See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/349760447

ANALISA SEGMENTASI KONSUMEN MENGGUNAKAN ALGORITMA K-MEANS

CLUSTERING

Conference Paper · September 2018

CITATIONS READS

3 675

4 authors, including:

Sulistyowati Sulistyowati Amalia Anjani Arifiyanti

Institut Teknologi Adhi Tama Surabaya University of National Development "Veteran" Jawa Timur
25 PUBLICATIONS 56 CITATIONS 35 PUBLICATIONS 70 CITATIONS

SEE PROFILE SEE PROFILE

Anwar Sodik
Institut Teknologi Adhi Tama Surabaya
2 PUBLICATIONS 4 CITATIONS

SEE PROFILE

All content following this page was uploaded by Sulistyowati Sulistyowati on 04 March 2021.

The user has requested enhancement of the downloaded file.

 ANALISA SEGMENTASI KONSUMEN MENGGUNAKAN
ALGORITMA K-MEANS CLUSTERING

Sulistyowati1), Basma Eno Ketherin2), Amalia Anjani Arifiyanti3), Anwar Sodik4)

Jurusan Sistem Informasi, Institut Teknologi Adhi Tama Surabaya
e-mail : [email protected]

ABSTRACT
Consumer segmentation is a strategy carried out by dividing consumers into different consumer groups that
have different characteristics, behaviors, or needs. Consumer segmentation is very important as supporting
data for marketing supervisor to determine effective and efficient marketing strategies in product sales
promotion activities. Segmenting consumer can be done by clustering or grouping data based on the
consumer characteristics. In this research, clustering process can be done by grouping consumer data in
three attributes i.e. motor type, purchasing type and job. The data used at Honda motorcycle dealers. The
consumer grouping process was carried out using K-Means Algorithm, by divided data into k-clusters.
Every cluster was determined by the proximity between data and mean point. The results of application
comparison by SPSS software obtained that the difference among cluster was averagely 7% due to random
selection of initial centroid.
Keywords: segmentation; consumer characteristics; k-means clustering.

ABSTRAK
Segmentasi konsumen adalah sebuah strategi yang dilakukan dengan membagi konsumen menjadi
kelompok-kelompok konsumen yang berbeda yang memiliki karakteristik, perilaku, atau kebutuhan yang
berbeda. Segmentasi konsumen ini penting karena dapat digunakan sebagai data pendukung untuk
menentukan strategi pemasaran yang efektif dan efisien bagi supervisor marketing dalam kegiatan promosi
penjualan produk. Untuk menentukan segmentasi konsumen, dilakukan dengan clustering yaitu dengan
cara mengelompokkan data berdasarkan karakterisrik konsumen. Sehingga pada penelitian ini, proses
clustering dilakukan dengan cara mengelompokkan data konsumen berdasarkan tiga atribut yaitu, jenis
motor,jenis pembelian dan pekerjaan. Data yang digunakan adalah data penjualan sepeda motor pada dealer
Honda. Proses pengelompokan konsumen dilakukan dengan menggunakan Algoritma K-Means. Algoritma
ini bekerja dengan cara membagi data dalam k cluster. Setiap cluster ditentukan atas kedekatan jarak tiap‐
tiap data dengan titik tengahnya (mean point). Dari hasil perbandingan aplikasi dengan menggunakan
software SPSS diperoleh hasil selisih dari masing-masing cluster dengan jumlah rata-rata 7%. Hal ini
disebabkan karena centroid awal yang dipilih secara acak.
Kata kunci : segmentasi; karakteristik konsumen; k-means clustering

PENDAHULUAN
Saat ini pemanfaatan teknologi komputer sebagai alat bantu dalam mendukung kegiatan
dalam bidang usaha sangat memudahkan manusia dalam mendapatkan informasi secara cepat,
tepat, akurat sehingga tujuan dari suatu pekerjaan tersebut dapat tercapai secara efektif dan
efisien. Pemanfaatan teknologi komputer juga sangat diperlukan untuk mendukung kegiatan
promosi yaitu menentukan segmentasi konsumen berdasarkan data pembelian sepeda motor
Honda sebelumnya. Pada proses pengelompokan segmentasi konsumen di dealer motor Honda,
masih dilakukan secara manual, sehingga menyebabkan kesulitan dalam pengelompokkan data
dan terjadinya kesalahan dalam pengelompokan yang dilakukan. Melalui penelitian ini,
dilakukan sebuah analisa terhadap karakteristik konsumen di dealer Honda agar dapat
menentukan segmentasi konsumen dengan menerapkan metode K-means. Hasil segmentasi
konsumen ini dapat dimanfaatkan divisi marketing untuk memilih strategi promosi yang sesuai

- 51 -
Seminar Nasional Sains dan Teknologi Terapan VI 2018
Institut Teknologi Adhi Tama Surabaya

dengan karakteristik calon konsumen, sehingga diharapkan promosi tersebut dapat berjalan lebih
efektif dan efisien.

