SKRIPSI

ANALISIS PENENTUAN KARYAWAN TETAP DENGAN

MENGGUNAKAN METODE ALGORITMA K-MEANS DAN
DAVIES BOULDIN INDEX
(STUDI KASUS: PT PYOJOON MOLD INDONESIA)
Diajukan untuk memenuhi salah satu syarat
memperoleh gelar Sarjana Komputer

Disusun oleh:
Nama : Abdul Hamid
NIM : 311510273

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS PELITA BANGSA
KABUPATEN BEKASI
2019
 SKRIPSI

ANALISIS PENENTUAN KARYAWAN TETAP DENGAN

MENGGUNAKAN ALGORITMA K-MEANS DAN DAVIES
BOULDIN INDEX
(STUDI KASUS: PT PYOJOON MOLD INDONESIA)
Diajukan untuk memenuhi salah satu syarat
memperoleh gelar Sarjana Komputer

Disusun oleh:
Nama : Abdul Hamid
NIM : 311510273

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS PELITA BANGSA
KABUPATEN BEKASI
2019

i
 HALAMAN PERSETUJUAN

Nama : Abdul Hamid

NIM : 311510273
Program Studi : Teknik Informatika-S1
Judul Tugas Akhir : ANALISIS PENENTUAN KARYAWAN TETAP
DENGAN MENGGUNAKAN ALGORITMA K-MEANS
DAN DAVIES BOULDIN INDEX
(Studi Kasus: PT Pyojoon Mold Indonesia)

Tugas Akhir ini telah diperiksa dan disetujui,

Bekasi, 26 Januari 2020

Menyetujui:
Dosen Pembimbing I Dosen Pembimbing II

Yoga Religia, S.Kom., M.Kom Muhamad Fatchan S.Kom.,M.Kom., MTCNA

NIDN. 0419089301 NIDN. 0403107605

Mengetahui:
Ka. Prodi Teknik Informatika Dekan Fakultas Teknik

Aswan S. Sunge, SE., M.Kom Putri Anggun Sari, S.Pt., M.Si.

NIDN. 0426018003 NIDN. 031092006

ii
 HALAMAN PENGESAHAN

Nama : Abdul Hamid

NIM : 311510273
Program Studi : Teknik Informatika-S1
Judul Tugas Akhir : ANALISIS PENENTUAN KARYAWAN TETAP
DENGAN MENGGUNAKAN ALGORITMA K-MEANS
DAN DAVIES BOULDIN INDEX
(Studi Kasus: PT Pyojoon Mold Indonesia)

Tugas Akhir ini telah diujikan dan dipertahankan dihadapan dewan penguji pada
sidang tugas akhir tanggal Januari 2020. Menurut pandangan kami, tugas akhir ini
memadai dari segi kualitas maupun kuantitas untuk tujuan penganugrahan gelar
Sarjana Komputer (S. Kom)

Bekasi, 26 Januari 2020

Dewan Penguji:

Dosen Penguji I Dosen Penguji II

Wahyu Hadikristanto, S.Kom., M.Kom Ismasari Nawangsih, M.Kom

NIDN. 0415088207 NIDN. 0413088005

Ka. Prodi Teknik Informatika

Aswan S. Sunge, SE., M.Kom

NIDN. 0426018003

iii
 PERNYATAAN KEASLIAN SKRIPSI

Sebagai mahasiswa Universitas Pelita Bangsa, yang bertanda tangan dibawah ini,
saya:
Nama : Abdul Hamid
NIM : 311510273
Menyatakan bahwa karya ilmiah saya yang berjudul:
“ANALISIS PENENTUAN KARYAWAN TETAP DENGAN
MENGGUNAKAN ALGORITMA K-MEANS DAN DAVIES BOULDIN
INDEX
(Studi Kasus: PT Pyojoon Mold Indonesia)”

Merupakan karya asli saya (kecuali cuplikan dan ringkasan yang masing-masing telah
saya jelaskan sumbernya dan perangkat pendukung seperti laptop dll). Apabila
dikemudian hari, karya saya disinyalir bukan karya asli saya, yang disertai dengan
bukti-bukti yang cukup, maka saya bersedia untuk dibatalkan gelar saya beserta hak
dan kewajiban yang melekat pada gelar tersebut. Demikian Surat pernyataan ini
sl;paya buat dengan sebenarnya.

Dibuat di: Bekasi

Tanggal: 26 Januari 2020
Yang menyatakan

Abdul Hamid

iv
 PERNYATAAN PERSETUJUAN PUBLIKASI

Sebagai mahasiswa Universitas Pelita Bangsa, yang bertanda tangan dibawah ini,
saya:
Nama : Abdul Hamid
NIM : 311510273
Demi mengembangkan ilmu pengetahuan, menyetujui untuk memberikan kepada
Universitas Pelita Bangsa Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty-
Free Right) atas karya ilmiah saya yang berjudul:
“ANALISIS PENENTUAN KARYAWAN TETAP DENGAN
MENGGUNAKAN ALGORITMA K-MEANS DAN DAVIES BOULDIN
INDEX
(Studi Kasus: PT Pyojoon Mold Indonesia)”

Beserta perangkat yang diperlukan (bila ada). Dengan Hak Bebas Royalti Non-
Eksklusif ini, Universitas Pelita Bangsa berhak untuk menyimpan data, mengcopy
ulang, mempergunakan dan mengelola dalam bentuk database, serta
mendistribusikan dan menampilkan/mempublikasikan karya ilmiah ini di internet
atau media lain untuk kepentingan akademis tanpa ijin dari saya selama tetap
mencantumkan saya sebagai penulis dan pemilik hak cipta. Segala bentuk tuntutan
hukum yang timbul atas pelanggaran Hak Cipta karya ilmiah ini menjadi
tanggungjawab saya pribadi.
Dibuat di: Bekasi
Tanggal: 26 Januari 2020
Yang menyatakan

Abdul Hamid

v
 UCAPAN TERIMAKASIH

Segala puji dan syukur penulis panjatkan kepada Allah SWT yang telah

memberikan rahmat dan anugrahkan-Nya kepada penulis, sehingga penulis dapat

menyelesaikan Laporan Tugas Akhir ini. Penulisan Laporan Tugas Akhir dengan

judul “ANALISIS PENENTUAN KARYAWAN TETAP DENGAN

MENGGUNAKAN ALGORITMA K-MEANS DAN DAVIES BOULDIN INDEX

(Studi Kasus: PT Pyojoon Mold Indonesia)” dimaksudkan untuk mencapai gelar

Sarjana Komputer Strata Satu pada Program Studi Teknik Informatika, Universitas

Pelita Bangsa.

Penulis menyadari bahwa dalam penyusunan Laporan Tugas Akhir ini bukanlah

dari jerih payah sendiri, melainkan dari bimbingan berbagai pihak. Oleh sebab itu

penulis mengucapkan banyak terimakasih kepada semua pihak yang turut membantu

dalam proses penulisan Laporan Tugas Akhir ini, yaitu kepada:

1. Hamzah Muhammad Mardi Putra, S.K.M, M.M selaku Rektor Universitas Pelita

Bangsa

2. Putri Anggun Sari, S.Pt., M.Si., selaku Dekan Fakultas Teknik Universitas Pelita

Bangsa

3. Aswan S. Sunge, SE., M.Kom, selaku ketua Program Studi Teknik Informatika

4. Yoga Religia, S.Kom., M.Kom selaku Dosen Pembimbing I dan, M. Fatchan

S.Kom., M.Kom, MTCNA selaku Dosen Pembimbing II yang telah memberikan

bimbingan dan masukan kepada penulis

vi
5. Seluruh Dosen pengajar Strata satu (S1) Teknik Informatika Universitas Pelita

Bangsa, yang telah mendidik dan memberikan pengetahuan kepada penulis

selama mengikuti perkuliahan.

6. Seluruh staff dan management PT Pyojoon Mold Indonesia yang telah

memberikan kesempatan kepada penulis untuk melakukan penelitian.

Penulis menyadari bahwa mungkin masih terdapat kekurangan dalam Laporan Tugas

Akhir ini. Oleh karena itu, kritik dan saran dari pembaca sangat bermanfaat bagi

penulis. Semoga laporan ini dapat bermanfaat bagi semua pihak yang membacanya.

Bekasi, 10 Januari 2020

Penulis

vii
 ABSTRAK

Dengan adanya teknologi yang berkembang pesat pada saat ini tentunya akan
mempengaruhi dalam dunia pekerjaan. Karyawan adalah Sumber Daya Manusia
(SDM) yang merupakan aset perusahaan yang sangat berharga dan harus dikelola
dengan baik agar dapat memberikan kontribusi yang optimal dalam kemajuan
perusahaan atau instansi, PT Pyojoon Mold Indonesia memiliki karyawan kontrak
lebih dari 200 karyawan, masalah yang dihadapi adalah perusahaan kesulitan dalam
melakukan proses seleksi pengangkatan karyawan tetap, karena waktu proses yang
lama serta kerumitan pada proses pengambilan keputusan sehingga subjektifitas bisa
terjadi dalam penentuan keputusan. Tujuan dari penelitian ini adalah menganalisis
data penilaian kinerja karyawan untuk hasil yang lebih optimal dan efisien. Teknik
data mining dengan metode k-means digunakan dalam penelitian ini untuk melakukan
pengelompokan sehingga menghasilkan keputusan serta aturan-aturan yang berguna
sebagai masukan dalam menentukan proses pengambilan keputusan pengangkatan
karyawan tetap. Dari 504 dataset penilaian kinerja karyawan dilakukan pengujian
dengan menentukan 2 cluster dan validasi diuji dengan Davies Bouldin Index. Dan
dihasilkan 0.086, Berdasarkan hasil yang diperoleh menunjukan bahwa algoritma k-
means dapat di implementasikan dalam pengelompokan untuk penetapan karyawan
tetap dengan hasil validasi yang sangat baik.

Kata kunci: penilaian karyawan, data mining, algoritma K-Means, davies

bouldin index

viii
 ABSTRACT

With the ever-expanding technology of today, it will certainly affect the world of
work. Employees are Human Resources (HR) which is a valuable asset of the
company and should be well managed in order to contribute optimally to the
progress of the company or agency, PT Pyojoon Mold Indonesia has more than 200
contract employees, the problem is the company is struggling in the process of
selecting a permanent employee selection process, due to the long processing times
and complexity of the decision making process so that subjectivity can be involved in
decision making. The purpose of this study is to analyze employee performance
appraisal data for more optimal and efficient results. Data mining techniques using
the k-means method were used in this study to group the results so as to make useful
decisions and rules as input in determining the decision making process of permanent
employee recruitment. From the 504 datasets the employee performance appraisal
was tested by defining 2 clusters and validation was tested with the Davies Bouldin
Index. And generated 0.086, Based on the results shown that the k-means algorithm
can be implemented in a grouping for fixed employee assignments with excellent
validation results.

Keywords: assessment employee, data mining, k-means algorithms, davies bouldin

index

ix
 DAFTAR ISI

HALAMAN PERSETUJUAN ................................................................................ ii

HALAMAN PENGESAHAN ................................................................................ iii
PERNYATAAN KEASLIAN SKRIPSI ................................................................ iv
PERNYATAAN PERSETUJUAN PUBLIKASI ................................................... v
UCAPAN TERIMAKASIH ................................................................................... vi
ABSTRAK............................................................................................................ viii
ABSTRACT............................................................................................................. ix
DAFTAR ISI ........................................................................................................... x
DAFTAR TABEL ................................................................................................ xiii
DAFTAR GAMBAR ............................................................................................ xiv
DAFTAR LAMPIRAN ......................................................................................... xv
BAB I PENDAHULUAN ........................................................................................ 1
1.1 Latar Belakang Masalah .................................................................................. 1
1.2 Identifikasi Masalah ........................................................................................ 5
1.3 Rumusan Masalah ........................................................................................... 5
1.4 Batasan Masalah .............................................................................................. 5
1.5 Tujuan Penelitian ............................................................................................. 6
1.6 Manfaat Penelitian ........................................................................................... 6
1.6.1 Bagi Penulis .............................................................................................. 6

1.6.2 Bagi Institusi (Universitas Pelita Bangsa) .................................................. 7

1.6.3 Bagi Objek Penelitian (PT. Pyojoon Mold Indonesia) ................................ 7

BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI ................................ 8

2.1 Tinjauan Pustaka.............................................................................................. 8
2.2.1 Kajian Jurnal Pertama ............................................................................... 8

2.2.2 Kajian Jurnal Kedua .................................................................................. 8

2.2.3 Kajian Jurnal Ketiga .................................................................................. 9

x
 2.2.4 Kajian Jurnal Keempat ............................................................................ 10

2.2.5 Kajian Jurnal Kelima ............................................................................... 10

2.2 Pengertian Analisis ........................................................................................ 11

2.3 Pengertian Karyawan ..................................................................................... 11
2.3 Data Mining .................................................................................................. 12
2.3.1 Pengertian Data Mining........................................................................... 12

2.1.2 Pengelompokan Data Mining .................................................................. 20

2.2 Algoritma K-MEANS .................................................................................... 23

2.4 Davies-Bouldin Index (DBI) .......................................................................... 24
2.4 Kebutuan Software ........................................................................................ 24
2.4.1 Microsoft Excel ....................................................................................... 24

2.4.2 RAPID MINER....................................................................................... 25

2.5 Kerangka Berfikir .......................................................................................... 26

BAB III METODE PENELITIAN ....................................................................... 28

3.1 Objek Penelitian ............................................................................................ 28
3.1.1 Sekilas Tentang Perusahaan .................................................................... 28

3.1.2 Visi dan Misi Perusahaan ........................................................................ 29

3.1.3 Struktur Organisasi ................................................................................. 29

3.2 Metode Pengumpulan Data ............................................................................ 30

3.3 Jenis Data ...................................................................................................... 31
3.4 Data yang Digunakan .................................................................................... 31
3.5 Metode yang Digunakan ................................................................................ 32
3.6 Perangkat Lunak ............................................................................................ 36

BAB IV HASIL PENGUJIAN DAN PEMBAHASAN ........................................ 38

4.1 Pembahasan ................................................................................................... 38
4.1.1 Persiapan Data ................................................................................... 38

4.1.2 Langkah Perhitungan ......................................................................... 39

xi
 4.1.3 Implementasi Rapid Miner Studio ...................................................... 43

4.2 Hasil Pengujian .............................................................................................. 44

4.3 Uji Validasi ................................................................................................... 46

BAB V PENUTUP ................................................................................................ 48

5.1 Kesimpulan.................................................................................................... 48
5.2 Saran ............................................................................................................. 48

DAFTAR PUSTAKA ............................................................................................ 49

xii
 DAFTAR TABEL

Tabel 3.1 Atribut Data Penelitian ............................................................................ 33

Tabel 3.2 Penilaian Kinerja Karyawan .................................................................... 34

Tabel 4.1 Sampel Tabel Data Set untuk perhitungan jarak ....................................... 41

Tabel 4.2 Sampel Data kluster pusat ....................................................................... 42

Tabel 4.3 Hasil perhitungan jarak cluster terhadaap titik pusat ................................ 45

Tabel 4.4 Hasil pengelompokan perhitungan cluster ............................................... 46

Tabel 4.5 Hasil Cluster K-Means dalam implemetasi Rapid Miner .......................... 46

Tabel 4.6 Hasil Perhitungan antara jarak cluster dengan centroid ............................ 46

