ITATSITATS

KERNEL: Jurnal Riset Inovasi Bidang Informatika dan Pendidikan InformatikaKERNEL: Jurnal Riset Inovasi Bidang Informatika dan Pendidikan Informatika

Segmentasi pelanggan merupakan salah satu strategi penting dalam mendukung pengambilan keputusan di bidang pemasaran, khususnya dalam memahami karakteristik dan perilaku konsumen. Salah satu metode yang banyak digunakan untuk segmentasi pelanggan adalah clustering. Penelitian ini bertujuan untuk menentukan jumlah cluster yang optimal pada dataset Mall Customers menggunakan algoritma K-Harmonic Means (KHM) serta mengevaluasi kualitas hasil clustering dengan Sum of Square Error (SSE) dan Davies-Bouldin Index (DBI). Dataset yang digunakan merupakan data sekunder Mall Customers yang diperoleh dari Kaggle dengan jumlah 200 data dan empat atribut, yaitu Gender, Age, Annual Income, dan Spending Score. Tahapan penelitian meliputi pelabelan data kategorik, normalisasi data, proses clustering menggunakan K-Harmonic Means, serta evaluasi jumlah cluster pada beberapa nilai K, yaitu 3, 5, 7, 9, dan 11. Hasil penelitian menunjukkan bahwa peningkatan jumlah cluster menghasilkan penurunan nilai SSE dan DBI. Nilai terbaik diperoleh pada K = 11 dengan SSE sebesar 15,10 dan DBI sebesar 0,01, yang menunjukkan tingkat kohesi dan separasi cluster yang paling baik dibandingkan jumlah cluster lainnya. Hasil tersebut menunjukkan bahwa kombinasi algoritma K-Harmonic Means dengan evaluasi menggunakan SSE dan DBI mampu menentukan jumlah cluster yang lebih optimal pada data pelanggan mall. Temuan penelitian ini dapat dimanfaatkan sebagai dasar dalam proses segmentasi pelanggan lebih efektif dan untuk mendukung penyusunan strategi pemasaran yang berbasis data.

Evaluasi Cluster SSE dan DBI mampu menentukan jumlah cluster yang paling optimal dari serangkaian k yang diujikan pada data uji.Berdasarkan hasil pengujian, SSE dan DBI membentuk jumlah cluster optimal pada k = 11.Namun performa DBI lebih baik dalam meminimalkan jarak antara cluster sehingga informasi yang terbentuk lebih lengkap dan terpola.

1) Penelitian lanjutan dapat mengeksplorasi kombinasi algoritma K-Harmonic Means dengan indikator validasi lain seperti Silhouette Coefficient untuk memperkaya metode evaluasi cluster. 2) Metode ini dapat diuji pada dataset yang lebih besar atau bervariasi untuk mengukur ketahanannya terhadap skala dan kompleksitas data. 3) Perbandingan performa K-Harmonic Means dengan algoritma clustering lain (misalnya DBSCAN) menggunakan SSE dan DBI dapat dilakukan untuk menetapkan standar benchmarking dalam segmentasi pelanggan.

  1. Metode Elbow dan K-Means Guna Mengukur Kesiapan Siswa SMK Dalam Ujian Nasional | Jurnal Nasional Teknologi... doi.org/10.25077/teknosi.v6i2.2020.82-89Metode Elbow dan K Means Guna Mengukur Kesiapan Siswa SMK Dalam Ujian Nasional Jurnal Nasional Teknologi doi 10 25077 teknosi v6i2 2020 82 89
  2. Penentuan Cluster Optimal Menggunakan K-Harmonic Means Berdasarkan SSE dan DBI | Halim | KERNEL: Jurnal... doi.org/10.31284/j.kernel.2026.v7i1.9260Penentuan Cluster Optimal Menggunakan K Harmonic Means Berdasarkan SSE dan DBI Halim KERNEL Jurnal doi 10 31284 j kernel 2026 v7i1 9260
Read online
File size690.59 KB
Pages13
DMCAReport

Related /

ads-block-test