OPTIMASI KLASTERING K-MEANS UNTUK SEGMENTASI PELANGGAN DENGAN INTEGRASI PCA, DBSCAN DAN KMEANS++

Purwanto, Tonik (2026) OPTIMASI KLASTERING K-MEANS UNTUK SEGMENTASI PELANGGAN DENGAN INTEGRASI PCA, DBSCAN DAN KMEANS++. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (280kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (369kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (2MB)
	Text (BAB V) BAB V.pdf - Published Version Download (73kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (2MB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3652.zip Restricted to Repository staff only Download (1MB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (1MB)

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.

Actions (login required)

View Item