JIKA (Jurnal Informatik.
Universitas Muhammadiyah Tangerang Tangerang.
Juni 2021, pp 152- 158
P ISSN : 2549-0710
E ISSN : 2722-2713
PERBANDINGAN METODE K-MEANS DAN ALGORITMA FUZZY CLUSTERING
DALAM MENENTUKAN UJI KEPUASAN PELANGGAN PADA JASA
PENGIRIMAN
1,2,3
Ispandi.
Imam Budiawan.
Muhamamd Hilman Fakhriza.
Teknik Informatika Fakultas Teknologi Informasi.
Universitas Nusa Mandiri.
Jl.
Jatiwaringin No.
Cipinang Melayu.
Makasar Jakarta Timur Co Responden Email : 1Ispandi.
ipd@nusamandiri.
id, 2Imam.
imb@nusamandiri.
id, 3*hilman.
mhz@nusamandiri.
Article history Received Revised Accepted June 19, 2021 Available online June 20, 2021 Keyword K-Means.
Fuzzy Clustering Algorithm.
Delivery Services Customer.
Riwayat Diterima Revisi Disetujui 19 Juni 2021 Terbit 20 Juni 2021 Kata Kunci K-Means.
Fuzzy Clustering Algoritma.
Jasa pengiriman Barang Abstract Customer satisfaction responses, or responses given by consumers after their needs for products or services have been met, then service quality becomes very important for competition.
Comparison of the clustering algorithm algorithm with K-Means Clustering modeling and Fuzzy Clustering modeling based on the processing speed and parameter tracking comparison of K-Means and Fuzzy Clustering is able to show the proposed results.
Therefore, the comparison test between the two data mining methods on Kmean clustering and Fuzzy K-means modeling is to determine the best algorithm method in analyzing the level of customer satisfaction in shipping The results obtained from the experiment showed that the performance of the fuzzy K-means algorithm was better than the performance of the K-means algorithm.
When we increase the value to fuzzy factor of our fuzzy k-means algorithm it gets better.
Abstrak Tanggapan kepuasan pelanggan, atau tanggapan yang diberikan oleh konsumen setelah kebutuhannya akan suatu produk atau jasa telah terpenuhi, maka kualitas layanan menjadi sangat penting untuk persaingan.
Perbandingan performansi algoritma clustering dengan pemodelan K-Means Clustering dan pemodelan Fuzzy Clustering didasarkan pada kecepatan proses dan penelusuran parameter perbandingan K-Means dan Fuzzy Clustering mampu menunjukkan hasil yang diusulkan.
Oleh karena itu, uji komparasi antara kedua metode data mining pada K-mean clustering dan pemodelan Fuzzy K-means adalah untuk menentukan metode algoritma terbaik dalam menganalisis tingkat kepuasan pelanggan dalam jasa Hasil yang diperoleh dari percobaan yang dilakukan menunjukkan bahwa performansi algoritma fuzzy K-means lebih baik dari pada kinerja algoritma K-means.
Saat kami meningkatkan nilainya faktor fuzzy dari algoritma k-means fuzzy kami menjadi lebih baik PENDAHULUAN Kepuasaan pelanggan merupakan tanggapan atau umpan balik yang diberikan para konsumen setelah terpenuhinya kebutuhan mereka akan sebuah produk ataupun jasa.
Dengan demikian konsumen memperoleh rasa nyaman karena harapannya telah terpenuhi(Lin & Tseng, 2.
Dengan memahami apa yang diinginkan dan diharapkan oleh konsumen dari kualitas pelayanan yang diberikan, maka akan di dapat suatu nilai tambah tersendiri bagi perusahaan Karena kualitas pelayanan mempunyai hubungan langsung dengan pelanggan.
Seseorang memperkenalkan sebuah moto AuBenar atau salah, pelanggan selalu benarAy.
Motto ini menunjukkan kepuasan pelanggan.
JIKA | 152
JIKA (Jurnal Informatik.
Universitas Muhammadiyah Tangerang Tangerang.
