ANALISIS ALGORITMA K-MEANS MENGGUNAKAN METODE ELBOW DAN SILHOUETTE UNTUK KLASTERISASI GAJI KARYAWAN

Fiqri Miftakhul Huda; Nana Suarna; Agus Bahtiar; Ade Rizki Rinaldi

Authors

Fiqri Miftakhul Huda STMIK IKMI Cirebon, Indonesia
Nana Suarna STMIK IKMI Cirebon, Indonesia
Agus Bahtiar STMIK IKMI Cirebon, Indonesia
Ade Rizki Rinaldi STMIK IKMI Cirebon, Indonesia

Keywords:

K-Means, Elbow, Klasterisasi

Abstract

Penelitian ini bertujuan untuk menerapkan tingkat gaji karyawan ke dalam kategori rendah (Tier 1), menengah (Tier 2), dan tinggi (Tier 3) dengan mengelompokkan karyawan berdasarkan karakteristik utama seperti tingkat pendidikan, usia, tahun bergabung, pengalaman kerja, dan tingkat pembayaran menggunakan algoritma K-Means Clustering. Selain itu, penelitian ini juga mengoptimalkan jumlah klaster dengan menggunakan Metode Elbow dan Silhouette untuk memperoleh pembagian kelompok yang paling representatif. Data yang digunakan dalam penelitian ini berasal dari dataset Employee.csv yang memuat 4.653 data karyawan dengan sembilan atribut utama. Tahap penelitian meliputi pra-pemrosesan data, konversi variabel kategorikal menggunakan LabelEncoder, normalisasi fitur dengan MinMaxScaler, penentuan jumlah klaster optimal, hingga visualisasi hasil klasterisasi. Nilai untuk k = 4 memberikan keseimbangan terbaik antara nilai SSE dan Silhouette serta menghasilkan klaster yang paling mudah diinterpretasikan. Oleh karena itu, empat klaster dipilih sebagai jumlah klaster optimal.Hasil klasterisasi menunjukkan adanya empat kelompok karyawan berdasarkan pola usia, pengalaman kerja, tingkat pendidikan, dan tingkat pembayaran yang berbeda. Klaster yang terbentuk meliputi: Klaster 0 (Berpendidikan Tinggi/Gaji Rendah, Payment Tier rendah, kisaran ₹3–6 LPA) yaitu karyawan usia muda dengan pengalaman kerja rendah; Klaster 1 (Gaji Tertinggi/Karyawan Muda, Payment Tier menengah, kisaran ₹7–14 LPA) yaitu karyawan dengan pengalaman dan karir yang berkembang; Klaster 2 (Junior/Gaji Menengah-Tinggi, Payment Tier tinggi, kisaran ₹15–30 LPA) yaitu karyawan senior dengan pengalaman panjang; dan Klaster 3 (Berpendidikan Tinggi/Potensial) yaitu karyawan dengan tingkat pendidikan tertinggi dan potensi karir besar. Secara keseluruhan, penelitian ini berhasil menerapkan dan mengevaluasi algoritma K-Means secara efektif untuk mengelompokkan karyawan, serta memberikan wawasan penting yang dapat digunakan oleh perusahaan dalam analisis distribusi gaji, perencanaan pengembangan karier, dan pengambilan keputusan berbasis data. Penelitian ini juga membuka peluang pengembangan lebih lanjut dengan menambah fitur dan membandingkan algoritma klasterisasi lainnya.

References

M. Shutaywi and N. N. Kachouie, “Silhouette analysis for performance evaluation in machine learning with applications to clustering,” Entropy, vol. 23, no. 6, p. 759, 2021, doi: 10.3390/e23060759.

J. Yang, Y.-K. Wang, X. Yao, and C.-T. Lin, “Adaptive initialization method for K-means algorithm,” Front. Artif. Intell., vol. 4, p. 740817, 2021, doi: 10.3389/frai.2021.740817.

M. Gul and M. A. Rehman, “Big data: An optimized approach for cluster initialization,” J. Big Data, vol. 10, p. 120, 2023, doi: 10.1186/s40537-023-00798-1.

C. Shi, B. Wei, S. Wei, W. Wang, H. Liu, and J. Liu, “A quantitative discriminant method of elbow point for the optimal number of clusters in clustering algorithm,” EURASIP J. Wirel. Commun. Netw., p. 31, 2021, doi: 10.1186/s13638-021-01910-w.

M. Ahmed, R. Seraj, and S. M. S. Islam, “The k-means algorithm: A comprehensive survey and performance evaluation,” Electronics (Basel)., vol. 9, no. 8, p. 1295, 2020, doi: 10.3390/electronics9081295.

P. Bombina, D. Tally, Z. B. Abrams, and K. R. Coombes, “SillyPutty: Improved clustering by optimizing the silhouette width,” PLoS One, vol. 19, no. 6, p. e0300358, 2024, doi: 10.1371/journal.pone.0300358.

A. M. Ikotun, M. S. Almutari, and A. E. Ezugwu, “K-means-based nature-inspired metaheuristic algorithms for automatic data clustering problems: Recent advances and future directions,” Applied Sciences, vol. 11, no. 23, p. 11246, 2021, doi: 10.3390/app112311246.

B. Anhar and A. Taupiq, “Korelasi gaji, disiplin kerja dan budaya organisasi terhadap kinerja karyawan,” vol. 13, no. 1, pp. 81–89, 2021, doi: 10.30872/jurnalmanajemen.vVViI.XXXX.

A. A. Wani, “Comprehensive analysis of clustering algorithms: Exploring limitations and innovative solutions,” PeerJ Comput. Sci., vol. 10, p. e2286, 2024, doi: 10.7717/peerj-cs.2286.

I. K. Khan et al., “Determining the optimal number of clusters by Enhanced Gap Statistic in K-mean algorithm,” Egyptian Informatics Journal, vol. 27, p. 100504, 2024, doi: 10.1016/j.eij.2024.100504.