BAB I PENDAHULUAN
1.1 . Latar Belakang
Mobilitas adalah hal yang tidak dapat dipisahkan dalam gaya hidup masyarakat sekarang ini. Serangkaian aktifitas menuntut seseorang untuk berada di suatu tempat bahkan sampai harus berpindah-pindah dari suatu tempat ke tempat lain dalam waktu yang singkat. Hal ini membuat kebutuhan alat transportasi semakin meningkat. Meskipun alat transportasi massal sudah disiapkan, namun terkadang rasa nyaman tidak bisa di dapatkan oleh sebagian orang. Hal ini membuat masyarakat masih enggan menggunakan alat transportasi massal dan memilih untuk tetap menggunakan kendaraan pribadi mereka. Salah satunya adalah kendaraan beroda 4 yang biasa kita sebut dengan mobil. Bagi sebagian orang, mobil sangat dibutuhkan untuk menunjang aktifitas mereka sehari-hari. Kenyamanan, keamanan, dan mobilitas tinggi adalah faktor utama kenapa masih banyak saja masyarakat mantap untuk memiliki alat transportasi yang satu ini. Bahkan dewasa ini fitur-fitur yang dijanjikan oleh pabrikan semakin canggih dengan keefektifan dan keefisienan tinggi. Tak khayal jumlah mobil semakin banyak di luaran sana. Namun banyaknya angka kecelakaan lalu lintas, pencurian mobil, hingga kesalahan yang tidak di sengaja membuat masyarakat mulai merasa perlu memberikan proteksi untuk kendaraan kesayangannya. Selain itu biaya servis yang tidak murah dan resiko kehilangan membuat sebagian masyarakat memilih untuk membeli suatu produk asuransi sebagai bentuk perlindungan diri jika di suatu hari terjadi hal-hal yang tidak diinginkan menimpa kendaraannya. Hal ini tentu membawa angin segar untuk perusahaan asuransi yang ada di Indonesia. Berbagai bentuk
1
2
produk asuransi kendaraan mulai di perkenalkan ke masyarakat. Bahkan ada yang sudah menjadi paket bundling pada saat pembelian mobil. Berbagai inovasi dan penawaran dilakukan perusahaan asuransi untuk menarik minat peserta premi. Selain itu pelayanan konsumen juga menjadi konsentrasi perusahaan dalam rangka memberikan kenyamanan kepada peserta premi. Pelayanan yang baik akan membuat peserta premi nyaman dan enggan untuk beralih ke perusahaan asuransi lain. Selain itu faktor kenyamanan juga bisa menjadi sarana promosi dalam menjaring calon-calon peserta premi baru. Sehingga menjadi penting bagi perusahaan untuk tetap menjaga level pelayanan kepada costumer. Kontrol perlu dilakukan untuk memastikan jaringan pelayanan yang dimiliki tetap prima. Salah satu analisis yang bisa digunakan untuk menyelidiki hal ini adalah analisis clustering. Dalam analisis clustering, data akan di segmentasi ke dalam beberapa level berdasarkan parameter-parameter yang di kehendaki. Analisis klaster bertujuan untuk mengklasifikasikan objek-objek data ke dalam beberapa cluster berdasarkan karakteristik yang dimiliki. Objek-objek yang memiliki kesamaan karakteristik akan dijadikan dalam satu klaster (kelompok). Maka dari itu objek objek yang berada dalam satu klater cendrung memiliki kesamaan yang mengakibatkan objek-objek tersebut memiliki homogenitas internal yang tinggi, serta memiliki heterogenitas eksternal yang tinggi pula. Dalam perkembangannya, digunakan dua metode analisis klaster yaitu metode hierarchical dan metode non-hirarchicy. Metode hierarchical secara umum mendiskripsikan
analisis
klaster
dari
kedekatan-kedekatan
objek,
meliputi
didalamnya adalah jarak antar objek. Sehingga secara garis besar akan membentuk sebuah diagram pohon yang biasanya disebut sebagai dendogram. Dari dendogram tersebut bisa dijelaskan bahwa proses klaster didasarkan pada kedekatan-kedekatan antar objek. Objek yang memiliki kedekatan yang cukup tinggi akan membentuk satu klaster. Begitu seterusnya hingga terbentuk klaster yang di inginkan. Singkatnya metode ini mengaplikasikan konsep bottom up.
