JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013)
KARAKTERISTIK PELANGGAN TELEPON KABEL MENGGUNAKAN CLUSTERING SOM DAN K-MEANS UNTUK MENGURANGI KESALAHAN KLASIFIKASI PELANGGAN PERUSAHAAN TELEKOMUNIKASI (STUDI KASUS : PT. TELKOM MOJOKERTO) Meylimdra Arini Permatadevi, Rully A. Hendrawan, S.Kom, M.Eng, Irmasari Hafidz, S.Kom, M.Sc Jurusan Sistem Informasi, Fakultas Tekhnologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 E-mail:
[email protected],
[email protected],
[email protected]
Abstrak— PT Telkom merupakan perusahaan penyedia jasa layanan yang berada di negara indonesia. Sebagai perusahaan penyedia jasa, PT Telkom sangat mementingkan kualitas pelayanan jasa yang diberikan untuk pelanggannya, maka dari itu perusahaan ini selalu berusaha memberikan pelayanan terbaik pada setiap pelanggannya serta memperbaiki sarana yang terkait sehingga terwujudnya pelayanan yang optimal. Namun, dengan seiring perkembangan teknologi yang semakin meningkat, persoalan yang dialami perusahaan ini juga semakin beragam. Salah satunya di PT Telkom daerah mojokerto, mempunyai persoalan pada pelanggannya, sering kali di temukan pelanggan yang melakukan klaim tipe berlangganan yang salah. Hal ini sangat merugikan perusahaan, terutama dibidang finansial. Persoalan tersebut dapat terjadi karena perusahaan menggunakan sistem kluster berlangganan yang belum tepat. Selama ini perusahaan melakukan pengklusteran pelanggan dengan cara manual, dan lebih mempercayakan kepada pelanggannya. Sehingga hal ini rawan terjadi penyalahgunaan yang berakibat pada kerugian. Pada tugas akhir ini, penulis menawarkan sistem clustering pelanggan yang lebih terarah dan tertata, yaitu dengan cara mengkombinasikan 2 metode clustering data mining. SOM dan Kmeans dianggap sebagai metode klustering yang tepat dalam membantu menyelesaikan persoalan perusahaan. Dengan adanya clustering ini diharapkan dapat membantu proses binis perusahaan agar berjalan lebih lancar, dan tentunya untuk mengurangi kerugian yang dialami perusahaan. Kata kunci : KSM, Klaster, Self-Organizing feature Map, K-Means
I. PENDAHULUAN T Telkom merupakan perusahaan penyedia jasa layanan telekomunikasi yang berada di negara indonesia. Perusahaan ini merupakan perusahan satu-satunya dimiliki oleh BUMN yang bergerak di bidang telekomunikasi. PT Telkom selalu memperhatikan akan kualitas layanan jasa yang diberikan kepada pelanggannya, karena itu perusahaan ini selalu berusaha memberikan pelayanan terbaik untuk pelanggannya serta memperbaiki kualitas sarana dan prasarana yang selalu mengikuti perkembangan teknologi telekomunikasi yang semakin cepat berkembang. Berbagai jenis layanan ditawarkan oleh perusahaan ini, dan hal itu diimbangi pula dengan pelanggan perusahaan yang selalu menggunakan jenis layanan yang ditawarkan. Namun dengan seiring perkembangan tersebut, persoalan yang dihadapi perusahaan ini semakin beragam. Salah satunya pada PT Telkom yang berada pada wilayah mojokerto, masalah yang sedang dialami Telkom pada wilayah ini yaitu klustering 1 pelanggan bedasarkan call detail record2. Hal ini menjadi permasalahan, karena sering kali pelanggan melakukan penyalahgunaan dengan cara melakukan klaim yang salah pada tipe berlangganannya. Salah satu studi kasus yang sering terjadi yaitu pelanggan yang bertujuan berlanggananya untuk berbisnis melakukan klaim bahwa pemakaiannya hanya untuk berlangganan