Pemetaan karyawan berdasarkan produktivitas kerja dan tingkat absensi dengan Pendekatan K-Means dengan Visualisasi PCA

Info proyek

• Bidang studiManajemen Sumber Daya Manusia
• JenjangDisertasi (S3)
• Jenis metodeKlasterisasi
• Perkiraan pengerjaan± 7 hari kerja
• Perangkatscikit-learn KMeans, PCA, StandardScaler
• HargaRp 450.000 - Rp 2.800.000

Tujuan analisis

Menerapkan K-Means dengan Visualisasi PCA pada data sintetis untuk mengelompokkan karyawan berdasarkan produktivitas kerja dan tingkat absensi dan menafsirkan karakteristik tiap kelompok.

Variabel

Contoh hasil

• 5Clusters k
• 0.615Silhouette
• 77.247Var. explained PC1+PC2 %
• 0.573Davies-Bouldin
• 462.936Calinski-Harabasz
• 1ARI vs. true groups

K-Means membentuk 5 klaster pada 6 indikator (silhouette 0.615); dua komponen utama PCA memuat 77.2% varians sehingga klaster dapat divisualisasikan.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang K-Means dengan Visualisasi PCA

K-Means dengan visualisasi PCA mengelompokkan data berdimensi tinggi lalu memproyeksikannya ke dua komponen utama agar klaster dapat dilihat. Cocok untuk menyajikan hasil segmentasi multivariat dalam satu gambar yang mudah dibaca.

Langkah pengerjaan

1. 1Standarisasi seluruh fitur
2. 2Jalankan K-Means pada ruang fitur asli
3. 3Hitung PCA dua komponen dan proporsi varians
4. 4Proyeksikan data dan pusat klaster ke ruang PCA
5. 5Plot titik berwarna menurut klaster
6. 6Profilkan klaster dan lihat loading PCA

Asumsi yang perlu diperiksa

• Klaster dihitung pada fitur asli, PCA hanya untuk tampilan
• Dua komponen pertama cukup mewakili varians agar gambar tidak menyesatkan
• Fitur distandarisasi

Membaca dan melaporkan hasil

Laporkan persentase varians yang dijelaskan dua komponen pertama agar pembaca tahu seberapa setia gambarnya. Jelaskan klaster lewat rata-rata fitur asli, bukan hanya posisi di plot.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler

X, _ = make_blobs(n_samples=400, n_features=6, centers=4, cluster_std=1.5, random_state=19)
Xs = StandardScaler().fit_transform(X)
work_productivity = Xs[:, 0]
absence_rate = Xs[:, 1]

km = KMeans(n_clusters=4, n_init=10, random_state=19).fit(Xs)
employee = km.labels_

pca = PCA(n_components=2).fit(Xs)
Z = pca.transform(Xs)
C = pca.transform(km.cluster_centers_)
print("Explained variance ratio:", pca.explained_variance_ratio_.round(3))
print("Total (2 PCs):", round(pca.explained_variance_ratio_.sum(), 3))
print("Cluster sizes:", np.bincount(employee))
print("Cluster means (first 3 features):\n", km.cluster_centers_[:, :3].round(2))

plt.scatter(Z[:, 0], Z[:, 1], c=employee, s=15)
plt.scatter(C[:, 0], C[:, 1], c="r", marker="x", s=100)
plt.xlabel("PC1"); plt.ylabel("PC2")
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum