SEGMENTASI PELANGGAN MENGGUNAKAN ALGORITMA FUZZY

LAPORAN TUGAS AKHIR
SEGMENTASI PELANGGAN MENGGUNAKAN ALGORITMA
FUZZY C-MEANS PADA CV. SWALAYAN MOTOR
SEMARANG
Diajukan untuk memenuhi salah satu syarat
memperoleh gelar Sarjana Teknik Informatika
Disusun Oleh :
Nama
: Ika Indah Sari
NIM
: A11.2013.07757
Program Studi
: Teknik Informatika – S1
FAKULTAS ILMU KOMPUTER
UNIVERSITAS DIAN NUSWANTORO
SEMARANG
2017
1
PERSETUJUAN TUGAS AKHIR
Nama
: Ika Indah Sari
NIM
: A11.2013.07757
Program Studi
: Teknik Informatika Strata 1
Fakultas
: Ilmu Komputer
Judul Tugas Akhir
: SEGMENTASI
ALGORITMA
PELANGGAN
FUZZY
MENGGUNAKAN
C-MEANS
PADA
CV.SWALAYAN MOTOR SEMARANG
Tugas Akhir ini telah diperiksa dan disetujui,
Semarang, 27 Juli 2017
Menyetujui :
Mengetahui:
Pembimbing
Dekan Fakultas Ilmu Komputer
Slamet Sudaryanto N. ST, M.Kom
Dr. Drs. Abdul Syukur, M.M
2
3
PENGESAHAN DEWAN PENGUJI
Nama
: Ika Indah Sari
NIM
: A11.2013.07757
Program Studi
: Teknik Informatika Strata 1
Fakultas
: Ilmu Komputer
Judul Tugas Akhir
: SEGMENTASI
PELANGGAN
ALGORITMA
FUZZY
MENGGUNAKAN
C-MEANS
PADA
CV.SWALAYAN MOTOR SEMARANG
Tugas Akhir ini telah diujikan dan dipertahankan di hadapan Dewan Penguji pada
Sidang Tugas Akhir Tanggal 27 Juli 2017. Menurut pandangan kami, Tugas Akhir
ini memadai dari segi kualitas maupun kuantitas untuk tujuan penganugerahan
gelar Sarjana Komputer (S.Kom)
Semarang, 27 Juli 2017
Dewan Penguji:
Wijanarto M,Kom
Noor Ageng Setiyanto M.Kom
Anggota 1
Anggota 2
Dr. Khafiizh Hastuti M.Kom
Ketua Penguji
4
PERNYATAAN
KEASLIAN TUGAS AKHIR
Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah
ini, saya:
Nama : Ika Indah Sari
NIM
: A11.2013.07757
Menyatakan bahwa karya ilmiah saya yang berjudul :
SEGMENTASI PELANGGAN MENGGUNAKAN ALGORITMA FUZZY
C-MEANS PADA CV. SWALAYAN MOTOR SEMARANG
Menyatakan dengan sesungguhnya bahwa karya tulis tugas akhir ini benar-benar
saya kerjakan sendiri. Apabila di kemudian hari, karya saya disinyalir bukan
merupakan karya asli saya, yang disertai dengan bukti-bukti yang cukup, maka
saya bersedia untuk dibatalkan gelar saya beserta hak dan kewajiban yang melekat
pada gelar tersebut.Demikian surat pernyataan ini saya buat dengan sebenarnya.
Dibuat di
: Semarang
Pada tanggal : 27 Juli 2017
Yang Menyatakan
(Ika Indah Sari)
5
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA
ILMIAHUNTUK KEPERLUAN AKADEMIS
Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah
ini, saya :
Nama : Ika Indah Sari
NIM
: A11.2013.07757
Demi mengembangkan Ilmu Pengetahuan, menyetujui untuk memberikan kepada
Universitas Dian Nuswantoro Hak Bebas Royalti Non-Ekskusif (Non-exclusive
Royalty-Free Right) atas karya ilmiah saya yang berjudul :
SEGMENTASI PELANGGAN MENGGUNAKAN ALGORITMA FUZZY
C-MEANS PADA CV. SWALAYAN MOTOR SEMARANG
Beserta perangkat yang diperlukan. Dengan Hak Bebas Royalti NonEksklusif ini Universitas Dian Nuswantoro berhak untuk menyimpan, mengcopy
ulang (memperbanyak), menggunakan, mengelolanya dalam bentuk pangkalan
data (database), mendistribusikannya dan menampilkan/mempublikasikannya di
internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari
saya selama tetap mencantumkan nama saya sebagai penulis/pencipta.
Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak
Universitas Dian Nuswantoro, segala bentuk tuntutan hukum yang timbul atas
pelanggaran Hak Cipta dalam karya ilmiah saya ini.
Demikian surat pernyataan ini saya buat dengan sebenarnya.
Dibuat di
: Semarang
Pada Tanggal : 27 Juli 2017
Yang menyatakan
(Ika Indah Sari)
6
UCAPAN TERIMA KASIH
Segala puji bagi Allah S.W.T atas segala nikmat-Nya dan kasih sayang-Nya,
sehingga dengan segala kekurangan yang dimilik oleh penulis, akhirnya laporan
tugas akhir yang berjudul “SEGMENTASI PELANGGAN MENGGUNAKAN
ALGORITMA
FUZZY
C-MEANS
PADA
CV. SWALAYAN
MOTOR
SEMARANG” dapat terselesaikan dengan waktu yang diharapkan.
Dalam penyusunan tugas akhir ini,banyak pihak yang telah memberikan
bantuan baik materi maupun spiritual,sehingga pada kesempatan ini penulis
mengucapkan rasa terimakasih yang sebesar–besarnya kepada:
1. Prof. EdiNoersasongko,M.Kom, selaku Rektor Universitas
Dian Nuswantoro.
2. Dr.Drs. Abdul Syukur,M.M, selaku Dekan Fakultas Ilmu
Komputer Universitas Dian Nuswantoro.
3. Heru
Agus
Santoso,Ph.D,
selaku
Ka.Progdi
Teknik
Informatika.
4. Slamet
Sudaryanto
N.
ST,
M.Kom,
selaku
dosen
pembimbing tugas akhir yang memberikan bimbingan
terkait dengan karya ilmiah ini.
5.
Dosen-dosen pengampu di Fakultas Ilmu Komputer Teknik
Informatika Universitas Dian Nuswantoro Semarang yang
telah memberikan ilmu dan pengetahuanya masing-masing.
6. Orang tua dan Adik tercinta yang senantiasa memeluk dengan
segala doa, motivasi dan semangat.
7. Karyawan CV. Swalayan Motor Semarang
membantu
memberikan
informasi
dan
yang telah
data-data
yang
dibutuhkan untuk keperluan penyusunan tugas akhir ini.
8. Teman-teman tersayang yang selalu memberi semangat dan
mendengarkan keluh – kesah dari penulis.
7
Akhir kata penulis harap tugas akhir yang disusun sesuai dengan
kemampuan dan pengetahuan yang sangat terbatas ini
dapat bermanfaat
bagi semua pihak yang membutuhkan.
Semarang, 27 Juli 2017
Penulis
8
ABSTRAK
Perusahaan Distributor sparepart motor setiap hari mencatat data transaksi yang
cukup banyak. Hal ini menimbulkan tumpukan data yang dapat diolah lebih lanjut
agar menghasilkan informasi yang bermanfaat. Salah satu cara pengolahan
tersebut adalah dengan data mining. Pada penelitian ini membahas bagaimana
teknik datamining diimplementasikan pada perusahaan tersebut, yaitu CV.
Swalayan Motor Semarang yang bergerak dibidang penjualan sparepart motor
untuk mengetahui pelanggan yang potensial. Untuk mengimplementasikan data
mining pada CV. Swalayan Motor Semarang, maka dirancang sistem aplikasi
berbasis web yang dapat mengolah data transaksi penjualan menjadi dataset
dengan variabel Jarak Pembelian Akhir, Frekuensi Beli dan Total Beli dengan
menggunakan metode Clustering Fuzzy C-means. Data yang digunakan adalah
data transaksi selama bulan Januari 2016 sampai Februari 2017. Pengujian
validitas cluster dilakukan dengan menggunakan algoritma partition coefficient
(PC). Hasil proses mining membuktikan bahwa pada periode 1 tahun mempunyai
pelanggan potensial berkategorikan Superstar sebanyak 31 pelanggan, Golden
customer 52 pelanggan, typical customer 65 pelanggan dan occational customer
45 pelanggan dengan kevalidan 0.567006885%.
Kata kunci: Segmentasi,Fuzzy, C-Means, Clustering.
9
DAFTAR ISI
JUDUL................................................................................................................................i
PERSETUJUAN TUGAS AKHIR.....................................................................................ii
PENGESAHAN DEWAN PENGUJI................................................................................iii
PERNYATAAN.................................................................................................................iv
PERNYATAAN PERSETUJUAN......................................................................................v
UCAPAN TERIMA KASIH.............................................................................................vi
ABSTRAK.....................................................................................................................viii
DAFTAR ISI.....................................................................................................................ix
DAFTAR TABEL............................................................................................................xii
DAFTAR GAMBAR......................................................................................................xiv
BAB I.................................................................................................................................1
PENDAHULUAN.............................................................................................................1
1.1
Latar Belakang...................................................................................................1
1.2
Rumusan Masalah..............................................................................................4
1.3
Batasan Masalah.................................................................................................4
1.4
Tujuan Penelitian................................................................................................4
1.5
Manfaat Penelitian..............................................................................................4
1.5.1
Bagi Mahasiswam......................................................................................4
1.5.2
Bagi Akademik...........................................................................................5
1.5.3
Bagi Perusahaan.........................................................................................5
BAB II...............................................................................................................................6
TINJAUAN PUSTAKA.....................................................................................................6
2.1
Penelitian Terkait................................................................................................6
2.2
Landasan Teori.................................................................................................10
10
2.2.1
Data Mining..............................................................................................10
2.2.2
Clustering.................................................................................................12
2.2.3
Model RFM (Recency, Frequency, Monetary)..........................................13
2.2.4
Segmentasi Pelanggan..............................................................................14
2.2.5
Fuzzy Clustering.......................................................................................15
2.2.6
Study Kasus Fuzzy Clustering..................................................................20
2.2.7
Validitas Fuzzy Clustering.........................................................................18
2.2.8
Kerangka Penelitian..................................................................................20
BAB III............................................................................................................................32
METODE PENELITIAN.................................................................................................32
3.1
Instrumen Penelitian.........................................................................................32
3.2.
Metode Pengumpulan Data..............................................................................32
3.2.1 Survey.............................................................................................................32
3.2.2 Study Literature...............................................................................................33
3.2.3 Research and SiteVisit.....................................................................................33
3.3 Teknik Analisis Data..............................................................................................34
BAB IV............................................................................................................................40
IMPLEMENTASI............................................................................................................40
4.1 Implementasi..........................................................................................................40
4.2 Penggunaan Fuzzy C-Means (FCM)......................................................................40
4.3 Implementasi Algoritma Fuzzy C-Means (FCM....................................................57
4.3.1 Halaman Input Data Customer........................................................................58
4.3.2 Halaman Data Customer.................................................................................58
4.3.3 Halaman Proses Segmentasi............................................................................59
4.3.4 Halaman awal hasil proses Iterasi....................................................................60
4.3.5 Halaman hasil segmentasi...............................................................................60
4.4 Pembahasan Hasil Penelitian..................................................................................61
11
BAB V.............................................................................................................................93
KESIMPULAN DAN SARAN........................................................................................93
5.1 Kesimpulan............................................................................................................93
5.2 Saran......................................................................................................................93
DAFTAR PUSTAKA.......................................................................................................94
12
DAFTAR TAB
Tabel 2.1
Penelitian Terkait...................................................................................8
Tabel 2. 2 Data sampel.........................................................................................20
Tabel 2. 3 Inisisalisasi..........................................................................................21
Tabel 2. 4 Cluster 1..............................................................................................22
Tabel 2. 5 Centroid Cluster 1...............................................................................23
Tabel 2. 6 Cluster 2..............................................................................................23
Tabel 2. 7 Centroid Cluster 2...............................................................................24
Tabel 2. 8 Centroid Cluster 3...............................................................................24
Tabel 2. 9 Centroid Cluster 3...............................................................................25
Tabel 2. 10 Centroid yang diperoleh.....................................................................25
Tabel 2. 11 Jarak ke Centroid................................................................................26
Tabel 2. 12 Nilai Keanggotaan..............................................................................27
Tabel 2. 13 Fungsi Objektif...................................................................................28
Tabel 2.14 Hasil Nilai Derajaat Keanggotaan......................................................29
Tabel 2. 15 Sementara Centroid............................................................................30
Tabel 2. 16 Contoh Perhitungan PCI....................................................................19
Tabel 2. 17 Penyajian perhitungan PCI.................................................................19
YTabel 3. 1
Pemilihan Atribut CV. Swalayan Motor Semarang.........................36
Tabel 3. 2 Domain Nilai.......................................................................................37
Tabel 3. 3 Sample data uji.....................................................................................38
YTabel 4. 1 Data penjualan Barang.......................................................................40
Tabel 4. 2 Tabel Inisialisasi...................................................................................42
Tabel 4. 3 Tabel Cluster 1.....................................................................................43
Tabel 4. 4 Tabel Centroid 1...................................................................................44
Tabel 4. 5 Tabel Cluster 2.....................................................................................44
Tabel 4. 6 Tabel Centroid 2...................................................................................45
Tabel 4. 7 Tabel Cluster 3.....................................................................................46
Tabel 4. 8 Tabel Centroid 3...................................................................................47
Tabel 4. 9 Tabel Cluster 4....................................................................................47
Tabel 4. 10 Tabel Centroid 4..................................................................................48
13
Tabel 4. 11 Tabel Hasil Centroid............................................................................48
Tabel 4. 12 Tabel jarak centroid.............................................................................49
Tabel 4. 13 Tabel nilai keanggotaan.......................................................................52
Tabel 4. 14 Tabel nilai Fungsi Objektif..................................................................53
Tabel 4. 15 Tabel hasil akhir cluster pelanggan.....................................................54
Tabel 4. 16 Tabel Hasil Cluster..............................................................................55
Tabel 4. 17 Hasil Clustering..................................................................................61
14
DAFTAR GAMBAR
Y
Gambar 2.1 Tahap KDD datamining....................................................................11
Gambar 2.2 Contoh Proses Clustering.................................................................13
Gambar 2.3 Kerangka Berpikir Penelitian...........................................................31
Gambar 3.1 Rekapan Data...................................................................................36
Gambar 4.1 Halaman Input Data Customer.........................................................58
Gambar 4.2 Halaman Data Customer..................................................................58
Gambar 4.3 Halaman Proses Segmentasi............................................................59
Gambar 4.4 Halaman awal hasil proses Iterasi....................................................60
Gambar 4.5 Halaman hasil segmentasi................................................................60
BAB I
PENDAHULUAN.
1.1 Latar Belakang
Dimdalammpersaingan
usaha
yang
ketat
mengharuskan
perusahaan untuk berfokus kepadao kebutuhan yang diinginkan oleh
konsumen.Kondisi persainganmbisnis yang terjadiopada saat sekarangmini
membuatpperusahaan harusmmenyadari denganocermat targetmpasar
yangmditujunya
dan.tingkat
kualitasmproduk
ataumjasanya.
faktormpenting yangoharus idipertimbangkan oleh perusahaanmdalam
menghadapi
persaingan
mampumdiberikan
kepada
bisnismadalah
pelanggan
tingkat
dan
value
yang
carammemperlakukan
pelanggan dari hari ke hari. Beberapa risetmyang telahmdilakukan,
menunjukkan bahwa dalam stategi bisnis mempertahankan pelanggan
lama lebih menguntungkan dari pada menarik pelangganbaru[1].
