Perbandingan Algorithma Self Organizing Map (SOM) dan K-Means untuk pengelompokan pegawai berdasarkan tingkat kedisiplinan kerja
Info Katalog
File Repositori
Penerbit : FTI - Usakti
Kota Terbit : Jakarta
Tahun Terbit : 2020
Pembimbing 1 : Dedy Sugiarto
Pembimbing 2 : Is Mardianto
Subyek : Cluster analysis - Data processing.;Personnel management - Data processing
Kata Kunci : employee work discipline, k-means, clustering, self organizing map, validation test
Status Posting : Published
Status : Lengkap
File Repositori
| No. | Nama File | Hal. | Link |
|---|---|---|---|
| 1. | 2020_TA_STF_064001800503_Halaman-Judul.pdf | ||
| 2. | 2020_TA_STF_064001800503_Lembar-Pengesahan.pdf | ||
| 3. | 2020_TA_STF_064001800503_Bab-1_Pendahuluan.pdf | 5 | |
| 4. | 2020_TA_STF_064001800503_Bab-2_Tinjauan-Pustaka.pdf |
|
|
| 5. | 2020_TA_STF_064001800503_Bab-3_Metodologi-Penelitian.pdf |
|
|
| 6. | 2020_TA_STF_064001800503_Bab-4_Analisis-dan-Pembahasan.pdf |
|
|
| 7. | 2020_TA_STF_064001800503_Bab-5_Kesimpulan-dan-Saran.pdf |
|
|
| 8. | 2020_TA_STF_064001800503_Daftar-Pustaka.pdf | ||
| 9. | 2020_TA_STF_064001800503_Lampiran.pdf |
|
P engelolaan disiplin kerja karyawan diperlukan untuk mendukung pengembangan organisasi. Salah satu cara untuk memudahkan dalam mengelola disiplin kerja karyawan adalah dengan mengelompokkan karyawan sesuai dengan tingkat kedisiplinannya. Penelitian ini bertujuan untuk mengklasifikasikan karyawan berdasarkan tingkat kedisiplinan dengan menggunakan algoritma Self Organizing Map (SOM) dan K-Means. Pengelompokan ini dimulai dengan mengumpulkan data absensi pegawai, kemudian mengolah data absensi yang salah satunya adalah menentukan parameter yang akan digunakan. Langkah selanjutnya adalah implementasi algoritma SOM dan K-Means. Hasil clustering yang diperoleh dari implementasi algoritma SOM dan K-Means kemudian divalidasi menggunakan uji validasi internal yang terdiri dari Dunn Index, Silhouette Index, dan Connectivity Index untuk mendapatkan jumlah cluster dan algoritma terbaik. Hasil uji validasi diperoleh 3 klaster terbaik untuk tingkat kedisiplinan yaitu disiplin
M anagement of employee work discipline is needed to support organizational development. One way to make it easier to manage employee work discipline is to cluster employees according to their level of discipline. This study aims to classify employees based on discipline level using the Self Organizing Map (SOM) algorithm and K-Means. This clustering begins by gathering employee attendance data, then processing attendance data where one of them is determining the parameters to be used. The next step is the implementation of the SOM and K-Means algorithms. The clustering results obtained from the implementation of the SOM and K-Means algorithm are then validated using an internal validation test consisting of the Dunn Index, Silhouette Index, and Connectivity Index to get the best number of clusters and algorithms. The validation test results obtained 3 best clusters for the level of discipline, namely discipline clusters, moderate clusters and undisciplined clusters.
Analisis perbandingan kinerja failover heartbeat ubuntu 12.04 LTS dan failover server manager windows server 2008 R2
FTI - Usakti
Perakitan gabungan produk master cylinder menggunakan metode group technology di PT. Akebono Brake Astra Indonesia
FTI - Usakti
Analisis fasies dan diagenesis batuan karbonat formasi Cibulakan atas, cekungan Jawa Barat Utara
FTKE - Usakti
AplikasI sistem deteksi penyakit osteoarthritis pasa ossa manus menggunakan metode algoritma self organizing maps
FTI - Usakti
Info Koleksi Skripsi
Universitas
Fakultas
- FH (1597)
- FEB (7357)
- FK (2156)
- FKG (3532)
- FTSP (1168)
- FTI (3223)
- FTKE (2524)
- FALTL (2097)
- FSRD (758)