4.2.3 Analisa Hasil Uji Coba A. Analisa Hasil Uji Coba Sistem
Analisa hasil uji coba dari seluruh uji yang dilakukan akan menentukan kelayakan dari fitur dasar sistem berdasarkan desain yang telah di buat. Fitur-fitur
dasar sistem disebut layak apabila keseluruhan hasil uji coba sesuai dengan output yang diharapkan. Pada uji coba yang telah dilakukan pada fitur-fitur sistem dapat
disimpulkan bahwa fitur-fitur tersebut telah berjalan dengan baik dan tidak terdapat kesalahan. Fungsi tambah data, ubah data, hapus data, simpan, tampil,
maupun perhitungannya dapat berjalan dengan sebagaimana alur yang akan dicapai.
B. Analisa Hasil Uji Coba Perhitungan Sistem
Pengujian ketepatan perhitungan dengan metode K-Means yang telah dilakukan pada bahasan sebelumnya akan dibandingkan dengan perhitungan
manual. Hal ini dilakukan untuk mengecek apakah perhitungan metode K-Means yang diimplementasikan pada sistem sudah benar. Selain menggunakan 2 cluster,
disini juga akan di jelaskan perhitungan dengan masukan 3 cluster.
B.1 Jumlah Cluster 2
Paket Wisata dan jumlah cluster disamakan yaitu Ahimsa Badung 2D dengan jumlah cluster 2. Dari pemilihan paket wisata tersebut, pelanggan-
pelanggan terseleksi dan dapat dilihat pada tabel 4.45 dan hasil seleksi pelanggan dari program dapat dilihat pada gambar 4.76.
Tabel 4.45 Hasil Seleksi Pelanggan ID Pelanggan
Jumlah Hotel X Jumlah Paket Wisata
Y PE120401005
1 1
PE120501003 4
2 PE120501016
2 2
PE120501026 4
3 PE120502023
3 2
PE120502027 2
1 PE120502028
2 PE120502046
3 1
PE120503023 5
1 PE120503024
1 PE120516011
4 1
PE120517020 3
3 PE120517048
5 4
Gambar 4.76 Hasil Seleksi Pelanggan dengan Program
Clustering atau pengelompokan dilakukan dengan dua atribut yaitu atribut X dan atribut Y. Atribut X adalah jumlah transaksi pelanggan terhadap hotel yang
digunakan pada paket wisata Ahimsa Badung 2D. Atribut Y adalah jumlah transaksi pelanggan terhadapa paket wisata Ahimsa Badung 2D.
Adapun langkah – langkah dalam melakukan pengelompokan pelanggan menggunakan metode K-Means, yaitu :
1. Iterasi 0 Iterasi awal
a. Menentukan jumlah cluster K.
K = 2. Karena K = 2 maka semua pelanggan pada tabel 4.45 akan dipetakan kedalam 2 cluster atau kelompok dan akan terdapat 2 centroid
Pusat cluster. b.
Menentukan nilai centroid Karena saat ini adalah iterasi 0 iterasi awal maka nilai centroid dapat
diisi dengan nilai obyek acak random. Misalkan nilai Pelanggan PE120401005 dan Pelanggan PE120501003 dijadikan nilai centroid 1
C1 dan centroid 2 C2. Jadi :
centroid 1 C1 = 1,1 centroid 2 C2 = 4,2
c. Menghitung jarak Euclidean Distance obyek ke centroid.
