Penerapan Metode K-Means Klustering Untuk Menentukan Kepuasan Pelanggan

Musthofa Galih Pradana, Azriel Christian Nurcahyo, Pujo Hari Saputro

Abstract


Pengolahan data dapat dilakukan dengan banyak cara dan teknik. Peran data saat ini menjadi sangat penting bagi sebuah perusahaan atau penyedia layanan untuk pelanggan. Pentingnya data saat ini menjadikan proses pengolahan data dilakukan secara mandiri menggunakan metode-metode data mining yang ada. Beberapa metode yang dapat diterapkan diantaranya klasifikasi, prediksi maupun klustering. Masing-masing teknik tersebut memiliki hasil yang dapat dijadikan acuan evaluasi dan perencanaan yang lebih baik lagi. Penelitian ini menerapkan teknik klustering yaitu memisahkan dan mengelompokan data berdasarkan kluster. Dalam klustering ada banyak algortima atau metode yang dapat diterapkan, salah satunya adalah K-Means Klustering. Algoritma K-Means merupakan algoritma yang banyak digunakan untuk mengelompokan data. Hasil dari penelitian ini terbagi menjadi 2 kluster yaitu Kluster 0 yaitu puas dan Kluster 1 yaitu tidak puas ataupun netral. Pengelompokan kluster tersebut berdasarkan dataset yang dimiliki dimana responden mengisi data dan menghasilkan 2 jenis kluster tersebut. Adapun hasil dari proses klustering adalah sebanyak 1303 data masuk kategori kluster 0 atau sebesar 65% dan 697 data masuk kategori kluster 1 atau sebesar 35%. Kata Kunci— Data Mining, Klustering, K-Means

Data processing can be done in many ways and techniques. The role of data is now very important for a company or service provider for customers. The importance of data now makes data processing carried out independently using existing data mining methods. Some methods that can be applied include classification, prediction and clustering. Each of these techniques has results that can be used as a reference for evaluation and better planning. This study applies clustering techniques, namely separating and grouping data based on clusters. In clustering there are many algorithms or methods that can be applied, one of which is K-Means Klustering. K-Means algorithm is an algorithm that is widely used to group data. The results of this study are divided into 2 clusters, namely Cluster 0, which is satisfied and Cluster 1, which is not satisfied or neutral. Clustering is based on a dataset that is owned by where the respondent fills in data and produces 2 types of clusters. The results of the clustering process are as many as 1303 data in the category of cluster 0 or 65% and 697 data in the category of cluster 1 or 35%. Keywords— Data Mining, Clustering, K-Means


Full Text:

PDF

References


Larose, D. T., 2005, Discovering Knowledge in Data: An Introduction to Data Mining, Wiley, New Jersey

Ratnawati, D. E., Indriati., 2015, Klustering Dengan K-Means Berbasis OWA, JTIIK Journal, No. 1, Vol. 2, Hal. 29–33

Rustam, S., Santoso, H. A., Supriyanto, C., 2018, Optimasi K-Means Clustering Untuk Identifikasi Daerah Endemik Penyakit Menular Dengan Algoritma Particle, ILKOM Jurnal Ilmiah, Vol. 10, Hal. 251–259.

S. Rustam and H. Annur, “akademik data mining (adm) k-means dan k-means k-nn untuk mengelompokan kelas mata kuliah kosentrasi,” vol. 11, no. 28, pp. 260–268, 2019.

Pradana, M. G., Pamekas, B. W., Kusrini., 2018, Penyakit Diabetes Mellitus Menggunakan Metode Certainty Factor Design Expert System for Diagnosing Diabetes, CCIT Journal, No. 2, Vol. 11, Hal. 182–191.

Kaharudin., Pradana, M, G., 2019, Prediksi Customer Churn Perusahaan Telekomunikasi Menggunakan Naïve Bayes Dan K-Nearest Neighbor, No. 3, Vol. 4.

Pradana, M. G., Kusrini., Luthfi, E. T., Perbandingan Metode Weighted Product Dan Simple Additive Weighting Dalam Seleksi Pengurus Forum Asisten (Studi Kasus: Universitas Amikom Yogyakarta), Jurnal Informasi Interaktif, No. 2, Vol. 4.

Pradana, M. G., 2020, Penggunaan Fitur Wordcloud Dan Document Term Matrix Dalam Text Mining, Jurnal Ilmiah Informatika, No. 1, Vol. 8, Hal. 38-43.

Su, D., Cao, J., Li, N., Bertino, E., Jin, H., 2016, Differentially Private K-Means Clustering, CODASPY '16: Proceedings of the Sixth ACM Conference on Data and Application Security and Privacy, New Orleans, 9 - 11 Maret

Xu, J., Han, J., Xiong, K., Nie, F., 2016, Robust and Sparse Fuzzy K-Means Clustering Robust and Sparse Fuzzy K-Means Clustering, International Joint Conference on Artificial Intelligence 2016, New York, 9 - 15 Juli.

Liu, X., Dou, Y., Yin, J., Wang, L., Zhu, En., 2016, “Multiple Kernel k -Means Clustering with Matrix-Induced Regularization, Thirtieth AAAI Conference on Artificial Intelligence, Phoenix, 12 - 17 Februari

Xu, J., Han, J., Nie, F., 2016, Discriminatively Embedded K-Means for Multi-view Clustering, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, 27 - 30 Jun




DOI: https://doi.org/10.24076/citec.2020v7i1.185

Refbacks

  • There are currently no refbacks.


Indexed by:

 

Dedicated to:

 

Creative Information Technology Journal (CITEC Journal) is licensed under a Creative Commons Attribution 4.0 International License