Tabel 4.7 Uji Validasi DBI ..................................................................................... 46

xiii
 DAFTAR GAMBAR

Gambar 2.1 Bidang Ilmu Data Mining .................................................................... 10

Gambar 2.2 Tahapan Data Mining .......................................................................... 11

Gambar 2.3 Data Mining Menurut CRISP-DM ....................................................... 14

Gambar 2.4 Tampilan Utama RAPID MINER ......................................................... 23

Gambar 2.5 Kerangka Pemikiran ............................................................................ 28

Gambar 3.1 Struktur Organisasi .............................................................................. 29

Gambar 3.2 Model Penelitian yang Diusulkan......................................................... 36

Gambar 3.3 Tampilan Utama RAPID MINER ......................................................... 37

Gambar 4.1 Pemodelan Algoritma K-Means dengan Rapid Miner........................... 44

Gambar 4.2 Hasil Pengujian Clustering K-Means pada Rapid Miner ....................... 45

Gambar 4.3 Hasil Cluster K-Means dalam implemetasi Rapid Miner ...................... 45

xiv
 DAFTAR LAMPIRAN

Lampiran 1 Daftar Riwayat Hidup

Lampiran 2 Data Penilaian Karyawan

Lampiran 3 Lembar Kendali Bimbingan Skripsi

xv
 BAB I
PENDAHULUAN

1.1 Latar Belakang Masalah

Kemajuan teknologi adalah sesuatu yang tidak bisa dihindari dalam kehidupan

ini, karena kemajuan teknologi akan berjalan sesuai dengan kemajuan ilmu

pengetahuan. Dengan adanya teknologi yang berkembang pesat pada saat ini

tentunya akan mempengaruhi dalam dunia pekerjaan. Karyawan adalah Sumber

Daya Manusia (SDM) yang merupakan aset perusahaan yang sangat berharga dan

harus dikelola dengan baik agar dapat memberikan kontribusi yang optimal dalam

kemajuan perusahaan atau instansi. Keberadaan karyawan adalah salah satu alasan

perusahaan dalam menentukan keberlangsungan aktivitas usaha. Status kontrak kerja

karyawan di perusahaan merupakan hal yang penting dan perlu diperhatikan demi

tercapainya tujuan perusahaan. Dalam hal untuk menentukan apakah seorang

karyawan itu layak untuk diperpanjang kontrak kerjanya atau diputus kontraknya

sering terjadi kesulitan dalam menentukan hal tersebut, disamping banyaknya kriteria

penilaian yang diperlukan untuk memutuskan, faktor lain seperti sikap kerja dan

attitude karyawan tersebut juga perlu diperhatikan (Priyono & Indrajit, 2017).

Pada perusahaan kegiatan penilaian kinerja karyawan sulit dilaksakan karena

frekuensi tatap muka antara Human Resources Departement (HRD) dan karyawan

sangat minim (Windy, Rika, & Kautsar, 2014). Keputusan seorang HRD adalah hal

yang sangat vital pada perusahaan kususnya dalam mengelola karyawan untuk

dampak selanjutnya. Karena itulah dalam penilaian kinerja karyawan harus

1
 2

dilakukan secara obyektif dan efisien agar proses seleksi dapat berjalan sesuai

dengan yang diharapkan perusahaan. PT. Pyojoon Mold Indonesia yang bergerak di

bidang manufacturing memiliki karyawan kontrak lebih dari 200 karyawan sehingga

perusahaan kesulitan melakukan proses seleksi karyawan atau penyaringan karyawan

yang masih layak dan memenuhi syarat untuk dilakukan proses perpanjangan

kontrak kerja. Diperpanjang atau tidaknya kontrak kerja karyawan, sangat ditentukan

oleh fungsi seleksi ini. Jika fungsi ini tidak dilaksanakan dengan baik maka dengan

sendirinya akan berakibat fatal terhadap pencapaian tujuan-tujuan perusahaan.

Data mining mempunyai fungsi yang penting untuk membantu mendapatkan

informasi yang berguna bagi perusahaan. Banyaknya parameter dalam menentukan

diperpanjang atau tidaknya kontrak kerja karyawan menyebabkan ketepatan dan

kecepatan dalam penilaian kerja kurang terpenuhi. Metode klustering data mining

merupakan proses mengelompokkan atau penggolongan objek berdasarkan informasi

yang diperoleh dari data yang menjelaskan hubungan antar objek dengan prinsip

untuk memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan

kesamaan antar kelas / cluster. Adapun metode klustering data mining memiliki

beberapa algoritma salah satunya yaitu algoritma K-MEANS. Penyeleksian ini

dilakukan sesuai kriteria-kriteria klustering utama dengan menggunakan algoritma

K-MEANS yang dapat mengelola nilai inputan yang sesuai dengan kriteria-kriteria

pada penilaian kinerja karyawan yang mempunyai nilai prioritas tertentu. Algoritma

K-MEANS digunakan untukmenemukan pola distribusi di dalam sebuah data set

yang berguna untuk proses analisa data.

 3

Ada beberapa penelitian yang membahas tentang penilaian kinerja karyawan

dengan metode algoritma K-MEANS yang pernah dilakukan oleh peneliti

sebelumnya antara lain dilakukan oleh Harry Dhika dan Fitriana Destiawati pada

tahun 2017. Dalam penelitiannya yang berjudul “Penerapan Algoritma K-MEANS

untuk Penilaian Karyawan pada Restoran Cepat Saji”. Penelitian dilakukan pada

restoran cepat saji untuk mengetahui atau memberikan nilai pada karyawannya

sehingga diperoleh kesimpulan bahwa karyawan tersebut memberikan point yang

baik, sangat baik dan pengelompokan kurang kurang baik. Penerapan algoritma K-

MEANS pada karyawan restoran cepat saji memiliki tingkat pengelompokan yang

termasuk dalam pengelompokan sangat baik yakni 97,71% atau sekitar 135

karyawan dengan class presisi dan pengelompokan mencapai 100%, sedangkan yang

baik sebanyak 239 karyawan presisinya sebesar 97%, karyawan yang kurang baik

berjumlah 53 karyawan dengan presisi 92%. Kategori penelitian ini masuk dalam

pengelompokan sangat baik dengan persentase 0.90-1.00. Dengan tingkat

pengelompokan yang sangat baik maka penilaian karyawan pada restoran cepat saji

dapat dilakukan dengan rule yang telah dihasilkan menggunakan algoritma K-

MEANS. Kedepannya rule tersebut dapat dijadikan model dalam pengembangan

perangkat lunak untuk kepentingan restoran cepat saji (Dhika & Destiawati, 2017).

Penelitian yang dilakukan Fitria Rachmawati pada tahun 2016. Dalam

penelitiannya yang berjudul “Analisis Algoritma K-MEANS Untuk Pengangkatan

Karyawan Tetap Studi Kasus PT Citra Abadi Sejati Bogor”. Penelitian ini membahas

diantaranya adalah proses seleksi pengangkatan karyawan masih belum dilakukan

 4

secara professional, tetapi dilakukan dengan cara−cara penyuapan, pertemanan, atau

hubungan kerja. Masalah yang dihadapi dalam pengangkatan karyawan adalah belum

dapat ditentukan kriteria−kriteria yang lebih tepat untuk mengpengelompokankan

penetapan dalam pengangkatan karyawan tetap, Dan belum adanya aturan-aturan

yang akurat untuk menentukan pengangkatan karyawan tetap. Dalam penelitian ini

diperoleh kesimpulan bahwa penetapan karyawan tetap dari karyawan kontrak

dengan mempertimbangkan variable yang telah di tentukan menghasilkan

pengelompokan 99,49 %. Dari hasil pengelompokan menggunakan metode algoritma

K-MEANS dapat mempertimbangkan dari atribut penilaian dengan nilai tinggi

mendapatkan karyawan dari atribut masa kerja dengan nilai masa promosi 11

karyawan, dan dari atribut pendidikan dengan nilai SMA mendapatkan 2 karyawan

(Rachmawati, 2016).

Berdasarkan uraian di atas maka penulis tertarik untuk menganalisis proses

seleksi Pengangkatan Karyawan Tetap pada PT. Pyojoon Mold Indonesia. Penelitian

ini membentuk model pengelompokan pohon keputusan menggunakan metode

algoritma K-MEANS guna membantu mengatasi beberapa permasalahan yang terjadi

pada proses seleksi Pengangkatan Karyawan Tetap di PT. Pyojoon Mold Indonesia.

Maka dalam penyusunan laporan tugas akhir ini penulis mengambil judul

“ANALISIS PENENTUAN KARYAWAN TETAP DENGAN

MENGGUNAKAN ALGORITMA K-MEANS DAN DAVIES BOULDIN

INDEX (STUDI KASUS: PT PYOJOON MOLD INDONESIA)”.

 5

1.2 Identifikasi Masalah

Berdasarkan uraian latar belakang di atas, penulis mencoba mengidentifikasi

masalah yang merupakan dasar bagi pembahasan. Adapun masalah yang dapat

diidentifikasikan adalah:

1. Proses penentuan status pengangkatan karyawan tetap yang membutuhkan

waktu yang lama dan kurang efektif.

2. Subjektifitas bisa terjadi untuk mengurangi kerumitan proses pengambilan

keputusan akibat banyaknya alternatif.

3. Jumlah karyawan tetap yang terlalu banyak sehingga jika terjadi pemutusan

kerja perusahaan akan membayar pesangon yang cukup besar.

1.3 Rumusan Masalah

Berdasarkan latar belakang dan identifikasi masalah yang telah dipaparkan,

maka rumusan masalah yang dikemukakan adalah bagaimana mengaplikasikan data

mining dengan metode algoritma K-MEANS untuk menilai kinerja karyawan terbaik

dengan pengelompokan data yang tepat, sehingga dapat membantu proses seleksi

pengangkatan karyawan tetap sesuai kebutuhan perusahaan?

1.4 Batasan Masalah

Karena keterbatasan waktu dan mengingat banyaknya permasalahan yang

dihadapi oleh perusahaan maka penulis melakukan pembatasan masalah. Adapun

batasan masalah ini adalah:

1. Penulis hanya membahas penggunaan data mining untuk menentukan

karyawan yang layak untuk diangkat menjadi karyawan tetap di PT. Pyojoon
 6

Mold Indonesia dengan menggunakan metode algoritma K-MEANS agar

tidak terjadi lagi subjektifitas dalam proses penilaian untuk pengangkatan

karyawan tetap.

2. Pengembangan aplikasi menggunakan tools RAPID MINER sebagai

perangkat lunak bantuan untuk menentukan karyawan yang layak dikontrak

ulang di PT. Pyojoon Mold Indonesia.

1.5 Tujuan Penelitian

1.5.1 Bagi Penulis

Untuk memenuhi salah satu syarat memperoleh gelar Sarjana Teknik

Informatika dan untuk menambah ilmu pengetahuan, pengalaman, dan pengamatan

tentang penerapan data mining kedalam suatu data penelitian.

1.5.2 Bagi Institusi (Uninversitas Pelita Bangsa)

Hasil dari penelitian ini dapat digunakan sebagai referensi bagi peneliti lain

yang berkaitan dengan data mining menggunakan metode algortima K-MEANS dan

dapat dikembangkan untuk penelitian selanjutnya.

1.5.3 Bagi Object Penelitian (PT. Pyojoon Mold Indonesia)

Mempermudah menganalisis data untuk hasil yang lebih tepat dan efisien

sehingga dapat membantu pihak perusahaan dalam proses seleksi pengangkatan

karyawan tetap.

1.6 Manfaat Penelitian

1.6.1 Bagi Penulis

 7

Menambah wawasan atau pengetahuan tentang penerapan data mining

menggunakan metode algoritma K-MEANS sebagai bentuk implementasi nyata

menganalisis data.

1.6.2 Bagi Institusi (Universitas Pelita Bangsa)

Hasil dari penelitian ini dapat digunakan sebagai referensi bagi peneliti lain

yang berkaitan dengan data mining menggunakan metode algortima K-MEANS dan

dapat dikembangkan untuk penelitian selanjutnya.

1.6.3 Bagi Objek Penelitian (PT. Pyojoon Mold Indonesia)

Adapun manfaat dari penelitian ini adalah membantu mempermudah HRD

dalam melakukan analisis data dengan tepat sehingga dalam proses seleksi

Pengangkatan Karyawan Tetap bisa lebih tepat dan efisien.

 BAB II
TINJAUAN PUSTAKA DAN LANDASAN TEORI

2.1 Tinjauan Pustaka

Dalam pembuatan laporan tugas akhir ini selain peneliti menggali informasi dari

buku-buku, peneliti juga melakukan tinjauan pustaka pada hasil penelitian terdahulu

yang berkaitan dengan judul yang digunakan sebagai studi literature dan penelusuran

ilmiah, diharapkan peneliti dapat diperhatikan mengenai kekurangan dan kelebihan

antara penelitian terdahulu dengan penelitian yang dilakukan. Adapun penelitian yang

terkait dengan penelitian ini yaitu:

2.2.1 Kajian Jurnal Pertama

Penelitian yang dilakukan oleh Widiarina dan Romi Satria Wahono pada tahun

2015 yang berjudul “ALGORITMA CLUSTER DINAMIK UNTUK OPTIMASI

CLUSTER PADA ALGORITMA K-MEANS DALAM PEMETAAN

NASABAH POTENSIAL”. Penelitian ini membahas perihal pentingnya dalam

menentukan pemetaan nasabah potensial. Penelitian ini bertujuan untuk menghasilkan

kualitas cluster yang optimal sehingga memberikan hasil pemetaan nasabah potensial

lebih baik dan tepat.

2.2.2 Kajian Jurnal Kedua

Penelitian yang dilakukan oleh Ai Rita Rizqiah dan Agus Subekti pada tahun

2018 yang berjudul “PENGELOMPOKAN KEKAMBUHAN KANKER

PAYUDARA DENGAN ALGORITMA K-MEANS”. Penelitian ini membahas

perihal resiko terkena kanker payudara akan semakin meningkat seiring

8
 9

bertambahnya usia, riwayat medis keluarga, riwayat medis personal, keturunan

kaukasia, menstruasi awal, menopause terlambat dan lain-lain. Tujuan dari penelitian

ini yaitu untuk memperoleh knowledge dari sekumpulan data kekambuhan pasien

kanker payudara, mengidentifikasi variable/ atribut mana saja yang memiliki

kontribusi besar pada data dan mengpengelompokankan data kekambuhan kanker

payudara secara kasat mata/ metode manual. Penelitian ini menggunaan algoritma

Naïve Bayes dan algoritma K-MEANS untuk pengelompokan kekambuhan pasien

kanker berdasarkan atribut tertentu pada dataset kanker payudara. Hasil dari

penelitian ini menunjukan bahwa algoritma K-MEANS memiliki nilai

pengelompokan lebih optimal.

2.2.3 Kajian Jurnal Ketiga

Penelitian yang dilakukan oleh Andhika Novandya dan Isni Oktria pada tahun

2017 yang berjudul “PENERAPAN ALGORITMA PENGELOMPOKAN DATA

MINING K-MEANS PADA DATASET CUACA WILAYAH BEKASI”.

Penelitian ini membahas prakiraan cuaca pada umumnya sering disebut peramalan

cuaca yang merupakan penggunaan ilmu dan teknologi untuk memperkirakan

atmosfer bumi pada masa akan datang untuk suatu tempat tertentu. Penelitian ini

bertujuan untuk mendapatkan pola pengelompokan cuaca dengan menggunakan

algoritma pengelompokan data mining yaitu algoritma K-MEANS. Hasil pengujian

algoritma K-MEANS menggunakan DBI dan dibuktikan dengan pembuatan aplikasi

web untuk pengujian sehingga menghasilkan nilai pengelompokan optimal.