Berikut adalah rumus untuk menghitung jarak antara 2 obyek A
Jarak PE120501003 ke C1 = 3,16227766016838 Jarak PE120501003 ke C2 = 0
Jarak PE120501016 ke C1 = 1,4142135623731 Jarak PE120501016 ke C2 = 2
Jarak PE120501026 ke C1 = 3,60555127546399 Jarak PE120501026 ke C2 = 1
Jarak PE120502023 ke C1 = 2,23606797749979 Jarak PE120502023 ke C2 = 1
Jarak PE120502027 ke C1 = 1 Jarak PE120502027 ke C2 = 2,23606797749979
Jarak PE120502028 ke C1 = 1,4142135623731 Jarak PE120502028 ke C2 = 2,82842712474619
Jarak PE120502046 ke C1 = 2 Jarak PE120502046 ke C2 = 1,4142135623731
Jarak PE120503023 ke C1 = 4 Jarak PE120503023 ke C2 = 1,4142135623731
Jarak PE120503024 ke C1 = 1 Jarak PE120503024 ke C2 = 3,60555127546399
Jarak PE120516011 ke C1 = 3 Jarak PE120516011 ke C2 = 1
Jarak PE120517020 ke C1 = 2,82842712474619 Jarak PE120517020 ke C2 = 1,4142135623731
Jarak PE120517048 ke C1 = 5 Jarak PE120517048 ke C2 = 2,23606797749979
d. Pengelompokan berdasarkan jarak terdekat ED terkecil.
Dari hasil perbandingan ED terkecil terhadap masing-masing cluster pada masing-masing pelanggan, maka pelanggan-pelanggan tersebut dapat
dikelompokkan berdasarkan tabel 4.46 Tabel 4.46 Anggota Cluster Iterasi 0
Anggota Cluster C1 Anggota Cluster C2
PE120401005 PE120501003
PE120501016 PE120501026
PE120502027 PE120502023
PE120502028 PE120502046
PE120503024 PE120503023
PE120516011 PE120517020
PE120517048
2. Iterasi 1
a. Menentukan nilai centroid baru.
Pada iterasi ini dan iterasi selanjutnya, nilai centroid baru didapat dari nilai rata–rata semua anggota masing–masing cluster. C1 didapat dari rata–rata
semua anggota C1 sedangkan C2 didapat dari rata–rata semua anggota C2. Hitung C1 : C1x,y = 1.6 , 0.8
Hitung C2 : C2x,y = 3.875 , 2.125 b.
Menghitung jarak Euclidean Distance obyek ke centroid. Hitung jarak atau ED tiap obyek semua pelanggan ke semua centroid
baru C1 dan C2 : Jarak PE120401005 ke C1 =
Jarak PE120401005 ke C2 =
Jarak PE120517048 ke C1 = 4,6690470119715 Jarak PE120517048 ke C2 = 2,18660696056699
Tabel 4.47 Anggota Cluster Baru Iterasi 1 Anggota Cluster C1
Baru Anggota Cluster C2
Baru PE120401005
PE120501003 PE120501016
PE120501026 PE120502027
PE120502023 PE120502028
PE120503023 PE120502046
PE120516011 PE120503024
PE120517020 PE120517048
Karena anggota cluster-cluster pada iterasi 1 berbeda dengan cluster-cluster iterasi 0 maka iterasi dilanjutkan.
3. Iterasi 2
a. Menentukan nilai centroid baru.
Pada iterasi ini dan iterasi selanjutnya, nilai centroid baru didapat dari nilai rata–rata semua anggota masing–masing cluster. C1 didapat dari rata–rata
semua anggota C1 sedangkan C2 didapat dari rata–rata semua anggota C2. Hitung C1 : C1x,y = 1.834 , 0.834
Hitung C2 : C2x,y = 4 , 2.286 b.
Menghitung jarak Euclidean Distance obyek ke centroid. Hitung jarak atau ED tiap obyek semua pelanggan ke semua centroid
baru C1 dan C2 : Jarak PE120401005 ke C1 =
Jarak PE120401005 ke C2 =
Jarak PE120517048 ke C1 = 4,4783429475148 Jarak PE120517048 ke C2 = 1,98463485563569
Tabel 4.48 Anggota Cluster Baru Iterasi 2 Anggota Cluster C1
Baru Anggota Cluster C2
Baru PE120401005
PE120501003 PE120501016
PE120501026 PE120502027
PE120502023 PE120502028
PE120503023 PE120502046
PE120516011 PE120503024
PE120517020 PE120517048
Karena anggota pada ke dua cluster baru tersebut tidak berubah jika dibandingkan dengan cluster lama pada iterasi 1, maka perhitungan
diberhentikan dan dari dua cluster yang ada maka dibandingkan, mana cluster yang memiliki nilai centroid terbesar.
