CLUSTERING PENGGUNAAN ENERGI LISTRIK PELANGGAN PLN MENGGUNAKAN ALGORITMA FUZZY C MEANS
CLUSTERING PENGGUNAAN ENERGI LISTRIK PELANGGAN PLN
MENGGUNAKAN ALGORITMA FUZZY C-MEANS
Briant Saputro1, Marji2, Nurul Hidayat3
Program Studi Ilmu Komputer, Program Teknologi Informasi dan Ilmu Komputer
Universitas Brawijaya, Jl. Veteran Malang, 65145, Indonesia
E-mail: bry4n.y@gmail.com1, marji@ub.ac.id2 , nt ayadih@yahoo.com 3
ABSTRAK
Pelayanan pelanggan pada suatu perusahaan merupakan hal yang paling penting untuk
membuat suatu perusahaan itu berkembang. Untuk mnjamin kepuasaan pelanggan dan
kesetiaan pelanggan, menjamin pertumbuhan perusahaan yang berkesinambungan
merupakan visi dan misi suatu perusahaan dalam mengembangkan perusahaan tersebut.
PLN merupakan sebuah perusahaan listrik Negara yang berorientasi kepada
pelanggan. Manajemen PLN sendiri telah mengembangkan system pengelolaan pelanggan.
Namun, pelayanan dari sistem tersebut masih bersifat teknik, belum melakukan analisa
terhadap penggunaan energi listrik oleh pelanggan.
Costumer Relationship Management (CRM) adalah salah satu cara untuk
menyelesaikan permasalaahan analisa terhadap perilaku pelanggan berdasarkan data
historis. Salah satu metode riset dalam CRM adalah melakukan clustering pelanggan.
Pengelompokkan pelanggan bias menolong perusahaan dalam menemukan karakteristik dan
perilaku pelanggan yang berbeda dalam setiap kelompok[2].
Fuzzy c-means merupakan salah satu dari sekian banyak algoritma clustering. Fuzzy
c-means adalah suatu teknik pengelompokkan data dimana keberadaan tiap titik data cluster
ditentukan oleh derajat keanggotaan[6].
Dalam skripsi ini dilakukan penelitian mengenai penerapan algoritma FCM terhadap
permasalahan clustering pelanggan PLN. Tingkat validasi data hasil pengelompokkan
berdasar jumlah cluster, serta tingkat validasi data hasil pengelompokkan berdasar banyak
iterasi dan nilai minimum error.
Hasil dari penelitian ini, yaitu algoritma fuzzy c-means dapat terapkan dalam
clustering pelanggan PLN. Penggunaan data nominal asli dalam clustering menghasilkan
pusat cluster lebih baik daripada penggunaan data kategorisasi.
Hasil penelitan
memperlihatkan, clustering pelanggan lebih akurat jika dikelompokkan ke dalam 3 cluster
pada data yang berdaya besar(industri dan bisnis). Dalam percobaan tingkat validasi data
hasil pengelompokan berdasar jumlah cluster mencapai nilai optimum dengan jumlah cluster
3. sedangkan penggunaan nilai iterasi dan minimum error yang sarankan adalah 100 dan
0.00001.
Kata Kunci: Abstrak, Fuzzy c-mean, CRM, clustering pelanggan, PLN
1. PENDAHULUAN
Listrik merupakan sumber daya yang
sangat dibutuhkan oleh manusia saat ini.
Penggunaan
listrik oleh manusia
meningkat setiap tahunnya, bahkan setiap
bulan baik digunakan untuk rumah tangga,
bisnis maupun industri. Terkait kebutuhan
listrik tersebut, pemerintah Indonesia
menyediakan kebutuhan listrik melalui
perusahaan listrik Negara (PLN).
Visi dan misi PLN dalam pelayanan
antara lain menjadikan pelanggan sebagai
mitra sejajar, menjamin kepuasan dan
kesetiaan
pelanggan,
menjamin
pertumbuhan
perusahaan
yang
berkesinambungan
dan menciptakan
pelayanan berbasis sistem teknologi
informasi.
Sebagai perusahaan yang
berorientasi pada pelanggan, manajemen
PLN telah mengembangkan sistem
pengolahan pelanggan. Sebagai perusahaan
yang berorientasi
pada pelanggan,
manajemen PLN telah mengembangkan
sistem pengelolaan pelanggan yang
bernama costumer information system
(CIS). Namun pelayanan yang dilakukan
masih bersifat teknik, belum melakukan
pengelolaan pelanggan terhadap analisa
pengelolaan
pelanggan
dalam
menggunakan energi listrik
Manajemen hubungan pelanggan
(CRM) adalah sebuah strategi yang
berfokus pada perilaku konsumen dan cara
berkomunikasi
dengan
mereka.
Berdasarkan sudut pandang teknologi,
CRM adalah dasar untuk melakukan
analisis perilaku konsumen berdasarkan
data historis pelanggan.
CRM dapat
digunakan untuk meningkatkan pelayanan
kepada pelanggan dengan tujuan member
kepuasan kepada pelanggan.
PLN menyimpan data penggunaan
listrik dari pelanggannya secara berkala.
Sehubungan dengan komitmen PLN
sebagai perusahaan yang berorientasi pada
pelanggan, akan dilakukan analisa
terhadap salah satu bagian CRM yaitu
segmentasi
pelanggan.Identifikasi
pelanggan sangat penting dilakukan dalam
membangun
manajemen
hubungan
pelanggan
terutama
dalam
rangka
memetakan interaksi hubungan apa yang
harus
dilakukan
perusahaan
[1].