 10

2.2.4 Kajian Jurnal Keempat

Penelitian yang dilakukan oleh Beti Novianti, Tedy Rismawan dan Syamsul

Bahri pada tahun 2016 yang berjudul “IMPLEMENTASI DATA MINING

DENGAN ALGORITMA K-MEANS UNTUK PENJURUSAN SISWA (STUDI

KASUS: SMA NEGERI 1 PONTIANAK)”. Penelitian ini membahas proses

penyortiran penjurusan siswa kelas X (sepuluh) SMA Negeri 1 Pontianak

berdasarkan nilai rata-rata rapor SMP, nilai Ujian Nasional SMP, dan nilai tes MTK,

IPA, dan IPS. Pada penelitian ini, penjurusan siswa dipengelompokan berdasarkan

nilai tes akademik MTK, IPA, dan IPS, nilai rata-rata rapor SMP untuk mata

pelajaran MTK, IPA, dan IPS, nilai Ujian Nasional SMP untuk mata pelajaran MTK

dan IPA, dan minat siswa. Berdasarkan hasil penelitian, didapatkan hasil

pengelompokan penjurusan siswa yang sudah diuji sesuai dengan tingkat

pengelompokan optimal.

2.2.5 Kajian Jurnal Kelima

Penelitian yang dilakukan oleh Izza Khaerani dan Lekso Budi Handoko pada

tahun 2015 yang berjudul “IMPLEMENTASI DAN ANALISA HASIL DATA

MINING UNTUK PENGELOMPOKAN SERANGAN PADA INTRUSION

DETECTION SYSTEM (IDS) DENGAN ALGORITMA K-MEANS”. Penelitian

ini membahas perihal serangan terhadap IDS yang kemungkinan terjadi dalam

jaringan, baik lokal maupun yang terhubung dengan internet ketika paket data yang

datang sangat banyak dan harus di analisa di kemudian hari. Tujuan dari penelitian ini

adalah untuk mengpengelompokankan serangan pada data-data yang diujikan dengan

 11

menggunakan metode pengelompokan dan algoritma pengelompokan K-MEANS.

Penelitian ini menggunakan koleksi data dari KDD’99 dan memiliki 41 atribut

dimana atribut ini dilakukan fitur seleksi untuk menghapus atribut yang tidak relevan

dengan menggunakan teknik evolusi. Hasil yang didapatkan dari fitur seleksi ini

adalah 16 atribut dengan pengelompokan tinggi dari 41 atribut yang ada. Kemudian

hasilnya dilakukan pemodelan dengan menggunakan algoritma K-MEANS dan

menghasilkan sebuah aturan untuk digunakan dalam implementasi sistem analisa

pengelompokan data.

2.2 Pengertian Analisis

Analisis adalah sebuah kegiatan untuk mencari suatu pola selain itu analisis

merupakan cara berpikir yang berkaitan dengan pengujian secara sistematis terhadap

sesuatu untuk menentukan bagian, hubungan antar bagian dan hubungannya dengan

keseluruhan (Sugiono, 2015). Analisis adalah suatu usaha untuk mengurai suatu

masalah atau fokus kajian menjadi bagian-bagian (decomposition) sehingga

susunan/tatanan bentuk sesuatu yang diurai itu tampak dengan jelas dan karenanya

bisa secara lebih terang ditangkap maknanya atau lebih jernih dimengerti duduk

perkaranya (Komariyah, 2014)

2.3 Pengertian Karyawan

Tenaga kerja, pekerja, karyawan, potensi manusiawi sebagai penggerak organisasi

dalam mewujudkan eksistensinya atau potensi yang merupakan aset dan berfungsi

sebagai modal non material dalam organisasi bisnis yang dapat diwujudkan menjadi

potensi nyata secara fisik dan non fisik dalam mewujudkan eksistensi organisasi
 12

(Nawawi, 2011). Karyawan adalah setiap orang yang bekerja dengan

menjualtenaganya (fisik dan pikiran) kepada suatu perusahaan dan memperoleh balas

jasa yang sesuai dengan perjanjian (Hasibuan, 2009).

2.3 Data Mining

2.3.1 Pengertian Data Mining

Data Mining adalah suatu teknik menggali informasi berharga yang terpendam

atau tersembunyi pada suatu koleksi data (database) yang sangat besar sehingga

ditemukan suatu pola yang menarik yang sebelumnya tidak diketahui (Muflikhah,

Ratnawati, & Rekyan, 2018).

Menurut (Nofriansyah & Nurcahyo, 2019) menyimpulkan bahwa berbagai

ragam tentang pendefinisian data mining, meliputi:

1. Penguraian (yang tidak sederhana) dari sekumpulan data menjadi informasi

yang memiliki potensi secara implisit (tidak nyata/jelas) yang sebelumnya

tidak diketahui.

2. Penggalian dan analisis, dengan menggunakan peranti otomatis atau semi

otomatis, dari sejumlah besar data yang bertujuan untuk menemukan pola

yang memiliki arti.

3. Data mining juga merupakan bagian dari knowledge discovery dalam

database (KDD).

Menurut Siregar dan Puspabhuana (2018: 8) karakteristik data mining sebagai

berikut:
 13

a. Data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan

pola data tertentu yang tidak diketahui sebelumnya.

b. Data mining biasa menggunakan data yang sangat besar. Biasanya data yang

besar digunakan untuk membuat hasil lebih dapat dipercaya.

c. Data mining berguna untuk membuat keputusan kritis.

Berdasarkan definisi-definisi yang telah disampaikan, hal penting yang terkait

dengan data mining adalah (Nofriansyah & Nurcahyo, 2019)

1. Data mining merupakan suatu proses otomatis terhadap data yang sudah ada.

2. Data yang akan diproses berupa data yang sangat besar.

3. Tujuan data mining adalah mendapatkan hubungan atau pola yang mungkin

memberikan indikasi yang bermanfaat.

Sumber : Kusrini dan Luthfi, 2019

Gambar 2. 1 Bidang Ilmu Data Mining

 14

Data mining bukanlah suatu bidang yang sama sekali baru. Salah satu kesulitan

untuk mendefinisikan data mining adalah kenyataan bahwa data mining mewarisi

banyak aspek dan teknik dari bidang-bidang ilmu yang sudah mapan terlebih dahulu.

Gambar 2.1 menunjukkan bahwa data mining memiliki akar yang panjang dari

bidang ilmu seperti kecerdasan buatan (artificial intelligent), machine learning,

statistik, database, dan juga information retrieval Pramudiono, 2005 dalam (Kusrini

dan Luthfi 2019: 6).

Istilah data mining dan Knowledge Discovery in Database (KDD) sering kali

digunakan secara bergantian untuk menjelaskan proses penggalian informasi

tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut

memiliki konsep yang berbeda, tetapi berkaitan satu sama lain. Dan salah satu

tahapan dalam keseluruhan proses KDD adalah data mining.

Sumber : https://www.kajianpustaka.com/2017/09/data-mining.html

Gambar 2. 2 Tahapan Data Mining

 15

Menurut (Muflikhah, Ratnawati, & Rekyan, 2018) proses KDD secara garis

besar dapat dijelaskan sebagai berikut:

1. Data Selection

Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan

sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi

yang akan digunakan untuk proses data mining, disimpan dalam suatu berkas,

terpisah dari basis data operasional.

2. Pre-processing/Cleaning

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses

cleaning pada data yang menjadi fokus KDD. Proses cleaning mencakup

antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan

memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Juga

dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah ada

dengan data atau informasi lain yang relevan dan diperlukan untuk KDD,

seperti data atau informasi eksternal.

3. Transformation

Coding adalah proses transformasi pada data yang telah dipilih, sehingga data

tersebut sesuai untuk proses data mining. Proses coding dalam KDD

merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi

yang akan dicari dalam basis data.

4. Data Mining

Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih

dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma
 16

dalam data mining sangat bervariasi. Pemilihan metode dan algoritma yang tepat

sangat bergantung pada tujuan dan proses KDD secara keseluruhan

5. Interpretation/Evalution

Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam

bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini

merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini mencakup

pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta

atau hipotesis yang ada sebelumnya.

Cross-Industry Standard Process for Data Mining (CRISP-DM) yang

dikembangkan tahun 1996 oleh analis dari beberapa industri menyediakan standar

proses data mining sebagai strategi pemecahan masalah secara umum dari bisnis atau

unit penelitian. Dalam CRISP-DM, sebuah proyek data mining memiliki siklus hidup

yang terbagi dalam 6 (enam) fase. Keseluruhan fase berurutan yang ada tersebut

bersifat adaptif dan fase berikutnya dalam urutan bergantung kepada keluaran dari

fase sebelumnya. Hubungan penting antar fase digambarkan dengan panah. Sebagai

contoh, jika proses berada pada fase modeling. Berdasar pada perilaku dan

karakteristik model, proses mungkin harus kembali kepada fase data preparation

untuk perbaikan lebih lanjut terhadap data atau berpindah maju kepada fase

evaluation. Proses data mining menurut CRISP-DM dapat dilihat pada Gambar 2.3.
 17

Sumber : Kusrini dan Luthfi, 2019

Gambar 2. 3 Data Mining Menurut CRISP-DM

Menurut Larose, 2005 dalam (Gorunescu, 2019) Dalam CRISP-DM, siklus

hidup data mining yang terbagi dalam 6 (enam) fase yaitu:

1. Fase pemahaman bisnis (Business Understanding Phase)

a. Penentuan tujuan proyek dan kebutuhan secara detail dalam hidup bisnis

atau unit penelitian.

b. Menerjemahkan tujuan dan batasan menjadi formula dari permasalahan

data mining.

c. Menyiapkan strategi awal untuk mencapai tujuan.

2. Fase pemahaman data (Data Understanding Phase)

 18

a. Mengumpulkan data.

b. Menggunakan analisis penyelidikan data untuk mengenali lebih lanjut data

dan pencarian pengetahuan awal.

c. Mengevaluasi kualitas data.

d. Jika diinginkan, pilih sebagian kecil grup data yang mungkin mengandung

pola dari permasalahan.

3. Fase pengolahan data (Data Preparation Phase)

a. Siapkan data awal, kumpulkan data yang akan digunakan untuk

keseluruhan fase berikutnya. Fase ini merupakan pekerjaan berat yang

perlu dilaksanakan secara intensif.

b. Pilih kasus dan variabel yang ingin dianalisis dan yang sesuai analisis

yang akan dilakukan.

c. Lakukan perubahan pada beberapa variabel jika dibutuhkan.

d. Siapkan data awal sehingga siap untuk perangkat pemodelan.

4. Fase pemodelan (Modeling Phase)

a. Pilh dan aplikasikan teknik pemodelan yang sesuai.

b. Perlu diperhatikan bahwa beberapa teknik mungkin untuk digunakan pada

permasalahan data mining yang sama.

 19

c. Jika diperlukan, proses dapat kembali ke fase pengolahan data untuk

menjadikan data ke dalam bentuk yang sesuai dengan spesifikasi

kebutuhan teknik data mining tertentu.

5. Fase evaluasi (Evaluation Phase)

a. Pengevaluasi satu atau lebih model yang digunakan dalam fase pemodelan

untuk mendapatkan kualitas dan efektivitas sebelum disebarkan untuk

digunakan.

b. Menetapkan apakah terdapat model yang memenuhi tujuan pada fase

awal.

c. Menentukan apakah terdapat permasalah penting dari bisnis atau

penelitian yang tidak tertangani dengan baik.

d. Mengambil keputusan yang berkaitan dengan penggunaan hasil dari data

mining.

6. Fase penyebaran (Deployment Phase)

a. Menggunakan model yang dihasilkan. Terbentuknya model tidak

menandakan telah terselesaikannya proyek.

b. Contoh sederhana penyebaran: pembuatan laporan.

c. Contoh kompleks penyebaran: penerapan proses data mining secara

paralel pada departemen lain.

 20

2.1.2 Pengelompokan Data Mining

Menurut Larose, 2005 dalam (Kusrini dan Luthfi 2009: 10) data mining dibagi

menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan yaitu:

1. Deskripsi

Terkadang peneliti dan analis secara sederhana ingin mencoba mencari cara

untuk menggambarkan pola dan kecenderungan yang terdapat dalam data.

Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menemukan

keterangan atau fakta bahwa siapa yang tidak cukup profesional akan sedikit

didukung dalam pemilihan presiden. Deskripsi dari pola dan kecenderungan

sering memberikan kemungkinan penjelasan untuk suatu pola atau

kecenderungan.

2. Estimasi

Estimasi hampir sama dengan pengelompokan, kecuali variabel target

estimasi lebih ke arah numerik dari masa ke arah kategori. Model dibangun

menggunakan record lengkap yang menyediakan nilai dari variabel target

sebagai nilai pengelompokan. Selanjutnya, pada peninjauan berikutnya

estimasi nilai dari variabel target dibuat berdasarkan nila variabel

pengelompokan. Sebagai contoh, akan dilakukan estimasi tekanan darah

sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis kelamin,

indeks berat badan, dan level sodium darah. Hubungan antara tekanan darah

sistolik dan nilai variabel reduksi dalam proses pembelajaran akan

 21

menghasilkan model estimasi. Model estimasi yang dihasilkan dapat

digunakan untuk kasus baru lainnya.

Contoh lain yaitu estimasi nilai indeks prestasi kumulatif mahasiswa program

pascasarjana dengan melihat nilai indeks prestasi mahasiswa tersebut pada

saat mengikuti program sarjana.

3. Pengelompokan

Dalam pengelompokan, terdapat terget variabel kategori. sebagai contoh,

penggolongan pendapatan dapat dipisahkan dalam tiga kategori yaitu

pendapatan tinggi, pendapatan sedang, dan pendapatan rendah.

Contoh lain pengelompokan dalam bisnis dan penelitian adalah:

a. Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang

curang atau bukan.

b. Memperkirakan apakah suatu pengajuan hipotek oleh nasabah merupakan

suatu kredit yang baik atau buruk.

c. Mendiagnosis penyakit seorang pasien untuk mendapatkan termasuk

kategori penyakit apa.

4. Pengklusteran

Pengklusteran merupakan pengelompokan record, pengamatan, atau

memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.

Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang

lainnya dan tidak memiliki kemiripan dengan record-record dalam kluster

lain. Pengklusteran berbeda dengan pengelompokan yaitu tidak adanya

variable target dalam pengklusteran. pengklusteran tidak mencoba untuk

 22

melakukan pengelompokan, mengestimasi, atau memPENGELOMPOKAN

nilai dari variable target. Akan tetapi, algoritma pengklusteran mencoba untuk

melakukan pembagian terhadap keselurahan data menjadi kelompok-

kelompok yang memiliki kemiripan (homogen), yang mana kemiripan record

dalam suatu kelompok akan bernilai maksimal, sedangkan kemiripan dengan

record dalam kelompok lain akan bernilai minimal.

Contoh pengklusteran dalam bisnis dan penelitian adalah:

a. Mendapatkan kelompok-kelompok konsumen untuk target pemasaran dari

suatu produk sebuah perusahaan yang tidak memiliki dana pemasaran

yang besar.

b. Untuk tujuan audit akuntansi, yaitu melakukan pemisahan terhadap

perilaku finansial dalam baik maupun mencurigakan.

c. Melakukan pengklusteran terhadap ekspresi dari gen, untuk mendapatkan

kemiripan perilaku dari gen dalam jumlah besar.

