Algoritma K-Means Menggunakan Metode Elbow Untuk Mengelompokkan Kinerja Performance Index Berdasarkan Dataset Absensi Pegawai

Absensi merupakan data kuantitatif yang mencerminkan tingkat kedisiplinan pegawai dan berpotensi digunakan sebagai dasar evaluasi kinerja. Namun, pada banyak instansi, data absensi belum dimanfaatkan secara optimal dalam pengambilan keputusan terkait pengelolaan pegawai. Penelitian ini bertujuan untuk mengelompokkan kinerja pegawai berdasarkan data absensi menggunakan algoritma K-Means Clustering dengan pendekatan Elbow Method. Data yang dianalisis terdiri dari 57 pegawai dengan atribut jumlah keterlambatan, ketidakhadiran, dan absen kosong. Proses penelitian dimulai dari pengumpulan data, pra-pemrosesan, hingga proses klasterisasi. Penentuan jumlah klaster optimal dilakukan dengan Elbow Method menggunakan Python, yang menunjukkan nilai K terbaik adalah empat. Klasterisasi dilakukan menggunakan perangkat lunak RapidMiner, dengan menerapkan alur kerja berbasis visual untuk mengelompokkan pegawai berdasarkan kesamaan pola absensi. Hasil akhir menunjukkan terbentuknya empat klaster dengan karakteristik Key Performance Index (KPI) yang berbeda: sangat baik, baik, cukup, dan kurang. Klaster ini mencerminkan tingkat kedisiplinan pegawai yang dapat digunakan sebagai dasar evaluasi dan pengambilan keputusan manajerial secara objektif. Penelitian ini menunjukkan bahwa penerapan metode klasterisasi berbasis data mining dapat menjadi alat bantu dalam analisis kinerja pegawai di lingkungan organisasi.