BAB IV ANALISA DAN PERANCANGAN
|
|
|
- Yohanes Sudirman
- 9 tahun lalu
- Tontonan:
Transkripsi
1 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 yang sedang berjalan dan sistem yang akan dikembangkan, lalu menganalisa kebutuhan sistem serta kebutuhan pengguna dalam menggunakan sistem.ini adalah tahap yang sangatpenting, karena apabila terjadi suatukesalahan pada tahap ini akan menyebabkan kesalahan di tahap selanjutnya dengan tujuanmenemukan data-data yang berguna untuk menggali informasi yang potensial dalam menetapkan kriteria-kriteria yang dibutuhkan. 4.2 Analisa Sistem lama Sistem lama yang berjalan di perusahaan distributor bukuzanafa adalah menganalisa sistem yang sedang berjalan di perusahaan distributor bukuzanafa dalam menganalisa konsumen yang potensial. Distributor buku Zanafa melakukan pengelompokkan data transaksi konsumen secara manual, yaitudilihat dari seberapa sering seorang konsumen dalam berbelanja, atau seberapa besar total belanjanya dalam periode tertentu, hal ini dilakukan terhadap semua konsumen baik konsumen tetap maupun konsumen baru. Proses ini di anggap tidak memiliki efesiensi baik dilihat dari segi waktu maupun keputusan yang diambildalam menentukan dan memilah-milah konsumen yang potensial maupun yang tidak potensial. Karena dengan banyaknya data transaksi konsumen yang ada dibutuhkan waktu yang cukup lama untuk mengklasifikasikan transaksi konsumen. 4.3 Analisa Sistem Baru Dengan mengumpulkan data transaksi untuk melakukan mengelompokkan konsumen dengan menggunakan metode K-Means, lalu hasil pengelompokan yang telah dilakukan menggunakan metode K-Means lalu di lakukan proses
2 segmentasi menggunakan metode Fuzzy RFM yang bertujuan memberi gradegrade dari kelompok konsumen untuk membagi konsumen potensial dan kurang potensial dengan menggunakan sistem. Hal ini sangat membantu dalam mengklasifikasi konsumen karena tidak membutuhkan waktu yang lama dalam proses ini dan hasil yang didapat sangat akurat sehingga sangat membantu perusahaan dalam menentukan strategi bisnis yang akan diterapkan dalam mempertahankan dan menarik konsumen. 4.4 Analisa Kebutuhan Data Ditahap ini dilakukan analisa kebutuhan data. Data-data yang akan diinputkan ke sistem saling berelasi antara satu sama lainnya. Relasi data yang akan menjadi satu kesatuan basis data utuh. Data-data yang dibutuhkan sistem adalah sebagai berikut : 1. Data konsumen Data-data konsumen yang melakukan transaksi 2. Data transaksi Data-data transaksi yang telah dilakukan oleh konsumen. Kriteria yang digunakan untuk proses pengelompokan dapat dilihat pada tabel 4.1 berikut. Tabel 4.1 kriteria proses pengelompokan No Nama Kriteria Keterangan 1 Recency rentang waktu (dalam satuan hari, bulan, tahun) dari transaksi terakhir yang dilakukan oleh konsumen sampai saat ini 2 Frequency jumlah total transaksi atau jumlah rata-rata transaksi dalam satu periode (dalam satuan tahun). 3 Monetary jumlah rata-rata nilai pembelian konsumen dalam suatu satuan waktu IV-2
3 Ini adalah tahapan yang akan menjelaskan langkah-langkah yang akan dilakukan dalam proses seleksi data transaksi konsumen menggunakan metode K-Means dan Fuzzy RFM. Tahap analisa tersebut dapat digambarkan ke dalam flowchart berikut ini. Gambar 4.1 Flowchart Flowchartpada gambar 4.1 menjelaskan proses menggunakan dua metode yaitu metode K-Means dan fuzzy RFM.Langkah pertama adalah melakukan pengelompokan menggunakan metode K-Means. Terdapat tiga kriteria yang digunakan untuk proses pengelompokan yaitu jumlah jarak hari antara tanggal beli terbaru dan tanggal sekarang (recency),banyaknya pembelian yang terjadi IV-3
4 selama periode tertentu ( Frequency), total pembelanjaan pelanggan atau jumlah uang dalam periode tertentu (Monetary). Langkah selanjutnya adalah menentukan jumlah cluster dengan titik pusat kluster sembarang, menentukan jumlah maksimun dari kumpulan data, menormalisasikan data yang ada dengan mengguanakan nilai maximum yang telah di dapat. Proses perhitungan dimulai dengan membangkitkan centroid awal secara random, kemudian mengelompokkan data kedalam cluster dengan jarak terpendek, kemudian menghitung nilai rata dari pusat cluster yang baru. Kemudian cek kondisi berhenti, apabila kondisi telah memenuhi syarat maka iterasi berhenti, sebaliknya jika kondisi belum memenuhi syarat maka iterasi ditambah dan ulangi proses perhitungan sampai kondisi terpenuhi. Hasil dari perhitungan K-Means berupa kelompok beserta anggotanya Model Clustering Menggunakan Metode K-Means Konsep dari Metode K-Means adalah menentukan pusat kluster untuk menandai lokasi rata-rata untuk tiap-tiap kluster. Kemudian memperbaiki pusat kluster dan derajat keanggotaan tiap-tiap titik data secara berulang. Perulangan ini didasarkan pada minimasi fungsi obyektif yang menggambarkan jarak dari titik data kepusat kluster. yang terbobot oleh derajat keanggotaan titik data tersebut Pengelompokan Data Pelanggan Berikut ini adalah proses pengelompokan data pelangan yang melakukan transaksi dari tanggal 1 januari 2012 sampai 31 desember 2012 menggunakan metode K-Means.Dengan menggunakan data sampel dari beberapa data pelanggan. Berikut adalah data-data pelanggan tersebut: Tabel 4.2 Data pelanggan. Kriteria 1 : Recency Kriteria 2 : Frequency Kriteria 3 : Monetary No. Nama $35,084, $10,284, $12,381, $10,267, $19,987, IV-4
5 Kriteria 1 : Recency Kriteria 2 : Frequency Kriteria 3 : Monetary No. Nama $11,199, $9,328, $16,617, Tabel 4.2 Data pelanggan (lanjutan). Kriteria 1 : Recency Kriteria 2 : Frequency Kriteria 3 : Monetary No. Nama $17,653, $13,040, $14,833, $14,918, $21,940, $11,710, $27,686, $12,435, $31,676, $30,829, $46,881, $23,197, $61,333, $35,517, $33,984, $11,710, $16,292, $18,800, $25,765, $22,774, $37,194, $45,170, $34,648, $51,712, $51,954, $40,360, $27,201, $31,080, $53,256, $42,270, $41,810, $55,451, IV-5
6 Kriteria 1 : Recency Kriteria 2 : Frequency Kriteria 3 : Monetary No. Nama $26,821, $40,906, $53,313, Tabel 4.2 Data pelanggan (lanjutan). Kriteria 1 : Recency Kriteria 2 : Frequency Kriteria 3 : Monetary No. Nama $81,960, $65,679, $45,282, $74,436, $55,398, $48,700, $47,385, $42,355, $77,220, $49,767, $34,921, $45,218, $57,160, $65,182, $86,752, $57,486, $59,783, $42,063, $47,131, $88,072, $54,851, $27,915, $92,917, $66,880, $51,580, $57,037, $84,981, $85,849, $45,395, $49,320, $60,158, $26,960, IV-6
7 Kriteria 1 : Recency Kriteria 2 : Frequency Kriteria 3 : Monetary No. Nama $71,397, $50,824, $74,241, $68,014, $64,682, $71,428, Tabel 4.2 Data pelanggan (lanjutan). Kriteria 1 : Recency Kriteria 2 : Frequency Kriteria 3 : Monetary No. Nama $53,115, $85,025, $85,279, $82,573, $100,239, $71,466, Langkah-langkah K-Means Berikut ini merupakan langkah-langkah pengelompokan pelanggan menggunakan K-Means: 1. Memasukkan data pelanggan yang akan di cluster Data pelanggan akan dicluster dapat dilihat pada tabel 4.8. Dalam penelitian ini data yang digunakan adalah data pelanggan sebanyak 90data. 2. Menentukan jumlah data cluster Langkah kedua merupakan langkah yang digunakan untuk menentukan jumlah cluster yang akan dibentuk. Dalam penelitian ini jumlah cluster yang akan dibentuk adalah menjadi 3 cluster. 3. Menentukan data yang akan diproses Langkah selanjutnya adalah menentukan data yang akan diproses atau data yang akan di-cluster. Data yang akan diproses atau di-cluster adalah Data pelanggan yang digunakan adalah data sampel, yaitu sekitar 10% dari seluruh pelanggan, dengan jumlah pelanggan 90yang merujuk dari tabel pelanggan pada tabel 4.2. IV-7
8 Jika dilihat dari tabel 4.2 diatas maka akan sulit untuk melakukan cluster dengan menggunakan metode K-Means. Untuk mengatasi hal tersebut maka data terlebih dahulu dinormalisasikan, yaitu dengan cara mencari data maksimum kemudian dijadikan sebagai pembagi data-data yang lain. Hasil dari normalisasi dapat dilihat pada tabel 4.3 berikut: Tabel 4.3Hasil normalisasi data pelanggan. No. Nama Kriteria 1 : Recency Kriteria 2 : Frequency Kriteria 3 : Monetary IV-8
9 No. Nama Kriteria 1 : Recency Kriteria 2 : Frequency Kriteria 3 : Monetary Tabel 4.3Hasil normalisasi data pelanggan (lanjutan). No. Nama Kriteria 1 : Recency Kriteria 2 : Frequency Kriteria 3 : Monetary IV-9
