Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
Peningkatan Hasil Clustering Menggunakan Algoritma Dynamic-K-Means Dan K-Means Binary Search Centroid
Gumilar Akbari NIM. (2017) | Tesis | Sistem Informasi
Bagikan
Ringkasan
Pada studi kasus segmentasi pelanggan, data yang digunakan untuk segmentasi memiliki atribut data yang terdiri dari Recency, Frequency, dan Monetery dan memiliki jumlah 500 data. Untuk membentuk segmentasi pelanggan dapat digunakan teknik clustering. Clustering adalah proses untuk mengelompokkan datum ke dalam sejumlah cluster (kelompok data). Dalam penelitian ini ingin mengetahui algoritma clustering apa yang cocok untuk digunakan pada studi kasus segmentasi pelanggan. Salah satu teknik Clustering adalah teknik clustering partisi, algoritma clustering yang digunakan pada penelitian ini yaitu algoritma Dynamic K-means (DK) dan K-means Binary Search Centroid (KBSC). Pada algoritma Dynamic Kmeans memiliki kemampuan untuk mencari jumlah Cluster, namun memiliki kekurangan dalam penentuan titik centroid (pusat cluster), sedangkan algoritma KBSC memiliki kemampuan untuk menentukan titik centroid Cluster, namun memiliki kekurangan dalam mencari jumlah Cluster. Pada penelitian ini menggabungkan kedua algoritma antara algoritma DK dan KBSC dan akan diujikan pada data model buatan yang bertujuan untuk melihat karakteristik dari algoritma, dan diujikan pada data studi studi kasus yang bertujuan untuk mengetahui kemampuan algoritma dalam menyelasaikan kasus segmentasi pelanggan. Berdasarkan pengukuran Devies Bouldin Index (DBI) algoritma gabungan DK-KBSC menghasilkan nilai DBI lebih baik dibandingkan algoritma lainnya.saat diimplementasikan pada data kasus segmentasi pelanggan.
Ringkasan Alternatif
In a customer segmentation probem, the data used for segmentation is customer data which has attributes such as Recency, Frequency, and Monetery and has a total of 500 data. Clustering technique can be used to generate customer segmentation. Clustering is a process for grouping datums into a number of clusters (data sets). The purpose of this study is to know what clustering algorithm suitable for use in case study of customer segmentation. One of clustering techniques is partition clustering technique. Clustering algorithm used in this research are Dynamic K-means (DK) and K-means Binary Search Centroid (KBSC) algorithm. The Dynamic K-means algorithm has the ability to find the number of clusters, but has a deficiency in the determination of the centroid point (center cluster). On the other hand, KBSC algorithm has the ability to determine the Cluster centroid point, but has the disadvantage in finding the number of clusters. This research combines DK and KBSC algorithm and will be tested on artificial model data which aims to look at the characteristics of the algorithm, and tested on case study data that aims to determine the ability of algorithm in solving customer segmentation cases. Based on the measurement of Davies Bouldin Index (DBI) the DK-KBSC algorithm yields better DBI values than other algorithms. This can be proven when the algorithm is implemented in customer segmentation case data.