5. Asosiasi

Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul

dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang

pasar.

Contoh asosiasi dalam bisnis dan penelitian adalah:

a. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang

diharapkan untuk memberikan respon positif terhadap penawaran upgrade

layanan yang diberikan.

 23

b. Menemukan barang dalam supermarket yang dibeli secara bersamaan dan

barang yang tidak pernah dibeli secara bersamaan.

2.2 Algoritma K-MEANS

Algoritma K-Means merupakan algoritma yang digunakan untuk

pengelompokan iteratif, algoritma ini melakukan partisi set data ke dalam sejumlah K

cluster yang sudah ditetapkan diawal. Partisi set data tersebut dilakukan untuk

mengetahui karakteristik dari setiap cluster, sehingga cluster yang memiliki

karakteristik sama dikelompokkan kedalam satu cluster dan yang memiliki

karakteristik berbeda dikelompokkan kedalam cluster lain. Berikut ini merupakan

alur dari algoritma KMeans (Poteras, et al. 2014):

1. Tentukan banyaknya K, dimana K adalah jumlah cluster yang akan dibentuk.

2. Tetapkan titik pusat cluster secara acak atau random, titik pusat cluster sering

disebut dengan nama centroid.

3. Hitung setiap jarak data yang ada terhadap masing-masing centroid dengan

menggunakan rumus Euclidean Distance.

= ( − ) +( − )

Keterangan :

= Euclidean Distance

i = banyaknya objek

(x,y) = koordinat objek

(s,t) = koordinat centroid ( titik pusat cluster )

 24

2.4 Davies-Bouldin Index (DBI)

David L. Davies dan Donald W. Bouldin memperkenalkan sebuah metode yang

diberi nama dengan nama mereka berdua, yaitu Davies-Bouldin Index (DBI) yang

digunakan untuk mengevaluasi cluster (Nawrin, et al. 2017). Evaluasi menggunakan

Davies- Bouldin Index ini memiliki skema evaluasi internal cluster, dimana baik atau

tidaknya hasil cluster dilihat dari kuantitas dan kedekatan antar data hasil cluster

(Bates & Kalita 2016). Davies-Bouldin Index merupakan salah satu metode yang

digunakan untuk mengukur validitas cluster pada suatu metode pengelompokan,

kohesi didefinisikan sebagai jumlah dari kedekatan data terhadap titik pusat cluster

dari cluster yang diikuti. Sedangkan separasi didasarkan pada jarak antar titik pusat

cluster terhadap clusternya. Pengukuran dengan Davies-Bouldin Index ini

memaksimalkan jarak inter-cluster antara cluster Ci dan Cj dan pada waktu yang

sama mencoba untuk meminimalkan jarak antar titik dalam sebuah cluster. Jika jarak

inter-cluster maksimal, berarti kesamaan karakteristik antar-masing-masing cluster

sedikit sehingga perbedaan antar-cluster terlihat lebih jelas. Jika jarak intra-cluster

minimal berarti masing-masing objek dalam cluster tersebut memiliki tingkat

kesamaan karakteristik yang tinggi (Wani & Riyaz 2017). Tahapan dari perhitungan

Davies- Bouldin Index adalah sebagai berikut:

2.4 Kebutuan Software

2.4.1 Microsoft Excel

Microsoft excel adalah software spreadsheet paling terkenal didunia bisnis,

perkantoran maupun pendidikan. Excel sangat membantu banyak pekerjaan disetiap

bidang, dan selalu dijumpai dimanapun karena aplikasi ini sangat universal. Software
 25

excel ini memiliki banyak fitur kalkulasi dan pembuatan grafis, serta mudah

digunakan menjadikan excel sebagai software paling banyak diminati para pengguna

terutama pekerja.

Berikut ini adalah pengertian Microsoft excel menurut para ahli:

Menurut (Alam, 2006), Microsoft Excel merupakan perangkat lunak (software)

untuk mengolah data, meliputi perhitungan dasar, penggunaan fungsi-fungsi,

pembuatan grafik, dan manajemen data. Software ini sangat membantu untuk

menyelesaikan permasalahan administrative, mulai yang paling sederhana sampai

dengan yang lebih kompleks.

Microsoft Excel merupakan program lembar kerja elektonik (spreadsheet) yang

dapat dipakai untuk mengelola teks, angka, rumus, database, grafik dan lain-lain

dalam suatu lembar kerja elektronik (Agus J, 2006:2).

2.4.2 RAPID MINER

Menurut Fatmawati (2016:53) RapidMiner merupakan perangkat lunak yang

dibuat oleh Dr. Markus Hofmann dari Institute of Technology Blanchardstown dan

Raif Klinkenberg dari rapid-i.com dengan tampilan GUI (Graphical User Interface)

sehingga memudahkan pengguna dalam menggunakan perangkat lunak ini. Perangkat

lunak ini bersifat open source dan dibuat dengan menggunakan bahasa Java dibawah

lisensi GNU Public License dan RapidMiner dapat dijalankan disistem operasi

manapun. Dengan menggunakan RapidMiner, tidak dibutuhkan kemampuan koding

khusus, karena semua fasilitas sudah disediakan. RapidMiner dikhususkan untuk

 26

penggunaan data mining.Berikut tampilan utama pada RAPID MINER ditunjukkan

pada gambar 2.4.

Gambar 2. 4 Tampilan Utama RAPID MINER

2.5 Kerangka Berfikir

Adapun kerangka pemikiran dari penelitian yang dilakukan adalah sebagai berikut:
 27

Rumusan Maslah
Bagaimana pengelompokan data penilaian
karyawan menggunakan metode algoritma K-
MEANS terkait dengan masalah proses
seleksi pengangkatan karyawan tetap sebagai
solusi permasalahan yang dihadapi?

Tujuan
Pengelompokan data penilaian
karyawan untuk proses seleksi
pengangkatan karyawan tetap agar
lebih akurat dan efisien

Pengumpulan Data
Data penilaian karyawan

Metode Yang Digunakan

Algoritma K-MEANS

Implementasi
Microsoft Exel dan Aplikasi RAPID
MINER

Hasil
Pengujian tingkat optimal dan tepat
berdasarkan perhitungan algoritma k-
means untuk pengangkatan karyawan
tetap

Gambar 2.5 Kerangka Pemikiran

 BAB III
METODE PENELITIAN

3.1 Objek Penelitian

Dalam penyusunan skripsi ini penulis melakukan penelitian di PT. Pyojoon

Mold Indonesia yang beralamat di Kawasan industri Jababeka 2 blok RR No 10A

Pasir Sari Bekasi, Jawa Barat. Penelitian ini dilakukan untuk mengumpulkan data dan

keterangan yang berkaitan dengan judul penelitian.

3.1.1 Sekilas Tentang Perusahaan

PT. Pyojoon Mold Indonesia adalah perusahaan manufaktur, yang beralamat di

Indonesia yang beralamat di Kawasan industri Jababeka 2 blok RR No 10A Pasir Sari

Bekasi, Jawa Barat, Jawa Barat. Sebagai perusahaan manufaktur PT. Pyojoon Mold

Indonesia menyediakan jasa pembuatan mold injection plastik dengan manajemen

pengelolaan yang disiplin hukum, comperhensif, dan mengutamakan win – win

solutions dan didukung oleh tenaga yang cukup berpengalaman, terlatih, terdidik,

berdedikasi, dan dengan profesionalitas yang tinggi.

Dalam menjalankan aktivitas bisnis, PT. Pyojoon Mold Indonesia sangat

menghargai kepercayaan klien dan mitra usaha, dengan bertekad memberikan

pelayanan yang terbaik untuk klien maupun kandidat karyawan yang dikelola. PT.

Pyojoon Mold Indonesia senantiasa menjalankan usaha dengan memenuhi komitmen,

memberikan kepastian dan menjamin kepuasan bagi klien dan mitra usaha sehingga

28
 29

memajukan usaha yang harmonis, dinamis, dan dapat terwujud dengan hasil yang

optimal.

3.1.2 Visi dan Misi Perusahaan

Sebagai perusahaan yang baik dan ingin maju haruslah mempunyai visi dan

misi kedepan guna mencapai tujuan dari perusahaan tersebut, adapun visi dan misi

dari PT. Pyojoon Mold Indonesia adalah sebagai berikut:

1. Visi

- Menciptakan teknologi baru

- Pelayanan untuk kepuasan pelanggan
2. Misi

“Mengembangkan Molding dengan kwalitas tinggi, harga bersaing dan

teknologi terbaru.”

3.1.3 Struktur Organisasi

Struktur Organisasi adalah suatu susunan dan hubungan antara tiap bagian

serta posisi yang ada pada suatu organisasi atau perusahaan dalam menjalankan

kegiatan operasional untuk mencapai tujuan. Struktur Organisasi menggambarkan

dengan jelas pemisahan kegiatan pekerjaan antara yang satu dengan yang lain dan

bagaimana hubungan aktivitas dan fungsi dibatasi.

Berikut ini adalah susunan struktur organisasi PT. Pyojoon Mold Indonesia:
 30

Gambar 3. 1 Struktur Organisasi

Sumber : PT Pyojoon Mold Indonesia, 2018

3.2 Metode Pengumpulan Data

Dalam melakukan penelitian untuk mendapatkan data dan informasi, maka

metode yang digunakan dalam proses pengumpulan data sebagai berikut:

1. Studi Pustaka

Penelitian dimulai dengan mempelajari informasi serta algoritma yang

bersangkutan dengan penelitian ini dengan cara mendownload serta membaca e-

book, e-journal, dan beberapa referensi pembelajaran lain. Pada tahapan ini

konsep–konsep yang dibutuhkan dalam penelitian akan dimatangkan, seperti

definisi dari data mining serta algoritma K-MEANS dan penerapannya.

2. Metode Observasi
 31

Melihat dan mempelajari serta mewawancarai beberapa karyawan tentang

permasalahan pada PT. Pyojoon Mold Indonesia yang berkaitannya dengan objek

yang diteliti yaitu proses seleksi penilaian karyawan untuk perpanjangan kontrak

kerja.

3. Analisis Data

Proses seleksi penilaian karyawan dengan menggunakan algoritma K-

MEANS untuk menentukan diperpanjang atau tidaknya kontrak kerja berdasarkan

kriteria penilaian yang sudah ditentukan oleh perusahaan. Setelah mendapatkan

data yang diberikan oleh perusahaan kemudian dilakukan perhitungan nilai

entrophy dan gain untuk mendapatkan gambaran umun dari suatu riset data.

3.3 Jenis Data

1. Data Kuantitatif

Data kuantitatif merupakan data yang terdiri dari kumpulan angka-angka

hasil observasi yakni data penilaian karyawan yang telah di berikan oleh

perusahaan.

2. Data Kualitatif

Data kualitatif menggunakan analisis dan data yang tidak dapat dinyatakan

dalam angka-angka hasil observasi, yakni gambaran atau objek proses penilaian

karyawan yang sedang berlangsung dalam seleksi perpanjangan kontrak kerja.

3.4 Data yang Digunakan

1. Data Primer
 32

Data yang diperoleh atau dikumpulkan oleh peneliti secara langsung dari

objek penelitian, mengenai hal-hal yang berhubungan dengan penulisan skripsi

ini.

2. Data Skunder

Data yang diperoleh secara tidak langsung berasal dari buku-buku

referensi atau literature lainnya yang berhubungan dengan penulisan skripsi ini,

meliputi pendapat dan penjelasan yang dikemukakan oleh para ahli maupun

peneliti-peneliti sebelumnya sehingga membantu dalam penulisan skripsi ini.

3.5 Metode yang Digunakan

Metode yang akan digunakan untuk menyelesaikan penelitian ini adalah

penelitian eksperimen. Desain eksperimen yang digunakan adalah Cross Standard

Industry Process for Data Mining (CRISP-DM) yaitu melakukan pengujian tingkat

pengelompokan dengan algoritma K-MEANS dalam menentukan diangkat atau

tidaknya menjadi karyawan tetap.

Tahapan eksperimen sesuai dengan standar CRISP-DM adalah sebagai berikut:

1. Bussiness understanding

Tahapan pertama yang dilakukan dalam penelitian ini ada survey lapangan,

melakukan observasi di PT Pyojoon Mold Indonesia. Berdasarkan hasil observasi

ditemukan bahwa dalam proses penentuan status perpanjangan kontrak karyawan

membutuhkan waktu yang lama dan kurang efektif.

 33

2. Data understanding

Tahap berikutnya adalah pengumpulan data. Data yang telah dikumpulkan

dalam penelitian ini adalah formulir status penilaian kinerja karyawan yang akan

habis masa kontrak kerjanya dari tahun 2016-2019. Jumlah data adalah 633 data

yang meliputi data no ID karyawan, nama karyawan, penempatan, tanggal habis

kontrak serta penilaian dari masing-masing atasanya dan rekomendasi keputusan

diperpanjang atau tidaknya kontrak kerja berikutnya.

3. Data preparation

Persiapan data yang dilakukan dalam penelitian ini adalah mengolah data

mentah menjadi data yang dapat diolah dengan data mining, yaitu

pengelompokan. Sampel data asli untuk data status penilaian kinerja karyawan

dapat dilihat pada gambar 3.2 sebelum dilakukan data preparation.

Dataset dapat direduksi dengan mengurangi jumlah atribut dan record

supaya menjadi lebih sedikit tetapi tetap bersifat informatif. Memperoleh

representasi dalam bentuk volume data yang telah berkurang jumlahnya namun

tetap mendapatkan hasil analisis yang sama. Berdasarkan gambar 3.1, berikut

adalah keseluruhan atribut sebelum dilakukan reduction data.

Tabel 3. 1 Atribut Data Penelitian

Atribut Proses Penjelasan

Digunakan sebagai
Nama Nama karyawan
Id
I1 Mempunyai pengetahuan & keterampilan kerja?
 34

Atribut Proses Penjelasan

Digunakan sebagai
atribut

I2 Digunakan sebagai Mempunyai kwalitas kerja yang baik?

atribut

I3 Digunakan sebagai Mempunyai inisiatif & kratifitas?

atribut

I4 Digunakan sebagai Mempunyai problem solving?

atribut

I5 Digunakan sebagai Mempunyai tanggung jawab dalam pekerjaan?

atribut
Mempunyai komunikasi dan kordinasi yang
I6 Digunakan sebagai
atribut baik dalam pekerjaan?
Mempunyai disiplin kerja & kepatuhan
Digunakan sebagai
I7
atribut terhadap peraturan?
Mempunyai team work yang baik dalam
Digunakan sebagai
I8
atribut pekerjaan??

