Evaluasi Kinerja Aparat Pengawas Internal Pemerintah (APIP) Berbasis Web Menggunakan Algoritma K-Means
Abstract
Abstrak :
Aparat Pengawas Internal Pemerintah (APIP) di Inspektorat Daerah Kabupaten Sragen memiliki peran penting dalam menjaga transparansi dan akuntabilitas pemerintah daerah. Namun, proses evaluasi kinerja yang masih manual dan subjektif mengakibatkan kesulitan dalam mengidentifikasi kinerja pegawai secara objektif dan efisien. Penelitian ini bertujuan untuk mengembangkan sistem evaluasi kinerja berbasis web yang memanfaatkan algoritma k-means untuk mengelompokkan pegawai APIP berdasarkan parameter kinerja tertentu, seperti budaya kerja BerAKHLAK, Sasaran Kinerja Pegawai (SKP), tingkat kehadiran, dan kompetensi. Metode penelitian menggunakan algoritma k-means untuk clustering data kinerja, dengan pendekatan pengembangan sistem model Waterfall. Data dikumpulkan melalui observasi, wawancara, dan kuesioner terhadap pegawai APIP di Inspektorat Daerah Kabupaten Sragen. Sistem yang dikembangkan bertujuan untuk menghadirkan alat bantu evaluasi yang tidak hanya cepat, tetapi juga akurat dan mendalam, memungkinkan pimpinan untuk memperoleh gambaran kinerja secara terstruktur dan berbasis data. Hasil penelitian menunjukkan bahwa sistem ini mampu mengelompokkan pegawai APIP ke dalam beberapa kategori kinerja yang lebih akurat yaitu menghasilkan cluster dengan 8 pegawai berkinerja baik, 15 pegawai berkinerja cukup, dan 19 pegawai dengan kinerja kurang. Implementasi sistem ini juga memberikan visualisasi data yang informatif, membantu dalam identifikasi potensi pengembangan individu maupun tim, serta menyusun strategi peningkatan kinerja secara menyeluruh. Sehingga sistem ini tidak hanya mempermudah proses evaluasi kinerja, tetapi juga memberikan dasar yang kuat bagi pengambilan keputusan dalam pengembangan kompetensi dan pelatihan pegawai. Kesimpulannya, penerapan algoritma k-means dalam evaluasi kinerja APIP terbukti efektif dalam meningkatkan kualitas pengawasan internal di lingkungan pemerintah daerah. Dengan demikian, sistem ini dapat menjadi model yang dapat direplikasi di berbagai instansi pemerintah lainnya untuk mendukung tata kelola yang lebih baik.
====================================================
Abstract :
The Internal Government Supervisory Apparatus (APIP) at the Regional Inspectorate of Sragen Regency plays a critical role in maintaining transparency and accountability within the regional government. However, the manual and subjective performance evaluation process poses challenges in objectively and efficiently identifying employee performance. This study aims to develop a web-based performance evaluation system utilizing the k-means algorithm to cluster APIP employees based on specific performance parameters, such as the BerAKHLAK work culture, Employee Performance Targets (SKP), attendance rate, and competence. The research methodology employs the k-means algorithm for performance data clustering, using the Waterfall model for system development. Data was collected through observations, interviews, and questionnaires involving APIP employees at the Regional Inspectorate of Sragen Regency. The system is designed to provide a performance evaluation tool that is not only fast but also accurate and in-depth, enabling leadership to obtain structured and data-driven insights into employee performance. The research findings indicate that the system successfully categorizes APIP employees into several performance clusters, producing groups of 8 employees with good performance, 15 with average performance, and 19 with poor performance. The system implementation also provides informative data visualizations that aid in identifying individual and team development potential and devising comprehensive strategies for performance improvement. Thus, the system not only facilitates the performance evaluation process but also provides a robust basis for decision-making in developing competencies and training programs for employees. In conclusion, the application of the K-Means algorithm in evaluating APIP performance has proven effective in enhancing the quality of internal supervision within the regional government. Consequently, this system can serve as a replicable model for various other government agencies to support improved governance practices.
Keywords
Full Text:
PDFReferences
[1] Peraturan Bupati Sragen No 21 Tahun 2023, “Kedudukan, Susunan Organisasi, Tugas dan Fungsi serta Tata Kerja Perangkat Daerah Kabupaten Sragen.,” Sragen. Accessed: Jan. 03, 2025. [Online]. Available: https://sragenkab.go.id
[2] A. J. E. Sakalessy and H. D. Purnomo, “Assessing Employee Performance in the Information Technology Department Using K-Means Clustering: A Case Study Approach,” Journal of Information Systems and Informatics, vol. 6, no. 1, pp. 170–186, Mar. 2024, doi: 10.51519/journalisi.v6i1.653.
[3] H. Profiliana and J. Sasongko Wibowo, “Evaluasi Kinerja Pegawai Negeri Sipil Pemerintah Daerah Kabupaten Grobogan Menggunakan Algoritma K-Means,” vol. 27, no. 2, p. 2022.
[4] S. Sahibu, R. Bambang, I. Taufik, and A. Agusriandi, “Penerapan Data Mining Dalam Analisis Penilaian Kinerja Pegawai Menerapkan Metode K-Means,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 7, no. 1, p. 22, Jan. 2023, doi: 10.30865/mib.v7i1.5100.
[5] D. Aulia et al., “Nomor 1 Februari, pp 47-60 Penerapan Algoritma K-Means dalam Proses Clustering Penilaian Kinerja ASN,” vol. 6, p. 47, [Online]. Available: https://tunasbangsa.ac.id/ejurnal/index.php/jurasik
[6] M. Ropianto, “Pemrograman Web.”
[7] Adam Rifais and T. G. Laksana, “Penerapan Algoritma K-Means Clustering Untuk Mengetahui Kemampuan Akademik Siswa Berbasis WEB,” Jurnal Ilmiah Multidisiplin, vol. 1, no. 2, pp. 157–183, Jul. 2024, doi: 10.62282/juilmu.v1i2.157-183.
[8] P. Pemerintah Daerah Kabupaten Buton Selatan Buton Selatan, M. Gazali, and L. Ode Syaiful Islamy, “Issue (02), Year (2024),” no. 12.
[9] G. Tapanuli, U. Oleh, D. W. Sitohang, and A. Rikki, “Pulo Brayan Darat I, Kec,” 2019.
[10] J. Penerapan, T. Informasi, D. Komunikasi, G. B. Kaligis, and S. Yulianto, “IT-Explore Analisa Perbandingan Algoritma K-Means, K-Medoids, dan X-Means Untuk Pengelompokkan Kinerja Pegawai (Studi Kasus: Sekretariat DPRD Provinsi Sulawesi Utara),” 2022.
[11] J. Homepage et al., “MALCOM: Indonesian Journal of Machine Learning and Computer Science Comparison of K-Means and K-Medoids on Poor Data Clustering in Indonesia Perbandingan K-Means dan K-Medoids Pada Pengelompokan Data Miskin di Indonesia,” vol. 2, no. 2, pp. 35–41, 2022.
Refbacks
- There are currently no refbacks.