Jurnal CyberTech Vol.
No.
September 201x, pp.
P-ISSN : 1978-6603
E-ISSN : 2615-3475
Penerapan Data Mining Untuk Menganalisa Tingkat Kepuasan Pelanggan Telkomsel Terhadap Sikap Pelayanan Caroline Officer Dengan Metode Menggunakan Algoritma K-Means Clustering Fransiska Elisna*.
Muhammad Zunaidi **.
Kamil Erwansyah ** Program Studi Sistem Informasi.
STMIK Triguna Dharma Program Studi Sistem Informasi.
STMIK Triguna Dharma Article Info Article history:
Keyword:
Data Mining.
K-Means Clustering.
Kepuasan Pelanggan ABSTRACT PT.
Telkomsel.
Tbk merupakan sebuah perusahaan berskala nasional yang bergerak dibidang telekomunikasi.
Perusahaan menyadari akan pentingnya hubungan antara pelanggan yang loyal dengan keberhasilan bisnis.
Pelanggan yang memiliki karakteristik berbedabeda dan dengan selera yang berbeda, menuntut perusahaan ini harus mampu menjaga kepuasan para pelanggan.
Dengan jumlah pelanggan yang tergolong banyak dan terus meningkat mengakibatkan PT.
Telkomsel.
Tbk kesulitan untuk menganalisa tingkat kepuasan Penggunaan metode manual atau tradisional untuk melakukan analisa data pelanggan dari data rekapitulasi data yang banyak tentunya menyulitkan perusahaan.
Dengan volume data yang berkembang, baik dari jumlah record dan jumlah field.
Hal ini dapat mengakibatkan PT.
Telkomsel.
Tbk kehilangan pelanggan potensial dan merugikan perusahaan.
Untuk menyelesaikan masalah tersebut dibutuhkan suatu sistem terkomputerisasi yang dapat menggali informasi baru dari tumpukan data-data lama, yaitu dengan menggunakan Data Mining.
Salah satu teknik yang ada pada data mining adalah clustering.
Pada penelitian ini akan dibahas teknik clustering yang diterapkan untuk menganalisa data kepuasan pelanggan terutama hal yang berkaitan dengan pelayanan Caroline Officer.
Teknik clustering yang akan digunakan adalah algoritma K-Means Clustering.
Kesimpulan yang diperoleh yaitu dengan menggunakan data mining algoritma K-Means Clustering dapat membantu perusahaan dalam menentukan tingkat kepuasan pelanggan.
Sehingga aplikasi data mining yang dibangun dapat langsung digunakan oleh perusahaan dan dapat dirasakan manfaatnya.
Copyright A 2019 STMIK Triguna Dharma.
All rights reserved.
First Author Nama : Fransiska Elisna Program Studi : Sistem Informasi STMIK Triguna Dharma Email : fransiskasihaloho9@gmail.
PENDAHULUAN
Kepuasan pelanggan dapat diartikan sebagai respon pelanggan terhadap ketidaksesuaian antara tingkat kepentingan sebelumnya dan kinerja aktual yang dirasakan pelanggan setelah pemakaian barang atau jasa.
Kepuasan pelanggan menjadi sangat penting bagi suatu perusahaan, yang dalam penelitian ini adalah perusahaan yang bergerak di bidang jasa, dimana pelayanan yang baik memegang peran utama dalam memberikan kepuasan kepada para pelanggan.
Dengan pelayanan ini maka akan memunculkan suatu tingkat kepuasan pada pelanggan baik itu kepuasan positif maupun kepuasan negatif.
Journal homepage: http:ojs.
Jurnal CyberTech Vol.
No.
September 201x, pp.
P-ISSN : 1978-6603
E-ISSN : 2615-3475
PT.
Telkomsel.
Tbk merupakan sebuah perusahaan berskala nasional yang bergerak dibidang Perusahaan menyadari akan pentingnya hubungan antara pelanggan yang loyal dengan keberhasilan bisnis.
Pelanggan yang memiliki karakteristik berbeda-beda dan dengan selera yang berbeda, menuntut perusahaan ini harus mampu menjaga kepuasan para pelanggan.
