Jurnal Sosial dan Teknologi (SOSTECH)
Volume 1, Number 8, August 2021
p-ISSN 2774-5147 ; e-ISSN 2774-5155
How to cite:
Indra Reisandi
1
, Daryana
2
, Fatimah Sri Mulyati
3
dan Muchammad Fauzi
4
(2021). Implementasi Clustering K-
Means Terhadap Penilaian Kinerja Karyawan PT. XYZ. Jurnal Sosial dan Teknologi (SOSTECH), 1(8): 757-767
E-ISSN:
2774-5155
Published by:
https://greenvest.co.id/
IMPLEMENTASI CLUSTERING K-MEANS TERHADAP PENILAIAN
KINERJA KARYAWAN PT. XYZ
Indra Reisandi
1
, Daryana
2
, Fatimah Sri Mulyati
3
dan Muchammad Fauzi
4
Universitas Widyatama Bandung, Indonesia
1,2,3 dan 4
reisandiindra@gmail.com
1
, daryanayana9@gmail.com
2
3
dan
muchammad.fauzi@widyatama.ac.id
4
Diterima:
22 Juni 2021
Direvisi:
15 Juli 2021
Disetujui:
14 Agustus
2021
Abstrak
Penilaian kinerja karyawan merupakan hal penting dan sangat dibutuhkan oleh
perusahaan. Pasalnya kinerja karyawan dapat memengaruhi tujuan yang ingin
dicapai perusahaan. Penelitian ini bertujuan untuk mengetahui karyawan yang
memiliki sumber daya manusia yang kompetensi dan loyalitas yang tinggi
dengan membagi penilaian kinerja karyawan menjadi terbaik, sangat baik dan
rata-rata. Metode yang digunakan dalam penelitian adalah K-Means Clustering,
dimana metode ini merupakan metode yang memiliki komputasi sangat cepat
dan efisien dan merupakan salah satu teknik mengelompokkan data dengan
sistem partisi. Variabel yang digunakan adalah nilai pengetahuan dan
keterampilan, nilai kuantitas dan nilai kualitas. Hasil akhir dari penelitian
adalah mengelompokkan penilaian menjadi 3 kategori yaitu terbaik, sangat baik
dan rata-rata.
Kata kunci : Penilaian Kinerja Karyawan, Karyawan, K-Means
Clustering
Abstract
Employee Performance Assessment is important and much needed by the
company. Because employee performance can affect the goals that the company
wants to achieve. This research aims to find out employees who have human
resources that are competence and high loyalty by dividing employee
performance assessment into the best, very good, and average. The method
used in the study is K-Means Clustering, which is a method that has very fast
and efficient computing and is one of the techniques of grouping data with
partition systems. The variables used are the value of knowledge and skill, the
value of quantity and the value of quality. The end result of the study was to
group the assessment into 3 categories, namely the best, very good and
average.
Keywords : Performance Assessment of Employees, Employees, K-Means
Clustering
Implementasi Clustering K-Means Terhadap Penilaian
Kinerja Karyawan PT. XYZ
e-ISSN 2774-5155
p-ISSN 2774-5147
Indra Reisandi
1
, Daryana
2
, Fatimah Sri Mulyati
3
dan Muchammad Fauzi
4
758
PENDAHULUAN
Karyawan merupakan salah satu aset terpenting dalam suatu perusahaan (Regina et
al., 2021), tanpa karyawan perusahaan sulit mencapai tujuan (Setiadi & Sikumbang,
2020), perusahaan sangat tergantung pada kemampuan karyawannya, dengan memiliki
karyawan yang kompetensi (Callista, 2016) dan loyalitas yang tinggi sebuah perusahaan
sudah memiliki aset yang sangat mahal. Setiap perusahaan memiliki tujuan yang ingin di
capai (Putri, 2017), tujuan perusahaan pastilah mencapai laba yang optimal dalam jangka
panjang (Eliska, 2018) sehingga kelangsungan hidup dari perusahaan tersebut dapat
terjamin (Khuzaimy, 2015).
Penilaian kinerja karyawan menjadi kegiatan yang penting (Kristiana, 2015) untuk
menentukan apakah karyawan melakukan pekerjaannya sesuai dengan tugas dan
tanggung jawabnya (Sartika & Jumadi, 2019). Pengukuran kinerja karyawan merupakan
suatu langkah yang harus dilakukan dalam upaya meningkatkan kinerja perusahaan
(Nugrahayu & Retnani, 2015). Melalui pengukuran kinerja tingkat capaian kinerja dapat
diketahui (Setiyarti et al., 2020).
