Jurnal Teknik Informatika (JUTIF) DOI: https://doi.org/10.20884/1.jutif.2022.3.1.

154
Vol. 3, No. 1, Februari 2022, hlm. 29-36 p-ISSN: 2723-3863
e-ISSN: 2723-3871

DATA MINING ANALYSIS TO DETERMINE EMPLOYEE SALARIES ACCORDING

TO NEEDS BASED ON THE K-MEDOIDS CLUSTERING ALGORITHM
Alia Ahadi Argasah*1, Dudih Gustian2
1,2
Sistem Informasi , Fakultas Teknologi Informasi dan Komputer, Universitas Nusa Putra, Indonesia
Email: [email protected], [email protected]

(Naskah masuk: 23 Januari 2022, Revisi : 27 Januari 2022, diterbitkan: 25 Februari 2022)

Abstract

A company to achieve its goals, one of the factors is the performance of employees according to company
standards, employees will provide performance with company standards with the company's reciprocity on
employees for example in the payroll aspect. The purpose of this research is to help companies with appropriate
payroll so that it has a good impact on productivity, garment companies that produce various types of clothing
require employees with sewing skills which are one of the most important aspects of production. The problem is
in the production process that is hampered, one of the factors for decreasing employee performance is the
incompatibility of salary with the abilities of employees. The k-medoids clustering method can help companies
cluster employees according to the employee's ability value as a benchmark for wages, from 50 samples of
employees and an assessment of the various skills possessed by employees so that the calculation results in the
first cluster of 24 employees with a salary received Rp 100,000 per day, the second cluster the number of 16
employees with a salary received Rp 90,000 per day, the third cluster of 10 employees with a salary received Rp
80,000 per day. So it can be concluded that the clustering method can help companies with the right targets for
grouping employee salaries according to the employee's abilities so that company productivity is not disturbed
by declining employee performance or employee complaints over the incompatibility of payroll with employee
abilities.

Keywords: clustering, data mining, k-medoids, employee, salary.

ANALISIS DATA MINING UNTUK MENENTUKAN GAJI KARYAWAN SESUAI

PENILAIAN KEMAMPUAN MENGGUNAKAN ALGORITMA K-MEDOIDS
CLASTERING
Abstrak

Suatu perusahaan untuk mencapai tujuannya salah satu faktornya adalah kinerja karyawan yang sesuai standar
perusahaan, karyawan akan memberikan kinerja dengan standar perusahaan dengan timbal balik perusahaan
pada karyawan contohnya pada aspek penggajian. Tujuan penelitian ini membantu perusahaan dalam
penggajian yang sesuai sehingga berdampak baik pada produktifitas, perusahaan garment yang memproduksi
berbagai jenis pakaian ini memerlukan karyawan dengan keahlian menjahit yang menjadi salah satu aspek
terpenting pada produksi. Permasalahan terdapat pada proses produksi yang terhambat, salah satu factor
menurunnya kinerja karyawan adalah ketidak sesuaian penggajian dengan kemampuan yang dimiliki karyawan.
Dengan metode k-medoids clustering dapat membantu perusahaan meng cluster kan karyawan sesuai dengan
nilai kemampuan karyawan sebagai tolak ukur penggajian, dari 50 sample karyawan dan penilaian berbagai
keahlian yang dimiliki karyawan sehingga perhitungan menghasilkan cluster pertama jumlah 24 karyawan
dengan gaji yang diterima Rp 100.000 per hari, cluster kedua jumlah 16 karyawan dengan gaji yang diterima
Rp 90.000 per hari, cluster ketiga jumlah 10 karyawan dengan gaji yang diterima Rp 80.000 per hari. Maka
dapat disimpulkan bahwa metode katering dapat membatu perusahaan dengan tepat sasaran untuk
mengelompokkan penggajian karyawan yang sesuai dengan kemampuan karyawan sehingga produktifitas
perusahaan tidak terganggu atas menurunnya kinerja karyawan atau complain karyawan atas ketidak sesuaian
penggajian dengan kemampuan karyawan.