Dengan jumlah pelanggan yang tergolong banyak dan terus meningkat mengakibatkan PT.
Telkomsel.
Tbk kesulitan untuk menganalisa tingkat kepuasan pelanggan.
Penggunaan metode manual atau tradisional untuk melakukan analisa data pelanggan dari data rekapitulasi data yang banyak tentunya menyulitkan perusahaan.
Dengan volume data yang berkembang, baik dari jumlah record dan jumlah field.
Hal ini dapat mengakibatkan PT.
Telkomsel.
Tbk kehilangan pelanggan potensial dan merugikan perusahaan.
Untuk itu dibutuhkan penerapan data mining dalam memecahkan masalah tersebut diatas.
Data Mining bertujuan untuk menghasilkan pengetahuan dan informasi baru yang masih tersembunyi didalam bongkahan data yang besar.
Data mining merupakan serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui.
Dalam Data Mining terdapat beberapa jenis metode diantaranya: prediksi, asosiasi, klasifikasi, klastering dan estimasi.
K-Means Clustering merupakan salah satu algoritma dalam metode asosisasi.
K-Means merupakan algoritma clustering yang diproses secara berulang-ulang sampai menghasilkan sebuah informasi atau kesimpulan baru.
Algoritma K-Means dimulai Dengan pemilihan secara acak K.
K disini merupakan banyaknya cluster yang ingin dibentuk.
Hal inilah yang menjadi latar belakang untuk membahas masalah algoritma K-Means Clustering yang dituangkan dalam penelitian dengan judul AuPenerapan Data Mining Untuk Menganalisa Tingkat Kepuasan Pelanggan Telkomsel Terhadap Sikap Pelayanan Caroline Officer Dengan Metode Algoritma KMeans ClusteringAy.
METODE PENELITIAN
1 Pengertian Data Mining Data adalah kumpulan informasi yang digunakan dalam proses pengambilan kesimpulan maupun pengambilan keputusan.
Data merupakan bentuk jamak dari bentuk tunggal datum atau data-item.
Data adalah kenyataan yang menggambarkan suatu kejadian dan kesatuan nyata.
Data Mining merupakan suatu proses untuk mendapatkan informasi baru dari kumpulan data dengan menggunakan algoritma dan teknik yang melibatkan bidang ilmu statistik, mesin pembelajaran dan sistem manajemen database.
Data Mining digunakan untuk ekstraksi informasi penting yang tersembunyi dari dataset yang Dengan adanya Data Mining maka akan didapatkan suatu permata berupa pengetahuan di dalam kumpulan data yang banyak jumlahnya.
1 Teknik-Teknik Data Mining Data Mining merupakan ilmu baru yang berakar dari berbagai bidang ilmu seperti kecerdasan buatan (Artificial Intelligenc.
, mesin learning, statistik dan database.
Oleh karena itu dalam menggali informasi.
Data Mining menggunakan beberapa teknik, antara lain .
Association Discovery Association Discovery adalah teknik mempelajari sekumpulan data dan untuk menunjukkan hubungan antara kemunculan atribut-atribut dalam data.
Teknik ini mencoba untuk menyiapkan nilai-nilai yang muncul pada saat bersamaan dalam setiap barisnya dan menampilkan hasil keluaran yang disimpulkan dalam sebuah rule.
Clustering Clustering adalah proses pengumpulan data yang serumpun dari sebuah dataset yang lebih besar.
Teknik ini menyingkapkan sejumlah kelompok-kelompok yang digunakan sebagai masukan datanya.
Dengan Clustering kelompok minoritas yang tersebar dikelompokkan dalam sebuah kelompok besar yang memiliki kemiripan Clustering dapat juga digunakan untuk mendeteksi secara otomatis cluster dari record-record yang berdekatan dengan pengertian tertentu di dalam keseluruhan variabel-variabel.
Sequential Discovery Jurnal Cyber Tech Vol.
No.
April 2020 : xx Ae xx Jurnal CyberTech Vol.
No.
September 201x, pp.
