Clustering Data Remunerasi PNS Menggunakan Metode K-Means Clustering Dan Local Outlier Factor

Pasek Agus Ariawan; Nyoman Putra Sastra; I Made Sudarma

doi:10.24843/MITE.2020.v19i01.P05

Pasek Agus Ariawan Master’s Program in Electrical Engineering, Faculty of Engineering, Udayana University
Nyoman Putra Sastra
I Made Sudarma

##plugins.pubIds.doi.readerDisplayName## https://doi.org/10.24843/MITE.2020.v19i01.P05

Abstrak

Remunerasi adalah imbalan kerja berupa gaji, honor, tunjangan tetap, insentif, bonus atas prestasi, pesangon, dan/dana pensiun. Adanya remunerasi akan menghilangkan anggapan bahwa tidak ada korelasi positif antara kinerja dengan penghasilan. Ini berarti pegawai/karyawan yang berkinerja baik akan memiliki penghasilan yang tidak sama. Pemerintah telah berupaya mengubah sistem penggajian agar menjadi lebih baik melalui sistem remunerasi, Remunerasi terdiri dari gaji pokok yang ditambah tunjangan – tunjangan yang bersumber dari rupiah murni dan tunjangan lain yang bersumber dari Pendapatan Negara Bukan Pajak. Permasalahan dari pemberian remunerasi adalah validasi yang dilakukan oleh atasan langsung pegawai yang bersangkutan masih diragukan validitasnya. Berdasarkan hal tersebut, diperlukan suatu sistem yang dapat mendeteksi data bersifat outlier dari data remunerasi Pegawai Negeri Sipil dan mengelompokkan data tersebut menggunakan teknik data mining. Penilitian ini bertujuan untuk mengklompokan data remunerasi pegawai negeri sipil dengan menggunakan metode k-means clustering dengan improvisasi pada tahap pre-prosesscing dan penentuan jumlah cluster optimum. Metode Local Outlier Factor dengan nilai MinPts 150 dapat mendeteksi data outlier paling banyak dengan jumlah data terdeteksi outlier sebanyak 162 data atau sebesar 22,98%. Jumlah cluster optimum dengan metode elbow berjumlah 4 cluster dengan nilai Silhoutte sebesar 0,542 dan Dunn sebesar 0,040.

Kata Kunci— Clustering, K-Means, LOF, Outlier

##plugins.generic.usageStats.downloads##

##plugins.generic.usageStats.noStats##

Referensi

[1] Kemenristekdikti, “forlap.ristekdikti.go.id,” diakses pada tanggal 3 april 2018 [Daring]. Tersedia pada: https://forlap.ristekdikti.go.id/perguruantinggi/homegraphpt pada tanggal 3 april 2018.
[2] N. G. Yudiarta, M. Sudarma, dan W. G. Ariastina, “Pengelompokan Berita Pada Unstructured Textual Data,” Maj. Ilm. Teknol. Elektro, vol. 17, no. 3, hal. 339–344, 2018.
[3] M. R. Ridlo, S. Defiyanti, dan A. Primajaya, “Implementasi Algoritme K-Means Untuk Pemetaan Produktivitas Panen Padi Di Kabupaten Karawang,” in CITEE 2017, 2017, hal. 426–433.
[4] Widiarina, “Algoritma Cluster Dinamik Untuk Optimasi Cluster Pada Algoritma K-Means Dalam Pemetaan Nasabah Potensial Algoritma Cluster Dinamik Untuk Optimasi Cluster Pada Algoritma K-Means Dalam,” Tesis Magister Ilmu Komputer, Nusa Mandiri, vol. 1, no. 1, hal. 33–36, 2013.
[5] M. Nishom dan M. Y. Fathoni, “Implementasi Pendekatan Rule-Of-Thumb untuk Optimasi Algoritma K-Means Clustering,” J. Inform. J. Pengemb. IT, vol. 3, no. 2, hal. 237–241, 2018.
[6] K. G. Sharma, Y. Singh, dan A. K. Srivastava, “Variance on Factor,” in IMPACT, 2017, hal. 101–103.
[7] N. P. E. Merliana, E. Ernawati, dan A. J. Santoso, “ANALISA Penentuan Jumlah Cluster Terbaik Pada Metode K-Means Clustering,” in Prosiding seminar nasional multi disiplin ilmu, 2015, hal. 978–979.
[8] V. Bhatt, M. Dhakar, dan B. K. Chaurasia, “Filtered Clustering Based on Local Outlier Factor in Data Mining,” vol. 9, no. 5, hal. 275–282, 2016.
[9] N. Idham, “Penerapan Outlier Analysis Sebagai Salah Satu Rekomendasi Kelompok Belajar Terhadap Siswa Kelas 6 Di Sdn Pagelaran II Program Studi Teknik Informatika,” Universitas Komputer Indonesia, 2017.
[10] Z. Li et al., “File yang so pernah download,” Jutei, vol. 2, no. 2, hal. 23–32, 2018.
[11] N. B. Hartono, “Analisis Outlier Dan Heteroskedastisitas Dengan Menggunakan Regresi Robust Weight Least Square,” Universitas Negeri Semarang, 2016.
[12] B. Santoso, I. Cholissodin, dan B. D. Setiawan, “Optimasi K-Means untuk Clustering Kinerja Akademik Dosen Menggunakan Algoritme Genetika,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 12, hal. 1652–1659, 2017.
[13] G. Ngurah, W. Paramartha, D. E. Ratnawati, dan A. W. Widodo, “Analisis Perbandingan Metode K-Means Dengan Improved Semi- Supervised K-Means Pada Data Indeks Pembangunan Manusia ( IPM ),” vol. 1, no. 9, hal. 813–824, 2017.
[14] A. R. Mamat, F. S. Mohamed, dan M. A. Mohamed, “Silhouette index for determining optimal k-means clustering on images in different color models,” 106 Int. J. Eng. Technol., vol. 7, no. 2, hal. 105–109, 2018.
[15] A. D. Savitri, F. A. Bachtiar, dan N. Y. Setiawan, “Segmentasi Pelanggan Menggunakan Metode K-Means Clustering Berdasarkan Model RFM Pada Klinik Kecantikan ( Studi Kasus : Belle Crown Malang ),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 9, hal. 2957–2966, 2018.
[16] Z. Arifin, S. Santosa, dan M. A. Soeleman, “Klasterisasi Genre Cerpen Kompas Menggunakan Agglomerative Hierarchical Clustering- Single Linkage,” J. Teknol. Inf., vol. 13, no. 2, hal. 92–100, 2017.