Pengelompokkan
pelanggan
bisa
menolong pelaku pemasaran dalam
menemukan karakteristik dan perilaku
pelanggan yang berbeda dalam setiap
kelompok [2]. Adanya gambaran nyata
tentang
pelanggan
memudahkan
perusahaan menentukan strategi alokasi
dan penggunaan sumber daya yang ada dan
memberikan pelayanan terbaik bagi
pelanggannya. Dengan demikian, energi
perusahaan dapat lebih dihemat dan
manajemen dapat memfokuskan pelayanan
pada konsumen.
Salah satu algoritma yang dapat
digunakan untuk melakukan segmentasi
pelanggan adalah algoritma Fuzzy CMeans. Algoritma Fuzzy C-Means
merupakan salah satu algoritma clustering.
Fuzzy c-means adalah suatu teknik
clustering data dimana keberadaan tiap
titik data cluster ditentukan oleh derajat
keanggotaan [3].
Algoritma FCM sudah cukup luas
digunakan dalam segmentasi pelanggan ,
diantaranya Simha dan Iyengar (2005) dan
Zumstein (2007). Selain itu fuzzy c-means
juga dapat menyelesaikan permasalahan
pada karakterisasi pelanggan PLN. Dalam
penelitian tersebut, algoritma FCM
memberikan informasi yang sangat
dibutuhkan dalam karakterisasi pelanggan
dan
dapat
memberikan
informasi
tersembunyi, terutama informasi yang ada
dalam kondisi transisi fuzzy .
2. TINJAUAN PUSTAKA
2.1 Data Clustering
Clustering adalah metode analisis
data, yang sering dimasukkan sebagai
salah satu metode Data mining, yang
tujuannya adalah untuk mengelompokkan
data dengan karakteristik yang sama ke
suatu ‘wilayah’ yang sama dan data
dengan karakteristik yang berbeda ke
‘wilayah’ yang lain [4]. Langkah awal
dari
metode
ini
adalah
dengan
mendapatkan subset–subset dari objek–
objek yang terhubung untuk kemudian
mencari definisi dari masing–masing
subset.
Clustering dan segmentasi
sebenarnya mempartisi database, karena
itu setiap partisi atau group adalah sama
menurut kriteria atau metrik tertentu. Jika
pengukuran kesamaan tersedia, maka
terdapat
sejumlah teknik untuk
membentuk cluster.
Analisis cluster dapat diterapkan
pada bidang apa saja. Namun pemakaian
teknik ini lebih familiar pada bidang
pemasaran karena memang salah satu
kegiatan yang dilakukan dalam pemasaran
adalah pengelompokan, yang disebut
segmentasi pasar. Tujuan analisis cluster
di dalam pemasaran adalah sebagai
berikut:
1. Membuat
segmen
pasar
(segmenting the market)
Pelanggan atau pembeli sering
diklasterkan berdasarkan manfaat
atau keuntungan yang diperoleh dari
pembelian barang. Setiap cluster
akan terdiri dari pelanggan/pembeli
yang relatif homogen, dinyatakan
dalam manfaat yang dicari.
2. Memahami perilaku pembeli
Analisis cluster digunakan untuk
mengenali atau mengidentifikasi
kelompok pembeli yang homogen.
Kemudian perilaku dalam untuk
setiap kelompok perlu dikaji secara
terpisah.
Responden (pembeli)
dikelompokkan didasarkan pada selfreported importance yang terkait
pada setiap faktor pilihan yang
digunakan untuk memilih pasar atau
mall di mana para pembeli membeli
barang yang dibutuhkan.
3. Mengenali peluang produk baru
Dengan mengklasterkan merek dan
produk, competitive set di dalam
pasar bisa ditentukan. Merek di
dalam cluster yang sama bersaing
sengit satu sama lain, daripada merek
dari cluster lain.
4. Mereduksi data
Analisis cluster digunakan sebagai
suatu alat mereduksi data secara
umum,
untuk
mengembangkan
cluster atau subgroup dari data yang
mudah dikelola dari kumpulan data
asli, secara individual.
2.2 Fuzzy c-means
Fuzzy
c-means
pertamakali
dikemukakan
oleh
Dunn
dan
dikembangkan oleh Bezdek yang banyak
digunakan dalam pattern recognition.
Metode ini merupakan pengembangan
dari metode nonhierarkhi K-Means
Cluster, karena pada awalnya ditentukan
dulu jumlah kelompok atau cluster yang
akan di bentuk. Kemudian dilakukan
iterasi sampai mendapatkan keanggotaan
kelompok tersebut. Pemilihan metode ini
didasarkan pada beberapa jurnal dan
penelitian
sebelumnya
yang
mengindikasikan bahwa metode fuzzy
cluster merupakan metode yang paling
robust, karena pusat cluster dan hasil
pengelompokkan tidak berubah jika ada
data baru yang ekstrim [5].
Metode ini juga memberikan hasil
yang smooth (halus) karena pembobotan
yang digunakan berdasarkan himpunan
fuzzy [4]. Kehalusan disini berarti objek
pengamatan tidak mutlak untuk menjadi
anggota satu kelompok saja, tapi juga
mungkin
menjadi anggota kelompok
yang lain dengan ukuran tingkat
keanggotaan yang berbeda-beda. Objek
akan
cenderung
menjadi
anggota
kelompok tertentu dimana tingkat
keanggotaan objek dalam kelompok itu
paling besar dibandingkan dengan
kelompok lainnya.
FCM baik digunakan untuk
mengelompokkan objek terutama jika
objek-objek tersebut tersebar berserakan
dan terdapat nilai ekstrim didalamnya.
