PENERAPAN ALGORITMA K-MODES CLUSTERING DENGAN VALIDASI DAVIES BOULDIN INDEX PADA PENGELOMPOKKAN TINGKAT MINAT BELANJA ONLINE DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA
Abstract
Kemajuan teknologi informasi dan komunikasi serta keberadaan internet yang semakin meluas di tengah masyarakat memunculkan kebiasaan-kebiasaan baru. Salah satunya adalah kebiasaan melakukan transaksi jual beli online. Kebiasaan baru tersebut menuntut para pemilik usaha untuk dapat menyesuaikan diri dengan perkembangan dunia transaksi saat ini Penelitian ini bertujuan untuk mengetahui pengelompokkan minat belanja online yang dilakukan masyarakat Daerah Istimewa Yogyakarta berdasarkan faktor jenis kelamin, umur, dan platform yang diminati dengan penerapan Data Mining. Dengan adanya pengelompokkan ini diharapkan dapat memberikan pengetahuan bagi para pemilik online shop agar dapat mengetahui platform mana yang sering digunakan oleh masyarakat DIY dalam melakukan belanja online. Metode yang digunakan dalam mengelompokkan tingkat minat belanja online adalah k-Modes Clustering dengan nilai k = 2,3,4,...,10. Davies-Boulden Index (DBI) digunakan untuk menentukan jumlah klaster terbaik. Berdasarkan hasil analisis, diperoleh jumlah klaster terbaik yaitu k=9 dengan nilai DBI sebesar1,3427. Klaster 5 merupakan klaster terbaik yang anggotanya sangat minat belanja melalui Marketplace dan Media Sosial. Marketplace yang diminati adalah Shopee, Bukalapak, dan Tokopedia, sedangkan Media Sosial yang diminati adalah Instagram, Facebook, dan Media Chatting. Klaster ini didominasi oleh laki-laki umur muda (15-24 tahun).References
Kom, Anita M. "Penentuan Tingkat Minat Belanja Online Melalui Media Sosial Menggunakan Metode Clustering K-means." Rang Teknik Journal, vol. 1, no. 2, 22 Jun. 2018, doi:10.31869/rtj.v1i2.758.
A. Badruttamam, S. Sudarno, and D. A. I. Maruddani, "PENERAPAN ANALISIS KLASTER K-MODES DENGAN VALIDASI DAVIES BOULDIN INDEX DALAM MENENTUKAN KARAKTERISTIK KANAL YOUTUBE DI INDONESIA (Studi Kasus: 250 Kanal YouTube Indonesia Teratas Menurut Socialblade)," Jurnal Gaussian, vol. 9, no. 3, pp. 263-272, Aug. 2020. https://doi.org/10.14710/j.gauss.v9i3.28907
Buteikis, A. (2018) Practical Econometric and Data Science. Diakses pada 11 Januari 2021, dari http://web.vu.lt/mif/a.buteikis/wp-content/uploads/PE_Book/1-intro.html
Fox, J., & Monette, G. (1992). Generalized collinearity diagnostics. Journal of the American Statistical Association, 87(417), 178–183. https://doi.org/10.1080/01621459.1992.10475190
Fraley, C., & Raftery, A. E. (1998). How many clusters? Which clustering method? Answers via model-based cluster analysis. Computer Journal, 41(8), 586–588. https://doi.org/10.1093/comjnl/41.8.578
Gujarati, D. N., & Porter, D. C. (2009). Basic of Econometric, Fifth Edition. Econometrics (pp. 326–343).
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2017). Multivariate Data Analysis: Seventh Edition. Prentice Hall (Vol. 232, pp. 135–144).
