Segmentasi Pelanggan Berdasarkan Produk Menggunakan Metode K- Medoids

Prakasawati, Putri Eka; Chrisnanto, Yulison Herry; Hadiana, Asep Id

doi:10.30865/komik.v3i1.1610

Cited by 7 publications

(7 citation statements)

References 1 publication

(1 reference statement)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Menurut F. Hardiyanti, H. S. Tambunan, and I. S. Saragih [12] Algoritma Partitioning Around Medoids (PAM) atau disebut K-Medoids yang dikembangakan oleh Leonard Kaufman dan Peter J.Rousseeuw. Algoritma K-Medoids ialah suatu algoritma yang menggunakan metode partisi clustering untuk mengelompokkan sekumpulan n objek menjadi sejumlah k cluster [13].…”

Section: Pendahuluanunclassified

See 1 more Smart Citation

Implementasi Algoritma K-Medoids Dengan Evaluasi Davies-Bouldin-Index Untuk Klasterisasi Harapan Hidup Pasca Operasi Pada Pasien Penderita Kanker Paru-Paru

Septiani

Fauzan

Huda

2022

json

View full text Add to dashboard Cite

Lung Cancer is a disease in which there are cells that grow in the lungs by a collection of carcionogens uncontrollably. Lung Cancer can be treated with surgery, chemotherapy and radiotherapy. Early treatment that needs to be done to reduce the mortality rate in patients with lung cancer after performing thoracic surgery, by collecting data from each patients regarding this information causes a new problem, including the data obtained including high-dimensional data and has many attributes so that it can produce less accurate information. So it is necessary to calculate data mining clustering. In general, the methods for performing clustering are grouped into four parts, namely partitioning, hierarchial, grid-based and model-based. This study used the k-medoids algorithm because it is able to handle data sensitive to outliers and has high accuracy and efficiency in processing large numbers objects. The results of the k-medoids calculation were evaluated using the euclidean distance Davies Bouldin Index which resulted in a DBI value of 0.93543 indicating that the k-medoids algoritm achieves good grouping because the final result of the calculation is less than 0. From the results of the evaluation using DBI it shows that the k-medoids algorithm has an average accumulation average at the time of execution is quite fast and the cluster quality is good.

show abstract

Section: Pendahuluanunclassified

“…Algoritma K-Medoids ialah suatu algoritma partisi clustering yang mengelompokkan sekumpulan n objek menjadi sejumlah k cluster [13]. K-Medoids bertujuan untuk memecah dataset menjadi kelompok-kelompok [2].…”

Section: B Perhitungan Algoritma K-medoidsunclassified

Implementasi Algoritma K-Medoids Dengan Evaluasi Davies-Bouldin-Index Untuk Klasterisasi Harapan Hidup Pasca Operasi Pada Pasien Penderita Kanker Paru-Paru

Septiani

Fauzan

Huda

2022

json

View full text Add to dashboard Cite

show abstract

“…K-medoids juga diimplementasikan oleh Putri Eka Prakasawati dkk untuk melakukan segmentasi pelanggan berdasarkan produk dengan jumlah pembelian dan area. Didapatkan hasil pelanggan terbagi menjadi 5 cluster [22]. Sedangkan metode X-Means diimplementasikan untuk segmentasi potensi sekolah menengah unggul di Kabupaten Banyumas, oleh Aditya Wijayanto dan Rifki Adytama.…”

Section: Pendahuluanunclassified

Analisis Pemilihan Cluster Optimal Dalam Segmentasi Pelanggan Toko Retail

Murpratiwi

Indrawan²,

Aranta

2021

j. pendidik. teknologi. kejuruan.