15
Pelanggan juga mendudukioposisi penting dalamopengembangan
strategi bisnis, pelanggan jugammerupakansalahsatu sumber keuntungan
dalam perusahaan.Untuk ituodiperlukan suatu pemahamaanmyang baik
tentang pelanggan.nPemahaman yangmbaik terhadapmpelanggan odapat
digunakan perusahaan untuk berinvestasimpelanggan yangmpotensial[2].p
Segmentasimpelanggan adalah metodemyang digunakan untuk
memilih pelanggan yangmtepat untukmmemulai promosi[3]. Dengan
segmentasi pelanggan berdasarkan prilakunya, kita dapat menargetkan
tindakan mereka denganmlebih baik. Sepertimpeluncuran produkmyang
disesuaikan,
target
pemasaranmdan
untuk
memenuhi
harapan
pelanggan[4].mNamun untuk menganalisandata pelangganmatau nasabah
dalammjumlah besar memerlukann tenagaodan waktupyang banyak.b
Clustering merupakan salah satu teknik darinsalah satu fungsionalitas
data
mining,malgoritmamclustering
pengelompokan
sejumlah
data
menjadi
merupakanmalgoritma
kelompok–kelompokmdata
tertentum(cluster).mObjek data yang terletak didalam satu cluster harus
mempunyaiokemiripan.
Sedangkan
yang
mempunyaimkemiripan.
tidak
berada
Setiap
didalam
cluster
satumcluster
tidak
memilikimcentroid
yangnmerupakan suatuobesaran yang dihitungmdari rata – rata nilaiptiap
itemsudari suatupcluster danmjuga memilikimmedoid yang merupakan
itemmyang letaknya palingmtengah. Sementaramjarak antarmcluster
didefinisikan denganmmenggunakan beberapammetode–metode untuk
menentukanomana yangoberdekatan[5].
Pada penelitian ini, peneliti akan mengambil studi kasus penelitian di
CV. Swalayan Motor Semarang dengan menggunakan data transaksi pada
periode Januari 2016 – Februari 2017 dengan jumlah total pelanggan
sebanyak 193 customer.CV.Swalayan Motor Semarang adalah salah satu
tempat penjualan spearpart untuk kendaraan bermotor. Penjualan produk
16
di CV. Swalayan Motor Semarang selama ini dicatat dalam database
penjualan produk untuk dijadikan laporan harian hasil penjualan.Tetapi
laporan penjualan yang dimiliki belum dimanfaatkan secara maksimal oleh
perusahaan tersebut.salah satu bentuk pemanfaatan data penjulan yaitu
dengan pembuatan clustering pelanggan untuk mengetahui pelanggan
potensial bagi perusahaan. Pelanggan potensial harus dipertahankan
karena
pelanggan
potensial
memberikan
keuntungan
besar
bagi
perusahaan. Oleh karena itu, pembuatan clustering pelanggan sangat
dibutuhkan perusahaan untuk menentukan stategi pemasaran khusus untuk
mempertahankan pelanggan CV. Swalayan Motor Semarang.
Terdapat banyak sekali algoritma yangmdigunakan dalammclustering,
salah satunyanadalah FuzzymC-Means (FCM). FCM adalah algoritma
clustering dimana satu objek dapat menjadioanggota beberapancluster
serta batasan cluster FCMoadalahpsamar. Konsepodasar dari FCM
pertamaokali
adalah
menentukan
pusatmdari
cluster.mDan
setiap
titikodata memiliki derajatmkeanggotaan untuk tiap–tiapmcluster.oNilai
derajatmkeanggotaan dalam algoritma FCM adalah antara 0 sampai 1.
Outputodari FCM adalahmderetan pusat cluster dan beberapa derajat
keanggotaanmuntuk setiap titikmdata. Algoritmaminimdipilih karena
kemampuannya untuknmelakukan pengelompokkanosuatu objek/data
yang belum memiliki klasifikasi, kedalam kelas tertentu menurut
kesamaan yang dimilikinya berdasarkannnilai derajatmkeanggotaan
denganmcara minimalisasi nilai fungsimobjektifnya [6]. Selain itu,
denganmalgoritma
dibentuk.
inimbisa
Dengan
ditentukan
jumlahpcluster
penetuanmjumlahpcluster
yangnakan
diawal,
bisa
diaturpkeragaman nilai akhir sesuai denganmcluster-nya. Kelebihan
algoritma
ini
adalahnpenempatan
tepatmdibandingkan
pusat
clusteroyang
denganmmetodekcluster
lain.
lebih
Caranya
adalahmdengan memperbaikimpusat cluster secaramberulang, maka
akanmdapat
dilihat
bahwampusatpcluster
akan
bergerakmmenuju
17
lokasimyang tepat. FCMmjuga memiliki tingkatmakurasi yang tinggi
danowaktu komputasi yang cepat.n
Untuk menentukan cluster yang sesuai dengan pelanggan CV.Swalayan
Motor Semarang, pelanggan dinilai profitabilitasnya terhadap perusahaan
dari transaksi yang telah dilakukan dengan metode RFM (Recency,
Frequency, dan Monetary). Recency merupakan lamanya interval waktu
sejak pelanggan melakukan transaksi terakhir, frequency berkaitan dengan
tingkat keseringan pelanggan melakukan transaksi, dan Monetary yaitu
besarnya nilai transaksi yang dilakukan selama periode tertentu.
Berdasarkan penjelasan atas masalah yang terdapat pada CV. Swalayan
Motor
Semarang,
maka
peneliti
memilih
judul
“SEGMENTASI
PELANGGAN MENGGUNAKAN ALGORITMA FUZZY C-MEANS
PADA CV. SWALAYAN MOTOR SEMARANG”.
1.2
RumusanoMasalah
Berdasarkanmlatar
belakangmyang
sudah
diuraikan
dapat
disimpulkan permasalahan yangnakanmdibahas pada laporan tugaskakhir
ini yaitumbagaimana menerapkan algoritma Fuzzy C-Means (FCM) untuk
clustering pelanggan berdasarkan data penjualan produk pada CV.
Swalayan Motor Semarang.
1.3 Batasan Masalah
Agarotidak terlepas darinmaksud dan tujuankdalam penyusunan
laporan ini, peneliti membatasi pokok permasalahan sebagai berikut :
a.
Sistemmyang dibangun akanmmenampilkan kode pelanggan
b.
berdasarkan cluster karakteristik pelanggan.
Data penjualan produk yangakan digunakan sebagai acuan
clustering Pelanggan adalah data penjualan produk periode Januari
2016 – Februari 2017.
1.4
Tujuan Penelitian
Tujuan dari penelitian ini untuk menerapkan Algoritma Fuzzy CMeans (FCM) untuk clustering pelanggan di CV.Swalayan Motor
18
Semarang guna mempermudah CV. Swalayan Motor Semarang untuk
mempertahankan
pelanggan
potensial
serta
menentukan
strategi
pemasaran yang paling efektif untuk pelanggan sesuai dengan karakteristik
masing – masing pelanggan.
1.5 Manfaat Penelitian
Dalam penulisan Laporan Tugas Akhir ini diharapkan dapat
bermanfaat bagi berbagai0pihak,0diantaranya :
1.5.1
Bagi Mahasiswam
a. Mampu menerapkanmilmu pengetahuanmdanmketerampilan
yang
telah
diperolehmdidalam
perkuliahanmterhadap
permasalahan yangmada dimlapangan.
b. Menambah wawasan dan pengalaman untuk menyelesaikan
permasalahan diobidangoinformatika.
c. Mampu mengetahuinperbandingan antaraoteori dan ilmu yang
diperoleh
selama
di
dalam
perkuliahan
dengan
penelitianodiolapangan, terutama padaoCV. Swalayan Motor
Semarang.
1.5.2
Bagi Akademik
a. Dapatodigunakan sebagaiobahan informasi, referensi,oarsip
dan sebagai tolak ukur keberhasilan dalam membimbing
mahasiswa sehingga akan siapoberkompetisi dalam lingkungan
masyarakat.
b. Sebagai buktinkeberhasilan dari0proses belajar mengajar0yang
telah dilakukanodi lingkungan0akademik.
c. Dapat berguna sebagai bahan referensi dan masukan bagi
mahasiswa dan pembaca0yangilainnya.
1.5.3
Bagi Perusahaan
a. Memberikan kemudahan kepada perusahaan untuk menentukan
strategi pemasaran yang sesuai dengan karakter pelanggan CV.
Swalayan Motor Semarang.
19
b. Diharapkan perusahaan bisa lebih mengembangkan dan
memacu kualitas untuk menentukan strategi pemasaran yang
lebih baik seiring dengan adanya kemajuan dibidang teknologi
agar tidak tertinggal dengan perusahaan lain mengenai
teknologi informasi yang berkembang pesat saatoini.m
BAB II
TINJAUAN PUSTAKA
2.1
Penelitian Terkait
Penelitianmsebelumnya yangmdigunakan sebagai acuan penulis
untuk mendukung penelitian ini diantaranya adalah Clusteringmdatamnilai
mahasiswa untukmmengelompokkanmkonsentrasinjurusannmenggunakan
Fuzzy C-Means[6]. Disini algoritma Fuzzy C-Means digunakan untuk
mengelompokkan konsentrasi jurusan mahasiswa sesuai perolehan nilai
akademik nya. Hal ini berguna untuk menjuruskan mahasiswa sesuai
dengan keahlian mereka supaya tidak terjadi ketidakcocokan dengan
konsentrasi jurusan yang saat ini dipilih. Analisa data yang dilakukan
dalam penelitian ini menggunakan bantuanmaplikasi Matlabmuntuk
pembentukanmClusterodata yangmsesuai dengan yang diharapkan. Hasil
penelitianmini
berupamtiga
digunakanountuk
buah
datamClustermyang
pendukungokeputusan
bisa
terhadapppenentuan
konsentrasiodari 126 datammahasiswa.
Penelitian selanjutnya adalah tentang pengelompokanmmahasiswa
sistem informasi berdasarkan tingkatmkompetensi akademik dengan
FuzzymK-Means[7].
Dalam penelitian tersebut algoritma yang digunakan adalah Fuzzy
K-Means untuk dapat melihat tingkatmkemampuan akademikmmahasiswa
sesuai denganmparametermyang diinginkan danmingin dilihatnoleh
kaprodi dan dosen. Pembobotan matamkuliah dengan metodemFuzzy K-
20
Means padaopenelitian ini sangat ditentukanooleh nilaiodari atributkmata
kuliahodan nilai prediksiotiap mata kuliahnya. Proses iterasi atau
pengulangan dalam metode FuzzymK-Means sangat penting dilakukan
Karena bobot mata kuliah masih sangat mungkin untuk berubah, oleh
Karena itu terusmdilakukan pengulangan sampai menghasilkan nilai yang
tetap sehingga dapat mempengaruhi tingkat kemampuan mahasiswa
karena tingkat kemampuanomahasiswa dilihat berdasarkan nilai mata
kuliah yang dikalikan dengan bobot tiap mata kuliahnya sehingga hasil
dari pengelompokkan tersebut ditentukan oleh bobot mata kuliahnya. Dan
hasil dari penelitian ini adalah pengelompokan mahasiswa berdasarkan
kriteria tertentu seperti jenis kelamin, angkatan dan daerah asal untuk
tingkat kompetensi diatas rata – rata, menengah, atau dibawah rata – rata.
Penelitian0Selanjutnya
oleh
Cary
LinekeroSimbolon
pada
tahun02013 [8]. Penelitian ini0membahas tentang0pengelompokkan
lulusan0jurusan matematika FMIPA Universitas0Tanjungpura (UNTAN)
yang0membagi lulusan kedalam empat cluster0berdasarkan IPK0dan lama
studi.
Dari
keempat0cluster
memiliki0lulusan0paling
yang
banyak0yaitu
dihasilkan,0cluster
33
lulusan.
keempat
Cluster
keempat0terdiridari lulusan0dengan kisaran lama0studi 5,91 tahun.0Dari
hasil tersebut0menunjukkan bahwa0masih banyak mahasiswa0jurusan
Matematika0di Fakultas0MIPA Untan Pontianak yang0menempuh lama
studi lebih dari 100semester atau 50tahun. Sehingga hasil tersebut0dapat
dijadikan sebagai bahan0pertimbangan jurusan0dalam meningkatkan0IPK
mahasiswa untuk menyelesaikan0masa studinya.
Selanjutnya adalah penelitian yang dilakukan oleh Megawati, Mukid,
dan Rahmawati tentang penggunaan algoritma fuzzy c-means untuk
segmentasi pasar. [7] Disini peneliti menggunakan algoritma fuzzy c-means
untuk mengelompokkan konsumen menjadi 2 cluster berdasarkan 10 variabel
psikografik. Data penelitian diperoleh melalui penyebaran kuesioner
penelitian pada RITA pasaraya Cilacap. Hasil penelitian ini memperlihatkan
21
segmentasi kosumen yang dibagi menjadi 2 cluster. Responden pada cluster 1
memperhatikan tingkat harga murah, kelengkapan barang – barang, potongan
harga yang besar, pelayanan saat berbelanja yang memuaskan, lokasi yang
strategis, parkir yang luas, kenyamanan pada saat berbelanja, fasilitas umum
yang memadai, fasilitas pembayaran yang lengkap, dan kebersihan ruangan
dibandingkan dengan responden pada cluster 2. Dengan adanya penelitian ini
sasaran pasar yang tepat dapat diterapkan pada suatu swalayan sesuai dengan
studi kasus yang diambil oleh peneliti.
Berdasarkan
acuan
penelitian
diatas,
peneliti
ingin
mengembangkan tentang penerapan algoritma Fuzzy C-Means (FCM)
pada CV. Swalayan Motor Semarang untuk clustering pelanggan sesuai
dengan kriteria mereka masing – masing guna mempermudah penentuan
stategi pemasaran yang tepat. Nantinya data yang akan diolah oleh peneliti
dalah data pembelian yang dilakukan oleh pelanggan selama periode
tertentu untuk menentukan variabel.
Dari penelitian0terkait diatas0dapat dirangkumkan pada tabel dibawah.ini:
Tabel 2. 1 Penelitian Terkait
No
Judul
Peneliti
Tahu
Masalah
Metode
Hasil
Sulitnya
Fuzzy C-
Sistem yang dapat
Nilai Mahasiswa munandar,
menentukan
Means
membentuk 3
Untuk
Wahyu
konsentrasi
Pengelompokan
Oktri
jurusan
Konsentrasi
Widyarto,
Jurusan.
dan Harsiti
n
1.
Clustering
Data Tb.Ai
2013
cluster yang terdiri
yang
dari multimedia,
sering
web dan
mendatangkan
pemrograman
masalah
untuk pendukung
baru
mendatang untuk
keputusan terhadap
mahasiswa.
penentuan
konsentrasi jurusan
mahasiswa.
22
2.
KHS
yang Fuzzy C-
pengelompokan
mahasiswa sistem Febriani
diberikan
pada Means
mahasiswa
informasi
akhir semester di
berdasarkan
berdasarkan
Universitas
kriteria tertentu
tingkat
Kristen
Duta
kompetensi
Wacana
hanya
pengelompokan
Lusia
akademik.
2013
seperti jenis
kelamin, angkatan
dapat
dan daerah asal
memperlihatkan
untuk tingkat
nilai setiap mata
kompetensi diatas
kuliah dan dirasa
rata – rata,
kurang
menengah, atau
efektif.
Dibutuhkan
sistem
dibawah rata – rata.
untuk
dapat
melihat
tingkatkemampua
n
akademik
mahasiswa sesuai
dengan parameter
yang
3.
Bagaimana
diinginkan
dan ingin dilihat.
