Karakterisasi Pelanggan PLN Menggunakan Algoritma Fuzzy C Mean Dalam Upaya Pengembangan CRM
|
|
- Iwan Kartawijaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL DIGIT, Vol.1, No. 2, November 2011, pp. 153~162 ISSN: X 153 Karakterisasi Pelanggan PLN Menggunakan Algoritma Fuzzy C Mean Dalam Upaya Pengembangan CRM Husmul Beze Jurusan Geoinformatika POLITEKNIK PERTANIAN SAMARINDA Kampu Sei, Kaledang Jl. Samratulangi Kotak Pos 192 Samarinda husmul@gmail.com Abstrak CRM (Customer Relationship Management) dapat digunakan untuk menganalisis perilaku pelanggan di PLN dalam menggunakan listrik. Dalam penelitian ini, pelanggan tersegmentasi adalah rumah, bisnis dan industri pelanggan. Variabel segmentasi yang digunakan sebagai atribut adalah durasi berlangganan, total pembayaran, disiplin dalam membayar dan penggunaan listrik total. Sistem dikembangkan dalam penelitian ini memberikan banyak pilihan kombinasi variabel yang akan tersegmentasi. Tujuannya adalah untuk memberikan banyak pilihan bagi PLN di segmentasi pelanggan. Metode untuk segmentasi pelanggan adalah fuzzy c-mean. Untuk mengukur segmentasi yang akurat, hasil clustering divalidasi dengan metode indeks Xie dan Beni. Hasil penelitian menunjukkan bahwa bisnis dan pelanggan rumah yang lebih akurat jika dikelompokkan ke dalam 3 kelompok, sedangkan pelanggan industri dalam beberapa kombinasi variabel yang lebih akurat jika dikelompokkan ke dalam 3 kelompok dan kombinasi beberapa variabel yang lebih akurat jika dikelompokkan menjadi 4 kelompok. Hasil segmentasi karakter pelanggan dapat digunakan sebagai data pendukung dalam pengambilan keputusan bisnis PLN. Kata Kunci: Fuzzy C Mean, CRM, clustering, segmentasi pelanggan Abstract CRM (Customer Relationship Management) can be used to analyze customer behavior in PLN in electricity use. In this study, segmented customer is home, business and industrial customers. Segmentation variables are used as an attribute is the duration of the subscription, total payments, pay and discipline in the total electricity usage. The system developed in this study provide many options combinations of variables that will be segmented. The goal is to provide many options for PLN in customer segmentation. Methods for customer segmentation is fuzzy c-mean. To measure an accurate segmentation, clustering results are validated by the method of Xie and Beni index. The results showed that business and residential customers a more accurate if it were grouped into 3 groups, while industrial customers in several combinations of variables that more accurately if grouped into 3 groups and combinations of several variables that more accurately if grouped into 4 groups. The results of character segmentation of customers can be used as supporting data in making business decisions in PLN. Keywords: Fuzzy C Mean, CRM, clustering, segmentation of customers 1. Pendahuluan Berdasarkan sudut pandang teknologi, CRM adalah dasar untuk melakukan analisis perilaku konsumen berdasarkan data historis pelanggan. CRM bukan hanya bisa digunakan sebagai strategi dalam rangka memenangkan kompetisi di bidang pemasaran. Namun bisa juga digunakan untuk memberikan pelayanan prima kepada pelanggan dengan tujuan memberi kepuasan kepada pelanggan. Perusahaan listrik negara (PLN) merupakan perusahaan negara yang menyediakan tenaga listrik untuk seluruh wilayah Indonesia. Sebagai perusahaan yang berorientasi pada pelanggan (customer oriented enterprise) manajemen PLN telah mengembangkan sistem pengelolaan pelanggan yang bernama customer information system (CIS). Namun pelayanan yang dilakukan dalam sistem ini masih bersifat teknik, belum melakukan pengelolaan pelanggan secara lebih mendalam yaitu melakukan analisa terhadap perilaku pelanggan dalam menggunakan energi listrik. Sehubungan dengan komitmen PLN sebagai perusahaan yang berorientasi pada pelanggan, di dalam penelitian ini akan dilakukan riset terhadap salah satu bagian CRM yaitu segmentasi pelanggan. JURNAL DIGIT Vol. 1, No. 2, November 2011:
2 154 ISSN: X Salah satu metode segmentasi yang bisa digunakan untuk melakukan segmentasi pelanggan adalah algoritma fuzzy c-mean (FCM). Algoritma FCM sudah cukup luas digunakan dalam melakukan segmentasi pelanggan diantaranya penelitian [6], [11], [12], [3] dan [13]. Namun semua penelitian di atas belum ada yang menerapkan pada pelanggan PLN di Jakarta. 2. Tinjauan Pustaka a. Segmentasi Konsumen dan Pasar Perilaku konsumen secara kuat dipengaruhi oleh karateristik budaya, sosial, pribadi dan psikologis [11]. Pasar terdiri dari banyak pembeli dan para pembeli berbeda untuk satu dan banyak hal. Mereka dapat berbeda dalam kebutuhan, sumberdaya, lokasi, sifat pembelian dan pola pembelian. Melalui segmentasi pasar, perusahaan membagi pasar yang besar dan heterogen menjadi segmen yang lebih kecil yang dapat diliput secara efisien dengan produk dan layanan yang memenuhi kebutuhan unik mereka [11]. b. Manajemen Hubungan Pelanggan Communication CRM (front-end) Operation CRM (core-end) Analytics CRM (back-end) - call center - e-commerce - web - wireless - marketing - sales - customer service - Information search - Analysis algoritma Database Gambar 1. Generalisasi Arsitektur Sistem CRM [2]. Manajemen hubungan pelanggan (customer relationship management) adalah sebuah terminologi yang menggambarkan bagaimana kita berinteraksi dan proaktif mengatur hubungan pelanggan kita. Secara umum sistem CRM terdiri dari fungsi-fungsi yang bersifat front-end, core-end dan back-end [2]. d. Himpunan Fuzzy Dinyatakan jika X adalah koleksi dari objek-objek yang dinotasikan secara generik oleh x maka suatu himpunan fuzzy A dalam X adalah suatu himpunan pasangan berurutan [7]: JURNAL DIGIT Vol. 1, No. 2, November 2011: à = {(x, µ à (x)) x ε X} (1) dengan µ à (x) adalah derajat keanggotaan x di à yang memetakan X ke ruang keanggotaan M yang terletak pada rentang [0,1]. e.fuzzy C-Mean Klastering Fuzzy C-Mean Klastering (FCM) juga dikenal sebagai fuzzy ISODATA yakni algoritma yang mengelompokkan data dimana setiap titik data dalam sebuah klaster ditentukan oleh derajat keanggotaannya [7]. FCM membagi sebuah koleksi ke-n dari vektor x i, dimana i = 1,2,3,...,n ke dalam c grup fuzzy dan mencari pusat klaster pada masing-masing grup yakni fungsi biaya dari ukuran ketidakmiripan yang paling minimal. FCM adalah suatu teknik klastering yang keberadaan setiap titik data dalam suatu klaster
