Perpustakaan Digital ITB

Kesehatan merupakan aspek yang sangat penting dalam menunjang produktivitas kerja, karena kinerja optimal hanya dapat dicapai apabila pegawai berada dalam kondisi kesehatan yang baik. PT PLN (Persero) merupakan salah satu perusahaan yang cukup konsern terhadap kesehatan pegawainya, termasuk memastikan pekerjanya bekerja dalam kondisi terbaik. Pemberian fasilitas kesehatan bagi pegawai, pensiunan, serta keluarga merupakan salah satu bukti kepedulian Perusahaan terhadap kesejahteraan sumber daya manusianya. Pemberian fasilitas kesehatan mencakup tindakan preventif, kuratif, dan rehabilitatif. Salah satu tindakan preventif yang dilakukan Perusahaan untuk Pegawainya adalah pemberian fasilitas medical check up (MCU) tahunan bagi pegawai. Namun, pelaksanaan program MCU ini masih terbatas pada kategori jabatan dan usia tertentu. Hal ini mengindikasikan perlunya strategi yang lebih sistematis dalam menentukan prioritas penerima manfaat MCU berdasarkan data kesehatan dan kepegawaian Sejalan dengan hal tersebut, PT PLN (Persero) memiliki database yang berisi berbagai informasi penting terkait kepegawaian, termasuk data pribadi pegawai, riwayat jabatan, data presensi, serta catatan kesehatan. Namun, pemanfaatan database tersebut untuk mendukung pengelolaan kesehatan pegawai hingga saat ini belum dioptimalkan secara efektif. Padahal, pengelolaan data kepegawaian yang sistematis dan terintegrasi dapat menghasilkan informasi strategis yang bernilai tinggi. Informasi ini tidak hanya berguna untuk memahami kondisi kesehatan pegawai secara lebih mendalam, tetapi juga dapat digunakan sebagai dasar pengambilan keputusan yang lebih tepat dalam merancang dan mengembangkan program kesehatan pegawai di masa mendatang. Optimalisasi pemanfaatan database ini diharapkan mampu meningkatkan efisiensi dan efektivitas pengelolaan kesehatan secara berkelanjutan. Pemanfaatan metode Machine Learning, khususnya klasterisasi, diperlukan untuk mengolah data dengan tujuan menentukan pegawai yang berhak menerima manfaat medical check-up (MCU) berdasarkan data kepegawaian dan data kesehatan pegawai. Penelitian ini bertujuan memberikan rekomendasi metode klasterisasi yang paling optimal dalam mengelompokkan peserta MCU bagi pegawai di Regional Kalimantan. Data yang digunakan mencakup data personal pegawai, riwayat jabatan, data presensi, serta data kesehatan yang terdiri dari catatan transaksi kesehatan dan riwayat MCU. Optimalisasi pengelolaan data ini diharapkan dapat meningkatkan efisiensi serta keakuratan dalam proses pengambilan keputusan terkait penerima manfaat MCU. Analisis dilakukan dengan menerapkan berbagai metode klasterisasi, termasuk Kmeans, K-medoids, Gaussian Mixture Model (GMM), Agglomerative Hierarchical Clustering, dan DBSCAN. Selain itu, masing-masing metode klasterisasi diimplementasikan dengan reduksi dimensi menggunakan Principal Component Analysis(PCA) untuk meningkatkan efisiensi proses klasterisasi. Penelitian ini juga memanfaatkan Variational Autoencoder (VAE) untuk menghasilkan representasi laten yang lebih baik, guna memperoleh hasil klaster yang optimal dan relevan dengan tujuan penelitian. Evaluasi kualitas klaster dilakukan menggunakan metrik Silhouette Score untuk menentukan metode klasterisasi yang memberikan hasil terbaik. Penilaian ini dilakukan untuk memastikan bahwa struktur klaster yang dihasilkan memiliki validitas dan interpretabilitas yang tinggi. Hasil penelitian menunjukkan bahwa penerapan metode klasterisasi K-medoids dengan Principal Component Analysis (PCA) yang dikombinasikan dengan Variational Autoencoder (VAE) memberikan hasil yang paling optimal pada seluruh pengujian klaster yang dilakukan, termasuk untuk pengelompokan dengan dua, tiga, empat, dan lima klaster. Pada pengelompokan dengan dua klaster, metode ini menghasilkan Silhouette Score sebesar 0.805, yang menunjukkan struktur klaster yang kuat dan lebih unggul dibandingkan metode klasterisasi lainnya. Berdasarkan hasil tersebut, dapat disimpulkan bahwa metode klasterisasi Kmedoids dengan kombinasi PCA dan VAE merupakan pendekatan paling efektif dalam mengelompokkan data MCU, sehingga dapat memberikan rekomendasi yang lebih akurat mengenai pegawai yang layak menerima manfaat medical checkup (MCU).