Kinerja merupakan hasil kerja secara kualitas dan kuantitas dicapai oleh seorang
karyawan dalam melaksanakan tugasnya sesuai dengan tanggung jawab yang diberikan
kepadanya untuk dikerjakan sesuai dengan kebutuhan (Fadri et al., 2017). Menurut
(Robbins & Judge, 2012) sumber daya manusia yang mempunyai pengetahuan,
keterampilan dan kemampuan yang tinggi dipandang dapat mendukung peningkatan
kinerja karyawan dan memberikan kontribusi dalam menentukan masa depan perusahaan.
Penelitian sebelumnya yang berkaitan dengan K-Means Clustering telah banyak
dilakukan seperti pada penelitian yang dilakukan oleh (Nur et al., 2017) dalam jurnalnya
berjudul Penerapan Algoritma K-Means pada Siswa Baru Sekolah Menengah Kejuruan
untuk Clustering Jurusan dengan hasil menunjukkan bahwa 20 siswa baru yang diuji
diperoleh tiga kelompok yaitu kelompok tidak lulus, kelompok rekayasa perangkat lunak
dan kelompok teknik komputer jaringan. Terdapat pusat cluster dengan Cluster-
1=1.4;2.2;2.2, Cluster-2= 2.28;1.64;4 dan Cluster-3=5;2;6.
Penelitian yang lainnya juga dilakukan oleh (Priyatman et al., 2019) dalam
jurnalnya berjudul Klasterisasi Menggunakan Algoritma K-Means Clustering untuk
Memprediksi Waktu Kelulusan Mahasiswa dengan hasil menunjukkan bahwa
implementasi algoritma K-Means dalam data mining berhasil dilakukan dan bisa
menampilkan informasi terkait prediksi kelulusan siswa.
Penelitian terkait juga dilakukan oleh (Setiawan, 2019) analisis cluster
menggunakan algoritma K-Means untuk mengetahui kemampuan pegawai dibidang IT
pada CV. Roxed Ltd dengan hasil menunjukkan algoritma K-Means dapat diterapkan di
perusahaan tersebut dan dari hasil pengclusteran data nilai pegawai dapat diketahui
kemampuan para pegawai di CV. Roxed Ltd.
Pada penelitian ini penulis tertarik untuk melakukan penelitian mengenai penilaian
kinerja karyawan menggunakan Clustering K-Means, dikarenakan K-Means Clustering
merupakan metode data mining yang dapat memproses model tanpa supervisi dan proses
pengelompokkan dilakukan dengan sistem partisi. Metode clustering K-Means dapat
mempermudah perusahaan dalam mengetahui kinerja karyawannya yang memiliki
kompetensi dan loyalitas yang tinggi dalam pengelompokkannya terbagi menjadi 3
cluster yaitu terbaik, sangat baik dan rata-rata. K-Means clustering diharapkan dapat
memberikan kontribusi terhadap perusahaan dalam pengelompokkan kinerja karyawan
dan perusahaan dapat mengambil keputusan dengan waktu yang singkat dan objektif.
Vol. 1, No. 8, pp. 757-767, August 2021
759 http://sostech.greenvest.co.id
METODE PENELITIAN
Data Mining
Data mining merupakan suatu proses penambangan informasi penting dari sebuah
data. Data Mining disebut juga sebagai Knowledge Discovery from Data (KDD) yaitu
langkah penting menemukan pengetahuan dalam proses mengekstraksi informasi yang
belum diketahui sebelumnya menjadi informasi yang baru dan berguna.
Clustering
Clustering atau pengklasteran merupakan salah satu teknik data mining yang
berfungsi untuk mengelompokkan data dari data set ke dalam sub set sehingga objek
cluster memiliki kemiripan dengan jumlah yang tinggi, tetapi berbeda dengan objek di
cluster lain.
K-Means Clustering
K-Means Clustering merupakan salah satu metode clustering non-hierarki yang
dapat menyelesaikan masalah clustering atau mengelompokkan data dalam jumlah besar
dengan cepat dan efisien. Data-data yang memiliki karakteristik yang sama
dikelompokkan dalam satu cluster dan data yang memiliki karakteristik berbeda
dikelompokkan dengan cluster yang lain sehingga data yang berada dalam satu cluster
memiliki tingkat variasi yang kecil. Adapun tahapan dalam analisa data sebagai berikut:
Gambar 1. Tahapan Analisa Data
Instrumen Penelitian
Data Primer
Berdasarkan penelitian ini, sumber data diambil dari data penilaian kinerja
karyawan PT. XYZ tahun 2020 sebanyak 26 karyawan dengan 3 kriteria penilaian yaitu
nilai pengetahuan dan keterampilan, nilai kuantitas dan nilai kualitas.
