SEGMENTASI PELANGGAN MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION DAN K-MEANS

Transkripsi

1 SEGMENTASI PELANGGAN MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION DAN K-MEANS TUGAS AKHIR Diajukan guna memenuhi sebagian persyaratan dalam rangka menyelesaikan Pendidikan Sarjana Strata Satu (S1) Program Studi Teknologi Informasi I DEWA AYU AGUNG YUNITA PRIMANDARI NIM: JURUSAN TEKNOLOGI INFORMASI FAKULTAS TEKNIK UNIVERSITAS UDAYANA 2016

2 PERNYATAAN Dengan ini saya menyatakan bahwa dalam Tugas Akhir ini tidak terdapat karya yang pernah diajukan untuk memperoleh gelar kesarjanaan di perguruan tinggi lain, dan sepanjang pengetahuan saya tidak terdapat karya atau pendapat yang pernah ditulis atau diterbitkan oleh orang lain, kecuali yang secara tertulis diacu dalam naskah ini dan disebutkan pada daftar pustaka. Denpasar, Juni 2016 I Dewa Ayu Agung Yunita Primandari ii

3 LEMBAR PENGESAHAN TUGAS AKHIR iii

4 BERITA ACARA TUGAS AKHIR iv

5 KATA PENGANTAR Puji dan syukur penulis panjatkan kehadapan Ida Sang Hyang Widhi Wasa/Tuhan Yang Maha Esa, karena atas Asung Kerta Wara Nugraha-Nya, akhirnya penulis dapat menyelesaikan tugas akhir dengan judul Segmentasi Pelanggan Menggunakan Metode Particle Swarm Optimization dan K-Means. Penulis mendapat banyak bimbingan dari berbagai pihak. Ucapan terima kasih penulis sampaikan kepada: 1. Bapak Prof. Ir. Ngakan Putu Gede Suardana, M.T., Ph.D. selaku Dekan Fakultas Teknik Universitas Udayana. 2. Bapak Dr. Eng. I Putu Agung Bayupati, ST., MT, selaku Ketua Jurusan Teknologi Informasi Universitas Udayana. 3. Bapak Prof. Dr. I Ketut Gede Darma Putra, S.Kom., M.T., selaku dosen pembimbing I yang telah banyak memberikan bimbingan dan masukan dalam penyusunan tugas akhir ini. 4. Bapak I Made Sukarsa, S.T., M.T., selaku dosen pembimbing II yang telah banyak memberikan petunjuk dan bimbingan selama penyusunan tugas akhir. 5. Bapak Putu Wira Buana, S.Kom., M.T. selaku dosen pembimbing akademik, yang telah memberikan bimbingan selama menempuh pendidikan di Jurusan Teknologi Informasi Fakultas Teknik Universitas Udayana. 6. Ibu Ayu Supartini, yang telah membantu dalam proses penelitian. Kedua orang tua dan keluarga yang telah memberikan dukungan. Teman-teman yang selalu mau sharing ilmu dan solusi Tio, Maha dan Cinho, Teman-teman seperjuangan selama masa kuliah Utami, Moren, Indah, Tiwi, Teman-teman seperjuangan di HMTI, Resa, Abi, Try serta angkatan 2012 TI telah memberikan dukungan dalam penyusunan tugas akhir ini. Denpasar, Juni 2016 Penulis v

6 ABSTRAK Segmentasi pelanggan merupakan salah satu implementasi data mining. Segmentasi pelanggan membagi pelanggan ke dalam beberapa kelas untuk membantu perusahaan memahami karakteristik setiap pelanggannya. Tugas akhir ini menganalisa baris data transaksi perusahaan yang ditransformasi ke dalam bentuk Recency, Frequency, dan Monetary (RFM). Metode clustering yang digunakan untuk melakukan segmentasi pelanggan adalah kombinasi dari Metode Particle Swarm Optimization (PSO) dan K-Means. Kombinasi kedua metode tersebut mengambil keunggulan dari masing-masing metode dan menghilangkan kelemahan yang dimiliki. Metode K-Means sangat sensitif dalam menentukan titik pusat karena dilakukan secara acak. Kelemahan pada titik pusat Metode K-Means tersebut dioptimasi dengan Metode PSO sehingga Metode K-Means dapat melakuan clustering secara lebih baik. Penelitian ini menggunakan beberapa jumlah cluster. Berdasarkan metode validasi cluster yang digunakan yaitu Metode Davies-bouldin Index (DBI) dan Silhouette Index cluster terbaik adalah cluster terbaik yang memiliki nilai Indeks DBI sebesar 0.5 dan nilai Indeks Silhouette sebesar Kata kunci: Segmentasi Pelanggan, Data Mining, Clustering, Particle Swarm Optimization, K-Means, RFM, Davies-bouldin Index, Silhouette Index. vi

