SEGMENTASI PASAR DENGAN ANT-KMEANS CLUSTERING

SEGMENTASI PASAR DENGAN ANT-KMEANS CLUSTERING Budi Santosa Patdono Suwignyo Jurusan Teknik Industri, Institut Teknologi Sepuluh Nopember Kampus ITS Sukolilo, Surabaya email:[email protected]

Abstrak Segmentasi pasar merupakan hal yang penting bagi suatu perusahaan (industri). Hal ini disebabkan perusahaan tidak dapat melayani semua pelanggan di pasar yang besar, luas dan beraneka ragam. Dengan segmentasi pasar yang baik maka perusahaan mampu melayani target strategisnya yang sempit secara efektif dan efisien dibandingkan kompetitor yang bersaing di pasar yang lebih luas. Penelitian ini menerapkan metode hybrid ant-K means clustering. Dalam hal ini digunakan pendekatan ant colony optimization untuk melakukan pekerjaan klastering. Selanjutnya disebut ant colony-based clustering (ACC). ACC digunakan sebagai langkah awal menemukan pusat awal klaster (initial cluster center). Selanjutnya pusat klaster ini akan digunakan sebagai input untuk Kmeans. Metoda hybrid ini diterapkan pada PT X yang merupakan distributor lampu. Product Family yang diamati adalah lampu fluorescent. Tujuan dari penelitian adalah merumuskan strategi produksi dan pemasaran yang tepat bagi perusahaan.   Kata kunci : Product Family, Segmentasi Pasar, Ant-kmeans Clustering   1. PENDAHULUAN Pasar lampu listrik belakangan berkembang cukup pesat. Ketatnya persaingan pasar antara produk lokal dan impor, serta membanjirnya produk impor, terutama dari Cina, dengan harga murah, mewarnai potret industri ini. Selain itu, naiknya harga bahan baku, melonjaknya tarif listrik, naiknya harga BBM dan masalah lainnya berpengaruh cukup besar bagi industri ini. PT X sebagai salah satu dari 14 produsen lampu listrik terkemuka di Indonesia harus melakukan perubahan secara terusmenerus dan dapat mengikuti keinginan pasar serta melakukan segmentasi pasar secara tepat. Penelitian tugas akhir ini akan dilaksanakan di PT. Megacahaya Teknikatama sebagai distributor dari lampu X. Pertumbuhan pasar lampu listrik yang terus meningkat (ditunjukkan pada Gambar 1.1) diimbangi dengan persaingan pasar yang ketat membuat Philips harus menerapkan strategi yang tepat. Kadang-kadang perusahaan dapat dengan sukses menerapkan lebih dari satu pendekatan sebagai target utamanya, meskipun ini jarang terjadi. Penelitian ini fokus kepada segmentasi dengan menggunakan metode ant-k-means clustering.   Selain itu, pasar yang beragam kini kurang menyukai pendekatan marketing secara massal dan dengan menyadari pentingnya pengetahuan akan perilaku pembelian oleh konsumen, segmentasi pasar memegang peranan penting. Berkaitan dengan pasar lampu listrik, segmentasi dibangun untuk melayani target tertentu secara baik. Strategi ini didasarkan pada pemikiran bahwa perusahaan akan mampu melayani target strategisnya yang sempit secara efektif dan efisien ketimbang pesaing yang bersaing lebih luas. Sebagai akibatnya perusahaan akan mencapai diferensiasi karena mampu memenuhi kebutuhan target tertentu dengan lebih baik atau mencapai biaya yang lebih rendah dalam mencapai target ini, atau bahkan mencapai kedua-duanya. Segmentasi pasar dilakukan dengan mempertimbangkan variabel segmentasi dan atribut produk yang akan diteliti. Variabel yang digunakan untuk segmentasi dalam penelitian ini terdiri atas 3 kategori yaitu choice based segmentation, benefit/value based segmentation dan demographic segmentation. 2. DATA Data yang digunakan adalah data penjualan, dimana setiap transaksi mewakili produk yang dibeli. Setiap produk ini akan mempunyai karekteristik tertentu yang diwakili oleh 7 atribut. Produk yang diteliti memiliki karakteristik sebagai berikut : • Produk yang diamati merupakan product family. • Produk memiliki spesifikasi engineering. • Produk dijual langsung ke end customer 249

