BAB I

PENDAHULUAN

1.1 Latar Belakang

Kemajuan dalam inovasi data telah berkembang pesat di semua masalah

modern sehari-hari. Banyak informasi yang dihasilkan oleh rekayasa perangkat

lunak mulai dari inovasi trend setting, juga dari bidang industri, bisnis, ilmu

pengetahuan dan inovasi di berbagai bidang kehidupan. Salah satu bidang yang

sangat membutuhkan inovasi data adalah komunikasi broadcast. Dimana inovasi

data menjadi media utama sebagai kontak antar klien.

PT. Brylian Bisnis Center merupakan sebuah perusahaan yang bergerak di

bidang jasa telekomunikasi yang berkantor pusat di Kota Medan. PT. Brylian

Bisnis Center didirikan sebagai mitra dari Telkom Akses yang merupakan anak

perusahaan Telkom yang bergerak di bidang konstruksi pembangunan dan

manage service infrastruktur jaringan. Semakin banyaknya kebutuhan masyarakat

semakin banyak pula kantor cabang PT. Brylian Bisnis Center, yang membuat

semakin banyak karyawan memiliki kemampuan berbeda-beda dan akan

ditempatkan di beberapa wilayah.

Penentuan wilayah akan mempengaruhi operasional kantor dan secara

signifikan mempengaruhi kinerja atau performansi perusahaan itu sendiri.

Penentuan wilayah sejauh ini kurang efektif. Salah satunya ditentukan

berdasarkan penglihatan visual saja, tidak peduli apa pengalaman kerja, dan

sebagainya. Jelas ini mempengaruhi kinerja karyawan tersebut.

 Pengetahuan tentang data untuk tujuan informasi saja tidak cukup

mengambil keputusan. Pemeriksaan informasi penting juga diatur untuk

mempertimbangkan data yang dapat diakses. Dengan menggunakan Data Mining,

dapat memberikan berbagai macam data atau pusat distribusi informasi penting

yang ternyata menjadi data yang sangat penting bagi suatu organisasi. Seperti

pada PT. Brylian Bisnis Center yang masih menggunakan data manual untuk

menilai performansi teknisi, jadi dengan merancang sistem data mining dengan

menggunakan metode K-Means akan lebih mudah dan lebih terstruktur dalam

mengelola teknisi. Data mining adalah proses yang menggunakan teknik statistik,

matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan

mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari

berbagai database besar. Tujuan utama Data Mining adalah untuk menemukan,

menggali, atau menambang pengetahuan dari data atau informasi yang kita

miliki[1].

Hubungan yang dicari dalam data mining dapat berupa hubungan antara

dua atau lebih dalam satu dimensi. Misalnya dalam dimensi produk, dapat di lihat

keterkaitan pembelian suatu produk dengan produk yang lain. Selain itu,

hubungan juga dapat dilihat antara dua atau lebih atribut dan dua atau lebih

objek[2]. Salah satu metode dari Data Mining adala K-Means.

Pembentukan cluster K-means adalah algoritma analisis cluster non-

hierarki. Analisis klaster adalah alat untuk mengelompokkan data berdasarkan

variabel atau karakteristik. Clustering mengacu pada pengelompokkan data,

observasi atau kasus berdasar kemiripan objek yang diteliti. Sebuah cluster adalah
suatu kumpulan data yang mirip dengan lainnya atau ketidakmiripan data pada

kelompok lain[3].Tujuan dari K-Means clustering, seperti metode clustering

lainnya, adalah untuk mempertahankan cluster data dengan memaksimalkan

kesamaan antar fitur dalam cluster dan memaksimalkan perbedaan antar cluster.

Algoritma cluster K-Means mengelompokkan data berdasarkan jarak antara data

dan pusat gravitasi cluster yang diperoleh melalui proses iteratif. Analisis harus

menentukan jumlah K sebagai input ke algoritma.

Tujuan proses clustering adalah meminimalkan terjadinya objective

function yang diset dalam proses clustering, yang pada umumnya digunakan

untuk meminimalisasikan variasi dalam suatu cluster dan memaksimalkan variasi

antar cluster[4]. Kita dapat menggunakan K-Means Clustering jika kita

mengelompokkan data berdasarkan variabel tertentu dimana kita tidak dapat

menentukan kelas outputnya.

Berdasarkan latar belakang tersebut, maka diangkatlah sebuah judul skripsi

yaitu “IMPLEMENTASI ALGORITMA K-MEANS DALAM

PENGELOMPOKKAN PENILAIAN PERFORMANSI TEKNISI DI PT.

BRYLIAN BISNIS CENTER”.

1.2 Rumusan Masalah

Berdasarkan permasalahan yang telah dikemukakan pada latar belakang

maka dapat dirumuskan masalah sebagai berikut :

1. Bagaimana menganalisis data teknisi dengan menggunakan metode K-Means

dalam pengelompokan penilaian performansi teknisi.

2. Bagaimana merancang aplikasi Data Mining dalam menentukan penilaian

performansi teknisi dengan menggunakan metode K-Means.

3. Bagaimana mengimplementasikan aplikasi Data Mining dalam menentukan

penilaian performansi teknisi dengan menggunakan metode K-Means.

1.3 Batasan Masalah

Untuk lebih mengarahkan penulisan ini pada tujuan seperti yang telah

diuraikan, maka perlu membatasi ruang lingkup permasalahan agar tidak

menyimpang dari tujuan semula, Adapun batasan masalahnya adalah sebagai

berikut.

1. Pada analisa Data Mining ini membahas tentang pengelompokkan penilaian

performansi teknisi.

2. Aplikasi Data Mining yang akan dirancang adalah berbasis web.

3. Sumber data teknisi, pekerjaan, dan bobot nilai diperoleh dari PT. Brylian

Bisnis Center.

1.4 Tujuan Penelitian

Tujuan adalah pencapaian sesuatu sesuai dengan tingkatan yang telah

ditentukan dari hasil usaha. Adapun tujuan penelitian yang ingin dicapai adalah

sebagai berikut.

1. Untuk menganalisis data menggunakan teknik Data Mining Clustering dengan

metode K-Means.

2. Untuk merancang aplikasi Data Mining dalam pengelompokkan penilaian

performansi teknisi dengan metode K-Means.

3. Untuk mengimplementasikan apliaksi Data Mining dalam pengelompokkan

penilaian performansi teknisi dengan metode K-Means.

1.5 Manfaat Penelitian

Manfaat penelitian merupakan dampak yang diperoleh ketika tujuan telah

tercapai. Adapun manfaat penelitian yang akan diperoleh adalah sebagai berikut.

1. Mendapatkan pengembangan teknologi dan pengetahuan dalam Data Mining

yang digunakan untuk menilai performansi teknisi menggunakan metode K-

Means.

2. Dapat memberikan kemudahan untuk pengambilan kesimpulan dalam

mengidentifikasi performansi atau kinerja teknisi berdasarkan poin poin yang

ada.

3. Dapat memberikan informasi ataupun referensi untuk peneliti selanjutnya.