eprintid: 33167
rev_number: 16
eprint_status: archive
userid: 12
dir: disk0/00/03/31/67
datestamp: 2026-10-06 03:34:41
lastmod: 2026-10-06 03:34:41
status_changed: 2026-10-06 03:34:41
type: thesis
metadata_visibility: show
creators_name: Purwanto, Tonik
creators_nim: 20.11.3652
contributors_name: Dhuhita, Windha Mega Pradnya
corp_creators: Universitas AMIKOM Yogyakarta
title: OPTIMASI KLASTERING K-MEANS UNTUK SEGMENTASI
PELANGGAN DENGAN INTEGRASI PCA, DBSCAN DAN KMEANS++
ispublished: pub
subjects: 000.000.000A
subjects: 000.000.006
divisions: if
full_text_status: restricted
keywords: Customer Segmentation, Clustering, K-Means++, PCA, DBSCAN,  Segmentasi Pelanggan, Klasterisasi.
abstract: Segmentasi pelanggan merupakan salah satu strategi penting dalam
memahami perilaku pelanggan dan mendukung pengambilan keputusan bisnis.
Namun, metode klasterisasi konvensional seperti K-Means memiliki kelemahan
dalam menentukan jumlah klaster secara optimal, sensitif terhadap inisialisasi titik
pusat (centroid) awal, serta kurang mampu menangani pencilan (outlier) pada data.
Permasalahan tersebut dapat menyebabkan kualitas segmentasi pelanggan menjadi
kurang optimal, sehingga strategi pemasaran, pelayanan pelanggan dan
pengambilan keputusan bisnis menjadi kurang tepat sasaran.
Penelitian ini menggunakan metode eksperimen dengan pendekatan CRISPDM
untuk
menyelesaikan
permasalahan
tersebut.
Tahapan
penelitian
dimulai
dari

business

understanding, data understanding, data preparation, modeling dan
evaluation. dataset   yang digunakan adalah Online Retail dengan pendekatan RFM
(recency, frequency, monetary). Metode yang diusulkan adalah hybrid dengan
mengintegrasikan PCA untuk menyederhanakan struktur data, mengurangi korelasi
antar fitur, serta membantu visualisasi data klasterisasi, DBSCAN untuk
mengidentifikasi noise yang merepresentasikan outlier dan menentukan jumlah
klaster secara otomatis, serta K-Means++ untuk menghasilkan klaster akhir yang
lebih stabil.
Hasil penelitian menunjukkan bahwa metode hybrid menghasilkan
performa klasterisasi terbaik dengan nilai Silhouette Score sebesar 0.464281, lebih
tinggi dibandingkan K-Means dan K-Means++ sebesar 0.432940. Selain itu,
metode hybrid menghasilkan Davies-Bouldin Index (DBI) terendah sebesar
0.821916 dan Calinski-Harabasz Index tertinggi sebesar 5103.759768. Kontribusi
penelitian ini adalah memberikan metode segmentasi pelanggan yang lebih optimal
untuk membantu perusahaan ritel dalam menentukan strategi pemasaran dan
pengelolaan pelanggan.
date: 2026-05-09
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: Fakultas Ilmu Komputer
thesis_type: bachelor
thesis_name: skripsi
citation:   Purwanto, Tonik  (2026) OPTIMASI KLASTERING K-MEANS UNTUK SEGMENTASI PELANGGAN DENGAN INTEGRASI PCA, DBSCAN DAN KMEANS++.  S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.   
document_url: https://eprints.amikom.ac.id/id/eprint/33167/1/COVER.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33167/2/BAB%20I.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33167/3/BAB%20II.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33167/4/BAB%20III.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33167/5/BAB%20IV.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33167/6/BAB%20V.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33167/7/Daftar%20Pustaka%20dan%20Lampiran.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33167/8/Sourcecode%20-%2020.11.3652.zip
document_url: https://eprints.amikom.ac.id/id/eprint/33167/9/Publikasi.pdf