Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini bertujuan untuk mengidentifikasi segmentasi RFM pada toko kosmetik online di Indonesia. Penelitian ini menggunakan analisis RFM (Recency, Frequency, dan Monetary) yang dilanjutkan dengan K-Means Clustering dengan menggunakan Hiearchical Clustering untuk mencari nilai k. Penelitian ini menggunakan data transaksi penjualan Makeupuccino sepanjang tahun 2017 untuk segmentasi RFM. Hasilnya menunjukkan bahwa jumlah segmentasi yang paling tepat untuk toko kosmetik online adalah 4, yang dibagi menjadi Platinum, Gold, Iron, dan Lead. Keempat segmentasi tersebut memiliki marketing objective dan program marketing yang berbeda.

---

This research aims to identify RFM segmentation on makeup online store in Indonesia. This research uses RFM (Recency, Frequency, and Monetary) analysis and then uses K-Means Clustering with Hierarchical Clustering as the way to finds k values. This study uses transaction on Makeupuccino (one of makeup online store in Indonesia) during 2017 to get RFM segmentation. The result shows that the best RFM segmentation for makeup online store in Indonesia is 4, that divided into Platinum, Gold, Iron, and Lead. Each of segmentation has different marketing objective and marketing program."

"Berdasarkan data WHO pada pertengahan Juli 2021 lebih dari 185,2 juta orang di seluruh dunia terinfeksi virus corona atau Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Virus ini menyerang penapasan manusia yang dapat mengakibatkan infeksi paru-paru pada manusia dan bahkan dapat menyebabkan kematian. Tercatat bahwa lebih dari 4 juta orang di seluruh dunia meninggal akibat terinfeksi virus corona. Di Indonesia sendiri pada pertengahan Juli 2021 tercatat lebih dari 2,4 juta orang ternfeksi virus corona dan lebih dari 65,4 ribu orang meninggal akibat terinfeksi virus corona. Berdasarkan data tersebut, perlu dilakukan analisis kekerabatan virus SARS-CoV-2 untuk mengurangi penyebaran dan memberikan batasan sosial dari negara satu dengan negara lainnya. Identifikasi kekerabatan dari virus covid-19 dan penyebarannya dapat dilakukan dengan cara pembentukan pohon filogenetik dan clustering. Pada penelitian ini pohon filogenetik akan dibangun berdasarkan metode Hierarchical Clustering dengan menggunakan metode Multiple Encoding Vector dan K-Mer berdasarkan translasi DNA kodon menjadi asam amino. Jarak Euclidean akan digunakan untuk menentukan matriks jarak. Penelitian ini selanjutnya menggunakan metode K- Means Clustering untuk melihat penyebarannya, dimana nilai k ditentukan dari jumlah centroid yang dihasilkan dari metode Hierarchical Clustering. Penelitian ini mengambil sampel barisan DNA SARS-CoV-2 dari beberapa negara yang tertular. Dari hasil simulasi, nenek moyang SARS-CoV-2 berasal dari China. Hasil analisis juga menunjukkan bahwa leluhur covid-19 yang paling dekat dengan Indonesia berasal dari India, Australia dan Spanyol. Selain itu dari hasil simulasi dihasilkan bahwa barisan DNA SARS-CoV-2 terdiri dari 9 cluster dan cluster keenam adalah kelompok yang memiliki anggota paling banyak. Hasil analisis juga menunjukkan bahwa metode ini sangat opitimal dalam pengelompokan data dengan nilai 97.4%.

---

Based on WHO data in middle of July 2021, Coronavirus or Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) is infecting more than 185.2 million people worldwide. The virus attacks human breathing, which can cause lung infections and can even cause death. More than 4 million people worldwide have died due to being infected with the coronavirus. In Indonesia alone, in mid-July 2021, there were more than 2.4 million people infected with the corona virus and more than 65.4 thousand people died from being infected with the corona virus. Based on those covid-19 survivor data, it is necessary to carry out a kinship analysis of the coronavirus to reduce its spreading. Identification of the kinship of the covid- 19 virus and its spread can be done by forming a phylogenetic tree and clustering. This study uses the Multiple Encoding Vector method and K-mer based on translation DNA codon to amino acid in analyzing sequences and Euclidean Distance to determine the distance matrix. This research will then use the Hierarchical Clustering method to determine the number of initial centroids and cluster, which will be used later by the K-Means Clustering method kinship in SARS-CoV-2 DNA sequence. This study took samples of DNA sequences of SARS-CoV-2 from several infected countries. From the simulation results, the ancestors of SARS-CoV-2 came from China. The results of the analysis also show that the closest ancestors of covid-19 to Indonesia came from India, Australia and Spain. In addition, the ancestors of SARS-CoV-2 came from China. The SARS- CoV-2 DNA sequence is also consisted of 9 clusters, and the sixth cluster is the group that has the most members. The results also show that this method is very optimal in a grouping of data with a value of 97.4%."