3 JURNAL DIGIT ISSN: X 155 ditentukan oleh derajat keanggotaan antara 0 hingga 1. Untuk mengakomodasi fuzzy partisi, keanggotaan matrik U harus memiliki nilai antara 0 dan 1. Untuk melakukan normalisasi penetapan hasil derajat keanggotaan dari set data menggunakan persamaan 2 [7] : c u 1, j 1,2,3,..., n (2) i 1 Dimana µ adalah derajat keanggotaan point data terhadap pusat-pusat klaster dan jumlah klaster C serta jumlah data n. Untuk menghitung fungsi objektif pada fuzzy c-mean ketika dilakukan generalisaasi digunakan persamaan 3 berikut ini : Karakteristik Pelanggan PLN Menggunakan Algoritma Fuzzy C Mean dalam Upaya Pengembangan CRM (Husmul Beze) c i1 i1 m 2 J( U, c,..., c J u d (3) 1 c ) Dimana J adalah fungsi objektif, sementara u adalah derajat keanggotaan poin data terhadap klasterklaster yang nilainya antara 0 dan 1, kemudian jumlah klaster adalah c dan n adalah banyaknya poin data, lalu m adalah nilai parameter fuzzy dan d adalah jarak euclidean antara pusat klaster ke-i hingga ke-j dari point data dan m Є (1, ) sebagai ekponen pembobot. Jarak euclidean ini didapatkan dari persamaan d = c i -x j ; Nilai minimum dari pusat klaster digunakan persamaan 4 seperti di bawah ini : c i n j 1 n u j1 m u Dimana c i adalah pusat klaster ke-i dan u adalah derajat keanggotaan poin data terhadap klasterklaster dengan nilainya antara 0 dan 1, lalu n adalah banyaknya poin data dan m adalah nilai parameter fuzzy serta x j adalah data poin ke-j. Untuk menghitung perubahan matrik partisi (derajat keanggotaan poin data terhadap semua klaster yang baru) digunakan persamaan 5 : 1 u (5) 2 /( m1) c d k 1 d kj Dimana u adalah derajat keanggotaan poin data terhadap klaster-klaster yang nilainya antara 0 dan 1 dengan c sebagai jumlah pusat klaster dari grup fuzzy ke-i, sedangkan m adalah parameter fuzzy dan d adalah jarak euclidean antara pusat klaster ke-i hingga ke-j dari poin data dan m Є (1, ) sebagai ekponen pembobot serta d kj adalah jarak euclidean antara pusat klaster ke-k hingga ke-j dari poin data dan m Є (1, ) sebagai ekponen pembobot. FCM menentukan pusat klaster c i dan keanggotaan matriks U dengan langkah-langkah sebagai berikut [7]: a. Inisialisasi keanggotaan matrik U dengan nilai random antara 0 dan 1. b. Hitung c pusat klaster fuzzy c i, i = 1,2,3,...c. c. Hitung fungsi objektif. Berhenti jika hasil fungsi objektifnya mencapai nilai toleransi atau hasil fungsi objektifnya setelah iterasi maksimal yang ditetapkan. d. Hitung matrik partisi baru dan kembali ke langkah ke-2. f. Validasi Klaster Tujuan melakukan klastering adalah mengumpulkan objek-objek yang memiliki kemiripan yang tinggi dalam satu klaster yang sama. Ukuran kevalidan klaster merupakan proses evaluasi hasil klastering x m j (4) i c n j
4 156 ISSN: X untuk menentukan kualitas klaster [10]. Kevalidan suatu klaster lanjutnya merupakan hasil rasio dari kepadatan (compactness) dengan keterpisahan (separation). Kepadatan adalah ukuran kedekatan antaranggota pada tiap klaster sedangkan keterpisahan adalah ukuran keterpisahan antarklaster satu dengan klaster lainnya. Rasio dari kepadatan dan keterpisahan tersebut didefinisikan sebagai berikut : S = π / N.D min ; (6) c i1 ( Compactness ) (7) n D min (Separation) = min c i c j 2 (8) n j1 c x Dimana x i c j merupakan jarak euclid dari pusat klaster c j ke poin data x j dan c i c j adalah jarak euclid dari pusat klaster c i ke c j, sementara µ adalah derajat keanggotaan poin data ke-j pada klaster ke-i dan N adalah jumlah data. Semakin kecil nilai S maka semakin bagus hasil klaster yang telah dilakukan. 2 i j 2 3.Metode Penelitian a.tahapan Penelitian Ada empat tahap utama yang dilakukan dalam penelitian ini. Tahap-tahap tersebut antara lain analisa masalah, persiapan data, pengumpulan data, pengembangan model dan pembuatan prototipe sistem. Mulai Analisis Masalah Persiapan Data Desain Model Implementasi Pengembangan Model Prototipe Sistem Tidak Prototipe Sesuai Ya Selesai Gambar 2. Tahapan Penelitian b.analisis Masalah Adanya pemetaan terhadap pelanggan mempermudah pihak manajemen PLN melakukan perencanaan pelayanan prima terhadap pelanggan. Langkah yang dilakukan untuk melakukan identifikasi pelanggan salah satunya adalah melakukan segmentasi terhadap pelanggan. Yakni mengelompokkan pelanggan berdasarkan kemiripan ciri yang dimiliki pelanggan. c.persiapan Data Data yang digunakan dalam penelitian ini adalah data transaksi pelanggan PT PLN distribusi Jakarta Raya dan Tangerang area pelayanan Cengkareng satu periode pemakaian listrik yaitu mulai November 2006 hingga Oktober Berdasarkan data yang dimiliki ada empat variabel yang digunakan sebagai variabel masukan sistem. JURNAL DIGIT Vol. 1, No. 2, November 2011:
5 JURNAL DIGIT ISSN: X 157 Tabel 1. Tabel masukan sistem penggelompokkan pelanggan No Jenis Input Satuan a. Lama berlangganan (A) Bulan b. Nilai pembayaran listrik (C) Rupiah c. Kedisiplinan membayar listrik (D) Jumlah pembayaran tepat waktu d Jumlah pemakaian listrik (D) Watt d. Desain Model Sistem Dalam penelitian ini digunakan tiga golongan pelanggan yakni golongan pelanggan rumahtangga (1), pelanggan bisnis (2) dan pelanggan industri (3) sebagai data masukan bagi sistem. Variabel yang digunakan sebagai masukan sistem ini adalah variabel-variabel seperti yang telah disebutkan pada tabel 1. Selain melihat karakter pelanggan pada semua variabel, dalam penelitian ini juga akan dilihat karakter pelanggan dari berbagai variasi variabel. Variasi- variabel yang dimaksud antara lain variasi A, B, C, D, AB, AC, AD, BC, BD, CD, ABC, ABD, ACD, BCD dan ABCD. Selain mendesain masukan, hal yang sangat penting dilakukan sebelum melakukan analisis pengelompokkan menggunakan algoritma FCM adalah menetapkan parameter masukan. Dalam penelitian ini ditetapkan parameter sebagai berikut : Tabel 2. Tabel parameter dan nilainya Parameter Nilai Jumlah klastering 3; 4; 5 Nilai error terkecil 0,00001 Iterasi maksimal 100 Parameter fuzzifikasi 1,5-10 Jumlah klaster 3, 4 dan 5 yang digunakan dalam penelitian ini dimaksudkan untuk menyesuaikan pengaplikasian hasil penelitian dalam manajemen bisnis manajemen PLN terhadap pelanggannya. Untuk melakukan validasi terhadap hasil klastering dalam penggunaan parameter masukan digunakan indeks Xie dan Beni. Metode ini membandingkan rasio kepadatan data dalam klaster dengan keterpisahan data antarklaster. Semakin kecil nilai rasio yang dihasilkan artinya hasil pengelompokkan semakin baik. 4.Perancangan dan Implementasi Pelanggan yang akan dicari karakter dalam penelitian ini adalah (1) data pelanggan golongan rumah tangga, (2) golongan bisnis dan (3) golongan industri. Ketiga data tersebut merupakan data perilaku pelanggan dalam menggunakan energi listrik selama satu tahun dan akan dadikan sebagai data masukan sistem. Berdasarkan data transaksi pelanggan ada empat variabel data yang relevan untuk menggambarkan karakter pelanggan dalam menggunakan energi listrik. Keempat variabel masukan sistem itu antara lain lama berlangganan (A), jumlah pembayaran (B), kedisiplinan membayar (C) dan jumlah pemakaian listrik (D). Ada 15 kombinasi variabel yang akan dadikan sebagai kombinasi variabel masukan pada sistem yaitu: Tabel Kombinasi variabel a. Kombinasi variabel A b. Kombinasi variabel BD c. Kombinasi variabel B d. Kombinasi variabel CD e. Kombinasi variabel C f. Kombinasi variabel ABC g. Kombinasi variabel D h. Kombinasi variabel ABD i. Kombinasi variabel AB j. Kombinasi variabel ACD k. Kombinasi variabel AC l. Kombinasi variabel BCD m. Kombinasi variabel AD n. Kombinasi ABCD o. Kombinasi variabel BC Karakteristik Pelanggan PLN Menggunakan Algoritma Fuzzy C Mean dalam Upaya Pengembangan CRM (Husmul Beze)
