Perbandingan Metode K-Medoids dan Metode K-Means Dalam Analisis Segmentasi Pelanggan Mall
DOI:
https://doi.org/10.31598/sintechjournal.v7i1.1507Keywords:
K-Means, K-Medoids, mall, segmentasi, Silhouette CoefficientAbstract
Memahami pelanggan sangat penting untuk mengelola operasi perusahaan. Dengan mengetahui dan memahami setiap pelanggan, dapat meningkatkan komunikasi layanan produk dengan menyesuaikan kebutuhan dan layanan kepada setiap pelanggan. Namun, analisis pelanggan sangat luas sehingga sulit untuk memahami kebutuhan masing-masing pelanggan. Hal ini dapat mencakup berbagai karakteristik dan perilaku pelanggan. Oleh karena itu, diperlukan segmentasi pelanggan untuk mengelompokkan pelanggan berdasarkan perilaku dan karakteristiknya. Tujuan dari penelitian ini adalah membandingkan metode clustering untuk mendapatkan metode yang lebih baik dan optimal dalam mengelompokkan cluster untuk segmentasi pelanggan. Dari permasalahan tersebut, peneliti menerapkan metode CRISP-DM dengan focus pada analisis cluster atau pengelompokkan dengan membandingkan algoritma K-Means dan K-Medoids terhadap Analisa segmentasi pelanggan pada mall. Pada penerapan perbandingan metode K-Means dan K-Medoids, digunakan metode elbow untuk menentukan jumlah cluster yang optimal. Hasil dari metode elbow menunjukkan bahwa penggunaan lima cluster untuk metode K-Means dan empat cluster untuk metode K-Medoids merupakan pilihan yang tepat dalam kasus ini. Langkah selanjutnya adalah mencari nilai Silhouette Coefficient setiap metode yang digunakan dalam perbandingan untuk menentukan metode clustering yang lebih optimal. Hasil nilai yang diperoleh dari metode Silhouette Coefficient masing-masing metode adalah k-means adalah 0,553 dan k-medoid adalah 0,485, sehingga algoritma pengelompokan segmentasi pelanggan terbaik pada penelitian ini adalah algoritma K-means karena memiliki nilai koefisien siluet maksimum.
Downloads
References
R. Wahyusari and S. Wardani, “Comparison of the K-Means Algorithm and the K-Medoid Algorithm for Clustering UMKM in Kebumen,” 2023.
Y. Hapsari et al., “Analisis Segmentasi Pelanggan Mall Menggunakan Algortima K-Means,” 2023. [Online]. Available: https://www.kaggle.com/code/obrunet/customer-segmentation-k-means-
M. Lestari, D. Andarini, A. Camelia, P. Fujianti, D. Arista Putri, and R. Faliria Nandini, “Penerapan Tanggap Darurat Pada Pengunjung Salah Satu Mall di Kota Palembang,” 2021. [Online]. Available: http://ejournal.uika-bogor.ac.id/index.php/Hearty/issue/archive
S. Justine and M. A. Pribadi, “Strategi Komunikasi Pemasaran Pusat Perbelanjaan di Jakarta (Studi Kasus Emporium Pluit Mall),” 2023.
A. Febriani and S. A. Putri, “Segmentasi Konsumen Berdasarkan Model Recency, Frequency, Monetary dengan Metode K-Means,” JIEMS (Journal of Industrial Engineering and Management Systems), vol. 13, no. 2, Sep. 2020, doi: 10.30813/jiems.v13i2.2274.
G. Purnama, T. Pudjiantoro, and P. Sabrina, “Segmentasi Pelanggan Menggunakan K-Medoids Berdasarkan Model Length, Recency, Frequency, Monetary (LRFM),” vol. 5, 2021.
A. S. S. Khan, M. Fatekurohman, and Y. S. Dewi, “Perbandingan Algoritma K-Medoids Dan K-Means Dalam Pengelompokan Kecamatan Berdasarkan Produksi Padi Dan Palawija Di Jember,” Jurnal Statistika dan Komputasi, vol. 2, no. 2, pp. 67–75, Dec. 2023, doi: 10.32665/statkom.v2i2.2301.
Z. Neng and A. Hadiana, “Kajian Data Mining Menggunakan Algoritma K-Means Dan K-Medoids Dalam Strategi Promosi (Studi Kasus: Universitas Islam Al-Ihya Kuningan),” 2021.
Adeline Vinda Septiani, R. A. Hasibuan, Anwar Fitrianto, Erfiani, and Alfa Nugraha Pradana, “Penerapan Metode K-Medoids dalam Pengklasteran Kab/Kota di Provinsi Jawa Barat Berdasarkan Intensitas Bencana Alam di Jawa Barat pada Tahun 2020-2021,” Statistika, vol. 23, no. 2, pp. 147–155, Nov. 2023, doi: 10.29313/statistika.v23i2.3057.