Produk yang diamati dalam penelitian merupakan product family dimana penyusunan grup item produk dalam satu product family adalah didasarkan pada kesamaan proses produksi. Tujuan dibentuk dalam satu grup family adalah untuk memudahkan perusahaan dalam memproduksi dan melakukan penataan penjadwalan produk yang diorder oleh konsumen, sehingga menjaga utilitas dari fasilitas produksi yang dimiliki oleh perusahaan. Berdasarkan penelitian Zhang et al. (2006), segmentasi pasar dilakukan dengan fokus karakteristik engineering sehingga dapat membantu target segmen secara efektif dan efisien. Hal tersebut mempengaruhi karakteristik produk amatan, yakni produk yang memiliki spesifikasi engineering. Produk yang diamati di sini adalah lampu fluorescent. Beberapa atribut produk yang diamati antara lain • • • • • • •

Watt Desain Warna Kepala Lampu Diameter Ulir (cm) Index Rendering (Ra) Temperatur Warna (K) Luminous Flux Lampu (lm)

Contoh atribut produk dan nilainya diberikan dalam Tabel 1.

No. 1.1

Watt 8

Tabel 1 Atribut Produk Berdasar Family Product Index Desain Kepala Diameter Temperatur Rendering Warna Lampu Ulir (cm) (Ra) Warna (K) CDL ES 44.4 80 6500

Luminous Flux Lampu (lm) 380

1.2

8

WW

ES

44.4

82

2700

400

1.3

11

CDL

ES

44.4

80

6500

540

1.4

11

WW

ES

44.4

82

2700

570

2.1

45

CDL

BC

80.3

80

6500

3000

2.2

45

WW

ES

80.3

82

6500

3000

2.3

65

CDL

BC

80.3

80

6500

4200

2.4

65

WW

ES

80.3

80

6500

4200

3.1

8

CDL

ES

52.4

80

6500

380

3.2

8

WW

ES

52.4

82

2700

425

3.3

14

CDL

ES

52.4

80

6500

760

3.4

14

WW

ES

52.4

82

2700

800

3. METODOLOGI Untuk memahami bagaimana metode hybrid yang diusulkan diaplikasikan, kita mulai dari K‐means.  3.1 K-MEANS CLUSTERING Tujuan utama dari metoda klaster adalah pengelompokan sejumlah data/obyek ke dalam klaster (group) sehingga dalam setiap klaster akan berisi data yang semirip mungkin. Dalam klastering kita berusaha untuk menempatkan obyek yang mirip (jaraknya dekat) dalam satu klaster dan membuat jarak antar klaster sejauh mungkin. Ini berarti obyek dalam satu klaster sangat mirip satu sama lain dan berbeda dengan obyek dalam klaster-klaster yang lain. Dari beberapa teknik klastering yang paling sederhana dan umum dikenal adalah klastering k-means. Dalam teknik ini kita ingin mengelompokkan obyek ke dalam k kelompok atau klaster. Untuk melakukan klastering ini, nilai K harus ditentukan terlebih dahulu. Biasanya user atau pemakai sudah mempunyai informasi awal tentang obyek yang sedang dipelajari; termasuk berapa jumlah klaster yang paling tepat. Algoritma Kmeans klastering bisa ringkas sebagai berikut (Santosa, 2007): • •

