Proses evaluasi kinerja pegawai di Institut Teknologi PLN (ITPLN) saat ini menggunakan sistem kategori manual yang kaku, sehingga berisiko menghasilkan pengelompokan yang kurang objektif dan rentan terhadap inkonsistensi. Penelitian ini bertujuan untuk menerapkan metode data mining untuk menemukan struktur pengelompokan kinerja yang lebih objektif berdasarkan data. Dengan menggunakan kerangka kerja CRISP-DM pada data hasil penilaian Key Performance Indicator tahun 2023 dari 241 dosen dan tenaga kependidikan, penelitian ini mengimplementasikan algoritma Hierarchical Clustering dengan metode Ward's Linkage untuk melakukan segmentasi pegawai. Kualitas hasil pengelompokan divalidasi secara kuantitatif dan menunjukkan hasil yang sangat baik untuk K=6, dengan nilai Silhouette Score sebesar 0.9266 dan Davies-Bouldin Index sebesar 0.4745. Temuan utama dari penelitian ini adalah adanya diskoneksi yang signifikan antara klaster yang terbentuk secara alami berbasis data dengan sistem kategori manual yang digunakan saat ini. Temuan ini memberikan wawasan strategis baru bagi manajemen untuk dapat memahami segmen kinerja pegawai secara lebih mendalam.

The current employee performance evaluation process at Institut Teknologi PLN (ITPLN) utilizes a rigid manual categorization system, which risks producing less objective and inconsistent groupings. This research aims to apply the data mining method to find a more objective performance grouping structure based on data. By using the CRISP-DM framework on the 2023 Key Performance Indicator data from 241 lecturers and academic staff, this study implements the Hierarchical Clustering algorithm with Ward's Linkage method to perform employee segmentation. The quality of the clustering results was quantitatively validated and showed excellent outcomes, with a Silhouette Score of 0.9266 and a Davies-Bouldin Index of 0.4745. The main finding of this research is a significant disconnect between the naturally formed data-driven clusters and the current manual categorization system. This finding provides new strategic insights for management to understand employee performance segments more deeply.