TINJAUAN PUSTAKA
Data
Data adalah sesuatu yang nyata diketahui atau dianggap yang dipakai untuk keperluan
suatu analisa, diskusi, presentasi ilmiah atau tes statistik [1]. Data dapat dibagi menjadi tiga jenis
yakni data cross section, data berkala (time series), dan data panel. Data cross section data yang
sering disebut juga data silang adalah data yang menunjukkan suatu titik tertentu. Contoh dari
data cross section adalah data penjualan sepeda motor pada bulan Desember 2016, data
pelanggan Juni 2005, data keuangan pada bulan Agustus 2009, dan sebagainya. Berbeda halnya
dengan data runtun waktu atau data time series yang merupakan data yang terdiri dari satu obyek
akan tetapi meliputi beberapa periode waktu tertentu yaitu misalnya harian, mingguan,bulanan
tahunan dan sebagainya. Sedangkan data panel adalah data yang mengkombinasikan antara data
cross section dan data time series, dengan kata lain data panel (pooled data) akan mempunyai
beberapa objek dan beberapa periode waktu.
Segmentasi
Menurut Philip Kotler, yang dimaksud dengan segmentasi pasar adalah sua tu usaha
untuk meningkatkan ketepatan pemasaran perusahaan. Segmen pasar terdiri dari kelompok besar
yang dapat di identifikasikan dalam sebuah pasar dengan keinginan, daya beli, lokal geografis,
perilaku pembelian dan kebiasaan pembelian yang serupa [2].

Regresi
Analisis regresi adalah hubungan yang didapat dan dinyatakan dalam bentuk persamaan
matematik yang menyatakan hubungan fungsional antar variabel-variabel [3]. Regresi dibagi
menjadi dua, yaitu [3] :
1. Analisis regresi linier sederhana digunakan untuk mendapatkan hubungan matematis
dalam bentuk suatu persamaan antara variabel tak bebas dengan variabel bebas
tunggal.
2. Analisis regresi linier berganda ini digunakan untuk memprediksi berubahnya nilai
variabel tertentu bila variabel lain berubah.

Clustering
Clustering merupakan teknik data mining yang berfungsi untuk mengelompokan data
berdasarkan kemiripan data pada suatu kelompok dan meminimalkan kemiripan pada kelompok
lain [4]. Clustering merupakan pengelompokan record, pengamatan, atau memperhatikan dan
membentuk kelas objek-objek yang memiliki kemiripan. Cluster adalah kumpulan record yang
memiliki kemiripan suatu dengan yang lainnya dan memiliki ketidakmiripan dengan record
dalam cluster lain[5]. Ada dua metode clustering yang kita kenal, yaitu hierarchical clustering
dan partitioning.

K-Means Clustering
K-means clustering merupakan salah satu metode data clustering non-hirarki yang
mengelompokan data dalam bentuk satu atau lebih cluster/kelompok. Data-data yang memiliki
karakteristik yang sama dikelompokan dalam satu cluster/kelompok dan data yang memiliki
karakteristik yang berbeda dikelompokan dengan cluster/kelompok yang lain sehingga data yang
berada dalam satu cluster/kelompok memiliki tingkat variasi yang kecil [6].
- 52 -
Seminar Nasional Sains dan Teknologi Terapan VI 2018
Institut Teknologi Adhi Tama Surabaya