Pembagian
cara Cary
Fuzzy C-
kedalam Means
Hasil
dari
kerja
algoritma Lineker
lulusan
Fuzzy
C-Means Simbolon
empat
cluster,
diketahui
dimana
cluster
cluster ke empat
2013
untuk
pembahasan
bahwa
menyelesaikan
tersebut
memiliki
masalah
berdasarkan pada
lulusan
paling
mahasiswa
IPK
banyak
dengan
Matematika
studi mahasiswa.
lulusan
FMIPA UNTAN
Pontianak.
dan
lama
anggota
kisaran lama studi
5,91 tahun.
23
4.
Segmentasi Pasar Nurhikmah
Untuk
Fuzzy C-
Sistem membagi
Pada
menghadapi
Means
konsumen menjadi
Pusat Megawati,
Perbelanjaan
(Rita
Moch.
Pasaraya Abdul
Cilacap).
persaingan yang
2 cluster dan
semakin
didapatkan
Mukid, dan 2013 menjamur
mayoritas
Rita
dibutuhkan
konsumen adalah
Rahmawati.
segmentasi pasar.
perempuan dengan
frekuensi belanja 24 kali perbulan .
2.2
Landasan Teori
2.2.1
Data Mining
Data mining merupakan salah satu ilmu dalam bidang
informatika yang mempelajari penambangan0data dan dokumen
teks0merupakan salah satu dokumen0yang ditambang. Data
mining sendiri diartikan sebagai ekstraksi atau penambangan
pengetahuan dari suatu data dengan jumlah yang besar. Fungsi
utama0dari data mining adalah0untuk menentukan suatu0pola yang
didapatkan0dari penugasan0data mining. Tujuan dari data mining
beragam mulai dari pengklasifikasi, pengelompokan, pencarian,
peringkasan dokumen dan lain sebagainya. Proses penambangan
data sendiri bukan merupakan sebuah proses tunggal namun
merupakan proses berkelanjutan, dimulai dari adanya data mentah
yang dilakukan proses0awal diikuti dengan proses penambangan
data dan menghasilkan keluaran yang diharapkan[10].
Dari semua data yang ada, tidak dapat langsung diolah
menggunakan data mining. Data tersebutmharus dipersiapkan
terlebih dahulu agar hasil yangodiperoleh lebih maksimal.
24
Proses KDD secara garisobesar dapat dijelaskanosebagai berikut
[11]:
Gambar 2. 1 Tahap KDD data mining
1. Dataoselection
Datamselection atau seleksiodata, dilakukan sebelummke tahap
penggalianminformasi di KDD di mulai. Sebelum data tersimpan
disuatu berkas, terlebih dahulu dilakukan pemilihan data apa yang
dibutuhkan untuk dilakukan sebuah proses yang lebih lanjut, yang
data tersebut terpisah dari data operasional agar memudahkan
pengguna selanjutnya.
2. Pre-Processing
Pre-processing (cleaning) atau bisa di sebut pemprosesan atau
pembersihan, sebelum dilakukan proses data mining, perlu adanya
proses cleaning pada suatu data yang menjadi focus KDD. Ruang
lingkup proses cleaning yaitu membuang duplikasi pada data,
memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada
data, seperti kesalahan pada pencetakan (tipografi). Dan juga
dilakukan proses enrichment, yaitu proses untuk memperkaya data
yang sudah ada dengan data atau informasi eksternal.
25
3. Transformation
Transformation atau tranformasi, proses pada pencarianmpola atau
sebuah informasio yang menarikmdalam suatumdata yang terpilih
menggunakanpteknikotertentu yang biasa di sebut coding. Didalam
KDD proses coding merupakan suatu proses yang kreatifmdan
bergantungopadaojenisoinformasi yangoakan dicari pada database.
4. Dataomining
Prosesnpencarian polaoatau informasioyang menarikopada suatu data
yang terpilihnmenggunakannteknikotertentu, hal ini disebut data
mining. Pemilihan sebuah metode yang tepat bergantung pada tujuan
dan keseluruhan proses KDD .data yang bisa digunakan agar bisa
menjadi model yang baik, baiknya mencukupi sebagi data riset.
Semakin banyak jumlah data dan semakin sedikit jumkah kesalahan
atau error akan semakin bagus model yang dijadikan patokan.
5. Interpretation / evalution
Interpretasi atau evaluasi, tahap atau proses data mining yang di
peroleh membentuk sebuah pola informasi yang perlu di tampilkan
dalam0bentuk yang0mudah di0mengerti oleh pengguna, pada
tahap0ini
termasuk
bagian
dengan0interpretation0atau
proses0KDD
yang0disebut
interpretasi.Tahap0ini
pemeriksaan0apakahpola0atau
mencakup
informasi0yang
ditemukanbertentangan dengan fakta0atau hipopenelitian yang0sudah
ada sebelumnya.
2.2.2
Clustering
Clustering atau klusterisasi menurut Bakoro merupakan
sebuah alat bantu data mining yang mempunyai tujuan untuk
mengelompokan
objek
ke
dalam
cluster.
Clusteroadalah
sekelompok atau sekumpulan objek data yang similar satu sama
26
lain dalam cluster yang sama dan disimilar terhadap objek yang
berbeda cluster [12].
Clustering
merupakan
Teknik
yang
sudah
banyak
digunakan untuk mengelompokkan data sehingga setiap cluser
memiliki dataoyangomirip dan berbeda dengan data yang berada
dalam cluster lain. Gambar dibawah menunjukkan contoh
sederhana dari proses clustering dimana 2 cluster didalam data
dapat teridentifikas dengan mudah.
Gambar 2. 2 Contoh Proses Clustering
2.2.3
Model RFM (Recency, Frequency, Monetary)
Dalam penelitian ini untuk melakukan clustering pelanggan
sesuai dengan karakteristik mereka masing – masing, dibutuhkan
metode untuk memudahkan pengelompokan, yaitu Recency,
Frequency dan Monetary (RFM). RFM Model analitik diusulkan
oleh Hughes (1994), dan itu adalah model yang membedakan
pelanggan penting dari data yang besar oleh tiga variabel (atribut),
yaitu : selang konsumsi pelanggan, frekuensi dan jumlah uang.
Detail definisi model RFM dijelaskan sebagai berikut[13] :
1. Recency Pembelian (R)
Recency pembelian yaitu
dilakukan.oNilai
yang
probabilitasoyang
lebih
kapan
transaksi
lebihorendah
tinggi
terakhir
sesuaiodengan
dariopelanggan
yang
27
melakukanopembelian
secaraoberulang.oSemakin
pendek
interval, semakin besar nilai Recency (R).
2. Frekuensi pembelian (F)
Frekuensi yaitu Tingkat keseringan pelanggan melakukan
transaksi. Misalkan sekali setiap bulan, atau 2 kali dalam satu
tahun.oFrekuensi
yangolebih
tinggiomenunjukkan
loyalitasoyang lebihobesar.
3. Nilai Moneter pembelian (M).
Monetary yaitu besarnya nilai transaksi yang dilakukan selama
periode tertentu. Jumlah yang lebih tinggi menunjukkan
kontribusi besar bagi perusahaan.
2.2.4
Segmentasi Pelanggan
Segmentasi adalah proses membagi pelanggan menjadi
beberapa cluster dengan kategori loyalitas pelanggan untuk
membangun strategi pemasaran. Segmentasi pelanggan dibagi
menjadi
4
karakteristik
berdasarkan
nilai
RFM[14][15]
sebagaimberikut:
1. Superstar
Merupakan kelompok pelanggan yang memberikan keuntungan
terbesar kepadaoperusahaan. Biasanya kelompokoini adalah
heavyouser yang selalu membeliodalam jumlah besar dan
frekuensi pembelianoyang tinggi. Mereka maummencoba
sesuatu yang baru yang ditawarkan oleh perusahaan, dan yang
palingopenting memilikimkomitmen untuk tidak berpaling
kepadaopesaing.
2. Golden custumer
Golden custumer merupakan sekelompok pelanggan yang
memberikan keuntungan besar kepada perusahaan meskipun
posisinya masih berada dibawah superstar.
3. Typical customer
merupakan kelompok yang paling besar jumlahnya. Mereka
adalah kelompok yang spending level-nya relatif rendah.
Driver terkuatnya untuk bertransaksi semata – mata di dorong
28
oleh potongan harga yang besar, sehingga mereka juga dikenal
sebagai kelompok pemburu diskon. Dengan demikian margin
yang diterima perusahaan juga relatif kecil. Akibatnya,
perusahaan tidak berfikir untuk memberikan pelayanan
premium kepada mereka. Terlepas dari average spending level
yang rendah, kelompok ini masih dibutuhkan perusahaan untuk
menggenapkan pemenuhan target penjualan.
4. Occational customer
Occational customer merupakan kelompok pelanggan yang
tidak menghasilkan keuntungan tetapi membebani perusahaan.
tipe pelanggan seperti ini mempunyai kecenderungan untuk
meminta perhatian lebih besar dan cenderung bermasalah,
membuat perusahaan berfikir lebih baik menghilangkan mereka
dari daftar pelanggan. Dan salah satu ciri dari pelanggan ini
ialah pelanggan yang paling banyak jumlahnya tetapi paling
sedikit transaksinya.
2.2.5
Fuzzy Clustering
Fuzzy C-Means (FCM) merupakan algoritma yang di
gunakan untuk melakukan clustering data berdasarkan keberadaan
tiap-tiap titik data sesuai dengan derajat keanggotaanya [16].
Dalam teori fuzzy, Nilaiokeanggotaan suatu data dalamosebuah
himpunan menjadip0 ketika sama sekali tidak ada anggota, dan
menjadi 1 ketika menjadi anggota secara penuh dalam suatu
himpunan. Umumnyamnilai keanggotaan antara 0 dan 1. Semakin
tinggi nilai keanggotaannya maka semakin tinggi derajat
keanggotaannya, dan semakin kecil nilai keanggotaanya semakin
rendah derajatpkeanggotaannya [16].
Asumsikan ada sejumlah data dalam set dan X yang berisi n
data yang dinotasikan X = { x1, x2, ..,xn}, dimana setiap data
mempunyai fitur r dimensi : xi1, xi2, ..,xir dinotasikan xi = { xi1,
xi2, ..,xir }. Ada sejumlah cluster C dengan centroid : c1 , c2, .. ck,
29
dimana k adalah jumlah cluster. Setiap data mempunyai derajat
keanggotaan pada setiap cluster, dinyatakan dengan uij, dengan
nilai diantara 0 dan 1, i menyatakan data xi dan j menyatakan
cluster cj. Jumlah nilai derajat keanggotaan setiap data xi selalu
dengan 1, yang diformulasikan pada persamaan berikut :
k
∑ Uij=1
j=1
Untuk cluster cj , setiap cluster berisi paling sedikit satu
data dengan nilai keanggotaan tidak nol, namun tidak berisi derajat
satu pada semua data. Cluster cj dapat diformulasikan sebagai
berikut :
k
0< ∑ Uij <n
j=1
Seperti halnya teori himpunan fuzzy bahwa suatu data bisa
menjadi anggota dibeberapa himpunan yang dinyatakan dengan
nilai derajat keanggotaan pada setiap himpunan, maka dalam FCM
setiap data juga menjadi anggota pada setiap cluster dengan derajat
keanggotaan ���.
Nilai derajat keanggotaan data xi pada cluster cj ,
diformulasikan pada persamaan berikut :
−2
w−1
Uj k
−2
∑ D ( X i ,C i ) w−1
i=1
D ( X i Ci )
Parameter cj adalah centroid cluster ke –j, D(��,��) adalah
jarak antara data dengan centroid, sedangkan w adalah parameter
bobot pangkat (weighting exponent) yang diperkenalkan dalam
FCM. w tidak memiliki nilai ketetapan, biasanya nilai w>1 dan
30
umumnya diberi nilai 2. Nilai keanggotaan tersebut disimpan
dalam matriks fuzzy pseudo-partition berukuran N x k, dimana
baris merupakan data, sedangkan kolom adalah nilai keanggotaan
pada setiap cluster. Bentuknya seperti dibawah ini :
[
u 11 [ x 1 ] u 12 [ x 1 ] … u1 k [ x1 ]
U= u21 [ x2 ] u 22 [ x 2 ] … u2 k [ x 2 ]
⋮
⋮
⋮
⋮
un 1 [ x 2 ] u n 2 [ x N ] … unk [ x n ]
]
Untuk menghitung centroid pada cluster c1 pada fitur j,
digunakan persamaan berikut :
N
∑ (ui 1)w x ij
c ij = i =1
N
∑ D(u i1 )w
i=1
ParameteroN adalah jumlah data, w adalahmbobot pangkat,
dan ��1oadalah nilai derajat keanggotaanodata xi keocluster c1.
sementara fungsi objektif menggunakan persamaan berikut :
N
k
J =∑ ∑ (uij ) w D( x i , c i)2
i=1 I=1
Algoritma Clustering fuzzy C-Means :
1. Inisialisasi : tentukan jumlah cluster (k ≥ 2), tentukan bobot pangkat (w >
1), tentukan jumlah maksimal iterasi, tentukan ambang batas perubahan
nilai fungsi objektif (jika perlu juga perubahan nilai cetroid).
2. Berikan nilai awalpada matriks fuzzy pseudo-partition.
3. Lakukan langkah 4 sampai 5 selama syarat dipenuhi : (1) apabila
perubahan pada nilai fungsi objektif masih diatas nilai ambang batas yang
ditentukan; atau (2) perubahan pada nilai centroid masih diatas nilai
ambang batas yang ditentukan; atau (3) itesi maksimum belum tercapai.
4. Hitung nilai centroid dari masing – masing cluster.
31
5. Hitung kembali matriks fuzzy pseudo partition (derajat keanggotaan setiap
data pada setiap cluster).
2.2.6
Validitas Fuzzy Clustering
Metode pengelompokkan dengan konsep fuzzy, sebuah data
bisa menjadi anggota disemua cluster dengan nilai derajat
keanggotaan yang dimilikinya. Semakin tinggi nilai derajat
keanggotaan
pada
sebuah
cluster
maka
semakin
besar
kecenderungannya menjadi anggota cluster tersebut.
Bezdek (1981) mengusulkan validitas cluster dengan
menghitung koefisien partisi atau partition coefficient (PC) sebagai
evaluasi nilai kenggotaan data pada setiap cluster. Nilai PC Index
(PCI) hanya mengevaluasi nilai derajat keanggotaan keanggotaan,
tanpa memandang nilai vektor (data) yang biasanya mengandung
informasi geometrik (sebaran data). Nilainya rentang [0,1], nilai
yang semakin besar (mendekati 1) mempunyai arti bahwa kualitas
cluster yang didapat semakin baik. Berikut formula untuk
menghitung PC Index :
1
PCI=
N
N
k
(∑ ∑ )
i=1 j=1
uij 2
Merupakan jumlah data dalam set data, K merupakan
jumlah cluster, sedangkan
data ke-i ada cluster ke-j.
Contoh perhitungan PCI :
uij
menyatakan nilai keanggotaan
32
Tabel 2.2 Contoh Perhitungan PCI
Data ke – i
Fitur x
Fitur y
ui 1
ui 2
ui 3
1
2
3
4
5
6
7
8
9
10
1
4
6
1
2
5
2
3
2
3
1
1
1
2
3
3
5
5
6
8
0.9036
0.1458
0.0525
0.9871
0.7685
0.1049
0.0939
0.0811
0.0129
0.0980
0.0375
0.0446
0.0326
0.0062
0.1302
0.1018
0.8629
0.8574
0.9796
0.8171
0.0589
0.8097
0.9150
0.0066
0.1013
0.7933
0.0432
0.0616
0.0075
0.0849
PCI
1
PCI=
N
dihitung
N
k
(∑ ∑ )
i=1 j=1
uij 2
menggunakan
persamaan
dengan menghitung kuadrat setiap nilai
keanggotaan data pada setiap cluster kemudian menjumlahkannya.