L. Febby Olivia et al., “Penerapan Metode K-Means Clustering dalam Klasterisasi Pemilihan Pasir Sesuai SNI,” Jurnal Ilmiah Sistem Informasi dan Ilmu Komputer, vol. 3, no. 3, 2023, doi: 10.55606/juisik.v3i3.665.
E. Prasetyaningrum and P. Susanti, “Perbandingan Algoritma K-Means Dan K-Medoids Untuk Pemetaan Hasil Produksi Buah-Buahan,” JURNAL MEDIA INFORMATIKA BUDIDARMA , vol. 7, pp. 1775–1783, 2023, doi: 10.30865/mib.v7i4.6477.
M. Herviany, S. Putri Delima, T. Nurhidayah, and Kasini, “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokkan Daerah Rawan Tanah Longsor di Provinsi Jawa Barat,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 1, pp. 34–40, 2021.
N. A. S. Z. Abidin, R. D. Avila, A. Hermatyar, and R. Rismayani, “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Daerah Produksi Kakao,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 8, no. 2, Aug. 2022, doi: 10.28932/jutisi.v8i2.4897.
D. Dwi Aulia and N. Nurahman, “Comparison Performance of K-Medoids and K-Means Algorithms In Clustering Community Education Levels,” Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), vol. 12, no. 2, pp. 273–282, Jul. 2023, doi: 10.23887/janapati.v12i2.59789.
R. Adha, N. Nurhaliza, and U. Soleha, “Perbandingan Algoritma DBSCAN dan K-Means Clustering untuk Pengelompokan Kasus Covid-19 di Dunia,” Jurnal Sains, Teknologi dan Industri, vol. 18, no. 2, pp. 206–211, 2021, [Online]. Available: https://covid19.who.int.
W. Kwedlo and M. Lubowicz, “Accelerated K-Means Algorithms for Low-Dimensional Data on Parallel Shared-Memory Systems,” IEEE Access, vol. 9, pp. 74286–74301, 2021, doi: 10.1109/ACCESS.2021.3080821.
E. Herman, K. E. Zsido, and V. Fenyves, “Cluster Analysis with K-Mean versus K-Medoid in Financial Performance Evaluation,” Applied Sciences (Switzerland), vol. 12, no. 16, Aug. 2022, doi: 10.3390/app12167985.
N. Fitrianti Fahrudin and R. Rindiyani, “Comparison of K-Medoids and K-Means Algorithms in Segmenting Customers based on RFM Criteria,” E3S Web of Conferences, vol. 484, p. 02008, Feb. 2024, doi: 10.1051/e3sconf/202448402008.
M. Adepeju, S. Langton, and J. Bannister, “Anchored k-medoids: a novel adaptation of k-medoids further refined to measure long-term instability in the exposure to crime,” J Comput Soc Sci, vol. 4, no. 2, pp. 655–680, Nov. 2021, doi: 10.1007/s42001-021-00103-1.
M. Arifandi, A. Hermawan, and D. Avianto, “Implementasi Algoritma K-Medoids Untuk Clustering Wilayah Terinfeksi Kasus Covid19 DKI Jakarta,” Jurnal Teknologi Terapan) |, vol. 7, no. 2, 2021.
H. Tusyakdiah et al., “Implementasi metode K-Means dan K-Medoids Pada Pengelompokan Provinsi Indonesia Berdasarkan Aspek Pendidikan Pemuda,” vol. 3, 2023.
N. Fransiska, D. Anggraeni, and U. Enri, “Pengelompokkan Data Kemiskinan Provinsi Jawa Barat Menggunakan Algoritma K-Means dengan Silhouette Coefficient,” Jurnal Teknologi Informasi Komunikasi, vol. 9, pp. 29–35, 2022, doi: 10.38204/tematik.v9i1.921.
Y. Christian and K. O. Y. R. Qi, “Penerapan K-Means pada Segmentasi Pasar untuk Riset Pemasaran pada Startup Early Stage dengan Menggunakan CRISP-DM,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 4, p. 966, Aug. 2022, doi: 10.30865/jurikom.v9i4.4486.
H. Alexander, Y. Umaidah, and M. Jajuli, “Implementasi Clustering Untuk Menentukan Efektivitas Nilai Siswa Sesudah pandemi Covid-19 Algoritma K-Means,” 2023.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Nur Rohman, Arief Wibowo
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright in each article belongs to the author.
- The authors admit that SINTECH Journal as a publisher who published the first time under
Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) License. - Authors can include writing separately, regulate distribution of non-ekskulif of manuscripts that have been published in this journal into another version (eg sent to respository institution author, publication into a book, etc.), by recognizing that the manuscripts have been published for the first time in SINTECH Journal
1.png)