6 158 ISSN: X a.uji Validasi Hasil Pengelompokkan Pelanggan Uji validasi terhadap nilai parameter yang digunakan pada algoritma FCM dalam penelitian ini dilakukan untuk mendapatkan hasil paling akurat dengan biaya komputasi terkecil saat proses klastering. 1. Nilai Error dan Iterasi Maksimal Walau tidak ada jaminan proses klastering akan sangat akurat pada iterasi ke-100, namun dalam penelitian ini akan digunakan nilai error 0,00001 dan iterasi maksimal 100 sebagai parameter pembatas dalam proses iterasi pengelompokkan menggunakan algoritma fuzzy c-mean. Alasannya, pada nilai tersebut proses klastering tidak memerlukan biaya komputasi yang tidak terlalu besar namun mampu menghasilkan nilai uji validasi yang sudah konvergen. 2. Parameter Fuzzy Berdasarkan hasil percobaan terhadap data golongan pelanggan rumah tangga, bisnis dan industri hasil uji validasi terbaik diperoleh pada nilai parameter fuzzy 1,5. 3. Jumlah Klaster Dalam penelitian ini digunakan jumlah klaster 3, 4 dan 5. Alasannya, selama ini manajemen PT PLN mengelompokkan pelanggannya dalam interval antara 3 hingga 5 dalam berbagai kepentingan bisnis dan pelayanan terhadap pelanggan. a. Pelanggan Rumah Tangga Pada percobaan terhadap data pelanggan rumah tangga diperoleh hasil bahwa pengelompokkan terbaik dicapai pada jumlah klaster 3 kecuali pada variabel C. Pada pengelompokkan pelanggan ke dalam 3 klaster dihasilkan nilai rasio kekompakan dan keterpisahan (S) paling kecil. Hal ini terjadi pada kombinasi variabel A, B, D, AB, AC, AD, BC, BD, CD, ABC, ABD, ACD, BCD dan ABCD. b. Pelanggan Bisnis Hasil percobaan pada data pelanggan bisnis menggunakan kombinasi variabel A, B, D, AB, AC, AD, BC, BD, CD, ABC, ABD, ACD, BCD dan ABCD diperlihatkan bahwa pelanggan lebih akurat jika dikelompokkan ke dalam 3 klaster dibandingkan ke dalam 4 klaster ataupun 5 klaster. c. Pelanggan Industri Hasil percobaan terhadap kombinasi variabel A, B, AB, AC, BC, BD, ABC, ABD, BCD dan ABCD, pelanggan industri lebih akurat jika dikelompokkan ke dalam 3 klaster dibandingkan ke dalam 4 klaster atau 5 klaster. Sementara itu, pengelompokkan pelanggan berdasarkan kombinasi variabel D, AD, CD dan ACD, pelanggan indsutri lebih akurat jika dikelompokkan ke dalam 4 klaster dibandingkan 3 atau 5 klaster. 4.Karakter Pelanggan Diperlukan pembacaan karakter yang benar terhadap informasi segmentasi yang dihasilkan analisis CRM pada masing-masing kelompok. Dengan pembacaan yang benar, informasi hasil segmentasi bisa dimanfaatkan untuk keperluan yang tepat. a. Karakter Pelanggan rumah tangga Bila dilihat berdasarkan faktor lama berlangganan, pelanggan rumah tangga terbentuk menjadi 3 kelompok. Untuk melihat karakter-karakter kelompok pelanggan lainnya bisa dilihat pada Tabel 3 di bawah ini. Tabel 3. Karakter pelanggan rumah tangga berdasarkan lama berlangganan Disiplin Membayar Jumlah Pemakaian s/d s/d s/d s/d s/d s/d 260 JURNAL DIGIT Vol. 1, No. 2, November 2011:
7 JURNAL DIGIT ISSN: X 159 Pelanggan rumah tangga dilihat berdasarkan jumlah pembayaran juga terbagi menjadi 3 kelompok. Untuk melihat lebih jauh karakter kelompok pelanggan berdasarkan jumlah pembayaran ini bisa dilihat di Tabel 4 di bawah ini. Tabel 4. Karakter pelanggan rumah tangga berdasarkan jumlah pembayaran listrik Jumlah Pemakaian s/d s/d s/d s/d s/d s/d 687 Pada percobaan menggunakan kombinasi variabel AB, BC, BD, ABC, BCD dan ABCD, karakterkarakter kelompok pelanggan yang muncul sama dengan karakter kelompok pelanggan rumah tangga yang dikelompokkan berdasarkan jumlah pembayaran listrik seperti yang disebutkan dalam Tabel 4 di atas. Percobaan lainnya adalah pengelompokkan pelanggan berdasarkan tingkat kedisiplinan pelanggan. Untuk melihat karakter pelanggan berdasarkan kedisiplinannya membayar tagihan listrik bisa dilihat pada Tabel 5 di bawah ini. Tabel 5. Karakter pelanggan rumah tangga berdasarkan kedisiplinan membayar an Disiplin Membayar s/d s/d s/d s/d 266 Percobaan selanjutnya adalah pengelompokkan berdasarkan jumlah pemakaian listrik. Untuk melihat lebih jelas karakter pelanggan rumah tangga berdasarkan jumlah pemakaian listrik ini bisa dilihat pada Tabel 6 berikut ini. Tabel 6. Karakter pelanggan rumah tangga berdasarkan jumlah pemakaian listrik Lama Langganan s/d s/d s/d s/d s/d s/d 557 Pengelompokkan pelanggan berdasarkan kombinasi variabel AD, CD, dan ACD menghasilkan karakter pelanggan yang sama dengan pengelompokkan pelanggan berdasarkan jumlah pemakaian listrik. Sementara itu, percobaan pengelompokkan pelanggan berdasarkan faktor lama berlangganan dan kedisiplinan membayar, pelanggan terbagi menjadi 3 kelompok. Untuk melihat karakter kelompok pelanggan yang dikelompokkan berdasarkan kombinasi variabel AC ini secara lengkap bisa dilihat pada Tabel 7 di bawah ini. Tabel 7. Karakter pelanggan rumah tangga berdasarkan lama berlangganan dan kedisiplinan membayar Jml Pembayaran Jumlah Pemakaian s/d s/d s/d s/d s/d s/d 244 b. Karakter Pelanggan bisnis Pelanggan bisnis dilihat berdasarkan faktor lama berlangganan terdiri dari 3 kelompok. Karakter lengkap kelompok pelanggan pada percobaan ini bisa dilihat pada Tabel 8 di bawah ini. Tabel 8. Karakter pelanggan bisnis berdasarkan lama berlangganan s/d s/d 1398 Karakteristik Pelanggan PLN Menggunakan Algoritma Fuzzy C Mean dalam Upaya Pengembangan CRM (Husmul Beze)
