Penentuan Cluster Optimal Menggunakan K-Harmonic Means Berdasarkan SSE dan DBI

Muhamad Raihan Ghafurun Halim, R. Novarifqi Wicaksono, Rinci Kembang Hapsari, Muhammad Oktanto, Iman Sapuguh

Abstract


Segmentasi pelanggan merupakan salah satu strategi penting dalam mendukung pengambilan keputusan di bidang pemasaran, khususnya dalam memahami karakteristik dan perilaku konsumen. Salah satu metode yang banyak digunakan untuk segmentasi pelanggan adalah clustering. Penelitian ini bertujuan untuk menentukan jumlah cluster yang optimal pada dataset Mall Customers menggunakan algoritma K-Harmonic Means (KHM) serta mengevaluasi kualitas hasil clustering dengan Sum of Square Error (SSE) dan Davies-Bouldin Index (DBI). Dataset yang digunakan merupakan data sekunder Mall Customers yang diperoleh dari Kaggle dengan jumlah 200 data dan empat atribut, yaitu Gender, Age, Annual Income, dan Spending Score. Tahapan penelitian meliputi pelabelan data kategorik, normalisasi data, proses clustering menggunakan K-Harmonic Means, serta evaluasi jumlah cluster pada beberapa nilai K, yaitu 3, 5, 7, 9, dan 11. Hasil penelitian menunjukkan bahwa peningkatan jumlah cluster menghasilkan penurunan nilai SSE dan DBI. Nilai terbaik diperoleh pada K = 11 dengan SSE sebesar 15,10 dan DBI sebesar 0,01, yang menunjukkan tingkat kohesi dan separasi cluster yang paling baik dibandingkan jumlah cluster lainnya. Hasil tersebut menunjukkan bahwa kombinasi algoritma K-Harmonic Means dengan evaluasi menggunakan SSE dan DBI mampu menentukan jumlah cluster yang lebih optimal pada data pelanggan mall. Temuan penelitian ini dapat dimanfaatkan sebagai dasar dalam proses segmentasi pelanggan untuk mendukung penyusunan strategi pemasaran yang lebih efektif dan pengambilan keputusan berbasis data.

Segmentasi pelanggan merupakan salah satu strategi penting dalam mendukung pengambilan keputusan di bidang pemasaran, khususnya dalam memahami karakteristik dan perilaku konsumen. Salah satu metode yang banyak digunakan untuk segmentasi pelanggan adalah clustering. Penelitian ini bertujuan untuk menentukan jumlah cluster yang optimal pada dataset Mall Customers menggunakan algoritma K-Harmonic Means (KHM) serta mengevaluasi kualitas hasil clustering dengan Sum of Square Error (SSE) dan Davies-Bouldin Index (DBI). Dataset yang digunakan merupakan data sekunder Mall Customers yang diperoleh dari Kaggle dengan jumlah 200 data dan empat atribut, yaitu Gender, Age, Annual Income, dan Spending Score. Tahapan penelitian meliputi pelabelan data kategorik, normalisasi data, proses clustering menggunakan K-Harmonic Means, serta evaluasi jumlah cluster pada beberapa nilai K, yaitu 3, 5, 7, 9, dan 11. Hasil penelitian menunjukkan bahwa peningkatan jumlah cluster menghasilkan penurunan nilai SSE dan DBI. Nilai terbaik diperoleh pada K = 11 dengan SSE sebesar 15,10 dan DBI sebesar 0,01, yang menunjukkan tingkat kohesi dan separasi cluster yang paling baik dibandingkan jumlah cluster lainnya. Hasil tersebut menunjukkan bahwa kombinasi algoritma K-Harmonic Means dengan evaluasi menggunakan SSE dan DBI mampu menentukan jumlah cluster yang lebih optimal pada data pelanggan mall. Temuan penelitian ini dapat dimanfaatkan sebagai dasar dalam proses segmentasi pelanggan untuk mendukung penyusunan strategi pemasaran yang lebih efektif dan pengambilan keputusan berbasis data.


Keywords


Davies-Bouldin Index; Klastersasi; K-Harmonic Means; Segmentasi Pelanggan; Sum f Square Error

Full Text:

PDF

References


T. Anwar, T. Siswantining, D. Sarwinda, S. M. Soemartojo, dan A. Bustamam, “A study on missing values imputation using K-Harmonic means algorithm: Mixed datasets,” dalam AIP Conference Proceedings, American Institute of Physics Inc., Des 2019. doi: 10.1063/1.5141651.