rumah. Padahal, tipe berlangganan bisnis dengan tipe berlangganan rumah memiliki tarif berbeda, yang tentunya tipe berlangganan untuk tujuan bisnis lebih mahal. Hal inilah yang menyebabkan PT Telkom wilayah mojokerto menjadi di rugikan. Pada dasarnya PT Telkom wilayah Mojokerto ini telah berusaha untuk menanggulangi hal tersebut dengan cara melakukan survey tiap rumah pelanggan, melakukan cek rutin record telepon yang di gunakan pelanggan, namun cara tersebut sangat tidak efektif. Dalam persoalan yang dihadapi, perusahaan mencoba mencari inti dari persoalan tersebut, dan inti persoalan tersebut terletak pada sistem kluster yang digunakan perusahaan. Sistem perusahaan dalam melakukan kluster pelanggan bedasarkan tipe berlanggananya dengan cara manual, jadi perusahaan mempercayakan klaim tipe berlanggan pada pelanggannya sendiri. Tentunya jika di tinjau dari persoalan yang dialami perusahaan, sistem yang digunakan perusahaan sangat tidak efektif dan efisien, jadi sangat wajar jika muncul penyalahgunaan dan berdampak pada kerugian yang dialami perusahaan. Untuk menanggulangi hal tersebut tentunya diperlukan
P
1
Klustering adalah pengelompokan serangkaian kumpulan data mentah, yang bertujan agar dapat memperoleh informasi dari data tersebut 2 Call detail record yaitu catatan aktivitas telepon yang dilakukan oleh pelanggan
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) metode clustering yang lebih terarah agar dapat mengurangi kerugian yang dialami perusahaan. Salah satunya dengan memanfaatkan ilmu data mining 3 . Dalam data mining terdapat beberapa metode clustering untuk membantu melakukan pengklasfikasian terhadap sebuah data. Metode SOM (Self Organizing Maps) dan K-means dianggap tepat dalam menyelesaikan persoalan perusahaan bedasarkan beberapa refrensi jurnal. Dengan menggunakan SOM terlebih dahulu kemudian dilakukan dengan menggunakan K-means. Terbukti menggunakan metode ini mengurangi error rate. Dalam pengerjaan tugas akhir ini akan digunakan penelitian-penelitian sebelumnya sebagai acuan. Menggunakan metode SOM untuk menentukan titik awal, kemudian dilanjutkan dengan menggunakan metode K-Means untuk menentukan hasil akhir clustering. Kombinasi kluster SOM dan K-means sering dilakukan dalam menyelesaikan persoalan yang dialami perusahaan, dan metode kombinasi SOM dan K-means sering digunakan peruusahaan telekomunikasi dalam membantu menyelesaikan persoalan yang berhubungan dengan pelanggannya. Oleh karena itu, penulis mencoba membatu perusahaan Telkom wilayah mojokerto dengan memperbaiki sistem clustering pelanggan yang dimiliki dengan cara melakukan kombinasi kluster metode SOM dan K-means dalam menyelesaikan persoalan perusahaan. Dalam penelitian ini, penulis akan mencoba memanfaatkan CDR (call detail record) sebagai input yang akan dimasukkan kedalam algoritma SOM, setelah berhasil akan di validasi dengan rmsstd, kluster yang memiliki nilai terkecil dari hasil validasi rmsstd akan digunakan sebagai nilai k (centroid) dalam proses kluster Kmeans. Setelah proses dari kedua metode tersebut selesai, langkah selanjutnya yaitu melakukan validasi dengan Dbi (Davies bouldin index), kluster yang memiliki nilai Dbi terendah dianggap sebagai kluster yang paling tepat. Diharapkan dengan adanya penelitian ini, dapat membantu perusahaan agar proses pengelompokan pelanggan dapat lebih tertata serta mengurangi kerugian yang dialami perusahaan.
1.