Kata kunci: Clustering, Data Mining, Gaji, Karyawan, K-Medoid

29
30 Jurnal Teknik Informatika (JUTIF), Vol. 3, No.1, Februari 2022, hlm. 29-36

1. PENDAHULUAN
Manajemen adalah salah satu bagian yang
terpenting dalam berbagai perusahaan, tugasnya
sangat penting dalam suatu organisasi, yaitu
menentukan dan mengawasi kinerja suatu
organisasi agar dapat mencapai tujuan yang telah
ditetapkan oleh manajemen itu[1]. Memiliki
sumber daya manusia yang bermutu adalah salah Gambar No 1. Komplain karyawan dampak ketidaksesuaian
satu faktor yang berperan penting dalam kemajuan gaji
suatu perusahaan[2]. Sumber daya manusia juga
merupakan komponen utama setiap aktivitas
organisasi yang berperan menjadi pelaku aktif dan
perencana [3].
Perusahaan telah memiliki aset yang sangat
mahal apabila memilki tenaga kerja yang sangat
terampil dan memiliki motivasi tinggi[4]. Bertujuan
untuk menilai profesionalisme suatu karyawan
perusahan dapat menetapkan klasifikasi seorang
pekerja[5]. Tenaga kerja memerlukan biaya yaitu
penggajian merupakan unsur terpenting, kebijakan Gambar No2. Dampak terhadap produksi akibat komplain
dalam menetapkan penggajian memerlukan karyawan
perhatian yang cukup besar oleh perusahaan yaitu Pada gambar no 2 dapat dilihat penurunan
ketelitian dalam pengelompokan, pencatatan serta hasil produksi pada line 1 -line 6. Yaitu hasil
pembayaran agar meminimalisir kerugian pada produksi normal setiap line memproduksi 750-800
karyawan atau perusahaan[6]. pcs namun pada tanggal 10 november ketika
Proses peng gajihan dibayar setiap satu bulan pembagian gaji pada karyawan di tgl 11 november
sekali dan besar kecilnya gaji yang diterima mengalami penurunan produksi salah satu factor
karyawan tergantung dengan keahlian karyawan, penurunan nya adalah tidak sesuai nya penggajian.
status karyawan di perusahaan ini adalah harian Proses pengambilan keputusan manajemen
lepas sehingga hari kerja di beri upah sedangkan didukung oleh data yang berorientasi objek
hari libur tidak diberi upah, gaji di terima karyawan mempunyai variant waktu dan terintegrasi yaitu
satu bulan sekali dengan perhitungan awal dan penyimpanan data warehouse, kegiatan menemukan
tutup buku jatuh pada setiap tanggal 5 dan pola-pola baru yang menarik dari data yang
pemberian gaji kepada karyawan jatuh pada tanggal terdapat dalam data warehouse merupakan kegiatan
10, jika tanggal 10 jatuh pada tanggal merah maka yang salah satunya dilakukan oleh data mining[7]
gaji di bayarkan lebih cepat dan setiap karyawan Mengoptimalkan kesamaan antara cluster satu
tidak memiliki absen dalam satu bulan penuh akan dengan yang lainnya menjadi prinsip yang di miliki
mendapatkan insentif sebesar Rp 100.000. clustering, metode unsupervised learning yaitu
Dengan adanya pandemic covid 19, memberikan sebuah tebal pada kelompok data yang
perusahaan mengalami perubahan sistem belum diketahui metode ini tergolong pada
pengelolaan karyawan dari karyawan kontrak clustering[8]. Dengan berusaha men segmentasi
menjadi harian lepas. Setelah pandemic sekumpulan data yang ada ke dalam cluster
penggajihan diikur dengan beban kerja dan skil atau homogen secara relatif dan mempertimbangkan
keahlian karyawan, hal ini tentunya berdampak sebuah pendekatan yang sangat penting agar
pada kondisi karyawan yang keluar masuk berbagai kelompok baru yang ditemukan memiliki
perusahaan secara bertahap. Selain itu terdapat kesamaan data[9].
kesulitan dalam menentukan gaji karyawan yang Partitioning around medoids atau lebih
didasarkan dari beban kerja dan skil karyawan, pendeknya yang sering dikenal dengan metode k-
tetapi kondisi ini berakibat banyaknya complain medoids, yang juga merupakan versi lain dari
dari karyawan/i akibat ketidaksesuaian penggajian metode k-mean. Algoritma k-means memiliki
upah yang diterima berdasarkan golongan, skil kelemahan yaitu outlier yang sensitif terhadap
yang dimaki karyawan. Kondisi tersebut objek dengan nilai besar yang mungkin mengalami
diperlihatkan pada gambar 1 dibawah ini. penyimpangan dari distribusi data maka dari itu
Pada gambar no 1 nampak bahwa pada bulan metode k-medoids dirancang untuk mengatasi
November sekitar 10% dari divisi sewing karyawan kelemahan yang dimiliki metode k-means.
complain atas ketidak sesuaian gaji. Kondisi Sehingga dapat dikatakan bahwa metode k-medoids
tersebut diakibatkan karena kesalahan dalam jauh lebih baik dari metode k-means[10].
perhitungan oleh pihak perusahaan. Tentunya Dalam berbagai penelitian metode k-medoids
kondisi ini menyebabkan kinerja karyawan menjadi banyak digunakan, seperti penelitian sebelumnya
menurun, sehingga produksi akan terganggu. dengan judul “Perbandingan Algoritma K-Means
 Alia Ahadi Argasah, dkk, Analisis Data Mining … 31