“STUDI KOMPARASI METODE KLASTERISASI DATA K-MEANS DAN K-HARMONIC MEANS.”

Y. Syahra, R. Imanta Ginting, M. Yetri, dan S. Triguna Dharma, “Implementasi Data Mining Untuk Penyusunan Tata Letak Data Obat-Obatan Dengan Menggunakan Algoritma K-Harmonic Means Pada Apotek Inti Fada Sidamanik.” [Daring]. Tersedia pada: http://www.jurnal.umb.ac.id/index.php/JTIS

M. Nishom dan M. Y. Fathoni, “Implementasi Pendekatan Rule-Of-Thumb untuk Optimasi Algoritma K-Means Clustering,” vol. 03, no. 02, 2018.

A. Izzah dan N. Hayatin, “Seminar Nasional Matematika dan Aplikasinya 2013 Imputasi Missing data Menggunakan Algoritma Pengelompokan Data K-Harmonic Means.”

A. Salsabila, T. Widiharih, D. Statistika, dan F. Sains dan Matematika, “METODE K-HARMONIC MEANS CLUSTERING DENGAN VALIDASI SILHOUETTE COEFFICIENT (Studi Kasus : Empat Faktor Utama Penyebab Stunting 34 Provinsi di Indonesia Tahun 2018),” vol. 11, no. 1, hlm. 11–20, 2022.

M. Awaludin, “PENERAPAN ALGORITMA K-MEANS CLUSTERING PADA K-HARMONIC MEANS UNTUK SCHEDULE PREVENTIVE MAINTENANCE SERVICE.”

D. I. Yunistya, R. Goejantoro, F. Deny, dan T. Amijaya, “The Application Of K-Harmonic Means Method In District/City Grouping (Case Study: Poverty in Kalimantan Island in 2020) Penerapan Metode K-Harmonic Means Dalam Pengelompokan Kabupaten/Kota (Studi Kasus: Kemiskinan di Pulau Kalimantan Tahun 2020),” vol. 19, no. 1, hlm. 51–64, 2022, doi: 10.20956/j.v19i1.21116.

“STUDI KOMPARASI METODE KLASTERISASI DATA K-MEANS DAN K-HARMONIC MEANS.”

Z. Güngör dan A. Ünler, “K-Harmonic means data clustering with tabu-search method,” Appl Math Model, vol. 32, no. 6, hlm. 1115–1125, Jun 2008, doi: 10.1016/j.apm.2007.03.011.

“BAB II LANDASAN TEORI 2.1 Data Mining.”

L. Petra Refialy, H. Maitimu, dan M. Soyano Pesulima, “Perbaikan Kinerja Clustering K-Means pada Data Ekonomi Nelayan dengan Perhitungan Sum of Square Error (SSE) dan Optimasi nilai K cluster,” 2021.

N. T. Hartanti, “Metode Elbow dan K-Means Guna Mengukur Kesiapan Siswa SMK Dalam Ujian Nasional,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 6, no. 2, hlm. 82–89, Agu 2020, doi: 10.25077/teknosi.v6i2.2020.82-89.

D. Jollyta, S. Efendi, M. Zarlis, dan H. Mawengkang, “Prosiding Seminar Nasional Riset Information Science (SENARIS) Optimasi Cluster Pada Data Stunting: Teknik Evaluasi Cluster Sum of Square Error dan Davies Bouldin Index,” 2019.

M. -Normalisasi Data Untuk Efisiensi K-Means Pada Pengelompokan Wila-yah Berpotensi Kebakaran Hutan Dan Lahan Berdasarkan Sebaran Titik Panas, A. Harmain, H. Kurniawan, D. Maulina, dan M. Universitas Amikom Yogyakarta, “DATA NORMALIZATION FOR K-MEANS EFFICIENCY ON GROUPS OF AREAS WITH POTENTIAL FORES AND /LAND FIRE BASED ON HEAT SPOTS DISTRIBUTION.”




DOI: https://doi.org/10.31284/j.kernel.2026.v7i1.9260

Refbacks

  • There are currently no refbacks.


Copyright (c) 2026 R. Novarifqi Wicaksono, R. Novarifqi Wicaksono, Rinci Kembang Hapsari, Rinci Kembang Hapsari

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Diindeks oleh:
SINTA 5 logo Google Scholar logo Dimensions Logo