Juni 2021, pp 152- 158 sisi lain, konsep caveat emptor .
iarkan pembeli berhati-hatila.
mengabaikan sikap pelanggan dan kepentingan mereka tahap awal dalam pemasaran (Kuhl & Krause, 2.
Pelanggan adalah inti dari setiap kesuksesan Kepuasan pelanggan merupakan aspek dari sikap psikologis atau suasana hati pelanggan, dan perusahaan perlu memfokuskan keadaan emosional ini (Uzir et al.
, 2.
Untuk memastikan bahwa perusahaan memiliki keunggulan kompetitif mengingat persaingan pasar yang ketat dan dinamis saat ini harus mengembangkan produk baru untuk memenuhi tuntutan dinamis konsumen untuk meningkatkan kepuasan Pelanggan (Eldin et al.
Dengan perkembangan dan pematangan pasar, produk yang memenuhi kebutuhan Keinginan dengan menarik lebih banyak pelanggan (Dou et al.
, 2.
Kepuasan Pelanggan dianggap sebagai faktor penting perusahaan (Schneberger et al.
, 2.
Ini dapat dipahami sebagai ukuran yang menentukan Kepuasan pelanggan tentang produk atau layanan yang mereka konsumsi (Nguyen.
Perkembangan teknologi informasi selama beberapa tahun terakhir telah memberikan tingkat informasi yang tinggi menyebabkan perubahan jasa pengiriman sebagai perusahaan yang menyediakan layanan perantara (Naumov.
Semakin banyaknya masyarakat yang menggunakan jasa pengiriman, maka kualitas pelayanan menjadi sangat penting untuk memenangkan persaingan.
Dengan memahami apa yang diinginkan dan diharapkan oleh konsumen dari kualitas pelayanan yang diberikan, maka akan di dapat suatu nilai tambah tersendiri bagi perusahaan tersebut.
Metode yang Populer untuk meminimalkan kesalahan pengelompokan adalah algoritma kmeans.
Namun, algoritme k-means adalah prosedur pencarian lokal dan diketahui menderita kelemahan serius bahwa kinerjanya sangat bergantung pada kondisi awal awal (Likas et al.
, 2.
Untuk mengatasi masalah ini beberapa teknik lain telah dikembangkan yang didasarkan tentang metode pengoptimalan global stokastik.
Bagian kedua dari Fuzzy Sets dan Fuzzy Logic, pada dasarnya, berorientasi -aplikasi, tapi itu P ISSN : 2549-0710
E ISSN : 2722-2713
juga berisi eksposisi yang kompak namun berwawasan dari kalkuli aturan fuzzy dan hubungan fuzzy.
Aplikasi tersebut mencakup spektrum topik yang luas mulai dari kontrol fuzzy dan sistem pakar hingga pengambilan informasi, pengenalan pola dan analisis keputusan(Klir & Yuan, 1.
Namun, harus diperhatikan bahwa teknik ini belum diterima secara luas dan dalam banyak aplikasi praktis metode pengelompokan yaitu yang digunakan adalah algoritma k-means dengan beberapa restart (Yu et al.
, 2.
Algoritma k-means adalah salah satu algoritme pengelompokan tanpa pengawasan dengan kinerja paling baik yang diterapkan secara luas di aplikasi menghadapi pengguna online.
Dibandingkan dengan metode k-means klasik yang menggunakan seluruh database untuk dilatih model.
Dengan diperkenalkannya konsep batch mini, k-means mengatasi ketidakefisienan pemrosesan dalam skala besar data statistik, dan hanya menyebabkan hilangnya akurasi cluster yang dapat diabaikan.
Misalkan dataset pelatihan dipartisi menjadi k cluster (Y.
Liu et al.
, 2.
Di sini, x adalah sampel pelatihan di Ci, ci adalah pusat dari Ci.
Centroid ci dinyatakan sebagai persamaan berikut.
|C.
artinya banyaknya sampel pelatihan di cluster Ci.
Selama setiap iterasi, setiap sampel pelatihan dialokasikan ke cluster yang sentroidnya paling dekat dengan sampel di antara semua sentroid.