dan Algoritma K-Medoids dalam Pengelompokan Penelitian ini memberikan manfaat cluster
Komoditas Peternakan di Provinsi Jawa Tengah peng gajihan dengan penyajian kelompok sebagai
Tahun 2015,” dalam jurnal tersebut terdapat informasi yang bermanfaat untuk perusahaan untuk
informasi atas hasil perhitungan perbandingan tolak ukur penggajian yang diharapkan oleh
claster dengan menggunakan metode k- means perusahaan. Diharapkan meminimalisir terjadinya
sebesar 4.6 sedangkan varian menggunakan metode kesalahan dalam penempatan penggajian sehingga
k-medoids sebesr 1.5 dapat disimpulkan metode mengurangi bahkan menghilangkan komplain dari
yang lebih baik adalah metode k-medoids karyawan dan tidak berdampak buruk pada
dikarenakan memiliki nilai varian lebih kecil[11]. produktifitas perusahaan.
Dan penelitian sebelumnya peng cluster an gaji
karyawan dengan menggunakan metode k-medoids 2. METODE PENELITIAN
dengan perhitungan yang dilakukan serta
pengecekan menggunakan tools menghasilkan nilai Pengelompokan menggunakan clustering
yang serupa sehingga perhitungan berhasil dan dengan perhitungan yang digunakan adalah metode
dapat bermanfaat [12]. Penelitian berikutnya k-medoids, kami mengambil 40% sample dari
menjadi dasar penelitian ini adalah juga tentang seluruh karyawan sebagai objek yang ada di
perbandingan 2 metode yaitu metode k-means dan perusahaan pada data tahun 2021, tempat penelitian
metode k-medoids menghasilkan pengelompokan pada PT garment yang berada di daerah cipicung
data yang sangat signifikan, pola yang digunakan kabupaten sukabumi. Penggajian terendah atau
dalam pengelompokan adalah pembagian berbagai
tertinggi adalah hasil analisis clattering yang
jenis barang sesuai dengan jenis bongkar atau muat
dilakukan dengan mengambil nilai rata-rata
barang. Walau dalam waktu perhitungan iterasi k-
means membutuhkan waktu lebih cepat dari k- indikator.
medoids namun nilai pada Davies-Bouldin Index
diperoleh nilai sebesar k=3 pada metode K-Means 2.1 Knwoledge Discovery In Database
lebih rendah dengan metode k-medoids. Selain itu
juga terdapat bahwa, pengolahan data berlanjut Dalam database yang tersedia atau yang
pada k=10 juga menunjukkan hasil nilai DBI pada dimiliki apabila ingin memperoleh pengetahuan di
K-Means lebih rendah[13]. Dan Penelitian dalamnya Knwoledge Discovery In Database
sebelumnya, Dengan judul “Implementasi adalah salah satu metode yang tepat untuk
Algoritma K-Medoids dan K-Means untuk digunakan berikut prosesnya[16]
Pengelompokan Wilayah Sebaran Cacat pada
Anak" terdapat pendapat bahwa perhitungan 1. Data Cleaning and Integration
menggunakan metode k-medoid jauh lebih baik
dengan perhitungan yang dilakukan oleh metode k- a. Data cleaning (Pembersihan data) data
means hal ini didasarkan oleh data yang ditemukan tidak konsisten atau tidak valid akan di
bahwa penelitian dengan 71 validitas Silhouette hapus atau dihilangkan
Coefficient perhitungan menggunakan metode k- b. Data integration (Penggabungan data)
medoids dengan nilai yang dihasilkan 0.5009
data dari berbagai sumber datanya
sedangkan nilai validasi yang dihasilkan oleh
perhitungan menggunakan metode k-means lebih digabungkan itulah fungsi data
kecil yaitu 0.1443 [14]. kemudian penelitian integration.
selanjutnya sebagai dasar penelitian ini 2. Data Selection and transformation
menggunakan metode k-medoids adalah jurnal a. Data selection (Seleksi data) jenis data
yang berjudul “Implementasi Algoritma K-Medoids pada data base dengan tujuan analisis
Untuk clusterisasi Data Penyakit Pasien Di Rsud mendapatkan data yang relevan.
Kota Bandung,” peneliti mengelurkan pendapat b. Data transformation (Transformasi data)
bahwa dengan menggunakam metode k-means adalah mengubah data dengan bilangan
sangat bekerja dengan sangat baik karena objek atau simbol hal ini digunakan untuk
yang ditemukan pada cluster memiliki bobot mutu mempermudah proses penghitungan.
yang baik bukan hanya itu dengan penelitin ini pula
rumah sakit dapat dijadikan sebagai evaluasi oleh
pihak rumah sakit agar menambah obat yang
dibutuhkan bahkan menambah tenaga medis
spesialis[15]. 3. Data Mining
Penelitian ini memberikan solusi untuk peng
Kegiatan menemukan pola-pola baru
cluster an penggajian berdasarkan parameter yang
ada, guna memperoleh keputusan penggajian secara yang menarik dari data yang terdapat
adil dan objektif. Penelitian ini pun penting sekali dalam data warehouse merupakan
bagi perusahaan Selain itu memberikan suatu kegiatan yang salah satunya dilakukan
model penggajian sesuai dengan kemampuan oleh data mining
perusahaan serta kapasitas dari karyawan agar
terciptanya kesejahteraan sehingga timbal balik
pada hasil produksi perusahaan yang lebih baik.
32 Jurnal Teknik Informatika (JUTIF), Vol. 3, No.1, Februari 2022, hlm. 29-36