"Analisis kelompok adalah metode multivariat yang bertujuan mengelompokkan pengamatan berdasarkan karakteristiknya. Salah satu metode analisis pengelompokan adalah metode cluster ensembel dengan pengelompokan dilakukan dengan satu metode berulang kali hingga diperoleh hasil yang lebih baik dibandingkan jika dilakukan satu kali. Penelitian ini mencoba menggunakan Cluster Ensemble Based Mixed Data Clustering (CEBMDC), yaitu metode pengelompokan yang biasa dilakukan untuk data dengan variabel campuran yaitu numerik dan kategorik. Tahap awal dalam metode ini yaitu membagi data awal menjadi data dengan hanya variabel-variabel numerik dan data dengan hanya variabel-variabel kategorik. Data yang telah dipisahkan berdasarkan jenis variabelnya kemudian dikelompokan menggunakan metode yang sesuai secara simultan. Hasil pengelompokan ini menjadi data baru dengan dua variabel kategorik yaitu hasil pengelompokan dengan variabel numerik dan hasil pengelompokan dengan variabel kategorik. Data baru dengan dua variabel kategorik ini kemudian dilakukan proses pengelompokan. Metode pengelompokan untuk data dengan variabel numerik adalah metode Hierarchical Agglomerative Clustering. Metode clustering untuk data kategorik adalah ROCK (RObust Clustering using linKs) dan K-medoids/PAM (Partition Around Medoids). Penelitian ini membandingkan hasil pengelompokan ROCK dan K-medoids. Pengelompokan dilakukan pada data mengenai sarana dan prasarana sekolah yang diambil dari 5.094 SMP yang ada di Jawa barat. Metode pengelompokan dengan kinerja terbaik pada penelitian ini adalah Ensemble K-medoids berdasarkan rasio antara simpangan baku di dalam kelompok (¬SW) dan simpangan baku antar kelompok (SB) terkecil. Penelitian ini menghasilkan 3 kelompok yang mencerminkan kondisi sekolah-sekolah pada jenjang SMP di Jawa Barat.

---

Clustering analysis is a multivariate method that aims to classify observations based on their characteristics. One method of clustering analysis is the ensemble clustering method in which the grouping is done using a method repeatedly until better results are obtained than if it is done once. This study uses the Cluster Ensemble Based Mixed Data Clustering (CEBMDC), which is a grouping method that commonly used for data with numerical and categorical variables. The first step in this method is to divide the initial data into two parts, that is data with only numerical variables and data with categorical variables. After data has been separated based on the types of variables, and then clustering using the appropriate method is conducted simultaneously. The results of these two clustering method become a new data with two categorical variables, namely the results of clustering with numeric variables and the results of clustering with categorical variables. The new data with two categorical variables are then carried out the clustering process. The clustering method for data with numerical variables is the Hierarchical Agglomerative Clustering method. Clustering methods for categorical data are ROCK (RObust Clustering using linKs) and K-medoids / PAM (Partition Around Medoids). This study compares the results of ROCK and K-medoids clustering. The study was conducted on data of school facilities and infrastructure taken from 5094 junior high schools in West Java. The best performance grouping method in this study is the Ensemble K-medoids based on the ratio between the standard deviation in the group (SW) and the smallest standard inter-group (SB) deviation. This study produced 3 groups that reflect the condition junior high schools in West Java."

"Peradaban yang terus berkembang telah membuat konflik antara manusia dan lingkungan menjadi semakin parah sehingga menyebabkan banyak terjadinya bencana alam. Banyak negara yang terdampak oleh bencana alam dan salah satunya adalah Indonesia. Kondisi dan letak geografis Indonesia menyebabkan banyak terjadinya bencana alam di Indonesia. Oleh karena itu, perlu dilakukan pengelompokan daerah bencana alam di Indonesia untuk mengetahui daerah yang paling sering terkena bencana alam. Metode clustering dapat digunakan untuk mengetahui daerah tersebut. Dari studi literatur yang telah dilakukan, belum ada penelitian yang menggunakan metode hierarchical clustering dan fuzzy c-means untuk clustering daerah bencana alam di Indonesia. Maka dari itu, tujuan dari penelitian ini adalah mengklasifikasi daerah yang sering mengalami bencana alam di Indonesia dengan menggunakan metode hierarchical clustering dan fuzzy c-means. Data yang digunakan dalam penelitian ini adalah data bencana alam di Indonesia dari tahun 2019 hingga 2023. Variabel yang digunakan adalah jumlah kebakaran hutan dan lahan, banjir, cuaca ekstrem, gelombang pasang, tanah longsor, kekeringan, erupsi gunung api, dan gempa bumi di setiap kabupaten yang terdampak bencana alam. Hasil clustering menunjukan terdapat 66 daerah yang sering mengalami banjir, 45 daerah yang sering mengalami kebakaran hutan dan gelombang pasang, dan 30 daerah yang sering mengalami cuaca ekstrem, tanah longsor, kekeringan, erupsi gunung api, dan gempa bumi.