Skenario pengujian yang didiskusikan menunjukkan deteksi yang akurat dari kesalahan kritis pada mesin diesel tambahan, yang ditandai dengan abnormal (Diez-Olivan et al.
, 2.
Beberapa metode untuk secara otomatis mensintesis dan menyetel pengontrol fuzzy, dan kemudian kami mengilustrasikannya aplikasi melalui beberapa studi kasus desain dan implementasi(Passino & Yurkovich, 1.
Kmeans adalah pengelompokan tugas yang sulit algoritme, di mana setiap objek memiliki tepat satu cluster.
JIKA | 153
JIKA (Jurnal Informatik.
Universitas Muhammadiyah Tangerang Tangerang.
Juni 2021, pp 152- 158 Namun, penugasan yang berat dapat menyebabkan beberapa masalah untuk objekobjek yang terletak di perbatasan antara pusat Pengelompokan Fuzzy(C.
Liu et al.
Untuk tujuan ini kami mendefinisikan partisi hard dan fuzzy dalam konteks satu sama lain di mana dalam ruang partisi keras kami biarkan X = .
1, x1, .
, xN] mewakili himpunan terbatas dimana 2OcON adalah bilangan bulat di mana ruang partisi keras untukXis set(B et al.
Oleh karena itu uji perbandingan antara dua metode data mining pada pemodelan K-Means clustering dan Fuzzy K-means untuk menentukan metode algoritma yang terbaik dalam menganalisa tingkat kepuasan Pelanggan di jasa pengiriman barang.
METODE PENELITIAN
Berikut alur penyusunan penelitian:
Star
Identifikasi Masalah Tujuan Penelitian Tinjauan Pustaka
Penentuan Sample Pengumpulan Data dan Pengolahan Data
Analisis Kesimpulan dan Saran
END
Gambar 1.
Alur Penelitian HASIL DAN PEMBAHASAN Perhitungan menggunakan metode KMeans, pada metode ini menggunakan 2 perhitungan yaitu: perhitungan secara manual dan menggunakan aplikasi Rapidminer.
Tabel 1.
Centroid Awal C1 20 Menghitung jarak setiap data yang ada terhadap setiap pusat cluster dengan menggunakan persamaan Euclidean Distance Space.
Oo.
Oe .
Oe .
Oe .
Oe .
Oe .
2 ) = 0 Oo.
Oe .
Oe .
Oe .
Oe .
Oe .
2 ) = 18,25 Tabel 2.
Centroid movement c1 dan c2 Table 3.
Centroid movement of cluster 1
Pembuatan Kuesioner P ISSN : 2549-0710
E ISSN : 2722-2713
JIKA | 154
JIKA (Jurnal Informatik.
Universitas Muhammadiyah Tangerang Tangerang.
Juni 2021, pp 152- 158 Table 4.
Centroid movement of cluster 2 Table 5.
The result of the 2nd iteration C1 17,75 17,25 12,375 2,125 C2 14,25 17,5 2,25 Hasil Perhitungan Menggunakan Metode fuzzy logic metode tsukamoto.
Pada metode ini ada bebera tahapan yaitu.
Fuzyfication Stage Service Procedure Variabel Prosedur Pelayanan terbagi atas 5 .
himpunan fuzzy yaitu sangat tidak puas, tidak puas, cukup puas, puas, dan sangat puas.
Oleh karena itu perlu dicari nilai dari masing-masing himpunan seperti di bawah ini :
AATidak Puas = .
ax kuisioner Ae prosedur / .
ax kuisioner Ae min kuisione.
AATidak Puas = .
Ae .
/ .
Ae .
= 0,959 AA Sangat Tidak Puas = .
ax kuisioner Ae prosedur pelayana.
/ .
ax kuisioner Ae min AASangat Tidak Puas = .
Ae .
/ .
- .
= 0,86 AA Cukup Puas = .
in kuisioner - prosedur / .
ax kuisioner Ae min kuisione.
= .
Ae .
/ .
Ae .
= 0,061 AA Puas = .
rosedur pelayanan - min kuisione.
/ .
ax kuisioner Ae min kuisione.