8 160 ISSN: X s/d s/d s/ s/d 2662 Namun bila dilihat berdasarkan faktor kedisiplinan, pelanggan bisnis hanya memiliki 2 kelompok yaitu (1) kelompok yang berdisiplin baik dan (2) pelanggan berdisiplin cukup baik. Untuk melihat karakter pelanggan bisnis berdasarkan kedisiplinannya membayar tagihan listrik dapat dilihat pada Tabel 9 di bawah ini. Tabel 9. Kakrakter pelanggan bisnis berdasarkan kedisiplinan membayar s/d s/d s/d s/d 1475 Karakter pelanggan bisnis pada percobaan menggunakan kombinasi variabel AC dan D ini bisa dilihat pada Tabel 10 dan 11 di bawah ini. Tabel 10. Karakter pelanggan bisnis berdasarkan lama berlangganan dan kedisiplinan membayar s/d s/d s/d s/d s/d s/d 524 Pelanggan bisnis dilihat berdasarkan kombinasi variabel B, D, AB, AD, BC, BD, CD, ABC, ABD, ACD, BCD dan ABCD terbagi ke dalam 3 kelompok. Semuanya memiliki karakter dan komposisi pelanggan yang sama. Karakter-karakter kelompok pelanggan tersebut secara jelas bisa dilihat pada Tabel 11 berikut ini. Tabel 11. Karakter pelanggan bisnis berdasarkan jumlah pembayaran Lama Langganan s/d s/d s/d s/d s/d ,6 s/d 0,87 c. Karakter Pelanggan industri Pada percobaan pengelompokkan berdasarkan lama berlangganan, pelanggan industri dikelompokkan ke dalam 3 kelompok. Untuk melihat karakter lengkap kelompok pelanggan berdasarkan lama berlangganan ini, bisa dilihat pada Tabel 12 di bawah ini. Tabel 12. Karakter pelanggan industri berdasarkan lama berlangganan (Juta Rupiah) s/d s/d s/d s/d s/ s/d 31 Dilihat dari faktor jumlah pembayaran, pelanggan industri terbagi menjadi 3 kelompok. Karakter pelanggan yang dikelompokkan berdasarkan jumlah pembayaran ini memiliki karakter yang sama dengan karakter kelompok pelanggan yang dikelompokkan berdasarkan kombinasi variabel AB, BC, BC, ABC, ABD, BCD dan ABCD. Untuk melihat lebih jauh karakter pelanggan industri berdasarkan jumlah pembayaran listrik bisa dilihat di Tabel 13. JURNAL DIGIT Vol. 1, No. 2, November 2011:
9 JURNAL DIGIT ISSN: X 161 Tabel 13. Karakter pelanggan industri berdasarkan jumlah pembayaran (Juta Rupiah) s/d s/d s/d s/d s/d s/d 32 Pelanggan industri dilihat berdasarkan kedisiplinan membayar tagihan listrik terbagi menjadi 2 kelompok yaitu (1) pelanggan disiplin dan (2) pelanggan kurang disiplin. Untuk melihat lebih jelas karakter pelanggan industri berdasarkan kedisiplinan pelanggan bisa dilihat pada Tabel 14 di bawah ini. Tabel 14. Karakter pelanggan industri berdasarkan kedisiplinan membayar (Juta Rupiah) s/d s/d s/d s/d 38 Pengelompokkan pelanggan industri berdasarkan kombinasi variabel D, AD, CD dan ACD terkelompok menjadi 4 pelanggan. Karakter pelanggan pada keempat kombinasi variabel di atas memiliki kesamaan karakter. Karakter-karakter kelompok pelanggan secara lengkap bisa dilihat pada Tabel 15 di bawah ini. Klpk Tabel 15. Karakter pelanggan industri berdasarkan berdasarkan jumlah pemakaian listrik Jml Lama Jml Langganan Bayar Jml Pemakaian (Juta Rupiah) s/d s/d s/d s/d s/d s/d s/d s/d 11 Sama dengan di atas, pelanggan industri dilihat dari faktor lama berlangganan dan kedisiplinan membayar terbagi ke dalam 3 kelompok. Semua kelompok pelanggan rata-rata memiliki kedisiplinan membayar tagihan listrik yang baik. Untuk melihat lebih jelas karakter-karakternya bisa dilihat pada Tabel 16 di bawah ini. Tabel 16. Karakter pelanggan industri berdasarkan lama berlangganan dan kedisiplinan membayar (Juta Rupiah) s/d s/d s/d s/d s/d s/d Kesimpulan Pelanggan rumah tangga dan pelanggan bisnis lebih akurat bila dikelompokkan ke dalam 3 cluster di bandingkan 4 cluster atau 5 klaster. Sementara pada pelanggan industri, yaitu 3 dan 4 klaster. Pengelompokan berdasarkan kombinasi variabel A, B, AB, BC, BD, ABC, ABD, BCD dan ABCD, pelanggan industri lebih akurat jika dikelompokkan ke dalam 3 cluster. Sementara pengelompokan pelanggan berdasarkan kombinasi variabel D, AD, CD dan ACD, pelanggan industri lebih akurat jika dikelompokkan ke dalam 4 cluster. Nilai parameter fuzzy yang direkomendasikan untuk melakukan segmentasi pelanggan rumah tangga, bisnis dan industri adalah 1,5. Nilai error dan iterasi maksimal yang direkomendasika untuk segmentasi terhadap pelanggan rumah tangga, bisnis dan industri adalah 0,00001 dan 100. Variabel lama berlangganan, jumlah pembayaran listrik, kedisiplinan membayar tagihan listrik dan jumlah pemakaian listrik cukup bisa dadikan sebagai variabel untuk menggambarkan karakter kelompok pelanggan dalam menggunakan listrik. Karakteristik Pelanggan PLN Menggunakan Algoritma Fuzzy C Mean dalam Upaya Pengembangan CRM (Husmul Beze)
10 162 ISSN: X Daftar Pustaka [1]. Cox Earl Fuzzy Modelling and Genetic Algorithms for Data Mining and Exploration. San Fransisco. Morgan Kaufmann Publisers. [2]. Cunningham Michael J Customer Relationship Management. United Kingdom. Capstone Publishing. [3]. Daulay, Aisyah Marlian Segmentasi Pasar Produk Mie Cepat Saji Menggunakan Fuzzy C- Mean. IPB Bogor. [Skripsi] [4]. Han Jiawei dan Kamber Micheline Data Mining : Concepts and Techniques. San Francisco. Morgan Kaufmann Publisher. [5]. Halkidi Maria dan Vagirgiannis Michalis An Introduction to Quality Assessment in Data Mining. Athens. Departement. of Informatics Athens University of Economics & Business. [6]. Ho Tsuen-Ho An Aplication of Fuzzy Clustering of Fuzzy Clustering in Group-Positioning Analysis. Departement of Business Administration I-Show. [7]. Jang Jyh-Shing Roger, Sun Chuen-Tsai, Mizutani Ei Neuro-Fuzzy and Soft Computing. A Computional Approach to Learning and Machine Intelligence. USA.. Prentice-Hall International Inc. [8]. Kotler Philip dan Armstrong Gary Prinsip-prinsip Pemasaran. Jakarta. Erlangga. [9]. Kusumadewi Sri Analisis & Desain Sistem Fuzzy Menggunakan Tool Box Matlab. Yogyakarta. Graha Ilmu. [10]. Pedrycz Witold Knowledge-Based Clustering. From Data to Information Granules. Canada. A John Wiley & Sons, Inc. [11]. Simha Jay B dan Iyengar SS Customer Value Analysis with Fuzzy Data Mining. USA. Department of Computer Science, Louisiana state university Baton Rouge, LS. [12]. Tsangarides Charalambos dan Qureshi Mahvash Saeed What is Fuzzy About Clustering in West Africa?. IMF Working Paper African Department. [13]. Zumstein Darius Customer Performance Measurement : Analysis of the Benefit of a Fuzzy Classification Approach in Customer Relationship Management. Department Of Informatics University of Fribourg Switzerland. JURNAL DIGIT Vol. 1, No. 2, November 2011:
III. METODE PENELITIAN
III. METODE PENELITIAN 3.1. Tahapan Penelitian Ada empat tahap utama yang dilakukan dalam penelitian ini. Tahap-tahap tersebut antara lain analisa masalah, persiapan data, pengumpulan data, pengembangan
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI
IV. PERANCANGAN DAN IMPLEMENTASI 4.1. Desain Masukan Data pelanggan yang akan disegmentasi dalam penelitian ini adalah (1) data pelanggan golongan rumah tangga, (2) golongan bisnis dan (3) golongan industri.