C1 = 1.834 , 0.834 dan C2 = 4 , 2.286 Jadi cluster dengan nilai centroid terbesar adalah cluster C2.
Karena C2 terbesar maka C2 adalah cluster yang potensial, artinya, anggota dari cluster C2 adalah pelanggan–pelanggan yang potensial untuk
diberikan promosi Tabel 4.49. Tabel 4.49 Pelanggan Potensial
Anggota Cluster C2 Baru ID Pelanggan
Nama Pelanggan PE120501003
Betsy Buxer PE120501026
Ishi Masaaki Shiraishi PE120502023
David Johnson PE120503023
Wendell Carlisle PE120516011
Bharathi PE120517020
Kenny Nguyen PE120517048
William G Brohier
Gambar 4.77 Daftar Pelanggan Potensial Sistem
Jika dilihat dari keluaran dari sistem atau program pada gambar 4.77 dibandingkan dengan hasil cara manual pada tabel 4.49 maka dapat
dikatakan bahwa perhitungan metode K-Means dalam
sistem pengelompokan pelanggan potensial menggunakan metode k-means untuk
promosi paket wisata tepat atau sesuai dengan cara metode tersebut.
B.2 Jumlah Cluster 3
Pada perhitungan ini merupakan analisa jika data paket wisata Ahimsa Badung 2D dipilih untuk perhitungan dengan jumlah cluster 3. Dari pemilihan
paket wisata tersebut, pelanggan-pelanggan terseleksi dan dapat dilihat pada tabel 4.45 dan hasil seleksi pelanggan dari program dapat dilihat pada gambar 4.76.
Adapun langkah – langkah dalam melakukan pengelompokan pelanggan menggunakan metode K-Means, yaitu :
1. Iterasi 0 Iterasi awal
a. Menentukan jumlah cluster K.
K = 3. Karena K = 3 maka semua pelanggan pada tabel 4.45 akan dipetakan kedalam 3 cluster atau kelompok dan akan terdapat 3 centroid
Pusat cluster. b.
Menentukan nilai centroid Karena saat ini adalah iterasi 0 iterasi awal maka nilai centroid dapat
diisi dengan nilai obyek acak random. Misalkan nilai Pelanggan PE120401005, Pelanggan PE120501003, Pelanggan PE120501016
dijadikan nilai centroid 1 C1, centroid 2 C2, centroid 3 C3. Jadi :
centroid 1 C1 = 1,1 centroid 2 C2 = 4,2
centroid 3 C3 = 2,2 c.
Menghitung jarak Euclidean Distance obyek ke centroid. Berikut adalah rumus untuk menghitung jarak antara 2 obyek A
Jarak PE120501016 ke C1 = 1,4142135623731 Jarak PE120501016 ke C2 = 2
Jarak PE120501016 ke C3 = 0 Jarak PE120501026 ke C1 = 3,60555127546399
Jarak PE120501026 ke C2 = 1 Jarak PE120501026 ke C3 = 2,23606797749979
Jarak PE120502023 ke C1 = 2,23606797749979 Jarak PE120502023 ke C2 = 1
Jarak PE120502023 ke C3 = 1 Jarak PE120502027 ke C1 = 1
Jarak PE120502027 ke C2 = 2,23606797749979 Jarak PE120502027 ke C3 = 1
Jarak PE120502028 ke C1 = 1,4142135623731 Jarak PE120502028 ke C2 = 2,82842712474619
Jarak PE120502028 ke C3 = 2 Jarak PE120502046 ke C1 = 2
Jarak PE120502046 ke C2 = 1,4142135623731 Jarak PE120502046 ke C3 = 1,4142135623731
Jarak PE120503023 ke C1 = 4 Jarak PE120503023 ke C2 = 1,4142135623731
Jarak PE120503023 ke C3 = 3,16227766016838 Jarak PE120503024 ke C1 = 1
Jarak PE120503024 ke C2 = 3,60555127546399 Jarak PE120503024 ke C3 = 2,23606797749979
Jarak PE120516011 ke C1 = 3 Jarak PE120516011 ke C2 = 1
Jarak PE120516011 ke C3 = 2,23606797749979 Jarak PE120517020 ke C1 = 2,82842712474619
Jarak PE120517020 ke C2 = 1,4142135623731 Jarak PE120517020 ke C3 = 1,4142135623731
Jarak PE120517048 ke C1 = 5 Jarak PE120517048 ke C2 = 2,23606797749979
Jarak PE120517048 ke C3 = 3,60555127546399 d.