10 No. Nama Kriteria 1 : Recency Kriteria 2 : Frequency Kriteria 3 : Monetary Cara menormalisasi data: = Perhitungan untuk data pertama: Data terbesar (Max t ) adalah : 249 terdapat pada Recency t 1 = 190 = = Lakukan untuk data yang lain (2 sampai 90), kemudian lakukan juga pada Frequency dan Monetary. IV-10
11 4. Pemberian Nilai Centroid Penentuan jumlah nilai centroid adalah berdasarkan jumlah dari cluster yang akan dibentuk. Pada penelitian ini cluster yang akan dibentuk adalah 3clustermaka jumlah centroid yang di ambil adalah berjumlah 3centroid. Nilai inisialisasi centroid ke-j ditentukan secara acak dengan menggunakan formula: C = (rand(0,1), (0,1), ) (0,1)) J = 1..4 Nomor index kriteria Nilai centroid dilakukan secara random oleh sebuah sistem, dapat diambil sebuah contoh random nilai sebagai berikut: Tabel 4.4 Centroid awal secara random = Cluster 1 (C1) = Cluster 2 (C2) = Cluster 3 (C3) = Cluster 4 (C4) 5. Melakukan proses perhitungan Jarak dengan rumus Euclidean Langkah keempat adalah melakukan proses perhitungan. Proses perhitungan jarak digunakan rumus Jarak Euclidean pada rumus 2.1, yaitu: (, )=,,, dimana: i = Id Pelanggan k = IndexKriteria, = (,,,,, ) = Kriteria,, = (,,,,,,,,,,, ) = Centroid dari kriteria Hitung jarak setiap data yang ada terhadap setiap nilai centroid. Menghitung jarak data data pertama: = ( ; 0.375;0.35), = (0 ; 1 ; 0), = ( ) + ( ) + (0.35 0)² = IV-11
12 = ( ; 0.375;0.35), = (1 ; 0 ; 0), = ( ) + ( ) + (0.35 0)² = = ( ; 0.375;0.35), = (0 ; 0 ; 1), = ( ) + ( ) + (0.35 1)² = = ( ; ;0.52), = (1 ; 0 ; 0), = ( ) + ( ) + (0.35 0)² = Begitu seterusnya untuk data ke 2 sampai dengan 90, berikut Hasil perhitungan Jarak dengan Rumus Euclidean: Tabel 4.5. Hasil perhitungan Jarak dengan Rumus Euclidean No Cluster 1 Cluster 2 Cluster 3 Cluster IV-12
13 No Cluster 1 Cluster 2 Cluster 3 Cluster Tabel 4.5. Hasil perhitungan Jarak dengan Rumus Euclidean(lanjutan). No Cluster 1 Cluster 2 Cluster 3 Cluster IV-13
14 No Cluster 1 Cluster 2 Cluster 3 Cluster IV-14
15 No Cluster 1 Cluster 2 Cluster 3 Cluster Menentukan pengelompokan cluster. Langkah selanjutnya adalah langkah untuk menentukan data yang masuk kedalam suatu cluster. Suatu data yang akan menjadi anggota dari suatu cluster adalah data yang memiliki jarak terkecil dari pusat clusternya. Tabel 4.6. Data Cluster No Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster C C C C C C C C C C C C C C C C C C C C C C1 IV-15
16 No Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster C C C C C C C C C C C C C C C C C C C C C C C C C C C C C C C C C C C C1 IV-16
17 No Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster C C C C C C C C C C C C C C C C C C C C C C C C C C C C C C C C3 IV-17
18 Nilai minimun dari clusternya adalah Min (D₁,D₂,D₃, ) =Min ( ; ; ; ) Min = ( ) ini ada pada data clusterke empat (C4). Lakukan dengan langkah yang sama untuk mencari data ke 2 sampai dengan Menentukan nilai Centroid Baru Pada langkah ini menentukan nilai centroid baru, nilai ini ditentukan oleh data yang masuk kedalam suatucluster. Berdasarkan tabel 4.7. C IV-18
19 C Untuk clusterpertama, data yang masuk kedalamnya cluster satu medapatkan nilai centroid baru yaitu dengan mencari nilai rata-rata dari nilai cluster yang masuk kedalam data tersebut. IV-19
20 Ck = Ck = Centroid kriteria Untuk centroid pertama: =..... = =..... = =..... = sehingga didapat nilai hasil centroid pertama adalah: C= ( ; ; ) Untuk mencari nilai centroid kedua dan ketiga samapai ke empat, ulangi langkah mencari nilai centroid pada langkah 7. Setelah nilai 1 yang baru sudah ditemukan,maka ulangi langkah perhitungan jarak yaitu pada langkah 4hingga tidak ada lagi data yang berpindah ke cluster lain atau apabila tabel pada iterasi terakhir sama dengan sebelumnya maka proses dihentikan karena sudah dapat diketahui hasil cluster terakhir, hingga membentuk suatu kelompok-kelompok data pelanggan. Setelah dicari secara detail diperoleh hasil akhir pengelompokan sebagai berikut: IV-20
21 Tabel 4.8 Hasil akhir pengelompokan konsumen Cluster 1 No. Nama Kriteria 1 : Recency Kriteria 2 : Frequency Kriteria 3 : Monetary IV-21
22 Tabel 4.9Hasil akhir pengelompokan konsumen Cluster 2 No. Nama Kriteria 1 : Recency Kriteria 2 : Frequency Kriteria 3 : Monetary Tabel 4.10Hasil akhir pengelompokan konsumen Cluster 3 No. Nama Kriteria 1 : Recency Kriteria 2 : Frequency Kriteria 3 : Monetary IV-22
23 Tabel 4.10Hasil akhir pengelompokan konsumen Cluster 3 No. Nama Kriteria 1 : Recency Kriteria 2 : Frequency Kriteria 3 : Monetary Tabel 4.11Hasil akhir pengelompokan konsumen Cluster 4 No. Nama Kriteria 1 : Recency Kriteria 2 : Frequency Kriteria 3 : Monetary Model Klasifikasi Menggunakan Metode Fuzzy RFM Model fuzzy RFM terdiri atas 3 variabel yaitu recency, frequency, dan monetary, masing-masing dibagi menjadi 3 himpunan fuzzy : 1. Recency yaitu rentang waktu (dalam satuan hari, bulan, tahun) dari transaksi terakhir yang dilakukan oleh konsumen sampai saat ini. IV-23
24 2. Frequency yaitujumlah total transaksi atau jumlah rata-rata transaksi dalam satu periode (dalam satuan tahun). 3. Monetary yaitu jumlah rata-rata nilai pembelian konsumen dalam suatu satuan waktu (misalnya satu kali transaksi sebesar ). Tabel 4.12 Domain nilai untuk masing-masing himpunan fuzzy. ATRIBUT VARIABEL LINGUISTIK DOMAIN NILAI BARU SAJA 0 r < 28 Hari RECENCY AGAK LAMA 20< r <60 Hari LAMA 70 Hari < r JARANG 0 t < 20 Transaksi FREQUENCY AGAK SERING 10 < t < 40 Transaksi SERING 30 Transaksi < r RENDAH 0 m < 15 Juta Rupiah MONETARY SEDANG 5 Juta < m < 35 Juta Rupiah TINGGI 25 Juta Rupiah < m 1.2 Recency BARU SAJA AGAK LAMA LAMA Gambar 4.2Himpunan Fuzzy pada variable Recency IV-24
25 1.2 Frequency JARANG AGAK SERING SERING Gambar 4.3Himpunan Fuzzy pada variable Frequency Monetary ,000, ,000, ,000, ,000, ,000, ,000, ,000, ,000, ,000, SANGAT RENDAH RENDAH SEDANG TINGGI SANGAT TINGGI Gambar 4.4Himpunan Fuzzy pada variable Monetary IV-25
26 Rentang nilai yang diberikan pada recency, frequency dan monetary yang terdapat pada gambar 4.2 hingga gambar 4.4 berfungsi untuk mensegmentasi konsumen dengan melakukan perhitungan derajat keanggotaan pusat cluster dari masing-masing cluster terhadap semua kelas model fuzzy RFM menggunakan persamaan (Zumstein, 2007) : μ (x) = μ (x) ( ) 1 1 μ (x) ( ) dengan : μ = derajat keanggotaan untuk masing-masing kelas μ = derajat keanggotaan masing-masing variabel linguistik dalam fuzzy RFM A = kelas dalam model fuzzy RFM i = variabel linguistik dalam fuzzy RFM x = pusat cluster = gamma, biasanya bernilai 0,5 Dari derajat keanggotaan untuk masing-masing yang telah diperoleh, dapatditentukan kelas dari cluster, yaitu kelas yang memiliki derajateanggotaanpaling tinggi. Setiap kelas kelas model fuzzy RFM memiliki label konsumen yangmenyatakan karakteristik dari setiap kelas konsumen. IV-26
27 Tabel 4.13Deskripsi variabel linguistik dan Label Konsumen CLASS RECENCY FREQUENCY MONETARY STATUS LOYALTY GRADE SCORES K-01 BARU SAJA SERING SANGAT TINGGI ACTIVE SUPER STAR A ACTIVE SUPER STAR A K-02 BARU SAJA SERING TINGGI ACTIVE SUPER STAR B ACTIVE SUPER STAR B K-03 BARU SAJA SERING SEDANG ACTIVE GOLDEN A ACTIVE GOLDEN A K-04 BARU SAJA SERING RENDAH ACTIVE EVERYDAY A ACTIVE EVERYDAY A K-05 BARU SAJA SERING SANGAT RENDAH ACTIVE OCCATIONAL A ACTIVE OCCATIONAL A K-06 BARU SAJA AGAK SERING SANGAT TINGGI ACTIVE SUPER STAR C ACTIVE SUPER STAR C K-07 BARU SAJA AGAK SERING TINGGI ACTIVE GOLDEN B ACTIVE GOLDEN B K-08 BARU SAJA AGAK SERING SEDANG ACTIVE EVERYDAY B ACTIVE EVERYDAY B K-09 BARU SAJA AGAK SERING RENDAH ACTIVE OCCATIONAL B ACTIVE OCCATIONAL B K-10 BARU SAJA AGAK SERING SANGAT RENDAH ACTIVE DORMANT A ACTIVE DORMANT A K-11 BARU SAJA JARANG SANGAT TINGGI ACTIVE GOLDEN C ACTIVE GOLDEN C K-12 BARU SAJA JARANG TINGGI ACTIVE EVERYDAY C ACTIVE EVERYDAY C K-13 BARU SAJA JARANG SEDANG ACTIVE OCCATIONAL C ACTIVE OCCATIONAL C K-14 BARU SAJA JARANG RENDAH ACTIVE DORMANT B ACTIVE DORMANT B K-15 BARU SAJA JARANG SANGAT RENDAH ACTIVE DORMANT C ACTIVE DORMANT C K-16 AGAK LAMA SERING SANGAT TINGGI PASSIVE SUPER STAR A PASSIVE SUPER STAR A K-17 AGAK LAMA SERING TINGGI PASSIVE SUPER STAR B PASSIVE SUPER STAR B K-18 AGAK LAMA SERING SEDANG PASSIVE GOLDEN A PASSIVE GOLDEN A K-19 AGAK LAMA SERING RENDAH PASSIVE EVERYDAY A PASSIVE EVERYDAY A K-20 AGAK LAMA SERING SANGAT RENDAH PASSIVE OCCATIONAL A PASSIVE OCCATIONAL A K-21 AGAK LAMA AGAK SERING SANGAT TINGGI PASSIVE SUPER STAR C PASSIVE SUPER STAR C IV-27