P-ISSN : 1978-6603
E-ISSN : 2615-3475
Sequential Discovery adalah teknik mencari pola-pola diantara peristiwa-peristiwa yang muncul dalam periode Metode ini dapat digunakan untuk mencari pola komoditas yang terjadi berulang kali.
Teknik ini terkonsentrasi pada kebiasaan yang sama yang sering muncul di kemudian hari.
Menurut laporan tersebut diungkapkan bahwa algoritma yang dipakai memiliki kriteria sebagai berikut :
One Scan : algoritma ini membutuhkan paling sedikit satu kali pelarikan basis data untuk membuat cluster yang diinginkan.
Anytime Algorithm : algoritma ini selalu dapat menyediakan jawaban yang terbaik setiap saat selama komputasi dijalankan.
Interruptable and Incremental : algoritma ini dapat ditunda, dapat dihentikan dan dijalankan lagi, dan hasil sementara yang muncul dapat disimpan untuk kelanjutan komputasi data baru lebih lanjut.
Limitted RAM Requirement : algoritma ini mampu bekerja dalam kondisi memori yang terbatas.
Forward-only Cursor : algoritma ini mampu untuk beroperasi pada basis data dengan kursor .
bergerak maju hingga akhir data.
Classification Classification adalah proses pengumpulan data bersama-sama yang didasarkan atas sekumpulan kesamaan yang awalnya telah ditentukan oleh seorang analis sebelum analisa dimulai.
Teknik ini memeriksa data yang telah diklasifikasikan dan dikumpulkan dalam grup bersama-sama sesuai dengan aturan keanggotaannya.
Aturan keanggotaan bisa mempunyai komponen waktu, komponen geografis, komponen kuantitatif.
Proses klasifikasi ini dapat dibagi menjadi tiga fase :
Learning : algoritma yang mencari sejumlah record dari training set dan menciptakan sebuah deskripsi tentang model klasifikasi.
Model ini dibuat kecil dan persis pada saat yang sama.
Model yang sudah dibuat harus diuji dengan serangkaian uji coba dalam sebuah basis data.
Sebagai training set, record-record uji coba harus merupakan kumpulan yang sudah lebih dahulu diklasifikasikan.
Record untuk uji coba harus berbeda dengan training set.
Model classification akan selalu bekerja dengan sempurna dalam training set yang digunakan.
Classification, model iterasi yang digunakan untuk membuat klasifikasi pada sisa record-record dalam basis data yang ada.
Neural Network Neural Network merupakan sebuah metode khusus untuk pengendalian identifikasi pola yang digunakan pada trend perkiraan berdasarkan kebiasaan yang telah diketahui sebelumnya.
Suatu trend atau kecenderungan dapat diidentifikasikan sebagai pergerakan yang ditujukan berdasarkan pada kebiasaan yang lama.
Inti dari pemrosesan didasarkan pada pengolahan data yang meniru dari fungsi sistem saraf tubuh manusia.
Pengetahuan dapat dipelajari dari suatu kumpulan data yang terpisah dan kompleks.
Ada tiga lapisan .
pada network, lapisan kiri yang menerima masukan .
, lapisan tersembunyi .
idden layer neuron.
yang menjalankan fungsi kerja pemrosesan datanya, dan lapisan kanan yang menampilkan analisa hasil Ketika network dilatih .
dengan informasi yang dimasukkan melalui masukan .
akan diproses oleh lapisan tengah .
yang menjadikannya cerdas dalam sejumlah elemen data yang ada dan mengeluarkan hasil pada lapisan keluarnya.
2 Tahapan Proses Data Mining Data mining serangkaian proses seperti yang dijelaskan sebagai berikut:
Pembersihan data .
ntuk membuang data yang tidak konsisten dan nois.
Integrasi data .
enggabungan data dari beberapa sumbe.
Transformasi data .
ata diubah menjadi bentuk yang sesuai untuk di-minin.
Aplikasi teknik data mining, proses ekstraksi pola dari data yang ada Evaluasi pola yang ditemukan .
roses interpretasi pola menjadi pengetahuan yang dapat digunakan untuk mendukung pengambilan keputusa.
Presentasi pengetahuan .
engan teknik visualisas.