Langkah-langkah melakukan clustering dengan metode K-Means adalah sebagai berikut [7] :
1. Pilih jumlah cluster k.
2. Inisialisasi k pusat cluster ini bisa dilakukan dengan berbagai cara. Namun yang paling sering
dilakukan adalah dengan cara acak. Pusat-pusat cluster diberi nilai awal dengan angka-angka
random.
3. Alokasikan semua data/ objek ke cluster terdekat. Kedekatan dua objek ditentukan
berdasarkan jarak kedua objek tersebut. Demikian juga kedekatan suatu data ke cluster
tertentu ditentukan jarak antara data dengan pusat cluster. Dalam tahap ini perlu dihitung
jarak tiap data ke tiap pusat cluster. Jarak antara satu data dengan satu cluster tertentu akan
menentukan suatu data masuk dalam cluster mana. Untuk menghitung jarak semua data ke
setiap titik pusat cluster dapat menggunakan teori jarak Euclidean yang dirumuskan sebagai
berikut :
D (i,j) = √( X1i - X1j )2 + ( X2i - X2j )2 + … + (Xki - Xkj )2
dimana : D (i,j) = Jarak data ke i ke pusat cluster j
X ki = Data ke i pada atribut data ke k
X kj = Titik pusat ke j pada atribut ke k
4. Hitung kembali pusat cluster dengan keanggotaan cluster yang sekarang. Pusat cluster
adalah rata-rata dari semua data/ objek dalam cluster tertentu. Jika dikehendaki bisa juga
menggunakan median (nilai tengah) dari cluster tersebut. Jadi rata-rata (mean) bukan satu-
satunya ukuran yang bisa dipakai.
5. Tugaskan lagi setiap objek memakai pusat cluster yang baru. Jika pusat cluster tidak berubah
lagi maka proses clustering selesai. Atau, kembali ke langkah nomor 3 sampai pusat cluster
tidak berubah lagi.

METODE
Alur Proses Cluster Menggunakan K-Means Clustering
Proses cluster menggunakan metode K-Means clustering memiliki beberapa tahapan, yaitu :
1. Pengumpulan Data
Pengumpulan data dilakukan dengan cara observasi langsung ke dealer motor Honda dan
juga melakukan wawancara dengan stakeholder yang terkait. Penilitian ini mengambil data
penjualan selama empat tahun terakhir yaitu pada tahun 2013-2016. Data yang diuji adalah
data jenis motor, data jenis pembelian dan data pekerjaan.
2. Praproses Data
Tahap praproses data merupakan proses untuk mempersiapkan data mentah sebelum
dilakukan proses lain, yang dilakukan antara lain :
1. Analisis Atribut
Sebelum data tersebut diolah, terlebih dahulu dilakukan pemilihan atribut yaitu memilih
data –data apa saja yang digunakan dalam proses pengelompokan data. Atribut-atribut
data tersebut dipilih berdasarkan kebutuhan dari perusahaan. Atribut yang dipilih
tersebut, kemudian dianalisis dengan menggunakan aplikasi SPSS. Analisis atribut
dilakukan untuk mengetahui keeratan hubungan antara tiga variabel (data jenis motor,
jenis pembelian, dan pekerjaan).
2. Analisis Jumlah Cluster
Setelah menganalisa jumlah atribut, proses yang dilakukan selanjutnya adalah
menganalisa jumlah cluster. Dalam proses analisis jumlah cluster digunakan metode
Elbow untuk mencari nilai k terbaik. Jumlah cluster yang akan diuji adalah k=2 sampai
dengan k=8. Dari hasil proses perhitungan Sum of Square Erorr terhadap 7603 data
konsumen maka hasil yang paling mengalami penurunan yang paling besar adalah pada
K=3
- 53 -
Seminar Nasional Sains dan Teknologi Terapan VI 2018
Institut Teknologi Adhi Tama Surabaya

3. Pengelompokan Data
Agar data penjualan dapat diolah dengan menggunakan k-means clustering, maka data
penjualan yang berjenis nominal seperti jenis motor, jenis pembelian dan pekerjaan harus
dilakukan proses inisialisasi data terlebih dahulu. Sebelum dilakukan proses inisialisasi,
data tersebut harus dikelompokkan terlebih dahulu. Proses pengelompokan data ini
diurutkan berdasarkan urutan abjadnya:
a. Jenis Motor : Beat, Beat cbs iss, Beat cw, Beat pop cbs, Beat pop cbs iss,
Beat pop cw, Blade, CB150R, CBR150, Megapro, Revo, Scoopy, Sonic, Spacy,
Supra, Supra GTR, Vario 110, Vario 125 cbs, Vario 125 cbs is, Vario 150, Verza.
b. Jenis Pembelian : Kredit dan Tunai
c. Pekerjaan : Buruh, Dokter, Guru/Dosen, Ibu Rumah Tangga, Lain-Lain,
mahasiswa/Pelajar, Ojek, Pegawai Negeri, Pegawai Swasta, Pengacara,
Petani/Nelayan, TNI/POLRI, Wartawan,Wiraswasta/Pedagang.
4. Inisialisasi Data
Pada tahapan ini, data-data penjualan tersebut diberi insial dengan angka 1,2,3 dan
seterusnya. Hasil dari inisialisasi data-data penjualan tersebut dapat dilihat pada Tabel 1,
Tabel 2 dan Tabel 3
Tabel 1. Inisialisasi Data Jenis Motor
Jenis Motor Inisial Jenis Motor Inisial
beat cbs 1 Revo 11
beat cbs iss 2 Scoopy 12
beat cw 3 Sonic 13
beat pop cbs 4 Spacy 14
beat pop cbs iss 5 Supra 15
beat pop cw 6 supra gtr 16
Blade 7 vario 110 17
cb150r 8 vario 125 cbs 18
cbr150r 9 vario 125 cbs iss 19
mega pro 10 vario 150 20
Versa 21