4. Evaluation and presentation Pattern dengan menghapus data yang tidak valid
Evaluation (Evaluasi pola) dengan tujuan mempermudah proses
Digunakan untuk menemukan pola- perhitungan pada clustering yang akan
pola yang sangat menarik sehingga dilakukan.
mendapatkan informasi penting pada 2. Transformation sangat penting pada tahapan
pola-pola yang didapatkan. ini yaitu memberi inisial pada variable dengan
a. Knowledge pengertian yang panjang, Seperti terlihat
presentation (Presentasi berikut :
a. X1 : Presentase keahlian dalam bidang
pengetahuan) bisa diartikan
memotong dan mem patrun pada proses
memberikan pengertian atas
produksi
informasi yang di hasilkan b. X2 : Persentase keahlian adalah bidang
menggunakan mesin jarum 1
2.2 Proses algoritma k-medoids c. X3 : , Persentase keahlian dalam bidang
Berikut langkah-langkah melakukan menggunakan mesin snap atau Bartek
clustering dengan algoritma k-medoids : atau kancing
1. Inisialisasikan titik pada cluster sebanyak d. X4 : Persentase keahlian dalam bidang
k (jumlah cluster) menggunakan mesin obras ,
2. Tempatkan setiap data (objek) ke cluster e. X5 : Persentase keahlian dalam bidang
yang paling terdekat menggunakan menggunakan mesin overdek.
perhitungan ukuran jarak Euclidian Dan transformasi informasi sebagai berikut
Distance dengan persamaan: S : sewing
H : helper
D(x, y) = ||x − y|| = √∑ni=1(xi − yi)2 ; 1,23. . 𝑛 (1) Keterangan informasi karyawan di perusahaan
Dimana: yang telah di transformasi tertuang pada tabel
D(x,y) = jarak antara data ke-i dan data ke-j no 1:
xi1 = nilai atribut ke satu dari data ke-i Tabel No 1 Daftar nilai keahlian yang dimiliki karyawan
yj1 = nilai atribut ke satu dari data ke-j keahlian yang dimiliki
n = jumlah atribut yang digunakan No Nama Divisi
x1 x2 x3 x4 x5
3. Calon medoids baru dipilih dari masing- 1 Siti Nuraini S 80 80 80 75 70
masing cluster secara acak 2 Siti Unaizah S 78 78 80 80 80
4. Calon medoid baru yang didapatkan 3 Asti Ramdani S 78 78 80 80 79
akan dihitung jarak setiap objeknya yang Ahmad
4 S 76 76 80 80 78
berada pada masing-masing cluster Husaieri
Astri
5. Selanjutnya meng hitung total simpangan 5 S 78 78 80 75 73
Budiawan
(S) dengan menghitung nilai total 6 Ai Rosita S 78 78 80 80 80
distance yang baru total distance yang 7 Siti Rohimah S 78 78 80 75 72
lama. Jika S < 0. Tika
8 S 76 76 80 75 72
6. Maka hitung kembali langkah 3 sampai 5 Damayanti
sehingga di dapatkan S > 0 dengan Angga
9 S 76 76 80 80 80
Gunawan
begitu perhitungan berhenti. Agus
10 S 76 76 80 75 72
Watranta
11 Dito Aldo S 76 76 80 80 80
3. HASIL DAN PEMBAHASAN 12 Ujang Jaelani S 76 76 80 80 80
Data penelitian yang digunakan didapat dari 13 Siska S 78 78 80 80 80
perusahaan garment yang berada di daerah 14 Dini Andini H 80 76 76 70 60
kabupaten sukabumi. Informasi pada data yang Nida
15 H 80 76 76 70 60
Rasmiya
dimiliki berasal dari perusahaan garment pada
16 Marina Julian S 78 78 80 80 80
tahun 2021 dengan informasi penggajian. Pada
17 Esi Elya M S 78 78 80 75 70
informasi data variable yang digunakan dan
Anwar
terdapat 5 indikator yang diukur oleh tingkat 18
Agustina
S 76 76 80 80 80
keahlian karyawan yang dinilai oleh perusahaan: 19 Sarah Gustin S 78 78 80 75 70
penilaian keahlian dalam bidang memotong dan 20 Acah S 78 78 80 80 80
mem patrun pada proses produksi, Persentase 21 Leni H 80 76 76 70 60
keahlian adalah bidang menggunakan mesin jarum 22 Lina S 78 78 80 80 80
1, Penilaian keahlian dalam bidang menggunakan
23 Dito S 76 76 80 80 78
mesin snap atau Bartek atau kancing, penilaian
24 Anwar S 76 76 80 80 79
keahlian dalam bidang menggunakan mesin obras,
penilaian keahlian dalam bidang menggunakan 25 Dini S 78 78 80 75 70
mesin overdek. 26 Ica S 78 78 80 75 70
1. Langkah pertama adalah data Cleaning yaitu 27 Nida H 80 80 76 70 60
 Alia Ahadi Argasah, dkk, Analisis Data Mining … 33