3
Metode selanjutnya adalah metode non-hierarcy yang bisa disebut juga sebagai metode partitional. Dimana data dipartisi-partisi dilihat dari seberapa dekat jarak objek-objek tersebut. Singkatnya metode ini mengaplikasikan konsep up side down. Literatur menyebutkan algoritma clustering ini dibagi lagi menjadi 2 metode, yaitu metode hard clustering dan metode fuzzy clustering. Dalam metode hard clustering, ketika data sudah dikelompokkan atau sudah menjadi anggota dari suatu klaster maka data tersebut sudah tidak bisa masuk kedalam cluster lain. Atau dengan kata lain setiap objek data hanya memiliki satu kecenderungan masuk ke satu cluster, tidak lebih. Termasuk didalamnya adalah metode K-means clustering. Hal ini berbeda dengan metode fuzzy clustering, metode ini mempertimbangkan tingkat keanggotaan yang mencangkup himpunan fuzzy sebagai dasar pembobotan bagi pengelompokan data. Metode ini merupakan pengembangan dari metode partitional dengan pembobot fuzzy. Algoritma fuzzy clustering memungkinkan setiap objek data untuk mempunyai kecenderungan masuk ke beberapa cluster dengan derajat keanggotaan yang berbeda-beda. Dalam metode fuzzy clustering, metode yang sering digunakan adalah metode Fuzzy C-Means (FCM) Clustering. Hal ini dikarenakan metode ini mempunyai algoritma yang sederhana dan mudah dimengerti. Membership degrees dalam FCM diperoleh dari meminimalkan cost function dengan batasan jumlah dari keseluruhan membership degrees untuk masing-masing objek data harus sama dengan 1. Metode Fuzzy C-Means clustering juga masih rentan terhadap noisy. Berdasarkan pada Neutrosophic set dikembangkan algoritma clustering baru yang terinspirasi dari Fuzzy C-Means clustering. Algoritma tersebut dinamakan Neutrosophic C-Means Clustering (NCM) yang ditujukan untuk uncertain data clustering. Dalam menentukan membership degrees dari tiap-tiap objek data, NCM memperhitungkan klaster determinant dan klaster indeterminant dalam waktu yang bersamaan untuk tiap-tiap objek data. Di dalamnya dihitung 3 membership degrees yaitu T, I, dan F yang nantinya berguna untuk menentukan status suatu objek data akan masuk ke klaster determinant atau klaster indeterminant. Klaster indeterminant
4
merupakan klaster yang berisi data-data ambigu dan data-data outlier. Sedangkan klaster determinant berisikan data-data klaster yang peruntukannya kita gunakan seperti biasa. Sehingga dari sini NCM diharapkan menjadi alternatif metode clustering yang resistant terhadap noisy data. 1.2 . Masalah Penelitian Berdasarkan latar belakang di atas, maka penulis mengambil materi yang terdiri dari kajian tentang Neutrosophic C-Means Clustering dan penerapannya dalam Database Laporan Data Klaim salah satu perusahaan asuransi kendaraan roda 4 yang ada di Indonesia yang selanjutnya digunakan untuk segmentasi kinerja 29 kantor perwakilan yang ada di indonesia . Perumusan masalah dalam penelitian ini adalah sebagai berikut : 1. Bagaimanakah
prosedur
clustering
dengan
menggunakan
metode
Neutrosophic C-Means? 2. Bagaimanakah penerapan metode Neutrosophic C-Means clustering dalam melihat kinerja keseluruhan kantor perwakilan salah satu perusahaan asuransi mobil yang ada di Indonesia? Dalam skripsi ini, batasan masalah perlu dilakukan agar pembahasan bisa terfokus dan diperoleh kesimpulan yang sesuai dan dapat dipertanggung jawabkan. Agar tidak menyimpang dari tujuan penelitian, maka pembahasan di pusatkan pada penggunaan algoritma Neutrosophic C-Means untuk segmentasi data yang kemudian akan dibandingkan performanya dengan metode clustering klasik yang digunakan sebagai dasar dari metode ini, yaitu metode Fuzzy C-Means Clustering. Studi kasus yang diangkat dalam skripsi ini adalah mengenai salah satu cara yang bisa direkomendasikan kepada sebuah perusahaan asuransi mobil yang ada di Indonesia dalam mengontrol kinerja keseluruhan kantor perwakilan wilayah yang dimiliki. Dari data laporan selama 1 tahun terakhir, dilakukan segmentasi data
5
