UMSUMS

Emitor: Jurnal Teknik ElektroEmitor: Jurnal Teknik Elektro

Di era digital seperti sekarang ini memiliki kartu kredit merupakan suatu hal yang wajar di masyarakat, dengan segala kemudahan yang ditawarkan dalam setiap transaksi pembayaran tidak menutup kemungkinan untuk menarik minat masyarakat dalam menggunakan kartu kredit. Dengan minat masyarakat yang tinggi terhadap kartu kredit, hal ini dapat dijadikan sebagai indikator yang baik bagi perusahaan kartu kredit untuk mengembangkan bisnis kartu kredit. Dalam rangka memenuhi kebutuhan konsumen akan kartu kredit, perusahaan dituntut untuk mengambil keputusan dalam menentukan strategi pemasaran yang tepat sehingga dapat menarik minat para pelanggan, salah satu caranya adalah dengan melakukan segmentasi pelanggan dengan metode clustering. Bisecting K-Means dan Fuzzy C-Means merupakan algoritme clustering yang akan digunakan pada penelitian ini untuk melakukan pengelompokan data pengguna kartu kredit. Analisis akan dilakukan untuk mengetahui algoritme dengan performa terbaik berdasarkan pengujian validitas dari kedua algoritme dengan menggunakan metode silhouette coefficient. Dari penelitian ini didapatkan hasil bahwa Bisecting K-Means tanpa normalisasi memiliki nilai silhouette coefficient yang lebih tinggi dibandingkan dengan Fuzzy C-Means. Nilai silhouette coefficient Bisecting K-Means sebesar 0,588 dan 0,579 dengan normalisasi, sedangkan nilai silhouette coefficient Fuzzy C-Means adalah 0,488 dan 0,582 dengan normalisasi.

Berdasarkan penelitian mengenai perbandingan algoritme Fuzzy C-Means dan Bisecting K-Means pada data pengguna kartu kredit yang telah dilakukan didapatkan hasil bahwa algortima Bisecting K-Means memiliki nilai silhouette coefficient yang lebih tinggi dibandingkan dengan Fuzzy C-Means.Selain itu penggunaan metode normalisasi Min-Max juga mempengaruhi hasil dari Fuzzy C-Means dan Bisecting K-Means.Pada Fuzzy C-Means data yang telah melalui proses normalisasi mengalami peningkatan nilai silhouette coefficient sedangkan pada Bisecting K-Means mengalami penurunan.Pada penelitian ini terdapat beberapa hal yang dapat dikembangkan pada penelitian selanjutnya yaitu dengan menggunakan dataset yang lebih baik dengan sedikit data noise, missing values, serta outlier.Selain itu dapat dilakukan modifikasi pada algoritme dan proses preprocessing untuk mendapatkan hasil yang lebih optimal.

Untuk penelitian selanjutnya, dapat dilakukan modifikasi pada algoritme dan proses preprocessing untuk meningkatkan kualitas dan kekuatan clustering. Selain itu, penggunaan dataset yang lebih baik dengan sedikit data noise, missing values, dan outlier dapat meningkatkan akurasi hasil. Penelitian ini juga dapat dikembangkan dengan menerapkan teknik-teknik pengolahan data yang lebih canggih, seperti penggunaan algoritme machine learning atau deep learning, untuk meningkatkan performa dan akurasi dalam segmentasi data pengguna kartu kredit.

  1. Analisis Perbandingan Algoritma Bisecting K-Means dan Fuzzy C-Means pada Data Pengguna Kartu Kredit |... journals.ums.ac.id/index.php/emitor/article/view/2Analisis Perbandingan Algoritma Bisecting K Means dan Fuzzy C Means pada Data Pengguna Kartu Kredit journals ums ac index php emitor article view 2
Read online
File size737.95 KB
Pages8
DMCAReport

Related /

ads-block-test