Perbandingan Algoritma K-Means dan Hierarchical Untuk Klasterisasi data Kehadiran Karyawan

Analisis data kehadiran karyawan memiliki peran penting dalam manajemen sumber daya manusia untuk meningkatkan efisiensi dan produktivitas. Penelitian ini membahas perbandingan algoritma K-Means dan Hierarchical dalam klasterisasi data kehadiran karyawan guna mengidentifikasi karakteristik kinerja. Tujuan dari penelitian ini adalah mengevaluasi performa kedua algoritma menggunakan metrik evaluasi Silhouette Score, Calinski-Harabasz Index, dan Dunn Index. Metode yang digunakan meliputi pengumpulan data kehadiran karyawan, preprocessing data, penerapan algoritma klasterisasi, serta evaluasi performa berdasarkan metrik yang ditentukan. Hasil evaluasi menunjukkan bahwa K-Means menghasilkan Silhouette Score sebesar 0.46, Calinski-Harabasz Index sebesar 522.90, dan Dunn Index sebesar 0.98, sedangkan Hierarchical memperoleh nilai masing-masing sebesar 0.40, 452.85, dan 0.86. Hasil ini mengindikasikan bahwa K-Means lebih unggul dalam membentuk klaster yang lebih jelas dan terpisah. Berdasarkan temuan ini, algoritma K-Means lebih direkomendasikan untuk analisis data kehadiran karyawan karena memberikan pemisahan klaster yang lebih optimal.

Kata Kunci: data kehadiran; evaluasi; hierarchical; k-means; klasterisasi