Customer Profiling pada Supermarket menggunakan Algoritma K-Means dalam memilih Produk berdasarkan Selera Konsumen dengan Daya Beli Maksimum

Posted by ferisulianta on 7:01 AM

Posted on 12 June 2013 by Feri


Customer Profiling pada Supermarket menggunakan Algoritma K-Means dalam memilih Produk berdasarkan Selera Konsumen dengan Daya Beli Maksimum

By : Feri Sulianta

Sebuah Supermarket dengan sistem informasi berbasiskan komputer memiliki data transaksi dan data master yang di kelola dengan baik. Manajemen ingin membuat strategi bisnis berdasarkan penambangan historis data transaksi yang dimilikinya. Salah satunya dengan mencari tahu segmentasi pola perilaku pelanggan atau Customer Profilingyang memiliki daya beli tinggi terhadap barang-barang tertentu.
Untuk itu akan dilakukan pencarian informasi berharga terhadap Analisa Data Mining dengan aturan Clustering menggunakan algoritma K-Means dalam mengelompokan pola belanja konsumen terhadap barang.

Kata Kunci : Data Mining, K-Means, Clustering, Customer Profiling

I. Latar Belakang

Data transaksi yang tersimpan dalam sistem basis data hendak dianalisa dalam menyingkapkan informasi berharga yang dapat digunakan sebagai strategi bisnis. Dalam hal ini perusahaan ingin melakukan profiling selera konsumen dalam membeli barang-barang tertentu berdasarkan besarnya daya beli konsumen.
Asumsinya, dengan tingginya daya beli konsumen terhadap barang tertentu maka ketersediaan barang tersebut akan meningkatkan pula omzet perusahaan, dan strategi dalam memberikan diskon terhadap barang tersebut dapat mengikat konsumen untuk loyal terhadap supermarket.
Penambangan data akan dilakukan dengan aturan klusterisasi dengan algoritma K-Means dan memilih sejumlah cluster yang akan membagi data pembelian barang dalam kelompok tertentu berdasarkan karakteristik konsumennya.

II. Landasan Teori

Clusterisasi merupakan Knowledge Discovery Database (KDD) pada data mining yang akan membagi data kedalam kelompok-kelompok dimana pengelompokan yang terbentuk didasari pada objek yang memiliki kesamaan karaktersitik, sedemikian sehingga masing-masing elemen group memiliki persamaan esensial.

Dengan alasan demikian, cara yang ditempuh untuk menguak temuan berharga dari data tersebut adalah dengan menggunakan data mining dengan aturan klusterisasi. Aturan klusterisasi dianggap cocok dalam kasus ini karena kemampuannya dalam memecahkan masalah penggolongan.

Objek yang ditinjau menjadi penentu bagaimana suatu item didistribusikan dalam kelompok tertentu dengan memperhitungkan derajat korelasi antara anggota cluster yang sama sehingga membentuk kumpulan data atau cluster.

Cluster akan mengungkapkan hubungan dan struktur di dalam data yang sebelumnya bias dan tersembunyi. Tetapi sewaktu di temukan korelasi item-item dalam ccluster, hasilnya sangat masuk akal dengan mempertimbangkan karakteristik data-data yang tercluster.

Tidak ada aturan spesifik data mining yang dipastikan akan menemukan data yang berharga, karena setiap aturan data mining sifatnya unik satu dengan yang lainnya, tidak ada yang lebih baik dan lebih buruk, karena temuannya bisa berbeda satu dengan lainnya dan sama-sama bernilai.

Algoritma Clustering

Salah satu algoritma klusterisasi yaitu K-means. Algoritma k-means mendasari metode operasi nya berdasarkan namanya yaitu