Ketidakteraturan bukan berarti objekobjek tersebut tidak berpola, namun yang
dimaksud ketidakteraturan ini berarti tidak
ada kecenderungan yang pasti bahwa
objek-objek tersebut akan mengelompok
secara jelas.
Pada gambar 2.1,
diperlihatkan beberapa jenis sebaran objek
yang mengandung nilai ekstrim (a) dan
sebaran berpola namun sulit ditentukan
pengelompokkannya
secara jelas (b),
(c),dan (d).
Gambar 2.1 gambar sebaran objek
Salah satu penerapan logika fuzzy
adalah
dalam
clustering
atau
pengelompokan. Fuzzy clustering adalah
bagian dari pattern recognition atau
pengenalan pola.
Fuzzy clustering
memainkan peran yang paling penting
dalam pencarian struktur dalam data.
Fuzzy clustering adalah salah satu teknik
untuk menentukan cluster optimal dalam
suatu ruang vektor yang didasarkan pada
bentuk normal Euclidian untuk jarak antar
vektor [6].
Ada dua metode dasar dalam fuzzy
clustering.
Metode pertama disebut
dengan fuzzy c-means.
Metode ini
dinamakan demikian karena dengan
clustering ini akan dibentuk sebanyak ccluster yang sudah ditentukan sebelumnya.
Metode yang kedua adalah metode yang
banyaknya cluster tidak ditentukan
sebelumnya. Metode ini dinamakan
dengan fuzzy subtractive clustering [6].
Metode clustering yang akan digunakan
dalam penelitian ini adalah fuzzy c-means.
Metode ini pertama kali dikenalkan oleh
Jim Bezdek pada tahun 1981. Fuzzy cmeans
adalah
salah
satu
teknik
pengklusteran data yang mana keberadaan
tiap titik data dalam suatu cluster
ditentukan oleh derajat keanggotan.
Algoritma dari fuzzy c-means adalah
sebagai berikut.
FCM merupakan algoritma yang
bersifat iteratif. Tujuan dari FCM adalah
untuk menemukan pusat cluster (centroid)
yang
meminimalkan
fungsi
pertidaksamaan. Berikut langkah-langkah
dari FCM [6]:
1.
Input data yang akan dicluster X,
berupa matrix berukuran n x m (n =
jumlah sampel data, m = atribut setiap
data).
Xij data sampel ke-i (i = 1,2,…n),
atribut ke-j (j = 1,2,..m)
2.
Menentukan jumlah cluster (c),
pangkat (w), maksimum iterasi
(MaxIter),
error
terkecil
yang
diharapkan ( ξ ),
fungsi objektif awal (Po = 0), dan
iterasi awal (t = 1).
3.
4.
Membangkitkan bilangan random ηik,
i= 1,2,…n., k=1,2,…c sebagai elemen
matriks partisi awal U.
Menghitung jumlah setiap kolom
(atribut) Dengan j = 1,2..n dengan
persamaan.
Qi = ∑ 1
=
Menghitung pusat cluster ke-k : Vkj ,
dengan k = 1,2,...,c; dan j =
1,2,...,m.dengan persamaan.
=
∑
((
(
∑
) ∗
)
)
5. Menghitung fungsi obyektif pada
iterasi ke-t, dengan persamaan.
=
1
1
2
–
1
(
)
6. Menghitung perubahan matriks partisi
dengan persamaan.
=
∑
∑
−
−
–
∑
–
−
−
dengan: i = 1,2,...,n; dan k = 1,2,...,c.
7.
8.
3.
Memeriksa kondisi berhenti dengan
aturan persamaan.
Jika: ( |Pt – Pt-1|
MaxIter) maka berhenti.
Jika tidak maka t = t+1, Ulangi
langkah ke-4.
METODE PENELITIAN
Pada sistem yang dibangun, terdapat
tiga proses utama yaitu proses pengolahan
data, proses pembangunan model, dan
proses interpretasi pengelompokan data.
Alur proses dapat ditunjukkan pada
gambar 3.1
7.317E-02
1.219E-01
1.503E-01
7.012E-02
1.090E-01
1.323E-01
3 clust er
3.70370E-02
7.40741E-02
1.48148E-01
2.96296E-01
5.92593E-01
N + N-1
N
3 clust er
N-1
Rasio (S)
Pada
percobaan
terhadap
data
kategorikal diperoleh hasil bahwa
pengelompokkan terbaik dicapai pada
jumlah cluster 3. Karena pada percobaan
yang menggunakan nilai cluster tersebut
menghasilkan nilai rasio yang paling
kecil. Hasil tersebut berlaku untuk semua
kombinasi varibel data. Hasil validasi
rasio kerapatan data dalam cluster dengan
keterpisahan data antar cluster pada data
kategorisasi dapat dilihat pada tabel 4.1.
4 clust er
5 clust er
2. Data Asli
Tabel 4.4 Uji Rasio Validasi Terhadap
Jumlah Cluster Data Asli
Clust
er
3
4
5
Data bln
ke-N
1.750E-01
2.879E-01
4.409E-01
Data Asli
Data bln Data bln
ke N-1
N+N-1
1.930E-01
3.304E-01
4.593E-01
2.032E-02
2.268E-02
2.354E-02
Pada percobaan terhadap data asli
diperoleh hasil bahwa pengelompokkan
terbaik dicapai pada jumlah cluster 3.
Hasil pengelompokan terbaik merupakan
hasil dengan rasio validasi paling kecil.