Perhitungannya disajikan sebagai berikut :
Tabel 2.3 Penyajian perhitungan PCI
Data ke - i
ui 12
ui 2 2
ui 32
1
2
3
4
5
6
7
8
9
10
0.8165
0.0213
0.0028
0.9744
0.5906
0.0110
0.0088
0.0066
0.0002
0.0096
0.0014
0.0020
0.0011
0.0000
0.0170
0.0104
0.7446
0.7351
0.9596
0.6677
0.0035
0.6556
0.8372
0.0000
0.0103
0.6293
0.0019
0.0038
0.0001
0.0072
1
PCI=
N
N
k
(∑ ∑ )
i=1 j=1
uij 2
=
1
( 7.7296 )=0.77296 ≈ 0.7730
10
33
2.2.7
Study Kasus Fuzzy Clustering
Pada studi kasus ini akan dilakukan clustering 10 data pada
set data 2 dimensi yang menggunakan FCM.
Tabel 2.4 Data sampel
Data ke-i
1
2
3
4
5
6
7
8
9
10
Fitur x
1
4
6
1
2
5
2
3
2
3
Fitur y
1
1
1
2
3
3
5
5
6
8
Pengukuran jarak yang digunakan adalah jarak Euclidean.
Jumlah cluster (K) adalah 3. Ambang batas (T) yang digunakan
untuk perubahan fungsi objektif adalah 0.1. nilai w yang digunakan
adalah 2.
Langkah – langkah yang dilakukan sebagai berikut :
1. Inisialisasi
Pada matriks fuzzy pseudo-partition diinisialisasi dengan
memberikan nilai sembarang dalam jangkauan [0,1] dengan
jumlah untuk setiap data (baris) adalah :
Tabel 2.5 Inisisalisasi
Data ke-i
U1
U2
U3
1
0.5714
0.1429
0.2857
2
0.5000
0.3000
0.2000
3
0.1000
0.3000
0.6000
34
4
0.3000
0.3000
0.4000
5
0.2727
0.6364
0.0909
6
0.1905
0.3810
0.4286
7
0.6250
0.2500
0.1250
8
0.2500
0.5000
0.2500
9
0.1667
0.6667
0.1667
10
0.3333
0.5000
0.1667
Dikarenakan data belum masuk ke dalam cluster, maka nilai
fungsi objektifnya diberikan nilai awal yang besar, contoh
1000.
2. Iterasi 1
Hitung pada centroid untuk setiap cluster dengan rumus sebagai
berikut :
N
∑ (ui 1)w x ij
c ij = i =1
N
∑ D(u i1 )w
i=1
Cluster 1
Tabel 2.6 Cluster 1
Datanke-i
(ui 1) w o
(ui 1) w x i1 p
i(ui 1)w xi 2
11
o2
o3
o4
o5
0.3265
0.2500
0.0100
0.0900
0.0744
0.3265
1.0000
0.0600
0.0900
0.1488
0.3265
0.2500
0.0100
0.1800
0.2231
35
o6
o7
n8
09
10
0.0363
0.3906
0.0625
0.0278
0.1111
0.1814
0.7813
0.1875
0.0556
0.3333
0.1088
1.9531
0.3125
0.1667
0.8889
N
N
N
i=1
i=1
i=1
∑ (ui 1)w=1.3792 ∑ (ui 1)w xi 1=3.1643 ∑ (ui 1)w xi 2=4.4197
Centroid yang di peroleh adalah :
Tabel 2.7 Centroid Cluster 1
Centroid
Fitur x
N
Fitur y
2.2943
∑ (ui 1)w x ij
3.2045
c ij = i =1
N
∑ D(u i1 )w
i=1
Cluster 2
Tabel 2. 8 Cluster 2
Datake-i
(ui 2) w m
(ui 2) w x i 1 b
(ui 2) w x i 2 n
1
2
3
4
5
6
7
8
9
10
0.0204
0.0900
0.0900
0.0900
0.4050
0.1451
0.0625
0.2500
0.4444
0.2500
0.0204
0.3600
0.5400
0.0900
0.8099
0.7256
0.1250
0.7500
0.8889
0.7500
0.0204
0.0900
0.0900
0.1800
1.2149
0.4354
0.3125
1.2500
2.6667
2.0000
N
∑ (ui 1) =1.8474
i=1
w
N
∑ (ui 1) xi 1=5.0598
w
i=1
Centorid yang di peroleh adalah :
N
∑ (ui 1)w xi 2=8.2598
i=1
36
Tabel 2.9 Centroid Cluster 2
Centroid
Fitur x
N
Fitur y
4.4710
2.7388
∑ (ui 1)w x ij
c ij = i =1
N
∑ D(u i1 )w
i=1
Cluster 3
Tabel 2.10 Centroid Cluster 3
Datake-i
(ui 2) w
(ui 2) w x i 1
(ui 2) w x i 2
1
2
3
4
5
6
7
8
9
10
0.0816
0.0400
0.3600
0.1600
0.0083
0.1837
0.0156
0.0625
0.0278
0.0078
0.0816
0.1600
2.1600
0.1600
0.0165
0.9184
0.0313
0.1875
0.0556
0.0833
0.0816
0.0400
0.3600
0.3200
0.0248
0.5510
0.0781
0.3125
0.1667
0.2222
N
N
∑ (ui 1) =0.9673 ∑ (ui 1)
w
i=1
i=1
w
N
xi 1=3.8542
∑ (ui 1)w xi 2=2.1570
i=1
Centroid yang di peroleh adalah :
Tabel 2.11 Centroid Cluster 3
Centroid
N
∑ (ui 1)w x ij
c ij = i =1
N
∑ D(u i1 )w
i=1
Fitur x
3.9847
Fitur y
2.2300
37
Centroid yang di peroleh untuk 3 clusteradalah :
Tabel 2.12 Centroid yang diperoleh
Centroid
1
2
3
Fitur x
2.2943
2.7388
3.9847
fitur y
3.2045
4.4710
2.2300
Kemudian menghitung nilai derajat keanggotaan pada
setiap data setiap cluster (matriks pseudo partition). Dan berikut
adalah contoh perhitungan nilai derajat keanggotaan untuk data keI:
nilai derajat keanggotaan untuk data ke-I :
√( x
D(x1, c1) =
11
−c 11 ) 2+ ( x 12 −c 12 )2=√ ( 1−2.2943 ) + ( 1−3.2045 )
2
2
¿ 2.5564
√( x
D(x1, c2) =
11
−c 21 )2 + ( x 12−c 22)2 =√( 1−2.7388 ) + ( 1−4.4710 )
2
2
¿ 3.8822
√( x
D(x1, c3) =
11
−c 31 )2+ ( x 12−c 32)2 =√( 1−3.9847 ) + ( 1−2.2300 )
2
2
¿ 3.2282
Hasil lengkap D(x1, c1) diperoleh seperti dibawah ini :
Tabel 2.13 Jarak ke Centroid
Data ke-i
1
2
3
1
2.5564
2.7873
4.3118
Jarak ke centroid
2
3. 8822
3. 6930
4. 7626
3
3.2282
1.2301
2.3610
38
4
5
6
7
8
9
10
1.7681
0.3584
2.7134
1.8194
1.9292
2.8109
4.8471
3. 0215
1.6461
2.6975
0.9087
0.5900
1.6982
3.5387
x
x
x
x
x
x
−2
−2
D(¿ ¿ 1 , c 2) w−1 + D(¿ ¿ 1 , c3 ) w−1
−2
D(¿ ¿ 1 , c1 ) w−1 +¿
¿
−2
D(¿ ¿ 1 , c1 ) w−1
¿
k
−2
∑ D(¿ ¿ 1 , c 1)w−1 =¿
i=1
−2
D(¿ ¿ 1 , c1 ) w−1
¿
u11 =¿
−2
=
2.5564 2−1
2.5564
−2
2−1
+3.8822
−2
2−1
+3.2282
−2
2−1
=0.4853
2.9935
2.1288
1.2743
3.4076
2.9398
4.2605
5.8534
39
x
x
x
x
x
x
D(¿ ¿ 1 , c 2)
−2
w−1
+ D(¿ ¿ 1 , c3 )
D(¿ ¿ 1 , c1 )
¿
−2
w−1
D(¿ ¿ 1 , c2 )
¿
k
∑ D(¿ ¿ 1 , c 1)
−2
w−1
+¿
−2
w−1
−2
w−1
=¿
i=1
−2
D(¿ ¿ 1 , c2 ) w−1
¿
u12=¿
−2
3.8822 2−1
=
2.5564
−2
2−1
+3.8822
−2
2−1
+3.2282
x
x
x
x
x
x
D(¿ ¿ 1 , c 2)
−2
w−1
+ D(¿ ¿ 1 , c3 )
−2
D(¿ ¿ 1 , c1 ) w−1 +¿
¿
k
D(¿ ¿ 1 , c3 )
¿
−2
w−1
−2
∑ D(¿ ¿ 1 , c 1)w−1 =¿
i=1
−2
D(¿ ¿ 1 , c3 ) w−1
¿
u13=¿
−2
w−1
−2
2−1
=0.2104
40
−2
3.2282 2−1
=
2.5564
−2
2−1
+3.8822
−2
2−1
+3.2282
−2
2−1
=0.3043
Diperoleh nilai keanggotaan semua data matriks psedo-partition :
Tabel 2.14 Nilai Keanggotaan
Data ke-i
ui 1
ui 2
ui 3
1
2
3
4
5
6
7
8
9
10
0.4853
0.1492
0.1940
0.5913
0.9296
0.1528
0.1889
0.0825
0.2395
0.2807
0.2104
0.0850
0.1590
0.2025
0.0441
0.1546
0.7573
0.8820
0.6562
0.5267
0.3043
0.7659
0.6470
0.2063
0.0263
0.6927
0.0539
0.0355
0.1043
0.1925
Nilai fungsi objektif dihitung sebagai berikut :
N
k
J =∑ ∑ (uij ) w D( x i , c i)2
i=1 I=1
Tabel 2.15 Fungsi Objektif
Cluster 1
Cluster 2
Cluster 3
ke-i
(ui 1)
(¿¿ w D(x i , c 1 )2)
¿
(ui 2)
(¿¿ w D(x i , c 2 )2)
¿
(ui 3)
(¿¿ w D(x i , c 3 )2)
¿
1
2
3
4
5
6
7
8
1.5389
0.1729
0.6997
1.0929
0.1110
0.1718
0.1181
0.0253
0.6673
0.0985
0.5735
0.3742
0.0053
0.1739
0.4735
0.2708
0.9651
0.8875
2.3335
0.3813
0.0031
0.7791
0.0337
0.0109
Data
41
9
10
0.4533
1.8518
1.2419
3.4744
0.1973
1.2698
Nilai fungsi objektif(J) didapatkan = 20.4501
Perubahan fungsi objektif = 1000 – 20.4501 = 979.5499
Karena perubahan nilai fungsi objektif masih diatas ambang batas
yang didapat, maka proses dilanjutkan ke iterasi berikutnya. Dan
iterasi dilanjutkan sampai fungsi objektif berada di bawah ambang
batas yang sudah ditentukan yaitu 0.1. dan setelah dilakukan iterasi
ke -5, fungsi objektif yang didapatkan sudah mencapai ambang
batas yaitu =
Nilai fungsi objektif(J) didapatkan = 11.9953
Perubahan fungsi objektif = 12.0682 – 11.9953 = 0.0728
Hasil nilai derajat kenggotaan setiap data pada setiap cluster pada
iterasi ke – 5 sebagai berikut :
Tabel 2.16 Hasil Nilai Derajaat Keanggotaan
Data
ke – i
1
2
3
4
5
6
7
8
9
10
ui 1
0.9036
0.1458
0.0525
0.9871
0.7685
0.1049
0.0939
0.0811
0.0129
0.0980
ui 2
0.0375
0.0446
0.0326
0.0062
0.1302
0.1018
0.8629
0.8574
0.9796
0.8171
ui 3
0.0589
0.8097
0.9150
0.0066
0.1013
0.7933
0.0432
0.0616
0.0075
0.0849
Terbesar
0.9036
0.8097
0.9150
0.9871
0.7685
0.7933
0.8629
0.8574
0.9796
0.8171
Cluster yang
diikuti
1
3
3
1
1
3
2
2
2
2
42
Diatas merupakan hasil akhir clustering dari 10 data. Data
ke 1,4,5 berasa dalam cluster 1. Data ke 7,8,9,10 berada di cluster
2. Dan data ke 2,3,6 berada di cluster 3.
Sementara centroid yang diperoleh sebagai berikut :
Tabel 2.17 Sementara Centroid
Centroid
1
2
3
2.2.8
Fitur x
1.3317
2.4574
5.0381
Fitur y
1.9888
5.9088
1.6165
Kerangka Penelitian
Rancang Bangun clustering Pelanggan ini disusun melalui
beberapa
tahapan
yang
harus
dilakukan
dengan
tujuan
memudahkan dalam penelitian ini.
Masalah
Tujuan
Segmentasi pelanggan pada CV.
Membuat cluster pelanggan untuk
Swalayan Motor
mempertahankan pelanggan potensial dan
Semarangmenggunakan Fuzzy C-
menetukan strategi pemasaran yang tepat
Means
dengan algoritma FCM
Fuzzy C-Means
43
Implementasi
Tools
Sublime Text
My-SQL
Hasil
Manfaat
Clustering pelanggan CV. Swalayan
Memberikan kemudahan kepada CV.
Motor Semarang yang terdiri dari 4
Swalayan Motor Semarang untuk
cluster
yaitu
:
Superstar,
Golden
customer, Typical customer,Occational
mengelola data pelanggan dan
mempertahankan pelanggan potensial
customer
Gambar 2. 3 Kerangka Berpikir Penelian
BAB III
METODE PENELITIAN
3.1 InstrumenPenelitiano
Berikut ini adalah Instrument.yangi digunakani untuki prosesipenelitiani :
1. Perangkati Lunaki
Perangkati lunaki yangi digunakani dalami perancangani sistemi
antarai lain:o
a. Sistemi Operasii Windows 7i
b. Sublime Text
c. Xampp
d. MySQL
2. PerangkatoKeras
44
Perangkat keras yang digunakanmdalam penelitian adalah komputer
dengan spesifikasi:
a. Processor Core i3 1.90 GHz
b. 2 GB RAM
c. Harddisk 500GB
3.2
Metode Pengumpulan Data
Pengumpulan
data
dilakukan
oleh
penelitiodalam
rangkaomencapai tujuan penelitian. Dalam penelitianmini, peneliti
menggunakanmteknik untuk mengumpulkan data diantaranyao: survey,
study literature, dan research and site visit.
3.2.1
Survey
Survey adalah pengumpulan dataoyang dilakukan dengan
wawancara dan bimbingan dari orang – orang yang bertanggung
jawab terhadap kapasitasnya masing – masing,osehubungan
denganpmasalah yangosedang diteliti. Hasil yang didapatkan dari
survey tersebut menunjukkan bahwa CV. Swalayan Motor
Semarang sebagai salah satu perusahaan yang memasarkan produk
sparepart sepeda motor.masih mengalami kendala dalam dalam
pengelompokkan pelanggan. Untuk mengidentifkasi pelanggan
CV. Swalayan Motor Semarang selama ini masih dilakukan secara
manual dengan cara mengenali wajah konsumen yang setia serta
menentukan jumlah biaya pembelian produk. Selain itu, manajer
pemasaran CV. Swalayan Motor Semarang mengharapkan adanya
model clustering pelanggan untuk mengelompokkan pelanggan
menurut tingkat kesetiaan mereka, supaya perusahaan dapat
mengoptimalkan nilai lifetime pelanggan dengan cara mengetahui
lebih banyak mengenai informasi pelanggan secara intensif untuk
menerapkan strategi CRM diperusahaan tersebut.