Pengelompokan berdasarkan jarak terdekat ED terkecil. Dari hasil perbandingan ED terkecil terhadap masing-masing cluster pada
masing-masing pelanggan, maka pelanggan-pelanggan tersebut dapat dikelompokkan berdasarkan tabel 4.50
Tabel 4.50 Anggota Cluster Iterasi 0 Anggota Cluster C1
Anggota Cluster C2 Anggota Cluster C3
PE120401005 PE120501003
PE120501016 PE120502028
PE120501026 PE120502023
PE120503024 PE120503023
PE120502027 PE120516011
PE120502046 PE120517048
PE120517020
2. Iterasi 1
a. Menentukan nilai centroid baru.
Pada iterasi ini dan iterasi selanjutnya, nilai centroid baru didapat dari nilai rata–rata semua anggota masing–masing cluster. C1, C2 dan C3 didapat
dari rata–rata semua anggota C1, C2 dan C3. C1x,y = 1.334 , 0.334 ; C2x,y = 4.4 , 2.2
C3x,y = 2.6 , 1.8 b.
Menghitung jarak Euclidean Distance obyek ke centroid. Hitung jarak atau ED tiap obyek semua pelanggan ke semua centroid
baru C1, C2 dan C3 : Jarak PE120401005 ke C1 = 0,74535599249993
Jarak PE120401005 ke C2 = 3,60555127546399 Jarak PE120401005 ke C3 = 1,78885438199983
Jarak PE120501003 ke C1 = 3,1446603773522 Jarak PE120501003 ke C2 = 0,447213595499958
Jarak PE120501003 ke C3 = 1,41421356237309 Jarak PE120501016 ke C1 = 1,7950549357115
Jarak PE120501016 ke C2 = 2,40831891575846 Jarak PE120501016 ke C3 = 0,632455532033676
Jarak PE120501026 ke C1 = 3,77123616632825 Jarak PE120501026 ke C2 = 0,894427190999916
Jarak PE120501026 ke C3 = 1,84390889145858 Jarak PE120502023 ke C1 = 2,35702260395516
Jarak PE120502023 ke C2 = 1,4142135623731 Jarak PE120502023 ke C3 = 0,447213595499958
Jarak PE120502027 ke C1 = 0,942809041582063 Jarak PE120502027 ke C2 = 2,68328157299975
Jarak PE120502027 ke C3 = 1 Jarak PE120502028 ke C1 = 0,74535599249993
Jarak PE120502028 ke C2 = 3,25576411921994
Jarak PE120502028 ke C3 = 1,89736659610103 Jarak PE120502046 ke C1 = 1,7950549357115
Jarak PE120502046 ke C2 = 1,84390889145858 Jarak PE120502046 ke C3 = 0,894427190999916
Jarak PE120503023 ke C1 = 3,72677996249965 Jarak PE120503023 ke C2 = 1,34164078649987
Jarak PE120503023 ke C3 = 2,5298221281347 Jarak PE120503024 ke C1 = 0,471404520791032
Jarak PE120503024 ke C2 = 4,04969134626332 Jarak PE120503024 ke C3 = 2,40831891575846
Jarak PE120516011 ke C1 = 2,74873708374511 Jarak PE120516011 ke C2 = 1,26491106406735
Jarak PE120516011 ke C3 = 1,61245154965971 Jarak PE120517020 ke C1 = 3,1446603773522
Jarak PE120517020 ke C2 = 1,61245154965971 Jarak PE120517020 ke C3 = 1,26491106406735
Jarak PE120517048 ke C1 = 5,18544972870135 Jarak PE120517048 ke C2 = 1,89736659610103
Jarak PE120517048 ke C3 = 3,25576411921994 Tabel 4.51 Anggota Cluster Baru Iterasi 1
Anggota Cluster C1 Baru
Anggota Cluster C2 Baru
Anggota Cluster C3 Baru
PE120401005 PE120501003
PE120501016 PE120502027
PE120501026 PE120502023
PE120502028 PE120503023
PE120502046 PE120503024
PE120516011 PE120517020
PE120517048
Karena anggota cluster-cluster pada iterasi 1 berbeda dengan cluster-cluster iterasi 0 maka iterasi dilanjutkan.