Lebih terperinciKARAKTERISASI PELANGGAN PLN MENGGUNAKAN ALGORITMA FUZZY C MEAN HUSMUL BEZE
KARAKTERISASI PELANGGAN PLN MENGGUNAKAN ALGORITMA FUZZY C MEAN HUSMUL BEZE SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan
Lebih terperinciPENGELOMPOKAN DAN ANALISIS PELANGGAN DENGAN MENGGUNAKAN FUZZY C-MEANS CLUSTERING
PENGELOMPOKAN DAN ANALISIS PELANGGAN DENGAN MENGGUNAKAN FUZZY C-MEANS CLUSTERING Benedictus Andrian Henry Threstanto¹, Dhinta Darmantoro², Kiki Maulana³ ¹Teknik Informatika,, Universitas Telkom Abstrak
Lebih terperinciImplementasi Sistem HASIL DAN PEMBAHASAN Data Penelitian
Implementasi Sistem Clustering FCM diimplementasikan pada program yang dikembangkan dengan perangkat lunak Matlab v.7.7. Tahap implementasi sistem mengikuti langkahlangkah melakukan clustering dengan FCM,
Lebih terperinciII. TINJAUAN PUSTAKA Objek Penelitian
II. TINJAUAN PUSTAKA 2.1. Objek Penelitian 2.1.1. Perilaku Konsumen Jika dilihat dari daya tarik transaksinya, pelanggan menurut Kertajaya (2005) terbagi dalam empat kategori yakni star customer, question
Lebih terperinciPenerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop)
157 Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop) Elly Muningsih AMIK BSI Yogyakarta E-Mail : elly.emh@bsi.ac.id Abstrak Berkembangnya
Lebih terperinciPEMODELAN PENGELOMPOKKAN PRESTASI DOSEN MENGGUNAKAN METODE FUZZY C-MEANS
PEMODELAN PENGELOMPOKKAN PRESTASI DOSEN MENGGUNAKAN METODE FUZZY C-MEANS Sri Redjeki Teknik Informatika STMIK AKAKOM Jl. Raya Janti No 143 Yogyakarta e-mail: dzeky@akakom.ac.id ABSTRAK Sebuah perguruan
Lebih terperinciPENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo
Lebih terperinciStudent Clustering Based on Academic Using K-Means Algoritms
Student Clustering Based on Academic Using K-Means Algoritms Hironimus Leong, Shinta Estri Wahyuningrum Faculty of Computer Science, Faculty of Computer Science Unika Soegijapranata marlon.leong@gmail.com
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Customer Relationship Management (CRM) CRM adalah perpaduan antara teori, metode, teknik, kompetensi dan software enterprise untuk mengembangkan jangka panjang perusahaan dengan
Lebih terperinciLABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA. Modul II CLUSTERING
LABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA Modul II CLUSTERING TUJUA PRAKTIKUM 1. Mahasiswa mempunyai pengetahuan dan kemampuan dasar dalam
Lebih terperinciData Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata
Data Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata Cakra Ramadhana 1, Yohana Dewi Lulu W 2, Kartina Diah K. W. 3 1,2 Program Studi Sistem Informasi, Politeknik
Lebih terperinciAnalisis Perbandingan Algoritma Fuzzy C-Means dan K-Means
Analisis Perbandingan Algoritma Fuzzy C-Means dan K-Means Yohannes Teknik Informatika STMIK GI MDD Palembang, Indonesia Abstrak Klasterisasi merupakan teknik pengelompokkan data berdasarkan kemiripan data.
Lebih terperinciANALISIS KINERJA ALGORITMA CLUSTERING FUZZY TSUKAMOTO DENGAN FUZZY C-MEANS
ANALISIS KINERJA ALGORITMA CLUSTERING FUZZY TSUKAMOTO DENGAN FUZZY C-MEANS Iin Parlina1, Prof.Herman Mawengkang2, Dr.Syahril Efendi, S.Si, M.IT3 Magister Teknik Informatika, Universitas Sumatera Utara
Lebih terperinciREKOMENDASI PEMBELIAN PERSONAL KOMPUTER DENGAN METODE RANKED CLUSTERING
REKOMENDASI PEMBELIAN PERSONAL KOMPUTER DENGAN METODE RANKED CLUSTERING Fadly Shabir 1 dan Abdul Rachman M 2 1 kyofadly@gmail.com, 2 emanrstc@yahoo.co.id 1 Stimik Handayani, 2 Universitas Muslim Indonesia
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciPENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS
PENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS WULAN ANGGRAENI wulangussetiyo@gmail.com Program Studi Pendidikan Matematika Universitas Indraprasta PGRI Abstract. The purpose of this study was to
Lebih terperinciANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM)
ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM) Nurani 1, Hamdan Gani 2 1 nurani_nanni@yahoo.com, 2 hamdan.gani.inbox@gmail.com
Lebih terperinciCLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN
CLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN Fitri Wulandari, Rinto Setiawan Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif
Lebih terperinciFuzzy C-means Clustering menggunakan Cluster Center Displacement
Fuzzy C-means Clustering menggunakan Cluster Center Displacement Fitri Hidayah Sundawati 1), Jadi Suprijadi 2), Titi Purwandari 3) 1) Mahasiswa Statistika Terapan, UniversitasPadjadjaran-Indonesia 2) Pengajar
Lebih terperinciKLASIFIKASI USAHA KECIL DAN MENENGAH (UKM) SEKTOR INDUSTRI DENGAN METODE FUZZY C-MEANS CLUSTERING WILAYAH KOTA CILEGON
Seminar Nasional IENACO 213 ISSN: 2337-39 KLASIFIKASI USAHA KECIL DAN MENENGAH (UKM) SEKTOR INDUSTRI DENGAN METODE FUZZY C-MEANS CLUSTERING WILAYAH KOTA CILEGON Ratna Ekawati 1),Nurul Yulis 2) 1) Jurusan
Lebih terperinciKLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS
KLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS Nunik Mariastuti Wijilestari, Moch. Hariadi Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 60
Lebih terperinciDATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA
DATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA Aseptian Nugraha, Acep Irham Gufroni, Rohmat Gunawan Teknik Informatika Fakultas
Lebih terperinciPENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA
PENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA Trevi Meri Andriyani 1, Lilik Linawati 2, Adi Setiawan 3 1 Mahasiswa Program Studi Matematika
Lebih terperinciAbidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
Lebih terperinciTEKNIK DATA MINING DAN DECISION SUPPORT SYSTEM UNTUK KEUNGGULAN BERSAING (Study Kasus Perusahaan TV Kabel )
TEKNIK DATA MINING DAN DECISION SUPPORT SYSTEM UNTUK KEUNGGULAN BERSAING (Study Kasus Perusahaan TV Kabel ) Ahlihi Masruro 1) 1) Teknik Informatika STMIK AMIKOM Yogyakarta Jl. Ring Road Utara Condong Catur
Lebih terperinciCLUSTERING DATA KATEGORIK MENGGUNAKAN K-MODES DENGAN WEIGHTED DISSIMILARITY MEASURE
CLUSTERING DATA KATEGORIK MENGGUNAKAN K-MODES DENGAN WEIGHTED DISSIMILARITY MEASURE Lutfi Hidayat Ramdhani¹, Hetti Hidayati², Mahmud Dwi Suliiyo³ ¹Teknik Informatika,, Universitas Telkom Abstrak K-Modes
Lebih terperinciOptimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir
IJCCS, Vol.6, No.1, January 2012, pp. 101~110 ISSN: 1978-1520 101 Optimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir Putri Elfa Mas`udia* 1, Retantyo Wardoyo
Lebih terperinciIMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING DATA PENDUDUK MISKIN DENGAN PENYAJIAN REALTIME BERBASIS WEB MOBILE
IMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING DATA PENDUDUK MISKIN DENGAN PENYAJIAN REALTIME BERBASIS WEB MOBILE 1 Ahsan Anwar Sandiah, 2 Abdul Fadlil, 3 Rusydi Umar 1 Magister Teknik Informatika, 2 Magister
Lebih terperinciClustering Terhadap Indeks Prestasi Mahasiswa STMIK Akakom Menggunakan K-Means
Clustering Terhadap Indeks Prestasi Mahasiswa STMIK Akakom Menggunakan K-Means Sri Redjeki Andreas 1), Andreas Pamungkas, Pamungkas Hastin 2), Hastin Al-fatah Al-fatah 3) 1)2)3) STMIK dzeky@akakom.ac.id
Lebih terperinciPENGKLASIFIKASIAN MAHASISWA JURUSAN TEKNIK ELEKTRO YANG MENGIKUTI MATA KULIAH RANGKAIAN LISTRIK DENGAN METODE FUZZY CLUSTERING. M.