---

The continuously evolving civilization has exacerbated the conflict between humans and the environment, leading to increasingly severe natural disasters. Many countries are affected by natural disasters, and one of them is Indonesia. Indonesia's conditions and geographic location contribute to the occurrence of numerous natural disasters in the country. Therefore, it is necessary to classify areas prone to natural disasters in Indonesia to identify the most frequently affected regions. Clustering methods can be used to determine these areas. From the literature review conducted, there has been no research utilizing hierarchical clustering and fuzzy c-means methods for clustering areas prone to natural disasters in Indonesia. Therefore, the aim of this research is to classify areas that frequently experience natural disasters in Indonesia using hierarchical clustering and fuzzy c-means methods. The data used in this research is the natural disaster data in Indonesia from 2019 to 2023. The variables used include the number of forest and land fires, floods, extreme weather events, tidal waves, landslides, droughts, volcanic eruptions, and earthquakes in each disaster-affected district. The clustering results indicate that there are 66 regions frequently experiencing floods, 45 regions often experiencing forest fires and tidal waves, and 30 regions commonly facing extreme weather, landslides, droughts, volcanic eruptions, and earthquakes."

"

Penelitian ini bertujuan untuk mengidentifikasi perilaku belanja konsumen, menentukan segmentasi konsumen dan mengidentifikasi konsumen berdasarkan wilayah konsumen Bukku.id. Penelitian ini menggunakan data transaksi pada periode 1 September 2017 hingga 17 September 2018. Data diolah dengan analisis Recency, Frequency, Monetary (RFM) dan clustering untuk membentuk segmentasi konsumen. Selanjutnya, analisis pareto diberlakukan dalam menentukan penerbit dan penulis yang layak diprioritaskan untuk memaksimalkan hasil/return dengan meminimalkan usaha/effort. Pemetaan terhadap lokasi konsumen untuk pareto penulis ditentukan agar memberikan pemahaman untuk perbaikan promosi dan strategi pemasaran offline.

Hasil dari penelitian ini menunjukkan adanya tiga jenis profil konsumen yang berbeda berdasarkan analisis RFM dan clustering. Profil konsumen yang dipetakan terhadap penerbit dan penulis akan memberikan perusahaan keuntungan dalam memprioritisasi usaha dalam mengembangkan pola treatment terhadap penerbit dan penulis. Pengembangan offline marketing juga dapat dibangun karena mengetahui analisis lokasi konsumen yang ada.

---

The purpose of this research is to identify customer purchase behavior, form customer segmentation, and identify customer address of Bukku.id. this research uses customer purchase data of Bukku.co.id in the period 1 September 2017 – 17 September 2018. RFM method and clustering are used to identify customer segmentation. Then, pareto analysis results which publishers and authors need to be concerned for prioritizing effort in order to gain maximum benefit. Customer address or location has been mapped based on priority authors to determine promotion and offline marketing strategy.

The results of this research show three customer cluster based on RFM and clustering analysis. Each cluster has different characteristic and it can determine which strategy suit to approach their customers. Customer profile based on authors and publisher could also benefit the company to prioritize any treatments relate to them. Better offline marketing strategy can be developed by knowing location analysis

"

"[ABSTRAKHierarchical clustering merupakan metode yang efektif dalam membentuk pohonfilogenetik dengan mengetahui matriks jarak antar barisan DNA. Salah satu carauntuk membuat matriks jarak yaitu dengan cara menggunakan metode -mer.Kelebihan dari metode -mer yaitu lebih efisien dalam segi waktu. Langkahlangkahdalam membuat matriks jarak dengan metode -mer dimulai denganmembentuk -mer sparse matrix dari masing barisan DNA. Selanjutnya,membentuk -mer singular value vector. Pada tahap akhir yaitu menghitung jarakantar vektor. Pada tesis ini akan dilakukan analisis terhadap barisan DNA MERSCoVdengan mengimplementasi Hierarchical clustering menggunakan -merssparse matrix sehingga dapat diketahui leluhur dari masing-masing barisan DNAMERS-CoV.

