KOMPARASI METODE CLUSTERING K-MEANS DAN K-MEDOIDS DENGAN MODEL FUZZY RFM UNTUK PENGELOMPOKAN PELANGGAN
Abstract
Keywords : clustering, K-Means method, K-Medoids method, customer, Fuzzy RFM model.
Abstrak ~ Metode K-Means merupakan salah satu metode clustering yang banyak digunakan dalam penelitian pengelompokan data. Sedangkan metode K-Medoids merupakan metode yang efisien digunakan untuk pengolahan data yang kecil. Penelitian ini bertujuan untuk membandingkan atau mengkomparasi dua metode clustering dengan cara mengelompokkan pelanggan menjadi 3 cluster sesuai dengan karakteristiknya, yaitu pelanggan sangat potensial (loyal), pelanggan potensial dan pelanggan kurang (tidak) potensial. Metode yang digunakan dalam penelitian ini adalah metode clustering K-Means dan metode K-Medoids. Data yang digunakan adalah data transaksi penjualan online. Pengujian metode clustering yang dilakukan adalah dengan menggunakan model Fuzzy RFM (Recency, Frequenty dan Monetary) dimana diambil rata-rata (mean) dari nilai ketiga tersebut. Dari pengujian data diketahui bahwa metode K-Means lebih baik dari metode K-Medoids dengan nilai akurasi 90,47%. Sedangkan dari pengolahan data yang dilakukan diketahui bahwa cluster 1 memiliki 16 anggota (pelanggan), cluster 2 memiliki 11 anggota dan cluster 3 memiliki 15 anggota.
Kata kunci : clustering, metode K-Means, metode K-Medoids, pelanggan, model Fuzzy RFM.
Full Text:
PDF (106-113) (Bahasa Indonesia)References
Agusta, Y., 2007, K-Means - Penerapan, Permasalahan dan Metode Terkait. Jurnal Sistem dan Informatika, vol 3, hal 47-60.
Febrianti, K., Hafiyusholeh, Moh., Asyuhar, A.H., 2016, Perbandingan Pengklasteran Data Iris Menggunakan Metode K-Means dan Fuzzy C-Means, Jurnal Matematika “MANTIK”, vol 2 no 01, hal 7-13
Kristanto, T., & Arief, R., 2013, Analisa Data Mining Metode Fuzzy Untuk Customer Relationship Management Pada Perusahaan Tour & Travel. Seminar Nasional Sistem Informasi Indonesia (hal. 528-534). Surabaya: Sesindo ITS.
Larose, D. T., 2005. Discovering Knowledge in Data : An Introduction to Data Mining. Hoboken, New Jersey: John Wiley & Sons, Inc.
Maimon, O., & Rokach, L., 2010,Data Mining and Knowledge Discovery Handbook. London: Springer Science+Business Media.
Moertini, V. S., 2002. Data Mining Sebagai Solusi Bisnis. Integral, Vol 7 (No. 1).
Muningsih, E., 2015, Penerapan Metode Fuzzy C-Means Dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop. Proceeding Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015,Universitas Dian Nuswantoro (UDINUS) Semarang, November 21.
Pramesti, D.F., Furqon, M.Tanzil., and Dewi, C., 2017, Implementasi Metode K-Medoids Clustering untuk Pengelompokan Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik Panas (Hotspot), Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol 1 no 9, hal 723-732
Ramadhani, R.D., Januarita, Dwi AK., 2017, Evaluasi K-Means dan K-Medoids pada Dasaset Kecil, Seminar Nasional Informatika dan Aplikasinya (SNIA) 2017, Cimahi, September 2017.
Susanto, S., & Suryadi, D., 2010,Pengantar Data Mining : Menggali Pengetahuan dari Bongkahan Data. Yogyakarta: Penerbit ANDI.
Yuliari, N.P.P., Putra, I.K.G.D., dan Rusjayanti. N.K.D., 2015,Customer Segmentation Through Fuzzy C-Means And Fuzzy RFM Method”.Journal of Theoretical and Applied Information Technology, Vol. 78, No. 3, 380-385
Zayuka, H., Nasution, S, M., and Purwanto, Y., 2017, Perancangan dan Analisis Clustering Data Menggunakan Metode K-Medoids untuk Berita Berbahasa Inggris, e-Proceeding of Enggineering Vol 4. No 2, Agust 2
Zulkarnain, 2012, Ilmu Menjual. Yogyakarta : Graha Ilmu.
DOI: https://doi.org/10.31294/evolusi.v6i2.4600
ISSN: 2657-0793 (online). ISSN: 2338-8161 (print)