Hardware
Kebutuhan perangkat keras (Hardware) yang digunakan:
a. Laptop Asus CPU AMD Dual Core A9-9425
b. RAM 4.00GB
Implementasi Optimalisasi Biaya Pengiriman pada UD.
Membiri dengan Metode Least Cost
e-ISSN 2774-5155
p-ISSN 2774-5147
Indra Reisandi
1
, Daryana
2
, Fatimah Sri Mulyati
3
dan Muchammad Fauzi
4
760
Software
Kebutuhan perangkat lunak (Software) yang digunakan:
a. Sistem Operasi Windows 10
b. Microsoft Excel 2013 sebagai pengolahan data
c. Microsoft Visio 2010 sebagai pembuatan tahapan analisa data
Penelitian ini dilakukan pada PT. XYZ dengan menggunakan metode K Means
Clustering untuk melakukan perhitungan pada data penilaian kinerja karyawan.
Adapun langkah langkah K Means Clustering sebagai berikut:
1. Tentukkan Jumlah cluster K
2. Tentukkan nilai awal titik tengah secara acak
3. Untuk menghitung jarak objek dengan titik tengah menggunakan rumus Euclidiean
Distance dengan persamaan:
[1]
Data kriteria ke
Centroid cluster ke
Penjumlahan
4. Menghitung nilai tengah baru dengan nilai rata-rata pada setiap cluster.
5. Lakukan iterasi sampai tidak terjadi lagi perpindah pada kelompok.
HASIL DAN PEMBAHASAN
Menurut penelitian ini penulis melakukan pengelompokkan dengan menggunakan
3 variabel yaitu:
Gambar 2. Tabel Variabel Perhitungan
Di bawah ini merupakan 26 data penilaian kinerja karyawan PT. XYZ pada tahun
2020. Data dikelompokkan berdasarkan variabel yang ada pada penilaian kinerja
karyawan.
Variabel
Pengetahuan dan Keterampilan
Kuantitas
Kualitas
Vol. 1, No. 8, pp. 757-767, August 2021
761 http://sostech.greenvest.co.id
Gambar 3. Tabel Data Penilaian Kinerja Karyawan
Gambar 4. Tabel Keterangan Kriteria Penilaian
Data penilaian kinerja karyawan diolah menggunakan metode K-Means Clustering
yang kemudian akan dikelompokkan ke dalam 3 cluster yaitu “Terbaik”, “Sangat Baik”
dan “Rata-rata”.
Gambar 5. Tabel Penilaian
Pembahasan
1. Menentukan Jumlah Cluster K
Menurut penelitian ini menggunakan 3 cluster yang dipilih secara acak
dengan variabel nilai pengetahuan dan keterampilan, nilai kuantitas dan nilai
kualitas.
2. Menentukan nilai awal titik tengah (centroid) secara acak
Berdasarkan hal ini, penulis menentukan centroid awal dilakukan secara acak
yang dapat dilihat pada tabel berikut:
X1 X2 X3
1
A
9 9 9
2
B
9 8 8
3
C
7 6 6
4
D
7 7 6
5
E
7 6 6
6
F
7 8 7
7
G
9 9 8
8
H
7 9 7
9
I
9 9 9
10
J
7 8 8
11
K
7 8 8
12
L
7 6 6
13
M
7 9 9
14
N
7 8 8
15
O
8 8 9
16
P
9 9 9
17
Q
7 9 7
18
R
9 9 9
19
S
9 9 9
20
T
9 9 9
21
U
7 9 7
22
V
7 8 5
23
W
7 9 7
24
X
7 8 8
25
Y
7 6 8
26
Z
7 8 8
Faktor Penilaian
No
Karyawan
X1
Pengetahuan dan Keterampilan
X2
Kuantitas
X3
Kualitas
Keterangan Kriteria Penilaian
Nilai
Terbaik
Sangat Baik
Rata-rata
Implementasi Clustering K-Means Terhadap Penilaian
Kinerja Karyawan PT. XYZ
e-ISSN 2774-5155
p-ISSN 2774-5147
Indra Reisandi
1
, Daryana
2
, Fatimah Sri Mulyati
3
dan Muchammad Fauzi
4
762
Gambar 6. Tabel Centroid Awal
3. Menghitung jarak setiap data ke centroid dengan rumus Euclidean distance
Adapun perhitungannya sebagai berikut:
a. Perhitungan data ke-1 ke centroid 1
Dari hasil perhitungan di atas jarak data ke-1 ke centroid 1 adalah 0,0
b. Perhitungan data ke-1 ke centroid 2
2,83
Dari hasil perhitungan di atas jarak data ke-1 ke centroid 2 adalah 2,83
c. Perhitungan data ke-1 ke centroid 3
Dari hasil perhitungan di atas jarak data ke-1 ke centroid 3 adalah 3,74
Berdasarkan hasil perhitungan jarak setiap data ke centroid menggunakan
rumus Euclidean Distance maka didapatkan hasil kesimpulan bahwa jarak data ke-
1 yang paling dekat pada cluster 1. Perhitungan dilakukan kembali sampai dengan
data ke-26 hingga didapatkan pada masing masing data menemukan hasil jarak
yang terdekat dengan cluster.