Pilih jumlah klaster K yang dinginkan Inisialisasi k pusat klaster 250

Ini bisa dilakukan dengan berbagai cara. Yang paling sering dilakukan adalah dengan cara random. Pusat-pusat klaster diberi nilai awal dengan angka-angka random. Atau menggunakan beberapa data sebagai pusat awal. • Tempatkan setiap data/obyek ke klaster terdekat Kedekatan dua obyek ditentukan berdasar jarak kedua obyek tersebut. Demikian juga kedekatan suatu data ke klaster tertentu ditentukan jarak antara data dengan pusat klaster. • Hitung kembali pusat klaster dengan keanggotaan klaster yang sekarang. Pusat klaster dihitung dengan mencari rata-rata dari semua data/obyek dalam setiap klaster tertentu. • Tugaskan lagi setiap obyek dengan memakai pusat klaster yang baru. Jika pusat klaster sudah tidak berubah lagi, maka proses pengklasteran selesai. Atau, kembali lagi ke langkah nomor 3 sampai pusat klaster tidak berubah lagi. Hasil klaster dengan metoda K-means sangat bergantung pada nilai pusat klaster awal yang diberikan. Pemberian nilai awal yang berbeda bisa menghasilkan hasil klaster yang berbeda. Ada beberapa cara memberi nilai awal misalnya dengan mengambil sampel awal dari data, lalu mencari pusatnya; memberi nilai awal secara random; kita tentukan nilai awalnya atau menggunakan hasil dari klaster dari metoda lain. Dalam paper ini pusat awal klaster didapat dari ant colony-based clustering. 3.2 ANT-BASED CLUSTERING Ant-Colony Optimization (ACO) biasanya digunakan untuk menyelesaikan discrete optimization problems dan biasanya digunakan untuk menyelesaikan persoalan yang kompleks dimana terdapat banyak variabel. Hasil yang diperoleh dengan menggunakan ACO, walaupun tidak optimal namun mendekati optimal.Penggunaan metoda heuristic seperti ACO menguntungkan dari segi waktu komputasi yang lebih cepat dibandingkan pendekatan exact optimization (analytic optimization) Ant colony mempunyai beberapa karakteristik yang dianggap berguna. Dimana dia dapat melakukan tugas yang kompleks sebagai suatu grup tanpa perlu adanya koordinasi. Ant-based techniques yang pertama kali dilakukan adalah dengan menggunakan ACO, dimana digunakan oleh Dorigo et. al. (1996), untuk menyelesaikan Traveling Salesman Problem (TSP). Setiap semut yang berjalan akan meninggalkan pheromone (stigmergic) signal pada jalur yang dilaluinya. Jalur yang pendek akan meninggalkan sinyal yang lebih kuat. Semut berikutnya, pada saat memutuskan jalur mana yang harus dipilih, biasanya akan cenderung memilih untuk mengikuti jalur dengan sinyal yang paling kuat, sehingga jalur terpendek akan ditemui karena lebih banyak semut yang akan melewati jalur tersebut. Hal ini dapat dilihat pada gambar 1, dimana merupakan gambar bagaimana jalur yang dilalui oleh semut pada saat mencari makan dari sarang sampai ke sumber makanan. Salah satu hal yang penting pada ant-inspired technologies adalah pada saat sistem telah menemukan solusi yang optimal, ACO akan dapat beradaptasi dengan cepat terhadap perubahan yang terjadi di sekitar. Adaptasi ini didasarkan pada stigmergic yang merupakan dasar dari antsystem. Pheromone yang lebih kuat akan dimiliki oleh solusi dengan jalur yang lebih optimal pada akhir suatu algoritma.  

 

  Gambar 1. Pencarian Jalur Terpendek oleh Semut untuk Memperoleh Makan

 

251

Dalam Ant-based clustering (Shelokar et al, 2004; KEKEÇ et al., 2006; Kanade and Hall, 2003; Kuo et al., 2005, Ling Chen et al, 2004) hal yang pertama dilakukan adalah mendistribusikan data secara acak kedalam sebuah workspace (gambar kedua dari kiri pada gambar 2). Istilah workspace digunakan untuk data dengan 2 dimensi. Setelah itu sejumlah semut (na) ditempatkan pada posisi yang berbeda pada workspace. Dengan asumsi hanya terdapat 1 semut dan hanya 1 objek yang dapat ditempatkan pada satu posisi pada workspace. Atau sering disebut cell. Setiap semut mewakili satu data.  