28 Salwa S 78 78 80 80 76 2,83 4,47 10,20 2,83 1

29 Ai Anisa S 78 78 80 75 70 6,40 1,73 6,08 1,73 2
5,74 3,32 6,71 3,32 2
30 Eka S 76 76 80 80 79 0,00 5,29 10,58 0,00 1
31 Mia S 78 78 80 75 70 5,74 3,32 6,71 3,32 2
32 Feri S 76 76 80 80 80 0,00 5,29 10,58 0,00 1
0,00 5,29 10,58 0,00 1
33 Diki S 76 76 80 80 80
2,83 4,47 10,20 2,83 1
34 Samsul S 76 76 80 80 80 12,33 8,00 0,00 0,00 3
35 Ela H 80 80 76 70 60 12,33 8,00 0,00 0,00 3
36 Ade H 80 80 76 70 60 2,83 4,47 10,20 2,83 1
6,56 2,24 6,24 2,24 2
37 Ade Sudimin S 76 76 80 80 78
0,00 5,29 10,58 0,00 1
38 Wida S 78 78 80 80 78 6,56 2,24 6,24 2,24 2
39 Adam S 76 76 80 75 72 2,83 4,47 10,20 2,83 1
40 Arsya S 76 76 80 80 80 12,33 8,00 0,00 0,00 3
2,83 4,47 10,20 2,83 1
41 Arya H 80 76 76 70 60
1,41 5,48 10,68 1,41 1
Abhilian 1,00 5,39 10,63 1,00 1
42 S 76 76 80 75 73
Giantara 6,56 2,24 6,24 2,24 2
43 Bayu S 76 76 80 75 70 6,56 2,24 6,24 2,24 2
44 Banyu Putra S 76 76 80 80 75 12,96 8,00 4,00 4,00 3
45 Dede Hafid H 80 78 76 70 60 3,46 4,90 10,39 3,46 1
6,56 2,24 6,24 2,24 2
46 Evelyn Putri S 78 78 80 80 75 1,00 5,39 10,63 1,00 1
47 Fakira Faysal H 80 76 76 70 60 6,56 2,24 6,24 2,24 2
Fawaz Al 0,00 5,29 10,58 0,00 1
48 S 76 76 80 80 80
Angkobi 0,00 5,29 10,58 0,00 1
49 resa sagira S 78 78 80 75 75 0,00 5,29 10,58 0,00 1
50 ai aisah H 80 76 76 70 60 12,96 8,00 4,00 4,00 3
12,96 8,00 4,00 4,00 3
1,41 5,48 10,68 1,41 1
3,16 4,69 10,30 3,16 1
Pada tabel no 1 terdapat 50 sample karyawan 5,74 3,32 6,71 3,32 2
dari keseluruhan karyawan yang berada di 0,00 5,29 10,58 0,00 1
perusahaan dengan nama, jenis kelamin, divisi dan 12,33 8,00 0,00 0,00 3
nilai dari setiap keahlian yang dimiliki karyawan. 5,66 3,16 6,63 3,16 2
5,92 3,61 6,86 3,61 2
3. Langkah selanjutnya adalah: 2,24 5,74 10,82 2,24 1
a. Menentukan k (jumlah cluster) dari n objek 12,49 7,75 2,00 2,00 3
sebanyak objek3. 6,08 5,74 10,82 5,74 2
12,33 8,00 0,00 0,00 3
b. Dengan asumsi pada tabel no 2 adalah 0,00 5,29 10,58 0,00 1
medoids sebagai centroid awal yang 6,16 0,00 5,83 0,00 2
ditentukan. 12,33 8,00 0,00 0,00 3
jumlah 91,7061402
Tabel No 2 Medoids sebagai centroid awal yang
ditentukan
Penjelasan dari tabel no 3 yaitu:
Centroid X1 X2 X3 X4 X5
a. Cost 1, cost 2 dan cost 3 adalah hasil
medoid no 48 (clatter 1) 76 76 80 80 80 perhitungan persamaan ukuran jarak
medoid no 49 (clatter 2) 78 78 80 75 75
Euclidian Distance antara tabel no 1 dan
centroid pada tabel no 2
medoid no 50 (clatter 3) 80 76 76 70 60 b. Kedekatan adalah antara cost 1, cost 2 dan
cost 3 mana yang nilainya paling kecil
Tabel no 2 adalah centroid atau 3 sample acak c. Claster didapatkan dari kedekatan dan
dari tabel no 1 yang terdiri dari 50 sample hasil kedekatan berada pada cost 1, cost 2
karyawan dari keseluruhan karyawan di atau cost 3.
perusahaan. 5. Dengan asumsi pada tabel no 4 tentukanlah
objek non medoids
4. Cluster yang paling terdekat ditemukan
Berdasarkan perhitungan atau jarak Euclidean
yang dapat menempatkan objek-objek non
medoids.
Tabel No 3 Hasil perhitungan data dengan centroid awal,
kedekatan dan penentuan cluster Tabel No 4 Medoids sebagai centroid awal yang ditentukan
cost 1 cost 2 cost 3 kedekatan cluster
8,19 3,61 6,86 3,61 2
Centroid X1 X2 X3 X4 X5
2,83 4,47 10,20 2,83 1 medoid no 11 76 76 80 80 80
3,00 4,58 10,25 3,00 1
1,41 5,48 10,68 1,41 1 medoid no12 76 76 80 80 80
6,32 1,41 6,00 1,41 2
34 Jurnal Teknik Informatika (JUTIF), Vol. 3, No.1, Februari 2022, hlm. 29-36

medoid no 13 78 78 80 80 80 12,96 12,96 12,00 12,00

1,41 1,41 3,16 1,41
Tabel no 4 adalah centroid atau 3 sample acak
3,16 3,16 1,41 1,41
dari tabel no 1 yang terdiri dari 50 sample
karyawan dari keseluruhan karyawan di 5,74 5,74 6,40 5,74
perusahaan. 0,00 0,00 2,83 0,00
6. Dengan mengulangi perhitungan pada langkah 12,33 12,33 12,00 12,00
ke 4 untuk objek non medoids sehingga
5,66 5,66 6,32 5,66
diperoleh hasil dari perhitungan yang
dituangkan pada tabel 5 berikut. 5,92 5,92 6,56 5,92

Tabel No 5 Hasil perhitungan data dengan centroid awal, 2,24 2,24 3,61 2,24
kedekatan
12,49 12,49 11,83 11,83