4. Menempatkan setiap data ke cluster terdekat
Berikut merupakan hasil perhitungan jarak iterasi yang dapat dilihat pada
gambar berikut.
C1 9 9 9
C2 7 9 7
C3 7 6 8
Initial Centroid
Pengetahuan dan
Keterampilan
Kuantitas
Kualitas
Cluster
Vol. 1, No. 8, pp. 757-767, August 2021
763 http://sostech.greenvest.co.id
Gambar 7. Tabel Hasil Perhitungan Jarak Iterasi 1
Gambar 8. Tabel Hasil Pengelompokkan Iterasi 1
5. Menentukan Centroid Baru
Untuk menentukan centroid baru dapat dilakukan berdasarkan nilai rata
rata masing-masing variabel pada masing-masing cluster. Adapun
perhitungannya sebagai berikut:
C1 C2 C3
1 A
0.00 2.83 3.74
2 B
1.41 2.45 2.83
3 C
4.69 3.16 2.00
4 D
4.12 2.24 2.24
5 E
4.69 3.16 2.00
6 F
3.00 1.00 2.24
7 G
1.00 2.24 3.61
8 H
2.83 0.00 3.16
9 I
0.00 2.83 3.74
10 J
2.45 1.41 2.00
11 K
2.45 1.41 2.00
12 L
4.69 3.16 2.00
13 M
2.00 2.00 3.16
14 N
2.45 1.41 2.00
15 O
1.41 2.45 2.45
16 P
0.00 2.83 3.74
17 Q
2.83 0.00 3.16
18 R
0.00 2.83 3.74
19 S
0.00 2.83 3.74
20 T
0.00 2.83 3.74
21 U
2.83 0.00 3.16
22 V
4.58 2.24 3.61
23 W
2.83 0.00 3.16
24 X
2.45 1.41 2.00
25 Y
3.74 3.16 0.00
26 Z
2.45 1.41 2.00
No
Karyawan
Iterasi 1
Kelompok Cluster Anggota Kelompok Jumlah
C1 {A,B,G,I,M,O,P,R,S,T} 10
C2 {F,H,J,K,N,Q,U,V,W,X,Z} 11
C3 {C,D,E,L,Y} 5
Implementasi Clustering K-Means Terhadap Penilaian
Kinerja Karyawan PT. XYZ
e-ISSN 2774-5155
p-ISSN 2774-5147
Indra Reisandi
1
, Daryana
2
, Fatimah Sri Mulyati
3
dan Muchammad Fauzi
4
764
Gambar 9. Tabel Centroid Baru
Langkah selanjutnya hitung kembali jarak setiap data ke centroid baru dengan
menggunakan rumus Euclidean Distance seperti yang dilakukan pada langkah ke-2.