Gambar 2. Contoh Ant Clustering Algorithm  

 

  Pada setiap step, setiap semut akan melakukan picking/dropping sebuah obyek, dimana probabilitas picking/dropping didasarkan pada disparity (jarak pada feature space) antara obyek tersebut dengan obyek tetangganya. Fungsi f(i) akan meningkat bila disparity antara obyek i dengan tetangganya berkurang. Sehingga formulasi untuk f(i) probabilitas pick dan drop, sbb:

⎧ 1 f (i ) = max ⎨0, 2 ⎩ s

∑

⎡ d (i, j ) ⎤ ⎫ 1− ⎬  j∈Neigh ( sxs )( r ) ⎢ α ⎥⎦ ⎭ ⎣

⎛ Ppick = ⎜ ⎜k ⎝ p ⎧2 f (i ) Pdrop = ⎨ ⎩ 1

2

⎞ ⎟   + f (i ) ⎟⎠ if f (i ) < k d   Otherwise kp

  dimana Neighs×s(r) merupakan lokasi yang mengelilingi r sebesar sxs pada workspace (2-D space), dan fungsi d(i,j) merupakan jarak Euclidean antara 2 obyek pada feature space. Sedangkan α merupakan ukuran ketidakmiripan dari setiap pasang obyek, kp merupakan parameter bila melakukan pick up, sedangkan kd merupakan parameter bila melakukan drop. Probabilitas dropping sebuah objek akan lebih tinggi bila dekat dengan objek yang sama, dan probabilitas picking sebuah objek akan lebih tinggi bila objek tersebut terisolasi atau dekat dengan objek yang tidak sama. Setelah melakukan picking/dropping obyek, semut akan bergerak satu langkah secara acak pada jaringan yang ada. Dengan melakukan langkah picking/dropping berulangkali maka objek yang berdekatan pada feature space cenderung akan dijatuhkan pada neighboring position pada workspace. Dan ini akan menyebankan terbentuknya klaster sementara yang berukuran kecil. Proses yang dilakukan berulang kali kemudian akan meningkatkan ukuran dari klaster. Dari model awal yang ada, terdapat beberapa modifikasi yang merupakan pengembangan dari model awal ini. Salah satunya adalah De Castro yang mengembangkan model yang telah dikembangkan oleh Lumer and Faieta sebelumnya (2006). Pada model ini, setiap semut tidak dapat berkomunikasi dengan semut yang lain dan mereka hanya dapat mengetahui kesamaan dari suatu obyek yang berada didekatnya. Selain itu merupakan pengembangan dari model awal dan mempunyai kondisi akhir yang dapat selalu berubah. Langkah yang diusulkannya adalah sebagai berikut: a. Picking suatu obyek didasarkan pada probabilitas Ppick, dimana Ppick akan mulai drop setelah beberapa langkah (step) dilakukan. b. f(i) merupakan fungsi yang digunakan untuk menentukan variable yang terdapat pada neighborhood, seperti pada model awal. Bila fungsi tersebut mempunyai nilai yang besar, maka akan menunjukkan adanya klaster dengan jumlah yang besar dan lebih stabil sehingga akan meningkatkan ukuran dari neighborhood. c. Pheromone signals akan ditambahkan pada setiap tempat dimana semut menjatuhkan sebuah objek, sehingga semut akan memiliki cenderung menjatuhkan objek yang mirip dekat dengan tempat tersebut dan akan mengambil objek yang tidak mirip dari tempat tersebut. 252

Jadi, bila fungsi f(i) meningkat, maka disparity dari suatu objek terhadap pusat akan berkurang dan memperbesar probabilitas untuk melakukan dropping sehingga akan terbentuk suatu kelas. Untuk memahami agoritma yang ada, ada beberapa istilah dan parameter yang perlu dijelaskan. Istilah yang pertama adalah heap, yaitu suatu koleksi yang terdiri dari 2 obyek atau lebih. Pertimbangkan suatu heap H dengan nH obyek, maka kita bisa definsisikan beberapa parameter berikut : 1. Maksimum jarak antara dua s-dimensional Obyek dalam suatu heap

Dmax ( H ) = max D( X i , X j ) x i , x j∈H

dimana D adalah jarak euclidean 2. Pusat dari semua obyek dalam suatu heap

Dcenter ( H ) =

1 nH

∑O

Oi ∈H

i

3. Obyek paling tidak mirip dalam suatu heap adalah obyek yang paling jauh dari pusat heap. 4. Jarak rata-rata antara obyek H dan pusat heap adalah

