PENGGUNAAN ALGORITMA K – MEANS CLUSTERING UNTUK MENE NTUK AN PENIL AI AN KEDISIPLI NAN K ARYAWAN RUMAH SAK IT RO YAL
PRIMA
Windania Purba1), Michael Kosasih2), Donny Kallamas3), Michael Wijaya4)
1,2,3,4 Fakultas Teknologi dan Sains, Universitas Prima Indonesia [email protected] , [email protected],
[email protected], [email protected] Abstract
Hospital is a place that has community service facilities engaged in the health sector, in the hospital provides outpatient and inpatient care. A hospital has several services such as health services for the elderly, health services for children and health services for adults. Before a hospital implements all these services for the community, all employees of the hospital need to do a training process so that the management of the hospital can assess the level of discipline of all employees of the hospital. Apart from the training process, the department of a hospital company will conduct an employee assessment, which the goal is to find out the level of discipline of the hospital employees. The research methodology used in this study is descriptive. a research method used to discuss a problem by researching, processing data, analyzing and describing with regular discussion. In this descriptive method research, the author uses three aspects that are the criteria for discipline of Royal Prima Hospital Employees, namely Discipline, Absence and Appreciation. The data collected by the author is through observation techniques and sampling techniques.
Keywords : Hospital, Discipline, Attendance, Appreciation, Royal Prima.
1. PENDAHULUAN
Kedisiplinan karyawan merupakan aspek yang sangat penting dalam menjaga kinerja dan efektivitas operasional suatu organisasi, termasuk rumah sakit. Dalam konteks rumah sakit, kedisiplinan karyawan berperan penting dalam memastikan pelayanan yang berkualitas kepada pasien serta menjaga keamanan dan kebersihan lingkungan kerja.
Oleh karena itu, penilaian kedisiplinan karyawan rumah sakit menjadi hal yang krusial dalam pengelolaan sumber daya manusia. Dalam upaya untuk meningkatkan efisiensi dan objektivitas penilaian tersebut, penggunaan algoritma k- means clustering dapat menjadi pendekatan yang relevan dan menarik untuk diterapkan.
Algoritma k-means clustering merupakan salah satu metode analisis data yang telah banyak digunakan dalam berbagai bidang [1]–[5], termasuk dalam pengolahan data
karyawan. Metode ini mampu mengelompokkan data ke dalam kelompok-kelompok yang saling berhubungan berdasarkan kesamaan atribut.
Dalam konteks penilaian kedisiplinan karyawan rumah sakit, penggunaan algoritma k-means clustering dapat membantu dalam mengidentifikasi pola-pola kedisiplinan yang ada di antara karyawan. Hal ini dapat memberikan pandangan yang lebih komprehensif dan sistematis terhadap tingkat kedisiplinan karyawan rumah sakit, serta membantu manajemen dalam pengambilan keputusan terkait pengembangan program peningkatan kedisiplinan.
Namun demikian, meskipun algoritma k-means clustering telah banyak digunakan dalam berbagai konteks, aplikasinya dalam penilaian kedisiplinan karyawan rumah sakit masih terbatas. Oleh karena itu, penelitian ini bertujuan untuk mengisi kesenjangan tersebut
dengan mengkaji dan menerapkan penggunaan algoritma k-means clustering dalam menentukan penilaian kedisiplinan karyawan rumah sakit.
Dengan memanfaatkan data kedisiplinan yang tersedia, diharapkan penelitian ini dapat memberikan kontribusi dalam meningkatkan objektivitas dan efisiensi dalam penilaian kedisiplinan karyawan, serta memberikan pemahaman yang lebih baik tentang faktor- faktor yang mempengaruhi kedisiplinan dalam konteks rumah sakit.
Penelitian ini dilakukan untuk melihat seberapa disiplin nya para karyawan tetap atau pun para karyawan magang dalam melaksanakan pekerjaanya sesuai dengan bagian sub kerjanya.