---

ABSTRACTHierarchical clustering is an effective method in creating phylogenetic byknowing the distance matrix between DNA sequence. One of methods to make thedistance matrix use -mer method. -mer is more efficient than others. The stepsto make distance matrix using -mer method starts from creating -mer sparsematrix. Then, creating -mer singular value vector. The last steps is countingdistance each vectors. This thesis will analyze the sequence of DNA MERS-CoVby implementing Hierarchical clustering using k-mers sparse matrix so that willbe known the ancestor of each sequence of DNA MERS-CoV., Hierarchical clustering is an effective method in creating phylogenetic byknowing the distance matrix between DNA sequence. One of methods to make thedistance matrix use -mer method. -mer is more efficient than others. The stepsto make distance matrix using -mer method starts from creating -mer sparsematrix. Then, creating -mer singular value vector. The last steps is countingdistance each vectors. This thesis will analyze the sequence of DNA MERS-CoVby implementing Hierarchical clustering using k-mers sparse matrix so that willbe known the ancestor of each sequence of DNA MERS-CoV.]"

"Laporan Tugas Akhir ini berisi mengenai penelitian yang dilakukan oleh penulis dalam membandingkan kinerja beberapa algoritma, yang tergolong ke dalam agglomerative hierarchical, dalam hal melakukan clustering dokumen untuk mendapatkan solusi hierarchical cluster. Algoritma yang diperbandingkan adalah algoritma single link, complete link, dan average. Proses perbandingan dilakukan berdasarkan kualitas cluster yang dihasilkan pada sejumlah dataset. Hasil penelitian menunjukkan bahwa algoritma average merupakan algoritma yang terbaik dalam menghasilkan solusi hierarchical cluster, diikuti oleh algoritma single link, dan algoritma complete link.Penelitian ini juga melakukan penerapan teknik dalam feature selection untuk melihat seberapa besar efisiensi yang bisa diperoleh tanpa harus mengurangi kualitas solusi cluster yang dihasilkan. Teknik feature selection yang dipergunakan meliputi pembatasan nilai Document Frequency dan Information Gain. Efisiensi yang dilakukan oleh kedua teknik ini adalah melakukan pemilihan kata-kata yang penting saja yang diikutsertakan dalam proses clustering. Penelitian ini mencoba melihat seberapa besar efisiensi yang dapat diperoleh masing-masing teknik dan kemudian membandingkannya satu sama lain. Hasil penelitian menunjukkan bahwa kedua teknik baik pembatasan nilai Document Frequency dan Information Gain mampu melakukan efisiensi pada titik-titik reduksi yang sudah ditetapkan yaitu sebesar 10%-90% dari jumlah kata unik yang ada tanpa kualitas yang berkurang. Selain itu, hasil penelitian menunjukkan bahwa kedua teknik ini sama efektifnya dalam mereduksi dimensi dari dataset yang dipergunakan."

"ABSTRAKPenelitian ini menjelaskan mengenai penerapan segmentasi konsumen berdasarkan CLV agar dapat menghasilkan profil konsumen bagi perusahan untuk memberikan perlakuan yang tepat bagi masing ndash; masing konsumen. Dalam memproses data yang akan digunakan, penelitian ini mengunakan segmentasi RFM sebagai langkah awal untuk mengidentifiksi data dan dilanjutkan dengan klasterisasi menggunakan K-Means agar mendapatkan gambaran data konsumen yang lebih jelas. Hasil dari penelitian ini menunjukan adanya lima jenis profile konsumen yang berbeda berdasarkan perhitungan RFM dan K-Means. Setiap kelompok memiliki karakteristik yang berbeda yang dapat digunakan oleh perusahaan untuk membentuk strategi dalam memberikan pendekatan kepada konsumen. Terdapat juga perbandingan antara kelompok konsumen yang akan dihasilkan apabila perusahaan menggunakan segmentasi konsumen menggunakan CLV dengan saat tidak menggunakan CLV. Dengan memberikan perlakuan yang tepat bagi konsumen yang dapat memberikan keuntungan bagi perusahaan dimasa yang akan datang, maka perusahaan dapat membentuk strategi yang lebih efektif dan tepat sasaran.