45
3.2.2
StudyLiterature
Study literature adalah pengumpulan data yangmdilakukan
oleh peneliti guna menunjang pembuatan laporan Tugas Akhir
dengan cara mempelajarinteori dari buku – bukumyang berkaitan
dengan masalah yang dibahas..Penelitian dilakukan dengan cara
mempelajari karangan ilmiah dan juga buku yang relevan dengan
pokok bahasan. Dalamohal ini peneliti menggunakanmbuku – buku
maupun referensi yangnterdapat di perpustakaan Universitas Dian
Nuswantoro Semarang guna menunjang pembuatanolaporan Tugas
Akhir.m
3.2.3
Researchand SiteVisit
Researcoand SiteoVisit adalah pengumpulan data untuk
mencari informasi yang berkaitan dengan penelitian dengan cara
mengunjungi situs – situs. Kunjungan pada situsomerupakan suatu
bentuk penelitianoyang khusus. Dengan menjelajahiointernet,
peneliti dapat memperolehobanyak informasi dari berbagai
referensi dan sudutnpandang yangoberbeda – beda. Adapun situs –
situs yang berkaitanodengan penelitian ini antaralaino:
a. http://www.google.com
b. http://www.googlescholar.com
3.3
Teknik Analisis Data
Standar proses data mining model CRISP-DM (Cross Industry
Standart process) yang dikembangkan tahun 1966 oleh analis dari
beberapa industri menyediakan proses data mining sebagai strategi
pemecahan masalah secara umum untuk penelitian. Dalam CRISP-DM,
sebuah proyek data mining memiliki langkah – langkah sebagai berikut :
1. Pemahamani bisnisi (Businessi Understanding)o
a. Pemahamani terhadapotujuanobisnis
46
Dalamoaplikasinyaopada perusahaan penjualan produk sparepart,
perluoadanya pemahamanoterhadapotujuan bisnis sebagai dasar
penentuan polabyangmakanmdicariodalamodata mining.oBeberapa
tujuanpbisnismpadamperusahaanmpenjualanmprodukmspareparty
ang berkaitanmdenganmprosesmCRMmadalah :m
1. Meningkatkanmdanmmempertahankanmjumlah
terutama
pelanggan
yangp
berpotensio
pelanggan
untuk
menjadi
pelanggan tetap.j
2. Meningkatkanonilaiopenjualanodengan penggunaan strategi
pemasaran pemberian diskon terhadap pelanggan sesuai dengan
jenis pelanggan, sehingga nilai pembelianmakanmbertambah.m
b. Penilaianmsituasi m
CV. Swalayan Motor Semarang merupakan perusahaan yang
menjualan produk sparepart sepeda motor. Perusahaan ini memiliki
puluhan jenis produk yang ditawarkan. Produk tersebut dijual
secara grosir dan eceran. CV. Swalayan Motor Semarangmemiliki
lebih dari 193 pelanggan tetap dan omzet penjulan setiap bulannya
mencapai puluhan juta.rupiah.mm
c. Menerjemahkanitujuanobisnisokedalamotujuanodatapminingm
Fase inimmembutuhkan pemahamanmterhadapmtujuanobisnis
supaya dapat diterjemahkan kedalam data mining..Salahmsatu
tujuan
datamminingmyang
untukmmendukungkCRMmadalah
digunakan
membangunmclustering
pelanggan. Clustering pelanggan dapat digunakan oleh pihak
manajemen untuk menentukan strategi pemasaran diantaranya:
1. Membangun profil dari pelanggan yang berkaitan dengan pola
pembelian dan purchasehistory untuk menentukan penawaran
produk yang sesuai dengan pelanggan.
2. Penentuan strategi pemasaran berkaitan dengan diskon atau
promo yang sesuai dengan jenis pelanggan sebagai cara untuk
meningkatkan dan mempertahankan jumlah pelanggan.
2. Data Understanding
47
Pada fase ini perlu adanya pemahaman kebutuhan tentang dataoyang
berkaitanmdenganmpencapaian
tujuanmdataoomining.
Dariproses
pengambilan datam,didapatkan1000 data lebih penjualan produk
sparepartperiode bulan Januari 2016 – Februari 2017 yang dibeli oleh
pelanggan secara grosir maupun eceran. Data tersebut meliputi tanggal
penjualan, nama barang, banyakbarang, nama pelanggan, harga serta
jumlah. Dan dibawah ini merupakan contoh rekapan data :
Gambar 3. 1 Rekapan Data
3. DatamPreparationm
Padamfase ini.dataoakanodipersiapkanvsehinggaomudah dalam proses
mining.oProsesopreparationoakan mencakupo3 halomendasar yaituo:
a. DataoSelectionp
Dataoselection adalah pemilihan data yang digunakan dalam proses
data mining.
b. Data Preprocessing
Data Preprocessing adalah pemastian kualitas0data yang
telah0dipilih sebelumnya0pada data selection.
c. Data Transformation
48
Data Transformation adalah pengelompokkan atribut atau field
yang telah dipilih menjadi 1 tabel dengan cara denormalisasi.
Berikut adalah hasil pemilihan atribut yang dibutuhkan
dalam proses clustering pelanggan menggunakan metode RFM
yaitu atribut yang berkaitan dengan recency, frequency, dan
monetary.
Tabel 3. 1 Pemilihan Atribut CV. Swalayan Motor Semarang
Field
Keterangan
Kode Pelanggan
Jarak Pembelian Akhir
Kode Pelanggan
Menandakan recency, merupakan
tanggal
terakhir
transaksi
yang
dilakukan
pelanggan.
Menandakan
Frekuensi Beli
merupakan
pembelian
oleh
frequency,
jumlah
transaksi
selama periode yang ditentukan.
Menandakan
monetary,
Total Beli
merupakan jumlah uang selama
periode yang ditentukan.
4. Modeling
Dari data sebelumnya, dataset diolah dengan cara pembobotan sesuai
domain nilai untuk mempermudah pengolahan data sebelum
dimodelkan dengan dengan algoritma Fuzzy C-Means sehingga
mengasilkan data derajat keanggotaan masing – masing variabel untuk
penentuan label konsumen yaitu kelas pelanggan.
Tabel 3.2 Domain Nilai
Atribut
Variabel
Linguistik
Domain Nilai
Kategori
Bobot
49
Recency
Frequency
Monetary
Sangat Lama
Lama
Lumayan Lama
Baru Saja
Sangat Jarang
Jarang
Lumayan Sering
Sering
Sangat Rendah
Rendah
Sedang
R ≥ 25 hari
24 ≤ R ≤ 18 hari
17 ≤ R ≤ 11 hari
0 ≤ R ≤ 10 hari
0 ≤ F ≤ 4 transaksi
5 ≤ F ≤ 8 transaksi
9 ≤ F ≤ 15 transaksi
F ≥ 16 transaksi
0 ≤ M ≤ 7 juta rupiah
7,1 ≤ M ≤ 14 juta rupiah
14,1 juta ≤ M ≤ 20 juta
1
2
3
4
1
2
3
4
1
2
3
Tinggi
rupiah
M ≥ 20,1 juta rupiah
4
Dari data set diatas, akan dilakukan pegolahan data menggunakan
algoritma FCM sesuai dengan atribut yang digunakan dalam clustering
pelanggan CV.Swalayan Motor Semarang. Berikut merupakan
penerapan atribut dalam dataset penjualan produk untuk menenentukan
jenis
pelanggan.
Jenis
pelanggan
dibedakan
menjadi
4
yaitu :Superstar, Golden customer, Typical customer, Occational
customer.
Tabel 3.2 Sample data uji
Kode
Interval
Frekuensi
Pelanggan
GP-1
GP-2
GP-3
GP-4
Waktu Beli
2
3
3
2
GP-5
1
GP-6
GP-7
GP-8
1
1
3
Total Beli
Jenis
Beli
2
3
3
1
3
2
2
1
Pelanggan
Superstar
Superstar
Superstar
Occational
2
1
customer
Occational
3
customer
Typical
1
customer
Typical
2
customer
Golden
2
1
2
50
GP-9
3
3
1
customer
Golden
GP-10
2
1
2
customer
Occational
customer
5. Evaluation
Evaluasi dari model yang digunakan dengan melakukan proses mining
pada datasetdalam 1 periode tertentu. Proses clustering diuji coba
dengan berbagai niai parameter dari algoritma clustering. Jika belum
mampu membaca cluster dengan tepat, maka akan kembali dalam
proses modeling untuk memperbaiki struktur model yang digunakan.
Fase evaluasi dianggap selesai apabila business understanding telah
terjawab dengan baik.
6. Deployment
Pada fase ini akan dilakukan pembuatan aplikasi data mining. Pada
penelitian ini proses deployment adalah melakukan proses data mining
pada keseluruhan database penjualan produk dan tidak dilakukan
intergrasi dengan sistem yang telah ada di CV. Swalayan Motor
Semarang.
BAB IV
IMPLEMENTASI
4.1
Implementasi
Sistem yang akan dibentuk berupa aplikasi berbasis web yang
didalamnya terdapat data-data penjualan sparepart berdasarkan transaksi
pelanggan yang sudah ada di CV. Swalayan Motor Semarang untuk diolah
menggunakan metode Fuzzy C-Means. Pemilihan web sebagai basis dari
sistem yang akan dibangun karena mudah di gunakan. Dan data yang di
gunakan adalah data penjualan sparepart pada CV. Swalayan Motor
51
Semarang tahun januari 2016 – februari 2017, dengan jumlah 193
pelanggan tetap.
4.2
Penggunaan Fuzzy C-Means (FCM)
Penggunaan algoritma Fuzzy C-Means pada sub bab ini akan
dibahas cara mengimplementasikan algoritma pada data penjualan :
Tabel 4. 1 Data penjualan Barang
Kode
JarakPembelia
Pelanggan
nAkhir
GP-1
GP-2
GP-3
GP-4
GP-5
GP-6
GP-7
GP-8
GP-9
GP-10
GP-11
GP-12
GP-13
GP-14
GP-15
GP-16
GP-17
GP-18
GP-19
2
2
3
3
2
1
3
2
1
2
3
4
4
4
1
1
1
1
3
FrekuensiBeli
TotalBeli
3
2
4
2
3
2
1
4
2
2
2
3
4
3
3
1
2
2
3
3
3
4
1
2
3
2
2
1
2
1
1
2
2
2
2
1
1
2
Jumlah Cluster yang akan dibentuk adalah 4 cluster yaitu :

Superstar

Golden Customer

Typical Customer

Occational Customer
52
Ambang batas untuk menghentikan iterasi adalah = nilai positif
terkecil.
Weight (Bobot) = 2
1. Inisialisasi
Matriks fuzzy pseudo-partition diinisialisi dengan memberikan nilai
sembarang dalam jangkauan [0,1] dengan jumlah untuk setiap data
(baris) adalah 1.
Tabel 4. 2 Tabel Inisialisasi
Data ke
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
U1
0,3478
0,3781
0,3311
0,3533
0,4557
0,4222
0,5522
0,3421
0,3412
0,3509
0,3478
0,3781
0,3311
0,3533
0,4557
0,4222
0,5522
0,3421
0,3412
U2
0,2785
0,2519
0,3213
0,3123
0,4134
0,3322
0,2211
0,2233
0,3078
0,3123
0,2785
0,2519
0,3213
0,3123
0,4134
0,3322
0,2211
0,2233
0,3078
U3
0,2735
0,2289
0,2278
0,2145
0,119
0,2245
0,1145
0,2221
0,2312
0,2134
0,2735
0,2289
0,2278
0,2145
0,119
0,2245
0,1145
0,2221
0,2312
2. Iterasi 1
a. Cluster 1
Rumus :
(��1)� = inisialisasi u1 dipangkat weight (2)
U4
0,1002
0,1411
0,1198
0,1199
0,0119
0,0211
0,1122
0,2125
0,1198
0,1234
0,1002
0,1411
0,1198
0,1199
0,0119
0,0211
0,1122
0,2125
0,1198
53
(��1)���1 = inisialisasi u1dipangkat weight (2) X Data TglBeli
Akhir
(��1)���2 = inisialisasi u1 dipangkat weight (2) X Data Frekuensi
Beli
(��1)3 = inisialisasi u1 dipangkat weight (2) X Data TotalBeli
Tabel 4. 3 Tabel Cluster 1
Data ke
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Jumlah
(���)�
0,12096
0,14295
0,10962
0,12482
0,20766
0,17825
0,30492
0,11703
0,11641
0,12313
0,12096
0,14295
0,10962
0,12482
0,20766
0,17825
0,30492
0,11703
0,11641
2,96845
(���)����
0,24192
0,28591
0,32888
0,37446
0,41532
0,17825
0,91477
0,23406
0,11641
0,24626
0,36289
0,57183
0,43850
0,49928
0,20766
0,17825
0,30492
0,11703
0,34925
6,36593
(���)����
0,36289
0,28591
0,43850
0,24964
0,62298
0,35650
0,30492
0,46812
0,23283
0,24626
0,24192
0,42887
0,43850
0,37446
0,62298
0,17825
0,60984
0,23406
0,34925
7,04679
(���)����
0,36289
0,42887
0,43850
0,12482
0,41532
0,53475
0,60984
0,23406
0,11641
0,24626
0,12096
0,14295
0,21925
0,24964
0,41532
0,35650
0,30492
0,11703
0,23283
5,67122
Centroid-nya didapatkan sebagai berikut :
Tabel 4. 4 Tabel Centroid 1
Centroid
R
F
M
2,14452
2,37389
1,91049
N
∑ (ui 1)w x ij
c ij = i =1
N
∑ D(u i1 )w
i=1
54
b. Cluster 2
Tabel 4. 5 Tabel Cluster 2
Data ke
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Jumlah
(���)�
0,07756
0,06345
0,10323
0,09753
0,17089
0,11035
0,04888
0,04986
0,09474
0,09753
0,07756
0,06345
0,10323
0,09753
0,17089
0,11035
0,04888
0,04986
0,09474
1,73058
(���)����
0,15512
0,12690
0,30970
0,29259
0,34179
0,11035
0,14665
0,09972
0,09474
0,19506
0,23268
0,25381
0,41293
0,39012
0,17089
0,11035
0,04888
0,04986
0,28422
3,82645
(���)����
0,23268
0,12690
0,41293
0,19506
0,51269
0,22071
0,04888
0,19945
0,18948
0,19506
0,15512
0,19036
0,41293
0,29259
0,51269
0,11035
0,09777
0,09972
0,28422
4,48967
(���)����
0,23268
0,19036
0,41293
0,09753
0,34179