3. Iterasi 2
a. Menentukan nilai centroid baru.
Pada iterasi ini dan iterasi selanjutnya, nilai centroid baru didapat dari nilai rata–rata semua anggota masing–masing cluster.
C1x,y = 1.5 , 0.5 C2x,y = 4.4 , 2.2
C3x,y = 2.75 , 2 b.
Menghitung jarak Euclidean Distance obyek ke centroid. Hitung jarak atau ED tiap obyek semua pelanggan ke semua centroid
baru C1 dan C2 : Jarak PE120401005 ke C1 = 0,707106781186548
Jarak PE120401005 ke C2 = 3,60555127546399 Jarak PE120401005 ke C3 = 2,01556443707464
Jarak PE120501003 ke C1 = 2,91547594742265 Jarak PE120501003 ke C2 = 0,447213595499958
Jarak PE120501003 ke C3 = 1,25 Jarak PE120501016 ke C1 = 1,58113883008419
Jarak PE120501016 ke C2 = 2,40831891575846 Jarak PE120501016 ke C3 = 0,75
Jarak PE120501026 ke C1 = 3,53553390593274 Jarak PE120501026 ke C2 = 0,894427190999916
Jarak PE120501026 ke C3 = 1,60078105935821
Jarak PE120502023 ke C1 = 2,12132034355964 Jarak PE120502023 ke C2 = 1,4142135623731
Jarak PE120502023 ke C3 = 0,25 Jarak PE120502027 ke C1 = 0,707106781186548
Jarak PE120502027 ke C2 = 2,68328157299975 Jarak PE120502027 ke C3 = 1,25
Jarak PE120502028 ke C1 = 0,707106781186548 Jarak PE120502028 ke C2 = 3,25576411921994
Jarak PE120502028 ke C3 = 2,13600093632938 Jarak PE120502046 ke C1 = 1,58113883008419
Jarak PE120502046 ke C2 = 1,84390889145858 Jarak PE120502046 ke C3 = 1,03077640640442
Jarak PE120503023 ke C1 = 3,53553390593274 Jarak PE120503023 ke C2 = 1,34164078649987
Jarak PE120503023 ke C3 = 2,46221445044903 Jarak PE120503024 ke C1 = 0,707106781186548
Jarak PE120503024 ke C2 = 4,04969134626332 Jarak PE120503024 ke C3 = 2,65753645318366
Jarak PE120516011 ke C1 = 2,54950975679639 Jarak PE120516011 ke C2 = 1,26491106406735
Jarak PE120516011 ke C3 = 1,60078105935821 Jarak PE120517020 ke C1 = 2,91547594742265
Jarak PE120517020 ke C2 = 1,61245154965971 Jarak PE120517020 ke C3 = 1,03077640640442
Jarak PE120517048 ke C1 = 4,94974746830583 Jarak PE120517048 ke C2 = 1,89736659610103
Jarak PE120517048 ke C3 = 3,01039864469807 Tabel 4.52 Anggota Cluster Baru Iterasi 2
Anggota Cluster C1 Baru
Anggota Cluster C2 Baru
Anggota Cluster C3 Baru
PE120401005 PE120501003
PE120501016 PE120502027
PE120501026 PE120502023
PE120502028 PE120503023
PE120502046 PE120503024
PE120516011 PE120517020
PE120517048
Karena anggota pada ke 3 cluster baru tersebut tidak berubah jika dibandingkan dengan cluster lama pada iterasi 1, maka perhitungan
diberhentikan dan dari 3 cluster yang ada maka dibandingkan, mana cluster yang memiliki nilai centroid terbesar.