menggunakan analisis cluster yang akan menunjukkan level performa dari kinerja keseluruhan kantor perwakilan yang dimiliki. Dan dengan menggunakan algoritma Neutrosophic C-Means Clustering diharapkan proses segmentasi menjadi lebih akurat dengan adanya perhatian di data outlier dan data noisy yang berpotensi membuat kesimpulan dari proses clustering menjadi tidak akurat. 1.3 . Tujuan Penelitian Skripsi ini disusun sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains Matematika pada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Gadjah Mada, Yogyakarta. Tujuan penelitian ini adalah : 1. Mengetahui prosedur clustering dengan menggunakan metode Neutrosophic CMeans 2. Menerapkan metode Neutrosophic C-Means clustering dan Fuzzy C-Means dalam melihat level performa dari keseluruhan kantor perwakilan wilayah dari sebuah perusahaan asuransi mobil yang ada di Indonesia 3. Mampu melakukan profilling dari masing-masing cluster yang terbentuk untuk mendapatkan kesimpulan umum 1.4 . Manfaat Penelitian Manfaat dari penelitian ini adalah : Bagi peneliti : dapat memperdalam pengetahuan statistika dalam analisis klaster dengan menggunakan metode Neutrosophic C-Means Bagi keilmuan statistika : dapat menjadi alternatif dalam analisis data multivariat
6
1.5 . Tinjauan Pustaka Santoso (2002) menyatakan bahwa analisis klaster adalah analisis yang bertujuan untuk mengelompokkan obyek-obyek berdasarkan kesamaan karakteristik di antara obyek-obyek tersebut. obyek-obyek tersebut akan diklasifikasikan ke dalam satu atau lebih cluster sehingga obyek-obyek yang berada dalam satu cluster akan mempunyai kemiripan satu dengan lain. Agusta (2007) menyatakan bahwa ada 2 cara pengalokasian data kembali ke dalam masing-masing cluster pada saat proses iterasi clustering. Kedua cara tersebut adalah pengalokasian dengan cara tegas (hard), dimana setiap data secara tegas dinyatakan sebagai anggota cluster yang satu dan tidak menjadi anggota cluster yang lainnya; dan dengan cara fuzzy dimana masing-masing data diberikan nilai kemungkinan untuk bisa bergabung ke setiap cluster yang ada. Kusumadewi (2002) menyatakan bahwa fuzzy clustering merupakan salah satu teknik untuk menentukan cluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal Euclidean untuk jarak antar vektor. Dan dari beberapa algoritma clustering data, Fuzzy C-Means adalah salah satu diantaranya. Dalam menentukan keberadaan tiap-tiap data dalam suatu cluster, fuzzy C-Means, menggunakan derajat keanggotaan. Teknik fuzzy c-means clustering pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981. Algoritma klasik Fuzzy C-means clustering merupakan algoritma clustering yang paling sering digunakan dalam metode fuzzy partitioning dengan algoritmanya yang sederhana dan mudah dimengerti.Terinspirasi dari sana Guo et al.(2015) mengembangkan algoritma clustering yang berdasar dari algoritma Fuzzy C-Means clustering dan pola pikir Neutrosophic Set yang selanjutnya disebut Neutrosophic CMeans (FCM) clustering. Algoritma ini menawarkan analisis klaster yang lebih resistant terhadap noisy data, yaitu meliputi data ambigu dan data outlier. Bunkers, et al. (1996) menyatakan bahwa rasio antara simpangan baku dalam kelompok (within) dan simpangan baku antar kelompok (Between) dapat digunakan
7
untuk mengukur seberapa bagus hasil yang didapatkan dari suatu metode clustering. Rasio yang minimum menunjukkan bahwa metode tersebut memiliki kinerja yang lebih baik dibandingkan dengan metode yang lain.
1.6 . Metode Penelitian Metode penelitian yang digunakan penulis adalah studi literatur yang diperoleh dari perpustakaan, jurnal-jurnal ilmiah dan sumber-sumber lain yang diperoleh dari internet. Dalam menyelesaikan penulisan ini penulis menggunakan bantuan software R Version 3.1.2(2014-10-31), SPSS Statistics versi 17.0, Microsoft Excel 2007 dan Microsoft Word 2007. Data yang digunakan adalah data sekunder dari suatu perusahaan asuransi di Indonesia yang demi privasi tidak bisa penulis sebutkan. Namun demikian data-data tersebut dapat dipertanggung jawabkan. 1.7 . Sistematika Penulisan Sistematika penulisan skripsi ini disajikan dalam 5 bab sebagai berikut; BAB I
PENDAHULUAN, Bab ini berisi latar belakang dan permasalahan, tujuan penelitian, tinjauan pustaka, dan sistematika penulisan.
BAB II
LANDASAN TEORI Bab ini memuat tentang analisis klaster, matriks data multivariat, metode pembentukan klaster, himpunan fuzzy, fuzzy clustering, Fuzzy C-Means, dan prosedur clustering.
BAB III
PEMBAHASAN Bab ini membahas mengenai topik Tugas Akhir yakni tentang analisis teoritis dari Neutrosophic C-Means (FCM) clustering.
8
BAB IV
STUDI KASUS Bab ini berisi studi kasus penerapan Neutrosophic C-Means (FCM) clustering dalam proses segmentasi 29 kantor perwakilan yang tersebar di seluruh Indonesia.
BAB V
KESIMPULAN dan SARAN Bab ini berisi kesimpulan yang diperoleh dari hasil analisis dan saransaran untuk penelitian selanjutnya.