Rodhi Faiz, Pengklasifikasian Mahasiswa Jurusan Teknik Elektro Yang Mengikuti Mata Kuliah Rangkaian Listrik Dengan Metode Fuzzy Clustering PENGKLASIFIKASIAN MAHASISWA JURUSAN TEKNIK ELEKTRO YANG MENGIKUTI
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Faktor penentu bagi usaha atau bisnis apapun pada masa sekarang ini adalah kemampuan untuk menggunakan informasi seefektif mungkin. Penggunaan data secara tepat karena
Lebih terperinciFUZZY C-MEANS UNTUK CLUSTERING DATA (STUDI KASUS : DATA PERFORMANCE MENGAJAR DOSEN)
FUZZY C-MEANS UNTUK CLUSTERING DATA (STUDI KASUS : DATA PERFORMANCE MENGAJAR DOSEN) Emha Taufiq Luthfi STMIK AMIKOM Yogyakarta e-mail : emha_tl@yahoo.com Abstraksi Clustering merupakan proses pengelompokan
Lebih terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
Lebih terperinciKlasterisasi Wilayah Pemasaran berdasarkan Preferensi Konsumen terhadap PT. X
Klasterisasi berdasarkan Konsumen terhadap PT. X Prasetyo, Andhika Eko Program Studi Manajemen Rekayasa Universitas Internasional Semen Indonesia Jl. Veteran Gresik, Jawa Timur 61122 E-mail: andhika.prasetyo@uisi.ac.id
Lebih terperinciProsiding Seminar Sains dan Teknologi FMIPA Unmul Vol. 1 No. 2 Desember 2015, Samarinda, Indonesia ISBN :
Clustering Data Status Tugas Belajar Dan Ijin Belajar Menggunakan Metode Fuzzy C-Means (Studi Kasus : Di Lingkungan Pemerintah Provinsi Kalimantan Timur) Fevin Triyas Rantika 1, Indah Fitri Astuti, M.Cs
Lebih terperinciIMPLEMENTASI LOGIKA FUZZY DALAM RECRUITMENT ASISTEN LABORATORIUM MENGGUNAKAN METODE C-MEANS (STUDI KASUS: TEKNIK INFORMATIKA UNIVERSITAS TANJUNGPURA)
IMPLEMENTASI LOGIKA FUZZY DALAM RECRUITMENT ASISTEN LABORATORIUM MENGGUNAKAN METODE C-MEANS (STUDI KASUS: TEKNIK INFORMATIKA UNIVERSITAS TANJUNGPURA) Rizkya Bina Islamiati Program Studi Teknik Informatika
Lebih terperinciPenerapan Algoritma K-Means dalam Data Mining untuk Peminatan Jurusan Bagi Siswa Kelas X (Studi Kasus: SMA Negeri 29 Jakarta)
Penerapan Algoritma K-Means dalam Data Mining untuk Peminatan Jurusan Bagi Siswa Kelas X (Studi Kasus: SMA Negeri 29 Jakarta) Universitas Islam Negeri Syarif Hidayatullah Jakarta email: nurhayati@uinjkt.ac.id
Lebih terperinciImplementasi Algoritma K-Means Dalam Keputusan Pemberian Beasiswa (Studi Kasus SMA Santo Bernadus Pekalongan) Artikel Ilmiah
Implementasi Algoritma K-Means Dalam Keputusan Pemberian Beasiswa (Studi Kasus SMA Santo Bernadus Pekalongan) Artikel Ilmiah Peneliti: Valentino Giarto (672011005) Magdalena A. Ineke Pakereng, M.Kom. Program
Lebih terperinciSistem Pemilihan Perumahan dengan Metode Kombinasi Fuzzy C-Means Clustering dan Simple Additive Weighting
Jurnal Sistem Bisnis 03(2011) On-line : http://ejournal.undip.ac.id/index.php/jsinbis 153 Sistem Pemilihan Perumahan dengan Metode Kombinasi Fuzzy C-Means Clustering dan Simple Additive Weighting Tri Sandhika
Lebih terperinciPENGKLASIFIKASIAN LULUSAN JURUSAN TEKNIK ELEKTRO BERDASARKAN NILAI IPK DENGAN METODE FUZZY CLUSTERING. M. Rodhi Faiz
Rodhi Faiz, Pengklasifikasian Lulusan Jurusan Teknik Elektro Berdasarkan Nilai Ipk Dengan Metode Fuzzy Clustering PENGKLASIFIKASIAN LULUSAN JURUSAN TEKNIK ELEKTRO BERDASARKAN NILAI IPK DENGAN METODE FUZZY
Lebih terperinciBAB III K-MEANS CLUSTERING. Analisis klaster merupakan salah satu teknik multivariat metode
BAB III K-MEANS CLUSTERING 3.1 Analisis Klaster Analisis klaster merupakan salah satu teknik multivariat metode interdependensi (saling ketergantungan). Oleh karena itu, dalam analisis klaster tidak ada
Lebih terperinciIMPLEMENTASI PENGENALAN POLA UNTUK MENGEVALUASI HASIL PEMBELAJARAN DENGAN METODE FUZZY C-MEANS
SYSTEMIC Vol. 02, No. 02, Desember 2016, 23-28 IMPLEMENTASI PENGENALAN POLA UNTUK MENGEVALUASI HASIL PEMBELAJARAN DENGAN METODE FUZZY C-MEANS Ilham Program Studi Sistem Informasi, Jurusan Teknologi, Fakultas
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
61 BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis 3.1.1 Analisis Permasalahan Proses Segmentasi citra dapat dilakukan dengan berbagai cara, antara lain dengan metode konvensional secara statistik maupun
Lebih terperinciBab 2 Tinjauan Pustaka
Bab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu Adapun penelitian terdahulu yang berkaitan dalam penelitian ini berjudul Penentuan Wilayah Usaha Pertambangan Menggunakan Metode Fuzzy K-Mean Clustering
Lebih terperinciEnigma Journal of Infotmatic (ENJOI 2016) ISSN :
b 1 Kombinasi Fuzzy C-Means Clustering dan MADM Model Yager Untuk Menentukan Kelompok UKT (Studi Kasus Universitas Sembilanbelas November Kolaka) Muhammad Nurtanzis Sutoyo 1 dan Andi Tenri Sumpala 2 12
Lebih terperinciSeleksi Atribut Menggunakan Information Gain Untuk Clustering Penduduk Miskin Dengan Validity Index Xie Beni
1 Seleksi Atribut Menggunakan Information Gain Untuk Clustering Penduduk Miskin Dengan Validity Index Xie Beni Femi Dwi Astuti Program Studi Teknik Informatika STMIK AKAKOM femi@akakom.ac.id Abstrak -
Lebih terperinciBreak Even Point Estimation Using Fuzzy Cluster(FCM)
SNTIKI III 2011 ISSN : 2085-9902 1 Break Even Point Estimation Using Fuzzy Cluster(FCM) Stefant Cristian, Kartina Diah Kusuma W, S.T., Dadang Syarif SS, S.Si, M.Sc. Politeknik Caltex Riau Jl. Umban Sari
Lebih terperinciPenerapan Algoritma Fuzzy C-Means untuk Pengelompokan Kabupaten/Kota di Jawa Tengah Berdasarkan Status Kesejahteraan Tahun 2015
Penerapan Algoritma Fuzzy C-Means untuk Pengelompokan Kabupaten/Kota di Jawa Tengah Berdasarkan Status Kesejahteraan Tahun 2015 Nurika Nidyashofa 1*, Deden Istiawan 22 1 Statistika, Akademi Statistika
Lebih terperinciPenerapan Fuzzy C-Means untuk Deteksi Dini Kemampuan Penalaran Matematis
Scientific Journal of Informatics Vol., No., November 015 p-issn 407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 460-0040 Penerapan Fuzzy C-Means untuk Deteksi Dini Kemampuan Penalaran Matematis
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA A. Temu Kembali Citra Temu kembali citra adalah salah satu metodologi untuk penemuan kembali citra berdasarkan isi (content) citra. Citra memiliki informasi karakteristik visual berupa
Lebih terperinciIMPLEMENTASI FUZZY OLAP PADA DATA POTENSI DESA DI PROVINSI JAWA BARAT TAHUN 2003 DAN 2006 ABSTRAK
IMPLEMENTASI FUZZY OLAP PADA DATA POTENSI DESA DI PROVINSI JAWA BARAT TAHUN 003 DAN 006 Imas S Sitanggang, Sri Nurdiati, Sofiyanti Indriasari Staf Departemen Ilmu Komputer, Fakultas Matematika dan IPA,