Penelitian ini bertujuan untuk membantu manajemen dalam menentukan tingkat kedisiplinan dan tingkat kinerja karyawan di Rumah Sakit Royal Prima Medan.
2. METODE PENELITIAN
Lokasi dari penelitian ini adalah Rumah Sakit Royal Prima yang beralamat Jl. Ayahanda No.68A, Sei Putih Tengah, Kec. Medan Petisah, Kota Medan, Sumatera Utara 20118. Materi riset yang dipakai dalam riset ini merupakan informasi presensi dari Para Karyawan Rumah Sakit Royal Prima pada tahun 2021 sebagai objek riset.
Metode Pengumpulan Data
Adapun teknik-teknik pengambilan data yang peneliti lakukan dalam penelitian ini adalah sebagai berikut:
1. Tanya Jawab. Kegiatan ini dilakukan untuk mengetahui data tingkat kedisiplinan kinerja pegawai Rumah Sakit Royal Prima. Data yang digunakan adalah data tahun 2021
2. Observasi. Dalam proses pendekatan ini dilakukan dengan cara mengamati secara langsung data kedisiplinan kinerja pegawai Rumah Sakit Royal Prima.
Tahapan Penelitian
Tahapan penelitian yang dilakukan
dapat dilihat pada gambar 1. Pengolahan data dilakukan dengan metode K-Means dengan tahap-tahap sebagai berikut:
1. Persiapan. Pada tahap ini yang menjadi objek penelitian adalah kedisiplinan pegawai Rumah Sakit Royal Prima.
2. Tinjauan kepustakaan. Dalam lanjutan tahapan berikutnya penulis melakukan studi literatur mengenai patokan yang hendak dipakai sebagai prinsip dalam mengukur tingkatan ketertiban Pegawai Rumah Sakit Royal Prima.
Gambar 1. Tahapan Penelitian
3. Pengumpulan Data. Pada langkah ini dicoba proses wawancara kepada bagian HRD Rumah Sakit Royal Prima.
4. Pengelolaan data mining. Informasi yang sudah digabungkan setelah itu di olah dengan memakai tahap yang sesuai dengan
KDD (Knowledge Discovery In Database) [6]–[9].
5. Informasi Selection. Informasi Selection ialah cara pengumpulan informasi yang berkaitan dengan analisa dari dasar informasi. Pada jenjang ini dicoba metode akuisisi suatu penurunan representasi dari informasi serta meminimalkan lenyapnya data informasi [10], [11].
6. Preprossessing. Informasi preprocessing merupakan metode dini informasi mining buat mengganti raw informasi( informasi anom) jadi bentuk serta data yang lebih berdaya guna serta berguna [12], [13].
7. Transformation. Pada jenjang ini dipakai guna mengganti informasi sebagai wujud yang cocok dalam cara keterangan mining.
Pada langkah ini dilakukan normalisasi, dimana normalisasi ini merupakan cara menskalakan angka informasi.
8. Data Mining. Langkah ini bermaksud guna mencari pola ataupun data menarik dalam informasi yang diseleksi dengan memakai metode ataupun tata cara yang cocok dengan cara.(Knowledge Discovery In Database) [14]–[20].
9. Interpretation. Tujuan dari Interpretation merupakan Pola data yang diperoleh dari cara informasi mining butuh diperlihatkan dalam wujud yang gampang dipahami oleh pihak yang bersangkutan.
10. Hasil dan pembahasan. Dalam tahap hasil dan pembahasan ini menjelaskan tentang hasil perhitungan dari dua jenis Algoritma yaitu: Algoritma K-Means dan Algoritma Fuzzy C-Means.
3. HASIL DAN PEMBAHASAN 3.1 Visualisasi Metode Elbow
Pada riset ini kita mengawali dengan memakai tata cara elbow, tata cara ini kita manfaatkan supaya bisa mengenali berapa
banyak cluster yang sangat tepat untuk dimanfaatkan pada riset ini.