Jurnal Cyber Tech Vol.
No.
April 2020 : xx Ae xx Jurnal CyberTech Vol.
No.
September 201x, pp.
P-ISSN : 1978-6603
E-ISSN : 2615-3475
2 K-Means Clustering K-Means adalah salah satu algoritma dalam clustering yang berulang-ulang.
Algoritma K-Means dimulai dengan memilih secara acak K.
K di sini merupakan banyaknya cluster yang ingin dibentuk.
Kemudian menetapkan nilai K secara random, untuk sementara nilai tersebut menjadi pusat dari cluster atau biasa disebut dengan centroid, mean atau AumeansAy.
Clustering adalah studi formal untuk partisi atau mengelompokkan data dengan tidak menggunakan pelabelan kategori.
Clustering bersifat unsupervised learning atau tidak mempunyai tahap pelatihan data, berbeda dengan klasifikasi.
Clustering digunakan untuk mengelompokkan data secara alamiah berdasarkan kemiripan pada objek data dan sebaliknya meminimalkan kemiripan terhadap cluster lain.
Menggunakan pendekatan partitional clustering.
Tiap cluster dihubungkan dengan sebuah centroid .
itik Tiap titik ditempatkan ke dalam cluster dengan centroid terdekat.
Jumlah cluster.
K, harus ditentukan.
Berikut adalah langkah-langkah algoritma K-Means .
Pilih jumlah cluster k Inisialisasi k pusat cluster ini bisa dilakukan dengan berbagai cara.
Namun yang paling sering dilakukan adalah dengan cara acak.
Pusat-pusat cluster diberi nilai awal dengan angka-angka random Alokasikan semua data/objek ke cluster terdekat.
Kedekatan dua objek ditentukan berdasarkan jarak kedua objek Demikian juga kedekatan suatu data ke cluster tertentu ditentukan jarak antara data dengan pusat Dalam tahap ini perlu dihitung jarak tiap data ke tiap pusat cluster.
Jarak antara satu data dengan satu cluster tertentu akan menentukan suatu data masuk dalam cluster mana.
Untuk menghitung jarak semua data ke setiap titik pusat cluster dapat menggunakan teori jarak Euclidean.
Hitung kembali pusat cluster dengan keanggotaan cluster yang sekarang.
Pusat cluster adalah rata-rata dari semua data/objek dalam cluster tertentu.
Jika dikehendaki bisa juga menggunakan median .
ilai tenga.
dari cluster tersebut.
Jadi rata-rata .
bukan satu-satunya ukuran yang bisa dipakai.
Tugaskan lagi setiap objek memakai pusat cluster yang baru.
Jika pusat cluster tidak berubah lagi maka proses clustering selesai.
Atau, kembali ke langkah nomor 3 sampai pusat cluster tidak berubah lagi.
3 Kepuasan Pelanggan Menurut Kotler dalam Mts.
Arief yang dimaksud dengan kepuasan pelanggan adalah tingkat perasaan senang seseorang setelah antara kinerja yang ia rasakan terhadap harapannya.
Kepuasan merupakan perbedaan antara harapan dan kinerja.
Apabila harapan tinggi sementara kinerja biasa saja maka kepuasan tidak tercapai, sebaliknya bila kinerja melebihi harapan maka kepuasan meningkat.
Teori kepuasan konsumen didasarkan pada upaya meminimalkan gap .
Kepuasan konsumen akan terpenuhi apabila proses penyampaian jasa sesuai dengan yang dipersepsikan konsumen.
1 Caroline Officer Caroline officer didefinisikan sebagai petugas operasional yang melayani contact center terhadap customer dimana dalam memberikan layanannya dapat dilakukan secara langsung via online.
Metodologi Penelitian 1 Metode Penelitian Di dalam melakukan penelitian terkait dengan penentuan tingkat kepuasan pelanggan PT.
Telkomsel Tbk terdapat beberapa cara yaitu dengan data collecting dan studi literatur.
1 Data Collecting Dalam teknik pengumpulan data terdapat beberapa yang dilakukan diantaranya yaitu:
Observasi Upaya observasi dalam penelitian ini dilakukan dengan tinjauan langsung ke PT.