28 Tabel 4.13Deskripsi variabel linguistik dan Label Konsumen (lanjutan). CLASS RECENCY FREQUENCY MONETARY STATUS LOYALTY GRADE SCORES K-22 AGAK LAMA AGAK SERING TINGGI PASSIVE GOLDEN B PASSIVE GOLDEN B K-23 AGAK LAMA AGAK SERING SEDANG PASSIVE EVERYDAY B PASSIVE EVERYDAY B K-24 AGAK LAMA AGAK SERING RENDAH PASSIVE OCCATIONAL B PASSIVE OCCATIONAL B K-25 AGAK LAMA AGAK SERING SANGAT RENDAH PASSIVE DORMANT A PASSIVE DORMANT A K-26 AGAK LAMA JARANG SANGAT TINGGI PASSIVE GOLDEN C PASSIVE GOLDEN C K-27 AGAK LAMA JARANG TINGGI PASSIVE EVERYDAY C PASSIVE EVERYDAY C K-28 AGAK LAMA JARANG SEDANG PASSIVE OCCATIONAL C PASSIVE OCCATIONAL C K-29 AGAK LAMA JARANG RENDAH PASSIVE DORMANT B PASSIVE DORMANT B K-30 AGAK LAMA JARANG SANGAT RENDAH PASSIVE DORMANT C PASSIVE DORMANT C K-31 LAMA SERING SANGAT TINGGI INACTIVE SUPER STAR A INACTIVE SUPER STAR A K-32 LAMA SERING TINGGI INACTIVE SUPER STAR B INACTIVE SUPER STAR B K-33 LAMA SERING SEDANG INACTIVE GOLDEN A INACTIVE GOLDEN A K-34 LAMA SERING RENDAH INACTIVE EVERYDAY A INACTIVE EVERYDAY A K-35 LAMA SERING SANGAT RENDAH INACTIVE OCCATIONAL A INACTIVE OCCATIONAL A K-36 LAMA AGAK SERING SANGAT TINGGI INACTIVE SUPER STAR C INACTIVE SUPER STAR C K-37 LAMA AGAK SERING TINGGI INACTIVE GOLDEN B INACTIVE GOLDEN B K-38 LAMA AGAK SERING SEDANG INACTIVE EVERYDAY B INACTIVE EVERYDAY B K-39 LAMA AGAK SERING RENDAH INACTIVE OCCATIONAL B INACTIVE OCCATIONAL B K-40 LAMA AGAK SERING SANGAT RENDAH INACTIVE DORMANT A INACTIVE DORMANT A K-41 LAMA JARANG SANGAT TINGGI INACTIVE GOLDEN C INACTIVE GOLDEN C K-42 LAMA JARANG TINGGI INACTIVE EVERYDAY C INACTIVE EVERYDAY C IV-28
29 Tabel 4.13Deskripsi variabel linguistik dan Label Konsumen (lanjutan). CLASS RECENCY FREQUENCY MONETARY STATUS LOYALTY GRADE SCORES K-43 LAMA JARANG SEDANG INACTIVE OCCATIONAL C INACTIVE OCCATIONAL C K-44 LAMA JARANG RENDAH INACTIVE DORMANT B INACTIVE DORMANT B K-45 LAMA JARANG SANGAT RENDAH INACTIVE DORMANT C INACTIVE DORMANT C IV-29
30 4.5 Evaluation Evaluasi dari model yang digunakan dilakukan dengan cara melakukan proses mining pada data set dalam 1 periode tertentu atau data pelanggan tertentu (transaksi dalam satu tahun tertentu atau sampel diambil dari beberapa pelanggan). Proses clustering diuji coba dengan berbagai nilai parameter dari masing-masing algoritma clustering. Hasil segmentasi cluster yang diperoleh dari hasil clustering algoritma metode K-Means dibandingkan dengan data transaksi yang sesungguhnya untuk mengukur kinerja proses mining. Tabel 3.10, 3.11, 3.12, 3.13 dan 3.14 menunjukkan 3 jenis konsumen yang diurutkan dari tingkat konsumen yang paling potensial sampai yang kurang potensial, yaituactive Super Star, Active Golden, Active Everyday, Active Occationaldan Active Dormantyang terbagi lagi menjadi beberapa jenis konsumen berdasarkan tingkat keaktifan pelanggan. Tabel 3.9. Pembagian 5 jeniskonsumen ini akan menjadi acuan dalam proses evaluasi. Jika belum mampu membaca cluster dengan tepat, maka akan kembali ke proses modeling untuk memperbaiki struktur model yang digunakan. Tahap evaluasi dianggap telah selesai jika business understand. Proses modeling untuk memperbaiki struktur model yang digunakan. Tahap evaluasi dianggap telah selesai jika business understanding telah terjawab dengan baik Active Super Star Active Super Staradalah pelanggan yang nilai monetarytinggi hingga sangat tinggi, dan frequency agak sering hingga sering. Active Super Starini dibagi lagi menjadi 3 kategori berdasarkan tingkat keaktifan pelanggan dalam berbelanja, yaitu: IV-30
31 1. Active Super Star Tabel 4. 14Pembagian Active Super Star Kelas Deskripsi Variabel Linguistik Recency Frequency Monetary Label Pelanggan K01 Baru Saja Sering Sangat Tinggi Active Super StarA K02 Baru Saja Sering Tinggi Active Super StarB K03 Baru Saja Agak Sering Sangat Tinggi Active Super StarC 2. Pasive Super Star Tabel 4.15Pembagian PassiveSuper Star Kelas Deskripsi Variabel Linguistik Recency Frequency Monetary Label Pelanggan K10 Agak Lama Sering Sangat Tinggi PassiveSuper StarA K11 Agak Lama Sering Tinggi PassiveSuper StarB K12 Agak Lama Agak Sering Sangat Tinggi PassiveSuper Star C 3. Inactive Super Star Tabel 4.16 Pembagian Inactive Loyal Customer Kelas Deskripsi Variabel Linguistik Recency Frequency Monetary Label Pelanggan K10 Lama Sering Sangat Tinggi InactiveSuper StarA K11 Lama Sering Tinggi InactiveSuper StarB K12 Lama Agak Sering Sangat Tinggi InactiveSuper StarC IV-31
32 4.5.2 Active Golden 1. Active Golden Tabel 4.17Pembagian Active Occassional Customer Kelas Deskripsi Variabel Linguistik Recency Frequency Monetary Label Pelanggan K05 Baru Saja Sering Sedang Active Golden A K06 Baru Saja Agak Sering Tinggi Active GoldenB K07 Baru Saja Jarang Sangat Tinggi Active GoldenC 2. Passive Golden Tabel 4.18 Pembagian Passive Golden Kelas Deskripsi Variabel Linguistik Recency Frequency Monetary Label Pelanggan K13 Agak Lama Sering Sedang Passive Golden A K14 Agak Lama Agak Sering Tinggi Passive GoldenB K15 Agak Lama Jarang Sangat Tinggi Passive GoldenC 3. Inactive Golden Tabel 4.19 Pembagian Inactive Golden Kelas Deskripsi Variabel Linguistik Recency Frequency Monetary Label Pelanggan K21 Lama Sering Sedang Inactive GoldenA K22 Lama Agak Sering Tinggi Inactive GoldenB K23 Lama Jarang Sangat Tinggi Inactive GoldenC IV-32
33 4.5.3 Active Everyday 1. Active Everyday Tabel 4.20Active Everyday Kelas Deskripsi Variabel Linguistik Recency Frequency Monetary Label Pelanggan K05 Baru Saja Sering Rendah Active Everyday A K06 Baru Saja Agak Sering Sedang Active Everyday B K07 Baru Saja Jarang Tinggi Active Everyday C 2. PassiveEveryday Tabel 4.21 Pembagian PassiveEveryday Kelas Deskripsi Variabel Linguistik Recency Frequency Monetary Label Pelanggan K16 Agak Lama Sering Rendah Passive EverydayA K17 Agak Lama Agak Sering Sedang Passive EverydayB K18 Agak Lama Jarang Tinggi Passive EverydayC 3. Inactive Everyday Tabel 4.22 Pembagian Inactive Everyday Kelas Deskripsi Variabel Linguistik Recency Frequency Monetary Label Pelanggan K24 Lama Sering Rendah Inactive Everyday A K25 Lama Agak Sering Sedang Inactive Everyday B K26 Lama Jarang Tinggi Inactive Everyday C Active Occational 1. Active Occational Tabel 4.23 Pembagian Active Occational Kelas Deskripsi Variabel Linguistik Recency Frequency Monetary Label Pelanggan K05 Baru Saja Sering Sangat Rendah Active Occational A K06 Baru Saja Agak Sering Rendah Active Occational B IV-33
34 2. Pasive Occational Tabel 4.24 Pembagian Pasive Occational Kelas Deskripsi Variabel Linguistik Label Pelanggan Recency Frequency Monetary K24 Agak Lama Agak Sering Sangat Rendah Pasive OccationalA K25 Agak Lama Agak Sering Rendah Pasive OccationalB K26 Agak Lama Jarang Sedang Pasive OccationalC 3. Inactive Occational Tabel 4.25 Pembagian Inactive Occational Kelas Deskripsi Variabel Linguistik Recency Frequency Monetary Label Pelanggan K24 Lama Sering Sangat Rendah Inactive Occational A K25 Lama Agak Sering Rendah Inactive OccationalB K26 Lama Jarang Sedang Inactive OccationalC Active Dormant 1. Active Dormant Tabel 4.26 Pembagian Active Dormant Kelas Deskripsi Variabel Linguistik Recency Frequency Monetary Label Pelanggan K24 Lama Agak Sering Sangat Rendah Active DormantA K25 Lama Jarang Rendah Active DormantB K26 Lama Jarang Sangat Rendah Active DormantC IV-34
35 2. Pasive Dormant Tabel 4.27 Pembagian Pasive Dormant Kelas Deskripsi Variabel Linguistik Recency Frequency Monetary Label Pelanggan K24 Agak Lama Agak Sering Sangat rendah Pasive DormantA K25 Agak Lama Jarang Rendah Pasive DormantB K26 Agak Lama Jarang Sangat Sedang Pasive DormantC 3. Inactive Dormant Tabel 4.28 Pembagian Inactive Dormant Kelas Deskripsi Variabel Linguistik Recency Frequency Monetary Label Pelanggan K24 Lama Agak Sering Sangat Rendah Inactive Dormant A K25 Lama Jarang Rendah Inactive DormantB K26 Lama Jarang Sangat Rendah Inactive DormantC IV-35