Hasil tersebut berlaku untuk semua
5 clust er
Gambar 4.2 Hasil validasi
pengelompokkan pada data asli pelanggan
PLN dengan 3 klaster, 4 klaster dan 5
klaster.
Pengujian ini dilakukan untuk
mengetahui pengaruh nilai eror dan iterasi
terhadap pengelompokkan yang dilakukan.
Tabel 4.3 merupakan hasil pengujian dari
beberapa nilai minimum eror dan iterasi.
Tabel 4.2 Uji Rasio Validitas Terhadap
Iterasi dan Minimum eror (dengan
pengujian cluster = 3)
0.01
Gambar 4.1 Hasil validasi
pengelompokkan pada data kategorisasi
pelanggan PLN dengan 3 klaster, 4 klaster
dan 5 klaster.
4 clust er
Data Bulan Ke-
Minimum
erorr
Data Bulan Ke-
N-1
7.271E-02
1.211E-01
1.486E-01
1.23457E-02
3.70370E-02
1.11111E-01
3.33333E-01
1.00000E+00
N
3
4
5
Data Kategorikal
Data bln Data bln Data bln
ke-N
ke N-1
N+N-1
N + N-1
Cluster
kombinasi varibel data. Untuk lebih
jelasnya, hasil validasi rasio kerapatan
data dalam cluster dengan keterpisahan
data antar cluster pada data kategorisasi
dapat dilihat pada tabel 4.2.
Rasio (S)
1. Data Kategorikal
Tabel 4.1 Uji Rasio Validasi Terhadap
Jumlah Cluster Data Kategorisasi
Iterasi
Rasio
Validasi
5
6.1512E-02
10
1.5742E-01
50
3.4656E-02
100
3.4656E-02
1000
3.4656E-02
0.00001
5
3.1340E-02
10
3.5518E -02
50
3.6456E-02
100
3.6456E-02
1000
3.6456E-02
0.0000001
5
3.50990E-02
10
2.9310E-02
50
3.6455E-02
100
3.6455E-02
1000
3.6455E-02
Semakin kecil nilai eror yang digunakan,
maka semakin baik hasil pengelompokkan
yang dilakukan. Namun, hal ini berdampak
pada waktu komputasi karena waktu
komputasi akan semakin besar. Sebab nilai
eror yang semakin kecil berakibat pada
jumlah iterasi yang semakin banyak.
Namun hal ini juga tergantung pada
penggunaan
iterasi
maksimal
yang
digunakan. Sebab nilai eror hanya
merupakan salah satu parameter untuk
menghentikan iterasi komputasi pada
proses clustering selain menggunakan
iterasi maksimal pada algoritma fuzzy cmeans.
Pada percobaan ini diperlihatkan bahwa
penggunaan nilai eror 0.00001 sudah
memperlihatkan hasil validasi rasio
kerapatan data dalam cluster dengan
keterpisahan antar cluster yang konvergen.
Sementara
itu,
nilai
percobaan
menggunakan nilai iterasi maksimal
50,100,
dan
1000
pada
proses
pengelompokkan sudah cukup akurat.
Sebab nilai rasio validasi antara kepadatan
data dalam cluster dengan keterpisahan
antar cluster yang konvergen. Walaupun
tidak ada jaminan bahwa proses clustering
akan sangat akurat pada iterasi 100, namun
dalam penelitian ini akan digunakan nilai
eror 0.0001 dan iterasi maksimal 100
sebagai parameter pembatas dalam proses
iterasi pengelompokkan. Alasannya, pada
nilai tersebut proses clustering tidak
membutuhkan waktu komputasi yang
terlalu besar namun mampu menghasilkan
nilai uji validasi yang cukup baik.
5.
KESIMPULAN
Karakterisasi pelanggan PLN dapat
dilakukan dengan menganalisa data
tersebut sebagai salah satu parameter input
yang kemudian akan diproses untuk
mendapatkan nilai derajat keanggotaan tiap
data. Hasil daripada karakterisasi adalah
berupa nilai pusat cluster dan matriks
partisi(yang
berisi
nilai
derajat
keanggotaan) setiap data pada setiap
cluster.
Karakteristik pelanggan didapatkan
dengan membandingkan nilai setiap cluster
pada setiap data dari hasil clustering
(matriks partisi) dimana nilai terbesar dari
perbandiangan digunakan sebagai acuan
untuk menetukan kecenderungan cluster
tiap data.
Dalam percobaan tingkat validasi data
hasil pengelompokan berdasar jumlah
cluster mencapai nilai optimum dengan
nilai jumlah cluster 3. Penggunaan nilai
iterasi dan minimum error yang disarankan
adalah 100 dan 0.00001.
DAFTAR PUSTAKA
[1] Kertajaya, Hermawan. 2007. Boosting
Loyalty
Marketing
Performance
Menggunakan Teknik Penjualan,
Customer Relationship Management
dan Servis untuk Mendongkrak Laba.
Jakarta. Mark Plus Inc.
[2] Han Jiawei dan Kamber Micheline.
2001. Data Mining : Concepts and
Techniques. San Francisco. Morgan
Kaufmann Publisher.
[3] Kusuma, Dewi. 2002. Anilisis dan
Desain Sistem fuzzy Menggunakan
Toolbox
Matlab.
Graha
Ilmu.
Yogyakarta.
[4] Shihab, A. 2000. fuzzy Clsutering
Algorithm And Their Application To
Medical
Image
Analysis.
Disertation,University of London.
London.
[5] Klawon, F. . 2001. What Is About
fuzzy Clustering? Undersatnding And
Improving The Concept Of The
Fuzzier. Science Journal.
[6] Kusumadewi, Sri dan Hari Purnomo.