Berdasarkan data yang diperoleh, kemudian data tersebut diolah untuk

kemudian dilakukan proses pengelompokan. Data akhir yang digunakan dalam

pengelompokan adalah sebagai berikut:

Tabel 3. 2 Penilaian Kinerja Karyawan

No NAMA I1 I2 I3 I4 I5 I6 I7 I8
1 AHMAD SOBUR 5 4 4 4 5 4 5 5

2 EBI SOBIRIN 5 4 4 5 5 4 5 5
 35

3 SETYAWAN 3 3 3 3 3 3 3 3

4 QOMARUDIN 4 5 3 3 4 3 3 3

5 ARI SETIADI 3 3 3 3 3 3 3 3

6 NUGRAHA 3 3 3 3 3 3 3 3

7 DADAN HERMAWAN 3 3 3 3 3 3 3 3

8 SUGIANTO 3 3 3 3 3 3 3 3

9 USEP HIDAYAT 4 4 4 4 4 4 5 4

10 SUHERIYANTO 3 3 3 3 4 3 5 5

11 WINDRA RAHMAT 3 4 4 4 4 3 3 3

12 ASEP SAPUTRA 3 3 3 3 3 3 3 3

13 YUDHA 3 3 3 3 4 3 4 4

14 ASEP EDRIN 3 3 3 3 4 3 5 4

15 AN HAMDANI 3 3 3 3 3 3 3 3

16 ABDUL HAMID 5 5 5 5 5 5 5 5

17 YOSEP PURNAMA 5 5 5 5 5 5 5 5

18 FACHRUROZI 4 4 4 4 4 3 3 4

19 DANIEL ARIFIN 4 5 5 5 5 5 5 5

20 SISWANTO 3 3 3 3 3 3 4 4

21 HERY FRASETIO 3 3 3 3 3 3 3 4

… … … … … … … … …

… … … … … … … … …

504 HERY FRASETIO 3 4 3 4 4 3 3 3

Dari hasil persiapan data, maka diperoleh 9 atribut, 1 atribut digunakan sebagai id

dan 8 atribut digunakan sebagai penentuk perhitungan cluster.

4. Modelling

Model yang diusulkan untuk pengelompokan adalah menggunakan

algoritma k-means. Desain pemodelan ditunjukkan pada gambar 3.3 berikut.

 36

Gambar 3. 2 Model Penelitian yang Diusulkan

3.6 Perangkat Lunak

Perangkat lunak merupakan sarana pendukung lainnya bagi penelitian ini. Pada

penelitian yang akan dilakukan untuk menyelesaikan tugas akhir ini, instrument

peralatannya yang berupa software meliputi:

1. Microsoft Office Excel 2016

Microsoft excel merupakan software yang digunakan untuk membuat tabel,

dalam software ini juga dapat menggunakan rumus-rumus guna menjumlahkan,

mengurangi, mencari nilai rata-rata, mencari nilai maximal ataupun minimal, serta
 37

menampilkan persyaratan suatu kondisi secara langsung tanpa harus menuliskan

nya satu persatu.

2. Rapid Miner

Menurut Fatmawati (2016:53) RapidMiner merupakan perangkat lunak yang

dibuat oleh Dr. Markus Hofmann dari Institute of Technology Blanchardstown

dan Raif Klinkenberg dari rapid-i.com dengan tampilan GUI (Graphical User

Interface) sehingga memudahkan pengguna dalam menggunakan perangkat lunak

ini. Perangkat lunak ini bersifat open source dan dibuat dengan menggunakan

bahasa Java dibawah lisensi GNU Public License dan RapidMiner dapat

dijalankan disistem operasi manapun. Dengan menggunakan RapidMiner, tidak

dibutuhkan kemampuan koding khusus, karena semua fasilitas sudah disediakan.

RapidMiner dikhususkan untuk penggunaan data mining.Berikut tampilan utama

pada RAPID MINER ditunjukkan pada gambar 2.4.

Gambar 3.3 Tampilan Utama RAPID MINER

:
 BAB IV
HASIL PENGUJIAN DAN PEMBAHASAN

4.1 Pembahasan
4.1.1 Persiapan Data

Setelah tujuan bisnis dan rencana proyek ditetapkan, langkah selanjutnya

melakukan pengumpulan data awal, deskripsi data, dan eksplorasi . Penelitian ini

menggunakan data penilaian karyawan tetap tahun 2016,2017,2018 dan 2019, data

set dengan 504 sample, memiliki 8 atribut yang digunakan sebagai bahan untuk

penelitian dengan metode K-Means.

Pada tahap ini dilakukan identifikasi dan pembangunan jawaban dari data

yang telah dikumpulkan, pada penelitian ini data preparation mencakup semua

kegiatan untuk membangun data set yang akan diolah dalam proses pemodelan

menggunakan algoritma k-means, proses preparation data pada penelitian ini

meliputi, Pemilihan data, data cleaning dan transformasi data.

1. Memilih Data

Pada tahap ini melakukan proses pemilihan data, dari 10 atribut dipilih 8

atribut yang digunakan dalam proses perhitungan dengan algoritma K-Means.

2. Cleaning Data

Pada tahap cleaning data dilakukan penghapusan data atribut yang tidak

digunakan yaitu atribut kesehatan dan absensi dikarenakan seluruh karyawan

mendapatkan penilaian maksimal sehingga tidak banyak mempengaruhi kedalam

perhitungan K-means.

3. Transformasi Data

38
 39

Pada tahap transformasi data dilakukan perubahan data dari nominal menjadi

numerik dikarenakan dalam proses perhitungan K-Means data yang digunakan

adalah nilai numerik.

4.1.2 Langkah Perhitungan

Berdasarkan tahapan data mining untuk algoritma K-Means, dengan langkah-

langkah sebagai berikut

1. Pada tahap ini dilakukan perhitungan dengan 10 data sampel diambil dari dataset

penilaian karyawan

Tabel 4.1 Sampel Tabel Data Set untuk perhitungan jarak

No NAMA I1 I2 I3 I4 I5 I6 I7 I8
1 AHMAD SOBUR 5 4 4 4 5 4 5 5

2 EBI SOBIRIN 5 4 4 5 5 4 5 5

3 SETYAWAN 3 3 3 3 3 3 3 3

4 QOMARUDIN 4 5 3 3 4 3 3 3

5 ARI SETIADI 3 3 3 3 3 3 3 3

6 NUGRAHA 3 3 3 3 3 3 3 3

7 DADAN HERMAWAN 3 3 3 3 3 3 3 3

8 SUGIANTO 3 3 3 3 3 3 3 3

9 USEP HIDAYAT 4 4 4 4 4 4 5 4

10 SUHERIYANTO 3 3 3 3 4 3 5 5

2. Menentukan jumlah kluster yang digunakan pada perhitungan ini adalah 2

kluster, kluster pertama (C1) dengan nilai lulus dan kluster kedua (C2) dengan

nilai tidak lulus.

Tabel 4.2 Sampel Data kluster pusat

No Cluster NAMA I I2 I3 I4 I5 I6 I7 I8

1 C1 5 5 5 5 5 5 5 5
YOSEP PURNAMA
 40

2 C2 AN HAMDANI 3 3 3 3 3 3 3 3

3. Perhitungan Eunclidean Distance

Menghitung jarak centroid atau rata – rata dari data yang ada ke masing – masing

kluster. Dengan rumus Eunclidean Distance

a. Peluang ke 1
Jarak data dengan C1 adalah :

(5 − 5) + (4 − 5) + (4 − 5) + (4 − 5) + (5 − 5)
(1,1) =
+(4 − 5) + (5 − 5) + (5 − 5)

=4

(5 − 5) + (4 − 5) + (4 − 5) + (5 − 5) + (5 − 5)
(2,1) =
+(4 − 5) + (5 − 5) + (5 − 5)

=3

(3 − 5) + (3 − 5) +(3 − 5) + (3 − 5) + (3 − 5)
(3,1) =
+ (3 − 5) + (3 − 5) + (3 − 5)

= 33.66

(4 − 5) + (5 − 5) + (3 − 5) + (4 − 5) + (3 − 5)
(4,1) =
+(3 − 5) + (3 − 5) + (3 − 5)

= 23.41

(3 − 5) + (3 − 5) + (3 − 5) + (3 − 5) + (3 − 5)
(5,1) =
+(3 − 5) + (3 − 5) + (3 − 5)

= 33.66

(3 − 5) + (3 − 5) + (3 − 5) + (3 − 5) + (3 − 5)
(6,1) =
+(3 − 5) + (3 − 5) + (3 − 5)

= 33.66
 41

(3 − 5) + (3 − 5) + (3 − 5) + (3 − 5) + (3 − 5)
(7,1) =
+(3 − 5) + (3 − 5) + (3 − 5)

= 33.66

(3 − 5) + (3 − 5) + (3 − 5) + (3 − 5) + (3 − 5)
(8,1) =
+(3 − 5) + (3 − 5) + (3 − 5)

= 33.66

(4 − 5) + (4 − 5) + (4 − 5) + (4 − 5) + (4 − 5)
(9,1) =
+(4 − 5) + (4 − 5) + (4 − 5)

= 7.41

(3 − 5) + (3 − 5) (3 − 5) + (3 − 5) + (4 − 5)
(10,1) =
+(3 − 5) + (5 − 5) + (5 − 5)

= 22.66
b. Peluang ke 2

Jarak data dengan C2 adalah :

(5 − 3) + (4 − 3) + (4 − 3) + (4 − 3) + (5 − 3)
(1,2) =
+(4 − 3) + (5 − 3) + (5 − 3)

= 21.66

(5 − 3) + (4 − 3) + (4 − 3) + (5 − 3) + (5 − 3)
(2,2) =
+(4 − 3) + (5 − 3) + (5 − 3)

= 24.66

(3 − 3) + (3 − 3) +(3 − 3) + (3 − 3) + (3 − 3)
(3,2) =
+ (3 − 3) + (3 − 3) + (3 − 3)

=0

(4 − 3) + (5 − 3) + (3 − 3) + (4 − 3) + (3 − 3)
(4,2) =
+(3 − 3) + (3 − 3) + (3 − 3)
 42

= 3.41

(3 − 3) + (3 − 3) + (3 − 3) + (3 − 3) + (3 − 3)
(5,2) =
+(3 − 3) + (3 − 3) + (3 − 3)

=0

(3 − 3) + (3 − 3) + (3 − 3) + (3 − 3) + (3 − 3)
(6,2) =
+(3 − 3) + (3 − 3) + (3 − 3)

=0

(3 − 3) + (3 − 3) + (3 − 3) + (3 − 3) + (3 − 3)
(7,2) =
+(3 − 3) + (3 − 3) + (3 − 3)

=0

(3 − 3) + (3 − 3) + (3 − 3) + (3 − 3) + (3 − 3)
(8,2) =
+(3 − 3) + (3 − 3) + (3 − 3)

=0

(4 − 3) + (4 − 3) + (4 − 3) + (4 − 3) + (4 − 3)
(9,2) =
+(4 − 3) + (4 − 3) + (4 − 3)

= 11.41

(3 − 3) + (3 − 3) (3 − 3) + (3 − 3) + (4 − 3)
(10,2) =
+(3 − 3) + (5 − 3) + (5 − 3)

=9

Setelah melakukan perhitungan maka didapatkan hasil seperti berikut ini :

Tabel 4.3 Hasil perhitungan jarak cluster terhadaap titik pusat

Jarak ke Cluster
No NAMA Hasil
C1 C2
1 AHMAD SOBUR 4 21.66 1

2 EBI SOBIRIN 3 24.66 1

 43

3 SETYAWAN 33.66 0 2

4 QOMARUDIN 23.41 3.41 2

5 ARI SETIADI 33.66 0 2

6 NUGRAHA 33.66 0 2

7 DADAN HERMAWAN 33.66 0 2

8 SUGIANTO 33.66 0 2

9 USEP HIDAYAT 7.41 11.41 1

10 SUHERIYANTO 22.66 9 2

Hasil dari proses perhitungan maka dihasilkan pengelompokan cluster penilaian

karyawan.
Tabel 4.4 Hasil pengelompokan perhitungan cluster
No NAMA I1 I2 I3 I4 I5 I6 I7 I8 Kelompok
1 AHMAD SOBUR 5 4 4 4 5 4 5 5 Lulus

2 EBI SOBIRIN 5 4 4 5 5 4 5 5 Lulus

3 SETYAWAN 3 3 3 3 3 3 3 3 Tidak Lulus

4 QOMARUDIN 4 5 3 3 4 3 3 3 Tidak Lulus

5 ARI SETIADI 3 3 3 3 3 3 3 3 Tidak Lulus

6 NUGRAHA 3 3 3 3 3 3 3 3 Tidak Lulus

7 DADAN HERMAWAN 3 3 3 3 3 3 3 3 Tidak Lulus

8 SUGIANTO 3 3 3 3 3 3 3 3 Tidak Lulus

9 USEP HIDAYAT 4 4 4 4 4 4 5 4 Lulus

10 SUHERIYANTO 3 3 3 3 4 3 5 5 Tidak Lulus

4.1.3 Implementasi Rapid Miner Studio

Rapid miner mrupakan aplikasi data mining pengolahan data set untuk

mencari pola data sesuai dengan tujuan dari pengolahan data tersebut, Untuk

mengetahui pola yang dituju makan di lakukan tahapan sebagai berikut

 44

1. Proses Pemodelan dengan Rapid Miner Studio

Dalam penelitian ini dilakukan implementasi dengan tools rapid miner untuk

proses pemodelan dengan perhitungan jarak algoritma K-Means, dengan jumlas

kluster yang sudah ditentukan adalah sebanyak 2 kluster. Dimana data yang

akan di proses sebanyak 504 record data. Proses tersebut di visualisasikan

pada gambar 4.1

Gambar 4.1 Pemodelan Algoritma K-Means dengan Rapid Miner

4.2 Hasil Pengujian

Tahapan selanjunya implementasi pada rapid miner studio dengan langkah langkah

pertama import data set dengan format exel dan dihubungkan dengan konektor model

clustering dan nilai k yang sudah ditentukan adalah k=2 selanjutnya di performace

vector untuk melihat hasi dari design model perhitungan algoritma k means.
 45

Gambar 4.2 Hasil Pengujian Clustering K-Means pada Rapidminer

Pada gambar di atas menunjukan nilai clustering untuk k=2 dihasil pengelompokan

dengan cluster 0 yang menunjukan angka kelulusan karyawan tetap berjumlah 340

karyawan dan cluster 1 yang menunjukan angka tidak lulus seleksi karyawan tetap

berjumlah 164 karyawan.

Gambar 4.3 Diagram hasil Cluster K-Means dalam implemetasi Rapid Miner
 46

Pada gambar diatas menunjukan dari 10 set data yang diuji dihasilkan 2 karyawan

yang masuk dalam seleksi karyawan tetap yaitu Ahmad, Ebi dengan nilai persentase

lebih dari 75%.

Tabel 4.5 Hasil Cluster K-Means dalam implemetasi Rapid Miner

Cluster Model
Cluster 0 340 items

Cluster 1 164 items

Total number of items 504 items

Pada gambar di atas menunjukan nilai clustering untuk k=2 dihasil pengelompokan

dengan cluster 0 berjumlah 340 item dan cluster 1 berjumlah 164 item dari total

keseluruhan data 504 item.

Tabel 4.6 Hasil Perhitungan antara jarak cluster dengan centroid

Cluster / kelompok Centroid Jarak
Lulus 0.238 0.272

Tidak Lulus 0.238 0.167

4.3 Uji Validasi

Uji validasi yang digunakan adalah uji validasi Davies Bouldin Index (DBI).

