Klasterisasi Karakter Konsumen Terhadap Kecenderungan Pemilihan Produk Menggunakan K-Means

Ach Syuhbanul Yaumi, Zainul Zulfiqkar, Aryo Nugroho

Abstract

Permasalahan yang sedang ada di toko saat ini adalah kesulitan untuk mengetahui produk yang saat ini banyak diminati atau paling banyak digunakan oleh konsumen agar dapat diketahui dari masing-masing variabel karakteristik konsumen lebih cenderung memilih produk yang disukai. Oleh karena itu, dalam penelitian pengelompokkan dengan metode K-Means untuk pemilihan produk merupakan salah satu cara untuk mengetahui pilihan pelanggan terhadap produk yang dikonsumsi. Karena metode K-Means mempunyai hasil pembagian yang lebih akurat. Penelitian ini melakukan proses data mining untuk membantu toko agar dapat mengetahui karakteristik konsumen terhadap kecenderungan pemilihan produk dengan melakukan penggalian data menggunakan salah satu metode data mining yaitu pengelompokkan data. Pada penelitian ini melakukan pengelompokkan dari data hasil penyebaran angket atau kusioner yang disebar di toko, kemudian data tersebut di kelompokkan menjadi 2 kelompok menggunakan salah satu algoritma klasterisasi yaitu K-Means. Data yang digunakan merupakan data yang dikumpulkan sebanyak 366 data tanggapan pelanggan toko. Setelah data tersebut diproses menggunakan algoritma K-Means, menunjukkan bahwa cluster 1 merupakan kelompok konsumen tipe A dengan presentase sebesar 33%, sedangkan cluster 2 merupakan kelompok konsumen tipe B dengan presentase sebesar 67%.

Keywords

produk; k-means; klasterisasi; data mining; pemasaran;

Article Metrics

Abstract view : 318 times
PDF view : 238 times

Full Text:

PDF

References

R. R. Agustin, M. Akbar, and S. Sa’uda, “Penerapan Data Mining Untuk Pengelompokan Minat Konsumen Terhadap Produk Lg Mobile Palembang,” Univ. Bina Darma, pp. 1–11, 2015.

A. Sani, “Penerapan metode k-means clustering pada perusahaan,” J. Ilm. Teknol. Inf., no. 353, pp. 1–7, 2018.

C. Slamet, A. Rahman, M. A. Ramdhani, and W. Darmalaksana, “Clustering the Verses of the Holy Qur ’ an using K-Means Algorithm,” Asian J. Inf. Technol., vol. 15, no. 24, pp. 5159–5162, 2016.

R. Molaei and S. Alizadeh, “Checking and Analysing Customers Buying Behavior with Clustering Algorithm,” Palma J., vol. 16, no. 2, pp. 486–492, 2017.

E. Muningsih and S. Kiswati, “Penerapan Metode K-Means untuk Clustering Produk Online Shop dalam Penentuan Stok Barang,” J. Bianglala Inform., vol. 3, no. 1, pp. 10–17, 2015.

S. T. Siska, “Analisa Dan Penerapan Data Mining Untuk Menentukan Kubikasi Air Terjual Berdasarkan Pengelompokan Pelanggan Menggunakan Algoritma K-Means Clustering,” J. Teknol. Inf. Pendidik., vol. 9, no. 1, pp. 86–93, 2016.

F. Indriyani and E. Irfiani, “Clustering Data Penjualan pada Toko Perlengkapan Outdoor Menggunakan Metode K-Means,” JUITA J. Inform., vol. 7, no. 2, pp. 109–113, 2019.

I. Kamila, U. Khairunnisa, and Mustakim, “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Data Transaksi Bongkar Muat di Provinsi Riau,” J. Ilm. Rekayasa dan Manaj. Sist. Inf., vol. 5, no. 1, pp. 119–125, 2019.

R. Andrean, S. Fendy, and A. Nugroho, “Klasterisasi Pengendalian Persediaan Aki Menggunakan Metode K-Means,” JOINTECS (Journal Inf. Technol. Comput. Sci., vol. 4, no. 1, pp. 5–12, 2019.

S. Budiman, D. Safitri, and D. Ispriyanti, “Perbandingan Metode K-Means Dan Metode DBSCAN Pada Pengelompokan Rumah Kost Mahasiswa Di Kelurahan Tembalang Semarang,” J. GAUSSIAN, vol. 5, no. 4, pp. 757–762, 2016.

R. A. Siregar, “Seleksi Penyerang Utama Menggunakan K-Means Clustering Dan Sistem Pendukung Keputusan Metode Topsis,” Technomedia J., vol. 2, no. 1, pp. 37–48, 2017.

S. Rustam, “Analisa Clustering Phising Dengan K-Means Dalam Meningkatkan Keamanan Komputer,” Ilk. J. Ilm., vol. 10, no. 2, pp. 175–181, 2018.

A. P. Windarto, “Implementation of Data Mining on Rice Imports by Major Country of Origin Using Algorithm Using K-Means Clustering Method,” Int. J. Artif. Intell. Res., vol. 1, no. 2, p. 26, 2017.

D. Zhou, Z. Yan, Y. Fu, and Z. Yao, “A Survey on Network Data Collection,” Journal of Network and Computer Applications, vol. 116. Academic Press, pp. 9–23, 15-Aug-2018.

S. Fong, R. Wong, and A. V. Vasilakos, “Accelerated PSO Swarm Search Feature Selection for Data Stream Mining Big Data,” IEEE Trans. Serv. Comput., vol. 9, no. 1, pp. 33–45, Jan. 2016.

J. Mehra and R. S. Thakur, “An Effective method for Web Log Preprocessing and Page Access Frequency using Web Usage Mining,” Int. J. Appl. Eng. Res., vol. 13, no. 2, pp. 1227–1232, 2018.

D. Triyansyah and D. Fitrianah, “Analisis Data Mining Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi Marketing,” J. Telekomun. dan Komput., vol. 8, no. 3, pp. 163–182, 2018.

M. Capo, A. Perez, and J. A. A. Lozano, “An efficient Split-Merge re-start for the K-means algorithm,” IEEE Trans. Knowl. Data Eng., pp. 1–1, 2020.

L. Maulida, “Penerapan Datamining Dalam Mengelompokkan Kunjungan Wisatawan Ke Objek Wisata Unggulan Di Prov. Dki Jakarta Dengan K-Means,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 2, no. 3, pp. 167–174, 2018.

R. K. Dinata, S. Safwandi, N. Hasdyna, and N. Azizah, “Analisis K-Means Clustering pada Data Sepeda Motor,” INFORMAL Informatics J., vol. 5, no. 1, pp. 10–17, 2020.

DOI: https://doi.org/10.31328/jointecs.v5i3.1523

Refbacks

  • There are currently no refbacks.