Pengujian Silhouette Coefficient

Pengujian Silhouette Coefficient

Pengujian model dilakukan untuk mengetahui seberapa dekat relasi antara objek dalam sebuah cluster dan seberapa jauh sebuah cluster terpisah dengan cluster lain. Metode pengujian yang akan digunakan adalah Silhouette Coefficient. Metode silhouette coefficient merupakan gabungan dari dua metode yaitu metode cohesion yang berfungsi untuk mengukur seberapa dekat relasi antara objek dalam sebuah cluster, dan metode separation yang berfungsi untuk mengukur seberapa jauh sebuah cluster terpisah dengan cluster lain. Tahapan perhitungan silhouette coefficient [HAN14]: 

1. Hitung rata-rata jarak objek dengan semua objek lain yang berada di dalam satu cluster dengan persamaan :

Gambar 1 Rumus Menghitung Rata-Rata Objek Dengan Objek Lain Dalam Satu Cluster.

2. Hitung rata-rata jarak objek dengan semua objek lain yang berada pada cluster lain, kemudian ambil nilai paling minimum dengan persamaan :

Gambar 2 Rumus Menghitung Rata-Rata Objek Dengan Objek Lain Dalam Cluster Yang Berbeda.

3. Hitung nilai silhouette coefficient dengan persamaan :

Gambar 3 Rumus Menghitung Silhouette Coefficient .

Nilai hasil silhouette coefficient terletak pada kisaran nilai -1 hingga 1. Semakin nilai silhouette coefficient mendekati nilai 1, maka semakin baik pengelompokan data dalam satu cluster. Sebaliknya jika silhouette coefficient mendekati nilai -1, maka semakin buruk pengelompokan data didalam satu cluster. Adapun proses dari pengujian model cluster menggunakan silhouette coefficient  sebagai berikut :

Contoh data {1,6749} Cluster 1: untuk menghitung rata-rata jarak objek dengan semua objek lain yang berada di dalam satu cluster.

Menghitung rata-rata jarak objek dengan semua objek lain yang berada pada cluster lain. Menghitung rata-rata dengan objek yang berada di cluster 2 dan menghitung rata-rata semua jarak pada cluster 2. 

Menghitung rata-rata dengan objek yang berada di cluster 3 dan menghitung rata-rata semua jarak pada cluster 3.

Nilai minimun dari rata-rat jarak cluster 2 dan cluster 3.

Menghitung nilai silhouette coefficient.

Hasil nilai silhouette coefficient pada cluster 1 -0,420482055 mendekati nilai -1 maka pengelompokan data didalam clater 1 kurang baik / buruk. Untuk hasil keseluruhan dari pengujian silhouette coefficient terhadap semua cluster dapat dilihat pada tabel 4.21.

Gambar 4 Hasil Pengujian Model Dengan Silhouette Coefficient.

Cluster yang diuji hanya pada cluster 1 dan cluster 2 saja, karena hasil dari klasterisasi menggunakan algoritma K-Means dengan tool XLMiner dan perhitungan manual dihasilkan perbedaan cluster pada objek-objek data di cluster 1 dan cluster 2, sedangkan cluster 3 menghasilkan data atau hasil yang sama. Dari hasil pengujian Silhouette Coefficient dapat disimpulkan bahwa pengelompokan data yang di hasilkan dari perhitungan menggunakan tool XLMiner lebih baik, karena Semakin nilai silhouette coefficient mendekati nilai 1, maka semakin baik pengelompokan data dalam satu cluster. Hasil akhir dari klasterisasi data pelanggan dapat dilihat pada Gambar 5.

Gambar 5 Hasil Akhir Klasterisasi Data Pelanggan Setelah Dilakukan Pengujian.

KESIMPULAN 

Ok sekarang kita masuk tahap terakhir dari keseluruhan pebahasan mengenai SKRIPSI atau TUGAS AKHIR ini. yaitu BAB V yang berisi KESIMPULAN dari keseluruhan BAB atau PENELITIAN.

1. Penerapan data mining pada data transaksi dan data pelanggan menghasilkan klaster yang mempresentasikan klaster-klaster pelanggan potensial, cukup potensial dan tidak potensial, yang memiliki kemungkinan untuk kembali melakukan transaksi diperusahaan dan memberikan keuntungan yang besar bagi perusahaan.

Hasil perhitungan manual dan hasil perhitungan menggunakan XLMiner berbeda karena inisiasi atau titik pusat cluster dimulai dengan angka yang berbeda. Pada perhitungan manual menggunakan inisiasi dipilih secara acak oleh penulis dan pada XLMiner dipilih secara acak oleh XLMiner sendiri, karena proses klasterisasi menggunakan XLMiner tidak menyediakan fungsi untuk memilih sendiri inisiasinya.

Berdasarkan hasil pengujian model menggunakan metode silhouette coefficient maka perhitungan menggunakan tool XLMiner menghasilkan cluster yang lebih baik karena hasilnya mendekati angka yang berarti semakin dekat relasi antara objek dalam sebuah cluster, dan semakin jauh sebuah cluster terpisah dengan cluster lain. Dengan demikian pelayanan yang diberikan kepada pelanggan potensial yaitu mendapatkan potongan harga sebesar 10%, pelanggan cukup potensial 5% dan pelanggan tidak potensial 0%.

2. Terdapat banyak proses yang dilakukan dalam penerapan data mining menggunakan algoritma K-Means, mulai dari proses penetapan variabel, proses pengumpulan data, proses pemilihan data, proses penggabungan data, proses pembersihan data, proses pengubahan data menjadi bentuk data yang sesuai untuk pembentukan model, proses pembentukan model sampai dengan prototype.

3. Kontribusi dari penelitian yang bisa diberikan kepada pihak Program Studi Teknik Informastika UNPAS adalah pemehaman mengenai perancangan model klasterisasi pelanggan menggunakan algoritma k-means untuk mendukung implementasi Customer Relationship Management (CRM).

Ini adalah kesimpulan dari hasil penelitian saya, jadi berakhir pula pembahasan mengenai tugas akhir yang sidah di posting sebelumnya dari mulai cara menentukan atau mencari masalah. so see you next teory guyyss ^^.