0,33107
0,09777
0,09972
0,09474
0,19506
0,07756
0,06345
0,20646
0,19506
0,34179
0,22071
0,04888
0,04986
0,18948
3,48697
Centroid-nya didapatkan sebagai berikut :
Tabel 4. 6 Tabel Centroid 2
Centroid
R
F
M
55
N
∑ (ui 1)w x ij
c ij = i =1
N
∑ D(u i1 )w
i=1
2,21107
2,59431
2,01491
c. Cluster 3
Tabel 4. 7 Tabel Cluster 3
Data ke
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Jumlah
(���)�
0,07480
0,05239
0,05189
0,04601
0,01416
0,05040
0,01311
0,04932
0,05345
0,04553
0,07480
0,05239
0,05189
0,04601
0,01416
0,05040
0,01311
0,04932
0,05345
0,85664
(���)����
0,14960
0,10479
0,15567
0,13803
0,02832
0,05040
0,03933
0,09865
0,05345
0,09107
0,22440
0,20958
0,20757
0,18404
0,01416
0,05040
0,01311
0,04932
0,16036
2,02230
(���)����
0,22440
0,10479
0,20757
0,09202
0,04248
0,10080
0,01311
0,19731
0,10690
0,09107
0,14960
0,15718
0,20757
0,13803
0,04248
0,05040
0,02622
0,09865
0,16036
2,21099
(���)����
0,22440
0,15718
0,20757
0,04601
0,02832
0,15120
0,02622
0,09865
0,05345
0,09107
0,07480
0,05239
0,10378
0,09202
0,02832
0,10080
0,01311
0,04932
0,10690
1,70557
Centroid-nya didapatkan sebagai berikut :
Tabel 4. 8 Tabel Centroid 3
Centroid
R
F
M
56
N
∑ (ui 1)w x ij
c ij = i =1
N
∑ D(u i1 )w
i=1
2,36072
2,58098
1,99099
d. Cluster 4
Tabel 4. 9 Tabel Cluster 4
Data ke
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Jumlah
(��4)�
0,01004
0,01990
0,01435
0,01437
0,00014
0,00044
0,01258
0,04515
0,01435
0,01522
0,01004
0,01990
0,01435
0,01437
0,00014
0,00044
0,01258
0,04515
0,01435
0,27795
(��4)����
0,02008
0,03981
0,04305
0,04312
0,00028
0,00044
0,03776
0,09031
0,01435
0,03045
0,03012
0,07963
0,05740
0,05750
0,00014
0,00044
0,01258
0,04515
0,04305
0,64575
(��4)����
0,03012
0,03981
0,05740
0,02875
0,00042
0,00089
0,01258
0,18062
0,02870
0,03045
0,02008
0,05972
0,05740
0,04312
0,00042
0,00044
0,02517
0,09031
0,04305
0,74954
(��4)����
0,03012
0,05972
0,05740
0,01437
0,00028
0,00133
0,02517
0,09031
0,01435
0,03045
0,01004
0,01990
0,02870
0,02875
0,00028
0,00089
0,01258
0,04515
0,02870
0,49857
Centroid-nya didapatkan sebagai berikut :
Tabel 4. 10 Tabel Centroid 4
Centroid
R
F
M
57
N
∑ (ui 1)w x ij
c ij = i =1
N
∑ D(u i1 )w
i=1
2,32327
2,69669
1,79376
Centroid yang didapatkan untuk 4 cluster tersebut sebagai berikut :
Tabel 4. 11 Tabel Hasil Centroid
Centroid
1
2
3
4
R
2,14452
2,21107
2,36072
2,32327
F
2,37389
2,59431
2,58098
2,69669
M
1,91049
2,01491
1,99099
1,79376
3. Jarak ke Centroid
D(x1, c1) =
=
√( x
2
11
2
2
−c 11 ) + ( x 12−c 12 ) + ( x 13−c 13 )
√ ( 2−2,144528936 ) +( 3−2,373892609 ) +( 3−1,910496122 )
2
2
2
= 1,26487
D(x1, c2) =
=
√(x
2
11
2
−c 21 ) + ( x 12−c 22) + ( x 13−c 23 )
2
√ ( 2−2,211078083) +( 3−2,594311405 ) +( 3−2,014910571)
2
2
2
= 1,08606
D(x1, c3) =
=
√( x
11
2
2
2
−c 31 ) + ( x 12−c 32) + ( x 13 −c 33 )
√ ( 2−2,360722561 ) + ( 3−2,580986825 ) + ( 3−1,990992303 )
= 1,15056
2
2
2
58
D(x1, c4) =
√( x
2
11
2
2
−c 41 ) + ( x 12−c 42 ) + ( x 13−c 43 )
√ ( 2−2,323275088 ) +( 3−2,69669757 ) +( 3−1,79376205 )
2
2
2
= 1,28511
Hasil lengkap sebagai berikut :
Tabel 4. 12 Tabel jarak centroid
Data
ke
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Centroid
1
2
3
4
1,26487
1,16090
2,78246
1,30408
0,64877
1,62381
1,62093
1,63496
1,50955
0,41072
1,30408
2,15958
2,46880
1,96030
1,30765
1,79040
1,50955
1,50955
1,06388
1,08606
1,16968
2,55713
1,41620
0,45755
1,67042
1,77889
1,42152
1,68818
0,63085
1,41620
2,09639
2,27517
1,83440
1,27730
2,00218
1,68818
1,68818
0,88724
1,15056
1,21891
2,54133
1,31464
0,55296
1,79086
1,70536
1,46417
1,78078
0,68392
1,31464
1,96083
2,16815
1,69200
1,42380
2,08594
1,78078
1,78078
0,76441
1,28511
1,43000
2,65029
1,25435
0,48891
1,92131
1,8382
1,35854
1,69307
0,79525
1,25435
1,87974
2,13366
1,71637
1,37316
2,16156
1,69307
1,69307
0,76972
4. Nilai keanggotaan data matrik pseudo-partition
59
x
x
x
x
x
x
x
−2
−2
D(¿ ¿ 1 , c3 ) w−1 + D(¿ ¿ 1 , c 4) w−1
−2
D(¿ ¿ 1 , c 2) w−1 + ¿
−2
D(¿ ¿ 1 , c 1) w−1 + ¿
¿
−2
D(¿ ¿ 1 , c 1) w−1
¿
−2
k
∑ D( ¿ ¿1 , c 1)w−1 =¿
i=1
D(¿ ¿ 1 , c 1)
¿
u 11=¿
−2
w−1
1,264879
¿
1,264879
−2
2−1
−2
−2
2−1
−2
−2
+1,086066 2−1 +1,15056 2−1 +1,285111 2−1
= 0,22056
60
x
x
x
x
x
x
x
−2
−2
D(¿ ¿ 1 , c3 ) w−1 + D(¿ ¿ 1 , c 4) w−1
−2
D(¿ ¿ 1 , c 2) w−1 + ¿
−2
D(¿ ¿ 1 , c 1) w−1 + ¿
¿
−2
k
D(¿ ¿ 1 , c 2) w−1
¿
−2
∑ D( ¿ ¿1 , c 1)w−1 =¿
i=1
D(¿ ¿ 1 , c 2)
¿
u12=¿
−2
w−1
−2
1,086066 2−1
¿
1,264879
−2
2−1
+1,086066
−2
2−1
+1,15056
−2
2−1
+1,285111
−2
2−1
61
¿ 0,29917
x
x
x
x
x
x
x
−2
−2
D(¿ ¿ 1 , c3 ) w−1 + D(¿ ¿ 1 , c 4) w−1
−2
D(¿ ¿ 1 , c 2) w−1 + ¿
−2
D(¿ ¿ 1 , c 1) w−1 + ¿
¿
−2
k
D(¿ ¿ 1 , c 3) w−1
¿
−2
∑ D(¿ ¿1 , c 1)w−1 =¿
i=1
D(¿ ¿ 1 , c 3)
¿
u13=¿
−2
w−1
1,15056
¿
1,264879
−2
2−1
−2
−2
2−1
−2
−2
+1,086066 2−1 +1,15056 2−1 +1,285111 2−1
62
¿ 0,26657
x
x
x
x
x
x
x
−2
−2
D(¿ ¿ 1 , c3 ) w−1 + D(¿ ¿ 1 , c 4) w−1
−2
D(¿ ¿ 1 , c 2) w−1 + ¿
−2
D(¿ ¿ 1 , c 1) w−1 + ¿
¿
−2
k
D(¿ ¿ 1 , c 4) w−1
¿
−2
∑ D( ¿ ¿1 , c 1)w−1 =¿
i=1
D(¿ ¿ 1 , c 3)
¿
u14=¿
−2
w−1
1,285111
¿
1,264879
−2
2−1
−2
−2
2−1
−2
−2
+1,086066 2−1 +1,15056 2−1 +1,285111 2−1
¿ 0,21367
Hasil selengkapnya perhitungan dari nilai keanggotaanya adalah :
63
Tabel 4. 13 Tabel nilai keanggotaan
Data ke
Nilai Keanggotaan
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
0,22056
0,28159
0,22296
0,25557
0,16265
0,28724
0,2848
0,19927
0,30183
0,48750
0,25557
0,21767
0,20777
0,20882
0,26326
0,31032
0,30183
0,30183
0,15910
0,29917
0,27738
0,26399
0,21670
0,32701
0,27143
0,23646
0,26361
0,24133
0,20664
0,21670
0,23099
0,24464
0,23847
0,27592
0,24814
0,24133
0,24133
0,22876
0,26657
0,25543
0,26728
0,25148
0,22390
0,23615
0,25729
0,24848
0,21689
0,17582
0,25148
0,26403
0,26939
0,28030
0,22206
0,22862
0,21689
0,21689
0,30818
0,21367
0,18558
0,24575
0,27623
0,28642
0,20517
0,22143
0,28862
0,23994
0,13003
0,27623
0,28730
0,27817
0,2724
0,23874
0,21290
0,23994
0,23994
0,30394
5. Fungsi Objektif
(ui 1)
w
= nilai keanggotaan psedo-partition, pangkat w
D(x i , c 1)2 = jarak kecentroid
Tabel 4. 14 Tabel nilai Fungsi Objektif
Data
ke-i
1
2
3
4
5
Cluster 1
(ui 1)
(¿¿ w D( x i , c 1 )2)
¿
0,07783
0,10686
0,38488
0,11108
0,01113
Cluster 2
Cluster 3
Cluster 4
(ui 2)
(¿¿ w D(x i , c 2 )2)
¿
(ui 3)
(¿¿ w D(x i , c 3 )2)
¿
(ui 4 )
(¿¿ w D(x i , c 4 )2 )
¿
0,10557
0,10527
0,45570
0,09418
0,02238
0,09407
0,09693
0,46139
0,10930
0,01532
0,07540
0,07043
0,42423
0,12006
0,01961
64
6
7
8
9
10
11
12
13
14
15
16
17
18
19
0,21755
0,21311
0,10615
0,20759
0,04009
0,11108
0,22097
0,26313
0,16757
0,11851
0,30870
0,20759
0,20759
0,02865
0,20558
0,17694
0,14042
0,16599
0,01699
0,09418
0,23449
0,30982
0,19136
0,12421
0,24684
0,16599
0,16599
0,04119
0,17885
0,19253
0,13236
0,14917
0,01445
0,10930
0,26804
0,34116
0,22493
0,09996
0,22742
0,14917
0,14917
0,05549
0,15539
0,16569
0,15374
0,16503
0,01069
0,12006
0,29166
0,35228
0,21859
0,10747
0,21179
0,16503
0,16503
0,05473
Nilai fungsi Objektif dari total semuanya = 12,28944
Perubahan dari nilai fungsi objektif =987,7106
Iterasi dilakukan hingga nilai perubahan fungsi objektif hingga
nilai positif terkecil. Hasil akhir yang di dapat dari cluster penderita
tuberculosis di Kota Semarang adalah sebagai berikut :
Tabel 4. 15 Tabel hasil akhir cluster pelanggan
Kode
TglBeliAkhir
Pelanggan
GP-1
GP-2
GP-3
GP-4
GP-5
GP-6
GP-7
GP-8
GP-9
FrekuensiBel
TotalBeli
i
2
2
3
3
2
1
3
2
1
JenisPelangga
n
3
2
4
2
3
2
1
4
2
3
3
4
1
2
3
2
2
1
1
1
4
3
1
2
3
3
2
65
GP-10
GP-11
GP-12
GP-13
GP-14
GP-15
GP-16
GP-17
GP-18
GP-19
2
3
4
4
4
1
1
1
1
3
2
2
3
4
3
3
1
2
2
3
2
1
1
2
2
2
2
1
1
2
1
3
4
4
4
2
2
2
2
3
Dari table diatas dapat diketahui cluster pelanggan berdasarkan
masing–masing kriteria pelanggan yaitu =
Tabel 4. 16 Tabel Hasil Cluster
Kode
TglBeliAkhir
Pelanggan
GP-1
GP-2
GP-3
GP-4
GP-5
GP-6
GP-7
GP-8
GP-9
GP-10
GP-11
GP-12
GP-13
FrekuensiBel
TotalBeli
i
JenisPelangga
n
2
2
3
2
3
3
3
4
4
3
2
1
2
3
2
1
2
3
3
1
2
2
4
2
1
2
1
2
2
2
3
2
1
4
3
1
4
4
2
Superstar
Superstar
Occational
customer
Typical
customer
Superstar
Golden
custumer
Typical
customer
Typical
customer
Golden
custumer
Superstar
Typical
customer
Occational
customer
Occational
66
GP-14
GP-15
GP-16
GP-17
GP-18
GP-19
4.3
4
3
2
1
3
2
1
1
2
1
2
1
1
2
1
3
3
2
customer
Occational
customer
Golden
custumer
Golden
custumer
Golden
custumer
Golden
custumer
Typical
customer
Implementasi Algoritma Fuzzy C-Means (FCM)
Implementasi Algoritma ini berisi informasi dari sistem yang telah
dibuat dan diterapkan dalam system berbasis web.
4.3.1 Halaman Input Data Customer
67
Gambar 4. 1 Halaman Input Data Customer
Pada halaman ini, admin dapat menambahkan data pelanggan atau
customer baru yang dimiliki oleh CV. Swalayan Motor Semarang. Data
customer yang diinputkan berupa informasi mengenai nama, kontak dan
alamat customer.
4.3.2
Halaman Data Customer
Gambar 4. 2 Halaman Data Customer
68
Pada halaman ini, admin dapat melihat data pelanggan atau
customer yang dimiliki oleh CV. Swalayan Motor Semarang.
Disini admin juga dapat mengedit informasi customer melalui
menu edit.
4.3.3
Halaman Proses Segmentasi
Gambar 4. 3 Halaman Proses Segmentasi
Pada halaman ini terdapat proses perhitungan iterasi dari
iterasi 1 sampai iterasi terakhir. Terdapat empat kolom yaitu cluster
1, cluster 2, cluster 3 dan cluster 4 hinggal fungsi objektif.
69
4.3.4
Halaman awal hasil proses Iterasi
Gambar 4. 4 Halaman awal hasil proses Iterasi
Pada halaman ini menampilkan hasil proses iterasi dan
perubahannya serta di tampilkan juga keterangan jumlah data dan
klusternya.
4.3.5
Halaman hasil segmentasi
Gambar 4. 5 Halaman hasil segmentasi
70
Pada halaman ini, sistem akan menampilkan daftar
customer beserta dengan cluster yang sesuai dengan customer
tersebut. Daftar customer meliputi id_pelanggan, nama pelanggan
serta cluster yang sesuai.
4.4
Pembahasan Hasil Penelitian
Penelitian
ini
dilakukan
untuk
membantu
menghadapi
permasalahan CV. Swalayan Motor Semarang dalam mengelompokkan
pelanggan sesuai dengan kriteria masing – masing pelanggan. Pelanggan
merupakan aset yang penting bagi sebuah perusahaan terutama untuk
untuk mengetahui pelanggan potensial. Pelanggan potensial harus
dipertahankan oleh perusahaan karena pelanggan potensial merupakan
pelanggan yang memberikan keuntungan tertinggi bagi perusahaan.
Dari masalah tersebut peneliti membuat penelitian yang bertujuan
untuk
mempermudah
CV.
Swalayan
Motor
Semarang
dalam
mengelompokkan pelanggan sesuai dengan kriteria pelanggan, sehingga
perusahaan dapat menentukan strategi yang tepat dalam mempertahankan
pelanggan sesuai dengan kriteria masing – masing.
Penelitian ini menggunakan metode Fuzzy C-Means (FCM) dalam
pengolahan data transaksi yang dilakukan oleh pelanggan. penghitungan
algoritma ini terdiri dari inisialisasi data berupa data keanggotaan,
menghitung centroid, menghitung jarak data ke centroid, menghitung nilai
keanggotaan, dan menghitung nilai fungsi objektif. Nilai fungsi objektif
mempengaruhi iterasi yang dilakukan, karena jika perubahan nilai fungsi
objektif belum mencapai nilai positif terkecil iterasi akan terus dilakukan.