Telkomsel Tbk.
Di perusahaan tersebut dilakukan analisis masalah yang dihadapi kemudian diberikan sebuah resume atau rangkuman masalah apa saja yang terjadi selama ini terkait dalam proses tingkat kepuasan pelanggan.
Selain itu juga dilakukan sebuah analisis kebutuhan dari permasalahan yang ada sehingga dapat dilakukan pemodelan sistem.
Jurnal Cyber Tech Vol.
No.
April 2020 : xx Ae xx Jurnal CyberTech Vol.
No.
September 201x, pp.
P-ISSN : 1978-6603
E-ISSN : 2615-3475
Wawancara dilakukan kepada pihak-pihak yang terlibat dalam tingkat kepuasan pelanggan dan menanyakan apa yang menjadi masalah selama ini.
Untuk data yang digunakan dalam penelitian ini adalah primer dan sekunder dari PT.
Telkomsel Tbk berupa hasil wawancara dan juga dokumentasi perusahaan.
Tabel 3.
1 Data Primer Dari Perusahaan Nama CO
Isneni Ema Nurifa Tanjung
Jefri Hadi Muhammad Fahmi Rizky Tantiuli Bernarda
Ade Dermawan Elsha Dini Rahmad
Novi Syahputri Sri Hertati Silaban Rini Safanta
Dame Dippu Nababan Darwis B
Milda Yuni Ardita
Anne Theresia Simanjuntak
Srie Ayu Maulani Yuli Aristantya
Rafida Aini Nasution Siti Annisa
Muhammad Fikram
Golda Lauri Tobing M Holil Fattah
Jena Alpionita Pulungan Desi Elisa Sihombing Wimelda Rana Sari Simarmata
Bestiaman Zandroto
Barnabas Tarigan Udiah
Juli Anisan Nurhalimah Lubis Lastria Simamora
Kristianita Sitohang
Gratiana Ucinta Tarigan Redima Suryani Br Hombing Gede Raharjo Purwo Wardoyo
Fitria Jelita
CES
Jlh Panggilan Durasi .
2 Studi Literatur Di dalam studi literatur, penelitian ini banyak menggunakan jurnal-jurnal baik jurnal internasional, jurnal nasional, jurnal lokal maupun buku sebagai sumber referensi.
Dari komposisi yang ada jumlah literatur yang digunakan sebanyak 21 dengan rincian: 18 jurnal nasional dan 3 buku nasional.
Diharapkan dengan literatur tersebut Jurnal Cyber Tech Vol.
No.
April 2020 : xx Ae xx Jurnal CyberTech Vol.
No.
September 201x, pp.
P-ISSN : 1978-6603
E-ISSN : 2615-3475
dapat membantu peneliti di dalam menyelesaikan permasalahan yang terjadi di PT.
Telkomsel Tbk terkait tingkat kepuasan pelanggan.
2 Metode Perancangan Sistem Di dalam penelitian ini, digunakan sebuah metode perancangan sistem yaitu waterfall algorithm.
Berikut ini adalah fase yang dilakukan dalam penelitian ini yaitu:
Analisis Masalah dan Kebutuhan Desain Sistem Pembangun Sistem Uji Coba Sistem Implementasi atau Pemeliharaan 3 Algoritma Sistem Algoritma sistem merupakan penjelasan langkah-langkah penyelesaian masalah dalam perancangan aplikasi data mining dalam proses tingkat kepuasan pelanggan dengan menggunakan metode K-Means Clustering.
1 Flowchart dari Metode Penyelesaian Di bawah ini merupakan flowchart rancangan program pada implementasi data mining untuk menentukan tingkat kepuasan pelanggan PT.
Telkomsel Tbk.
menggunakan metode K-Means Clustering.
Gambar 3.
1 Flowchart Metode K-Means Clustering 2 Deskripsi Data Dari Penelitian Dalam menentukan tingkat kepuasan pelanggan digunakan beberapa jenis data diantaranya yaitu data variabel, data primer dari perusahaan dan data hasil inisialisasi.