Tabel 2. Inisialisasi Data Jenis Motor

Jenis Motor Inisial
kredit 1
tunai 2

Tabel 3. Inisialisasi Data Jenis Pekerjaan

Jenis Pekerjaan Inisialisasi Jenis Pekerjaan Inisialisasi
Buruh 1 Pegawai Negeri 8
Dokter 2 Pegawai Swasta 9
Guru/Dosen 3 Pengacara 10
Ibu Rumah
4 Petani/Nelayan 11
Tangga
Lain-Lain 5 TNI/POLRI 12
Mahasiswa/Pelajar 6 Wartawan 13
Ojek 7 Wiraswasta/Pedagang 14

- 54 -
Seminar Nasional Sains dan Teknologi Terapan VI 2018
Institut Teknologi Adhi Tama Surabaya

Setelah semua data penjualan diinisialisasi ke dalam bentuk angka, maka data-data tersebut telah
dapat dikelompokkan dengan menggunakan algoritma K-means Clustering. Alur proses cluster
menggunakan metode K-Means clustering dapat dilihat pada Gambar 1.

Gambar 1. Alur Proses Cluster Menggunakan K-Means Clustering

HASIL DAN PEMBAHASAN

Berdasarkan proses cluster yang telah dilakukan pada aplikasi clustering yang
menggunakan algoritma k-means, diperoleh tiga cluster yang terdiri dari beberapa anggota yang
memiliki karakteristik hampir sama. Anggota cluster tersebut dapat dijelaskan pada Tabel 4 dan
Tabel 5
Tabel 4. Anggota Cluster 1
Cluster 1 Cluster 2
Revo 241 Beat cbs 305
Scoopy 147 Beat cbs iss 86
Sonic 21 Beat cw 2801
Spacy 20 Beat pop cbs 24
Supra 568 Beat pop cbs iss 18
Jenis Motor Supra GTR 8 Beat pop cw 53
Vario 110 263 Blade 69
Vario 125 cbs 1456 CB150R 258
Vario 125 cbs iss 621
Vario 150 432
Verza 121
Jenis Kredit 3317 Kredit 3284
Pembelian Tunai 581 Tunai 330
Guru/Dosen 44 Guru/Dosen 40
Ibu Rumah Tangga 701 Ibu Rumah Tangga 636
Pekerjaan
Mahasiswa/Pelajar 491 Mahasiswa/Pelajar 562
Pegawai Negeri 87 Pegawai Negeri 70

- 55 -
Seminar Nasional Sains dan Teknologi Terapan VI 2018
Institut Teknologi Adhi Tama Surabaya

Cluster 1 Cluster 2
Pegawai Swasta 2006 Pegawai Swasta 1811
Petani/Nelayan 8 Petani/Nelayan 10
TNI/POLRI 31 TNI/POLRI 21
Wiraswata/Pedagang 464
Jumlah anggota cluster 3898 orang Jumlah anggota cluster 3614 orang

Tabel 5. Anggota Cluster 3

Cluster 3
Beat cbs 31
Jenis Motor
Beat cbs iss 3
Kredit 6
Jenis Pembelian
Tunai 28
Pegawai Negeri 12
Pekerjaan
Pegawai Swasta 22
Jumlah anggota cluster 34 orang

Dari data diatas diperoleh informasi dari bahwa persebaran dari 7546 konsumen
sebanyak 3898 atau sebesar 51% masuk di cluster 1, sedangkan sebanyak 3614 atau sebesar 47%
masuk dalam anggota cluster 2, dan untuk yang masuk dalam anggota cluster 3 adalah sebanyak
34 atau sekitar 2%. Persebaran hasil cluster dapat dilihat pada Tabel 6. Dari sejumlah 3898
konsumen yang masuk dalam anggota cluster 1 paling banyak membeli type motor Vario 125 cbs
dan hampir sebagian besar konsumen yang berada dalam cluster 1 melakukan pembelian sepeda
motor secara kredit. Sama halnya pada anggota cluster 2 sebagian besar konsumen melakukan
pembelian secara kredit yakni sebanyak 3284 orang dan type motor yang paling banyak dibeli
oleh 2801 konsumen adalah type beat cw, selain itu konsumen yang masuk dalam cluster 2 yang
melakukan pembelian motor paling banyak bekerja sebagai pegawai swasta sebanyak 1811
orang. Namun jauh berbeda dengan hasil cluster 3 yakni sebanyak 34 orang diantaranya 31 orang
membeli sepeda motor type beat cbs dan sebagian besar konsumen tersebut melakukan
pembelian secara tunai.
Tabel 6. Persebaran Hasil Clustering
Cluster 1 3898 51%
Cluster 2 3614 47%
Cluster 3 34 2%