Lebih terperinciBAB V PENUTUP. Menggunakan Metode Fuzzy C-Means Clustering, dapat diambil kesimpulan
BAB V PENUTUP 5.1. Kesimpulan Dari serangkaian uji coba dan analisa yang telah dilakukan pada aplikasi Sistem Pendukung Keputusan Pengadaan Buku Perpustakaan STIKOM Surabaya Menggunakan Metode Fuzzy C-Means
Lebih terperinciIJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: Perancangan Model Matematis Untuk Penentuan Jumlah Produksi di PT. XZY
IJCCS, Vol.x, No.x, July xxxx, pp. ~5 ISSN: 978-52 Perancangan Model Matematis Untuk Penentuan Jumlah Produksi di PT. XZY Dian Eko Hari Purnomo Universitas Sarjanawiyata Tamansiswa, Program Studi Teknik
Lebih terperinciANALISIS KELOMPOK DENGAN ALGORITMA FUZZY C-MEANS DAN GUSTAFSON KESSEL CLUSTERING PADA INDEKS LQ45
ANALISIS KELOMPOK DENGAN ALGORITMA FUZZY C-MEANS DAN GUSTAFSON KESSEL CLUSTERING PADA INDEKS LQ45 SKRIPSI Disusun oleh: LAILLY RAHMATIKA J2E009007 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
Lebih terperinciBreak Even Point Estimation Using Fuzzy Cluster(FCM)
Break Even Point Estimation Using Fuzzy Cluster(FCM) Stefant Cristian, Kartina Diah Kusuma W, S.T., Dadang Syarif SS, S.Si, M.Sc. Politeknik Caltex Riau Jl. Umban Sari No. 1, Phone: 0761-53939, Fax: 0761-554224
Lebih terperinciPENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI
PENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI Gunawan 1, Fandi Halim 2, Tony Saputra Debataraja 3, Julianus Efrata Peranginangin 4
Lebih terperinciPENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA
PENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA Trevi Meri Andriyani 1, Lilik Linawati 2, Adi Setiawan 1 Mahasiswa Program Studi Matematika FSM
Lebih terperinciKlasterisasi Data Kesehatan Penduduk untuk Menentukan Rentang Derajat Kesehatan Daerah dengan Metode K-Means
Klasterisasi Data Kesehatan Penduduk untuk Menentukan Rentang Derajat Kesehatan Daerah dengan Metode K-Means Nielza Atthina Jurusan Teknik Informatika Universitas Islam Indonesia Yogyakarta 09523458@students.uii.ac.id
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sebuah aplikasi berupa Sistem Pendukung Keputusan (Decision Support System) mulai dikembangkan pada tahun 1970. Decision Support Sistem (DSS) dengan
Lebih terperinciSTMIK GI MDP. Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2011/2012
Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2011/2012 CLUSTERING DATA PENJUALAN DAN PERSEDIAAN BARANG PADA PT SAYAP MAS UTAMA DENGAN METODE K-MEANS Ahmad Afif 2008250031
Lebih terperinciPENERAPAN METODE CLUSTERING UNTUK MEMETAKAN POTENSI TANAMAN KEDELAI DI JAWA TENGAH DENGAN ALGORITMA FUZZY C- MEANS
1 PENERAPAN METODE CLUSTERING UNTUK MEMETAKAN POTENSI TANAMAN KEDELAI DI JAWA TENGAH DENGAN ALGORITMA FUZZY C- MEANS Indra Setiawan 1 1 Teknik Informatika Universitas Dian Nuswantoro Semarang E-mail :
Lebih terperinciIMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING PENDUDUK MISKIN (STUDI KASUS : KECAMATAN BANTUL) Abstrak
IMPLEMENTASI FUZZY CMEANS UNTUK CLUSTERING PENDUDUK MISKIN (STUDI KASUS KECAMATAN BANTUL) Femi Dwi Astuti Jurusan Teknik Informatika STMIK AKAKOM Yogyakarta femi@akakomacid Abstrak Kemiskinan merupakan
Lebih terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciPENCARIAN ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORI SEBAGAI BAHAN REKOMENDASI STRATEGI PEMASARAN PADA TOKO ACIICA
PENCARIAN ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORI SEBAGAI BAHAN REKOMENDASI STRATEGI PEMASARAN PADA TOKO ACIICA SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
Lebih terperinci(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST
(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST 1Nor Indah FitriyaNingrum, 2 Suwanda, 3 Anna Chadidjah 1Mahasiswa JurusanStatistika FMIPA UniversitasPadjadjaran 2Jurusan Statistika FMIPA Universitas
Lebih terperinciANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE
ANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE Dewi Sibagariang 1), Karina Auliasari 2) 1.2) Jurusan Teknik Informatika, Institut Teknologi Nasional Malang Jalan
Lebih terperinciJurnal Penelitian Pos dan Informatika 771/AU1/P2MI-LIPI/08/ a/E/KPT/2017
JPPI Vol 7 No 2 (2017) 121-128 Jurnal Penelitian Pos dan Informatika 771/AU1/P2MI-LIPI/08/2017 32a/E/KPT/2017 e-issn 2476-9266 p-issn: 2088-9402 DOI: 10.17933/jppi.2017.070204 CLUSTERING TIPE BELAJAR SISWA
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Ketika suatu organisasi tumbuh semakin besar dan pola tingkatan operasionalnya semakin tidak sederhana dan kompleks, maka secara alamiah tuntutan pihak manajemen akan
Lebih terperinciALGORITMA K-MEDOIDS UNTUK PENENTUAN STRATEGI PEMASARAN PRODUK
ALGORITMA K-MEDOIDS UNTUK PENENTUAN STRATEGI PEMASARAN PRODUK Wiwit Agus Triyanto Fakultas Teknik, Program Studi Sistem Informasi Universitas Muria Kudus Email: at.wiwit@yahoo.co.id ABSTRAK Strategi pemasaran
Lebih terperinciPENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2016, pp. 590~595 PENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION 590 Indra Gunawan
Lebih terperinciSISTEM PAKAR DIAGNOSIS JENIS JERAWAT PADA WAJAH MENGGUNAKAN METODE K-MEANS CLUSTERING
SISTEM PAKAR DIAGNOSIS JENIS JERAWAT PADA WAJAH MENGGUNAKAN METODE K-MEANS CLUSTERING Siti Hadianti 1, Helen Sastypratiwi, Anggi Srimurdianti Sukamto 3. 1,, 3 Program Studi Informatika Universitas Tanjungpura
Lebih terperinciPENERAPAN METODE KLASTERING DENGAN ALGORITMA K-MEANS UNTUK PREDIKSI KELULUSAN MAHASISWA PADA PROGRAM STUDI TEKNIK INFORMATIKA STRATA SATU
PENERAPAN METODE KLASTERING DENGAN ALGORITMA K-MEANS UNTUK PREDIKSI KELULUSAN MAHASISWA PADA PROGRAM STUDI TEKNIK INFORMATIKA STRATA SATU Gita Premashanti Trayasiwi Program Studi Teknik Informatika S1,
Lebih terperinciProsiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : ; e-issn :
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 PENGELOMPOKAN PERSENTASE PENDUDUK BERUMUR 15 TAHUN KE ATAS MENURUT KABUPATEN/KOTA DAN PENDIDIKAN TERTINGGI
Lebih terperinciImplementasi Metode Clustering DBSCAN pada Proses Pengambilan Keputusan
Implementasi Metode Clustering DBSCAN pada Proses Pengambilan Keputusan Ni Made Anindya Santika Devi, I Ketut Gede Darma Putra, I Made Sukarsa Jurusan Teknologi Informasi, Universitas Udayana Bukit Jimbaran,
Lebih terperinciAPLIKASI FUZZY -MEANS CLUSTERINGUNTUK MENGELOMPOKKAN DATA GEMPABUMI DI PROVINSI BENGKULU