2004. Aplikasi Logika Fuzzy untuk
Mendukung Keputusan. Yogyakarta :
Graha Ilmu
MENGGUNAKAN ALGORITMA FUZZY C-MEANS
Briant Saputro1, Marji2, Nurul Hidayat3
Program Studi Ilmu Komputer, Program Teknologi Informasi dan Ilmu Komputer
Universitas Brawijaya, Jl. Veteran Malang, 65145, Indonesia
E-mail: bry4n.y@gmail.com1, marji@ub.ac.id2 , nt ayadih@yahoo.com 3
ABSTRAK
Pelayanan pelanggan pada suatu perusahaan merupakan hal yang paling penting untuk
membuat suatu perusahaan itu berkembang. Untuk mnjamin kepuasaan pelanggan dan
kesetiaan pelanggan, menjamin pertumbuhan perusahaan yang berkesinambungan
merupakan visi dan misi suatu perusahaan dalam mengembangkan perusahaan tersebut.
PLN merupakan sebuah perusahaan listrik Negara yang berorientasi kepada
pelanggan. Manajemen PLN sendiri telah mengembangkan system pengelolaan pelanggan.
Namun, pelayanan dari sistem tersebut masih bersifat teknik, belum melakukan analisa
terhadap penggunaan energi listrik oleh pelanggan.
Costumer Relationship Management (CRM) adalah salah satu cara untuk
menyelesaikan permasalaahan analisa terhadap perilaku pelanggan berdasarkan data
historis. Salah satu metode riset dalam CRM adalah melakukan clustering pelanggan.
Pengelompokkan pelanggan bias menolong perusahaan dalam menemukan karakteristik dan
perilaku pelanggan yang berbeda dalam setiap kelompok[2].
Fuzzy c-means merupakan salah satu dari sekian banyak algoritma clustering. Fuzzy
c-means adalah suatu teknik pengelompokkan data dimana keberadaan tiap titik data cluster
ditentukan oleh derajat keanggotaan[6].
Dalam skripsi ini dilakukan penelitian mengenai penerapan algoritma FCM terhadap
permasalahan clustering pelanggan PLN. Tingkat validasi data hasil pengelompokkan
berdasar jumlah cluster, serta tingkat validasi data hasil pengelompokkan berdasar banyak
iterasi dan nilai minimum error.
Hasil dari penelitian ini, yaitu algoritma fuzzy c-means dapat terapkan dalam
clustering pelanggan PLN. Penggunaan data nominal asli dalam clustering menghasilkan
pusat cluster lebih baik daripada penggunaan data kategorisasi.
Hasil penelitan
memperlihatkan, clustering pelanggan lebih akurat jika dikelompokkan ke dalam 3 cluster
pada data yang berdaya besar(industri dan bisnis). Dalam percobaan tingkat validasi data
hasil pengelompokan berdasar jumlah cluster mencapai nilai optimum dengan jumlah cluster
3. sedangkan penggunaan nilai iterasi dan minimum error yang sarankan adalah 100 dan
0.00001.
Kata Kunci: Abstrak, Fuzzy c-mean, CRM, clustering pelanggan, PLN
1. PENDAHULUAN
Listrik merupakan sumber daya yang
sangat dibutuhkan oleh manusia saat ini.
Penggunaan
listrik oleh manusia
meningkat setiap tahunnya, bahkan setiap
bulan baik digunakan untuk rumah tangga,
bisnis maupun industri. Terkait kebutuhan
listrik tersebut, pemerintah Indonesia
menyediakan kebutuhan listrik melalui
perusahaan listrik Negara (PLN).
Visi dan misi PLN dalam pelayanan
antara lain menjadikan pelanggan sebagai
mitra sejajar, menjamin kepuasan dan
kesetiaan
pelanggan,
menjamin
pertumbuhan
perusahaan
yang
berkesinambungan
dan menciptakan
pelayanan berbasis sistem teknologi
informasi.
Sebagai perusahaan yang
berorientasi pada pelanggan, manajemen
PLN telah mengembangkan sistem
pengolahan pelanggan. Sebagai perusahaan
yang berorientasi
pada pelanggan,
manajemen PLN telah mengembangkan
sistem pengelolaan pelanggan yang
bernama costumer information system
(CIS). Namun pelayanan yang dilakukan
masih bersifat teknik, belum melakukan
pengelolaan pelanggan terhadap analisa
pengelolaan
pelanggan
dalam
menggunakan energi listrik
Manajemen hubungan pelanggan
(CRM) adalah sebuah strategi yang
berfokus pada perilaku konsumen dan cara
berkomunikasi
dengan
mereka.
Berdasarkan sudut pandang teknologi,
CRM adalah dasar untuk melakukan
analisis perilaku konsumen berdasarkan
data historis pelanggan.
CRM dapat
digunakan untuk meningkatkan pelayanan
kepada pelanggan dengan tujuan member
kepuasan kepada pelanggan.
PLN menyimpan data penggunaan
listrik dari pelanggannya secara berkala.
Sehubungan dengan komitmen PLN
sebagai perusahaan yang berorientasi pada
pelanggan, akan dilakukan analisa
terhadap salah satu bagian CRM yaitu
segmentasi
pelanggan.Identifikasi
pelanggan sangat penting dilakukan dalam
membangun
manajemen
hubungan
pelanggan
terutama
dalam
rangka
memetakan interaksi hubungan apa yang
harus
dilakukan
perusahaan
[1].