Dmean ( H ) =

1 nH

∑ D(O , O

Oi ∈H

i

center

( H ))

Secara ringkas ant colony-based clustering diberikan sebagai berikut (Monmarche et al 1999 dikutip dalam Kanade, and Hall,2003) 1.Tempatkan secara random semut-semut pada papan (workspace) Tempatkan secara random obyek-obyek pada papan paling banyak satu per cell 2. Ulangi 3. Untuk setiap semut Do 3.1Pindahkan semut 3.2 Jika semut tidak membawa obyek kemudian jika ada obyek di dalam 8 cell tetangga (neighboring cells) , semut akan mengambil obyek tersebut 3.3 Jika tidak semut akan meletakkan obyek yang dibawa dengan melihat 8 cell tetangga di sekitarnya 4. Sampai stopping criteria Gambar 3 Algoritma dasar ant-based Algoritma untuk mengambil suatu obyek adalah sebagai berikut (Monmarche et al 1999 dikutip dalam Kanade, and Hall,2003) 1. Tandai 8 neighboring cells sekitar semut sebagai “unexplored” 2. Ulangi 2.1 Pertimbangkan unexplored cell berikutnya sekitar semut 2.2 Jika cell tidak kosong maka 2.2.1Jika cell mengandung single object X, maka object X diambil dengan probabilitas Pload, jika tidak 2.2.2 Jika cell mengandung heap dengan 2 obyek,maka heapdirusak dengan mengambil satu obyek secara random dengan probabilitas Pdestroy Jika tidak 2.2.3 Jika suatu cell mengandung heap H dengan lebih dari 2 obyek, maka obyek yang paling tidak mirip Odissim(H), dari H dibuang hanya jika

D(Odissim ( H ), Ocenter ( H )) > Tremove D mean ( H ) 2.3 Label cell sebagai “explored” 3. sampai semua neighboring cells diexplore atau satu obyek sudah diambil Gambar 4. Algoritma untuk mengambil obyek (to pick up) 253

Sedangkan algoritma untuk meletakkan obyek (drop object) diberikan sebagai berikut (Monmarche et al 1999 dikutip dalam Kanade, and Hall,2003) 1. Tandai 8 neighboring cells sekitar semut sebagai “unexplored” 2. Ulangi 2.1 Pertimbangkan unexplored cell berikutnya sekitar semut 2.1.1 Jika cell kosong maka obyek dibawa semut, X,dan diletkkan dengan probabilitas Pdrop jika tidak 2.1.2 Jika cell mengandung single object X’, maka suatu heap dengan dua obyek akan diciptakan dengan meletakkan object X pada X’ hanya jika

D( X , X ' ) < Tcreate D max lainnya 2.1.3 jika cell tersebt mengandung suatu heap H maka X diletakkan pada H hanya jika D(X,O center (H)) D(O dissim (H),O center (H)) 2.2 Label cell sebagai “explored” 3. sampai semua neighboring cells diexplore atau obyek yang dibawa sudah diletakkan Gambar 5. Algoritma untuk dropping an object Tahap dua Setelah dilakukan langkah-langkah seperti dijelaskan dalam algoritma 1 dan algoritma 2, maka perlu dilanjutkan dengan langkah penggabungan jika suatu heap dengan heap lain berisi oyek yang cukup homogen. Semakin banyak jumlah iterasi akan semakin kecil jumlah heap. Setelah penggabungan ini, maka pusat klaster yang dihasilkan akan digunakan sebagai masukan untuk algoritma K-means. 1. Sebarkan obyek secara random pada papan 2. Inisialisasi semut dengan posisi random , dan arah random 3. Untuk 1000 iterasi Lakukan 3.1 Untuk setiap semut lakukan 3.1.1 Pindahkan semut 3.1.2 Jika semut tersebut sedang membawa obyek X maka Letakkan obyek X tersebut atau 3.1.3 Ambil sebuah obyek X 4. Gunakan pusat klaster yang diperoleh di langkah 3 untuk pusat awal klaster K- Means algorithm 5. Klasterkan data dengan K- Means algorithm