Self Organizing Map Self-organizing map (SOM) atau yang disebut juga sebagai Kohonen Neural Network merupakan salah satu metode untuk melakukan visualisasi dan analisis untuk high dimensional data untuk klastering, dimensionality reduction, klasifikasi, sampling vector quantization dan data mining [ 5]. Teknik ini pertama kali dikenalkan oleh Teuvo Kohonen (1995), ide dasar teknik diilhami dari bagaimana proses otak manusia menyimpan gambar/pola yang telah dikenali melalui mata, kemudian mampu mengungkapkan kembali gambar/pola tersebut Dasar algoritma SOM dapat di deskribsikan sebagai berikut [6] : 1. In itialize the centroids 2. Repeat : 3. Select next object 4. Determ ine the closest centroid to the object 5. Update this centroid and the centroids that are close i.e. In a specified neighborhood. 6. Until The centroid don’t change much or a threshold is exceeded 7. Assign each object to its closest centroid and return the centroids and clusters
2.
K-Means K-Means merupakan salah satu metode clustering yan sering sekali digunakan. Pertama-tama kita memilih K (merupakan initial dari centroid). untuk menentukan centroid dapat kita mengambil point secara random. Setiap poin yang berada pada sekitar centroid akan membentuk sebuah kumpulan baru yang dinamakan klaster, Lakukan hal tersebut berulang kali sampai tidak terdapat perubahan pada point klaster ataupun pada centroid. Berikut ini merupakan dasar algoritma dari K-Means 1. Basic K-means algorithm 2. Select K points as centroid 3. repeat 4. Form K clusters by assign ing each point to its closest centroid 5. Recomputed the centroif of each cluster 6. until Centroid don’t change
II. URAIAN PENELITIAN A. Data mining Data mining merupakan salah satu cara untuk menemukan informasi yang terkandung pada suatu data (knowledge discovery). Teknik Data mining dikembangkan untuk mencari data novel dan pola yang mungkin dapat digunakan pada database yang berskala besar [6]. Selain itu dengan data mining juga memungkinkan untuk melakukan prediksi terhadap hasil dari obervasi yang akan datang, seperti prediksi kapan pengunjung akan menghabiskan uangnya pada sebuah department store. Berdasarkan buku Introduce to dataming oleh Pang Ning Tan menyebutkan bahwa data mining merupakan bagian penting dari proses dalam Knowledge Discovery from Data (KDD). Proses dalam KDD itu sendiri terdiri dari beberapa lagkah, yaitu data preprocessing, data mining, pattern evaluation dan knowledge presentation. Terdapat dua tujuan utama dari data mining pada kenyataan selalu berhubungan dengan prediksi dan deskripsi[15]. Tujuan dari prediksi dan deskripsi dapat dicapai dengan beberapa data mining metode, namun untuk penelitian ini penulis menggunakan metode Clustering yaitu Mengelompokan sekumpulan data dengan mengetahui variabel-variabel saja yang memiliki kesamaan. Variabel tersebut bisa saling mutual exclusive dan saling representative
3. Davies Bouldin Index Davies Bouldin index didapatkan berdasarkan kemiripan dari klaster (Rij) yang mana merupapakan berasal dari ukuran sipersi dari klaster(si) dan ketidakmiripan ukuran (dij). Kemiripan ukuran dari klaster dapat difenisikan bebas namun harus sesuai dengan persyaratan berikut.
Rij ≥0 Rij =Rji if si = 0 and sj= 0 then Rij= 0 if sj > skand dij = dik then Rij > Rik if sj = skand dij < dik then Rij > Rik
biasanya nilai Rij ditentukan dengan menggunakan cara berikut
B. Algoritma 3
Data mining merupakan ekstraksi pola yang menarik dari data dalam jumlah besar
(2.1)
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013)
(
)
| |
2 Identifikasi Permasalahan Proses identifikasi permasalahan dalam tugas akhir ini dilakukan melalui proses brainstorming dengan pihak manajemen perusahaan. Kondisi aktual yang terjadi dilapangan adalah:
∑
1. Kemudian Davies-boundin index didefinisiniskan sebagai berikut
∑ 2.