Pengelompokkan
pelanggan
bisa
menolong pelaku pemasaran dalam
menemukan karakteristik dan perilaku
pelanggan yang berbeda dalam setiap
kelompok [2]. Adanya gambaran nyata
tentang
pelanggan
memudahkan
perusahaan menentukan strategi alokasi
dan penggunaan sumber daya yang ada dan
memberikan pelayanan terbaik bagi
pelanggannya. Dengan demikian, energi
perusahaan dapat lebih dihemat dan
manajemen dapat memfokuskan pelayanan
pada konsumen.
Salah satu algoritma yang dapat
digunakan untuk melakukan segmentasi
pelanggan adalah algoritma Fuzzy CMeans. Algoritma Fuzzy C-Means
merupakan salah satu algoritma clustering.
Fuzzy c-means adalah suatu teknik
clustering data dimana keberadaan tiap
titik data cluster ditentukan oleh derajat
keanggotaan [3].
Algoritma FCM sudah cukup luas
digunakan dalam segmentasi pelanggan ,
diantaranya Simha dan Iyengar (2005) dan
Zumstein (2007). Selain itu fuzzy c-means
juga dapat menyelesaikan permasalahan
pada karakterisasi pelanggan PLN. Dalam
penelitian tersebut, algoritma FCM
memberikan informasi yang sangat
dibutuhkan dalam karakterisasi pelanggan
dan
dapat
memberikan
informasi
tersembunyi, terutama informasi yang ada
dalam kondisi transisi fuzzy .
2. TINJAUAN PUSTAKA
2.1 Data Clustering
Clustering adalah metode analisis
data, yang sering dimasukkan sebagai
salah satu metode Data mining, yang
tujuannya adalah untuk mengelompokkan
data dengan karakteristik yang sama ke
suatu ‘wilayah’ yang sama dan data
dengan karakteristik yang berbeda ke
‘wilayah’ yang lain [4]. Langkah awal
dari
metode
ini
adalah
dengan
mendapatkan subset–subset dari objek–
objek yang terhubung untuk kemudian
mencari definisi dari masing–masing
subset.
Clustering dan segmentasi
sebenarnya mempartisi database, karena
itu setiap partisi atau group adalah sama
menurut kriteria atau metrik tertentu. Jika
pengukuran kesamaan tersedia, maka
terdapat
sejumlah teknik untuk
membentuk cluster.
Analisis cluster dapat diterapkan
pada bidang apa saja. Namun pemakaian
teknik ini lebih familiar pada bidang
pemasaran karena memang salah satu
kegiatan yang dilakukan dalam pemasaran
adalah pengelompokan, yang disebut
segmentasi pasar. Tujuan analisis cluster
di dalam pemasaran adalah sebagai
berikut:
1. Membuat
segmen
pasar
(segmenting the market)
Pelanggan atau pembeli sering
diklasterkan berdasarkan manfaat
atau keuntungan yang diperoleh dari
pembelian barang. Setiap cluster
akan terdiri dari pelanggan/pembeli
yang relatif homogen, dinyatakan
dalam manfaat yang dicari.
2. Memahami perilaku pembeli
Analisis cluster digunakan untuk
mengenali atau mengidentifikasi
kelompok pembeli yang homogen.
Kemudian perilaku dalam untuk
setiap kelompok perlu dikaji secara
terpisah.
Responden (pembeli)
dikelompokkan didasarkan pada selfreported importance yang terkait
pada setiap faktor pilihan yang
digunakan untuk memilih pasar atau
mall di mana para pembeli membeli
barang yang dibutuhkan.
3. Mengenali peluang produk baru
Dengan mengklasterkan merek dan
produk, competitive set di dalam
pasar bisa ditentukan. Merek di
dalam cluster yang sama bersaing
sengit satu sama lain, daripada merek
dari cluster lain.
4. Mereduksi data
Analisis cluster digunakan sebagai
suatu alat mereduksi data secara
umum,
untuk
mengembangkan
cluster atau subgroup dari data yang
mudah dikelola dari kumpulan data
asli, secara individual.
2.2 Fuzzy c-means
Fuzzy
c-means
pertamakali
dikemukakan
oleh
Dunn
dan
dikembangkan oleh Bezdek yang banyak
digunakan dalam pattern recognition.
Metode ini merupakan pengembangan
dari metode nonhierarkhi K-Means
Cluster, karena pada awalnya ditentukan
dulu jumlah kelompok atau cluster yang
akan di bentuk. Kemudian dilakukan
iterasi sampai mendapatkan keanggotaan
kelompok tersebut. Pemilihan metode ini
didasarkan pada beberapa jurnal dan
penelitian
sebelumnya
yang
mengindikasikan bahwa metode fuzzy
cluster merupakan metode yang paling
robust, karena pusat cluster dan hasil
pengelompokkan tidak berubah jika ada
data baru yang ekstrim [5].
Metode ini juga memberikan hasil
yang smooth (halus) karena pembobotan
yang digunakan berdasarkan himpunan
fuzzy [4]. Kehalusan disini berarti objek
pengamatan tidak mutlak untuk menjadi
anggota satu kelompok saja, tapi juga
mungkin
menjadi anggota kelompok
yang lain dengan ukuran tingkat
keanggotaan yang berbeda-beda. Objek
akan
cenderung
menjadi
anggota
kelompok tertentu dimana tingkat
keanggotaan objek dalam kelompok itu
paling besar dibandingkan dengan
kelompok lainnya.
FCM baik digunakan untuk
mengelompokkan objek terutama jika
objek-objek tersebut tersebar berserakan
dan terdapat nilai ekstrim didalamnya.
