Open AccessK-Means Clustering Dalam Penerimaan Karyawan Baru
Author(s) -
Anggun Setiadi,
Erma Delima Sikumbang
Publication year - 2020
Publication title -
informatics for educators and professional
Language(s) - English
Resource type - Journals
ISSN - 2548-3412
DOI - 10.51211/itbi.v4i2.1304
Subject(s) - baru , cluster analysis , cluster (spacecraft) , humanities , computer science , geography , artificial intelligence , art , operating system , islam , archaeology
Dalam penerimaan karyawan baru sulitnya bagian SDM PT. Erdikha Elit Sekuritas dalam mengelompokkan data-data karyawan baru dan tidak adanya sistem tes dalam pemilihan karyawan baru. Metode K-Means Clustering adalah salah satu metode cluster analysis non hirarki yang berusaha untuk mengelompokkan data-data yang ada satu atau lebih cluster atau kelompok, oleh karena itu metode ini sangat cocok digunakan untuk mengatasi permasalahan dalam mengelompokkan data-data calon karyawan baru dan mengimplementasikan menggunakan software RapidMiner dengan hasil penelitian 0,125% untuk cluster 1 yang berjumlah 2 data karyawan baru, 0,125% untuk cluster 2 yang berjumlah 2 data karyawan baru, dan 0,750% untuk cluster 3 yang berjumlah 12 data karyawan baru. Strategi pemilihan karyawan baru nantinya akan mengikuti cluster yang terbentuk berdasarkan data yang paling banyak diantara 3 cluster yang ada, yaitu di cluster ke- 3, karena dengan data cluster yang paling banyaklah yang lebih banyak memenuhi kriteria.
Kata kunci: K-Means Clustering, Penerimaan Karyawan Baru
Abstract: In the case of hiring new employees, the difficulty of the HR department of PT. Erdikha Elit Sekuritas in classifying new employee data and the absence of a test system in the selection of new employees. K-Means Clustering method is a non-hierarchical cluster analysis method that seeks to group existing data into one or more clusters or groups, therefore this method is very suitable to be used to overcome problems in grouping data on prospective new employees and implements using RapidMiner software with research results of 0.125% for cluster 1 which amounts to 2 new employee data, 0.125% for cluster 2 which amounts to 2 new employee data, and 0.750% for cluster 3 which amounts to 12 new employee data. The new employee selection strategy will follow the clusters formed based on the most data among the 3 existing clusters, namely in the 3rd cluster, because with the most data clusters that meet more the required criteria.
Keywords: Acceptance of new employees, K-Means Clustering.