Berdasarkan uji DBI dapat ditentukan seberapa baik clustering sudah dilakukan

dengan parameter semakin kecil atau minimal nilai uji maka hasil clustering yang

didapat semakin baik seperti yang dituliskan pada tabel berikut ini :

Tabel 4.7 Uji Validasi DBI

Cluster nilai (K) DBI

2 0.086

3 0.169

4 0.149
 47

5 0.140

6 0.152

Setelah dilakukan percobaan dengan pemodelan k=2 sampai dengan k=6, didapatkan
cluster optimal terdapat pada k = 2 dengan nilai DBI 0.086
 BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil analisa, implementasi dan pengujian terhadap data set

penilaian karyawan untuk menentukan pengangkatan karyawan tetap menggunakan

metode k-means dan Davies Bouldin Index untuk validasi maka dapat disimpulkan :

1. Metode K-Means dapat digunakan untuk penentuan pengangkatan karyawan

tetap di PT dengan menggunakan atribut penilaian, proses prhitungan dengan

algoritma k-means dengan rumus Eunclidean Distance. Untuk menghitung jarak

antara centroid dan cluster Hasil validasi DBI sebesar 0.086 hasil tersebut dapat

di kategorikan sangat baik

2. Penentuan 2 cluster yaitu cluster 0 dengan nilai lulus terdapat 340 data karyawan

dan cluster 1 dengan nilai tidak lulus terdapat 164 data karyawan, dari hasil

tersebut maka peluang potensi untuk pengangkatan karyawan dengan hasil lulus

lebih banyak dikarenakan beberapa faktor penilaian yang sudah maksimal.

5.2 Saran

Hasil dari penelitian ini mungkin akan mendorong adanya beberapa penelitian

lanjutan dengan hasil yang positif maupun negatif di masa yang akan datang.

Beberapa saran terkait penentuan pengangkatan karyawan tetap dengan metode

algoritma k-means ataupun dengan algoritma yang lain untuk menghasilkan penilaian

karyawan yang lebih tepat dan optimal.

48
 DAFTAR PUSTAKA

[1] Alam, M. A. (2006). Student Guide Series : Microsoft Excel. Jakarta:

Gramedia.
[2] Andri, Kunang, Y. N., & Murniati, S. (2013). IMPLEMENTASI TEKNIK
DATA MINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN
MAHASISWA PADA UNIVERSITAS BINA DARMA PALEMBANG.
Seminar Nasional Informatika 2013 (semnasIF 2013), -, 56-63.
[3] Dhika, H., & Destiawati, F. (2017). Penerapan Algoritma C45 untuk Penilaian
Karyawan pada Restoran Cepat Saji. Seminar Nasional Informatika dan
Aplikasinya (SNIA) 2017, 55-59.
[4] Gorunescu, F. (2019). Data Mining: Concepts, Models and Techniques.
Romania: Springer-Verlag Berlin Heidelberg.
[5] Hasibuan. (2009). Sistem Informasi Penggajian Karyawan.
[6] Komariyah, S. (2014). Analisis Sistem Informasi.
[7] Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: ANDI
OFFSET.
[8] Muflikhah, L., Ratnawati, D. E., & Rekyan. (2018). Data Mining. Malang:
UB Press.
[9] Nawawi. (2011). Analisis Pengangkata Karyawan Tetap.
[10] Nofriansyah, D., & Nurcahyo, G. W. (2019). Algoritma Data Mining Dan
Pengujian. Yogyakarta: CV Budi Utama.
[11] Novianti, B., Rismawan, T., & Bahri, S. (2016). IMPLEMENTASI DATA
MINING DENGAN ALGORITMA K-MEANS UNTUK PENJURUSAN
SISWA (STUDI KASUS: SMA NEGERI 1 PONTIANAK) . Jurnal Coding,
Sistem Komputer Untan, IV(3), 75-84.
[12] Priyono, F., & Indrajit, R. E. (2017). PERBANDINGAN TEKNIK
KLASIFIKASI UNTUK PREDIKSI STATUS KONTRAK KERJA
KARYAWAN. Seminar Nasional Sains dan Teknologi 2017, 1-4.

49
 50

[13] Rachmawati, F. (2016). Analisis Algoritma K-MEANS Untuk Pengangkatan

Karyawan Tetap Studi Kasus PT Citra Abadi Sejati Bogor. Jurnal Ilmiah
Teknologi dan Informasi, 6(2), 25-36.
[14] Rizqiah, A. R., & Subekti, A. (2018). PREDIKSI KEKAMBUHAN
KANKER PAYUDARA DENGAN ALGORITMA K-MEANS . Jurnal
TECHNO Nusa Mandiri, 15(2), 107-114.
[15] Santoso, T. B., & Sekardiana, D. (2019). PENERAPAN ALGORITMA K-
MEANS UNTUK PENENTUAN KELAYAKAN PEMBERIAN KREDIT
(Studi Kasus : Koperia - Koperasi Warga Komplek Gandaria) . Jurnal
Algoritma, Logika dan Komputasi , II(7), 130-137.
[16] Sari, F., & Saro, D. (2018). IMPLEMENTASI ALGORITMA K-MEANS
DALAM MENENTUKAN LOKASI PRIORITAS PENYULUHAN
PROGRAM KELUARGA BERENCANA DI KECAMATAN DUMAI
TIMUR. Jurnal Penelitian Pos dan Informatika, 8(16), 63-76.
[17] SHanty, D. (2017). ANALISIS PENGARUH KOMPENSASI, MOTIVASI,
LINGKUNGAN KERJA TERHADAP KARYAWAN. JURNAL
INFORMASI, PERPAJAKAN, AKUNTANSI.
[18] Shenia, A., & Rouf, I. (2011). Buku Pintar Menguasai Microsoft Excel untuk
Pemula. Jakarta: Media Kata.
[19] Siregar, A. M., & Puspabhuana, A. (2018). DATA MINING: Pengolahan Data
Menjadi Informasi dengan RapidMiner. Surakarta: CV Kekata Group.
[20] Sugiono. (2015). Analisis Sistem Informasi.
[21] Sulianta, F., & Juju, D. (2010). Data Mining: Meramalkan Bisnis
Perusahaan. Jakarta: PT Elex Media Komputindo.
[22] Windy, J., Rika, Y., & Kautsar, S. M. (2014). ALGORITMA K-MEANS
UNTUK PENILAIAN KINERJA KARYAWAN. SCAN, IX(2), 33-39.
 DATA PENILAIAN KARYAWAN

DESKRIPSI PENILAIAN
PENGETAHUAN DISIPLIN
NAMA TANGGUNG
& KUALITAS INISIATIF & PROBLEM KOMUNIKASI & KERJA &
ABSENSI KESEHATAN JAWAB dalam TEAM WORK
KETERAMPILAN PEKERJAAN KREATIFITAS SOLVING KOORDINASI KEPATUHAN
PEKERJAAN
KERJA TERHADAP

DANIEL ARIFIN 10 10 8.5 10 10 10 10 10 10 10

DANIEL ARIFIN 10 10 8.5 10 10 10 10 10 10 10
DANIEL ARIFIN 10 10 8.5 10 10 10 10 10 10 10
DANIEL ARIFIN 10 10 8.5 10 10 10 10 10 10 10
DANIEL ARIFIN 10 10 8.5 10 10 10 10 10 10 10
DANIEL ARIFIN 10 10 8.5 10 10 10 10 10 10 10
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 9.5 10 10 10 9 10 10 9 10 9
EBI SOBIRIN 10 10 9.5 9.5 9.5 9.5 9.5 9.5 10 9
EBI SOBIRIN 10 10 9 9.5 9.5 9.5 9.5 9.5 10 9
AHMAD SOBUR 10 10 9 9.5 9.5 9.5 9.5 9.5 10 9
AHMAD SOBUR 9.6 10 10 9 9 9.5 9.5 9.5 10 9
EBI SOBIRIN 10 10 9 9.5 9.5 9.5 9.5 9 10 9
AHMAD SOBUR 10 10 9 9 9.5 9.5 9.5 9.5 10 9
EBI SOBIRIN 10 10 9 9.5 9 9.5 9.5 9 10 9
DANIEL ARIFIN 10 10 8 9 9 9 9 10 10 10
EBI SOBIRIN 10 10 9 9.5 9 9.5 9 9 10 9
DANIEL ARIFIN 10 10 8 9 9 9 9 10 10 10
AHMAD SOBUR 10 10 9 9 9 9.5 9.5 9 10 9
DANIEL ARIFIN 10 10 8 9 9 9 9 10 10 10
AHMAD SOBUR 10 10 9 9 9 9.5 9 9 10 9
DANIEL ARIFIN 9.6 10 8 9 9 9 9 10 9.5 10
DANIEL ARIFIN 9.6 10 8 9 9 9 9 10 9.5 10
EBI SOBIRIN 10 10 9 9 9 9 9 9 10 9
AHMAD SOBUR 10 10 9 9 9 9 9 9 10 9
EBI SOBIRIN 10 10 9 9 9 9 9 9 10 9
DANIEL ARIFIN 9.5 10 8 9 9 9 9 10 9.5 10
EBI SOBIRIN 10 10 9 9 9 9 9 8.5 10 9
AHMAD SOBUR 10 10 9 9 9 9 9 8.5 10 9
USEP HIDAYAT 10 10 9 9 8.5 9 9 9 10 9
EBI SOBIRIN 10 10 9 9 9 8.5 9 8.5 10 9
AHMAD SOBUR 10 10 9 9 9 8.5 9 8.5 10 9
USEP HIDAYAT 10 10 9 9 8.5 8.5 9 9 10 9
EBI SOBIRIN 10 10 9 8.5 8.5 9 9 8.5 10 9
EBI SOBIRIN 10 10 9 8.5 8.5 9 9 8.5 10 9
EBI SOBIRIN 10 10 9 8.5 8.5 9 9 8.5 10 9
AHMAD SOBUR 10 10 9 9 8.5 8.5 9 8.5 10 9
USEP HIDAYAT 10 10 9 9 8.5 8.5 9 8.5 10 9
AHMAD SOBUR 10 10 9 8.5 8.5 8.5 9 8.5 10 9
AHMAD SOBUR 10 10 9 8.5 8.5 8.5 9 8.5 10 9
AHMAD SOBUR 10 10 9 8.5 8.5 8.5 9 8.5 10 9
USEP HIDAYAT 10 10 8.5 9 8.5 8.5 9 8.5 10 9
USEP HIDAYAT 10 10 8.5 8.5 8.5 8.5 9 8.5 10 9
USEP HIDAYAT 10 10 9 8.5 8 8 9 8.5 10 9
USEP HIDAYAT 10 10 8.5 8.5 8 8.5 9 8.5 10 9
USEP HIDAYAT 10 10 8.5 8.5 8 8 9 8.5 10 9
SUGIANTO 10 10 9 8 9 9 9 8 8 9
USEP HIDAYAT 10 10 8 8 8.5 8.5 8.5 8.5 10 8.5
USEP HIDAYAT 10 10 8 8 8.5 8.5 8.5 8.5 10 8.5
USEP HIDAYAT 10 10 8 8 8.5 8.5 8.5 8.5 10 8.5
USEP HIDAYAT 10 10 8 8 8.5 8.5 8.5 8.5 10 8.5
SETYAWAN CAHYO WIBOW 10 10 8 9 8 8 9 8 9 9
NUGRAHA 10 10 8 8 8 8 8 8 9 9
SUGIANTO 10 10 9 8 8 8 8 8 8 9
SUGIANTO 10 10 9 8 8 8 8 8 8 9
SUGIANTO 10 10 9 8 8 8 8 8 8 9
SUGIANTO 10 10 9 8 8 8 8 8 8 9
SUGIANTO 10 10 9 8 8 8 8 8 8 9
SUGIANTO 10 10 9 8 8 8 8 8 8 9
SUGIANTO 10 10 8 8 8 8 8 8 8 9
FACHRUROZI YOGI 10 10 8.5 8 8 8 8 7.5 8 8
 DATA PENILAIAN KARYAWAN

DESKRIPSI PENILAIAN
PENGETAHUAN DISIPLIN
NAMA TANGGUNG
& KUALITAS INISIATIF & PROBLEM KOMUNIKASI & KERJA &
ABSENSI KESEHATAN JAWAB dalam TEAM WORK
KETERAMPILAN PEKERJAAN KREATIFITAS SOLVING KOORDINASI KEPATUHAN
PEKERJAAN
KERJA TERHADAP
SETYAWAN CAHYO WIBOW 10 10 8 8 8 8 8 8 8 8
FACHRUROZI YOGI 10 10 8.5 8 8 8 8 7.5 8 8
SETYAWAN CAHYO WIBOW 10 10 8 8 8 8 8 8 8 8
SETYAWAN CAHYO WIBOW 10 10 8 8 8 8 8 8 8 8
FACHRUROZI YOGI 10 10 8.5 8 8 8 8 7.5 8 8
FACHRUROZI YOGI 10 10 8.5 8 8 8 8 7.5 8 8
SETYAWAN CAHYO WIBOW 10 10 8 8 8 8 8 8 8 8
FACHRUROZI YOGI 10 10 8.5 8 8 8 8 7.5 8 8
SETYAWAN CAHYO WIBOW 10 10 8 8 8 8 8 8 8 8
FACHRUROZI YOGI 10 10 8.5 8 8 8 8 7.5 8 8
SETYAWAN CAHYO WIBOW 9.6 10 8 8 8 8 8 8 8 8
FACHRUROZI YOGI 10 10 8.5 8 8 8 8 7.5 7.5 8
FACHRUROZI YOGI 10 10 8 8 8 8 8 8 7.5 8
SUHERIYANTO 10 10 8 8 7 7 8 8 9 8.5
FACHRUROZI YOGI 10 10 8 8 8 8 8 7.5 7.5 8
FACHRUROZI YOGI 10 10 8 8 8 8 8 7.5 7.5 8
FACHRUROZI YOGI 10 10 8 8 8 8 8 7.5 7.5 8
SUHERIYANTO 10 10 8 8 7 7 8 8 9 8
SUHERIYANTO 9.57 10 8 8 7 7 8 8 9 8
QOMARUDIN 9.6 10 8 8 7.5 7.5 8 8 8 8
QOMARUDIN 10 10 8 7.5 8 8 7.5 7.5 8 8
SUHERIYANTO 10 10 8 8 7.5 7 8 8 9 7
SUGIANTO 10 10 8 8 8 8 8 7 8 7
SETYAWAN CAHYO WIBOW 10 10 8 7 7 8 8 8 8 8
QOMARUDIN 10 10 8 7.5 7.5 8 8 7 8 8
WINDRA RAHMAT 10 10 7.5 7.5 8 7 8 8 8 8
ARI SETIADI 10 10 8 8 8 8 7 7 8 8
WINDRA RAHMAT 10 10 7.5 8 7.5 7 8 8 8 8
SISWANTO 10 10 7.5 7.5 7.5 7.5 8 8 8 8
HERY FRASETIO 10 10 8 7.5 8 8 7.5 7.5 7.5 8
WINDRA RAHMAT 10 10 8 8 8 7 8 8 8 7
SISWANTO 10 10 7.5 7.5 7.5 7.5 8 8 8 8
HERY FRASETIO 10 10 8 7.5 8 8 7.5 7.5 7.5 8
SUHERIYANTO 10 10 8 8 7 7 8 8 9 7
WINDRA RAHMAT 10 10 8 8 8 7 8 8 8 7
SISWANTO 10 10 7.5 7.5 7.5 7.5 8 8 8 8
HERY FRASETIO 10 10 8 7.5 8 8 7.5 7.5 7.5 8
WINDRA RAHMAT 10 10 8 8 8 7 8 8 8 7
SISWANTO 10 10 7.5 7.5 7.5 7.5 8 8 8 8
HERY FRASETIO 10 10 8 7.5 8 8 7.5 7.5 7.5 8
WINDRA RAHMAT 10 10 8 8 8 7 8 8 8 7
SISWANTO 10 10 7.5 7.5 7.5 7.5 8 8 8 8
HERY FRASETIO 10 10 8 7.5 8 8 7.5 7.5 7.5 8
WINDRA RAHMAT 10 10 8 8 8 7 8 8 8 7
SISWANTO 10 10 7.5 7.5 7.5 7.5 8 8 8 8
HERY FRASETIO 10 10 8 7.5 8 8 8 7.5 7.5 7.5
WINDRA RAHMAT 10 10 8 8 8 7 8 8 8 7
SISWANTO 10 10 7.5 7.5 7.5 7.5 8 8 8 8
HERY FRASETIO 10 10 8 7.5 8 8 7.5 7.5 7.5 8
SISWANTO 10 10 7.5 7.5 7 7.5 7.5 8 8 8
HERY FRASETIO 10 10 8 7.5 7.5 7.5 7.5 7.5 7.5 8
SISWANTO 10 10 7.5 7.5 7.5 7.5 7.5 7.5 8 8
HERY FRASETIO 10 10 8 7.5 7.5 7.5 7.5 7.5 7.5 8
ASEP SAPUTRA 10 10 8 7 7 8 8 7 8 8
QOMARUDIN 10 10 8 8 8 8 8 7 7 7
NUGRAHA 10 10 8 8 7 8 8 7 8 7
SUHERIYANTO 10 10 8 8 7 7 8 8 8 7
QOMARUDIN 10 10 8 8 8 8 8 7 7 7
NUGRAHA 10 10 8 8 7 8 8 7 8 7
QOMARUDIN 10 10 8 8 8 8 8 7 7 7
NUGRAHA 10 10 8 8 7 8 8 7 8 7
NUGRAHA 10 10 8 8 7 8 8 7 8 7
QOMARUDIN 10 10 8 8 8 8 8 7 7 7
NUGRAHA 10 10 8 8 7 8 8 7 8 7
QOMARUDIN 10 10 8 8 8 8 8 7 7 7
NUGRAHA 10 10 8 8 7 8 8 7 8 7
QOMARUDIN 9.6 10 8 8 8 8 8 7 7 7
WINDRA RAHMAT 9.6 10 7.5 7.5 8 7 8 8 8 7
WINDRA RAHMAT 9.6 10 7.5 8 8 8 8 7 7 7
WINDRA RAHMAT 9.6 10 7.5 8 8 8 8 7 7 7
WINDRA RAHMAT 9.6 10 7.5 8 8 8 8 7 7 7
SUHERIYANTO 10 10 7 7 7 6 8 7 9 9
SUHERIYANTO 10 10 7 7 7 6 8 7 9 9
SUHERIYANTO 10 10 7 7 7 6 8 7 9 9
SETYAWAN CAHYO WIBOW 10 10 8 8 7 7 7 7 8 8
NUGRAHA 10 10 8 8 7 7 8 7 8 7
SUHERIYANTO 10 10 7 8 8 7 8 7 8 7
NUGRAHA 10 10 8 8 7 7 8 7 7 8
AN HAMDANI 10 10 8 8 7 7 7 7 8 8
ARI SETIADI 10 10 8 8 7 7 7 8 8 7
YUDHA HERMAWAN 10 10 6 7 8 6 8 8 9 8
ASEP EDRIN 10 10 6 7 8 6 8 8 9 8
ARI SETIADI 10 10 8 8 7 7 7 8 8 7
YUDHA HERMAWAN 10 10 6 7 8 6 8 8 9 8
 DATA PENILAIAN KARYAWAN