cost 1 cost 2 cost 3 kedekatan 6,08 6,08 3,61 3,61

8,19 8,19 6,56 6,56 12,33 12,33 12,00 12,00

2,83 2,83 0,00 0,00 0,00 0,00 2,83 0,00

3,00 3,00 1,00 1,00 6,16 6,16 5,48 5,48

1,41 1,41 3,16 1,41 12,33 12,33 12,00 12,00

6,32 6,32 5,66 5,66 Jumlah 224,0698

2,83 2,83 0,00 0,00 Penjelasan dari tabel no 5 yaitu hasil

6,40 6,40 5,74 5,74
perhitungan jarak ke setiap non medoids
5,74 5,74 6,40 5,74 a. Cost 1, cost 2 dan cost 3 adalah hasil
perhitungan persamaan ukuran jarak
0,00 0,00 2,83 0,00
Euclidian Distance antara tabel no 1
5,74 5,74 6,40 5,74 dan centroid pada tabel no 4
0,00 0,00 2,83 0,00 b. Kedekatan adalah antara cost 1, cost 2
0,00 0,00 2,83 0,00 dan cost 3 mana yang nilainya paling
kecil.
2,83 2,83 0,00 0,00
12,33 12,33 12,00 12,00
7. Menghitung nilai selisih dengan rumus:
12,33 12,33 12,00 12,00 S = total cost yang baru dihitung – total cost
yang pertama di hitung
2,83 2,83 0,00 0,00
6,56 6,56 5,92 5,92
Maka didapatkan Selisih kedekatan:
0,00 0,00 2,83 0,00 224,0698147- 91,70614 = 132,3637
6,56 6,56 5,92 5,92 8. Jika terdapat hasil pada perhitungan bahwa S
2,83 2,83 0,00 0,00
> 0 maka dipastikan proses tidak dilanjutkan
dan hasil yang diperoleh dari perhitungan
12,33 12,33 12,00 12,00 sebelumnya adalah seperti pada tabel no 3
2,83 2,83 0,00 0,00 yang apabila dijabarkan adalah.
1,41 1,41 3,16 1,41 Tabel 6 hasil dari perhitungan medoids

1,00 1,00 3,00 1,00 Standar

Cluster Jumlah Karyawan Penggajian
6,56 6,56 5,92 5,92 Rp 100,000
cluster 1 24 karyawan
6,56 6,56 5,92 5,92 Rp 90,000
cluster 2 16 karyawan
12,96 12,96 12,00 12,00 Rp 80,000
cluster 3 10 karyawan
3,46 3,46 2,00 2,00
6,56 6,56 5,92 5,92
Pada tabel no 6 didapatkan 3 cluster dari
perhitungan k-medoids yang setiap cluster memiliki
1,00 1,00 3,00 1,00 jumlah karyawan dan tolak ukur standar penggajian
6,56 6,56 5,92 5,92 yang diterima.
0,00 0,00 2,83 0,00
4. KESIMPULAN
0,00 0,00 2,83 0,00
Dalam menentukan cluster yang diinginkan
0,00 0,00 2,83 0,00
menggunakan metode k-medoids dalam data
12,96 12,96 12,00 12,00 mining sangat berguna sebagai tolak ukur
 Alia Ahadi Argasah, dkk, Analisis Data Mining … 35

