Customer Clustering Menggunakan K-Means Agglomerative pada Pendapatan dan Pembelian daging
Keywords:
Clustering, K-Means, Agglomerative ClusteringAbstract
Abstrak— Tujuan penelitian ini guna mengetahui clustering pada pendapatan dan pembelian daging customer menggunakan algoritma K-Means - Agglomerative Clustering. Perusahaan yang bergerak pada bidang transaksi jual beli perlu memperhatikan target pasar pada produk yang mereka buat. Clustering customer memiliki tujuan guna mengidentifikasi tingkah laku customer. Identifikasi yang dilakukan memuat analisis terhadap faktor-faktor yang mempengaruhi tingkah laku pelanggan dan dampaknya terhadap strategi pemasaran. Teknik cluster memerlukan metode yang cocok yaitu metode K-Means - Agglomerative Clustering. penelitian ini, akan menggunakan data sekunder, data yang kami ambil yaitu data Customer Personality Analysis dengan total data sebesar 2240 dengan kolom sebanyak 29. metode penelitian meliputi Pengumpulan Data, Cleaning Data, Preprocessing Data, dan metode pemodelan menggunakan algoritma Agglomerative Clustering serta metode Elbow menggunakan algoritma K-Means. jumlah cluster yang paling optimal yaitu 4 dengan nilai 378.811. Untuk nilai dari silhouette score yang didapatkan adalah 0.504. klaster 0 memiliki jumlah yang paling banyak sekitar 700 kurang lalu disusul klaster 2 dengan mendapatkan sekitar 400.Rata-rata customer merupakan kelas menengah kebawah dengan jumlah klaster 0 dan klaster 1 sekitar 800 sampai 850 dari dari total keseluruhan 1361. Penyebaran pendapatan dan pengeluaran didapatkan pembelian terbanyak dilakukan oleh klaster 3 dengan nilai pembelian sekitar 700 sampai 950 disusul klaster 1 sekitar 300 sampai 600 pembelian.
References
Hariyanto S. Sistem Informasi Manajemen. Publiciana. 2016;9(1):80-5.
Ariana AG. Customer Segmentation Dengan Metode Self Organizing Map (Studi Kasus: UD. Fenny). Neuron. 2011;2(1):1-7.
Aldino AA, Sulistiani H. Decision Tree C4. 5 Algorithm For Tuition Aid Grant Program Classification (Case Study: Department Of Information System, Universitas Teknokrat Indonesia). Jurnal Ilmiah Edutic: Pendidikan dan Informatika. 2020 Nov 30;7(1):40-50.
Darwis D, Pratiwi ES, Pasaribu AF. Penerapan Algoritma Svm Untuk Analisis Sentimen Pada Data Twitter Komisi Pemberantasan Korupsi Republik Indonesia. Jurnal Ilmiah Edutic: Pendidikan dan Informatika. 2020 Nov 30;7(1):1-1.
Widiarina., & Wahono, R.S. (2015). Algoritma Cluster Dinamik untuk Optimasi Cluster pada Algoritma K-Means dalam Pemetaan Nasabah Potensial. Journal of Intelligent System Vol. 1, No. 1, 32-35.
M. Batta, “Machine Learning Algorithms - A Review,” Int. J. Sci. Res., vol. 18, no. 8, pp. 381–386, 2018, doi: 10.21275/ART20203995.
Sari RY, Oktavianto H, Sulistyo HW. Algoritma K-Means Dengan Metode Elbow Untuk Mengelompokkan Kabupaten/Kota di Jawa Tengah Berdasarkan Komponen Pembentuk Indeks Pembangunan Manusia. Jurnal Smart Teknologi. 2022 Jan 29;3(2):104-8.
A. N. Sihananto, A. Puspita Sari, H. Khariono, R. Akhmad Fernanda, and D. Cakra Mudra Wijaya, “Implementasi Metode K-Means Untuk Pengelompokan Kasus Covid-19 Tingkat Provinsi Di Indonesia,” J. Inform. dan Sist. Inf., vol. 3, no. 1, pp. 76–85, 2022, doi: 10.33005/jifosi.v3i1.472.
Koni MR, Djakaria I, Yahya NI. Pengelompokkan Kabupaten/Kota Provinsi Jawa Timur Berdasarkan Indikator Kesejahteraan Rakyat Menggunakan Metode Elbow dan Algoritma K-Prototype. Estimasi: Journal of Statistics and Its Application. 2023 Feb 14:10-9.
A. Budi, S. Suma’inna, and H. Maulana, “Pengenalan Citra Wajah Sebagai identifier menggunakan metode principal component analysis (PCA),” JURNAL TEKNIK INFORMATIKA, vol. 9, no. 2, pp. 166–175, Oct. 2018. doi:10.15408/jti.v9i2.5608
D. A. Dewi and D. A. Pramita, “Analisis Perbandingan metode elbow Dan Silhouette Pada algoritma clustering K-medoids Dalam Pengelompokan Produksi Kerajinan bali,” Matrix : Jurnal Manajemen Teknologi dan Informatika, vol. 9, no. 3, pp. 102–109, Nov. 2019. doi:10.31940/matrix.v9i3.1662
A. Izzuddin, “Optimasi Cluster pada Algoritma K-Means dengan Reduksi Dimensi Dataset Menggunakan Principal Component Analysis untuk Pemetaan Kinerja Dosen”, energy, vol. 5, no. 2, pp. 41 - 46, Nov. 2015.
S. Paembonan and H. Abduh, “Penerapan metode silhouette coefficient untuk Evaluasi Clustering Obat,” PENA TEKNIK: Jurnal Ilmiah Ilmu-Ilmu Teknik, vol. 6, no. 2, p. 48, Sep. 2021. doi:10.51557/pt_jiit.v6i2.659
A. Izzuddin, “Optimasi Cluster pada Algoritma K-Means dengan Reduksi Dimensi Dataset Menggunakan Principal Component Analysis untuk Pemetaan Kinerja Dosen,” vol. 5, no. [2], 2015.
R. Hidayati, A. Zubair, A. H. Pratama, and L. Indana, “Analisis silhouette coefficient pada 6 perhitungan Jarak K-means clustering,” Techno.Com, vol. 20, no. 2, pp. 186–197, May 2021. doi:10.33633/tc.v20i2.4556
G. Abdurrahman, “Clustering Data Kredit Bank Menggunakan ALGORITMA agglomerative hierarchical clustering average linkage,” JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia), vol. 4, no. 1, p. 13, Jul. 2019. doi:10.32528/justindo.v4i1.2418
