ANALISIS DATA MINING UNTUK PREDIKSI DAN PENGELOMPOKAN KARYAWAN BERISIKO PHK DENGAN ALGORITMA K–MEANS CLUSTERING PADA PT KARMA MANGGALA YUDHA

• AHMAD ANSHORI
• 2025

---

Peningkatan angka Pemutusan Hubungan Kerja (PHK) di berbagai sektor industri
menuntut perusahaan untuk menerapkan strategi prediktif berbasis data dalam
pengelolaan sumber daya manusia. Penelitian ini bertujuan untuk mengelompokkan
karyawan berdasarkan tingkat risiko PHK di PT Karma Manggala Yudha dengan
menerapkan algoritma K-Means Clustering. Data yang digunakan berasal dari arsip
internal perusahaan selama enam bulan terakhir, meliputi atribut usia, kehadiran, dan
izin kerja. Proses penelitian meliputi tahapan praproses data, normalisasi, serta
penerapan algoritma K-Means menggunakan perangkat lunak RapidMiner. Hasil
pengelompokan menghasilkan tiga cluster tingkat risiko, yakni rendah, sedang, dan
tinggi, yang masing-masing menunjukkan karakteristik tertentu, seperti tingkat
absensi dan izin kerja. Berdasarkan analisis nilai centroid, cluster 0 mencerminkan
risiko PHK rendah, cluster 1 berisiko sedang, dan cluster 2 berisiko tinggi Evaluasi
menggunakan Davies Bouldin Index (DBI) menghasilkan nilai -0,195, yang secara
teoritis tidak sahih karena seharusnya bernilai positif. Oleh karena itu, kualitas
klaster juga dianalisis melalui distribusi data dan nilai centroid masing-masing
klaster. Temuan ini diharapkan dapat menjadi dasar pertimbangan manajemen dalam
merumuskan kebijakan pembinaan, pelatihan, atau intervensi terhadap karyawan
dengan risiko tinggi. Penelitian ini membuktikan bahwa penerapan K-Means
Clustering efektif digunakan dalam proses segmentasi karyawan berbasis data secara
sistematis dan terukur.

• ANALISIS DATA MINING UNTUK PREDIKSI DAN PENGELOMPOKAN KARYAWAN BERISIKO PHK DENGAN ALGORITMA K–MEA

https://repository.bsi.ac.id/repo/75676/ANALISIS-DATA-MINING-UNTUK-PREDIKSI-DAN--PENGELOMPOKAN-KARYAWAN-BERISIKO-PHK--DENGAN-ALGORITMA-K–MEANS-CLUSTERING--PADA-PT-KARMA-MANGGALA-YUDHA
Anda dapat membaca file tugas akhir ini di repository.