penggajian, akan sangat membantu dalam proses Memprediksi Masa Studi Mahasiswa
penggajian karyawan oleh perusahan. Maka Menggunakan Algoritma C4.5 (Studi
didapatkan 3 cluster dari 50 sample karyawan, Kasus: Universitas Dehasen Bengkulu),” J.
perhitungan k-medoids yang setiap cluster memiliki Media Infotama, vol. 11, no. 2, pp. 130–
jumlah karyawan dengan cluster pertama 24 138, 2015.
karyawan dan besarnya gaji yang diberikan senilai [9] T. Syahputra, J. Halim, and E. P. Sintho,
Rp100,000 dalam satu hari kerja, cluster kedua 16 “Penerapan Data Mining Dalam
karyawan dan besarnya gaji yang diberikan Menentukan Pilihan Jurusan Bidang Studi
senilaip90,000 dalam satu hari kerja, dan cluster ke SMA Menggunakan Metode,” Penerapan
tiga 10 karyawan dan besarnya gaji yang diberikan Data Min. dalam Menentukan Pilihan Jur.
senilai Rp80,000 dalam satu hari kerja. di Bid. Stud. SMA menggunakan Metod.
Clust. Dengan Tek. Single Link.
DAFTAR PUSTAKA JURTEKSI, vol. IV, no. 2, pp. 1–4, 2018.
[1] M. Gandung and Suwanto, “Analisis [10] S. Sindi, W. R. O. Ningse, I. A. Sihombing,
Pengaruh Kompensasi Dan Gaya F. Ilmi R.H.Zer, and D. Hartama, “Analisis
Kepemimpinan Terhadap Kinerja algoritma K-Medoids clustering dalam
Karyawan Pada PT. Surya Rasa Loka Jaya pengelompokan penyebaran Covid-19 di
Di Jakarta Barat,” J. Ilmiah, Manaj. Sumber Indonesia,” Jti (Jurnal Teknol. Informasi),
Daya Mns., vol. 3, no. 3, pp. 236–245, vol. 4, no. 1, pp. 166–173, 2020, [Online].
2020, doi: Available:
http://www.openjournal.unpam.ac.id/index. http://www.jurnal.una.ac.id/index.php/jurti/
php/JJSDM/article/viewFile/4861/3530. article/view/1296.
[2] R. Dewi, B. Givan, and H. Wiinarno, [11] V. A. P. Sangga, “Perbandingan Algoritma
“Pelaksanaan Rekrutmen, Seleksi dan K-Means dan Algoritma K-Medoids dalam
Penempatan Kerja Karyawan (Studi pada Pengelompokan Komoditas Peternakan di
Karyawan PT Gemala Kempa Daya),” J. Provinsi Jawa Tengah Tahun 2015,” Tugas
Adm. Bisnis, vol. 1, no. 1, pp. 49–55, 2021, Akhir Jur. Stat. Fak. Mat. dan Ilmu
[Online]. Available: Pengetah. Alam Univ. Islam Inndonesia
www.igpgroup.co.id/lamaran. Yogyakarta, vol. 53, no. 9, pp. 1689–1699,
2018.
[3] S. Septiana and O. H. Widjaja, “Faktor-
Faktor yang Mempengaruhi Kinerja [12] A. D. A. N. Pembahasan,