Dalam aplikasi data mining menentukan tingkat kepuasan pelanggan, maka harus ditetapkan variabelvariabel yang digunakan sebagai acuan untuk penilaian dalam proses pengujian.
Variabel-variabel tersebut dapat dilihat pada tabel di bawah ini :
Jurnal Cyber Tech Vol.
No.
April 2020 : xx Ae xx Jurnal CyberTech Vol.
No.
September 201x, pp.
P-ISSN : 1978-6603
E-ISSN : 2615-3475
Tabel 3.
2 Variabel Yang Digunakan Variabel Keterangan Customer experience survey adalah nilai survei CES yang diberikan customer untuk caroline officer Jumlah panggilan yang diterima oleh caroline Jumlah Panggilan Durasi Rata-rata durasi panggilan setiap customer 3 Algoritma K-Means Clustering Algoritma k-means clustering dalam menentukan tingkat kepuasan pelanggan Telkomsel terhadap pelayanan caroline officer dapat dijabarkan sebagai berikut.
1 Pilih Jumlah Cluster Untuk menentukan pusat .
awal pada iterasi ke-1 ini ditentukan dengan acak .
dari data yang sudah ada.
Pada kasus ini pusat centroid awal adalah data ke-16 dan data ke-29:
Tabel 3.
3 Titik Pusat (Centroi.
Awal Cluster
Centroid
Data
Ke- Centroid 1
Centroid 2
Nama Rafida Aini Nasution Lastria Simamora
CES
Jlh Panggilan Durasi .
95,23 83,36 2 Alokasikan Data ke Cluster Terdekat Perhitungan jarak dari data CO ke-1 terhadap titik pusat cluster adalah sebagai berikut dibawah ini:
= Oo.
,71 Oe 95,.
9 Oe 1.
Oe .
2 = 326,22 D.
= Oo.
,71 Oe 83,.
9 Oe .
Oe .
2 = 636,14 Dan seterusnya dilakukan perhitungan jarak untuk data CO ke-2 sampai data ke-99 dengan rumus seperti diatas.
Sehingga akan didapatkan hasil perhitungan jarak setiap data terhadap pusat cluster baru sebagai berikut :
Tabel 3.
4 Hasil Perhitungan Distance Score
Nama CO
Jarak Data
Ke C1
Jarak
Data ke Cluster
Terpilih Isneni Ema Nurifa Tanjung
326,22
636,14
Jefri Hadi 670,03 303,43 Muhammad Fahmi Rizky 603,04 364,41 Tantiuli Bernarda
50,17
1011,51
Ade Dermawan 208,14 753,96 Elsha Dini Rahmad
55,58
905,98
Novi Syahputri 15,34 976,38 Sri Hertati Silaban 456,13 1417,59 Rini Safanta
1030,99
75,42
Jurnal Cyber Tech Vol.
No.
April 2020 : xx Ae xx Jurnal CyberTech Vol.
No.
September 201x, pp.
P-ISSN : 1978-6603
E-ISSN : 2615-3475
Nama CO
Jarak Data
Ke C1
Jarak
Data ke Cluster
Terpilih Dame Dippu Nababan 21,04 940,98 Darwis B
774,07
210,05
Milda Yuni Ardita
104,31
857,21
Anne Theresia Simanjuntak
872,19
113,01
Srie Ayu Maulani 103,84 857,84 Yuli Aristantya
19,03
972,04
Rafida Aini Nasution 0,00 961,49 Siti Annisa
10,02
952,96
Muhammad Fikram
543,33
428,78
Golda Lauri Tobing 81,05 1042,20 M Holil Fattah
1080,61
123,27
Jena Alpionita Pulungan 168,38 793,20 Desi Elisa Sihombing 185,23 776,51 Wimelda Rana Sari Simarmata
59,21
1019,10
Bestiaman Zandroto
546,06
423,13
Barnabas Tarigan 80,30 891,65 Udiah
504,14
460,73
Juli Anisan 64,19 905,63 Nurhalimah Lubis 65,39 1025,58 Lastria Simamora
961,49
0,00
Kristianita Sitohang
104,80
857,76
Gratiana Ucinta Tarigan 96,42 865,08 Redima Suryani Br Hombing 188,76 772,77 Gede Raharjo Purwo Wardoyo
149,06
813,75
Fitria Jelita
49,40
949,16
Kemudian hitung nilai WCV (Within Cluster Variatio.
dengan cara memangkatkan jarak terdekat cluster dan menjumlahkan setiap nilai WCV.