Gambar 2. Metode Elbow
Pada gambar 2 hasil dari metode elbow kami melihat pada titik 3 clusterlah yang menjadi pemilihan cluster yang baik dalam penelitian mengukur tingkat kedisiplinan Karyawan Rumah Sakit Royal Prima Medan.
3.2 Perbandingan 3 Cluster dengan 4 Cluster Pada gambar 3 menghasilkan 3 cluster, dalam cluster ini juga terdapat titik centroid yang di ambil dari kriteria absen dan kriteria disiplin.
Gambar 3. Tiga Cluster
Dari hasil gambar 4 terdapat 4 cluster yang di ambil dari kriteria absen dan disiplin, pada pengolahan Algoritma K-Means Clustering dengan 4 cluster ini menurut kami kurang tepat
karena pada cluster 3 (berwarna pink) hanya menghasilkan sedikit data saja. Sehingga pada penelitian ini kami memutuskan untuk menggunakan 3 cluster saja sebagai objek penelitian.
Gambar 4. Empat Cluster
3.3 Analisa Data
Dari Riset ini, informasi yang dipakai ialah sebanyak 40 data. Dari riset ini akan menghasilkan output yang terdiri dari 3 cluster yaitu (C1) disiplin tinggi, (C2) disiplin sedang dan (C3) disiplin rendah. Variable yang dipakai dalam riset ini ialah Kedisiplinan, Absen dan Apresiasi.
Tabel 1. Sample Data
DISIPLIN ABSEN APRESIASI
3 1 0
2 23 0
22 8 0
0 0 0
17 11 1
14 9 0
11 20 1
0 0 0
13 3 0
3 14 2
13 12 0
7 5 1
0 11 4
0 31 0
0 31 0
17 7 1
0 31 0
0 7 0
2 3 0
8 2 5
10 10 2
16 9 3
21 10 0
19 12 3
11 15 3
20 10 0
23 3 0
15 10 3
8 12 5
19 10 2
0 7 6
0 30 0
6 4 0
15 5 8
22 9 2
0 5 0
0 20 0
20 10 0
2 15 0
0 29 2
3.4 Langkah-Langkah Penerapan Algoritma K-Means
1. Tahap awal yang wajib dilakukan, memutuskan terlebih dulu jumlah cluster yang ini dibangun, Pada riset ini kita memakai 3 cluster.
2. Kemudian pastikan titik pusat awal dari tiap clusternya. Cara menentukan titik pusat dapat diambil secara acak seperti pada tabel berikut.
Tabel 2. Titik_Pusat_Awal_Cluster Data
Ke-I DISIPLIN ABSEN APRESIASI
5 17 11 1
28 15 10 3
39 2 15 0
3. Mengestimasi jarak antara titik pusat (Centroid) dengan titik masing- masing objek.
Buat mengestimasi titik pusatnya bisa menggunakan metode Euclidean Distance.
D e = √(𝑋1− 𝑆𝑖)2 + (𝑉𝑖− 𝑡𝑖 )2 (1)
Dimana De adalah Euclidean Distance, I merupakan banyaknya subjek (x,y) ialah koordinat object serta (s,t) ialah koordinat centroid.
Tabel 3. Hasil Perhitungan Setiap Data Pada Iterasi 1.
C1 C2 C3
0 0 1
0 0 1
1 0 0
0 0 1
1 0 0
0 1 0
0 0 1
0 0 1
0 1 0
0 0 1
0 1 0
0 1 0
0 0 1
0 0 1
0 0 1
1 0 0
0 0 1
0 0 1
0 0 1
0 1 0
0 1 0
0 1 0
1 0 0
1 0 0
0 1 0
1 0 0
1 0 0
0 1 0
0 1 0
1 0 0
0 0 1
0 0 1
0 1 0
0 1 0
1 0 0
0 0 1
0 0 1
1 0 0
0 0 1
0 0 1
4. Sesudah seluruh data yang pernah dihitung pada perulangan 1, hingga berikutnya jumlah Kembali pusat cluster yang terkini dengan pada umumnya anggota yang terdapat pada cluster itu. Pada penentuan titik pusat (Centroid) yang anyar bisa digunakan dengan rumus sebagai berikut.