P ISSN : 2549-0710
E ISSN : 2722-2713
= .
- .
/ .
Ae .
= 0,346 AASangat Puas = .
rosedur pelayanan Ae min kuesione.
/ .
ax kuisioner Ae min kuisione.
AASangat Puas = .
- .
Ae .
= 0,489 Tidiness and Cleanliness Variabel Kerapihan dan Kebersihan terbagi atas 5 .
himpunan fuzzy yaitu sangat tidak puas, tidak puas, cukup puas, puas, dan sangat Oleh karena itu perlu dicari nilai dari masing-masing himpunan seperti di bawah ini :
AATidak Puas = .
ax kuisioner Ae kerapihan dan kebersiha.
/ .
ax kuisioner Ae min kuisione.
AATidak Puas = .
Ae .
/ .
Ae .
= 0,836 AA Sangat Tidak Puas = .
ax kuisioner Ae prosedur pelayana.
/ .
ax kuisioner Ae min AASangat Tidak Puas = .
Ae .
- .
= 0,857 AA Cukup Puas = .
rosedur pelayanan Ae max / .
ax kuisioner Ae min kuisione.
= .
- .
/ .
Ae 1
= 0,428
AA Puas = .
rosedur pelayanan - min kuisione.
/ .
ax kuisioner Aemin kuisione.
= .
- .
/ .
Ae .
= 0,448 AASangat Puas = .
in kuesioner Ae prosedur pelayana.
ax kuisioner Ae min kuisione.
AASangat Puas = .
- .
/ .
= 0,204 Facilities Variabel Fasilitas terbagi atas 5 .
himpunan fuzzy yaitu sangat tidak puas, tidak puas, cukup puas, puas, dan sangat puas.
Oleh karena itu perlu dicari nilai dari masing-masing himpunan seperti di bawah ini :
AATidak Puas = .
ax kuisioner Ae fasilita.
/ .
ax kuisioner Ae min kuisione.
AATidak Puas = .
Ae .
/ .
Ae .
= 0,897 JIKA | 155 JIKA (Jurnal Informatik.
Universitas Muhammadiyah Tangerang Tangerang.
Juni 2021, pp 152- 158 AASangat Tidak Puas = .
ax kuisioner Ae fasilita.
/ .
ax kuisioner Ae min kuisione.
AASangat Tidak Puas = .
Ae .
- .
= 0,877 AA Cukup Puas = .
asilitas Ae max kuesione.
/ .
ax kuisioner Ae min kuisione.
= .
- .
/ .
Ae .
= 0,142 AA Puas = .
asilitas - min kuisione.
/ .
ax kuisioner Ae min kuisione.
= .
- .
/ .
Ae .
= 0,510 AASangat Puas = .
asilitas - min kuesione.
/ .
ax kuisioner Ae min kuisione.
AASangat Puas = .
- .
/ .
Ae .
= 0,061 .
Complaint Stage Variabel Penanganan Komplain terbagi atas 5 .
himpunan fuzzy yaitu sangat tidak puas, tidak puas, cukup puas, puas, dan sangat Oleh karena itu perlu dicari nilai dari masing-masing himpunan seperti di bawah ini :
AATidak Puas = .
ax kuisioner Ae penaganan komplai.
/ .
ax kuisioner Ae min kuisione.
AATidak Puas = .
Ae .
/ .
Ae .
= 0,938 P ISSN : 2549-0710
E ISSN : 2722-2713
Oleh karena itu perhitungan fungsi min berdasarkan rule yang ada.
[R.
IF very dissatisfied AND not satisfied AND not satisfied AND quite satisfied AND satisfied THEN is very satisfied -predicate1 = 0.
/ .
= 0.
/ .
= 0.
/ .
= 0.
= 0.
489 * 99
= 48.
= 48,104 1
X1 = 49,411
[R.
IF very dissatisfied AND not satisfied AND not satisfied AND quite satisfied AND satisfied THEN is very satisfied -predicate2 = 0.
/ .
= 0.
/ .
= 0.
/ .
= 0.
= 0.