DESKRIPSI PENILAIAN
PENGETAHUAN DISIPLIN
NAMA TANGGUNG
& KUALITAS INISIATIF & PROBLEM KOMUNIKASI & KERJA &
ABSENSI KESEHATAN JAWAB dalam TEAM WORK
KETERAMPILAN PEKERJAAN KREATIFITAS SOLVING KOORDINASI KEPATUHAN
PEKERJAAN
KERJA TERHADAP
ASEP EDRIN 10 10 6 7 8 6 8 8 9 8
ARI SETIADI 10 10 8 8 7 7 7 8 8 7
YUDHA HERMAWAN 10 10 6 7 8 6 8 8 9 8
ASEP EDRIN 10 10 6 7 8 6 8 8 9 8
ARI SETIADI 10 10 8 8 7 7 7 8 8 7
YUDHA HERMAWAN 10 10 6 7 8 6 8 8 9 8
ASEP EDRIN 10 10 6 7 8 6 8 8 9 8
ARI SETIADI 10 10 8 8 7 7 7 8 8 7
YUDHA HERMAWAN 10 10 6 7 8 6 8 8 9 8
ASEP EDRIN 10 10 6 7 8 6 8 8 9 8
ARI SETIADI 10 10 8 8 7 7 7 8 8 7
YUDHA HERMAWAN 10 10 6 7 8 6 8 8 9 8
ASEP EDRIN 10 10 6 7 8 6 8 8 9 8
SISWANTO 10 10 7 7.5 7 7 7.5 7.5 8 8
SISWANTO 10 10 7 7.5 7 7 7.5 7.5 8 8
SISWANTO 10 10 7 7.5 7 7 7.5 7.5 8 8
SUHERIYANTO 10 10 7 7.5 7 7 8 7.5 8 7.5
HERY FRASETIO 10 10 7.5 7.5 7 7 7.5 7.5 7 8
HERY FRASETIO 10 10 7.5 7.5 7 7 7.5 7.5 7 8
HERY FRASETIO 10 10 7.5 7.5 7 7 7.5 7.5 7 8
ASEP EDRIN 10 10 6 7 7 6 9 8 8 8
SUHERIYANTO 10 10 7 8 7 7 8 7 8 7
ASEP EDRIN 10 10 6.5 7 7 6 8 8 8 8
QOMARUDIN 10 10 8 8 7 7 8 7 7 6
QOMARUDIN 10 10 8 8 7 7 8 7 7 6
QOMARUDIN 10 10 8 8 7 7 8 7 7 6
YUDHA HERMAWAN 10 10 6 7 7 6 9 7 8 8
ASEP EDRIN 10 10 6 7 7 6 8 8 8 8
ASEP SAPUTRA 10 10 7 8 7 7 8 7 7 7
DADAN HERMAWAN 10 10 7 7 8 7 6 8 8 7
ASEP SAPUTRA 10 10 7 8 7 7 8 7 7 7
ASEP SAPUTRA 10 10 7 8 7 7 8 7 7 7
DADAN HERMAWAN 10 10 7 7 8 7 6 8 8 7
ASEP SAPUTRA 10 10 7 8 7 7 8 7 7 7
ASEP SAPUTRA 10 10 7 8 7 7 8 7 7 7
ASEP SAPUTRA 10 10 7 8 7 7 8 7 7 7
DADAN HERMAWAN 9.6 10 7 7 8 7 6 8 8 7
DADAN HERMAWAN 9.6 10 7 7 8 7 6 8 8 7
DADAN HERMAWAN 9.6 10 7 7 6 7 7 8 8 8
YUDHA HERMAWAN 10 10 6.5 7 7 6 8 7 8 8
DADAN HERMAWAN 9.17 10 7 7 8 7 6 8 8 7
DADAN HERMAWAN 9.2 10 7 7 8 7 6 8 8 7
ASEP EDRIN 10 10 6 6 7 6 8 7 9 8
ASEP EDRIN 10 10 6 6 7 6 8 7 9 8
ASEP EDRIN 10 10 6 6 7 6 8 7 9 8
ARI SETIADI 10 10 7 7 7 7 7 7 8 7
ARI SETIADI 10 10 7 7 7 7 7 7 7 8
DADAN HERMAWAN 10 10 7 7 6 7 7 7 8 8
ASEP SAPUTRA 10 10 7 7 7 7 7 7 8 7
YUDHA HERMAWAN 10 10 6 7 7 6 8 7 9 7
NUGRAHA 10 10 7 7 7 7 7 7 7 7
SUGIANTO 10 10 7 7 7 7 7 7 7 7
YUDHA HERMAWAN 10 10 6 6 7 6 8 7 8 8
NUGRAHA 10 10 7 7 7 7 7 7 7 7
SUGIANTO 10 10 7 7 7 7 7 7 7 7
YUDHA HERMAWAN 10 10 6 6 7 6 8 7 8 8
NUGRAHA 10 10 7 7 7 7 7 7 7 7
SUGIANTO 10 10 7 7 7 7 7 7 7 7
YUDHA HERMAWAN 10 10 6 6 7 6 8 7 8 8
ASEP SAPUTRA 10 10 7 7 7 7 7 7 7 7
AN HAMDANI 10 10 7 7 7 7 7 7 7 7
DADAN HERMAWAN 10 10 7 7 6 7 7 7 8 7
AN HAMDANI 10 10 7 7 7 7 7 7 7 7
AN HAMDANI 10 10 7 7 7 7 7 7 7 7
FACHRUROZI YOGI 10 10 8.5 8 8 8 8 7.5 8
AN HAMDANI 10 10 7 7 7 7 7 7 7 7
AN HAMDANI 10 10 7 7 7 7 7 7 7 7
AN HAMDANI 10 10 7 7 7 7 7 7 7 7
AN HAMDANI 9.6 10 7 7 7 7 7 7 7 7
AN HAMDANI 10 10 7 6.5 7 6.5 7 7 7 7
SETYAWAN CAHYO WIBOW 10 10 7 6 7 6 7 6 7 7
SETYAWAN CAHYO WIBOW 10 10 7 6 7 6 7 6 7 7
SETYAWAN CAHYO WIBOW 10 10 7 6 7 6 7 6 7 7
ARI SETIADI 10 10 7 6 6 6 6 7 6 7
DADAN HERMAWAN 10 10 7 7 6 7 5 6 6 7
ARI SETIADI 10 10 7 6 6 6 6 7 6 7
DADAN HERMAWAN 10 10 7 7 6 7 5 6 6 7
ARI SETIADI 10 10 7 6 6 6 6 7 6 7
DADAN HERMAWAN 10 10 7 7 6 7 5 6 6 7
ASEP SAPUTRA 10 10 6 6 6 6 6 6 6 6
ASEP SAPUTRA 10 10 6 6 6 6 6 6 6 6
ASEP SAPUTRA 10 10 6 6 6 6 6 6 6 6
AN HAMDANI 10 10 6 6 5 5 6 5 6 6
AN HAMDANI 10 10 6 6 5 5 6 5 6 6
 DATA PENILAIAN KARYAWAN

DESKRIPSI PENILAIAN
PENGETAHUAN DISIPLIN
NAMA TANGGUNG
& KUALITAS INISIATIF & PROBLEM KOMUNIKASI & KERJA &
ABSENSI KESEHATAN JAWAB dalam TEAM WORK
KETERAMPILAN PEKERJAAN KREATIFITAS SOLVING KOORDINASI KEPATUHAN
PEKERJAAN
KERJA TERHADAP
AN HAMDANI 10 10 6 6 5 5 6 5 6 6
DANIEL ARIFIN 10 10 8.5 10 10 10 10 10 10 10
DANIEL ARIFIN 10 10 8.5 10 10 10 10 10 10 10
DANIEL ARIFIN 10 10 8.5 10 10 10 10 10 10 10
DANIEL ARIFIN 10 10 8.5 10 10 10 10 10 10 10
DANIEL ARIFIN 10 10 8.5 10 10 10 10 10 10 10
DANIEL ARIFIN 10 10 8.5 10 10 10 10 10 10 10
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
ABDUL HAMID 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 10 10 10 10 9 10 10 9 10 9
YOSEP PURNAMA 9.5 10 10 10 9 10 10 9 10 9
EBI SOBIRIN 10 10 9.5 9.5 9.5 9.5 9.5 9.5 10 9
EBI SOBIRIN 10 10 9 9.5 9.5 9.5 9.5 9.5 10 9
AHMAD SOBUR 10 10 9 9.5 9.5 9.5 9.5 9.5 10 9
AHMAD SOBUR 9.6 10 10 9 9 9.5 9.5 9.5 10 9
EBI SOBIRIN 10 10 9 9.5 9.5 9.5 9.5 9 10 9
AHMAD SOBUR 10 10 9 9 9.5 9.5 9.5 9.5 10 9
EBI SOBIRIN 10 10 9 9.5 9 9.5 9.5 9 10 9
DANIEL ARIFIN 10 10 8 9 9 9 9 10 10 10
EBI SOBIRIN 10 10 9 9.5 9 9.5 9 9 10 9
DANIEL ARIFIN 10 10 8 9 9 9 9 10 10 10
AHMAD SOBUR 10 10 9 9 9 9.5 9.5 9 10 9
DANIEL ARIFIN 10 10 8 9 9 9 9 10 10 10
AHMAD SOBUR 10 10 9 9 9 9.5 9 9 10 9
DANIEL ARIFIN 9.6 10 8 9 9 9 9 10 9.5 10
DANIEL ARIFIN 9.6 10 8 9 9 9 9 10 9.5 10
EBI SOBIRIN 10 10 9 9 9 9 9 9 10 9
AHMAD SOBUR 10 10 9 9 9 9 9 9 10 9
EBI SOBIRIN 10 10 9 9 9 9 9 9 10 9
DANIEL ARIFIN 9.5 10 8 9 9 9 9 10 9.5 10
EBI SOBIRIN 10 10 9 9 9 9 9 8.5 10 9
AHMAD SOBUR 10 10 9 9 9 9 9 8.5 10 9
USEP HIDAYAT 10 10 9 9 8.5 9 9 9 10 9
EBI SOBIRIN 10 10 9 9 9 8.5 9 8.5 10 9
AHMAD SOBUR 10 10 9 9 9 8.5 9 8.5 10 9
USEP HIDAYAT 10 10 9 9 8.5 8.5 9 9 10 9
EBI SOBIRIN 10 10 9 8.5 8.5 9 9 8.5 10 9
EBI SOBIRIN 10 10 9 8.5 8.5 9 9 8.5 10 9
EBI SOBIRIN 10 10 9 8.5 8.5 9 9 8.5 10 9
AHMAD SOBUR 10 10 9 9 8.5 8.5 9 8.5 10 9
USEP HIDAYAT 10 10 9 9 8.5 8.5 9 8.5 10 9
AHMAD SOBUR 10 10 9 8.5 8.5 8.5 9 8.5 10 9
AHMAD SOBUR 10 10 9 8.5 8.5 8.5 9 8.5 10 9
AHMAD SOBUR 10 10 9 8.5 8.5 8.5 9 8.5 10 9
USEP HIDAYAT 10 10 8.5 9 8.5 8.5 9 8.5 10 9
USEP HIDAYAT 10 10 8.5 8.5 8.5 8.5 9 8.5 10 9
USEP HIDAYAT 10 10 9 8.5 8 8 9 8.5 10 9
USEP HIDAYAT 10 10 8.5 8.5 8 8.5 9 8.5 10 9
USEP HIDAYAT 10 10 8.5 8.5 8 8 9 8.5 10 9
SUGIANTO 10 10 9 8 9 9 9 8 8 9
USEP HIDAYAT 10 10 8 8 8.5 8.5 8.5 8.5 10 8.5
USEP HIDAYAT 10 10 8 8 8.5 8.5 8.5 8.5 10 8.5
USEP HIDAYAT 10 10 8 8 8.5 8.5 8.5 8.5 10 8.5
USEP HIDAYAT 10 10 8 8 8.5 8.5 8.5 8.5 10 8.5
SETYAWAN CAHYO WIBOW 10 10 8 9 8 8 9 8 9 9
NUGRAHA 10 10 8 8 8 8 8 8 9 9
SUGIANTO 10 10 9 8 8 8 8 8 8 9
SUGIANTO 10 10 9 8 8 8 8 8 8 9
SUGIANTO 10 10 9 8 8 8 8 8 8 9
SUGIANTO 10 10 9 8 8 8 8 8 8 9
SUGIANTO 10 10 9 8 8 8 8 8 8 9
SUGIANTO 10 10 9 8 8 8 8 8 8 9
SUGIANTO 10 10 8 8 8 8 8 8 8 9
FACHRUROZI YOGI 10 10 8.5 8 8 8 8 7.5 8 8
 DATA PENILAIAN KARYAWAN