𝐶 = ∑ 𝑚
𝑛 (2)
Keterangan:
C= centroid data
m= anggota data yang termasuk kedalam centroid tertentu
n= jumlah data yang menjadi anggota centroid tertentu.
Berdasarkan dari tabel 4, titik pusat (centroid) baru untuk cluster 1 memiliki 10 anggota:
C1 = (22+17+17+21+19+20+23+19+22+20)/10
= 20
Cluster kedua (C2) memiliki 12 anggota:
C2=(14+13+13+7+8+10+16+11+15+8+6+15)/1 2 = 11.33333
Cluster ketiga (C3) memiliki 18 anggota:
C=(3+2+0+11+0+3+0+0+0+0+0+2+0+0+0+0+2 +0)/18 = 1,277778
5. Ulangi lagi cara mencari nilai cluster tingkat kedisiplinan sedang (C2) dan tingkat kedisiplinan rendah (C3), maka akan didapatkan hasil titik pusat yang baru seperti pada tabel dibawah ini.
Tabel 4. Penentuan_Cluster_Baru
CLUSTE R
DISIPLI
N ABSEN APRESI ASI
C1 20 9 0.9
C2 11.33333 8 2.5
C3 1.277778 15.4444
4 0.833333
6. Sesudah diperoleh titik pusat yang terkini dari tiap cluster, maka dapat menerapkan kembali prosedur ketiga dengan memakai metode Euclidean Distance sampai titik pusat dari tiap cluster tidak berganti lagi serta tidak ada lagi data titik pusat yang beralih posisi.
3.5 Hasil Pengolahan Algoritma K-Means Clustering
Berdasarkan hasil pengelompokan dari seluruh data yang kami hitung menggunakan metode Algortima K-Means Clustering, didapatkan pada iterasi 6 dan 7, dimana hasil akhir dari pengelompokan ini titik pusat tidak lagi berubah dan tidak ada data yang berpindah antar cluster.
Tabel 5. Hasil_Akhir
Nama Cluster Data SampelCluster 1 3,5,6,9,11,16,21,22,23,24, 25,26,27,28,30,34,35,38
Cluster 2
1,4,8,10,12,13,18,19,20,29,31,33,36,39 Cluster 3 2,7,14,15,17,32,37,40 Berdasarkan hasil dari tabel 5, maka hasil dari pengelompokan dari cluster diatas adalah sebagai berikut.
Nama cluster
Tingkat kedisiplinan tinggi (C1) = 18 Data Tingkat kedisiplinan sedang (C2) = 14 Data Tingkat kedisiplinan rendah (C3) = 8 Data
Nilai akhir dari Accurate Presentation dari ketiga cluster adalah sebagai berikut:
1. C1 (Kedisiplinan Tinggi) = 18
40∗ 100% = 0,45%
2. C2 (Kedisiplinan Sedang) = 14
40∗ 100% = 0,35%
3. C3 (Kedisiplinan Rendah) = 8
40∗ 100% = 0,2%
4. KESIMPULAN
Dengan adanya penelitian ini, pihak Rumah Sakit dapat mengetahui seberapa besar tingkatan penilaian dari kedisiplinan Karyawan Rumah Sakit Royal Prima Medan. Hasil dari penelitian ini didapatkan jika persentase C1 bernilai 0,45%, C2 bernilai 0,35% dan C3 bernilai 0,2%. Jika menggunakan kriteria apresiasi yang dijadikan sebagai alat ukur dalam menentukan kedisiplinan Karyawan Rumah Sakit Royal Prima, terhitung masih belum efektif karena hanya menghasilkan tingkatan nilai 0,45 % saja.
