Implementasi algoritma k-means pada klasifikasi pengeluaran belanja pelanggan mall

ABSTRAK:

Proses bisnis dicapai oleh perusahaan yang memiliki visi jangka panjang dan strategi yang matang. Dengan melakukan upaya khusus untuk memuaskan pelanggan, perusahaan dapat menghasilkan keuntungan jangka panjang, menghemat biaya pemasaran, dan menghindari risiko kehilangan pangsa pasar. Pelanggan yang merasa puas dengan layanan yang diberikan cenderung kembali menggunakan layanan tersebut dan merekomendasikan kepada orang lain, sehingga dapat meningkatkan loyalitas pelanggan dan keuntungan bagi perusahaan mall. Meskipun pelanggan adalah aset berharga bagi setiap mall, ada beberapa pelanggan yang dapat menjadi beban dan merugikan mall. Pelanggan seperti ini dapat menyebabkan biaya tambahan bagi mall dalam hal penggantian produk atau pelayanan ulang. Auditor internal bertanggung jawab untuk memastikan bahwa perusahaan mall mengoperasikan bisnisnya dengan cara yang optimal dan sesuai dengan tujuan strategis yang telah ditetapkan. Oleh karena itu, K-Means dapat menjadi solusi metode dalam mengatasi permasalahan pelanggan mall karena K-Means adalah algoritma data mining untuk mengelompokkan atau mengklasifikasikan “N” objek berdasarkan atribut atau fitur mereka menjadi “K” kelompok (yang disebut cluster) dengan meminimalkan jumlah kuadrat jarak antara data dan centroid cluster yang sesuai. Dalam proses algoritma K-Means, dilakukan pelatihan dataset pelanggan mall untuk mendapatkan nilai “k” cluster yang optimal, selanjutnya dilakukan pengujian dataset dengan alur proses algoritma K-Means dan mengukur akurasi “k” terbaik dengan visualisasi Silhouette Score. Hasil pengujian algoritma K-Means dalam metode klasifikasi pengeluaran belanja pelanggan mall dapat meningkatkan tingkat akurasi sebesar 0.476 dengan Skala Standar dari perhitungan Silhouette Score. Kemudian pada Elbow Method, penelitian menunjukkan hasil “K” terbaik jatuh kepada k = 3 atau Cluster terbaik yaitu Cluster 4 jenis “Sensible” dengan jumlah pelanggan mencapai 22 orang. Dalam akurasi yang dihimpun dari perhitungan tersebut dinyatakan pemrograman sistem aplikasi yang dikembangkan dapat melengkapi algoritma K-Means dengan sempurna.

ABSTRACT:

Business processes are achieved by companies that have a long-term vision and a well-thought-out strategy. By making special efforts to satisfy customers, companies can generate long-term profits, save marketing costs, and avoid the risk of losing market share. Customers who are satisfied with the service provided will tend to return to use the service and recommend it to others, thereby increasing customer loyalty and profits for the mall company. Although customers are valuable assets for every mall, some customers can become a burden and harm the mall. Such customers can cause additional costs for the mall in terms of product replacement or re-service. The internal auditor is responsible for ensuring that the mall company operates its business in an optimized manner and by the strategic objectives that have been set. Therefore, K-Means can be a solution method in overcoming mall customer problems because K-Means is a data mining algorithm to group or classify "N" objects based on their attributes or features into "K" groups (called clusters) by minimizing the sum of squared distances between the data and the centroid of the corresponding cluster. In the K-Means algorithm process, the mall customer dataset training is carried out to obtain the optimal cluster "k" value, then testing the dataset with the K-Means algorithm process flow and measuring the best "k" accuracy with Silhouette Score visualization. The results of testing the K-Means algorithm in the classification method of mall customer spending can increase the accuracy rate by 0.476 with the Standard Scale of the Silhouette Score calculation. Then in the Elbow Method, the research shows the best "K" results fall to k = 3 or the best Cluster is Cluster 4 type "Sensible" with the number of customers reaching 22 people. In the accuracy gathered from the calculation, it is stated that the programming of the developed application system can complement the K-Means algorithm perfectly.

مستخلص البحث:

يتم تحقيق العمليات التجارية من قبل الشركات التي لديها رؤية طويلة الأجل واستراتيجية ناضجة. من خلال بذل جهود خاصة لإرضاء العملاء ، يمكن للشركات تحقيق أرباح طويلة الأجل ، وتوفير تكاليف التسويق ، وتجنب مخاطر فقدان حصتها في السوق. يميل العملاء الراضون عن الخدمات المقدمة إلى العودة لاستخدام الخدمة والتوصية بها للآخرين ، وذلك لزيادة ولاء العملاء والأرباح لشركات المول. على الرغم من أن العملاء هم أصول قيمة لكل مركز تجاري ، إلا أن هناك بعض العملاء الذين يمكن أن يصبحوا عبئا ويلحقون الضرر بالمركز التجاري. يمكن للعملاء مثل هذا أن يتسببوا في تكاليف إضافية للمركز التجاري في حالة استبدال المنتج أو إعادة الخدمة. المدققون الداخليون مسؤولون عن ضمان قيام شركات مراكز التسوق بتشغيل أعمالها بطريقة مثالية ووفقا للأهداف الاستراتيجية المحددة لذلك ، يمكن أن تكون K-Means طريقة حل للتغلب على مشاكل عملاء المركز التجاري لأن K-Means هي خوارزمية استخراج بيانات لتجميع أو تصنيف كائنات "N" بناء على سماتها أو ميزاتها في مجموعات "K" (تسمى المجموعات) عن طريق تقليل مجموع المسافات التربيعية بين البيانات ومجموعة centroid المقابلة. في عملية خوارزمية K-Means ، تم إجراء تدريب على مجموعة بيانات عملاء المركز التجاري للحصول على القيمة المثلى للمجموعة "k" ، ثم تم إجراء اختبار مجموعة البيانات باستخدام تدفق عملية خوارزمية K-Means وقياس أفضل دقة "k" باستخدام تصور Silhouette Score. يمكن أن تؤدي نتائج اختبار خوارزمية K-Means في طريقة تصنيف نفقات التسوق لعملاء المركز التجاري إلى زيادة معدل الدقة بمقدار 0.476 باستخدام المقياس القياسي من حساب Silhouette Score. ثم في طريقة الكوع ، تظهر الأبحاث أن أفضل النتائج "K" تقع إلى k = 3 أو أفضل مجموعة ، وهي المجموعة 4 من النوع "المعقول" مع وصول عدد العملاء إلى 22 شخصا. في الدقة التي تم جمعها من هذه الحسابات ، يذكر أن برمجة نظام التطبيق التي تم تطويرها يمكن أن تكمل خوارزمية K-Means بشكل مثالي. .