Sistem rekomendasi insentif gaji karyawan menggunakan metode K-Means Clustering Dan Profile Matching

INDONESIA:

Salah satu faktor penyebab terjadinya tingkat turnover yang tinggi terhadap
perusahaan adalah kurangnya perhatian terhadap karyawan yang memiliki tingkat kinerja
yang baik, salah satu bentuk perhatian terhadap karyawan dapat berupa pemberian insentif
bonus atau prestasi. Dalam pemberian insentif perlu juga dilakukan seleksi yang objektif
dan tepat sehingga tidak terjadi pemberian yang sia-sia oleh perusahaan. Untuk mengatasi
permasalahan tersebut, maka perlu dilakukan pengelompokan (clustering) untuk
memisahkan karyawan berdasarkan tingkat kinerja sehingga kelompok tersebut dapat
dijadikan bahan evaluasi perusahaan terhadap kinerja karyawannya. Selain itu, dibutuhkan
Sistem Pendukung Keputusan yang dapat merekomendasikan karyawan yang layak
mendapatkan insentif. Metode yang digunakan untuk pengelompokan dalam penelitian ini
adalah K-Means clustering sedangkan untuk sistem rekomendasi menggunakan Profile
Matching. Dari hasil pengelompokan menggunakan K-Means clustering, kelompok dengan
nilai centroid tertinggi akan diolah kembali untuk pengambilan rekomendasi karyawan
yang layak mendapatkan insentif menggunakan Profile Matching. Penelitian tentang
rekomendasi insentif gaji karyawan PT. Netsindo Sentra Computama dengan
menggunakan metode K-Means Clustering dan Profile Matching dapat disimpulkan bahwa
clustering menggunakan 4 dan 3 cluster menghasilkan interpretasi yang “Buruk” karena
hasil interpretasi “Baik” yang menggunakan 4 cluster hanya 31,25% dan yang
menggunakan 3 cluster hanya 43,75%. Hal ini disebabkan karena penentuan jumlah cluster
dan nilai centroid awal dalam clustering sangat mempengaruhi dari hasil kualitas cluster.
Kemudian dari tingkat performa profile matching menggunakan confusion matrix
menghasilkan akurasi 91,35%, presisi 99,22%, sensitivitas 59,38%, dan f-measure 69,70%
dalam menentukan rekomendasi karyawan yang layak mendapatkan insentif gaji prestasi
atau bonus.

ENGLISH:

High turnover rates in companies stem from inadequate attention to employees
with high performance levels. This can be achieved through bonus incentives or
achievements. Objective and appropriate selection of incentives is crucial to avoid wasted
company resources. To overcome these problems, it is necessary to do clustering to
separate employees based on performance levels so that the group can be used as material
for company evaluation of the performance of its employees. In addition, a Decision
Support System is needed that can recommend employees who deserve incentives. The
method used for grouping in this study is K-Means clustering while for the
recommendation system using Profile Matching. From the results of grouping using K�Means clustering, the group with the highest centroid value will be reprocessed to take
recommendations for employees who deserve incentives using Profile Matching. Research
on salary incentive recommendations for PT. Netsindo Sentra Computama using the K�Means Clustering and Profile Matching method can be concluded that clustering using 4
and 3 clusters produces a "Bad" interpretation because the results of the "Good"
interpretation using 4 clusters are only 31.25% and those using 3 clusters are only 43.75%.
This is because the determination of the number of clusters and the initial centroid value in
clustering greatly affects the results of cluster quality. Then from the level of profile
matching performance using confusion matrix produces 91.35% accuracy, 99.22%
precision, 59.38% sensitivity, and 69.70% f-measure in determining employee
recommendations that deserve achievement salary incentives or bonuses.

ARAB:

أحد العوامل اليت تسبب ارتفاع معدل دوران الشركة هو عدم االهتمام ابملوظفني الذين يتمتعون مبستوى جيد من األداء
وميكن أن يكون أحد أشكال االهتمام ابملوظفني يف شكل تقدي حوافز أو إجنازات إضافية .عند تقدي احلوافز ، من الضروري أيضا
إجراء اختيار موضوعي ومناسب حىت ال يكون هناك توفري ضائع من قبل الشركة .للتغلب على هذه املشاكل ، من الضروري القيام
ابلتجميع لفصل املوظفني بناء على مستوايت األداء حبيث ميكن استخدام اجملموعة كمواد لتقييم الشركة ألداء موظفيها .ابإلضافة إ ل
ذلك ، هناك حاجة إل نظام دعم القرار الذي ميكن أن يوصي ابملوظفني الذين يستحقون احلوافز .الطريقة املستخدمة للتجميع يف
بينما لنظام التوصية ابستخدام مطابقة ملف التعريف .من نتائج التجميع ابستخدام جتميع Means-K هذه الدراسة هي جتميع
ستتم إعادة معاجلة اجملموعة ذات أعلى قيمة مركزية الختاذ توصيات للموظفني الذين يستحقون حوافز ابستخدام ، Means-K
Computama Sentra Netsindo ميكن استنتاج .PT مطابقة امللف الشخصي .حبث حول توصيات حوافز الراتب ل
ومطابقة امللف الشخصي أن التجميع ابستخدام 4 و 3 جمموعات ينتج تفسريا Clustering Means-K ابستخدام طريقة
٪سيئا "ألن نتائج التفسري "اجليد "ابستخدام 4 جمموعات هي ٪31.25 فقط وتلك اليت تستخدم 3 جمموعات هي 43.75"
فقط .وذلك ألن حتديد عدد اجملموعات والقيمة املركزية األولية يف التجميع يؤثر بشكل كبري على نتائج جودة الكتلة .ث من مستوى
األداء املطابق للملف الشخصي ابستخدام مصفوفة االرتباك ينتج دقة ٪91.35 ، ودقة ٪99.22 ، وحساسية ٪59.38 ، وقياس
.يف حتديد توصيات املوظفني اليت تستحق حوافز أو مكافآت راتب اإلجناز 6