36 Tabel 4.29 Perhitungan Fuzzy RFM untuk pusat kluster 1 Recency Frequency Monetary Kelas Fungsi Fungsi Nilai PC B. Ling Kgt Nilai PC B. Ling Fungsi Kgt Nilai PC B. Ling Kgt Part I Part II F A Nama Kelas K-01 14, BARU SAJA 1 33,5192 SERING SANGAT TINGGI ACTIVE SUPER STAR A K-02 14, BARU SAJA 1 33,5192 SERING TINGGI ACTIVE SUPER STAR B K-03 14, BARU SAJA 1 33,5192 SERING SEDANG ACTIVE GOLDEN A K-04 14, BARU SAJA 1 33,5192 SERING RENDAH ACTIVE EVERYDAY A K-05 14, BARU SAJA 1 33,5192 SERING SANGAT RENDAH 0 0,0000 1,0000 0,0000 ACTIVE OCCATIONAL A K-06 14, BARU SAJA 1 33,5192 AGAK SERING 0, SANGAT TINGGI 0 0,0000 1,0000 0,0000 ACTIVE SUPER STAR C K-07 14, BARU SAJA 1 33,5192 AGAK SERING 0, TINGGI 0 0,0000 1,0000 0,0000 ACTIVE GOLDEN B K-08 14, BARU SAJA 1 33,5192 AGAK SERING 0, SEDANG 0 0,0000 1,0000 0,0000 ACTIVE EVERYDAY B K-09 14, BARU SAJA 1 33,5192 AGAK SERING 0, RENDAH 1 0,9623 1,0000 0,9623 ACTIVE OCCATIONAL B K-10 14, BARU SAJA 1 33,5192 AGAK SERING 0, SANGAT RENDAH 0 0,0000 1,0000 0,0000 ACTIVE DORMANT A K-11 14, BARU SAJA 1 33,5192 JARANG 0, SANGAT TINGGI 0 0,0000 1,0000 0,0000 ACTIVE GOLDEN C K-12 14, BARU SAJA 1 33,5192 JARANG 0, TINGGI 0 0,0000 1,0000 0,0000 ACTIVE EVERYDAY C K-13 14, BARU SAJA 1 33,5192 JARANG 0, SEDANG 0 0,0000 1,0000 0,0000 ACTIVE OCCATIONAL C K-14 14, BARU SAJA 1 33,5192 JARANG 0, RENDAH 1 0,2721 1,0000 0,2721 ACTIVE DORMANT B K-15 14, BARU SAJA 1 33,5192 JARANG 0, SANGAT RENDAH 0 0,0000 1,0000 0,0000 ACTIVE DORMANT C K-16 14, AGAK LAMA 0 33,5192 SERING SANGAT TINGGI 0 0,0000 0,0000 0,0000 PASSIVE SUPER STAR A K-17 14, AGAK LAMA 0 33,5192 SERING TINGGI 0 0,0000 0,0000 0,0000 PASSIVE SUPER STAR B K-18 14, AGAK LAMA 0 33,5192 SERING SEDANG 0 0,0000 0,0000 0,0000 PASSIVE GOLDEN A K-19 14, AGAK LAMA 0 33,5192 SERING RENDAH 1 0,0000 1,0000 0,0000 PASSIVE EVERYDAY A K-20 14, AGAK LAMA 0 33,5192 SERING SANGAT RENDAH 0 0,0000 0,0000 0,0000 PASSIVE OCCATIONAL A K-21 14, AGAK LAMA 0 33,5192 AGAK SERING 0, SANGAT TINGGI 0 0,0000 0,9623 0,0000 PASSIVE SUPER STAR C IV-36
37 Tabel 4.29 Perhitungan Fuzzy RFM untuk pusat kluster 1 (lanjutan). Kelas Recency Frequency Monetary Nilai PC B. Ling Fungsi Kgt Nilai PC B. Ling Fungsi Kgt Nilai PC B. Ling Part I Part II F A Nama Kelas K ,153,846 AGAK LAMA 0 335,192 AGAK SERING 0, TINGGI 0 0,0000 0,9623 0,0000 PASSIVE GOLDEN B K ,153,846 AGAK LAMA 0 335,192 AGAK SERING 0, SEDANG 0 0,0000 0,9623 0,0000 PASSIVE EVERYDAY B K ,153,846 AGAK LAMA 0 335,192 AGAK SERING 0, RENDAH 1 0, ,000 0,0000 PASSIVE OCCATIONAL B K ,153,846 AGAK LAMA 0 335,192 AGAK SERING 0, SANGAT RENDAH 0 0,0000 0,9623 0,0000 PASSIVE DORMANT A K ,153,846 AGAK LAMA 0 335,192 JARANG 0, SANGAT TINGGI 0 0,0000 0,2721 0,0000 PASSIVE GOLDEN C K ,153,846 AGAK LAMA 0 335,192 JARANG 0, TINGGI 0 0,0000 0,2721 0,0000 PASSIVE EVERYDAY C K ,153,846 AGAK LAMA 0 335,192 JARANG 0, SEDANG 0 0,0000 0,2721 0,0000 PASSIVE OCCATIONAL C K ,153,846 AGAK LAMA 0 335,192 JARANG 0, RENDAH 1 0, ,000 0,0000 PASSIVE DORMANT B K ,153,846 AGAK LAMA 0 335,192 JARANG 0, SANGAT RENDAH 0 0,0000 0,2721 0,0000 PASSIVE DORMANT C K ,153,846 LAMA 0 335,192 SERING SANGAT TINGGI 0 0,0000 0,0000 0,0000 INACTIVE SUPER STAR A K ,153,846 LAMA 0 335,192 SERING TINGGI 0 0,0000 0,0000 0,0000 INACTIVE SUPER STAR B K ,153,846 LAMA 0 335,192 SERING SEDANG 0 0,0000 0,0000 0,0000 INACTIVE GOLDEN A K ,153,846 LAMA 0 335,192 SERING RENDAH 1 0, ,000 0,0000 INACTIVE EVERYDAY A K ,153,846 LAMA 0 335,192 SERING SANGAT RENDAH 0 0,0000 0,0000 0,0000 INACTIVE OCCATIONAL A K ,153,846 LAMA 0 335,192 AGAK SERING 0, SANGAT TINGGI 0 0,0000 0,9623 0,0000 INACTIVE SUPER STAR C K ,153,846 LAMA 0 335,192 AGAK SERING 0, TINGGI 0 0,0000 0,9623 0,0000 INACTIVE GOLDEN B K ,153,846 LAMA 0 335,192 AGAK SERING 0, SEDANG 0 0,0000 0,9623 0,0000 INACTIVE EVERYDAY B K ,153,846 LAMA 0 335,192 AGAK SERING 0, RENDAH 1 0, ,000 0,0000 INACTIVE OCCATIONAL B K ,153,846 LAMA 0 335,192 AGAK SERING 0, SANGAT RENDAH 0 0,0000 0,9623 0,0000 INACTIVE DORMANT A K ,153,846 LAMA 0 335,192 JARANG 0, SANGAT TINGGI 0 0,0000 0,2721 0,0000 INACTIVE GOLDEN C Fungsi Kgt IV-37
38 Tabel 4.29 Perhitungan Fuzzy RFM untuk pusat kluster 1 (lanjutan). Kelas Recency Frequency Monetary Nilai PC B. Ling Fungsi Kgt Nilai PC B. Ling Fungsi Kgt Nilai PC B. Ling Fungsi Kgt Part I Part II F A Nama Kelas K ,153,846 LAMA 0 335,192 JARANG 0, TINGGI 0 0,0000 0,2721 0,0000 INACTIVE EVERYDAY C K ,153,846 LAMA 0 335,192 JARANG 0, SEDANG 0 0,0000 0,2721 0,0000 INACTIVE OCCATIONAL C K ,153,846 LAMA 0 335,192 JARANG 0, RENDAH 1 0, ,000 0,0000 INACTIVE DORMANT B K ,153,846 LAMA 0 335,192 JARANG 0, SANGAT RENDAH 0 0,0000 0,2721 0,0000 INACTIVE DORMANT C Tabel 4.30 Perhitungan Fuzzy RFM untuk pusat kluster 3 Recency Frequency Monetary Kelas Fungsi Nilai Fungsi Fungsi Part I Part II F A Nama Kelas Nilai PC B. Ling B. Ling Nilai PC B. Ling Kgt PC Kgt Kgt K ,25 BARU SAJA 0 14,125 SERING SANGAT TINGGI ACTIVE SUPER STAR A K ,25 BARU SAJA 0 14,125 SERING TINGGI ACTIVE SUPER STAR B K ,25 BARU SAJA 0 14,125 SERING SEDANG ACTIVE GOLDEN A K ,25 BARU SAJA 0 14,125 SERING RENDAH ACTIVE EVERYDAY A K ,25 BARU SAJA 0 14,125 SERING SANGAT RENDAH 1 0,0000 1,0000 0,0000 ACTIVE OCCATIONAL A K ,25 BARU SAJA 0 14,125 AGAK SERING SANGAT TINGGI 0 0,0000 0,0000 0,0000 ACTIVE SUPER STAR C K ,25 BARU SAJA 0 14,125 AGAK SERING TINGGI 0 0,0000 0,0000 0,0000 ACTIVE GOLDEN B K ,25 BARU SAJA 0 14,125 AGAK SERING SEDANG 0 0,0000 0,0000 0,0000 ACTIVE EVERYDAY B K ,25 BARU SAJA 0 14,125 AGAK SERING RENDAH 0 0,0000 0,0000 0,0000 ACTIVE OCCATIONAL B K ,25 BARU SAJA 0 14,125 AGAK SERING SANGAT RENDAH 1 0,0000 1,0000 0,0000 ACTIVE DORMANT A K ,25 BARU SAJA 0 14,125 JARANG SANGAT TINGGI 0 0,0000 1,0000 0,0000 ACTIVE GOLDEN C IV-38
39 Recency Frequency Monetary Kelas Fungsi Nilai Fungsi Fungsi Part I Part II F A Nama Kelas Nilai PC B. Ling B. Ling Nilai PC B. Ling Kgt PC Kgt Kgt K ,25 BARU SAJA 0 14,125 JARANG TINGGI 0 0,0000 1,0000 0,0000 ACTIVE EVERYDAY C K ,25 BARU SAJA 0 14,125 JARANG SEDANG 0 0,0000 1,0000 0,0000 ACTIVE OCCATIONAL C K ,25 BARU SAJA 0 14,125 JARANG RENDAH 0 0,0000 1,0000 0,0000 ACTIVE DORMANT B K ,25 BARU SAJA 0 14,125 JARANG SANGAT RENDAH 1 0,0000 1,0000 0,0000 ACTIVE DORMANT C K ,25 AGAK LAMA 0 14,125 SERING SANGAT TINGGI 0 0,0000 0,0000 0,0000 PASSIVE SUPER STAR A K ,25 AGAK LAMA 0 14,125 SERING TINGGI 0 0,0000 0,0000 0,0000 PASSIVE SUPER STAR B K ,25 AGAK LAMA 0 14,125 SERING SEDANG 0 0,0000 0,0000 0,0000 PASSIVE GOLDEN A K ,25 AGAK LAMA 0 14,125 SERING RENDAH 0 0,0000 0,0000 0,0000 PASSIVE EVERYDAY A K ,25 AGAK LAMA 0 14,125 SERING SANGAT RENDAH 1 0,0000 1,0000 0,0000 PASSIVE OCCATIONAL A K ,25 AGAK LAMA 0 14,125 AGAK SERING SANGAT TINGGI 0 0,0000 0,0000 0,0000 PASSIVE SUPER STAR C K ,25 AGAK LAMA 0 14,125 AGAK SERING TINGGI 0 0,0000 0,0000 0,0000 PASSIVE GOLDEN B K ,25 AGAK LAMA 0 14,125 AGAK SERING SEDANG 0 0,0000 0,0000 0,0000 PASSIVE EVERYDAY B K ,25 AGAK LAMA 0 14,125 AGAK SERING RENDAH 0 0,0000 0,0000 0,0000 PASSIVE OCCATIONAL B K ,25 AGAK LAMA 0 14,125 AGAK SERING SANGAT RENDAH 1 0,0000 1,0000 0,0000 PASSIVE DORMANT A K ,25 AGAK LAMA 0 14,125 JARANG SANGAT TINGGI 0 0,0000 1,0000 0,0000 PASSIVE GOLDEN C K ,25 AGAK LAMA 0 14,125 JARANG TINGGI 0 0,0000 1,0000 0,0000 PASSIVE EVERYDAY C K ,25 AGAK LAMA 0 14,125 JARANG SEDANG 0 0,0000 1,0000 0,0000 PASSIVE OCCATIONAL C K ,25 AGAK LAMA 0 14,125 JARANG RENDAH 0 0,0000 1,0000 0,0000 PASSIVE DORMANT B K ,25 AGAK LAMA 0 14,125 JARANG SANGAT RENDAH 1 0,0000 1,0000 0,0000 PASSIVE DORMANT C K ,25 LAMA 1 14,125 SERING SANGAT TINGGI 0 0,0000 1,0000 0,0000 INACTIVE SUPER STAR A K ,25 LAMA 1 14,125 SERING TINGGI 0 0,0000 1,0000 0,0000 INACTIVE SUPER STAR B K ,25 LAMA 1 14,125 SERING SEDANG 0 0,0000 1,0000 0,0000 INACTIVE GOLDEN A IV-39