7 ABSTRACT Customer segmentation is an implementation of clustering in the data mining process. Customer segmentation divides customers into certain classes to help a company to understand each customer. This paper analyzed 33,441 rows of a transaction data and transformed it into Recency, Frequency, and Monetary form (RFM) to identify potential customer. Clustering method used was the combination of Particle Swarm Optimization (PSO) and K-Means algorithm. The combination of these algorithms aimed to take advantages of both algorithms and remove their weakness. K-Means is very sensitive to initialize the cluster center because it was done randomly. PSO was used to optimize the cluster center and help K-Means to cluster better. The clustering experiment used several number of cluster. The best number of the cluster for this experiments are two clusters according to Daviesbouldin Index (DBI) method. The second cluster has 0.5 value of DBI s index and 0.83 value of Silhouette s index. Keywords: Customer Segmentation, Data Mining, Clustering, Particle Swarm Optimization, K-Means, RFM, Davies-bouldin Index, Silhouette Index. vii

8 DAFTAR ISI HALAMAN DEPAN... i PERNYATAAN... ii LEMBAR PENGESAHAN TUGAS AKHIR... iii BERITA ACARA TUGAS AKHIR... iv KATA PENGANTAR... v ABSTRAK... vi ABSTRACT... vii DAFTAR ISI... viii DAFTAR GAMBAR... x DAFTAR TABEL... xii DAFTAR KODE PROGRAM... xiv BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Penelitian Manfaat Penelitian Batasan Masalah Sistematika Penulisan... 4 BAB II KAJIAN PUSTAKA State of the Art Data Mining Hubungan Data Mining dalam Kerangka Kerja CRM Model RFM Normalisasi Data Metode Clustering Metode K-Means Metode Particle Swarm Optimization Personal Best dan Global Best Particle Swarm Optimization Contoh Perhitungan Particle Swarm Optimization Validasi Cluster Validasi Cluster dengan Davies-bouldin Index Validasi Cluster dengan Silhouette Index Profil Perusahaan PT. X BAB III METODOLOGI PENELITIAN Tempat dan Waktu Penelitian Alur Penelitian Sumber Data Kebutuhan Hardware dan Software Perancangan Sistem Gambaran Umum Sistem Pemilihan Data Transformasi Data Normalisasi Data viii

9 3.5.6 Optimasi Titik Pusat Cluster Menggunakan PSO Clustering Menggunakan K-Means Pemodelan Data Cluster Validation dengan Davies-bouldin Index Cluster Validation dengan Silhouette Index Perancangan Basis Data Interface BAB IV PEMBAHASAN DAN ANALISA HASIL Piranti Implementasi Aplikasi Kebutuhan Perangkat Lunak Implementasi Aplikasi Kebutuhan Perangkat Keras Implementasi Aplikasi Hasil Perancangan Aplikasi Tampilan Menu Proses Pemilihan Data Proses Transformasi Data Proses Normalisasi Data Proses Optimasi Titik Pusat Cluster dengan Metode Particle Swarm Optimization Proses Clustering Menggunakan Metode K-Means Proses Validasi Cluster Uji Coba Aplikasi Hasil Uji Coba Clustering dengan 2 Cluster Hasil Uji Coba Clustering dengan 3 Cluster Hasil Uji Coba Clustering dengan 4 Cluster Hasil Uji Coba Clustering dengan 5 Cluster Hasil Uji Coba Clustering dengan 6 Cluster Analisis Cluster Perbandingan Hasil Clustering Metode K-Means dan Metode PSO+K- Means Perbandingan Kelas Konsumen per Bulan BAB V PENUTUP Simpulan Saran DAFTAR PUSTAKA ix