(2.2) Ukuran dari Davies-boundin index adalah nilai rata-rata yang similar antara setiap klaster dan itu merupakan yang paling mirip. Apabila memiliki nilai davies-boudin yang lebih rendah bearti konfigurasi klaster telah baik 4.
Root Mean Square Standart Deviation (RMSSTD)
RMSSTD merupakan variansi dari sebuah klaster, ukuran RMSSTD menunjukan homogenitas isi dari sebuah klaster pada group yang homogen. Nilai yang lebih kecil menunjukan klaster yang lebih baik
∑ √
∑ ̅
∑ (2.3)
3.
Perusahaan telah mempunyai proses pengklasifikasian pelanggan, akan tetapi proses klusternya masih menggunakan cara manual (dengan mempercayakan langsung dengan klaim yang dilakukan pelanggan). Sehingga menimbulkan banyak permasalahan dalam hasilnya. Karena proses kluster masih manual, hal ini menyebabkan pelanggan melakukan klaim palsu. Terutama pelanggan bisnis, karena tidak ingin membayar tarif lebih mahal. Maka pelanggan bisnis biasanya melakukan klaim perumahan, akan tetapi dalam pemakaian digunakan untuk keperluan bisnis. Dari paparan poin pertama dan kedua, akibat yang dialami perusahaan yaitu kerugian secara materiil. Karena pelanggan bisnis seharusnya membayar tariff yang lebih mahal.
Melakukan Brainstorming dengan pihak perusahaan
Ditemukan persoalan, yaitu sistem pengklasifikasian pelanggan yang belum tepat
Solusi yang ditawarkan, yakni sistem pengklasifikasian yang lebih tertata
Gambar 3. 2 Identifikasi Permasalahan 3 Pengumpulan Data Setelah penulis dapat mengidentifikasi masalah yang terdapat dalam perusahaan, langkah selanjutnya yaitu pengumpulan data. Data-data inilah yang akan dijadikan bahan inputan dari tugas akhir ini. Data yang dibutuhkan oleh penulis yaitu Call Detail Record. Data ini diambil dari divisi sentral, format dari call detail record yaitu (.tape).Data yang diberikan perusahaan sudah dalam bentuk CD.
III Metode Pengerjaan algoritma 1 Flowchart Pelaksanaan Tugas Akhir Call detail Record Pengambilan dan pembersihan melalui Call Data Server Self Organizing Maps (SOM) cluster
Tidak
Jumlah Kluster yang didapat
Validasi RMSSTD
2. Apakah hasil telah valid
Hasil Kluster kmeans YA Validasi Davies Bouldin index
4.1 Tahap Praproses Data Data yang diperoleh pada tahap pengumpulan data merupakan data mentah, khususnya yang diperoleh dari data rekapitulasi transaksi pelanggan. Oleh karena itu, dilakukan praproses data. Berikut ini merupakan langkah-langkah yang dilakukan dalam pra proses data: 1.
Kluster yang memiliki nilai RMSSTD terendah menjadi centroid pada kmeans
K-means cluster
4. Pembersihan dan Perlengkapan Data Pembersihan data dan perlengkapan data, tahap ini bertujuan untuk merapikan data yang tidak lengkap, atau data yang bersifat outlier.
Melakukan uji verifikasi
Melakukan Analisa Data
Hasil Analisa
Gambar 3. 1 Tahap Pelaksanaan Tugas Akhir
3.
Pelengkapan data, apabila terdapat beberapa data yang hilang. Pelengkapan data dilakukan dengan melakukan survei kepada perusahaan terkait. Pembersihan data, pembersihan ini terdiri dari penghapusan beberapa data yang menyimpang (outlier), data yang kurang lengkap, atau tidak sesuai dengan record (tidak kosisten) Melakukan standarisasi sebelum data akan dimasukan, perubahan input menjadi data yang bersifat binary sehingga dapat diolah pada aplikasi Matlab
Proses pembersihan data dari data yang menyimpang:
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) CDR (Call Detail Record)
Memasukkan CDR pada Call data server
Data diproses pada CDS, untuk membuang outlier
Data siap digunakan
Setelah melakukan insialisasi weight, hal yang dilakukan memasukkan data dengan cara merubah file menjadi .csv, lalu melakukan import data.
