Sistem Segmentasi Keluhan Pelanggan di Perumda Air Minum Tirta Raharja Cimahi Menggunakan Metode K-Medoids
DOI:
https://doi.org/10.36423/index.v3i1.674Abstract
Perumda Air Minum Tirta Raharja Cimahi merupakan sebuah perusahaan yang bergerak di bidang jasa pelayanan pengelolaan air minum dan pengelolaan sarana air limbah di kabupaten Bandung Barat, untuk meningkatkan kesejahteraan masyarakat yang mencakup aspek ekonomi, sosial, kesehatan dan pelayanan umum, namun dalam prosesnya tentu saja perusahaan banyak menerima keluhan dari konsumen yang berasal dari berbagai golongan pelanggan dengan jenis keluhan yang berbeda – beda, dari keluhan – keluhan tersebut tentu ada kecenderungan jenis keluhan yang ada pada suatu wilayah tertentu. Masalah yang ada meliputi tidak mengalirnya air, air yang berbau, dan lain sebagainya. Pendekatan yang digunakan untuk menyelesaikan masalah pada penelitian ini adalah menggunakan K-Medoids clustering. K-Medoids adalah teknik partisi yang berfungsi untuk mengelompokkan data set dari n objek kedalam kelompok k yang dikenal apriori. Dibandingkan dengan K-Means, K-Medoids lebih kuat untuk mengatasi kebisingan (noise) dan pencilan (outlier) karena meminimalkan sejumlah dissimiliarities berpasangan, bukan jumlah kuadrat jarak Euclidean.References
Susi Indriyani and S. Mardiana, “Pengaruh Penanganan Keluhan ( Complaint Handling ) Terhadap Kepercayaan Dan Komitmen Mahasiswa,†J. Bus., vol. 2, no. 01, pp. 1–13, 2016.
A. Nanang and D. Susanti, “Penerapan Data Mining Menggunakan Algoritma K-Means Untuk,†Sinergi, pp. 93–102.
D. F. Pramesti, Lahan, M. Tanzil Furqon, and C. Dewi, “Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data,†J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 9, pp. 723–732, 2017, doi: 10.1109/EUMC.2008.4751704.
D. Marlina, N. Lina, A. Fernando, and A. Ramadhan, “Implementasi Algoritma K-Medoids dan K-Means untuk Pengelompokkan Wilayah Sebaran Cacat pada Anak,†J. CoreIT J. Has. Penelit. Ilmu Komput. dan Teknol. Inf., vol. 4, no. 2, p. 64, 2018, doi: 10.24014/coreit.v4i2.4498.
S. Saikin and K. Kusrini, “Model Data Mining Untuk Karekteristik Data Traveller Pada Perusahaan Tour and Travel,†J. Manaj. Inform. dan Sist. Inf., vol. 2, no. 2, p. 61, 2019, doi: 10.36595/misi.v2i2.105.
Y. Wicaksono, “Segmentasi Pelanggan Bisnis Dengan Multi Kriteria Menggunakan K-Means,†Indones. J. Bus. Intell., vol. 1, no. 2, p. 45, 2019, doi: 10.21927/ijubi.v1i2.872.
I. Kamila, U. Khairunnisa, and M. Mustakim, “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Data Transaksi Bongkar Muat di Provinsi Riau,†J. Ilm. Rekayasa dan Manaj. Sist. Inf., vol. 5, no. 1, p. 119, 2019, doi: 10.24014/rmsi.v5i1.7381.
M. A. Syakur, B. K. Khotimah, E. M. S. Rochman, and B. D. Satoto, “Integration K-Means Clustering Method and Elbow Method for Identification of the Best Customer Profile Cluster,†IOP Conf. Ser. Mater. Sci. Eng., vol. 336, no. 1, 2018, doi: 10.1088/1757-899X/336/1/012017.
F. A. Syam, “Implementasi Metode Klastering K-Means untuk Mengelompokan Hasil Evaluasi Mahasiswa,†J. Ilmu Komput. dan Bisnis, vol. 8, no. 1, pp. 1857–1864, 2017, doi: 10.47927/jikb.v8i1.94.
Y. H. Chrisnanto and G. Abdillah, “Penerapan Algoritma Partitioning Around Medoids ( Pam ) Clustering Untuk Melihat Gambaran Umum Kemampuan,†Semin. Nas. Teknol. Inf. dan Komun., vol. 2015, no. Sentika, pp. 444–448, 2015.
N. Putu, E. Merliana, and A. J. Santoso, “Analisa Penentuan Jumlah Cluster Terbaik pada Metode K-Means,†pp. 978–979.
A. Kumari and H. Bhagat, “Compression Record Based Efficient k-Medoid Algorithm to Increase Scalability and Efficiency,†vol. 2, no. 8, pp. 2398–2401, 2013.