DESKRIPSI PENILAIAN
PENGETAHUAN DISIPLIN
NAMA TANGGUNG
& KUALITAS INISIATIF & PROBLEM KOMUNIKASI & KERJA &
ABSENSI KESEHATAN JAWAB dalam TEAM WORK
KETERAMPILAN PEKERJAAN KREATIFITAS SOLVING KOORDINASI KEPATUHAN
PEKERJAAN
KERJA TERHADAP
SETYAWAN CAHYO WIBOW 10 10 8 8 8 8 8 8 8 8
FACHRUROZI YOGI 10 10 8.5 8 8 8 8 7.5 8 8
SETYAWAN CAHYO WIBOW 10 10 8 8 8 8 8 8 8 8
SETYAWAN CAHYO WIBOW 10 10 8 8 8 8 8 8 8 8
FACHRUROZI YOGI 10 10 8.5 8 8 8 8 7.5 8 8
FACHRUROZI YOGI 10 10 8.5 8 8 8 8 7.5 8 8
SETYAWAN CAHYO WIBOW 10 10 8 8 8 8 8 8 8 8
FACHRUROZI YOGI 10 10 8.5 8 8 8 8 7.5 8 8
SETYAWAN CAHYO WIBOW 10 10 8 8 8 8 8 8 8 8
FACHRUROZI YOGI 10 10 8.5 8 8 8 8 7.5 8 8
SETYAWAN CAHYO WIBOW 9.6 10 8 8 8 8 8 8 8 8
FACHRUROZI YOGI 10 10 8.5 8 8 8 8 7.5 7.5 8
FACHRUROZI YOGI 10 10 8 8 8 8 8 8 7.5 8
SUHERIYANTO 10 10 8 8 7 7 8 8 9 8.5
FACHRUROZI YOGI 10 10 8 8 8 8 8 7.5 7.5 8
FACHRUROZI YOGI 10 10 8 8 8 8 8 7.5 7.5 8
FACHRUROZI YOGI 10 10 8 8 8 8 8 7.5 7.5 8
SUHERIYANTO 10 10 8 8 7 7 8 8 9 8
SUHERIYANTO 9.57 10 8 8 7 7 8 8 9 8
QOMARUDIN 9.6 10 8 8 7.5 7.5 8 8 8 8
QOMARUDIN 10 10 8 7.5 8 8 7.5 7.5 8 8
SUHERIYANTO 10 10 8 8 7.5 7 8 8 9 7
SUGIANTO 10 10 8 8 8 8 8 7 8 7
SETYAWAN CAHYO WIBOW 10 10 8 7 7 8 8 8 8 8
QOMARUDIN 10 10 8 7.5 7.5 8 8 7 8 8
WINDRA RAHMAT 10 10 7.5 7.5 8 7 8 8 8 8
ARI SETIADI 10 10 8 8 8 8 7 7 8 8
WINDRA RAHMAT 10 10 7.5 8 7.5 7 8 8 8 8
SISWANTO 10 10 7.5 7.5 7.5 7.5 8 8 8 8
HERY FRASETIO 10 10 8 7.5 8 8 7.5 7.5 7.5 8
WINDRA RAHMAT 10 10 8 8 8 7 8 8 8 7
SISWANTO 10 10 7.5 7.5 7.5 7.5 8 8 8 8
HERY FRASETIO 10 10 8 7.5 8 8 7.5 7.5 7.5 8
SUHERIYANTO 10 10 8 8 7 7 8 8 9 7
WINDRA RAHMAT 10 10 8 8 8 7 8 8 8 7
SISWANTO 10 10 7.5 7.5 7.5 7.5 8 8 8 8
HERY FRASETIO 10 10 8 7.5 8 8 7.5 7.5 7.5 8
WINDRA RAHMAT 10 10 8 8 8 7 8 8 8 7
SISWANTO 10 10 7.5 7.5 7.5 7.5 8 8 8 8
HERY FRASETIO 10 10 8 7.5 8 8 7.5 7.5 7.5 8
WINDRA RAHMAT 10 10 8 8 8 7 8 8 8 7
SISWANTO 10 10 7.5 7.5 7.5 7.5 8 8 8 8
HERY FRASETIO 10 10 8 7.5 8 8 7.5 7.5 7.5 8
WINDRA RAHMAT 10 10 8 8 8 7 8 8 8 7
SISWANTO 10 10 7.5 7.5 7.5 7.5 8 8 8 8
HERY FRASETIO 10 10 8 7.5 8 8 8 7.5 7.5 7.5
WINDRA RAHMAT 10 10 8 8 8 7 8 8 8 7
SISWANTO 10 10 7.5 7.5 7.5 7.5 8 8 8 8
HERY FRASETIO 10 10 8 7.5 8 8 7.5 7.5 7.5 8
SISWANTO 10 10 7.5 7.5 7 7.5 7.5 8 8 8
HERY FRASETIO 10 10 8 7.5 7.5 7.5 7.5 7.5 7.5 8
SISWANTO 10 10 7.5 7.5 7.5 7.5 7.5 7.5 8 8
HERY FRASETIO 10 10 8 7.5 7.5 7.5 7.5 7.5 7.5 8
ASEP SAPUTRA 10 10 8 7 7 8 8 7 8 8
QOMARUDIN 10 10 8 8 8 8 8 7 7 7
NUGRAHA 10 10 8 8 7 8 8 7 8 7
SUHERIYANTO 10 10 8 8 7 7 8 8 8 7
QOMARUDIN 10 10 8 8 8 8 8 7 7 7
NUGRAHA 10 10 8 8 7 8 8 7 8 7
QOMARUDIN 10 10 8 8 8 8 8 7 7 7
NUGRAHA 10 10 8 8 7 8 8 7 8 7
NUGRAHA 10 10 8 8 7 8 8 7 8 7
QOMARUDIN 10 10 8 8 8 8 8 7 7 7
NUGRAHA 10 10 8 8 7 8 8 7 8 7
QOMARUDIN 10 10 8 8 8 8 8 7 7 7
NUGRAHA 10 10 8 8 7 8 8 7 8 7
QOMARUDIN 9.6 10 8 8 8 8 8 7 7 7
WINDRA RAHMAT 9.6 10 7.5 7.5 8 7 8 8 8 7
WINDRA RAHMAT 9.6 10 7.5 8 8 8 8 7 7 7
WINDRA RAHMAT 9.6 10 7.5 8 8 8 8 7 7 7
WINDRA RAHMAT 9.6 10 7.5 8 8 8 8 7 7 7
SUHERIYANTO 10 10 7 7 7 6 8 7 9 9
SUHERIYANTO 10 10 7 7 7 6 8 7 9 9
SUHERIYANTO 10 10 7 7 7 6 8 7 9 9
SETYAWAN CAHYO WIBOW 10 10 8 8 7 7 7 7 8 8
NUGRAHA 10 10 8 8 7 7 8 7 8 7
SUHERIYANTO 10 10 7 8 8 7 8 7 8 7
NUGRAHA 10 10 8 8 7 7 8 7 7 8
AN HAMDANI 10 10 8 8 7 7 7 7 8 8
ARI SETIADI 10 10 8 8 7 7 7 8 8 7
YUDHA HERMAWAN 10 10 6 7 8 6 8 8 9 8
ASEP EDRIN 10 10 6 7 8 6 8 8 9 8
ARI SETIADI 10 10 8 8 7 7 7 8 8 7
YUDHA HERMAWAN 10 10 6 7 8 6 8 8 9 8
 DATA PENILAIAN KARYAWAN

DESKRIPSI PENILAIAN
PENGETAHUAN DISIPLIN
NAMA TANGGUNG
& KUALITAS INISIATIF & PROBLEM KOMUNIKASI & KERJA &
ABSENSI KESEHATAN JAWAB dalam TEAM WORK
KETERAMPILAN PEKERJAAN KREATIFITAS SOLVING KOORDINASI KEPATUHAN
PEKERJAAN
KERJA TERHADAP
ASEP EDRIN 10 10 6 7 8 6 8 8 9 8
ARI SETIADI 10 10 8 8 7 7 7 8 8 7
YUDHA HERMAWAN 10 10 6 7 8 6 8 8 9 8
ASEP EDRIN 10 10 6 7 8 6 8 8 9 8
ARI SETIADI 10 10 8 8 7 7 7 8 8 7
YUDHA HERMAWAN 10 10 6 7 8 6 8 8 9 8
ASEP EDRIN 10 10 6 7 8 6 8 8 9 8
ARI SETIADI 10 10 8 8 7 7 7 8 8 7
YUDHA HERMAWAN 10 10 6 7 8 6 8 8 9 8
ASEP EDRIN 10 10 6 7 8 6 8 8 9 8
ARI SETIADI 10 10 8 8 7 7 7 8 8 7
YUDHA HERMAWAN 10 10 6 7 8 6 8 8 9 8
ASEP EDRIN 10 10 6 7 8 6 8 8 9 8
SISWANTO 10 10 7 7.5 7 7 7.5 7.5 8 8
SISWANTO 10 10 7 7.5 7 7 7.5 7.5 8 8
SISWANTO 10 10 7 7.5 7 7 7.5 7.5 8 8
SUHERIYANTO 10 10 7 7.5 7 7 8 7.5 8 7.5
HERY FRASETIO 10 10 7.5 7.5 7 7 7.5 7.5 7 8
HERY FRASETIO 10 10 7.5 7.5 7 7 7.5 7.5 7 8
HERY FRASETIO 10 10 7.5 7.5 7 7 7.5 7.5 7 8
ASEP EDRIN 10 10 6 7 7 6 9 8 8 8
SUHERIYANTO 10 10 7 8 7 7 8 7 8 7
ASEP EDRIN 10 10 6.5 7 7 6 8 8 8 8
QOMARUDIN 10 10 8 8 7 7 8 7 7 6
QOMARUDIN 10 10 8 8 7 7 8 7 7 6
QOMARUDIN 10 10 8 8 7 7 8 7 7 6
YUDHA HERMAWAN 10 10 6 7 7 6 9 7 8 8
ASEP EDRIN 10 10 6 7 7 6 8 8 8 8
ASEP SAPUTRA 10 10 7 8 7 7 8 7 7 7
DADAN HERMAWAN 10 10 7 7 8 7 6 8 8 7
ASEP SAPUTRA 10 10 7 8 7 7 8 7 7 7
ASEP SAPUTRA 10 10 7 8 7 7 8 7 7 7
DADAN HERMAWAN 10 10 7 7 8 7 6 8 8 7
ASEP SAPUTRA 10 10 7 8 7 7 8 7 7 7
ASEP SAPUTRA 10 10 7 8 7 7 8 7 7 7
ASEP SAPUTRA 10 10 7 8 7 7 8 7 7 7
DADAN HERMAWAN 9.6 10 7 7 8 7 6 8 8 7
DADAN HERMAWAN 9.6 10 7 7 8 7 6 8 8 7
DADAN HERMAWAN 9.6 10 7 7 6 7 7 8 8 8
YUDHA HERMAWAN 10 10 6.5 7 7 6 8 7 8 8
DADAN HERMAWAN 9.17 10 7 7 8 7 6 8 8 7
DADAN HERMAWAN 9.2 10 7 7 8 7 6 8 8 7
ASEP EDRIN 10 10 6 6 7 6 8 7 9 8
ASEP EDRIN 10 10 6 6 7 6 8 7 9 8
ASEP EDRIN 10 10 6 6 7 6 8 7 9 8
ARI SETIADI 10 10 7 7 7 7 7 7 8 7
ARI SETIADI 10 10 7 7 7 7 7 7 7 8
DADAN HERMAWAN 10 10 7 7 6 7 7 7 8 8
ASEP SAPUTRA 10 10 7 7 7 7 7 7 8 7
YUDHA HERMAWAN 10 10 6 7 7 6 8 7 9 7
NUGRAHA 10 10 7 7 7 7 7 7 7 7
SUGIANTO 10 10 7 7 7 7 7 7 7 7
YUDHA HERMAWAN 10 10 6 6 7 6 8 7 8 8
NUGRAHA 10 10 7 7 7 7 7 7 7 7
SUGIANTO 10 10 7 7 7 7 7 7 7 7
YUDHA HERMAWAN 10 10 6 6 7 6 8 7 8 8
NUGRAHA 10 10 7 7 7 7 7 7 7 7
SUGIANTO 10 10 7 7 7 7 7 7 7 7
YUDHA HERMAWAN 10 10 6 6 7 6 8 7 8 8
ASEP SAPUTRA 10 10 7 7 7 7 7 7 7 7
AN HAMDANI 10 10 7 7 7 7 7 7 7 7
DADAN HERMAWAN 10 10 7 7 6 7 7 7 8 7
AN HAMDANI 10 10 7 7 7 7 7 7 7 7
AN HAMDANI 10 10 7 7 7 7 7 7 7 7
FACHRUROZI YOGI 10 10 8.5 8 8 8 8 7.5 8
AN HAMDANI 10 10 7 7 7 7 7 7 7 7
AN HAMDANI 10 10 7 7 7 7 7 7 7 7
AN HAMDANI 10 10 7 7 7 7 7 7 7 7
AN HAMDANI 9.6 10 7 7 7 7 7 7 7 7
AN HAMDANI 10 10 7 6.5 7 6.5 7 7 7 7
SETYAWAN CAHYO WIBOW 10 10 7 6 7 6 7 6 7 7
SETYAWAN CAHYO WIBOW 10 10 7 6 7 6 7 6 7 7
SETYAWAN CAHYO WIBOW 10 10 7 6 7 6 7 6 7 7
ARI SETIADI 10 10 7 6 6 6 6 7 6 7
DADAN HERMAWAN 10 10 7 7 6 7 5 6 6 7
ARI SETIADI 10 10 7 6 6 6 6 7 6 7
DADAN HERMAWAN 10 10 7 7 6 7 5 6 6 7
ARI SETIADI 10 10 7 6 6 6 6 7 6 7
DADAN HERMAWAN 10 10 7 7 6 7 5 6 6 7
ASEP SAPUTRA 10 10 6 6 6 6 6 6 6 6
ASEP SAPUTRA 10 10 6 6 6 6 6 6 6 6
ASEP SAPUTRA 10 10 6 6 6 6 6 6 6 6
AN HAMDANI 10 10 6 6 5 5 6 5 6 6
AN HAMDANI 10 10 6 6 5 5 6 5 6 6
 DATA PENILAIAN KARYAWAN

DESKRIPSI PENILAIAN
PENGETAHUAN DISIPLIN
NAMA TANGGUNG
& KUALITAS INISIATIF & PROBLEM KOMUNIKASI & KERJA &
ABSENSI KESEHATAN JAWAB dalam TEAM WORK
KETERAMPILAN PEKERJAAN KREATIFITAS SOLVING KOORDINASI KEPATUHAN
PEKERJAAN
KERJA TERHADAP
AN HAMDANI 10 10 6 6 5 5 6 5 6 6