Peningkatan Hasil Cluster Menggunakan Algoritma Dynamic K-means dan K-means Binary Search Centroid

Abstract

Pada studi kasus segmentasi pelanggan, data yang digunakan untuk segmentasi memiliki atribut data berdasarkan nilai Recency, Frequency, dan Monetery dan memiliki jumlah data 500, untuk membentuk segmentasi pelanggan dapat digunakan teknik clustering. Clustering adalah proses untuk mengelompokkan datum ke dalam sejumlah cluster (kelompok data).  Salah satu teknik Clustering adalah teknik clustering partisi, algoritma  clustering yang digunakan pada penelitian ini yaitu algoritma Dynamic K-means (DK) dan K-means Binary Search Centroid (KBSC). Pada algoritma Dynamic K-means memiliki kemampuan untuk mencari jumlah Cluster, namun memiliki kekurangan dalam penentuan titik centroid (pusat cluster), sedangkan algoritma KBSC memiliki kemampuan untuk menentukan titik centroid Cluster, namun memiliki kekurangan dalam mencari jumlah Cluster. Pada penelitian ini menggabungkan kedua algoritma antara algoritma DK dan KBSC dan akan diujikan pada data model buatan yang bertujuan untuk melihat karakteristik dari algoritma, dan diujikan pada data studi studi kasus yang bertujuan untuk mengetahui kemampuan algoritma dalam menyelasaikan kasus segmentasi pelanggan. Berdasarkan pengukuran Devies Bouldin Index (DBI) algoritma gabungan DK-KBSC menghasilkan nilai DBI lebih baik dibandingkan algoritma lainnya.saat diimplementasikan pada data kasus segmentasi pelanggan.