Ketidakteraturan bukan berarti objekobjek tersebut tidak berpola, namun yang
dimaksud ketidakteraturan ini berarti tidak
ada kecenderungan yang pasti bahwa
objek-objek tersebut akan mengelompok
secara jelas.
Pada gambar 2.1,
diperlihatkan beberapa jenis sebaran objek
yang mengandung nilai ekstrim (a) dan
sebaran berpola namun sulit ditentukan
pengelompokkannya
secara jelas (b),
(c),dan (d).
Gambar 2.1 gambar sebaran objek
Salah satu penerapan logika fuzzy
adalah
dalam
clustering
atau
pengelompokan. Fuzzy clustering adalah
bagian dari pattern recognition atau
pengenalan pola.
Fuzzy clustering
memainkan peran yang paling penting
dalam pencarian struktur dalam data.
Fuzzy clustering adalah salah satu teknik
untuk menentukan cluster optimal dalam
suatu ruang vektor yang didasarkan pada
bentuk normal Euclidian untuk jarak antar
vektor [6].
Ada dua metode dasar dalam fuzzy
clustering.
Metode pertama disebut
dengan fuzzy c-means.
Metode ini
dinamakan demikian karena dengan
clustering ini akan dibentuk sebanyak ccluster yang sudah ditentukan sebelumnya.
Metode yang kedua adalah metode yang
banyaknya cluster tidak ditentukan
sebelumnya. Metode ini dinamakan
dengan fuzzy subtractive clustering [6].
Metode clustering yang akan digunakan
dalam penelitian ini adalah fuzzy c-means.
Metode ini pertama kali dikenalkan oleh
Jim Bezdek pada tahun 1981. Fuzzy cmeans
adalah
salah
satu
teknik
pengklusteran data yang mana keberadaan
tiap titik data dalam suatu cluster
ditentukan oleh derajat keanggotan.
Algoritma dari fuzzy c-means adalah
sebagai berikut.
FCM merupakan algoritma yang
bersifat iteratif. Tujuan dari FCM adalah
untuk menemukan pusat cluster (centroid)
yang
meminimalkan
fungsi
pertidaksamaan. Berikut langkah-langkah
dari FCM [6]:
1.
Input data yang akan dicluster X,
berupa matrix berukuran n x m (n =
jumlah sampel data, m = atribut setiap
data).
Xij data sampel ke-i (i = 1,2,…n),
atribut ke-j (j = 1,2,..m)
2.
Menentukan jumlah cluster (c),
pangkat (w), maksimum iterasi
(MaxIter),
error
terkecil
yang
diharapkan ( ξ ),
fungsi objektif awal (Po = 0), dan
iterasi awal (t = 1).
3.
4.
Membangkitkan bilangan random ηik,
i= 1,2,…n., k=1,2,…c sebagai elemen
matriks partisi awal U.
Menghitung jumlah setiap kolom
(atribut) Dengan j = 1,2..n dengan
persamaan.
Qi = ∑ 1
=
Menghitung pusat cluster ke-k : Vkj ,
dengan k = 1,2,...,c; dan j =
1,2,...,m.dengan persamaan.
=
∑
((
(
∑
) ∗
)
)
5. Menghitung fungsi obyektif pada
iterasi ke-t, dengan persamaan.
=
1
1
2
–
1
(
)
6. Menghitung perubahan matriks partisi
dengan persamaan.
=
∑
∑
−
−
–
∑
–
−
−
dengan: i = 1,2,...,n; dan k = 1,2,...,c.
7.
8.
3.
Memeriksa kondisi berhenti dengan
aturan persamaan.
Jika: ( |Pt – Pt-1|
MaxIter) maka berhenti.
Jika tidak maka t = t+1, Ulangi
langkah ke-4.
METODE PENELITIAN
Pada sistem yang dibangun, terdapat
tiga proses utama yaitu proses pengolahan
data, proses pembangunan model, dan
proses interpretasi pengelompokan data.
Alur proses dapat ditunjukkan pada
gambar 3.1
7.317E-02
1.219E-01
1.503E-01
7.012E-02
1.090E-01
1.323E-01
3 clust er
3.70370E-02
7.40741E-02
1.48148E-01
2.96296E-01
5.92593E-01
N + N-1
N
3 clust er
N-1
Rasio (S)
Pada
percobaan
terhadap
data
kategorikal diperoleh hasil bahwa
pengelompokkan terbaik dicapai pada
jumlah cluster 3. Karena pada percobaan
yang menggunakan nilai cluster tersebut
menghasilkan nilai rasio yang paling
kecil. Hasil tersebut berlaku untuk semua
kombinasi varibel data. Hasil validasi
rasio kerapatan data dalam cluster dengan
keterpisahan data antar cluster pada data
kategorisasi dapat dilihat pada tabel 4.1.
4 clust er
5 clust er
2. Data Asli
Tabel 4.4 Uji Rasio Validasi Terhadap
Jumlah Cluster Data Asli
Clust
er
3
4
5
Data bln
ke-N
1.750E-01
2.879E-01
4.409E-01
Data Asli
Data bln Data bln
ke N-1
N+N-1
1.930E-01
3.304E-01
4.593E-01
2.032E-02
2.268E-02
2.354E-02
Pada percobaan terhadap data asli
diperoleh hasil bahwa pengelompokkan
terbaik dicapai pada jumlah cluster 3.
Hasil pengelompokan terbaik merupakan
hasil dengan rasio validasi paling kecil.
Hasil tersebut berlaku untuk semua
5 clust er
Gambar 4.2 Hasil validasi
pengelompokkan pada data asli pelanggan
PLN dengan 3 klaster, 4 klaster dan 5
klaster.