061 * 99
= 6,039
= 6,039 1
X2 = 7.
AA Cukup Puas = .
enaganan komplain Ae max kuesione.
/ .
ax kuisioner Ae min kuisione.
= .
- .
/ .
Ae .
= 0,102 [R.
IF very dissatisfied AND not satisfied AND not satisfied AND quite satisfied AND satisfied THEN is very satisfied -predicate 3 = 0.
/ .
= 0.
/ .
= 0.
/ .
= 0.
= 0.
448 * 99
= 44,352
= 44,352 1
X3 = 45,352
AA Puas = .
rosedur pelayanan - min kuisione.
/ .
ax kuisioner Ae min kuisione.
= .
- .
/ .
Ae .
= 0,510 [R.
IF very dissatisfied AND not satisfied AND not satisfied AND quite satisfied AND satisfied THEN is very satisfied AASangat Puas = .
in kuesioner - prosedur pelayana.
/ .
ax kuisioner Ae min kuisione.
AASangat Puas = .
- .
/ .
Ae .
= 0,122 -predicate 4 = 0.
/ .
= 0.
/ .
= 0.
/ .
= 0.
= 0.
204 * 99
= 20,196
= 20,196 1
X4 = 21,196
AA Sangat Tidak Puas = .
ax kuisionerAe penaganan komplai.
/ .
ax kuisioner Ae min AASangat Tidak Puas = .
Ae .
/ .
- .
= 0,938 Inference Stage Masing-masing himpunan fuzzy pada rule akan dibandingkan dengan menggunakan fungsi min.
JIKA | 156
JIKA (Jurnal Informatik.
Universitas Muhammadiyah Tangerang Tangerang.
Juni 2021, pp 152- 158 [R.
IF very dissatisfied AND not satisfied AND not satisfied AND quite satisfied AND satisfied THEN is very satisfied -predicate 5 = 0.
/ .
= 0.
/ .
= 0.
/ .
= 0.
= 0.
510 * 99
= 50.
= 50.
X5 = 51.
[R.
IF very dissatisfied AND not satisfied AND not satisfied AND quite satisfied AND satisfied THEN is very satisfied -predicate6 = 0.
/ .
= 0.
/ .
= 0.
/ .
= 0.
= 0.
061 * 99
= 6,039
= 6,039 1
X6 = 7.
[R.
IF very dissatisfied AND not satisfied AND not satisfied AND quite satisfied AND satisfied THEN is very satisfied -predicate 7 = 0.
/ .
= 0.
/ .
= 0.
/ .
= 0.
= 0.
510 * 99
= 50.
= 50.
X7 = 51.
[R.
IF very dissatisfied AND not satisfied AND not satisfied AND quite satisfied AND satisfied THEN is very satisfied -predicate 8 = 0.
/ .
= 0.
/ .
= 0.
/ .
= 0.
= 0.
102 * 99
= 10,098
= 10,098 1
X8 = 11,098
Defuzzyfication Stage
Tahap
Defuzzyfikasi
pengubahan output fuzzy yang diperoleh dari mesin inferensi menjadi nilai tegas dan P ISSN : 2549-0710
E ISSN : 2722-2713
menggunakan fungsi keanggotaan yang sesuai dengan saat dilakukan fuzzyfikasi.
Pada tsukomoto proses defuzzyfikasi yang dilakukan menggunakan metode rata-rata (Averag.
dengan rumus seperti berikut:
Z1 O pred1 Z2 O pred2 Z3 O pred3 Z4 O pred4
pred1 pred2 pred3 pred4
0,489 O 49,411 0,061 O 7,039 0,448 O 45,352 0,204 O 21,196
0,489 0,061 0,448 0,204
ycsycU = 24,162 429,38 20,318 4,319 1,202 ycsycU = 49,228,38 = 40,95 1,202 Gambar 4.
Show a plot of Fuzzy Factor Vs Number of Iterations.
KESIMPULAN
Hasil yang diperoleh dari percobaan yang dilakukan menunjukkan bahwa performansi algoritma fuzzy K-means lebih baik dari pada kinerja algoritma K-means.