Gambar 3. 3 Proses Pembersihan Data
4.2 Identifikasi Atribut yang akan digunakan Pada tahap ini dilakukan penentuan atribut atau variable yang nantinya akan digunakan penulis dalam melakukan proses implementasi. 4.3 Uji Korelasi antar Atribut Atribut atau variable yang telah ditentukan oleh penulis tadi selanjutnya akan di uji korelasi. Tujuan dilakukan uji korelasi untuk mengetahui tingkat keterkaitan antara atribut satu dengan Gambar 4.2 Import data di Matlab atribut lainnya. Dengan demikian akan dapat diketahui atribut Setelah itu akan dilakukan proses pengupdatean data mana yang berkorelasi kuat, demikian sebaliknya. Untuk weight. Akan dihitung jarak antar data matrix dengan jarak weight, mempermudah proses uji korelasi, akan digunakan software kemudian data tersebut akan dibandinkan dengan weight yang lain. SPSS. Atribut yang memiliki korelasi signifikan akan Weight dengan nilai terkecil akan diupdatE, dan hal ini akan berulang diprioritaskan untuk dijadikan sebagai atribut pada tahap terus sampai tidak ada lagi data yang dapat diupdate. Berikut ini clustering. merupakan salah satu contoh perhitungan klaster SOM dengan 2 klaster pada tool matlab 4.4 Tahap Pelaksanaan Algoritma Pada tahap ini akan dijelaskan proses clustering. Seluruh proses Setelah data diupdate sampe dengan data terakhir maka kluster akan dilakukan menggunakan bantuan Matlab 8.1.0.604 akan diperoleh data weight yang terakhir. Untuk menentukan Hasil terbaik akan termasuk klaster berapa data inputan, akan dihitung jarak antara dijadikan centroid Data SOM Cluster K-MEANS weight dan data input. Data akan dibandingkan antar weight jarak untuk k-means dengan nilai terkecil merupakan posisi klaster. Gambar 3. 4 Tahap Pelaksanaan Algoritma
Hasil dari kluster 2
4.5 Uji Validasi Pada proses ini akan dilakukan testing, apakah hasil dari klaster merupakan hasil yang optimal, apabila masih belum optimal maka akan dilakukan pre-processing ulang. Namun apabila hasil sudah optimal maka hasil sudah dapat digunakan untuk dianalisa V HASIL PENELITIAN 1. Self Organizing Maps (SOM) Pada Self Organizing Map ini akan dilakukan proses klaster 2 sampai dengan 6 klaster. Kemudian dengan RMSSTD akan ditentukan klaster yang optimal. Jumlah klaster tersebut yang akan digunakan pada metode selanjutnya. Pada langkah awal weight harus ditentukan terlebih dahulu (gambar 4.15) yang pada nantinya akan diupdate berdasarkan data yang akan dimasukan.
Gambar 4.3 Hasil dari Kluster SOM Proses yang di jelaskan tadi dilakukan sampai pada kluster 6 2. RMSSTD Setelah didapatkan hasil dari klaster 2 sampai dengan 6, dilanjutkan dengan validasi untuk mengetahui pada klaster berapa hasil data tersebut disebut yang paling optimal. Pada kasus ini hasil data klaster akan dihitung lagi dengan menggunakan metode root median square standart deviation (RMSSTD). Hasil dari perhitungan RMMSTD dapat dilihat pada tabel 4.5 Tabel 4. 1 Validasi RMSSTD
Gambar 4.1 Inisialiasi Weight
RMSSTD
Nilai
Kluster 2
0.6248804
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) Kluster 3 0.3241053 Kluster 4
0.3241154
Kluster 5
0.3241255
Kluster 6
0.324168
Dari data didapatkan klaster 3 memiliki nilai RMSSTD paling rendah, hal ini dapat disimpulkan bahwa klaster 3 memiliki tingkat homogenitas klaster yang paling tinggi. Oleh sebab itu, hasil output dari metode SOM adalah 3 klaster
RMSSTD
Segmen kode 4.2 Hasil Kluster kmeans 4. Davies Bouldin Index
0.624880 4
Setelah menyelesaikan algoritma k-means, langkah selanjutnya melakukan validasi davies bouldin index.