Pengujian ini dilakukan untuk
mengetahui pengaruh nilai eror dan iterasi
terhadap pengelompokkan yang dilakukan.
Tabel 4.3 merupakan hasil pengujian dari
beberapa nilai minimum eror dan iterasi.
Tabel 4.2 Uji Rasio Validitas Terhadap
Iterasi dan Minimum eror (dengan
pengujian cluster = 3)
0.01
Gambar 4.1 Hasil validasi
pengelompokkan pada data kategorisasi
pelanggan PLN dengan 3 klaster, 4 klaster
dan 5 klaster.
4 clust er
Data Bulan Ke-
Minimum
erorr
Data Bulan Ke-
N-1
7.271E-02
1.211E-01
1.486E-01
1.23457E-02
3.70370E-02
1.11111E-01
3.33333E-01
1.00000E+00
N
3
4
5
Data Kategorikal
Data bln Data bln Data bln
ke-N
ke N-1
N+N-1
N + N-1
Cluster
kombinasi varibel data. Untuk lebih
jelasnya, hasil validasi rasio kerapatan
data dalam cluster dengan keterpisahan
data antar cluster pada data kategorisasi
dapat dilihat pada tabel 4.2.
Rasio (S)
1. Data Kategorikal
Tabel 4.1 Uji Rasio Validasi Terhadap
Jumlah Cluster Data Kategorisasi
Iterasi
Rasio
Validasi
5
6.1512E-02
10
1.5742E-01
50
3.4656E-02
100
3.4656E-02
1000
3.4656E-02
0.00001
5
3.1340E-02
10
3.5518E -02
50
3.6456E-02
100
3.6456E-02
1000
3.6456E-02
0.0000001
5
3.50990E-02
10
2.9310E-02
50
3.6455E-02
100
3.6455E-02
1000
3.6455E-02
Semakin kecil nilai eror yang digunakan,
maka semakin baik hasil pengelompokkan
yang dilakukan. Namun, hal ini berdampak
pada waktu komputasi karena waktu
komputasi akan semakin besar. Sebab nilai
eror yang semakin kecil berakibat pada
jumlah iterasi yang semakin banyak.
Namun hal ini juga tergantung pada
penggunaan
iterasi
maksimal
yang
digunakan. Sebab nilai eror hanya
merupakan salah satu parameter untuk
menghentikan iterasi komputasi pada
proses clustering selain menggunakan
iterasi maksimal pada algoritma fuzzy cmeans.
Pada percobaan ini diperlihatkan bahwa
penggunaan nilai eror 0.00001 sudah
memperlihatkan hasil validasi rasio
kerapatan data dalam cluster dengan
keterpisahan antar cluster yang konvergen.
Sementara
itu,
nilai
percobaan
menggunakan nilai iterasi maksimal
50,100,
dan
1000
pada
proses
pengelompokkan sudah cukup akurat.
Sebab nilai rasio validasi antara kepadatan
data dalam cluster dengan keterpisahan
antar cluster yang konvergen. Walaupun
tidak ada jaminan bahwa proses clustering
akan sangat akurat pada iterasi 100, namun
dalam penelitian ini akan digunakan nilai
eror 0.0001 dan iterasi maksimal 100
sebagai parameter pembatas dalam proses
iterasi pengelompokkan. Alasannya, pada
nilai tersebut proses clustering tidak
membutuhkan waktu komputasi yang
terlalu besar namun mampu menghasilkan
nilai uji validasi yang cukup baik.
5.
KESIMPULAN
Karakterisasi pelanggan PLN dapat
dilakukan dengan menganalisa data
tersebut sebagai salah satu parameter input
yang kemudian akan diproses untuk
mendapatkan nilai derajat keanggotaan tiap
data. Hasil daripada karakterisasi adalah
berupa nilai pusat cluster dan matriks
partisi(yang
berisi
nilai
derajat
keanggotaan) setiap data pada setiap
cluster.
Karakteristik pelanggan didapatkan
dengan membandingkan nilai setiap cluster
pada setiap data dari hasil clustering
(matriks partisi) dimana nilai terbesar dari
perbandiangan digunakan sebagai acuan
untuk menetukan kecenderungan cluster
tiap data.
Dalam percobaan tingkat validasi data
hasil pengelompokan berdasar jumlah
cluster mencapai nilai optimum dengan
nilai jumlah cluster 3. Penggunaan nilai
iterasi dan minimum error yang disarankan
adalah 100 dan 0.00001.
DAFTAR PUSTAKA
[1] Kertajaya, Hermawan. 2007. Boosting
Loyalty
Marketing
Performance
Menggunakan Teknik Penjualan,
Customer Relationship Management
dan Servis untuk Mendongkrak Laba.
Jakarta. Mark Plus Inc.
[2] Han Jiawei dan Kamber Micheline.
2001. Data Mining : Concepts and
Techniques. San Francisco. Morgan
Kaufmann Publisher.
[3] Kusuma, Dewi. 2002. Anilisis dan
Desain Sistem fuzzy Menggunakan
Toolbox
Matlab.
Graha
Ilmu.
Yogyakarta.
[4] Shihab, A. 2000. fuzzy Clsutering
Algorithm And Their Application To
Medical
Image
Analysis.
Disertation,University of London.
London.
[5] Klawon, F. . 2001. What Is About
fuzzy Clustering? Undersatnding And
Improving The Concept Of The
Fuzzier. Science Journal.
[6] Kusumadewi, Sri dan Hari Purnomo.
2004. Aplikasi Logika Fuzzy untuk
Mendukung Keputusan. Yogyakarta :
Graha Ilmu