Saat kami meningkatkan nilainya faktor fuzzy dari algoritma k-means fuzzy kami menjadi lebih baik hasil .
unjukkan pada gambar.
Hasil dari algoritma k-means dan Algoritma fuzzy kmeans yang diterapkan pada kumpulan data jasa pengiriman barang masukan ditunjukkan pada hasil di atas dan tabel menunjukkan bahwa algoritma k-means fuzzy membutuhkan waktu lebih sedikit daripada k-means untuk mengelompokkan dataset gambar, sehingga berkinerja lebih baik JIKA | 157 JIKA (Jurnal Informatik.
Universitas Muhammadiyah Tangerang Tangerang.
Juni 2021, pp 152- 158
REFRENSI
, & Gugulothu.
A novel assessment study on a dynamic analysis of hydrodynamic journal bearing performance: A Taguchi-fuzzy based approach optimization.
Transportation Engineering, 2(Jul.
, https://doi.
org/10.
1016/j.
Diez-Olivan.
Pagan.
Sanz.
, & Sierra, .
Data-driven prognostics using a combination of constrained K-means clustering, fuzzy modeling and LOF-based Neurocomputing, 241, 97Ae107.
https://doi.
org/10.
1016/j.
Dou.
Li.
Nan.
Wang.
, & Zhou.
How can manufacturers make decisions on product appearance design? A research on optimal design based on customersAo emotional satisfaction.
Journal of Management Science and Engineering, x.
https://doi.
org/10.
1016/j.
Eldin.
Mohammed.
Hefny.
, & Ahmed, .
An Enhanced Opinion Retrieval Approach on Arabic Text for Customer Requirements Expansion.
Journal of King Saud University - Computer and Information Sciences, 33.
, 351Ae363.
https://doi.
org/10.
1016/j.
Klir.
, & Yuan.
Fuzzy sets and fuzzy logic (P.
Guerrieri .
)).
Kuhl.
, & Krause.
Strategies for requirement fulfillment within the trend of Procedia CIRP, 84, 130Ae https://doi.
org/10.
1016/j.
Likas.
Vlassis.
, & Verbeek.
The global k -means clustering algorithm.
451Ae461.
P ISSN : 2549-0710
E ISSN : 2722-2713
documents using fuzzy semi-Kmeans.
Fuzzy Sets Systems, 48Ae64.
https://doi.
org/10.
1016/j.
Liu.
Ma.
Yan.
Wang.
Liu.
, & Ma, .
Privacy-preserving federated kmeans for proactive caching in next generation cellular networks.
Information Sciences, 14Ae31.
https://doi.
org/10.
1016/j.
Naumov.
Modeling Demand for Freight Forwarding Services on the Grounds of Logistics Portals Data.
Transportation Research Procedia, 324Ae331.
https://doi.
org/10.
1016/j.
Nguyen.
Developing and validating five-construct model of customer satisfaction in beauty and cosmetic Ecommerce.
Heliyon, 6.
, https://doi.
org/10.
1016/j.
Passino.
, & Yurkovich.
Fuzzy Control.
Addison Wesley Longman.
Schneberger.
Luedeke.
, & Vielhaber.
Agile Transformation Correlation Customer-Specific Requirements System-Inherent Characteristics - An Automotive Example.
Procedia
CIRP,
, 78Ae83.
https://doi.
org/10.
1016/j.
Uzir.
Jerin.
Al Halbusi.
Hamid.
, & Latiff.
Does quality stimulate customer satisfaction where perceived value mediates and the usage of social media moderates? Heliyon, 6.
, https://doi.
org/10.
1016/j.
Yu.
Chu.
, & Wang.
Two Improved k-means Algorithms.
Applied Soft Computing Journal, 747Ae755.
https://doi.
org/10.
1016/j.
Lin.
, & Tseng.
Tolerances of CustomersAo Requirements: A Review of Current Researches.
Procedia CIRP, 72, 1208Ae1213.
https://doi.
org/10.
1016/j.
Liu.
Chang.
, & Li.
Clustering documents with labeled and unlabeled JIKA | 158