Gambar 6. Algoritma Ant-K-means yang diusulkan 4. EKSPERIMEN Algoritma di atas diterjemahkan dalam program komputer yang ditulis dalam Matlab (Santosa, 2007b). Lalu dicoba untuk data Iris, yang sudah menjadi data umum dalam data mining untuk menguji suatu algoritma baru. Setelah dipastikan program berjalan sesuai algoritma dan hasilnya bagus dibandingkan dengan algoritma lain seperti K-means sendiri, maka algoritma diterapkan pada data penjulan produk lampu yang dipelajari di dalam paper ini. Dalam eksperimen ditetapkan jumlah klaster sama dengan 3. Dalam eksperimen digunakan algoritma ant-based clustering seperti dijelakan pada Gambar 6. 5. HASIL DAN ANALISIS Hasil uji algoritma dengan ant-kmeans pada data Iris menunjukkan performansi yang sebanding dengan metoda lain. Uji ini menghasilkan akurasi 90%. Hasil yang sama dicapai jika kita menggunakan Kmeans sendiri. Tabel 2 berikut adalah hasil pengolahan data dengan Ant-Kmeans. 254

Tabel 2 Klaster dan anggotanya Produk anggota Klaster 1 Klaster 2 Klaster 3

2, 13, 18, 23, 33, 40, 110 1, 3, 8, 11, 15, 21, 22, 24, 26, 29, 32, 41, 43, 44, 47, 51, 54, 55, 63, 65, 67, 78, 80, 84, 85, 90, 93, 105, 107, 108 4,5,6,7,9,10,12,14,16,17,19,20,25,27,28,30,31,34,35,36,37,38,39,42,45,46, 48,49,50, 52,53,56,57,58,59,60,61,62,64,66,68,69,70,71,72,73,74,75,76,77,79,81,82, 83,86,87, 88,89,91,92,94,95,96,97, 98, 99, 100, 101, 102, 103, 104, 106, 109, 111, 112, 113, 114 ,115, 116

Hasil dari clustering adalah 3 buah klaster. Klaster pertama terdiri atas 7 produk dengan kontribusi penjualan 6 %. Mean value klaster kedua adalah 58,4 (watt), CDL (Colour designation), ES (cap base), 70 cm (diameter ulir), 80,5 Ra (rendering index), 6500 K (colour temperature) dan 3857,1 lm (lamp luminous flux). Sedangkan klaster kedua terdiri dari 30 produk dengan mean value 10,4 (watt), WW (Colour designation), ES (cap base), 57,5 cm (diameter ulir), 81,9 Ra (rendering index), 2700 K (colour temperature) dan 556 lm (lamp luminous flux) dan kontribusi penjualannya sebesar 25,9%. Produkproduk-produk berpasangan dengan konsumen. Dan, klaster ketiga terdiri atas 79 buah produk dengan prosentase penjualan tertinggi yakni 68,1 %. Mean value dari klaster ketiga adalah 15,4 (watt), CDL (colour designation), ES (cap base), 66,1 cm (diameter ulir), 79,6 Ra (rendering index), 6451,9 K (colour temperature) dan 906,9 lm (lamp luminous flux). Untuk ketiga klaster hasil pengolahan Ant-Kmeans clustering, dirumuskan strategi produksi yang sesuai. Strategi produksi tersebut berupa prioritasisasi alokasi resource dan penjadwalan produksi, yakni klaster ketiga, klaster pertama dan klaster kedua. Alokasi resource yang diberikan berupa peralatan/mesin, bahan baku, waktu dan tenaga kerja. Ketiga klaster tersebut dapat meningkatkan efisiensi produksi karena merupakan representasi dari tujuh jenis lampu fluorescent yang memiliki kontribusi penjualan tinggi. Hasil Ant-Kmeans juga tidak berbeda dengan hasil K-means. Ini menunjukkan bahawa ant_kmeans sebagai pendekatan baru klastering memebrikan hasil yang cukup menjanjikan. 6. KESIMPULAN Kesimpulan yang dapat diambil dari penelitian ini antara lain sebagai berikut : 1. Jumlah klaster lampu fluorescent yang diperoleh berdasarkan metode Ant-Kmeans clustering adalah 3 buah klaster. Berikut adalah ketiga buah klaster : b. Klaster pertama terdiri atas 30 produk. Klaster pertama memiliki mean value 10,4 (watt), WW (Colour designation), ES (cap base), 57,5 cm (diameter ulir), 81,9 Ra (rendering index), 2700 K (colour temperature) dan 556 lm (lamp luminous flux) dengan kontribusi penjualan sebesar 25,9%. c. Klaster kedua terdiri atas 7 buah produk, diantaranya produk 2, 13, 18, 23, 33, 40 dan 110. Produk tersebut memiliki spesifikasi berupa atribut produk dengan mean value 58,4 (watt), CDL (Colour designation), ES (cap base), 70 cm (diameter ulir), 80,5 Ra (rendering index), 6500 K (colour temperature) dan 3857,1 lm (lamp luminous flux). Klaster kedua menyumbang 6 % dari total penjualan lampu fluorescent. d. Klaster ketiga terdiri atas 79 buah produk. Mean value dari klaster ketiga adalah 15,4 (watt), CDL (colour designation), ES (cap base), 66,1 cm (diameter ulir), 79,6 Ra (rendering index), 6451,9 K (colour temperature) dan 906,9 lm (lamp luminous flux). Klaster ketiga memiliki prosentase penjualan paling tinggi yakni 68,1 %. 2. Klaster produk diatas merupakan klaster konsumen karena pada data penjualan, produk dan konsumen berpasangan, dimana seorang konsumen membeli satu jenis produk. 3. Strategi produksi dilakukan dengan prioritasisasi penjadwalan produksi dan alokasi resource. Berikut adalah prioritasisasi penjadwalan produksi : 255