Setelah nilai fungsi objektif mencapai nilai positif terkecil, barulah cluster
data dapat ditentukan.
Berikut merupakan hasil cluster pelanggan CV. Swalayan Motor
Semarang.
71
Tabel 4. 17 Hasil Clustering
Kode
No
1
2
3
4
5
6
7
Nama Pelanggan
Karakteristik
25 MOTOR
26 MOTOR
Pelanggan
Superstar
Superstar
Occational
Pelanggan
GP-1
GP-2
GP-3
GP-4
GP-5
GP-6
GP-7
GP-8
46 MOTOR
57 MOTOR
AA MOTOR
AAM MOTOR
AAS MOTOR
ABADI JAYA MOTOR
customer
Typical customer
Superstar
Golden custumer
Typical customer
TASIK MADU
ABADI MOTOR
Typical customer
GP-9
Golden custumer
GP-10
PEGANDON
AD MOTOR PUNCAK
WANGI
ADINDA MOTOR
Superstar
GP-11
GP-12
NGADIREJO
ADITYA MOTOR KALI
Typical customer
Occational
GP-13
ANGKRIK
AGUNG MOTOR
customer
Occational
KALIWUNGU
customer
Occational
AJI JAYA MOTOR
AJI MOTOR
AL HUSADA MOTOR
ALI MOTOR COMAL
ALPHA JAYA MOTOR
AMBON MOTOR LIMPUNG
AMIN PUTRA MOTOR
ANAK MAJU KALORAN
customer
Golden custumer
Golden custumer
Golden custumer
Golden custumer
Typical customer
Golden custumer
Golden custumer
Occational
ANANTA MOTOR,
ANDIN MOTOR
ANEKA JAYA MOTOR
ANGGA MOTOR
ANIS MOTOR
customer
Superstar
Golden custumer
Typical customer
Occational
8
9
10
11
12
13
GP-14
14
15
16
17
18
19
20
21
22
23
24
25
26
GP-15
GP-16
GP-17
GP-18
GP-19
GP-20
GP-21
GP-22
GP-23
GP-24
GP-25
GP-26
72
27
ANTON MOTOR
ANUGERAH MOTOR
GP-29
TERSONO
ANUGRAH MOTOR
Superstar
Occational
GP-30
GP-31
GEMOLONG
ANUGRAH MOTOR
ANUGRAH MOTOR
customer
Superstar
Occational
customer
GP-32
TENGELES
ANUGRAH MOTOR
TERSONO
ANUNG MOTOR
Typical customer
Superstar
Occational
APRIL MOTOR
ARDI MOTOR
customer
Typical customer
Occational
ARIS MOTOR
ARIS MOTOR
customer
Superstar
Occational
ARTIS MOTOR DAWE
ARVY MOTOR CURUG
customer
GP-39
GP-40
GP-41
GP-42
GP-43
GP-44
SEWU
ARYO MOTOR
ASMARA MOTOR
ATO MOTOR
AULDI MOTOR TULUNG
AZIS MOTOR SEKARAN
Typical customer
Typical customer
Golden custumer
Golden custumer
Typical customer
GUNUNG PATI
Typical customer
Occational
GP-46
GP-47
GP-48
BAGUS MOTOR
BAHTERA MOTOR
BAKIR MOTOR
BAROKAH MOTOR
customer
Typical customer
Superstar
GP-49
BANYU BIRU
BAROKAH MOTOR
Golden custumer
Occational
NGALIAN
BAROKAH MOTOR PASAR
customer
GP-50
GP-51
GAJAH
BARU LESTARI MOTOR
Typical customer
Typical customer
28
29
30
31
32
33
34
35
36
37
GP-33
GP-34
GP-35
GP-36
GP-37
GP-38
38
39
40
41
42
43
44
GP-45
45
46
47
48
49
50
51
customer
Golden custumer
GP-27
GP-28
73
52
53
54
55
56
57
58
59
GP-52
GP-53
GP-54
GP-55
GP-56
GP-57
GP-58
BASKARA MOTOR
BATAS KOTA MOTOR
BEJI MOTOR
BEJO JAYA MOTOR
BENG MOTOR
BENING MOTOR NGIJO
BERDI MOTOR SUMBER
Typical customer
Typical customer
Golden custumer
Typical customer
Typical customer
Golden custumer
GP-59
GP-60
LAWANG
BERDIKARI MOTOR
BERKAH MANDIRI
Typical customer
Golden custumer
MOTOR
BERKAH MOTOR
Typical customer
GP-61
GP-62
GP-63
BAWANG
BERKAH MOTOR
BERKAH MOTOR/AINUL
Typical customer
Typical customer
MOTOR
BERKAH SUMBER KARYA
BHASKARA MOTOR
BHASKARA MOTOR
BHASKARA MOTOR
Superstar
Typical customer
Golden custumer
Golden custumer
Typical customer
Occational
BIMA MOTOR SAWANGAN
BIMA SAKTI MOTOR
BIMO MOTOR
customer
Typical customer
Golden custumer
Occational
BINAR MOTOR SUSUKAN
BINTANG MOTOR
customer
Typical customer
Occational
BINTANG MOTOR
customer
Occational
BINTANG MOTOR
BK MOTOR
BMP MOTOR
BMS MIJEN
customer
Golden custumer
Superstar
Superstar
Occational
BOYJO MOTOR
BR MOTOR
BUDAYA MOTOR
BUDI MULYA MOTOR
BUNGA TANJUNG
customer
Typical customer
Superstar
Golden custumer
Typical customer
60
61
62
63
64
65
66
67
68
69
70
71
72
GP-64
GP-65
GP-66
GP-67
GP-68
GP-69
GP-70
GP-71
GP-72
GP-73
73
GP-74
74
75
76
77
78
79
80
81
82
GP-75
GP-76
GP-77
GP-78
GP-79
GP-80
GP-81
GP-82
74
83
GP-83
GP-84
CEMERLANG
CAHAYA MAS MOTOR
CAHAYA MOTOR AMPEL
SIMO
CAHAYA MOTOR
Golden custumer
GP-85
JUWIRING
CAHAYA MOTOR
Superstar
GP-86
PEGADON
Typical customer
Occational
CAHAYA MOTOR
customer
Occational
GP-89
CAHAYA MOTOR SECANG
CAHAYA MOTOR
customer
Occational
MLONGGO
CAHAYA MULIA CURUG
customer
GP-90
GP-91
GP-92
GP-93
GP-94
SEWU
CAHAYA MULIA MOTOR
CAHAYA WERGU WETAN
CAHYO MOTOR
CAKRA BUANA JAYA
Golden custumer
Golden custumer
Golden custumer
Golden custumer
MOTOR
CANDRA KENCANA
Typical customer
GP-95
MOTOR
CANDRA MOTOR JEMBER
Golden custumer
Golden custumer
Occational
CANDRA MOTOR
CIPTA MOTOR
CITA MOTOR NG
CITRA MOTOR WIL B
CLASSIC MOTOR
customer
Superstar
Golden custumer
Typical customer
Occational
NGLUWER 2
COMANDOZ MOTOR
CONDONG MOTOR
customer
Golden custumer
Superstar
Occational
DAMAI MOTOR
DARAH BIRU
customer
GP-105
GP-106
MOTOR,TMBAK BOYO
DAYA USAHA MOTOR
Superstar
Occational
84
85
86
GP-87
87
GP-88
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
GP-96
GP-97
GP-98
GP-99
GP-100
GP-101
GP-102
GP-103
GP-104
104
105
106
Typical customer
75
107
108
109
110
GP-107
GP-108
GP-109
DC MOTOR
DEAL MOTOR
DECO MOTOR
DERMAN JAYA MOTOR
customer
Typical customer
Occational
DEVA MOTOR
DEVI MOTOR TAMBAK
customer
BOYO
Superstar
Occational
DEVONIZ MOTOR
DEWI MOTOR
DIAN MOTOR
DIAN MOTOR BUYARAN
DICKY JAYA MOTOR
DIDIK MOTOR
DIGDAYA
customer
Typical customer
Typical customer
Golden custumer
Golden custumer
Typical customer
MOTOR,JUWANGI
Typical customer
Occational
GP-121
GP-122
GP-123
GP-124
DIKARI MOTOR
DIN MOTOR
DIN/DINA MOTOR OIL
DIPA MOTOR
DMP MOTOR/KDM
customer
Typical customer
Superstar
Golden custumer
Occational
customer
GP-125
BAWEN
DUA SAUDARA
GP-126
GP-127
GP-128
ROWOSARI
DUTA SERVIS
DWI NUGROHO
DWIJAYA MOTOR
Typical customer
Typical customer
Typical customer
GP-129
GP-130
GP-131
GP-132
GP-133
JATINOM
EDO PUTRA MOTOR
EKA MOTOR KERTEK
EKO MOTOR ROWOSARI
EKO DWI MOTOR
EKO MOTOR
Typical customer
Golden custumer
Typical customer
Typical customer
Golden custumer
GP-134
GP-135
BANDUNGAN
ELANG MOTOR
EMS MOTOR
Typical customer
Golden custumer
Typical customer
GP-110
GP-111
111
GP-112
112
GP-113
113
114
115
116
117
118
GP-114
GP-115
GP-116
GP-117
GP-118
GP-119
119
GP-120
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
customer
Typical customer
Superstar
Occational
76
136
137
138
139
GP-136
GP-137
GP-138
GP-139
GP-140
ENGGAL JAYA MOTOR
ERCE MOTOR
ERWAN MOTOR
EVI MOTOR
FADHOL MOTOR
Typical customer
Typical customer
Superstar
Typical customer
Golden custumer
GP-141
PEGANDON
FADHOL MOTOR
PEGANDON
FAJAR MOTOR KLAMBOR
Golden custumer
GP-142
MUNTILAN
Typical customer
Occational
FAMILI MOTOR
FAMILI MOTOR WIL B
FAMILY MOTOR GEBOG
customer
Typical customer
Golden custumer
Occational
FAN MOTOR
FASA MOTOR
customer
Typical customer
Occational
FEBRIANSAH MOTOR
customer
Occational
FEBRIANSAH MOTOR
FERDY MOTOR
FIKA MOTOR
FUJI/PUJI MOTOR
customer
Golden custumer
Superstar
Superstar
Occational
GANDUNG MOTOR
GEMBIRA MOTOR
GIMNAS MOTOR
GINO MOTOR
GITA BUANA MOTOR
GOSITA MOTOR
GP MOTOR
GUN MOTOR
GUN MOTOR PASAR
customer
Typical customer
Superstar
Golden custumer
Typical customer
Typical customer
Golden custumer
Superstar
SUROWONO
Typical customer
Occational
GUN MOTOR
customer
Occational
GUNA LANCAR MOTOR
GUNO MOTOR
customer
Occational
140
141
142
GP-143
143
144
145
146
147
GP-144
GP-145
GP-146
GP-147
GP-148
148
GP-149
149
150
151
152
153
154
155
156
157
158
159
160
GP-150
GP-151
GP-152
GP-153
GP-154
GP-155
GP-156
GP-157
GP-158
GP-159
GP-160
GP-161
161
GP-162
162
GP-163
163
164
GP-164
77
165
166
167
168
169
170
171
172
173
174
175
176
177
178
GP-165
GP-166
GP-167
GP-168
GP-169
GP-170
GP-171
GP-172
HANDS MOTOR
HANNA MOTOR
HARI MOTOR
HARJO MOTOR CEPIRING
HARJO SARI MOTOR
HASAN MOTOR PEGADON
HAWAII MOTOR
HELMI MOTOR
HERI MOTOR BOYOLL
HERO MOTOR WELERI
HESK MOTOR
customer
Superstar
Golden custumer
Typical customer
Occational
HIDAYAH MOTOR
HIDAYAT MOTOR
HK MOTOR
customer
Golden custumer
Superstar
Occational
HUDA MOTOR G
HUSNI MOTOR
customer
BOROBUDUR
Superstar
Occational
IDA MOTOR
IDJO MOTOR
IKLAS MOTOR
customer
Typical customer
Superstar
Occational
IMAM MOTOR
IMANUEL MOTOR
customer
NGALIAN
Typical customer
Occational
INDAH REJEKI SALAM
INDO JAYA MOTOR
customer
Superstar
Occational
GP-189
GP-190
GP-191
INDO MOTOR
IRENG MOTOR
IRIN MOTOR
ISAS MOTOR/SALAMSARI
customer
Typical customer
Typical customer
GP-192
GP-193
MOTOR
JAELANI MOTOR
JALIL MOTOR
Golden custumer
Golden custumer
Typical customer
GP-173
GP-174
GP-175
GP-176
GP-177
GP-178
GP-179
179
GP-180
180
GP-181
181
182
183
GP-182
GP-183
GP-184
184
GP-185
185
GP-186
186
187
188
189
190
191
192
193
customer
Golden custumer
Golden custumer
Golden custumer
Golden custumer
Typical customer
Golden custumer
Golden custumer
Occational
GP-187
GP-188
78
Untuk mengetahui validitas cluster dalam pembentukan cluster
pelanggan pada system tersebut, peneliti menghitung koefisien partisi atau
partition coefficient (PC) sebagai evaluasi nilai keanggotaan data pada
setiap cluster. Nilai yang semakin besar (mendekati 1) mempunyai arti
bahwa kualitas cluster yang didapat semakin baik. Dan berikut ini
merupakan penghitungan PC Index :
1
PCI=
N
N
k
(∑ ∑ )
i=1 j=1
uij 2
U1 = Inisialisasi Cluster 1
U2 = Inisialisasi Cluster 2
U3 = Inisialisasi Cluster 3
U4 = Inisialisasi Cluster 4
N = Jumlah Data
Nilai u1, u2, u3, dan u4 yang diuji saat ini merupakan nilai
inisialisasi pada iterasi akhir yaitu iterasi ke – 13
4.17 Tabel Hasil PCI
No
1
2
3
4
5
6
7
8
9
10
11
12
U1
U2
U3
U4
0,39503
0,51835
0,23634
0,18025
0,43446
0,34180
0,32207
0,27643
0,23000
0,96739
0,18025
0,08871
0,22267
0,21878
0,16659
0,08835
0,20009
0,48393
0,15162
0,21542
0,61742
0,01624
0,08835
0,05273
0,23360
0,17861
0,25722
0,58266
0,26216
0,11340
0,37396
0,27812
0,10579
0,01313
0,58266
0,26379
0,148687
0,08423
0,33983
0,14871
0,10327
0,06085
0,15234
0,23001
0,04677
0,00322
0,14871
0,59475
79
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
0,08497
0,00583
0,28089
0,29454
0,23000
0,23000
0,12293
0,02770
0,29454
0,00583
0,96739
0,29454
0,14948
0,00583
0,28089
0,51835
0,00583
0,96739
0,00583
0,12293
0,96739
0,00583
0,14599
0,00583
0,96739
0,00583
0,14948
0,12293
0,02770
0,28089
0,18025
0,18025
0,00583
0,14599
0,96739
0,23000
0,08871
0,18025
0,12293
0,14599
0,14948
0,02770
0,12293
0,14599
0,05340
0,00305
0,54383
0,54389
0,61742
0,61742
0,05023
0,96294
0,54389
0,00305
0,01624
0,54389
0,08358
0,00305
0,54383
0,21878
0,00305
0,01624
0,00305
0,05023
0,01624
0,00305
0,04255
0,00305
0,01624
0,00305
0,08358
0,05023
0,96294
0,54383
0,08835
0,08835
0,00305
0,04255
0,01624
0,61742
0,05273
0,08835
0,05023
0,04255
0,08358
0,96294
0,05023
0,04255
0,17248
0,01830
0,11518
0,10997
0,10579
0,10579
0,50280
0,00651
0,10997
0,01830
0,01313
0,10997
0,48592
0,01830
0,11518
0,17861
0,01830
0,01313
0,01830
0,50280
0,01313
0,01830
0,72220
0,01830
0,01313
0,01830
0,48592
0,50280
0,00651
0,11518
0,58266
0,58266
0,01830
0,72220
0,01313
0,10579
0,26379
0,58266
0,50280
0,72220
0,48592
0,00651
0,50280
0,72220
0,68913
0,97279
0,06008
0,05158
0,04677
0,04677
0,32402
0,00283
0,05158
0,97279
0,00322
0,05158
