4.5.1.1 Perhitungan Centroid Awal dengan 3 Nilai Centroid 52 4.5.1.2 Perhitungan Jarak Iterasi Pertama 3 Centroid Cluster 53
Nilai Tahun 2013
BAB IV. HASIL DAN PEMBAHASAN 54
4.5.1.3 Perhitungan Jarak Iterasi Pertama 3 Centroid Cluster 54 Nilai Tahun 2012
4.5.1.4 Perhitungan Jarak Iterasi Pertama 3 Centroid Cluster 55 Nilai Tahun 2011
4.5.1.5 Perhitungan Jarak Iterasi Kedua 3 Centroid Cluster 56 Nilai Tahun 2013
4.5.1.6 Perhitungan Jarak Iterasi Kedua 3 Centroid Cluster 57 Nilai Tahun 2012
4.5.1.7 Perhitungan Jarak Iterasi Kedua 3 Centroid Cluster 58 Nilai Tahun 2011
4.5.1.8 Tabel Hasil Akhir Perhitungan 59 4.5.1.9 Perhitungan Centroid Awal Deangan 2 Nilai Centroid 60
4.5.1.10 Perhitungan Jarak Iterasi Pertama 2 Centroid Cluster 61 Nilai Tahun 2013
4.5.1.11 Perhitungan Jarak Iterasi Pertama Cluster Nilai 62 Tahun 2012
4.5.1.12 Perhitungan Jarak Iterasi Pertama 2 Centroid Cluster 63 Nilai Tahun 2011
4.5.1.13 Perhitungan Jarak Iterasi Kedua 2 Centroid Cluster 64 Nilai Tahun 2013
4.5.1.14 Perhitungan Jarak Iterasi Kedua 2 Centroid Cluster 65 Nilai Tahun 2012
4.5.1.15 Perhitungan Jarak Iterasi Kedua 2 Centroid Cluster 66 Nilai Tahun 2011
Universita Sumatera Utara
4.5.1.16 Perhitungan Hasil Akhir 2 Iterasi Dengan 2 Centroid 67
4.5.2 Interpretasi Cluster 68 4.5.2.1 Nilai Anggota Pada Cluster Pertama C0 Setelah 68
Di Cluster 4.5.2.2
Nilai Anggota Pada Cluster Pertama C1 Setelah 69 Di Cluster
4.5.2.3 Nilai Anggota Pada Cluster Pertama C2 Setelah 69
Di Cluster 4.5.3 Analisis Cluster 70
4.5.3.1 Pengukuran Validitas Dengan Nilai SSE 70 4.5.3.2 Model Aturan Model Rule 71
BAB V. KESIMPULAN DAN SARAN 73
5.1 Kesimpulan 73
5.2 Saran 73
Universita Sumatera Utara
DAFTAR GAMBAR Nomor
Gambar J u d u l
Halaman
2.1 Arsitektur Data Warehouse
11 2.2
Tahap-tahap Knowledge Discovery in Database 15
2.3 Siklus Hidup CRISP-DM
19 2.4
Kerangka Kerja Teknik Data Mining Dalam CRM 25
3.1 Tampilan Aplikasi Data Mining
40 3.2
Prosedur Penelitian 41
3.3 Gambar Aktivitas Kerja Penelitian
42 4.1
Hasil Transformasi Data Pada Tampilan Aplikasi 45
4.2 Hasil Segmentasi Pelanggan
48 4.3
Persentase Layanan 49
4.4 Hasil Clustering Dalam Data View
50 4.5
Segmentasi Pelanggan Berdasarkan Transaksi 51
4.6 Nilai Centroid Awal Dengan 3 Centroid
52 4.7
Perhitungan Jarak Iterasi Pertama 3 Centroid Cluster Tahun 2013
53
4.8 Perhitungan Jarak Iterasi Pertama 3 Centroid Cluster
Tahun 2012 54
4.9 Perhitungan Jarak Iterasi Pertama 3 Centroid Cluster
Tahun 2011 55
4.10 Perhitungan Jarak Iterasi Kedua 3 Centroid Tahun 2013
56 4.11
Perhitungan Jarak Iterasi Kedua 3 Centroid Tahun 2012 57
4.12 Perhitungan Jarak Iterasi Kedua 3 Centroid Tahun 2011
58 4.13
Tabel Hasil Akhir Perhitungan 59
4.14 Perhitungan Centroid Awal Untuk 2 Nilai Centroid
60 4.15
Perhitungan Iterasi Pertama Cluster Nilai Tahun 2013 61
4.16 Perhitungan Iterasi Pertama Cluster Nilai Tahun 2012
62 4.17
Perhitungan Iterasi Pertama Cluster Nilai Tahun 2011 63
Universita Sumatera Utara
Nomor Gambar
J u d u l Halaman
4.18 Perhitungan Iterasi Kedua Cluster Nilai Tahun 2013
64 4.19
Perhitungan Iterasi Kedua Cluster Nilai Tahun 2012 65
4.20 Perhitungan Iterasi Kedua Cluster Nilai Tahun 2011
66 4.21
Perhitungan Hasil Akhir 2 Iterasi Dengan 2 Centroid 67
4.22 Perhitungan Nilai SSE Pada 2 Nilai Centroid
70
Universita Sumatera Utara
DAFTAR TABEL
Nomor Tabel
J u d u l Halaman
2.1 Penelitian Yang Telah Dilakukan
33 3.1
Data Parsial Dari Database Kantor Pos Medan 37
3.2 Domain Nilai Untuk Masing-masing Himpunan Fuzzy RFM 39
4.1 Attribut Yang Belum DiKatagorisasikan
45 4.2
Attribut Yang Digunakan Untuk Segmentasi Pelanggan 46
4.3 Katagorisasi Atribut
46 4.4
Cluster Nodel Berdasarkan Monetary 47