40 Recency Frequency Monetary Kelas Fungsi Nilai Fungsi Fungsi Part I Part II F A Nama Kelas Nilai PC B. Ling B. Ling Nilai PC B. Ling Kgt PC Kgt Kgt K ,25 LAMA 1 14,125 SERING RENDAH 0 0,0000 1,0000 0,0000 INACTIVE EVERYDAY A K ,25 LAMA 1 14,125 SERING SANGAT RENDAH 1 0,0000 1,0000 0,0000 INACTIVE OCCATIONAL A K ,25 LAMA 1 14,125 AGAK SERING SANGAT TINGGI 0 0,0000 1,0000 0,0000 INACTIVE SUPER STAR C K ,25 LAMA 1 14,125 AGAK SERING TINGGI 0 0,0000 1,0000 0,0000 INACTIVE GOLDEN B K ,25 LAMA 1 14,125 AGAK SERING SEDANG 0 0,0000 1,0000 0,0000 INACTIVE EVERYDAY B K ,25 LAMA 1 14,125 AGAK SERING RENDAH 0 0,0000 1,0000 0,0000 INACTIVE OCCATIONAL B K ,25 LAMA 1 14,125 AGAK SERING SANGAT RENDAH 1 0,0000 1,0000 0,0000 INACTIVE DORMANT A K ,25 LAMA 1 14,125 JARANG SANGAT TINGGI 0 0,0000 1,0000 0,0000 INACTIVE GOLDEN C K ,25 LAMA 1 14,125 JARANG TINGGI 0 0,0000 1,0000 0,0000 INACTIVE EVERYDAY C K ,25 LAMA 1 14,125 JARANG SEDANG 0 0,0000 1,0000 0,0000 INACTIVE OCCATIONAL C K ,25 LAMA 1 14,125 JARANG RENDAH 0 0,0000 1,0000 0,0000 INACTIVE DORMANT B K ,25 LAMA 1 14,125 JARANG SANGAT RENDAH 1 1,0000 1,0000 1,0000 INACTIVE DORMANT C Tabel 4.31Perhitungan Fuzzy RFM untuk pusat kluster 4 Recency Frequency Monetary Kelas Fungsi Fungsi Part I Part II F A Nama Kelas Nilai PC B. Ling Nilai PC B. Ling Nilai PC B. Ling Fungsi Kgt Kgt Kgt K-01 9,4 BARU SAJA 1 44,3667 SERING SANGAT TINGGI ACTIVE SUPER STAR A K-02 9,4 BARU SAJA 1 44,3667 SERING TINGGI ACTIVE SUPER STAR B K-03 9,4 BARU SAJA 1 44,3667 SERING SEDANG 0, ACTIVE GOLDEN A K-04 9,4 BARU SAJA 1 44,3667 SERING RENDAH 0, ACTIVE EVERYDAY A K-05 9,4 BARU SAJA 1 44,3667 SERING SANGAT RENDAH 0 0,0000 1,0000 0,0000 ACTIVE OCCATIONAL A IV-40
41 Recency Frequency Monetary Kelas Fungsi Fungsi Part I Part II F A Nama Kelas Nilai PC B. Ling Nilai PC B. Ling Nilai PC B. Ling Fungsi Kgt Kgt Kgt K-06 9,4 BARU SAJA 1 44,3667 AGAK SERING SANGAT TINGGI 0 0,0000 1,0000 0,0000 ACTIVE SUPER STAR C K-07 9,4 BARU SAJA 1 44,3667 AGAK SERING TINGGI 0 0,0000 1,0000 0,0000 ACTIVE GOLDEN B K-08 9,4 BARU SAJA 1 44,3667 AGAK SERING SEDANG 0, ,3940 1,0000 0,3940 ACTIVE EVERYDAY B K-09 9,4 BARU SAJA 1 44,3667 AGAK SERING RENDAH 0, ,9191 1,0000 0,9191 ACTIVE OCCATIONAL B K-10 9,4 BARU SAJA 1 44,3667 AGAK SERING SANGAT RENDAH 0 0,0000 1,0000 0,0000 ACTIVE DORMANT A K-11 9,4 BARU SAJA 1 44,3667 JARANG SANGAT TINGGI 0 0,0000 1,0000 0,0000 ACTIVE GOLDEN C K-12 9,4 BARU SAJA 1 44,3667 JARANG TINGGI 0 0,0000 1,0000 0,0000 ACTIVE EVERYDAY C K-13 9,4 BARU SAJA 1 44,3667 JARANG SEDANG 0, ,0000 1,0000 0,0000 ACTIVE OCCATIONAL C K-14 9,4 BARU SAJA 1 44,3667 JARANG RENDAH 0, ,0000 1,0000 0,0000 ACTIVE DORMANT B K-15 9,4 BARU SAJA 1 44,3667 JARANG SANGAT RENDAH 0 0,0000 1,0000 0,0000 ACTIVE DORMANT C K-16 9,4 AGAK LAMA 0 44,3667 SERING SANGAT TINGGI 0 0,0000 0,0000 0,0000 PASSIVE SUPER STAR A K-17 9,4 AGAK LAMA 0 44,3667 SERING TINGGI 0 0,0000 0,0000 0,0000 PASSIVE SUPER STAR B K-18 9,4 AGAK LAMA 0 44,3667 SERING SEDANG 0, ,0000 0,3940 0,0000 PASSIVE GOLDEN A K-19 9,4 AGAK LAMA 0 44,3667 SERING RENDAH 0, ,0000 0,9191 0,0000 PASSIVE EVERYDAY A K-20 9,4 AGAK LAMA 0 44,3667 SERING SANGAT RENDAH 0 0,0000 0,0000 0,0000 PASSIVE OCCATIONAL A K-21 9,4 AGAK LAMA 0 44,3667 AGAK SERING SANGAT TINGGI 0 0,0000 1,0000 0,0000 PASSIVE SUPER STAR C K-22 9,4 AGAK LAMA 0 44,3667 AGAK SERING TINGGI 0 0,0000 1,0000 0,0000 PASSIVE GOLDEN B K-23 9,4 AGAK LAMA 0 44,3667 AGAK SERING SEDANG 0, ,0000 1,0000 0,0000 PASSIVE EVERYDAY B K-24 9,4 AGAK LAMA 0 44,3667 AGAK SERING RENDAH 0, ,0000 1,0000 0,0000 PASSIVE OCCATIONAL B K-25 9,4 AGAK LAMA 0 44,3667 AGAK SERING SANGAT RENDAH 0 0,0000 1,0000 0,0000 PASSIVE DORMANT A K-26 9,4 AGAK LAMA 0 44,3667 JARANG SANGAT TINGGI 0 0,0000 0,0000 0,0000 PASSIVE GOLDEN C K-27 9,4 AGAK LAMA 0 44,3667 JARANG TINGGI 0 0,0000 0,0000 0,0000 PASSIVE EVERYDAY C IV-41
42 Recency Frequency Monetary Kelas Fungsi Fungsi Part I Part II F A Nama Kelas Nilai PC B. Ling Nilai PC B. Ling Nilai PC B. Ling Fungsi Kgt Kgt Kgt K-28 9,4 AGAK LAMA 0 44,3667 JARANG SEDANG 0, ,0000 0,3940 0,0000 PASSIVE OCCATIONAL C K-29 9,4 AGAK LAMA 0 44,3667 JARANG RENDAH 0, ,0000 0,9191 0,0000 PASSIVE DORMANT B K-30 9,4 AGAK LAMA 0 44,3667 JARANG SANGAT RENDAH 0 0,0000 0,0000 0,0000 PASSIVE DORMANT C K-31 9,4 LAMA 0 44,3667 SERING SANGAT TINGGI 0 0,0000 0,0000 0,0000 INACTIVE SUPER STAR A K-32 9,4 LAMA 0 44,3667 SERING TINGGI 0 0,0000 0,0000 0,0000 INACTIVE SUPER STAR B K-33 9,4 LAMA 0 44,3667 SERING SEDANG 0, ,0000 0,3940 0,0000 INACTIVE GOLDEN A K-34 9,4 LAMA 0 44,3667 SERING RENDAH 0, ,0000 0,9191 0,0000 INACTIVE EVERYDAY A K-35 9,4 LAMA 0 44,3667 SERING SANGAT RENDAH 0 0,0000 0,0000 0,0000 INACTIVE OCCATIONAL A K-36 9,4 LAMA 0 44,3667 AGAK SERING SANGAT TINGGI 0 0,0000 1,0000 0,0000 INACTIVE SUPER STAR C K-37 9,4 LAMA 0 44,3667 AGAK SERING TINGGI 0 0,0000 1,0000 0,0000 INACTIVE GOLDEN B K-38 9,4 LAMA 0 44,3667 AGAK SERING SEDANG 0, ,0000 1,0000 0,0000 INACTIVE EVERYDAY B K-39 9,4 LAMA 0 44,3667 AGAK SERING RENDAH 0, ,0000 1,0000 0,0000 INACTIVE OCCATIONAL B K-40 9,4 LAMA 0 44,3667 AGAK SERING SANGAT RENDAH 0 0,0000 1,0000 0,0000 INACTIVE DORMANT A K-41 9,4 LAMA 0 44,3667 JARANG SANGAT TINGGI 0 0,0000 0,0000 0,0000 INACTIVE GOLDEN C K-42 9,4 LAMA 0 44,3667 JARANG TINGGI 0 0,0000 0,0000 0,0000 INACTIVE EVERYDAY C K-43 9,4 LAMA 0 44,3667 JARANG SEDANG 0, ,0000 0,3940 0,0000 INACTIVE OCCATIONAL C K-44 9,4 LAMA 0 44,3667 JARANG RENDAH 0, ,0000 0,9191 0,0000 INACTIVE DORMANT B K-45 9,4 LAMA 0 44,3667 JARANG SANGAT RENDAH 0 0,0000 0,0000 0,0000 INACTIVE DORMANT C IV-42
43 4.6 Analisa Subsistem Dialog Pada tahapan ini akan dibuat Data Flow Diagram (DFD) yang terdiri dari Diagram Konteks (Context Diagram) dan bebrapa level dibawahnya Analisa Fungsional Sistem Pada analisa fungsional sismtem terdapat diagram konteks dan data flow diagram (DFD) yang berfungsi untuk menggambarkan proses kerja sama system secara umum. Gambar 4.5 Diagram Konteks Diagram konteks pada gambar 4.4 menjelaskan tentang sistem yang memiliki entitas Kepala Toko. Kepala Toko melakukan memberikan data konsumen untuk mensegmentasi konsumen. sistem akan memberikan informasi laporan segmentasi konsumen kepada kepala toko buku. Setelah didapat klasifikasi konsumen dari sistem segmentasi konsumen maka kepala toko menetapkan srategi yang akan diterapkan kepada kelompok konsumen untuk mempertahankan loyalitas konsumen dan meningkatkan loyalitas konsumen. IV-43
44 Data Flow Diagram (DFD) Level I Berikut ini adalah gambar Data flow diagram level 1 dari sistem: Gambar 4.6 DFD level 1 Untuk keterangan masing-masing proses dapat dilihat pada Tabel Tabel 4.32 Deskripsi DFD level 1 Nama Deskripsi Segmentasi Pelanggan Berisi proses untuk melakukan segmentasi pelanggan menggunakan metode K-Means dan Fuzzy RFM Laporan Proses pembuatan laporan hasil segmentasi pelanggan Tabel 4.33Aliran data DFD level 1 Nama Deskripsi Dt_Dataset Datayang digunakan untuk perhitungan. Dt_DatasetSampel Datayang digunakan untuk perhitungan data sampel Dt_Cluster Data cluster hasil perhitungan yang akan disimpan ke sistem. Info_Dataset Informasi dari Dataset Info_DatasetSampel Informasi dari Dataset Sampel IV-44
45 Tabel 4.34 Aliran data Nama Info_Transaksi Info_DetailTransaksi Info_Product Info_Member Info_LabelPelanggan Info_Cluster Deskripsi Berisi informasi transaksi yang akan diproses. Berisi informasi detail transaksi yang akan diproses. Berisi informasi product atau barang yang akan diproses. Berisi informasi Member. Berisi informasi Label Pelanggan. Berisi informasi Cluster Analisa dan Perancangan Subsistem Basisdata Subsistem basis data berisi ERD dan kamus data, dimana didalamnya menjelaskan tabel basis data Analisa Basisdata Analisa data sistem merupakan notasi grafik untuk objek data dan hubungannya dalam sistem. Analisa basisdata akan membahas tentang ERD (Entity Relationship Diagram). Entity RelationshipDiagram (ERD) menggambarkan hubungan antar entitas. ERD Aplikasi Data Mining Untuk Mensegmentasi Pelanggan dengan Metode K-Meansdan Fuzzy pada gambar 4.7. IV-45
46 Gambar 4.7 Perancagan ERD IV-46