10 DAFTAR GAMBAR Gambar 2.1 Diagram Fishbone... 9 Gambar 2.2 Proses KDD Gambar 2.3 Skema CRIPS-DM Gambar 2.4 Topologi Bintang Gambar 3.1 Gambaran Umum Sistem Gambar 3.2 Relasi Tabel Data Transaksi PT. X Gambar 3.3 Skema Pembentukan Nilai RFM Gambar 3.4 Skema Penentuan Nilai tb_standar Gambar 3.5 Skema Penentuan Nilai tb_rfm Gambar 3.6 Screenshoot Data tb_rfm Gambar 3.7 Screenshoot Hasil Normalisasi Data tb_rfm Gambar 3.8 Flowchart Algoritma PSO Gambar 3.9 Hasil Iterasi Pertama Metode PSO Gambar 3.10 Hasil Iterasi Kedua Metode PSO Gambar 3.11 Flowchart Algoritma K-Means Gambar 3.12 Hasil Iterasi Pertama Metode K-Means Gambar 3.13 Hasil Iterasi Kedua Metode K-Means Gambar 3.14 Flowchart Algoritma Davies-bouldin Index Gambar 3.15 Flowchart Algoritma Silhouette Gambar 3.16 Rancangan Basis Data Bantu Gambar 3.17 Form Home Gambar 3.18 Form Transfomasi Monthly Segmentation Gambar 3.19 Form Transformasi Data Gambar 3.20 Form Pemilihan Titik Pusat Gambar 3.21 Form Clustering Gambar 3.22 Form Cluster Validation Gambar 3.23 Form Hasil Segmentasi Gambar 3.24 Form Hasil Segmentasi Per Pelanggan Gambar 3.25 Form About Gambar 4.1 Tampilan Menu Gambar 4.2 Proses Pemilihan Data Gambar 4.3 Skema Pembentukan tb_standar Gambar 4.4 Skema Transformasi Data Gambar 4.5 Proses Normalisasi Data Gambar 4.6 Proses Optimasi Titik Pusat Cluster Gambar 4.7 Proses Clustering dengan Metode K-Means Gambar 4.8 Proses Validasi Cluster Gambar 4.9 Proses Pemilihan Titik Pusat dengan 2 Cluster Gambar 4.10 Titik Pusat Optimal dengan 2 Cluster Gambar 4.11 Hasil Clustering K-Means dengan 2 Cluster Gambar 4.12 Hasil Segmentasi Pembentukan 2 Cluster Gambar 4.13 Proses Pemilihan Titik Pusat dengan 3 Cluster Gambar 4.14 Titik Pusat Optimal dengan 3 Cluster x

11 Gambar 4.15 Hasil Clustering K-Means dengan 3 Cluster Gambar 4.16 Hasil Segmentasi Pembentukan 3 Cluster Gambar 4.17 Proses Pemilihan Titik Pusat dengan 4 Cluster Gambar 4.18 Titik Pusat Optimal dengan 4 Cluster Gambar 4.19 Hasil Clustering K-Means dengan 4 Cluster Gambar 4.20 Hasil Segmentasi Pembentukan 4 Cluster Gambar 4.21 Proses Pemilihan Titik Pusat dengan 5 Cluster Gambar 4.22 Titik Pusat Optimal dengan 5 Cluster Gambar 4.23 Hasil Clustering K-Means dengan 5 Cluster Gambar 4.24 Grafik Clustering K-Means dengan 5 Cluster Gambar 4.25 Proses Pemilihan Titik Pusat dengan 6 Cluster Gambar 4.26 Titik Pusat Optimal dengan 6 Cluster Gambar 4.29 Hasil Clustering K-Means dengan 6 Cluster Gambar 4.28 Grafik Clustering K-Means dengan 6 Cluster Gambar 4.29 Hasil Validasi Cluster Gambar 4.30 Perbandingan Hasil Cluster Metode K-Means dan Metode PSO+K-Means Gambar 4.30 Grafik Segementasi Pelanggan (Kode Pelanggan = 12100) Gambar 4.31 Grafik Segementasi Pelanggan (Kode Pelanggan = 11005) Gambar 4.32 Grafik Segementasi Pelanggan (Kode Pelanggan = 12493) Gambar 4.33 Grafik Segementasi Pelanggan (Kode Pelanggan = 11794) xi

