Evaluasi kinerja dosen dan tenaga kependidikan (tendik) di Institut Teknologi PLN (ITPLN) merupakan aspek yang penting dalam manajemen sumber daya manusia dan pencapaian tujuan institusi. Metrik nillai talenta untuk menentukan kategori kinerja berdasarkan kombinasi Performance dan Soft Kompetensi dari data penilaian Key Performance Indicator (KPI). Saat ini, pengelompokan penentuan kategori kinerja masih dilakukan secara manual dengan spreadsheet berdasarkan metrik nilai talenta, yang memakan waktu. Oleh karena itu, penelitian ini bertujuan untuk mengimplementasikan algoritma K-Means Clustering dalam mengelompokkan data peilaian KPI berdasarkan metrik nilai talenta serta membandingkanya dengan metode manual yang digunakan oleh SDM. Penelitian ini menggunakan Cross-Industry Standard Process for Data Mining (CRISP-DM) dengan data penilaian KPI tahun 2023 sebanyak 275 data. Untuk menentukan jumlah klaster optimal, digunakan metode Elbow, menunjukkan klaster optimal pada K=6 dengan Sum of Squared Errors (SSE) sebesar 20. Selain itu, Davies Bouldin Index (DBI), menunjukkan jumlah klaster optimal sebanyak enam dengan nilai DBI sebesar 0,3349. Hasil pengelompokan dengan K-Means menunjukkan perbedaan dengan metode manual dimana beberapa kategori kinerja berdasarkan nilai talenta tersebar di berbagai klaster. Mengindikasikan perlunya penyesuaian metrik nilai talenta, sistem dikembangkan dalam dashboard berbasis web menggunakan Streamlit. Sistem ini dapat melakukan pencarian data pegawai, input data baru dan visualisasi data Ekspor data dan Clustering dengan file. Penenlitian ini diharapakan dapat membantu SDM Insititut Teknologi PLN dalam meningkatkan pengelolaan KPI.

Evaluation of lecturers and educational staff performance at Institut Teknologi PLN (ITPLN) is a crucial aspect of human resource management and institutional goal achievement. The talent score metric is used to determine performance categories based on a combination of Performance and Soft Competency from the Key Performance Indicator (KPI) assessment data. Currently, the classification of performance categories is conducted manually using spreadsheets based on the talent score metric, which is time consuming. Therefore, this study aims to implement the K-Means Clustering algorithm to categorize KPI assessment data based on the talent score metric and compare it with the manual method used by the HR department. This study follows the Cross-Industry Standard Process for Data Mining (CRISP-DM) framework using KPI assessment data from 2023, comprising 275 records. The optimal number of clusters is determined using the Elbow method, which indicates the optimal cluster count at K=6 with a Sum of Squared Errors (SSE) of 20. Additionally, the Davies-Bouldin Index (DBI) suggests an optimal number of six clusters with a DBI value of 0.3349. The clustering results using K-Means differ from the manual method, where some performance categories based on talent scores are distributed across different clusters, indicating the need for adjustments in the talent score metric. The system is developed as a web-based dashboard using Streamlit, allowing employee data search, new data input, data visualization, data export, and clustering file processing. This research is expected to assist the HR department at Institut Teknologi PLN in improving KPI management.