0,28100
0,97279
0,06008
0,08423
0,97279
0,00322
0,97279
0,32402
0,00322
0,97279
0,08924
0,97279
0,00322
0,97279
0,28100
0,32402
0,00283
0,06008
0,14871
0,14871
0,97279
0,08924
0,00322
0,04677
0,59475
0,14871
0,32402
0,08924
0,28100
0,00283
0,32402
0,08924
80
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
0,28089
0,12293
0,02770
0,30491
0,14599
0,12293
0,96739
0,12293
0,02770
0,28089
0,14599
0,22860
0,12293
0,02770
0,08871
0,14599
0,00583
0,22860
0,28681
0,39503
0,51835
0,23634
0,18025
0,43446
0,34180
0,32207
0,27643
0,23000
0,96739
0,18025
0,08871
0,08497
0,00583
0,28089
0,29454
0,23000
0,23000
0,12293
0,02770
0,29454
0,00583
0,96739
0,29454
0,14948
0,54383
0,05023
0,96294
0,23439
0,04255
0,05023
0,01624
0,05023
0,96294
0,54383
0,04255
0,10808
0,05023
0,96294
0,05273
0,04255
0,00305
0,10808
0,49184
0,22267
0,21878
0,16659
0,08835
0,20009
0,48393
0,15162
0,21542
0,61742
0,01624
0,08835
0,05273
0,05340
0,00305
0,54383
0,54389
0,61742
0,617429
0,05023
0,96294
0,54389
0,00305
0,01624
0,54389
0,08358
0,11518
0,50280
0,00651
0,32429
0,72220
0,50280
0,01313
0,50280
0,00651
0,11518
0,72220
0,31766
0,50280
0,00651
0,26379
0,72220
0,01830
0,31766
0,15029
0,23360
0,17861
0,25722
0,58266
0,26216
0,11340
0,37396
0,27812
0,10579
0,01313
0,58266
0,26379
0,17248
0,01830
0,11518
0,10997
0,10579
0,10579
0,50280
0,00651
0,10997
0,01830
0,01313
0,10997
0,48592
0,06008
0,32402
0,00283
0,13639
0,08924
0,32402
0,00322
0,32402
0,00283
0,06008
0,08924
0,34564
0,32402
0,00283
0,59475
0,08924
0,97279
0,34564
0,07104
0,14868
0,08423
0,33983
0,14871
0,10327
0,06085
0,15234
0,23001
0,04677
0,00322
0,14871
0,59475
0,68913
0,97279
0,06008
0,05158
0,04677
0,04677
0,32402
0,00283
0,05158
0,97279
0,00322
0,05158
0,28100
81
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
0,00583
0,28089
0,51835
0,00583
0,96739
0,00583
0,12293
0,96739
0,00583
0,14599
0,00583
0,96739
0,00583
0,14948
0,12293
0,02770
0,28089
0,18025
0,18025
0,00583
0,14599
0,96739
0,23000
0,08871
0,18025
0,12293
0,14599
0,14948
0,02770
0,12293
0,14599
0,28089
0,12293
0,02770
0,30491
0,14599
0,12293
0,96739
0,12293
0,02770
0,28089
0,14599
0,22860
0,12293
0,00305
0,54383
0,21878
0,00305
0,01624
0,00305
0,05023
0,01624
0,00305
0,04255
0,00305
0,01624
0,00305
0,08358
0,05023
0,96294
0,54383
0,08835
0,08835
0,00305
0,04255
0,01624
0,61742
0,05273
0,08835
0,05023
0,04255
0,08358
0,96294
0,05023
0,04255
0,54383
0,05023
0,96294
0,23439
0,04255
0,05023
0,01624
0,05023
0,96294
0,54383
0,04255
0,10808
0,05023
0,01830
0,11518
0,17861
0,01830
0,01313
0,01830
0,50280
0,01313
0,018309
0,72220
0,018309
0,01313
0,01830
0,48592
0,50280
0,00651
0,11518
0,58266
0,58266
0,01830
0,72220
0,01313
0,10579
0,26379
0,58266
0,50280
0,72220
0,48592
0,00651
0,50280
0,72220
0,11518
0,50280
0,00651
0,32429
0,72220
0,50280
0,01313
0,50280
0,00651
0,11518
0,72220
0,31766
0,50280
0,97279
0,06008
0,08423
0,97279
0,00322
0,97279
0,32402
0,00322
0,97279
0,08924
0,97279
0,00322
0,97279
0,28100
0,32402
0,00283
0,06008
0,14871
0,14871
0,97279
0,08924
0,00322
0,04677
0,59475
0,14871
0,32402
0,08924
0,28100
0,00283
0,32402
0,08924
0,06008
0,32402
0,00283
0,13639
0,08924
0,32402
0,00322
0,32402
0,00283
0,06008
0,08924
0,34564
0,32402
82
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
0,02770
0,08871
0,14599
0,00583
0,22860
0,28681
0,39503
0,51835
0,23634
0,18025
0,43446
0,34180
0,32207
0,27643
0,23000
0,96739
0,18025
0,08871
0,08497
0,00583
0,28089
0,29454
0,23000
0,23000
0,12293
0,02770
0,29454
0,00583
0,96739
0,29454
0,14948
0,00583
0,28089
0,51835
0,00583
0,96739
0,00583
0,12293
0,96739
0,00583
0,14599
0,00583
0,96739
0,00583
0,96294
0,05273
0,04255
0,00305
0,10808
0,49184
0,22267
0,21878
0,16659
0,08835
0,20009
0,48393
0,15162
0,21542
0,61742
0,01624
0,08835
0,05273
0,05340
0,00305
0,54383
0,54389
0,61742
0,61742
0,05023
0,96294
0,54389
0,00305
0,01624
0,54389
0,08358
0,00305
0,54383
0,21878
0,00305
0,01624
0,00305
0,05023
0,01624
0,00305
0,04255
0,00305
0,01624
0,00305
0,00651
0,26379
0,72220
0,01830
0,31766
0,15029
0,23360
0,17861
0,25722
0,58266
0,26216
0,11340
0,37396
0,27812
0,10579
0,01313
0,58266
0,26379
0,17248
0,01830
0,11518
0,10997
0,10579
0,10579
0,50280
0,00651
0,10997
0,01830
0,01313
0,10997
0,48592
0,01830
0,11518
0,17861
0,01830
0,01313
0,01830
0,50280
0,01313
0,01830
0,72220
0,01830
0,01313
0,01830
0,00283
0,59475
0,08924
0,97279
0,34564
0,07104
0,14868
0,08423
0,33983
0,14871
0,10327
0,06085
0,15234
0,23001
0,04677
0,00322
0,14871
0,59475
0,68913
0,97279
0,06008
0,05158
0,04677
0,04677
0,32402
0,00283
0,05158
0,97279
0,00322
0,05158
0,28100
0,97279
0,06008
0,08423
0,97279
0,00322
0,97279
0,32402
0,00322
0,97279
0,08924
0,97279
0,00322
0,97279
No
1
2
3
4
5
6
7
189
8
190
9
191
10
192
11
193
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
u1^2
0,15605
0,26869
0,05586
0,03249
0,18876
0,11683
0,10372
0,14948
0,07641
0,12293
0,05290
0,02770
0,93585
0,28089
0,03249
0,18025
0,00787
0,00722
3,40508
0,07890
0,08675
0,05290
0,05290
0,01511
0,00076
0,08675
3,40508
0,93585
0,08675
0,02234
3,40508
0,07890
0,26869
3,40508
0,93585
3,40508
0,01511
0,93585
3,40508
0,02131
3,40508
0,93585
3,40508
0,02234
0,01511
0,00076
0,07890
0,03249
0,03249
3,40508
0,02131
0,93585
0,05290
0,00787
0,03249
0,01511
0,02131
0,02234
0,00076
0,01511
0,02131
0,07890
u2^2
0,04958
0,04786
0,02775
0,00780
0,04003
0,23418
0,02298
0,08358
0,04640
0,05023
0,38121
0,96294
0,00026
0,54383
0,00780
0,08835
0,00278
0,00285
9,34226
0,29576
0,29581
0,38121
0,38121
0,00252
0,92725
0,29581
9,34226
0,00026
0,29581
0,00698
9,34226
0,29576
0,04786
9,34226
0,00026
9,34226
0,00252
0,00026
9,34226
0,00181
9,34226
0,00026
9,34226
0,00698
0,00252
0,92725
0,29576
0,00780
0,00780
9,34226
0,00181
0,00026
0,38121
0,00278
0,00780
0,00252
0,00181
0,00698
0,92725
0,00252
0,00181
0,29576
u3^2
0,05456
0,03190
0,06616
0,33949
0,06872
0,012861
0,13984
0,48592
0,07735
0,50280
0,01119
0,00651
0,00017
0,11518
0,33949
0,58266
0,06958
0,02975
0,00033
0,01326
0,01209
0,01119
0,01119
0,25280
4,25102
0,01209
0,00033
0,00017
0,01209
0,23612
0,00033
0,01326
0,03190
0,00033
0,00017
0,00033
0,25280
0,00017
0,00033
0,52158
0,00033
0,00017
0,00033
0,23612
0,25280
4,25102
0,01326
0,33949
0,33949
0,00033
0,52158
0,00017
0,01119
0,06958
0,33949
0,25280
0,52158
0,23612
4,25102
0,25280
0,52158
0,01326
u4^2
0,02210
0,00709
0,11548
0,02211
0,01066
0,00370
0,02320
0,28100
0,05290
0,32402
0,00218
0,00283
1,04175
0,06008
0,02211
0,14871
0,35373
0,47490
0,94633
0,00360
0,00266
0,00218
0,00218
0,10499
8,01732
0,00266
0,94633
1,04175
0,00266
0,07896
0,94633
0,00360
0,00709
0,94633
1,04175
0,94633
0,10499
1,04175
0,94633
0,00796
0,94633
1,04175
0,94633
0,07896
0,10499
8,01730
0,00360
0,02211
0,02211
0,94633
0,00796
1,04175
0,00218
0,35373
0,02211
0,10499
0,00796
0,07896
8,01730
0,10499
0,00796
0,00360
83
84
¿
PCI=
1
¿ 109,43232) = 0.56700
193
Dari hasil tersebut dapat disimpulkan bahwa validitas cluster yang
didapatkan dari system clustering adalah 0.56700.
BAB V
KESIMPULAN DAN SARAN
5.1
Kesimpulan
Dari hasil penghitungan dan pengujian yang telah dilakukan, dapat
diambil kesimpulan bahwa:
1. Metode Fuzzy C-Means (FCM) telah diimplementasikan kedalam
sistem Clustering pelanggan di CV.Swalayan Motor Semarang.
2. Menggunakan variabel yang sesuai dengan standart perusahaan
diantaranya Jarak Pembelian Akhir, Frekuensi Beli, dan Total Beli
pelanggan untuk menentukan clustering pelanggan.
85
3. Penerapan metode Fuzzy C-Means (FCM) berdasaran variabel yang
telah ditentukan dapat membantu system untuk menentukan cluster
pelanggan di CV.Swalayan Motor Semarang.
4. Sistem clustering pelanggan dibangun sesuai dengan kebutuhan user,
sehingga user dapat menggunakan system ini dengan mudah dan baik.
5. Hasil yang di peroleh membuktikan selama periode 1 tahun
mempunyai pelanggan potensial berkategorikan Superstar sebanyak 31
pelanggan, Golden customer 52 pelanggan, typical customer 65
pelanggan dan occational customer 45 pelanggan dengan kevalidan
0.56700%.
5.2
Saran
Berdasarkan hasil penelitian yang telah dilakukan terdapat saran
untuk CV.Swalayan Motor Semarang diantaranya penggunaan variabel
yang lebih luas sesuai dengan karakteristik pelanggan dan penelitian ini
dapat dikembangkan dengan metode lain yang lebih baik sehingga tingkat
keakuratan cluster yang terbentuk semakin tinggi.
DAFTAR PUSTAKA
[1]
O. Dyantina, M. Afrina, and A. Ibrahim, “Penerapan Customer
Relationship Management (CRM) Berbasis Web (Studi Kasus Pada Sistem
Informasi Pemasaran di Toko YEN-YEN) 1,2,3,” Sist. Inf., vol. 4, no. 2, pp.
516–529, 2012.
[2]
B. Xing and W. Xin-feng, “The evaluation of customer potential value
based on prediction and cluster analysis,” Int. Conf. Manag. Sci. Eng., pp.
613–618, 2010.
[3]
C. C. H. Chan, “Intelligent value-based customer segmentation method for
campaign management: A case study of automobile retailer,” Expert Syst.
Appl., vol. 34, no. 4, pp. 2754–2762, 2008.
[4]
S. Balaji and S. K. Srivatsa, “Customer Segmentation for Decision Support
using Clustering and Association Rule based approaches,” vol. 3, no. 11,
pp. 525–529, 2012.
[5]
Mardiani, “Perbandingan Algoritma K-Means dan EM untuk Clusterisasi
Nilai Mahasiswa Berdasarkan Asal Sekolah,” Citec J., vol. 1, no.4, no.
ISSN: 2354–5771, pp. 316–325, 2014.
[6]
T. A. Munandar and W. O. Widyarto, “Clustering Data Nilai Mahasiswa
Untuk Pengelompokan Konsentrasi Jurusan Menggunakan Fuzzy Cluster
Means,” Semin. Nas. Apl. Teknol. Inf., pp. 1907–5022, 2013.
[7]
L. Febriani, “Berdasarkan Tingkat Kompetensi Akademik Dengan Fuzzy
K-Means.”
[8]
Cary LinekerSimbolon, (2013). Bagaimana carakerja algoritmaFuzzy CMeansuntuk
menyelesaikanmasalah
lulusanmahasiswaMatematika
FMIPAUNTAN Pontianak pp. 1–12, 2014.
[9]
S. Raharjo and E. Winarko, “Klasterisasi, klasifikasi dan peringkasan teks
berbahasa indonesia,” Kommit 2014, vol. 8, no. Kommit, pp. 391–401,
2014.
[10]
A. Karim, “PRESTASI AKADEMIK MAHASISWA POLITEKNIK
POLIPROFESI
MEDAN
DENGAN
KERNEL
K-MEANS
CLUSTERING,” pp. 151–160.
[11]
S. Defiyanti, M. Jajuli, T. Informatika, F. Ilmu, K. Universitas, and S.
Karawang, “IMPLEMENTASI ALGORITMA K-MEANS DALAM,” vol.
I, no. 2, pp. 62–68, 2015.
[12]
T. Hardiani, S. Sulistyo, and R. Hartanto, “pada Lembaga Keuangan
Mikro,” vol. 03, pp. 181–187, 2014.
[13]
N. I. Putu, P. Yuliari, I. K. Gede, D. Putra, N. I. Kadek, and D. W. I.
Rusjayanti, “Customer Segmentation Through Fuzzy C-Means and Fuzzy
Rfm Method,” vol. 78, no. 3, pp. 380–385, 2015.
[14]
K. Tsiptsis, Data Mining Tehniques in CRM: Inside Customer
Segmentation. 2010.
[15]
M. Algoritma and P. Fuzzy, “Pembagian kelas kuliah mahasiswa
menggunakan algoritma pengklasteran,” no. 1.
[16] Prasetyo, E. (2014). DATA MINING : Mengolah Data Menjadi Informasi
Menggunakan MATLAB. Yogyakarta: Penerbit ANDI.