IMPLEMENTASI POWER TRANSFORMER DAN PRINCIPAL COMPONENT ANALYSIS UNTUK OPTIMALISASI CLUSTERING PADA SEGMENTASI PELANGGAN USIA DEWASA MENGGUNAKAN ALGORITMA K-MEANS

Bambang Saputri, Cindy Avitaselly (2026) IMPLEMENTASI POWER TRANSFORMER DAN PRINCIPAL COMPONENT ANALYSIS UNTUK OPTIMALISASI CLUSTERING PADA SEGMENTASI PELANGGAN USIA DEWASA MENGGUNAKAN ALGORITMA K-MEANS. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full text) RAMA_57201_2213030057.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (2MB) | Request a copy
	Text (Similarity) RAMA_57201_2213030057_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (151kB)
	Text (Cover sd BAB 1 + References) RAMA_57201_2213030057_0712108103_0713018402_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (2MB)
	Text (BAB 2) RAMA_57201_2213030057_0712108103_0713018402_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (378kB) | Request a copy
	Text (BAB 3) RAMA_57201_2213030057_0712108103_0713018402_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (377kB) | Request a copy
	Text (BAB 4) RAMA_57201_2213030057_0712108103_0713018402_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
	Text (BAB 5) RAMA_57201_2213030057_0712108103_0713018402_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (218kB) | Request a copy
	Text (References) RAMA_57201_2213030057_0712108103_0713018402_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (211kB)
	Text (Lampiran) RAMA_57201_2213030057_0712108103_0713018402_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (291kB) | Request a copy

Abstract

Segmentasi pelanggan merupakan salah satu pendekatan yang digunakan untuk mengidentifikasi kelompok pelanggan berdasarkan karakteristik tertentu sehingga dapat mendukung penyusunan strategi bisnis yang lebih efektif. Salah satu metode yang banyak digunakan dalam proses tersebut adalah algoritma K-Means. Namun, performa algoritma ini sangat bergantung pada kondisi data yang digunakan, terutama terkait perbedaan skala atribut, distribusi data yang tidak seimbang, dan keberadaan noise yang dapat memengaruhi pembentukan Cluster. Penelitian ini bertujuan untuk mengkaji pengaruh penerapan teknik Preprocessing dan reduksi dimensi terhadap kualitas pengelompokan data pelanggan usia dewasa menggunakan algoritma improved K-Means. Penelitian dilaksanakan dengan pendekatan CRISP-DM yang mencakup tahapan pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan penerapan. Data yang digunakan berasal dari Mall Customer Segmentation Dataset dengan atribut Age, Annual Income, dan Spending Score. Beberapa skenario eksperimen diterapkan, meliputi data tanpa Preprocessing, penggunaan MinMaxScaler, RobustScaler, PowerTransformer, PCA, serta kombinasi Preprocessing dan PCA. Kinerja model dievaluasi menggunakan Silhouette Score dan Davies-Bouldin Index (DBI). Hasil pengujian menunjukkan bahwa perlakuan terhadap data sebelum proses Clustering berpengaruh terhadap kualitas Cluster yang dihasilkan. Dibandingkan skenario tanpa Preprocessing, metode yang melibatkan transformasi data dan reduksi dimensi mampu menghasilkan pengelompokan yang lebih baik. Kombinasi PowerTransformer dan PCA pada jumlah Cluster lima memberikan hasil paling optimal dengan nilai Silhouette Score sebesar 0,5558 dan Davies-Bouldin Index sebesar 0,5618. Hasil tersebut menunjukkan tingkat kekompakan dan pemisahan Cluster yang lebih baik dibandingkan metode lainnya. Penelitian ini membuktikan bahwa peningkatan kualitas data melalui transformasi distribusi dan penyederhanaan dimensi dapat membantu meningkatkan performa algoritma improved K-Means dalam proses segmentasi pelanggan. Temuan ini diharapkan dapat menjadi referensi dalam pengembangan penelitian Clustering serta penerapan analisis pelanggan berbasis data pada berbagai bidang.

Actions (login required)

View Item