Pengujian Perbandingan
Dengan data dan metode yang sama pengujian dilakukan dengan membandingkan hasil
output program dengan hasil output program SPSS. Hasil pengujian clustering dapat dilihat pada
Tabel 7.
Tabel 7. Hasil Pengujian Clustering menggunakan SPSS
Cluster 1 3321 43%
Cluster 2 3491 45%
Cluster 3 791 12%

Berdasarkan hasil pengujian Clustering dengan aplikasi dan software SPSS, maka dapat dilihat
hasil selisih seperti pada Tabel 9.

Hasil Aplikasi Clustering

- 56 - Hasil Software SPSS Selisih
Seminar Nasional Sains dan Teknologi Terapan VI 2018
Institut Teknologi Adhi Tama Surabaya

Cluster 1 51% 43% 8% Tabel 9.

Cluster 2 47% 45% 2% Hasil
Cluster 3 2% 12% 10% Perbandingan
Rata-Rata Selisih 7% Pengujian

KESIMPULAN
Berdasarkan hasil pembahasan dan pengujian, dapat diambil kesimpulan sebagai berikut
:
1. Proses cluster yang dilakukan dengan menggunakan K-Means menghasilkan sebuah
informasi gambaran karakteristik konsumen yang telah terkluster atau terkelompok. Proses
cluster pada data penjualan di PT Calista Alba menghasilkan tiga cluster/kelompok
konsumen berdasarkan tiga variabel yaitu jenis motor, jenis pembelian dan pekerjaan.
2. Hasil dari pengelompokan data konsumen tersebut dapat digunakan sebagai data pendukung
untuk divisi marketing dalam menentukan strategi pemasaran.
3. Pengujian perbandingan menggunakan software SPSS menghasilkan jumlah cluster yang
sama dengan penelitian yang dilakukan. Namun pada prosentase persebaran jumlah anggota
cluster masih terdapat selisih, rata-rata selisih perbandingan kedua aplikasi tersebut adalah
sebesar 7%.

DAFTAR PUSTAKA
[1] Oscar, Johan Ong.(2013). Implementasi Algoritma K-Means Clustering Untuk
Menentukan Strategi Marketing President University. Bekasi : Jurnal Ilmiah Teknik
Industri, Vol.12, No.1
[2] Rahayu, Ekawati. (2008). Manajemen Pemasaran Buku Daros. Kudus : STAIN
[3] Pratomo, Suwarsito,dkk (2015). Analisis Regresi Dan Korelasi Antara Pengunjung Dan
Pembeli Terhadap Nominal Pembelian Di Indomaret Kedungmundu Semarang Dengan
Metodr Kuadrat Terkecil. Semarang : Jurnal Teknik Informatika
[4] Budiman, Irwan. (2012). Data Clustering Menggunakan Metodologi Crisp-DM Untuk
Pengenalan Pola Proporsi Pelaksanaan Tridharma. Semarang :Tesis Sistem Informasi
[5] Ardhyanti, Joanna & Kusumawati, Yupie. (2014). Data Mining Dengan Metode
Clustering Untuk Pengolahan Informasi Persediaan Obat Pada Puskesmas Pandanaran
Semarang. Semarang : Jurnal Sistem Informasi
[6] Agusta, Y. (2007). K-Means – Penerapan, Permasalahan dan Metode Terkait.
Jurnal Sistem dan Informatika, Vol. 3: 47-6
[7] Ong, Johan Oscar. (2013). Implementasi Algoritma K Means Clustering Untuk
Menentukan Strategi Marketing President University. Jurnal Ilmiah Teknik Industri,
Vol.12, No.1, ISSN 1412-6869

- 57 -
Seminar Nasional Sains dan Teknologi Terapan VI 2018
Institut Teknologi Adhi Tama Surabaya

Halaman ini sengaja dikosongkan

- 58 -

View publication stats