12 DAFTAR TABEL Tabel 2.1 Daftar State of the Art... 8 Tabel 2.2 Klasifikasi Customer Tabel 2.3 Data Sumber Tabel 2.4 Titik Pusat Iterasi ke Tabel 2.5 Hasil Perhitungan Jarak Tabel 3.1 Tabel Pelanggan Tabel 3.2 Contoh Tabel tb_pelanggan Tabel 3.3 Tabel Produk Tabel 3.4 Contoh Tabel tb_produk Tabel 3.5 Tabel Sales Tabel 3.6 Contoh Tabel Sales Tabel 3.7 Tabel Transaksi Tabel 3.8 Contoh Tabel Transaksi Tabel 3.9 Tabel Detail Transaksi Tabel 3.10 Contoh Tabel Detail Transaksi Tabel 3.11 Data Pemilihan Atribut Sesuai Model RFM Tabel 3.12 Contoh Data pada Tabel Transaksi Tabel 3.13 Contoh Data pada tb_standar Tabel 3.14 Contoh Data pada tb_rfm Tabel 3.15 Contoh Data pada tb_rfm Tabel 3.16 Contoh Data Atribut Recency Tabel 3.17 Contoh Data Atribut Frequency Tabel 3.18 Contoh Data Atribut Monetary Tabel 3.19 Hasil Normalisasi Data tb_rfm Tabel 3.21 Normalisasi Data tb_rfm Tabel 3.21 Contoh Data pada tb_rfm yang Ternormalisasi Tabel 3.22 Perhitungan Jarak Iterasi Pertama Tabel 3.23 Perhitungan Jarak Iterasi Pertama Tabel 3.24 Domain Nilai RFM Tabel 3.25 Deskripsi Variabel Linguistik dan Label Konsumen Tabel 3.26 Data tb_rfm Tabel 3.27 Domain Nilai RFM Tabel 3.28 Kelas Cluster Tabel 3.29 Normalisasi Data tb_rfm Tabel 3.30 Contoh Data Atribut Cluster Tabel 3.31 Contoh Data Atribut Cluster Tabel 3.32 Normalisasi Data tb_rfm Tabel 3.33 Hasil Perhitungan Indeks Silhouette Tabel 3.34 Struktur tb_standar Tabel 3.35 Contoh Data tb_standar Tabel 3.36 Struktur tb_rfm xii

13 Tabel 3.37 Struktur Data tb_rfm Tabel 3.38 Struktur tb_hasil Tabel 3.39 Struktur Data tb_hasil Tabel 3.40 Struktur tb_range_r Tabel 3.41 Struktur Data tb_hasil_r Tabel 3.42 Struktur tb_range_f Tabel 3.43 Struktur Data tb_hasil_f Tabel 3.44 Struktur tb_range_m Tabel 3.45 Struktur Data tb_hasil_monetary Tabel 3.46 Struktur tb_kelas Tabel 3.47 Struktur Data tb_kelas Tabel 3.48 Struktur tb_avg Tabel 3.49 Struktur Data tb_avg Tabel 3.50 Struktur tb_cluster Tabel 3.51 Struktur Data tb_cluster Tabel 3.52 Struktur tb_hasil_normal Tabel 3.53 Struktur Data tb_normal Tabel 3.54 Struktur tb_optimasi Tabel 3.57 Struktur Data tb_optimasi Tabel 4.1 Hasil Optimasi dengan Parameter Cluster =2 dan Iterasi = Tabel 4.2 Hasil Segmentasi Pembentukan 2 Cluster Tabel 4.3 Hasil Segmentasi Pembentukan 2 Cluster Tabel 4.4 Hasil Optimasi dengan Parameter Cluster =3 dan Iterasi = Tabel 4.5 Hasil Segmentasi Pembentukan 3 Cluster Tabel 4.6 Hasil Segmentasi Pembentukan 3 Cluster Tabel 4.7 Hasil Optimasi dengan Parameter Cluster =4 dan Iterasi = Tabel 4.8 Hasil Segmentasi Pembentukan 4 Cluster Tabel 4.9 Hasil Segmentasi Pembentukan 4 Cluster Tabel 4.10 Hasil Optimasi dengan Parameter Cluster = 5 dan Iterasi = Tabel 4.11 Hasil Segmentasi Pembentukan 5 Cluster Tabel 4.12 Hasil Segmentasi Pembentukan 5 Cluster Tabel 4.13 Hasil Optimasi dengan Parameter Cluster = 6 dan Iterasi = Tabel 4.14 Hasil Segmentasi Pembentukan 6 Cluster Tabel 4.15 Hasil Segmentasi Pembentukan 6 Cluster Tabel 4.16 Hasil Segmentasi Pembentukan 6 Cluster Tabel 4.17 Waktu Eksekusi Metode Tabel 4.16 Perbandingan Kelas Pelanggan per Bulan xiii

14 DAFTAR KODE PROGRAM Kode Program 4.1 Stored Procedure Input Nilai RFM Kode Program 4.2 Fungsi Normalisasi Data dengan Metode Min and Max Kode Program 4.3 Fungsi Metode Particle Swarm Optimization Kode Program 4.4 Fungsi Metode K-Means Kode Program 4.5 Fungsi Metode DBI Kode Program 4.6 Fungsi Metode Silhouette Index xiv