47 Tabel 4.35 Keterangan Data Entity pada ERD No. Nama Deskripsi Atribut Primary Key 1 Member Menyimpan data master member yang melakukan transaksi pada sistem KodeMember Nama JenisKelamin KodeMem ber informasi penjualan. Alamat NoHP 2 Product Menyimpan data master KodeProduct KodeProdu product atau barang yang dijual. Nama Harga ct 3 Transaksi Menyimpan data transaksi member/pelanggan KodeTransaksi Tanggal Waktu KodeTrans aksi 4 DetailTransaksi Menyimpan data detail transaksi member yaitu detail barang yang dibeli beserta harga dan jumlahnya 5 Dataset Menyimpan data hasil transformasi data yang digunakan untuk proses mining 6 DatasetSampel Menyimpan data hasil transformasi data yang digunakan untuk proses mining, dimana data pada tabel ini digunakan untuk sampling atau perhitungan pada data sampel 7 Cluster Menyimpan data hasil perhitungan metode K-means yaitu data pusat cluster Quantity TotalHarga KodeMember Recency Frequency Monetary KodeMember Recency Frequency Monetary ID Recency Frequency Monetary - KodeMem ber KodeMem ber ID IV-47
48 Tabel 4.35 Keterangan Data Entity pada ERD (lanjutan) No. Nama Deskripsi Atribut Primary Key 8 LabelPelanggan Menyimpan data Label atau ID Recency ID Kelas pelanggan, data ini bersifat statis karena tidak ada Frequency Monetary Label proses input melalui sistem informasi 4.7 Kamus Data (Data Dictionary) Deskripsi tabel yang dirancang pada basisdata adalah sebagai berikut: 1. Tabel Member Tabel 4.36 Struktur tabel member Field Tipe Data Keterangan KodeMember Text(5) Kode Member / Pelanggan (Primary Key) Nama Text(30) Nama Member / Pelanggan JenisKelamin Text(9) Jenis Kelamin Member Alamat Text(128) Alamat Member NoHp Text(30) Nomor Telp. / Hp. Member 2. Tabel Product Tabel 4.37 Struktur tabel product Field Tipe Data Keterangan KodeProduct Text(8) Kode Product (Primary Key) Nama Text(30) Nama Product Harga Currency Harga Product 3. Tabel Transaksi Tabel 4.38 Struktur table transaksi Field Tipe Data Keterangan KodeTransaksi Number(Long Integer) Kode Transaksi (Primary Key) Tanggal Date/Time Tanggal Transaksi Waktu Date/Time(Long Time) Waktu / Jam Transaksi KodeKasir Number(Integer) Kode Kasir KodeMember Text(5) Kode Member / Pelanggan IV-48
49 4. Tabel DetailTransaksi Tabel 4.39 Struktur table detail trasaksi Field Tipe Data Keterangan KodeTransaksi Number(Long Integer) Kode Transaksi (Foreign Key) KodeProduct Text(8) Kode Product (Foreign Key) Quantity Number(Integer) Jumlah product yang dibeli TotalHarga Currency Total Harga Product 5. Tabel Dataset Tabel 4.40Struktur table detail trasaksi Field Tipe Data Keterangan KodeMember Text(5) Kode Member / Pelanggan (Primary Key) Recency Number(Integer) Variabel recency untuk perhitungan Frequency Number(Integer) Variabel frequency untuk perhitungan Monetary Currency Variabel monetary untuk perhitungan IDCluster Number(Integer) ID Cluster atau kelompok dari hasil perhitungan (Foreign Key) 6. Tabel DatasetSampel Tabel 4.41 Struktur table detail trasaksi Field Tipe Data Keterangan KodeMember Text(5) Kode Member / Pelanggan (Primary Key) Recency Number(Integer) Variabel recency untuk perhitungan Frequency Number(Integer) Variabel frequency untuk perhitungan Monetary Currency Variabel monetary untuk perhitungan IDCluster Number(Integer) ID Cluster atau kelompok dari hasil perhitungan (Foreign Key) 7. Tabel Cluster Tabel 4.42 Struktur table detail trasaksi Field Tipe Data Keterangan ID Number(Integer) ID untuk tabel cluster (Primary Key) Recency Number(Integer) Variabel recency untuk perhitungan Frequency Number(Integer) Variabel frequency untuk perhitungan Monetary Currency Variabel monetary untuk perhitungan IDLabel Number(Integer) ID Label Pelanggan (Foreign Key) IV-49
50 8. Tabel LabelPelanggan Tabel 4.43 Struktur table detail trasaksi Field Tipe Data Keterangan ID Number(Integer) ID untuk tabel cluster (Primary Key) Recency Number(Integer) Variabel recency untuk perhitungan Frequency Number(Integer) Variabel frequency untuk perhitungan Monetary Currency Variabel monetary untuk perhitungan LabelPelanggan Number(Integer) Label Pelanggan 4.8 Perancangan Subsistem Dialog (User Interface) Perancangan subsistem dialog berupa Tampilan menu sistem yang yang dirancang harus user friendly sehingga penggunapaham dalam menggunakan atau menjalankan menu-menu yangterdapat pada sistem Perancangan Struktur Menu Berikut ini merupakan gambar struktur menu Sistem Klasifikasi Kelompok Konsumen. Struktur menu aplikasi data mining untuk segmentasi konsumen sebagai berikut : Gambar 4.8 Struktur Menu Sistem IV-50
51 4.8.2 Perancangan Antar Muka Perancangan antar muka sistem bertujuan memberikan gambaran sistem yang akan dibuat. Menu utama dari aplikasi ini berisi menu File, Data Master, Penilaian, Perhitungan, dan Laporan. Gambar 4.9 Menu Utama Sistem IV-51
BAB 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
Penerapan 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 : [email protected] Abstrak Berkembangnya
BAB 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
BAB 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
BAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Metodologi penelitian digunakan sebagai pedoman dalam pelaksanaan penelitian agar hasil yang dicapai tidak menyimpang dari tujuan yang telah dilakukan
BAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi Penelitian merupakan acuan dalam pelaksanaan sebuah penelitian. Metodologi penelitian berisi rencana kerja yang berurutan agar hasil yang didapatkan sesuai dengan
BABI PENDAHULUAN. 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Setiap perusahaan dituntut untuk siap menghadapi persaingan yang semakin ketat dengan perusahaan lain. Makin intensifnya persaingan yang dihadapi, telah menyebabkan
BAB 3 ANALISA SISTEM
BAB 3 ANALISA SISTEM Pada perancangan suatu sistem diperlakukan analisa yang tepat, sehingga proses pembuatan sistem dapat berjalan dengan lancar dan sesuai seperti yang diinginkan. Setelah dilakukan analisis
BAB 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
Pengenalan Pola. K-Means Clustering
Pengenalan Pola K-Means Clustering PTIIK - 2014 Course Contents 1 Definisi k-means 2 Algoritma k-means 3 Studi Kasus 4 Latihan dan Diskusi K-Means Clustering K-Means merupakan salah satu metode pengelompokan
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Bio Clean Laundry merupakan perusahaan yang bergerak dibidang jasa laundry. Perusahaan yang dibangun dari tahun 2009 ini terbilang cukup sukses. Saat ini, Bio Clean
SEGMENTASI PELANGGAN MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION DAN K-MEANS
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
Bab 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
BAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA Sumber-sumber yang digunakan dalam pembuatan tugas akhir, baik yang diambil dari buku, internet, maupun jurnal diuraikan secara terperinci pada Bab Tinjuan Pustaka. Konsep dan definisi
BAB 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
METODE PENELITIAN. Tahapan pengembangan sistem PSP (Penetapan Strategi Penjualan) 1.0 seperti pada Gambar 2 di bawah ini. Mulai
III. METODE PENELITIAN 3.1 Kerangka Kerja Penelitian Tahapan pengembangan sistem PSP (Penetapan Strategi Penjualan) 1.0 seperti pada Gambar 2 di bawah ini. Mulai Analisis Sistem, keluaran: - Deskripsi
BAB IV ANALISIS DAN PERANCANGAN
BAB IV ANALISIS DAN PERANCANGAN 4.1. Analisa 4.1.1 Analisis Data Pada tahap analisa data ini akan dibahas mengenai citra CT Scan yang akan dilakukan proses segmentasi atau pengelompokan data. Data citra
BAB 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
Segmentasi Nasabah Tabungan Menggunakan Model RFM (Recency, Frequency,Monetary) dan K-Means Pada Lembaga Keuangan Mikro
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 463 Segmentasi Nasabah Tabungan Menggunakan Model RFM (Recency, Frequency,Monetary) dan K-Means Pada Lembaga Keuangan Mikro Tikaridha
Segmentasi Pelanggan Menggunakan Metode Fuzzy C-Means dan Fuzzy Recency Frequency Monetary pada Perusahaan Furniture TUGAS AKHIR
Segmentasi Pelanggan Menggunakan Metode Fuzzy C-Means dan Fuzzy Recency Frequency Monetary pada Perusahaan Furniture TUGAS AKHIR Diajukan Guna Memenuhi Sebagian Persyaratan Dalam Rangka Menyelesaikan Pendidikan