Eksakta Vol. 18 No. 2, Oktober 2017 http://eksakta.ppj.unp.ac.id E-ISSN : 2549-7464 P-ISSN : 1411-3724 APLIKASI FUZZY -MEANS CLUSTERINGUNTUK MENGELOMPOKKAN DATA GEMPABUMI DI PROVINSI BENGKULU Nur Afandi,
Lebih terperinciKLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING
KLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING Moh Ahsan Universitas Kanjuruhan Malang ahsan@unikama.ac.id ABSTRAK. Universitas Kanjuruhan Malang
Lebih terperinciCRM Hello, Goodbye. Babak Baru dalam Kesetiaan Pelanggan
CRM Hello, Goodbye Babak Baru dalam Kesetiaan Pelanggan Era Tradisional Perusahaan lebih fokus pada APA bukan SIAPA Berusaha menjual sebanyak mungkin produk/jasa tanpa memperhatikan siapa yang membeli
Lebih terperinciMENENTUKAN NILAI AKHIR KULIAH DENGAN FUZZY C-MEANS
MENENTUKAN NILAI AKHIR KULIAH DENGAN FUZZY C-MEANS Arwan Ahmad Khoiruddin, S.Kom. Staf Pengajar Jurusan Tekn Informata, Fakultas Teknologi Industri, Universitas Islam Indonesia arwan@fti.uii.ac.id ABSTRACT
Lebih terperinciMENGGUNAKAN DATA MINING
E.11 MENGGUNAKAN DATA MINING UNTUK SEGMENTASI CUSTOMER PADA BANK UNTUK MENINGKATKAN CUSTOMER RELATIONSHIP MANAGEMENT (CRM) DENGAN METODE KLASIFIKASI (AGORITMA J-48, ZERO-R DAN NAIVE BAYES) Maghfirah, Teguh
Lebih terperinciPEMBUATAN DESAIN SISTEM CUSTOMER RELATIONSHIP MANAGEMENT UNTUK MEMPERTAHANKAN DAN MEMPERLUAS HUBUNGAN DENGAN PELANGGAN PADA SEKURITAS ABC
PEMBUATAN DESAIN SISTEM CUSTOMER RELATIONSHIP MANAGEMENT UNTUK MEMPERTAHANKAN DAN MEMPERLUAS HUBUNGAN DENGAN PELANGGAN PADA SEKURITAS ABC Hengky Alexander M dan Mahendrawathi ER Program Studi Magister
Lebih terperinciPERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP)
PERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP) Rezki Susan Ardyati dan Dida D. Damayanti Program Studi Teknik Industri Institut Teknologi
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN
PENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN Fauziah Nur1, Prof. M. Zarlis2, Dr. Benny Benyamin Nasution3 Program Studi Magister Teknik Informatika, Universitas
Lebih terperinciKLUSTERING BERBASIS PROTOTIPE DENGAN METODE FUZZY C-MEANS
JURNAL LOGIC. VOL.15. NO.1 MARET 015 51 KLUSTERING BERBASIS PROTOTIPE DENGAN METODE FUZZY C-MEANS Putu Manik Prihatini Jurusan Teknik Elektro, Politeknik Negeri Bali Bukit Jimbaran, P.O.Box 1064 Tuban
Lebih terperinciBAB I PENDAHULUAN A. Latar Belakang
BAB I PENDAHULUAN A. Latar Belakang Promosi adalah salah satu faktor yang diperlukan bagi keberhasilan bagi suatu perusahaan atau organisasi, maka promosi merupakan salah satu senjata ampuh bagi perusahaan
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Clustering adalah proses di dalam mencari dan mengelompokkan data yang memiliki kemiripan karakteristik (similarity) antara satu data dengan data yang lain. Clustering
Lebih terperinciPemanfaatan Algoritma FCM Dalam Pengelompokan Kinerja Akademik Mahasiswa
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Pemanfaatan Algoritma FCM Dalam Pengelompokan Kinerja Akademik Mahasiswa Aidina Ristyawan 1), Kusrini 2), Andi Sunyoto
Lebih terperinciAplikasi Data Mining untuk Mengukur Tingkat Kelulusan Mahasiswa dengan Metode Apriori
Aplikasi Data Mining untuk Mengukur Tingkat Kelulusan Mahasiswa dengan Metode Apriori dan k-mean Clustering (Studi Kasus: Jurusan Teknik Informatika Universitas Trunojoyo Madura) Mohammad Syarief Prodi
Lebih terperinciPENERAPAN METODE GUSTAFSON-KESSEL CLUSTERING UNTUK MENENTUKAN SEGMENTASI DEBITUR PADA BANK CIMB NIAGA
PENERAPAN METODE GUSTAFSON-KESSEL CLUSTERING UNTUK MENENTUKAN SEGMENTASI DEBITUR PADA BANK CIMB NIAGA APPLICATION OF GUSTAFSON-KESSEL CLUSTERING METHODS FOR SEGMENTATION DETERMINING DEBTOR AT BANK CIMB
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 State of the Art Penelitian mengenai segmentasi pasar pada sebuah perusahaan telah banyak digunakan dengan tujuan untuk mengetahui strategi pasar yang baik dan dapat menguntungkan
Lebih terperinciSistem Pendukung Keputusan Penentuan Kontrak Kerja Agent Call Center Menggunakan Metode Saw
JURNAL INFORMATIKA, Vol.4 No.1 April 2017, pp. 76~81 ISSN: 2355-6579 E-ISSN: 2528-2247 76 Sistem Pendukung Keputusan Penentuan Kontrak Kerja Agent Call Center Menggunakan Metode Saw Sheyla Feby Liesdiana
Lebih terperinciPENGELOMPOKKAN DESA DI KABUPATEN SORONG PROVINSI PAPUA BARAT TAHUN 2016 BERDASARKAN STATUS KETERTINGGALAN
PENGELOMPOKKAN DESA DI KABUPATEN SORONG PROVINSI PAPUA BARAT TAHUN 2016 BERDASARKAN STATUS KETERTINGGALAN Indah Ratih Anggriyani 1), Dariani Matualage 2), Esther Ria Matulessy 3) 1)2)3) Jurusan Matematika
Lebih terperinciAnalisis Perbandingan K-Means dan Fuzzy C-Means untuk Pemetaan Motivasi Balajar Mahasiswa
Analisis Perbandingan K-Means dan Fuzzy C-Means untuk Pemetaan Motivasi Balajar Mahasiswa Nur Indah Selviana 1, Mustakim 2 1,2 Laboratorium Data Mining Program Studi Sistem Informasi, Fakultas Sains dan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Absensi adalah tingkat kehadiran pegawai yang berkenaan dengan tanggung jawab. Kehadiran berkenaan dengan tanggung jawab pegawai saat bekerja, pegawai yang hadir tepat
Lebih terperinciPENGELOMPOKKAN PERFORMA AKADEMIK MAHASISWA BERDASARKAN INDEKS PRESTASI MENGGUNAKAN K-MEANS CLUSTERING
A-99 PENGELOMPOKKAN PERFORMA AKADEMIK MAHASISWA BERDASARKAN INDEKS PRESTASI MENGGUNAKAN K-MEANS CLUSTERING Rachmad Zaini Alberto 1, Winda Kurnia Sari 2, Samsuryadi 3, Anggina Primanita 4 1,2,3,4 Fakultas
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Penelitian yang dilaksanakan adalah penelitian eksperimen, yaitu melakukan implementasi algoritma Fuzzy C-Means dalam pengelompokan berdasarkan data
Lebih terperinciPENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI
PENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI Much. Djunaidi Jurusan Teknik Industri Universitas Muhammadiyah Surakarta Jl. Ahmad Yani Tromol Pos 1 Pabelan Surakarta email: joned72@yahoo.com
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN 4.1 Analisa Analisa adalah suatupemahaman terhadap permasalahan sebelum mengambil suatu tindakan atau keputusan yang akan dilakukan. Disini akan dianalisa tentang sistem
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN Bab Pendahuluan terdiri dari uraian latar belakang yang mendasari pembuatan tugas akhir, pengenalan masalah yang dibahas didalam tugas akhir, manfaat maupun tujuan penelitian yang ingin
Lebih terperinci