Abstract
Reward and punishment are needed for assessting employees’ performace. Employee grouping based on their performance is one of several ways to enhance employees’ performance. This research discusses about grouping employess based on their performance using Fuzzy C-Means. Result from assessment comes from the total of each criteria that contains of presence, discipline, and task duration. Three groups of employees are formed, which are good, moderate, and bad. From 13 employees, 10 of them are in the good criteria, one is in moderate criteria, and two are in the bad one. We also use different values of fuzzy exponent to get the clustering results. The values 1.5 and 2 of fuzzy exponents give the same clustering results with the result from manager. Therefore, grouping with FCM could be used to cluster employees based on their performance.
Highlights
Reward and punishment are needed for assessing employees' performance
Employee grouping based on their performance is
This research discusses about grouping employess based on
Summary
Penelitian mengenai pengelompokan data yang bertujuan mendapatkan suatu informasi tentang kinerja karyawan tidaklah yang pertama kali diteliti, telah ada beberapa penelitian terdahulu yang membahas tentang klasterisasi tersebut. Pada penelitian yang dilakukan oleh Agustina dan Prihandoko yang berjudul Perbandingan Algoritma K-Means dengan Algoritma Fuzzy C-Means untuk Clustering Tingkat Kedisiplinan Kinerja Karyawan bertujuan untuk menemukan pusat centroid setiap klaster, yang berbeda pada metode algoritma kmeans dan FCM. Sebuah titik yang memiliki tetangga dengan jumlah terbanyak akan dijadikan sebagai pusat klaster. Langkah awal pada FCM adalah mencari pusat klaster, yang akan menempati lokasi yang seharusnya untuk tiap klaster. Pusat klaster ini berada ditempat yang tidak akurat, sehingga diperlukan perbaikan secara berulang untuk mendapatkan posisi pusat klaster yang akurat. Pada awalnya matriks partisi η belum akurat, begitu juga dengan pusat klasternya, sehingga kecenderungan data untuk berada pada suatu klaster juga belum akurat. Fungsi obyektif digunakan sebagai salah satu syarat perulangan untuk mendapatkan pusat klaster yang tepat, sehingga pada langkah terakhir diperoleh kecenderungan data berada pada suatu klaster. Jika (|P P | ζ), maka berhenti; jika tidak, maka t t 1 dan ulangi langkah ke-3 [2]
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