1.2 Rumusan Masalah 1.3 Batasan Masalah 1.4 Tujuan Penelitian
Penerapan Data Mining dengan Menggunakan Metode Clustering K-Mean Untuk Mengukur Tingkat Ketepatan Kelulusan Mahasiswa Program Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang
BAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA A. Tinjauan Pustaka Pada penelitian yang dilakukan oleh (Chen, Sain, & Guo, 2012) berfokus untuk mengetahui pola penjualan, pelanggan mana yang paling berharga, pelanggan mana yang
BAB 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
MODEL DATA MINING CAPAIAN PEMBELAJARAN. N. Tri Suswanto Saptadi. Definisi Kategori Model Naïve Bayesian k-nearest Neighbor Clustering 12/4/2015
1 MODEL DATA MINING N. Tri Suswanto Saptadi CAPAIAN PEMBELAJARAN Definisi Kategori Model Naïve Bayesian k-nearest Neighbor Clustering 1 3 Definisi Mining : proses atau usaha untuk mendapatkan sedikit barang
IMPLEMENTASI 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
CLUSTERING 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
DATA 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
CLUSTERING MENGGUNAKAN K-MEANS ALGORITHM (K-MEANS ALGORITHM CLUSTERING)
CLUSTERING MENGGUNAKAN K-MEANS ALGORITHM (K-MEANS ALGORITHM CLUSTERING) Nur Wakhidah Fakultas Teknologi Informasi dan Komunikasi Universitas Semarang Abstract Classification is the process of organizing
IMPLEMENTASI METODE K-MEANS PADA PENERIMAAN SISWA BARU
PROYEK TUGAS AKHIR IMPLEMENTASI METODE K-MEANS PADA PENERIMAAN SISWA BARU (Studi Kasus : SMK Pembangunan Nasional Purwodadi) Disusun oleh: Novian Hari Pratama 10411 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS
BAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Hal-hal yang dipaparkan pada Bab Tinjauan Pustaka adalah penelaahan kepustakaan yang mendasari proses perancangan dan pembuatan aplikasi meliputi data mining, Customer Relationship
Pemanfaatan 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
ARTIKEL PENILAIAN PRESTASI KERJA PEGAWAI NEGERI SIPIL
ARTIKEL PENERAPAN METODE K-MEANS DALAM PROSES CLUSTERING PENILAIAN PRESTASI KERJA PEGAWAI NEGERI SIPIL Oleh: IRFAN DWI NURCAHYO BUDIARTO 13.1.03.02.0117 Dibimbing oleh : 1. Hermin Istiasih, ST.,M.M.,M.T.
METODE CLUSTERING DENGAN ALGORITMA K-MEANS. Oleh : Nengah Widya Utami
METODE CLUSTERING DENGAN ALGORITMA K-MEANS Oleh : Nengah Widya Utami 1629101002 PROGRAM STUDI S2 ILMU KOMPUTER PROGRAM PASCASARJANA UNIVERSITAS PENDIDIKAN GANESHA SINGARAJA 2017 1. Definisi Clustering
BAB 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
DATA MINING. Pertemuan 9. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi
DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 9 Nizar Rabbi Radliya [email protected] Universitas Komputer Indonesia 2016 Clustering Data Mining Penklusteran (clustering) digunakan untuk
Materi 2 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya
Materi 2 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya [email protected] Nama Mahasiswa NIM Kelas Memahami definisi, proses serta teknik data mining. Pengenalan
BAB III ANALISA DAN PERANCANGAN
BAB III ANALISA DAN PERANCANGAN III.1. Analisis Masalah Inventoris bagi perusahaan merupakan hal yang sangat penting dalam sistem operasionalnya. Pengawasan terhadap Inventoris merupakan tolak ukur sebuah
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Pada penelitian Rismawan dan Kusumadewi (2008) mengelompokkan
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Pada penelitian Rismawan dan Kusumadewi (2008) mengelompokkan mahasiswa berdasarkan status gizi Body Mass Index (BMI) dan ukuran kerangka.
BAB 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
PENGELOMPOKAN BIMBINGAN BELAJAR MENGGUNAKAN METODE CLUSTERING DI SMA NEGERI 1 CILAKU KABUPATEN CIANJUR
PENGELOMPOKAN BIMBINGAN BELAJAR MENGGUNAKAN METODE CLUSTERING DI SMA NEGERI 1 CILAKU KABUPATEN CIANJUR SIDANG SKRIPSI Oleh Adry Rahadinata 10108069 Penguji 1 Andri Heryandi, S.T., M.T. Penguji 2 Adam Mukharil
Implementasi Fuzzy C-Means dan Model RFM untuk Segmentasi Pelanggan (Studi Kasus : PT. XYZ)
A119 Implementasi Fuzzy C-Means dan Model RFM untuk Segmentasi Pelanggan (Studi Kasus : PT. XYZ) Denny B. Saputra dan Edin Riksakomara Departemen Sistem Informasi, Fakultas Teknologi Informasi, Institut
BAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Bab ini menjelaskan tentang analisis dan perancangan dalam membangun Aplikasi Data Mining. Analisis meliputi analisis data mining, analisis lingkungan sistem serta
BAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Kehadiran teknologi informasi terutama basis data dalam perusahaan sudah menjadi kebutuhan pokok. Banyak perusahaan yang mengumpulkan data dengan ukuran yang besar
TUGAS PENGENALAN POLA K-MEANS CLUSTERING. Disusun Oleh : Putrisia Hendra Ningrum Adiaty (06/195033/PA/11129)
TUGAS PENGENALAN POLA K-MEANS CLUSTERING Disusun Oleh : Putrisia Hendra Ningrum Adiaty (06/195033/PA/11129) ELEKTRONIKA DAN INSTRUMENTASI JURUSAN ILMU KOMPUTER DAN ELEKTRONIKA FAKULTAS MATEMATIKA DAN ILMU
EKSPLORA INFORMATIKA 169
EKSPLORA INFORMATIKA 169 Penerapan Algoritma Fuzzy C-Means Untuk Clustering Pelanggan Pada CV. Mataram Jaya Bawen Fuzzy C-Means for Clustering Customer At CV. Mataram Jaya Bawen DewiAstria 1, Suprayogi
SEGMENTASI PELANGGAN MENGGUNAKAN ALGORITMA K-MEANS UNTUK CUSTOMER RELATIONSHIP MANAGEMENT (CRM) PADA HIJAB MIULAN
SEGMENTASI PELANGGAN MENGGUNAKAN ALGORITMA K-MEANS UNTUK CUSTOMER RELATIONSHIP MANAGEMENT (CRM) PADA HIJAB MIULAN Oleh: Gita Febrina Wulandari Jurusan Sistem Informasi Fakultas Ilmu Komputer Universitas
PENGELOMPOKAN MINAT BACA MAHASISWA MENGGUNAKAN METODE K-MEANS
Jurnal Ilmiah ILKOM Volume 8 mor (Agustus 16) ISSN: 87-1716 PENGELOMPOKAN MINAT BACA MAHASISWA MENGGUNAKAN METODE K-MEANS Widya Safira Azis 1 dan Dedy Atmajaya 1 [email protected] dan [email protected]
BAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Customer Relationship Management (CRM) Pelanggan adalah aset yang paling penting dari sebuah organisasi. Tidak mungkin terdapat prospek bisnis tanpa memuaskan pelanggan yang
IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN PENJURUSAN KELAS IPA, IPS, DAN SASTRA
IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN PENJURUSAN KELAS IPA, IPS, DAN SASTRA Nama : Nandang Syaefulloh NPM : 55412243 Fakultas : Teknologi Industri Jurusan : Teknik Informatika Pembimbing
BAB 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
BAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Metode Pengumpulan Data 3.1.1 Sumber Data Penulis menggunakan pendukung dalam melakukan penelitian yaitu menggunakan beberapa data antara lain : 1. Data Internal Data Internal
Perancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors Gede Aditra
PENERAPAN 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
UKDW BAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Konsumsi, Finansial, semakin menjadi hal yang tidak dapat dipisahkan seiring terus berkembangnya suatu negara. Transaksi, jual, beli, sudah menjadi kata yang sangat
PENDAHULUAN. 1.1 Latar Belakang
DAFTAR TABEL Tabel 3-1 Dokumen Term 1... 17 Tabel 3-2 Representasi... 18 Tabel 3-3 Centroid pada pengulangan ke-0... 19 Tabel 3-4 Hasil Perhitungan Jarak... 19 Tabel 3-5 Hasil Perhitungan Jarak dan Pengelompokkan
Gambar 5.1 Form Master Pegawai
BAB V HASIL DAN PEMBAHASAN 5.1. Hasil Penelitian Pada bagian ini akan dijelaskan gambaran mengenai hasil uji coba sistem/aplikasi yang telah di implementasikan.pada penelitian ini,penulis mengimplementasikan
CLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS
CLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS Muhammad Toha, 1), I Ketut Edy Purnama 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Konsentrasi CIO) Jurusan Teknik Elektro
BAB II LANDASAN TEORI. yang terdiri dari komponen-komponen atau sub sistem yang berorientasi untuk
BAB II LANDASAN TEORI 2.1 Sistem Menurut Gondodiyoto (2007), sistem adalah merupakan suatu kesatuan yang terdiri dari komponen-komponen atau sub sistem yang berorientasi untuk mencapai suatu tujuan tertentu.