Karyawan pada PT. Jocelyn Anugrah “PENGKLASTERAN GAJI KARYAWAN
Jaya,” J. Manajerial Dan Kewirausahaan, PADA PT . ERBA PRIMAS BOGOR,”
vol. 2, no. 3, p. 643, 2020, doi: vol. 4, pp. 395–402, 2020, doi:
10.24912/jmk.v2i3.9576. 10.30865/komik.v4i1.2852.
[4] S. Anggun and E. D. Sikumbang, “No Title [13] I. Kamila, U. Khairunnisa, and M.
K-Means Clustering dalam penerimaan Mustakim, “Perbandingan Algoritma K-
karyawan baru,” Data Min., vol. 2, no. 1, Means dan K-Medoids untuk
pp. 103–112, 2020. Pengelompokan Data Transaksi Bongkar
Muat di Provinsi Riau,” J. Ilm. Rekayasa
[5] N. Y. S. Munti, G. W. Nurcahyo, and J.
dan Manaj. Sist. Inf., vol. 5, no. 1, p. 119,
Santony, “Analisis Dan Penerapan Data
2019, doi: 10.24014/rmsi.v5i1.7381.
Mining Untuk Menentukan Gaji Karyawan
Tetap Dan Karyawan Kontrak [14] D. Marlina, N. Lina, A. Fernando, and A.
Menggunakan Algoritma K-Means Ramadhan, “Implementasi Algoritma K-
Clustering ( Studi Kasus Di Pt Indomex Medoids dan K-Means untuk
Dwijaya Lestari ),” JITI, Vol. 1, No. 1, Pengelompokkan Wilayah Sebaran Cacat
Maret 2018, 2018. pada Anak,” J. CoreIT J. Has. Penelit. Ilmu
Komput. dan Teknol. Inf., vol. 4, no. 2, p.
[6] Y. Intishar and . M., “Analisis Penerapan
64, 2018, doi: 10.24014/coreit.v4i2.4498.
Sistem Informasi Akuntansi Penggajian
Dalam Menunjang Efektivitas [15] A. D. Andini and T. Arifin, “Implementasi
Pengendalian Internal Penggajian,” J. Ilm. Algoritma K-Medoids Untuk Klasterisasi
Akunt. Kesatuan, vol. 6, no. 2, pp. 094–103, Data Penyakit Pasien Di Rsud Kota
2018, doi: 10.37641/jiakes.v6i2.136. Bandung,” J. RESPONSIF Ris. Sains …,
vol. 2, no. 2, pp. 128–138, 2020, [Online].
[7] Y. Asriningtias and R. Mardhiyah,
“Aplikasi Data Mining Untuk Available:
Menampilkan Informasi,” Informatika, vol. http://ejurnal.ars.ac.id/index.php/jti/article/v
8, no. 1, pp. 837–848, 2014. iew/247.
[8] S. Haryati, A. Sudarsono, and E. Suryana,
“Implementasi Data Mining Untuk
36 Jurnal Teknik Informatika (JUTIF), Vol. 3, No.1, Februari 2022, hlm. 29-36

[16] N. I. Febianto and N. Palasara, “Analisa

Clustering K-Means Pada Data Informasi
Kemiskinan Di Jawa Barat Tahun 2018,” J.
Sisfokom (Sistem Inf. dan Komputer), vol. 8,
no. 2, pp. 130–140, 2019, doi:
10.32736/sisfokom.v8i2.653.