---

ABSTRACTThis research focus on how to make a consumer segmentation based on CLV in order to create a customer profile for the company to provide appropriate treatment for each consumer. In order to process the data, this research uses RFM segmentation as the first step to identify the data and continued with K Means clustering to get a better interpretation of consumer data. The results of this research show five different types of consumer profiles based on RFM and K Means calculations. Each cluster has a different characteristic that can be used for a company to define a better strategy in order to approach their customer. There is also a comparison between the consumer groups if the company uses consumer segmentation using CLV or when not using CLV. By providing the right treatment for profitable customer, the company can form an effective and targeted strategy in the future. "

"ABSTRAKNama : Adi MulyadiProgram studi : Magister ManajemenJudul : Analisis Segmentasi Konsumen Pada Perusahaan Real Estate Menggunakan Big Data Analytics Studi pada PT. ISPI Pratama LestariPembimbing : Arga Hananto, M.Bus. Studi tentang segmentasi konsumen dipengaruhi oleh kebutuhan perusahaan untuk bersaing dengan kompetitornya dan menciptakan keunggulan kompetitif bagi perusahaannya. Segmentasi produk merupakan salah satu hal utama dalam dunia bisnis, karena kesalahpahaman dalam segmentasi konsumen dapat mengakibatkan berkurangnya pendapatan. Real estate merupakan industri senilai milyaran dolar yang sangat tersegmentasi, dikarenakan karakteristik konsumennya yang beragam. Indonesia merupakan pasar yang potensial dan bertumbuh bagi industri real estate dan perumahan, karena Indonesia memiliki jumlah penduduk yang besar sekitar 260 juta jiwa dan memiliki area geografis yang luas. Untuk menganalisa data dengan jumlah besar tersebut, perusahaan real estate menggunakan Big Data Analytics, sebagai alat untuk mendapatkan masukan yang berarti dari data tersebut. Big Data mulai banyak digunakan sebagai alat untuk mempelajari tentang kondisi atau untuk memprediksi perilaku yang mungkin terjadi melalui berbagai pemodelan analisis data. Penelitian ini menyajikan analisis segmentasi untuk membantu perusahaan pengembang real estate dalam memahami segmentasi konsumen mereka, dengan menggunakan data transaksi penjualan perusahaan periode 2013 - 2017. Analisis segmentasi dalam penelitian ini telah dikembangkan menggunakan cluster analysis, dengan menggunakan metode hierarchical clustering, Elbow Method, dan K-Means. Hasil dari cluster analysis menunjukkan bahwa terdapat 4 segmen konsumen, yang memiliki karakteristik demografis dan preferensi produk yang berbeda. Selain itu, penelitian ini juga melakukan analisis tabulasi silang untuk mengetahui hubungan antar variabel. Selanjutnya dilakukan analisis diskriminan, dari situ diketahui bahwa gaji dan harga jual merupakan 2 variabel yang secara signifikan memberikan pengaruh paling besar terhadap penentuan cluster membership. Setelah mengetahui karakteristik dan melakukan analisa, dapat diusulkan bentuk promosi yang sesuai bagi masing ndash; masing segmen.Kata kunci:Segmentasi konsumen, real estate, big data, cluster analysis, tabulasi silang

---

ABSTRACTABSTRACT Name Adi MulyadiStudy Program Magister of ManagementTitle Customer Segmentation Analysis In Real Estate Using Big Data Analytics A Study In PT. ISPI Pratama LestariCounsellor Arga Hananto, M.Bus. The study of consumer segmentation is influenced by a company 39 s need to compete with its competitors and create a competitive advantage. Product segmentation is one of the main things in the business world, because misunderstanding in consumer segmentation can lead to reduced revenue. Real estate is a multi billion dollar industry that is highly segmented, due to the diverse characteristics of its customers. Indonesia is a potential and growing market for the real estate and housing industries, as Indonesia has a large population around 260 million people and has a large geographical area. To analyze such big amounts of data, real estate companies use Big Data Analytics, as a means to gain meaningful insight from the data. Big Data is widely used as a tool to learn about conditions or to predict behaviors that may occur through various data analysis models. This study presents segmentation analysis to help real estate developers to understand their customer segmentation using company sales transaction data from 2013 to 2017 period. Segmentation analysis in this research has been developed using cluster analysis, with hierarchical clustering, Elbow Method, and K Means. The results of cluster analysis show that there are 4 segments of consumers, which have different demographic characteristics and product preferences. In addition, this study also conducted cross tabulation analysis to determine the relationship between variables. Then from discriminant analysis, it is known that salary and selling price are 2 variables that significantly give the most influence on cluster membership determination. After knowing the characteristics and perform the analysis, it can be proposed the appropriate form of promotion for each segment. Key words Customer segmentation, real estate, big data, cluster analysis, cross tabulation"