KLASIFIKASI 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 [email protected] ABSTRAK. Universitas Kanjuruhan Malang
Prosiding 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
TEKNIK 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
UKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam dunia bisnis pada jaman sekarang, para pelaku bisnis senantiasa selalu berusaha mengembangkan cara-cara untuk dapat mengembangkan usaha mereka dan memperhatikan
PERANCANGAN TEKNIK DATA MINING UNTUK CUSTOMER RELATIONSHIP MANAGEMENT (CRM) PADA ONLINE SHOP TOKODIAPERS.COM DENGAN METODE CLUSTERING FUZZY C-MEANS
PERANCANGAN TEKNIK DATA MINING UNTUK CUSTOMER RELATIONSHIP MANAGEMENT (CRM) PADA ONLINE SHOP TOKODIAPERS.COM DENGAN METODE CLUSTERING FUZZY C-MEANS Lisna Zahrotun 1*, Arfiani Nur Khusna 2 1,2 Teknik Informatika,
BAB 3 METODE PENELITIAN. Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder.
BAB 3 METODE PENELITIAN 3.1 Metode Pengumpulan Data 3.1.1 Sumber Data Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder. 1. Data primer Didapatkan peneliti secara langsung
APLIKASI SURAT MASUK DAN KELUAR DENGAN KLASTERISASI MENGGUNAKAN METODE K-MEANS DI INSTALASI FARMASI RSUD DR.SAIFUL ANWAR
APLIKASI SURAT MASUK DAN KELUAR DENGAN KLASTERISASI MENGGUNAKAN METODE K-MEANS DI INSTALASI FARMASI RSUD DR.SAIFUL ANWAR Sari Nur Sita Wibowo 1 Amak Yunus EP 1 Sistem Informasi, Universitas Kanjuruhan
MENENTUKAN 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 [email protected] ABSTRACT
BAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Seiring dengan perkembangan jaman, komputer semakin banyak berperan di dalam kehidupan masyarakat. Hampir semua bidang kehidupan telah menggunakan komputer sebagai
CLUSTERING LULUSAN MAHASISWA MATEMATIKA FMIPA UNTAN PONTIANAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS
Buletin Ilmiah Mat. Stat. Dan Terapannya (Bimaster) Volume 02, No.1(2013), hal. 21-26 CLUSTERING LULUSAN MAHASISWA MATEMATIKA FMIPA UNTAN PONTIANAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS Cary Lineker Simbolon,
PENERAPAN 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
Segmentasi Pelanggan Menggunakan Algoritma K-Means Sebagai Dasar Strategi Pemasaran pada LAROIBA Seluler
Segmentasi Pelanggan Menggunakan Algoritma K-Means Sebagai Dasar Strategi Pemasaran pada LAROIBA Seluler Oleh: Mike Indra Istiana Jurusan Sistem Informasi Fakultas Ilmu Komputer Universitas Dian Nuswantoro
MEMANFAATKAN ALGORITMA K-MEANS DALAM MENENTUKAN PEGAWAI YANG LAYAK MENGIKUTI ASESSMENT CENTER UNTUK CLUSTERING PROGRAM SDP
MEMANFAATKAN ALGORITMA K-MEANS DALAM MENENTUKAN PEGAWAI YANG LAYAK MENGIKUTI ASESSMENT CENTER UNTUK CLUSTERING PROGRAM SDP Page 87 Iin Parlina 1, Agus Perdana Windarto 2, Anjar Wanto 3, M.Ridwan Lubis
1. Pendahuluan. 2. Tinjauan Pustaka
1. Pendahuluan Propinsi Daerah Istimewa Yogyakarta sebagai Daerah Tujuan Wisata (DTW) utama indonesia memiliki beraneka ragam jenis wisata yang menarik wisatawan domestik dan wisatawan asing. Banyaknya
SISTEM PENGELOMPOKAN PELANGGAN PADA SEBUAH TOKO ONLINE DENGAN MENGGUNAKAN METODE CLUSTERING DAN ALGORITMA K-MEANS TUGAS AKHIR
SISTEM PENGELOMPOKAN PELANGGAN PADA SEBUAH TOKO ONLINE DENGAN MENGGUNAKAN METODE CLUSTERING DAN ALGORITMA K-MEANS TUGAS AKHIR FARSI LOSA WERDIANSYAH 41812120085 PROGRAM STUDI SISTEM INFORMASI FAKULTAS
BAB 1. PENDAHULUAN 1.1. Latar Belakang Pelanggan merupakan salah satu posisi penting dalam pengembangan strategi bisnis, pelanggan juga merupakan salah satu sumber keuntungan dalam perusahaan. Untuk itu
IMPLEMENTASI 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
SISTEM PENDUKUNG KEPUTUSAN CALON PENERIMA PROMO BELANJA PADA UD.MUSTAKIM MENGGUNAKAN FUZZY C-MEANS (FCM) DAN FUZZY RFM (RECENCY, FREQUENCY, MONETARY)
SISTEM PENDUKUNG KEPUTUSAN CALON PENERIMA PROMO BELANJA PADA UD.MUSTAKIM MENGGUNAKAN FUZZY C-MEANS (FCM) DAN FUZZY RFM (RECENCY, FREQUENCY, MONETARY) TUGAS AKHIR Diajukan Sebagai Salah Satu Syarat Untuk
Enigma 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
SISTEM PENUNJANG KEPUTUSAN DAN TEKNIK DATA MINING UNTUK PENENTUAN WILAYAH PENERIMA BANTUAN
SISTEM PENUNJANG KEPUTUSAN DAN TEKNIK DATA MINING UNTUK PENENTUAN WILAYAH PENERIMA BANTUAN Ahlihi Masruro 1) 1) Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta
Analisis 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.
PENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS
PENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS WULAN ANGGRAENI [email protected] Program Studi Pendidikan Matematika Universitas Indraprasta PGRI Abstract. The purpose of this study was to
Gambar 3.1 Contoh Citra yang digunakan
BAB III DATASET DAN RANCANGAN PENELITIAN Pada bab ini dijelaskan tentang dataset citra yang digunakan dalam penelitian ini serta rancangan untuk melakukan penelitian. 3.1 DATASET PENELITIAN Penelitian
Break 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
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMBERIAN BANTUAN BIAYA PENDIDIKAN MENGGUNAKAN ALGORITMA K-MEANS
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMBERIAN BANTUAN BIAYA PENDIDIKAN MENGGUNAKAN ALGORITMA K-MEANS Sinawati ), Ummi Syafiqoh 2) ), 2) Sistem Informasi STMIK PPKIA Tarakanita Rahmawati Tarakan Jl Yos
BAB III PERANCANGAN SISTEM. pengetahuannya melalui buku-buku yang ada. Pihak perpustakaan harus. sesuai dengan kebutuhan dan anggaran yang disediakan.
BAB III PERANCANGAN SISTEM 3.1 Analisis Permasalahan Perpustakaan merupakan salah satu gudang ilmu pengetahuan bagi sebagian masyarakat. Perpustakaan STIKOM Surabaya merupakan salah satu tempat bagi para
BAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Data 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
SEGMENTASI PELANGGAN PERUSAHAAN PERHOTELAN MENGGUNAKAN METODE CLUSTERING DBSCAN DAN MODEL RFM TUGAS AKHIR
SEGMENTASI PELANGGAN PERUSAHAAN PERHOTELAN MENGGUNAKAN METODE CLUSTERING DBSCAN DAN MODEL RFM TUGAS AKHIR Diajukan Guna Memenuhi Sebagian Persyaratan Dalam Rangka Menyelesaikan Pendidikan Sarjana Strata
BAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Penelitian Terdahulu Penelitian-penelitian terdahulu yang berhubungan dengan clustering yaitu penelitian yang dilakukan oleh Rismawan (2008). Pada penelitian ini, dibangun suatu
Prosiding SNATIF Ke -4 Tahun 2017 ISBN:
CLUSTERING LOYALITAS PELANGGAN DENGAN METODE RFM (RECENCY, FREQUENCY, MONETARY ) DAN FUZZY C-MEANS Sudriyanto Program Studi Teknik Informatika, Sekolah Tinggi Teknologi Nurul Jadid JL. KH
BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini.
BAB II LANDASAN TEORI Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini. 2.1 CLUSTERING Clustering adalah proses pengelompokkan suatu
T E S I S I Wayan Budi Sentana Nrp DOSEN PEMBIMBING Prof. Dr.Ir. Joko Lianto Buliali, M.Sc.
T E S I S I Wayan Budi Sentana Nrp. 5108 201 025 DOSEN PEMBIMBING Prof. Dr.Ir. Joko Lianto Buliali, M.Sc. Pendahuluan Analisis Cluster sudah dimanfaatkan dengan sangat luas untuk segmentasi pasar (Huang
BAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Praktikum sistem Pakar Fuzzy Expert System
Praktikum sistem Pakar Fuzzy Expert System Ketentuan Praktikum 1. Lembar Kerja Praktikum ini dibuat sebagai panduan bagi mahasiswa untuk praktikum pertemuan ke - 8 2. Mahasiswa akan mendapatkan penjelasan
SISTEM PENDUKUNG KEPUTUSAN PEMASARAN PRODUK MENGGUNAKAN DATA MINING DENGAN K-MEANS CLUSTERING
Seminar Nasional Sistem Informasi Indonesia, 22 September 2014 SISTEM PENDUKUNG KEPUTUSAN PEMASARAN PRODUK MENGGUNAKAN DATA MINING DENGAN K-MEANS CLUSTERING Arief Samuel Gunawan 1), Evasaria Magdalena
Evaluasi dan Rekomendasi Peningkatan Nilai Hidup Pelanggan Berdasarkan Analisis RFM Perilaku Pembelian Pelanggan : Studi Kasus PT.
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Evaluasi dan Rekomendasi Peningkatan Nilai Hidup Pelanggan Berdasarkan Analisis RFM Perilaku Pembelian Pelanggan : Studi Kasus