• Klaster ketiga dengan prosentase penjualan terbesar yaitu 68,1 %. Alokasi resource yang diberikan berupa peralatan/mesin, bahan baku, waktu dan tenaga kerja. • Klaster pertama dengan kontribusi penjualan sebesar 28,1%. Prioritasisasi yang diberikan berupa peningkatan penggunaan sumber daya atau mengurangi waktu tunggunya, sehingga total waktu proses dapat berkurang, dan produktivitasnya dapat meningkat. • Klaster kedua dengan prosentase penjualan terkecil yakni 6%. Produksi di klaster kedua sebaiknya dilakukan jika ada permintaan masuk (menunggu order yang datang), hal ini disebabkan karena kecilnya permintaan. DAFTAR PUSTAKA Claus de Castro, “A Survey on Using And-Based Techniques

for

Clustering,”

2006.

Dorigo M., Maniezzo V., Colorni A., Ant system:optimization by a colony of cooperative learning approach to the traveling agents, IEEE Trans. On Systems, Man, and Cybernetics, 1996, 26(1):29-41 Kanade , Parag M. and Hall , Lawrence O., Fuzzy Ants as a Clustering Concept, NAFIPS Conference 2003 KEKEÇ, Gülüzar , Nejat YUMUŞAK, Numan ÇELEBİ, Data Mining and Clustering With Ant Colony Optimization, Proceedings of 5th International Symposium on Intelligent Manufacturing Systems, May 29-31, 2006: 1178-1190 Ling Chen, Xiao-Hua Xu, Cyi-Xin Chen, An Adaptive Ant Colony Clustering Algorithm, Proceedings of the Third International Conference on Machine Learning and Cybernetics, Shanghai, 26-29 August 2004 Pujiastuti, Hening “Evaluasi dan Seleksi Segmentasi Pasar Product Family dengan Mengunakan Metode Fuzzy Clustering (Case Study : PT. Megacahaya Teknikatama)”, Tugas Akhir, teknik IndustriITS, 2008 R. J. Kuo, H. S. Wang, Tung-Lai Hu And S. H. Chou, Application of Ant K-Means on Clustering Analysis, Computers and Mathematics with Applications 50 (2005) 1709-1724 Santosa, Budi, Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis, Graha Ilmu, 2007 Santosa, Budi, Data Mining Terapan dengan Matlab , Graha Ilmu, Yogyakarta, 2007 Shelokar, P.S, V.K. Jayaraman, B.D. Kulkarni ,An ant colony approach for clustering , Analytica Chimica Acta 509 (2004) 187–195

256