EKSPLORASI DAN OPTIMALISASI ALGORITMA KLASTERING UNTUK SEGMENTASI PELANGGAN PADA E-COMMERCE

Sugiarta, Aditya Putra (2025) EKSPLORASI DAN OPTIMALISASI ALGORITMA KLASTERING UNTUK SEGMENTASI PELANGGAN PADA E-COMMERCE. Skripsi thesis, Universitas Buddhi Dharma.

	Text COVER - BAB III.pdf - Published Version Download (1MB)
	Text BAB IV.pdf - Published Version Restricted to Registered users only Download (977kB) | Request a copy
	Text BAB V.pdf - Published Version Download (839kB)

Abstract

Pertumbuhan e-commerce yang pesat menyebabkan meningkatnya volume data pelanggan, sehingga diperlukan strategi segmentasi yang tepat untuk memahami perilaku konsumen secara lebih mendalam. Sehingga perusahaan dapat merancang strategi pemasaran yang tepat untuk mempertahankan serta mengembangkan keuntungan bisnis. Namun, metode klastering tradisional seperti K-Means masih memiliki keterbatasan dalam menghasilkan klaster optimal karena sifatnya yang sensitif terhadap titik awal pusat klaster sehingga mudah terjebak pada solusi lokal. Oleh karena itu, penelitian ini bertujuan untuk mengevaluasi dan membandingkan efektivitas lima metode klastering berbasis optimasi, yaitu K-Means dengan Adaptive Learning Particle Swarm Optimization (KM-ALPSO), Improved Harris Hawk Optimization dengan K-Means (IHHO-KM), dan Sine Cosine Algorithm dengan K-Means (SCA-KM), serta pendekatan Density Peak–Genetic Algorithm–Possibilistic Fuzzy C-Means (DP-GA-PFCM), dan metode Hierarchical Clustering sebagai pembanding. Proses klastering akan dilakukan dengan menggunakan masing-masing algoritma pada dataset yang sama, kemudian dievaluasi menggunakan Silhouette Score, Davies-Bouldin Index, dan Calinski-Harabasz Index. Ketiga evaluasi akan dirata-ratakan untuk dibandingkan. Hasil penelitian menunjukkan bahwa algoritma SCA-KM memberikan hasil terbaik dengan nilai evaluasi rata-rata tertinggi sebesar 0,7393272, sedikit lebih baik dari KM-ALPSO dan menunjukkan nilai yang lebih baik dari algoritma K-Means. Dapat disimpulkan bahwa pendekatan hybrid antara metode klastering dan algoritma optimasi dapat meningkatkan kualitas segmentasi pelanggan secara signifikan, serta dapat menjadi solusi yang efektif dalam pengambilan keputusan berbasis data pada bisnis e-commerce.

Item Type:	Thesis (Skripsi)
Uncontrolled Keywords:	E-Commerce, Klastering, Machine Learning, Optimisasi, Segmentasi Pelanggan
Subjects:	000 Karya Umum > 005 Pemograman > 005.73 Struktur Data 600 Teknologi dan Ilmu Terapan (Bisnis) > 650.0285 Pengolahan dan Analisa Data di Bidang Bisnis
Divisions:	Fakultas Sains & Teknologi > Teknik Informatika
Depositing User:	Hariyanto Rie
Date Deposited:	23 Feb 2026 06:29
Last Modified:	23 Feb 2026 06:29
URI:	https://repositori.buddhidharma.ac.id//id/eprint/3037

Actions (login required)

View Item