M. N. Hilmi, Y. Wilandari, and H. Yasin, "PEMETAAN PREFERENSI MAHASISWA BARU DALAM MEMILIH JURUSAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK (ANN) DENGAN ALGORITMA SELF ORGANIZING MAPS (SOM)," Jurnal Gaussian, vol. 4, no. 1, pp. 53-60, Feb. 2015. https://doi.org/10.14710/j.gauss.v4i1.8145
Huang, J. Z. (2011). Clustering Categorical Data with k-Modes. In Encyclopedia of Data Warehousing and Mining, Second Edition (pp. 246–250). IGI Global. https://doi.org/10.4018/978-1-60566-010-3.ch040
Huang, Z. (1997). A Fast Clustering Algorithm to Cluster Very Large Categorical Data Sets in Data Mining. Research Issues on Data Mining and Knowledge Discovery, 1–8. Retrieved from http://citeseer.ist.psu.edu/viewdoc/summary?doi=10.1.1.6.4718%5Cnhttp://citeseerx.ist.psu.edu/viewdoc/download;jsessionid=D76EC3805AAB98C839B58E7C256676C9?doi=10.1.1.6.4718&rep=rep1&type=pdf
Johnson, R. A., & Wichern, D. W. (1992). Applied multivariate statistical analysis. Englewood Cliffs, N.J: Prentice Hall.
Laudon, K. C., & Traver, C. G. (2016). E-commerce 2016: business. technology. society. Global Edition (p. 41). Retrieved from www.pearsonglobaleditions.com
Mattjik, A.A., & Sumertajaya, I. (2011). Sidik Peubah Ganda dengan Menggunakan SAS.
O’Driscoll, D., & Ramirez, D. E. (2015). Response surface designs using the generalized variance inflation factors. Cogent Mathematics, 2(1), 1053728. https://doi.org/10.1080/23311835.2015.1053728
Meylimdra Arini Permatadevi, Rully A. Hendrawan, S.Kom, M. E. (2013). KABEL, KARAKTERISTIK PELANGGAN TELEPON MOJOKERTO), MENGGUNAKAN CLUSTERING SOM DAN K-MEANS UNTUK MENGURANGI KESALAHAN KLASIFIKASI PELANGGAN PERUSAHAAN TELEKOMUNIKASI (STUDI KASUS : PT. TELKOM. Jurnal Teknik Pomits, 1(1).
Ramdhani, F., Hoyyi, A., Mukid, M. A., Statistika, M. J., Undip, F., Pengajar, S., & Statistika, J. (2015). PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN KARAKTERISTIK KESEJAHTERAAN RAKYAT MENGGUNAKAN METODE K-MEANS CLUSTER. Ejournal3.Undip.Ac.Id, 4, 875–884. Retrieved from http://ejournal-s1.undip.ac.id/index.php/gaussian
Romzi, M., Anggorowati, M.A., Mariyah, S. Data Mining And Knowledge Management. Jakarta : Sekolah Tinggi Ilmu Statistik.
Sukamto, S., Id, I. D., & Angraini, T. R. (2018). Penentuan Daerah Rawan Titik Api di Provinsi Riau Menggunakan Clustering Algoritma K-Means. JUITA : Jurnal Informatika, 6(2), 137. https://doi.org/10.30595/juita.v6i2.3172
Supranto, J. (2004). Analisis multivariat : Arti dan Interpretasi. Analisis multivariat : arti dan interpretasi (p. 360).
The digital economy: rethinking promise and peril in the age of networked intelligence. (2015). Choice Reviews Online, 52(09), 52-4858-52–4858. https://doi.org/10.5860/choice.189656
Turban, E., King, D. R., Lee, J. K., Liang, T.-P., & Turban, D. C. (2015). Springer Texts in Business and Economics Electronic Commerce A Managerial and Social Networks Perspective Eighth Edition. Springer texts in business and economics (p. 791). Retrieved from https://sabraz.files.wordpress.com/2017/08/e-commerce-turban.pdf%0Ahttp://www.springer.com/series/10099
Van Ark, B., Erumban, A., Corrado, C., & Levanon, G. (2016, October). Navigating the new digital economy: driving digital growth and productivity from installation to deployment. Conference Board, Incorporated.
Yuliana, L. (2019). PENERAPAN ALGORITMA K-MODES CLUSTERING UNTUK PENGELOMPOKKAN DESA RAWAN KEBAKARAN DI PROVINSI RIAU (Studi Kasus: BPBD Riau) (Doctoral dissertation, Universitas Islam Negeri Sultan Syarif Kasim Riau).
Yulianita, T., & Istiawan, D. (2017). Implementasi Algoritma K-modes untuk Penentuan Prioritas Rehabilitasi Daerah Aliran Sungai Berdasarkan Parameter Lahan Kritis. URECOL, 429-440.
Copyright (c) 2021 Jurnal MSA ( Matematika dan Statistika serta Aplikasinya )
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
