution and M. Eka, “Penerapan Algoritma K-Means Clustering Pada Aplikasi Menentukan Berat Badan Ideal,” J.
Ilmu Komput. dan Inform., vol. 02, no.
April, pp. 77–81, 2018.
[17] C. S. D. B. Sembiring, L. Hanum, and S. P.
Tamba, “Penerapan Data Mining Menggunakan Algoritma K-Means Untuk Menentukan Judul Skripsi Dan Jurnal Penelitian (Studi Kasus Ftik Unpri),” J. Sist.
Inf. dan Ilmu Komput. Prima(JUSIKOM PRIMA), vol. 5, no. 2, pp. 80–85, 2022, doi:
10.34012/jurnalsisteminformasidanilmuko mputer.v5i2.2393.
[18] M. R. L. Iin Parlina, Agus Perdana Windarto, Anjar Wanto, “Memanfaatkan Algoritma K-Means Dalam Menentukan Pegawai Yang Layak Mengikuti Asessment Center,” Memanfaatkan Algoritm. K-Means Dalam Menentukan Pegawai Yang Layak Mengikuti Asessment Cent. Untuk Clust.
Progr. Sdp, vol. 3, no. 1, pp. 87–93, 2018.
[19] Halilintar R and Farina Nur I, “Penerapan Algoritma K-Means Clustering Untuk Prediksi Prestasi Nilai Akademik
Mahasiswa,” J. Sains dan Inform., vol. 4, no. 2, 2018.
[20] Sekar Setyaningtyas, B. Indarmawan Nugroho, and Z. Arif, “Tinjauan Pustaka Sistematis: Penerapan Data Mining Teknik Clustering Algoritma K-Means,” J. Teknoif Tek. Inform. Inst. Teknol. Padang, vol. 10, no. 2, pp. 52–61, 2022, doi:
10.21063/jtif.2022.v10.2.52-61.