Gambar 10. Tabel Hasil Perhitungan Jarak Iterasi 2
C1 8.70 8.80 8.80
C2 7.00 8.36 7.27
C3 7.00 6.20 6.40
Pengetahuan dan
Keterampilan
Cluster
Kuantitas
Centroid Baru
Kualitas
C1 C2 C3
1 A
0.41 2.72 4.31
2 B
1.17 2.16 3.13
3 C
4.31 2.68 0.45
4 D
3.74 1.87 0.89
5 E
4.31 2.68 0.45
6 F
2.60 0.45 1.90
7 G
0.88 2.22 3.79
8 H
2.48 0.69 2.86
9 I
0.41 2.72 4.31
10 J
2.04 0.81 2.41
11 K
2.04 0.81 2.41
12 L
4.31 2.68 0.45
13 M
1.72 1.84 3.82
14 N
2.04 0.81 2.41
15 O
1.08 2.03 3.32
16 P
0.41 2.72 4.31
17 Q
2.48 0.69 2.86
18 R
0.41 2.72 4.31
19 S
0.41 2.72 4.31
20 T
0.41 2.72 4.31
21 U
2.48 0.69 2.86
22 V
4.24 2.30 2.28
23 W
2.48 0.69 2.86
24 X
2.04 0.81 2.41
25 Y
3.37 2.47 1.61
26 Z
2.04 0.81 2.41
Karyawan
No
Iterasi 2
Vol. 1, No. 8, pp. 757-767, August 2021
765 http://sostech.greenvest.co.id
Centroid Akhir Jumlah Anggota Nama Karyawan
1
{A,B,G,I,M,O,P,R,S,T}
10
{A,B,G,I,M,O,P,R,S,T}
2
{F,H,J,K,N,Q,U,W,X,Z}
10
{F,H,J,K,N,Q,U,W,X,Z}
3
{C,D,E,L,V,Y}
6
{C,D,E,L,V,Y}
Hasil Akhir
Cluster
Gambar 11. Tabel Hasil Pengelompokkan Iterasi 2
Gambar 12. Tabel Hasil Perhitungan Jarak Iterasi 3
Gambar 13. Tabel Hasil Pengelompokkan Iterasi 3
Pada proses iterasi ke-2 dan iterasi ke-3 tidak terjadi perubahan data sehingga
proses iterasi selesai dan didapatkan 3 cluster dengan 3 kali iterasi. Berikut tabel
rekapitulasi hasil analisa perhitungan kinerja karyawan dengan menggunakan K-Means
Clustering.
Gambar 14. Tabel Rekapitulasi hasil analisa K-Means Clustering
Kelompok Cluster Anggota Kelompok Jumlah
C1 {A,B,G,I,M,O,P,R,S,T} 10
C2
{F,H,J,K,N,Q,U,W,X,Z} 10
C3
{C,D,E,L,V,Y} 6
C1 C2 C3
1 A
0.41 2.72 4.28
2 B
1.17 2.16 3.10
3 C
4.31 2.68 0.53
4 D
3.74 1.87 0.53
5 E
4.31 2.68 0.53
6 F
2.60 0.45 1.72
7 G
0.88 2.22 3.69
8 H
2.48 0.69 2.64
9 I
0.41 2.72 4.28
10 J
2.04 0.81 2.37
11 K
2.04 0.81 2.37
12 L
4.31 2.68 0.53
13 M
1.72 1.84 3.78
14 N
2.04 0.81 2.37
15 O
1.08 2.03 3.36
16 P
0.41 2.72 4.28
17 Q
2.48 0.69 2.64
18 R
0.41 2.72 4.28
19 S
0.41 2.72 4.28
20 T
0.41 2.72 4.28
21 U
2.48 0.69 2.64
22 V
4.24 2.30 1.90
23 W
2.48 0.69 2.64
24 X
2.04 0.81 2.37
25 Y
3.37 2.47 1.90
26 Z
2.04 0.81 2.37
Iterasi 3
Karyawan
No
Kelompok Cluster Anggota Kelompok Jumlah
C1 {A,B,G,I,M,O,P,R,S,T} 10
C2 {F,H,J,K,N,Q,U,W,X,Z} 10
C3 {C,D,E,L,V,Y} 6
Implementasi Clustering K-Means Terhadap Penilaian
Kinerja Karyawan PT. XYZ
e-ISSN 2774-5155
p-ISSN 2774-5147
Indra Reisandi
1
, Daryana
2
, Fatimah Sri Mulyati
3
dan Muchammad Fauzi
4
766
KESIMPULAN
Berdasarkan hasil penelitian yang telah dilakukan, maka penulis dapat menarik
beberapa kesimpulan yaitu pengelompokkan penilaian kinerja karyawan berdasarkan
pada 3 variabel penilaian yaitu pengetahuan dan keterampilan, kuantitas dan kualitas,
pengelompokkan penilaian kinerja karyawan terbagi menjadi terbaik, sangat baik dan
rata-rata, proses iterasi yang dilakukan dalam penelitian ini didapat 3 kali iterasi dan hasil
dari pengujian yang telah dilakukan, maka terbentuk data kelompok karyawan dengan
penilaian terbaik terdiri dari 10 (sepuluh) karyawan, data kelompok karyawan dengan
penilaian sangat baik terdiri dari 10 (sepuluh) karyawan, data kelompok karyawan dengan
penilaian rata-rata terdiri dari 6 (enam) karyawan.