0.324105 0.324115 0.324125 0.324168 3 4 5
Berikut merupakan hasil dari validasi DBI: Tabel 4. 2 Hasil Perbandingan Antar DBI
Kluster 2 Kluster 3 Kluster 4 Kluster 5 Kluster 6 Gambar 4.3 Validasi RMSSTD
Klaster SOM SOM + Kmeans 5. Analisa Hasil
Nilai DBI 0.26902 0.184783
Dari hasil RMSSTD diatas menunjukkan, bahwa kluster 3 yang paling optimal dibandingkan dengan kluster yang. Maka, penetapan jmlah kluster untuk proses kmeans adalah
Setelah melakukan validasi DBI, setelah itu melakukan analisa hasil data yang didapat.
3. Algoritma K-Means
Berikut merupakan 3 hasil karateristik yang didapat:
Pada akhir tahap validasi klaster SOM telah didapatkan hasil klaster yang paling optimal dalam menggunakan algoritma SOM adalah dengan jumlah klaster 3. Dengan hasil tersebut akan digunakan dalam menentukan centroid K-Means.
Kluster 1
Langkah pertama memasukkan input data yang berpedoman pada hasil dari kluster SOM. Kemudian setelah dilakukan fungsi klaster K-Means akan dihasillkan klaster dengan jumlah 3. Hasil input yang akan dihasilkan merupakan hasil nilai klaster pada setiap atribut data
-
[klaster, ctrs]=kmeans(data,3)
-
Pelanggan pada klaster 1, lebih sering menggunakan telepon pada zona 1 Pemakaian pulsa yang dihabiskan pada tipe pelanggan kluster 1 yaitu, 1-10 Pelanggan kluster 1, lebih sering menggunakan untuk menelpon pada jarak kurang dari 30 km ( di dalam kota) Pelanggan pada kluster 1 lebih banyak penggunaannya pada telepon local yang artinya pelanggan lebih sering menggunakan untuk menelpon konsumen yang menggunakan produk Telkom.
-
-
Kluster 2 -
Segmen kode 4.1 Menghitung kmeans Hasil dari algoritma kmeans
-
Pelanggan pada tipe kluster 2 lebih sering menggunakan transaksi telepon pada zona 3 Pemakaian pulsa yang dihabiskan pelanggan kluster 2 yaitu sebanyak 11-85 Pelanggan pada kluster 2 sering menggunakan telepon dengan tujuan yang mempunyai jarak lebih dari 50 km Pelanggan pada kluster 2 lebih banyak penggunaannya pada telepon local, yang artinya penggunaan transaksi telepon yang dituju menggunakan produk Telkom
Kluster 3
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) Pelanggan pada kluster 33 lebih sering penggunaanya pada zona 33 Pemakaian pulsa yang dihabiskan pada kluster 3 yaitu lebih dari 100 - 459 Pelanggan sering menggunakan transaksi telepon pada jarak lebih dari 50 km Pelanggan pada kluster 3, melakukan transaksi telepon dengan tujuan nomer operator bukan milik Telkom ( operator telepon lain) VI. Kesimpulan dan Saran 6.1 Kesimpulan Dari hasil ujicoba pengklasifikasian pelanggan dengan variasi metode SOM, dan metode kombinasi SOM Kmeans.Dapat disimpulkan bahwa clustering yang paling optimum adalah membagi pelanggan dalam 3 kluster dengan mengkombinasikan metode SOM dan K-means. Bedasarkan hasil analisa, didapatkan pengelompokan pelanggan yang telah di lakukan analisa oleh pihak marketing perusahaan. Hasil dari pengklasifikasian pelanggan adalah sebagai berikut: 1) Tipe pelanggan kluster 1 Bedasarkan hasil analisa, tipe pelanggan kluster 1 termasuk kategori pelanggan perumahan/ kelas platinum, karena sifatnya yang