Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Program BPJS Ketenagakerjaan

Abstract

BPJS Ketenagakerjaan bertugas menyelenggarakan program jaminan sosial bagi para pekerja di Indonesia,  seperti Jaminan Kecelakaan Kerja, Jaminan Hari Tua, Jaminan Pensiun, Jaminan Kematian, dan Jaminan Pemeliharaan Kesehatan. Pengelompokan program bukan penerima upah dapat menggunakan metode clustering. Dalam penelitian ini, peneliti membandingkan dua algoritma clustering yaitu K-Means dan K-Medoids untuk mengelompokkan program bukan penerima upah berdasarkan karakteristik yang dimiliki. Data yang digunakan dalam penelitian ini diperoleh dari BPJS Ketenagakerjaan cabang pekanbaru. Pengelompokan dilakukan dengan menggunakan jumlah cluster yang sama untuk kedua algoritma yaitu K = 3. Hasil dari penelitian menunjukkan bahwa K-Medoids menghasilkan kelompok yang lebih stabil dan robust dibandingkan dengan K-Means. Hasil nilai DBI menunjukkan bahwa K-Medoid lebih baik dari K-Means. Hasil ini dapat dijadikan rekomendasi kepada pendaftar yang akan mengambil program BPJS Ketenagakerjaan selain itu penggunaan K-Medoids sebagai algoritma clustering lebih efektif dibandingkan K-Means untuk pengelompokan program bukan penerima upah.