View full text Add to dashboard Cite

Saat ini pemanfaatan data menjadi fokus dalam bidang pemasaran khususnya untuk menyusun strategi. Agar strategi pemasaran bisa tepat sasaran dibutuhkan segmentasi pelanggan. Data mining khususnya clustering mampu membantu proses segmentasi pelanggan. Dalam penelitian ini, data mining diimplementasikan untuk segmentasi pelanggan UD. XYZ dengan metode K-Means, K-medoids, dan Means.. Tujuan penelitian ini adalah mencari metode dan nilai k terbaik yang dihasilkan dari tiga metode clustering. Penelitian ini menyajikan proses Data Mining dengan menggabungkan model RFM dengan algoritma clustering K-Medoids, X-Means, dan K-Means. Dataset yang telah diimplementasikan ke dalam model RFM digunakan sebagai bahan pengolahan data. Data transaksi dengan jumlah 153.492 diimplementasikan ke dalam model RFM menjadi 10.145 data untuk dilakukan identifikasi pelanggan potensial. Inisialisasi cluster awal pada metode K-Medoids, X-Means, dan K-Means dilakukan secara random. Nilai k dalam penelitian ini diinisialisasi dari 1 sampai 10. Nilai k diimplementasikan secara berulang dan dihitung validasi cluster menggunakan metode David Bouldin Index (DBI) dan jaraj rata-rata cluster dengan centroid. Hasil penelitian menunjukkan K-medoids memiliki nilai validitas yang lebih baik dibandingkan dengan X-Means dan K-Means. Rata-rata nilai DBI yang dihasilkan metode K-Medoids adalah 0,540778. Jumlah cluster terbaik yang dihasilkan adalah 5 cluster, hal ini ditentukan dengan mempertimbangkan jumlah persebaran data pada k = 5 yang menghasilkan nilai sama pada metode K-Medoids, X-Means, dan K-Means. Tingkatan pelanggan yang terbentuk adalah About To Sleep, Customer Needing Attention, Recent Customer, Potential Loyalist, dan Loyal Customers.

show abstract

“…Selanjutnya penelitian pada tahun 2019 yang dilakukan untuk melihat segmentasi pelanggan berdasarkan produk menggunakan algoritma K-Medoids. Dimana data uji yang digunakan berasal dari 6 daerah, 7000 pelanggan dan 28 produk [8].…”

Section: Pendahuluanunclassified

Akurasi Pemberian Insentif Menggunakan Algoritma K-Medoids Terhadap Tingkat Kedisiplinan Pegawai

Robiansyah

Nurcahyo

2021

jidt

View full text Add to dashboard Cite

Assessment of a discipline is a performance evaluation stage that is important for the continuity of company activities. Monitoring and assessment of an employee's discipline must be carried out continuously in order to improve the quality of human resources. This research was conducted to make the accuracy of providing incentives based on the level of employee discipline. The data processed in this study is a recapitulation of the attendance of AMIK and STIKOM Tunas Bangsa Pematangsiantar employees as many as 25 employees as a sample. For grouping the employee data using the K-Medoids Algorithm. K-Medoids groups a set of n objects into a number of k clusters using the partition clustering method. Furthermore, the employee data is processed using Rapid Miner software. Research using this method obtained results in the form of grouping employees into 3 groups that have good discipline levels of 12 employees, sufficient discipline levels of 8 employees, and less disciplinary levels of 5 employees. Based on the grouping results that have been produced, it can be a consideration for the leadership to determine the amount of incentives for employees.

show abstract

Segmentasi Pelanggan Berdasarkan Produk Menggunakan Metode K- Medoids

Cited by 7 publications

References 1 publication

Implementasi Algoritma K-Medoids Dengan Evaluasi Davies-Bouldin-Index Untuk Klasterisasi Harapan Hidup Pasca Operasi Pada Pasien Penderita Kanker Paru-Paru

Implementasi Algoritma K-Medoids Dengan Evaluasi Davies-Bouldin-Index Untuk Klasterisasi Harapan Hidup Pasca Operasi Pada Pasien Penderita Kanker Paru-Paru

Analisis Pemilihan Cluster Optimal Dalam Segmentasi Pelanggan Toko Retail

Akurasi Pemberian Insentif Menggunakan Algoritma K-Medoids Terhadap Tingkat Kedisiplinan Pegawai

Contact Info

Product

Resources

About