BIBLIOGRAFI
Callista, N. (2016). Pengaruh Kompetensi SDM Terhadap Kinerja Karyawan pada PT.
Tresnamuda Sejati Cabang Surabaya. Agora, 4(2), 45–50.
Eliska, O. (2018). Analisis pengaruh likuiditas, leverage dan efisiensi modal kerja
terhadap perubahan laba (studi pada PT Timah (persero) Tbk periode 2009-2017.
Universitas Bangka Belitung.
Fadri, H., Zulfadil, Z., & Taufiqurrahman, T. (2017). Analisis Kinerja Karyawan Pada
PT. Perindustrian dan Perdagangan Bangkinang. Riau University.
Khuzaimy, A. (2015). Analisis Strategi Bisnis Pada UD. Cengkeh madagaskar Di
Sidoarjo. UPN Veteran Jawa Timur.
Kristiana, T. (2015). Penerapan profile matching untuk penilaian kinerja pegawai negeri
sipil (PNS). Jurnal Pilar Nusa Mandiri, 11(2), 161–170.
Nugrahayu, E. R., & Retnani, E. D. (2015). Penerapan Metode Balanced Scorecard
Sebagai Tolok Ukur Pengukuran Kinerja Perusahaan. Jurnal Ilmu Dan Riset
Akuntansi (JIRA), 4(10).
Nur, F., Zarlis, M., & Nasution, B. B. (2017). Penerapan Algoritma K-Means Pada Siswa
Baru Sekolah Menengah Kejuruan Untuk Clustering Jurusan. InfoTekJar: Jurnal
Nasional Informatika Dan Teknologi Jaringan, 1(2), 100–105.
Priyatman, H., Sajid, F., & Haldivany, D. (2019). Klasterisasi Menggunakan Algoritma
K-Means Clustering untuk Memprediksi Waktu Kelulusan Mahasiswa. Jurnal
Edukasi Dan Penelitian Informatika (JEPIN), 5(1), 62.
Putri, L. P. (2017). Pengaruh Profitabilitas Terhadap Harga Saham Pada Perusahaan
Pertambangan Batubara di Indonesia. Jurnal Ilmiah Manajemen Dan Bisnis, 16(2).
Regina, S., Sutinah, E., & Agustina, N. (2021). Clustering Kualitas Kinerja Karyawan
Pada Perusahaan Bahan Kimia Menggunakan Algoritma K-Means. JURNAL
MEDIA INFORMATIKA BUDIDARMA, 5(2), 573–582.
Robbins, S. P., & Judge, T. (2012). Essentials of organizational behavior. Prentice Hall
Upper Saddle River, NJ.
Sartika, D., & Jumadi, J. (2019). Clustering Penilaian Kinerja Dosen Menggunakan
Algoritma K-Means (Studi Kasus: Universitas Dehasen Bengkulu). Seminar
Nasional Teknologi Komputer & Sains (SAINTEKS), 1(1).
Setiadi, A., & Sikumbang, E. D. (2020). K-Means Clustering Dalam Penerimaan
Karyawan Baru. INFORMATICS FOR EDUCATORS AND PROFESSIONAL:
Journal of Informatics, 4(2), 103–112.
Setiawan, S. (2019). Analisis Cluster Menggunakan Algoritma K-Means Untuk
Mengetahui Kemampuan Pegawai Dibidang It Pada Cv. Roxed Ltd. Pelita
Informatika: Informasi Dan Informatika, 7(3), 341–347.
Vol. 1, No. 8, pp. 757-767, August 2021
767 http://sostech.greenvest.co.id
Setiyarti, T., Tirtayasih, N. P., & Suastama, I. B. R. (2020). Analisis Pengaruh
Pengetahuan, Keterampilan dan Kemampuan Terhadap Kinerja Hotel Panorama
Ubud. JUIMA: JURNAL ILMU MANAJEMEN, 10(1), 38–45.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0
International License
