@prefix cc: . @prefix geo: . @prefix rdf: . @prefix skos: . @prefix eprel: . @prefix bibo: . @prefix xsd: . @prefix ep: . @prefix dct: . @prefix rdfs: . @prefix epid: . @prefix foaf: . @prefix dc: . @prefix void: . @prefix event: . @prefix owl: . <> foaf:primaryTopic ; rdfs:comment "The repository administrator has not yet configured an RDF license."^^xsd:string . dct:hasPart ; ep:hasFile ; rdf:type bibo:Document, ep:Document; rdfs:label "OPTIMASI KLASTERING K-MEANS UNTUK SEGMENTASI\r\nPELANGGAN DENGAN INTEGRASI PCA, DBSCAN DAN KMEANS++ (Text)"^^xsd:string . dct:hasPart ; ep:hasFile ; rdf:type bibo:Document, ep:Document; rdfs:label "OPTIMASI KLASTERING K-MEANS UNTUK SEGMENTASI\r\nPELANGGAN DENGAN INTEGRASI PCA, DBSCAN DAN KMEANS++ (Text)"^^xsd:string . rdf:type bibo:Document, ep:Document; rdfs:label "OPTIMASI KLASTERING K-MEANS UNTUK SEGMENTASI\r\nPELANGGAN DENGAN INTEGRASI PCA, DBSCAN DAN KMEANS++ (Text)"^^xsd:string . rdf:type bibo:Document, ep:Document; rdfs:label "OPTIMASI KLASTERING K-MEANS UNTUK SEGMENTASI\r\nPELANGGAN DENGAN INTEGRASI PCA, DBSCAN DAN KMEANS++ (Text)"^^xsd:string . rdf:type bibo:Document, ep:Document; rdfs:label "OPTIMASI KLASTERING K-MEANS UNTUK SEGMENTASI\r\nPELANGGAN DENGAN INTEGRASI PCA, DBSCAN DAN KMEANS++ (Text)"^^xsd:string . dct:hasPart ; ep:hasFile ; rdf:type bibo:Document, ep:Document; rdfs:label "OPTIMASI KLASTERING K-MEANS UNTUK SEGMENTASI\r\nPELANGGAN DENGAN INTEGRASI PCA, DBSCAN DAN KMEANS++ (Text)"^^xsd:string . rdf:type bibo:Document, ep:Document; rdfs:label "OPTIMASI KLASTERING K-MEANS UNTUK SEGMENTASI\r\nPELANGGAN DENGAN INTEGRASI PCA, DBSCAN DAN KMEANS++ (Text)"^^xsd:string . rdf:type bibo:Document, ep:Document; rdfs:label "OPTIMASI KLASTERING K-MEANS UNTUK SEGMENTASI\r\nPELANGGAN DENGAN INTEGRASI PCA, DBSCAN DAN KMEANS++ (Archive)"^^xsd:string . rdf:type bibo:Document, ep:Document; rdfs:label "OPTIMASI KLASTERING K-MEANS UNTUK SEGMENTASI\r\nPELANGGAN DENGAN INTEGRASI PCA, DBSCAN DAN KMEANS++ (Text)"^^xsd:string . rdf:_1 . <> ; bibo:abstract "Segmentasi pelanggan merupakan salah satu strategi penting dalam\r\nmemahami perilaku pelanggan dan mendukung pengambilan keputusan bisnis.\r\nNamun, metode klasterisasi konvensional seperti K-Means memiliki kelemahan\r\ndalam menentukan jumlah klaster secara optimal, sensitif terhadap inisialisasi titik\r\npusat (centroid) awal, serta kurang mampu menangani pencilan (outlier) pada data.\r\nPermasalahan tersebut dapat menyebabkan kualitas segmentasi pelanggan menjadi\r\nkurang optimal, sehingga strategi pemasaran, pelayanan pelanggan dan\r\npengambilan keputusan bisnis menjadi kurang tepat sasaran.\r\nPenelitian ini menggunakan metode eksperimen dengan pendekatan CRISPDM\r\nuntuk\r\nmenyelesaikan\r\npermasalahan\r\ntersebut.\r\nTahapan\r\npenelitian\r\ndimulai\r\ndari\r\n\r\nbusiness\r\n\r\nunderstanding, data understanding, data preparation, modeling dan\r\nevaluation. dataset yang digunakan adalah Online Retail dengan pendekatan RFM\r\n(recency, frequency, monetary). Metode yang diusulkan adalah hybrid dengan\r\nmengintegrasikan PCA untuk menyederhanakan struktur data, mengurangi korelasi\r\nantar fitur, serta membantu visualisasi data klasterisasi, DBSCAN untuk\r\nmengidentifikasi noise yang merepresentasikan outlier dan menentukan jumlah\r\nklaster secara otomatis, serta K-Means++ untuk menghasilkan klaster akhir yang\r\nlebih stabil.\r\nHasil penelitian menunjukkan bahwa metode hybrid menghasilkan\r\nperforma klasterisasi terbaik dengan nilai Silhouette Score sebesar 0.464281, lebih\r\ntinggi dibandingkan K-Means dan K-Means++ sebesar 0.432940. Selain itu,\r\nmetode hybrid menghasilkan Davies-Bouldin Index (DBI) terendah sebesar\r\n0.821916 dan Calinski-Harabasz Index tertinggi sebesar 5103.759768. Kontribusi\r\npenelitian ini adalah memberikan metode segmentasi pelanggan yang lebih optimal\r\nuntuk membantu perusahaan ritel dalam menentukan strategi pemasaran dan\r\npengelolaan pelanggan."^^xsd:string; bibo:authorList ; bibo:status ; dc:hasVersion , , , , , , , ; dct:creator , ; dct:date "2026-05-09"; dct:isPartOf ; dct:issuer , ; dct:subject , ; dct:title "OPTIMASI KLASTERING K-MEANS UNTUK SEGMENTASI\r\nPELANGGAN DENGAN INTEGRASI PCA, DBSCAN DAN KMEANS++"^^xsd:string; ep:hasDocument , , , , , , , , ; ep:hasPublished , , , , , , , ; rdf:type bibo:Article, bibo:Thesis, ep:EPrint, ep:ThesisEPrint; rdfs:seeAlso . rdf:type skos:Concept; skos:prefLabel "000 Ilmu komputer, informasi dan pekerjaan umum"@en . rdf:type skos:Concept; skos:prefLabel "006 Metode komputer khusus"@en . rdfs:label "COVER.pdf"^^xsd:string . rdfs:label "BAB I.pdf"^^xsd:string . rdfs:label "BAB V.pdf"^^xsd:string . dc:format "text/html"; dc:title "HTML Summary of #33167 \n\nOPTIMASI KLASTERING K-MEANS UNTUK SEGMENTASI \nPELANGGAN DENGAN INTEGRASI PCA, DBSCAN DAN KMEANS++\n\n"; foaf:primaryTopic . dct:isPartOf ; foaf:name "Fakultas Ilmu Komputer, Universitas AMIKOM Yogyakarta"^^xsd:string; rdf:type foaf:Organization . dct:hasPart ; foaf:name "Universitas AMIKOM Yogyakarta"^^xsd:string; rdf:type foaf:Organization . foaf:familyName "Dhuhita"^^xsd:string; foaf:givenName "Windha Mega Pradnya"^^xsd:string; foaf:name "Windha Mega Pradnya Dhuhita"^^xsd:string; rdf:type foaf:Person . foaf:familyName "Purwanto"^^xsd:string; foaf:givenName "Tonik"^^xsd:string; foaf:name "Tonik Purwanto"^^xsd:string; rdf:type foaf:Person .