hanya menghabiskan pulsa sedikit, dan lebih cenderung penggunaan teleponnya pada sesama pengguna produk telkom 2) Tipe pelanggan kluster 2 Bedasarkan hasil analisa, tipe pelanggan kluster 2 termasuk kategori pelanggan governance/ kelas Gold. Karena sifatnya penggunaan pulsa dikategori sedang (tidak terlalu banyak dan sedikit), dan lebih cenderung penggunaan teleponnya pada sesama konsumen pengguna produk telkom 3) Tipe pelanggan kluster 3 Bedasarkan hasil analisa, tipe pelanggan kluster 3 termasuk kategori pelanggan bisnis/ kelas silver, karena sifatnya yang sering menghabiskan pulsa diatas 100. 6.2 Saran Penelitian ini dilakukan dengan menggunakan metode SOM dan Kmeans, dengan melakukannya terhadap data call detail record, saran dalam pengembangan kedepannya diharapkan penelitian ini : 1)
2)
3)
Sebaiknya tujuan dari penelitian yang berhubungan dengan call detail record dapat lebih dikembangkan lagi. Sebaiknya variabel yan didapatkan dapat lebih bervariasi dengan melakukan survey kepada para pelanggan perusahaan Sebaiknya dilakukan pembuatan aplikasi yang dapat melakukan inputa terutama untuk metode SOM secara otomatis
VI. DAFTAR PUSTAKA [1]
Media Online Bhirawa. (2010, Oktober 12). Dipetik Maret 30, 2012, dari Harian Bhirawa, mata rakyat mitra birokrat: http://www.harianbhirawa.co.id/ekonomi/17532-jumlah-ukm-disurabaya-tak-terdata.
[2]
sWANG Huai-bin, Y. H.-l.-j. (2010). A klastering algorithm use SOM and K-Means in Intrusion Detection . Xinwu, L. (2008). Research on Text Klastering Algorithm Based on
[3]
[4]
[5] [6] [7] [8] [9] [10]
[11] [12] [13]
[14] [15]
[16]
K_means and SOM . 4. Waminee Niyagas, A. S. (2006). Klastering e-Banking Customer using Data Mining and Marketing Segmentation. Klastering use K-Means and SOM , 7.. EEPIS ITS. (t.thn.). Dipetik April 19, 2012, Pan-Ning Tan, M. S. (2006). Introduction Data Mining. Boston: Pearson Adison Wesley. Haryanto, D. T. (2012, April 4). Wawancara pengambilan data (P. I. Cahyo A N, Pewawancara) Tito. (2012, Mei 15).wwancara pengambilan data (C. A. Nugroho, Pewawancara) SME. (2012). Bank Mandiri: Kredit UKM mengalami kenaikan. Jakarta: Business Media International. Lobo Victor José de Almeida e Sousa, V. A. (2006). On pitfall using hierarchical klastering for analysing data the advantages of using SOM . The case of entrepeneurs of SME , 11. Soehartati. (2012, April 6). Kriteria bantuan modal UMKM. (C. A. Nugroho, Pewawancara) Ferenc Kovács, C. L. (2002). Dunn index and Davies Bouldin index. Klaster Validity Measurement Techniques , 11. Siddheswar Ray, R. H. (n.d.). Validity inex use Dunn index and DaviesBouldin index . Determination of Number of Klasters in K-Means Klastering and , 7. Clifton, Christopher (2010). "Encyclopædia Britannica: Definition of Data Mining". Retrieved 2010-12-09. a b c Fayyad, Usama; Gregory Piatetsky-Shapiro, and Padhraic Smyth (1996). "From Data Mining to Knowledge Discovery in Databases". Retrieved 2008-12-17. SME. (2012). Bank Mandiri: Kredit UKM mengalami kenaikan. Jakarta: Business Media International.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) A.