REFERENCES
[1] S. P. Tamba, M. D. Batubara, W. Purba, M. Sihombing, V. M. Mulia Siregar, and J. Banjarnahor, “Book data grouping in libraries using the k-means clustering method,” J. Phys. Conf. Ser., vol. 1230, no. 1, p. 012074, Jul. 2019, doi:
10.1088/1742-6596/1230/1/012074.
[2] H. Annur, “Penerapan Data Mining Menentukan Strategi Penjualan Variasi Mobil Menggunakan Metode K-Means Clustering,” J. Inform. Upgris, vol. 5, no.
1, 2019, doi: 10.26877/jiu.v5i1.3091.
[3] G. Gustientiedina, M. H. Adiya, and Y.
Desnelita, “Penerapan Algoritma K- Means Untuk Clustering Data Obat- Obatan,” J. Nas. Teknol. dan Sist. Inf.,
vol. 5, no. 1, pp. 17–24, Apr. 2019, doi:
10.25077/teknosi.v5i1.2019.17-24.
[4] A. Harto and C. Fatichah, “Segmentasi Dan Pemisahan Sel Darah Putih Bersentuhan Menggunakan K-Means Dan Hierarchical Clustering Analysis Pada Citra Leukemia Myeloid Akut,”
JUTI J. Ilm. Teknol. Inf., vol. 15, no. 2, pp. 140–151, 2017.
[5] W. Purba, S. Tamba, and J. Saragih,
“The effect of mining data k-means clustering toward students profile model drop out potential,” J. Phys. Conf. Ser., vol. 1007, p. 012049, Apr. 2018, doi:
10.1088/1742-6596/1007/1/012049.
[6] I. A. Darmawan, M. F. Randy, I.
Yunianto, M. M. Mutoffar, and M. T. P.
Salis, “Penerapan Data Mining Menggunakan Algoritma Apriori Untuk Menentukan Pola Golongan Penyandang Masalah Kesejahteraan Sosial,” Sebatik, vol. 26, no. 1, pp. 223–230, 2022, doi:
10.46984/sebatik.v26i1.1622.
[7] H. E. Simanjuntak and W. Windarto,
“Analisa Data Mining Menggunakan Frequent Pattern Growth pada Data Transaksi Penjualan PT Mora Telematika Indonesia untuk Rekomendasi Strategi Pemasaran Produk Internet,” J. Media Inform. Budidarma, vol. 4, pp. 914–923, 2020, doi: 10.30865/mib.v4i4.2300.
[8] W. A. Wahyuni and S. Saepudin,
“Penerapan Data Mining Clustering Untuk Mengelompokkan Berbagai Jenis Merk Mesin Cuci,” Semin. Nas. Sist. …, pp. 306–313, 2021.
[9] 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.
[10] E. Kurniawan, “Analisa Data Rekam Medis Menggunakan Teknik Data Mining Association Rules Dengan
Algoritma Clustering .pdf,” pp. 1–7.
[11] 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.
[12] G. A. Marcoulides, Discovering Knowledge in Data: an Introduction to Data Mining, vol. 100, no. 472. 2005.
doi: 10.1198/jasa.2005.s61.
[13] 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.
[14] 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.
[15] 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.
[16] P. Berkhin, “Clustering survey Bherkin,”
Tech. Report, Accrue Softw., pp. 1–56, 2002.
[17] 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.
[18] W. M. P. Dhuhita, “Clustering Metode K-Means Untuk Menentukan Status Gizi Balita,” J. Inform., vol. 15, no. 2, pp.
160–174, 2015.
[19] S. Seimahuira, “Berdasarkan Online Reviews Tripadvisor Menggunakan,”
vol. 12, no. 1, pp. 53–58, 2021.
[20] 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.