WCV = 326,222 303,432 364,412 U 473,982
WCV = 5.
228,87
Kemudian hitung nilai BCV (Between Cluster Variatio.
dengan cara menjumlahkan hasil dari jarak diantara setiap centroid.
1,m.
= Oo.
1 Oe m.
2 = Oo.
,23 Oe 83,.
5 Oe .
Oe .
2 = 961,4852 Menghitung nilai besar rasio dengan membandingkan nilai BCV dan WCV
BCV/WCV
= 961,4852 / 5.
228,87
= 0.
Jurnal Cyber Tech Vol.
No.
April 2020 : xx Ae xx Jurnal CyberTech Vol.
No.
September 201x, pp.
P-ISSN : 1978-6603
E-ISSN : 2615-3475
Karena ini masih iterasi-1 maka perhitungan clustering akan dilanjutkan.
4 Hitung Kembali Pusat Cluster Setelah diketahui anggota tiap- tiap cluster kemudian pusat cluster baru dihitung berdasarkan data anggota tiap-tiap cluster sesuai dengan rumus pusat anggota cluster.
Perhitungan pusat cluster baru dicari dengan menghitung nilai rata-rata .
Tabel 3.
5 Hasil Pembentukan Pusat Cluster Baru Centroid
Centroid 1
93,5298
1442,8933
292,1333
Centroid 2
92,8154
815,875
324,4583
Hasil Implementasi sistem merupakan bagian yang menerangkan tentang penerapan dan hasil dari aplikasi data mining yang dijelaskan secara satu persatu.
Dimulai dari form login kemudian diteruskan ke menu utama, menu data dan terakhir menu laporan.
Tampilan Form ini berfungsi untuk melakukan proses K-Means Clustering.
Gambar 4.
1 Tampilan Form Proses Clustering Jurnal Cyber Tech Vol.
No.
April 2020 : xx Ae xx Jurnal CyberTech Vol.
No.
September 201x, pp.
P-ISSN : 1978-6603
E-ISSN : 2615-3475
Gambar 4.
2 Tampilan Hasil Form Proses Clustering Tampilan Laporan Hasil Laporan ini berfungsi untuk menampilkan data hasil keputusan.
Gambar 4.
3 Tampilan Preview Laporan Hasil Clustering KESIMPULAN Setelah melakukan berbagai macam tahapan-tahapan maka diperoleh suatu kesimpulan sebagai berikut:
Untuk menganalisa kepuasan pelanggan terhadap sikap pelayanan Caroline Officer pada PT.
Telkomsel maka digunakan metode K-Means Clustering dengan cara menentukan sampel data pelanggan yang akan diproses kemudian menentukan atribut/variabel pelanggan.
Setelah diproses maka akan menampilkan hasil kepuasan pelanggan dengan tepat.
Jurnal Cyber Tech Vol.
No.
April 2020 : xx Ae xx Jurnal CyberTech Vol.
No.
September 201x, pp.
P-ISSN : 1978-6603
E-ISSN : 2615-3475
Menerapkan metode K-Means Clustering dalam sistem yang di rancang mampu memberikan hasil tepat dan akurat ,karena cara penyelesaian metode K-Means Clustering dilakukan dengan langkah-langkah algoritma KMeans Clustering.
Dalam merancang aplikasi data mining yang mengadopsi algoritma K-Means Clustering maka diperlukan sebuah bahasa pemrograman Visual Basic .
Net 2008 serta sebuah aplikasi database Microsoft Access dan menghasilkan sebuah hasil laporan yang dapat digunakan sebagai pengetahuan tentang tingkat kepuasan pelanggan terhadap sikap pelayanan Caroline officer dan juga sebagai referensi bagi pembaca.
REFERENSI