4.5 Nilai Awal Iterasi Untuk 3 Dan 2 Centroid
53 4.6
Data Transaksi Pelanggan Sebelum Di Cluster 68
4.7 Nilai Anggota Tahun 2013, Tahun 2012, Tahun 2011
Pada C0 68
4.8 Nilai Anggota Tahun 2013, Tahun 2012, Tahun 2011
Pada C1 69
4.9 Nilai Anggota Tahun 2012, Tahun 2012, Tahun 2011
pada C2 69
4.10 Model Aturan Model Rule
71
Universita Sumatera Utara
DAFTAR LAMPIRAN
Nomor Lampiran
J u d u l Halaman
A Tabel Data Pelanggan Tahun 2013
Lamp A-1 A
Tabel Data Pelanggan Tahun 2013 Lamp A-2
A Tabel Data Pelanggan Tahun 2013
Lamp A-3 B
Tabel Data Pelanggan Tahun 2012 Lamp B-1
B Tabel Data Pelanggan Tahun 2012
Lamp B-2 B
Tabel Data Pelanggan Tahun 2012 Lamp B-3
C Tabel Data Pelanggan Tahun 2011
Lamp C-1 C
Tabel Data Pelanggan Tahun 2011 Lamp C-2
C Tabel Data Pelanggan Tahun 2011
Lamp C-3 D
Daftar Pelanggan Kantor Pos Medan Lamp D-1
D Daftar Pelanggan Kantor Pos Medan
Lamp D-2
Universita Sumatera Utara
ABSTRAK
Tesis ini mengusulkan sebuah model aturan dalam menentukan pelanggan terbaik dan potensial Kantor Pos Medan. Hingga saat ini dalam menentukan
pelanggan terbaik dan potensial menjadi persoalan di Instansi-instansi baik pemerintah maupun swasta khususnya yang bergerak dibidang jasa. Faktor-
faktor yang berpengaruh secara dominan dalam menentukan pelanggan terbaik dan potensial masih belum dapat ditentukan secara pasti. Saat ini
manajemen Kantor Pos Medan masih menggunakan secara manual dalam menentukan pelanggan terbaiknya, sehingga sangat mungkin terjadi
kesalahan pada prosedur yang sudah berjalan. Hal ini akan berpengaruh terhadap hasil keputusan yang akan diambil oleh pihak manajemen Kantor
Pos Medan. Untuk itu sangat penting dibuat sebuah model aturan untuk menentukan pelanggan terbaik dan potensial yang dapat digunakan pihak
manajemen sebagai sistem pendukung dalam pengambilan keputusan. Data yang digunakan dalam penelitian ini berasal dari database Kantor Pos Medan
tahun 2011 – bulan maret 2013. Dalam tesis ini algoritma Kernel K-Means Clustering telah digunakan untuk mendapatkan suatu model aturan
menentukan pelanggan terbaik dan potensial Kantor Pos Medan. Model aturan yang diperoleh menunjukkan bahwa katagori pelanggan terbaik dapat
diperoleh jika transaksinya banyak dan besar uangnya sedang dan tinggi. Kata kunci : kernel k-means clustering, model aturan, menentukan
Universita Sumatera Utara
CUSTOMER SEGMENTATION MODEL USING KERNEL K-MEANS CLUSTERING BASED ON CUSTOMER RELATIONSHIP
MANAGEMENT CRM ABSTRACT
This thesis proposes a rule model in determining the best and potensial customers of Post Office Medan. Nowadays, determining the best and
potensial customer is an issue, both for government agencies and the private sector especially for service firms. Until now, the dominant influencing
factors in determining the best and potensial customers remain uncertain. Currently, the Post Office Medan use the manual method in determining its
best customers. Hence, it encounter the errors in its existing procedures. Furthermore, it affect the decision making of management of Post Office
Medan. It is urgent to establish a role model to determine the best and potensial customers for reliable decision-making system.
The data used in this study obtained from database field of Post Office Medan from 2011 to Mrch 2013. The Kernel K-Means Clustering algorithm used to
obtain a model rule determine the best and potensial customers of Post Office Medan. The rule model show that the category of best customers can be
determined from a large transaction, as well as the medium to hight amount of money.
Keywords : kernel k-means clustering, rules model, determine
Universita Sumatera Utara
BAB I PENDAHULUAN