C1x,y = 1.5 , 0.5 C2x,y = 4.4 , 2.2
C3x,y = 2.75 , 2 Jadi cluster dengan nilai centroid terbesar adalah cluster C2.
Karena C2 terbesar maka C2 adalah cluster yang potensial, artinya, anggota dari cluster C2 adalah pelanggan–pelanggan yang potensial untuk
diberikan promosi Tabel 4.53. Tabel 4.53 Pelanggan Potensial
Anggota Cluster C2 Baru ID Pelanggan
Nama Pelanggan PE120501003
Betsy Buxer PE120501026
Ishi Masaaki Shiraishi PE120503023
Wendell Carlisle PE120516011
Bharathi PE120517048
William G Brohier
Gambar 4.78 Daftar Pelanggan Potensial Sistem
Jika dilihat dari keluaran dari sistem atau program pada gambar 4.78 dibandingkan dengan hasil cara manual pada tabel 4.52 maka dapat dikatakan
bahwa perhitungan metode K-Means dalam sistem pengelompokan pelanggan potensial menggunakan metode k-means untuk promosi paket wisata tepat atau
sesuai dengan cara metode tersebut.
C. Analisa Perbandingan Uji Coba Dengan Menggunakan Metode K-Means Clustering Dengan Tanpa Mengunakan Metode K-Means Clustering
Perbandingan uji coba penggunaan metode k-means dengan tanpa menggunakan metode pada PT. Bali Sinar Mentari dilakukan untuk
membandingkan keluaran sistem terhadap pelanggan-pelanggan yang akan dipromosikan. Dengan memilih paket wisata Ahimsa Badung 2D, berikut hasil
perbandingannya :
Tabel 4.54 Data Pelanggan Sebelum Sistem ID Pelanggan
Jumlah Hotel X Jumlah Paket Wisata
Y PE120401005
1 1
PE120501003 4
2
ID Pelanggan Jumlah Hotel X
Jumlah Paket Wisata Y
PE120501016 2
2 PE120501026
4 3
PE120502023 3
2 PE120502027
2 1
PE120502028 2
PE120502046 3
1 PE120503023
5 1
PE120503024 1
PE120516011 4
1 PE120517020
3 3
PE120517048 5
4 Tabel 4.55 Data Pelanggan Sesudah Sistem 2 Cluster
ID Pelanggan Jumlah Hotel X
Jumlah Paket Wisata Y
PE120501003 4
2 PE120501026
4 3
PE120502023 3
2 PE120503023
5 1
PE120516011 4
1 PE120517020
3 3
PE120517048 5
4 Tabel 4.56 Data Pelanggan Sesudah Sistem 3 Cluster
ID Pelanggan Jumlah Hotel X
Jumlah Paket Wisata Y
PE120501003 4
2 PE120501026
4 3
PE120502023 3
2 PE120503023
5 1
PE120516011 4
1 Tabel 4.57 Perbandingan Dengan dan Tanpa K-Means
Tidak Menggunakan Metode Menggunakan Metode
Semua pelanggan memperoleh promosi
Pelanggan yang potensial saja yang memperoleh promosi
Promosi tidak tepat sasaran Promosi tepat sasaran
Dari perbandingan tabel 4.54 dengan tabel 4.55 serta tabel 4.56 dan melihat tabel 4.57 bisa disimpulkan bahwa setelah menggunakan Sistem
Pengelompokan Pelanggan Potensial Menggunakan Metode K-Means Untuk Promosi Paket Wisata dapat menghasilkan pelanggan yang potensial untuk
membeli paket wisata yang akan di promosikan sehingga promosi menjadi tepat sasaran.
D. Analisa Uji Coba Hasil Kuisioner