Garuda - Garba Rujukan Digital

Analisis Segmentasi Pelanggan Menggunakan K-Means Clustering Untuk Optimalisasi Penjualan Sembako Rahmawati, Adila; ,, Tukino; Hananto, Agustia; Nurapriani, Fitria
Jurnal Ilmiah ILKOMINFO - Ilmu Komputer & Informatika Vol 8, No 2 (2025): Juli
Publisher : Akademi Ilmu Komputer Ternate

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47324/ilkominfo.v8i2.352

Abstrak: Sembako sebagai kebutuhan pokok memiliki peranan penting dalam kehidupan masyarakat. Dengan meningkatnya persaingan di sektor ini, pelaku usaha dituntut untuk memahami perilaku konsumen secara lebih mendalam agar strategi pemasaran yang dijalankan menjadi lebih efektif. Salah satu metode yang bisa dimanfaatkan adalah segmentasi pelanggan berbasis data transaksi. Penelitian ini bertujuan menerapkan algoritma K-Means Clustering untuk mengelompokkan pelanggan dalam rangka mendukung peningkatan penjualan sembako. Data yang digunakan meliputi empat variabel utama: jumlah pesanan, uang muka, total transaksi, dan pelunasan. Proses awal dilakukan melalui pembersihan dan normalisasi data menggunakan StandardScaler. Penentuan jumlah cluster terbaik dilakukan dengan metode Elbow dan dikonfirmasi menggunakan nilai Silhouette Score. Hasil penelitian menunjukkan bahwa empat cluster merupakan segmentasi paling optimal dengan nilai Silhoutette Score sebesar 3,99. Cluster 2 memberikan kontribusi tertinggi terhadap total penjualan dan jumlah pelanggan sebesar 35,62%, disusul oleh cluster 1 sebesar 30,14%, cluster 3 sebesar 21,92%, sedangkan cluster 0 memiliki kontribusi terendah sebesar 12,33%. Visualisasi scatter plot menunjukkan distribusi antar-cluster yang cukup jelas. Segmentasi ini berguna untuk merancang strategi pemasaran yang lebih tepat sasaran.Kata kunci: Segmentasi Pelanggan, K-Means Clustering, Elbow Method, Silhouette Score, Penjualan SembakoAbstract: Basic necessities such as staple foods play an important role in people's lives. With increasing competition in this sector, business actors are required to understand consumer behavior in more depth so that the marketing strategies implemented become more effective. One method that can be utilized is customer segmentation based on transaction data. This study aims to apply the K-Means Clustering algorithm to group customers to support increased sales of necessities. The data used includes four main variables: number of orders, down payment, total transactions, and settlement. The initial process is carried out through data cleaning and normalization using StandardScaler. Determination of the best number of clusters is carried out using the Elbow method and confirmed using the Silhouette Score value. The results of the study showed that four clusters were the most optimal segmentation with a Silhouette Score value of 3.99. Cluster 2 contributed the highest to total sales and number of customers 35.62%, followed by Cluster 1 by 30.14%, cluster 3 by 21.92%, and Cluster 0 had the lowest contribution by 12.33%. Scatter plot visualization shows a fairly clear distribution between clusters. This segmentation is useful for designing more targeted marketing strategies.Keywords: Customer Segmentation, K-Means Clustering, Elbow Method, Silhouette Score, Grocery Sales

Analisis Sentimen Aplikasi Bank Digital Pada Google Play Store Menggunakan Algoritma Naive Bayes Arkan Hilman Hakim; Hananto, April Lia; Nurapriani, Fitria; Huda, Baenil
Journal of Informatics and Communication Technology (JICT) Vol. 7 No. 1 (2025)
Publisher : PPM Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52661/jict.v7i1.405

Pesatnya perkembangan teknologi perbankan digital telah mendorong munculnya beragam aplikasi perbankan yang tersedia di Google Play Store. Ulasan pengguna terhadap aplikasi-aplikasi ini menjadi sumber informasi yang berharga untuk menilai tingkat kepuasan mereka, yang kemudian dapat dianalisis melalui pendekatan sentiment analysis. Penelitian ini dilakukan untuk mengkaji kecenderungan sentimen pengguna terhadap beberapa aplikasi bank digital dengan memanfaatkan algoritma Naïve Bayes. Data yang dianalisis berasal dari 1.000 ulasan pengguna untuk masing-masing aplikasi, yaitu Seabank, Krom Bank, Bank Jago, Blu by BCA, dan Bank Saqu. Seluruh proses analisis dan pengolahan data dilakukan menggunakan platform Google Colab, dengan menerapkan metode Multinomial Naïve Bayes (MNB) untuk mengklasifikasikan sentimen ke dalam dua kategori, yaitu positif dan negatif. Hasil penelitian mengungkapkan bahwa Seabank menunjukkan performa tertinggi, dengan accuracy sebesar 94%, precision 93%, recall 100%, dan F1-score 97%, serta total 945 ulasan positif dan 55 ulasan negatif. Temuan ini memperlihatkan bahwa analisis sentimen dapat memberikan masukan yang bernilai bagi pengembang untuk meningkatkan kualitas aplikasi, sekaligus menjadi panduan bagi pengguna dalam memilih layanan perbankan digital yang sesuai dengan preferensi kebutuhan.

Analisis Sentimen Aplikasi Bank Digital Pada Google Play Store Menggunakan Algoritma Naive Bayes Arkan Hilman Hakim; Hananto, April Lia; Nurapriani, Fitria; Huda, Baenil
Journal of Informatics and Communication Technology (JICT) Vol. 7 No. 1 (2025)
Publisher : PPM Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52661/jict.v7i1.405

Pesatnya perkembangan teknologi perbankan digital telah mendorong munculnya beragam aplikasi perbankan yang tersedia di Google Play Store. Ulasan pengguna terhadap aplikasi-aplikasi ini menjadi sumber informasi yang berharga untuk menilai tingkat kepuasan mereka, yang kemudian dapat dianalisis melalui pendekatan sentiment analysis. Penelitian ini dilakukan untuk mengkaji kecenderungan sentimen pengguna terhadap beberapa aplikasi bank digital dengan memanfaatkan algoritma Naïve Bayes. Data yang dianalisis berasal dari 1.000 ulasan pengguna untuk masing-masing aplikasi, yaitu Seabank, Krom Bank, Bank Jago, Blu by BCA, dan Bank Saqu. Seluruh proses analisis dan pengolahan data dilakukan menggunakan platform Google Colab, dengan menerapkan metode Multinomial Naïve Bayes (MNB) untuk mengklasifikasikan sentimen ke dalam dua kategori, yaitu positif dan negatif. Hasil penelitian mengungkapkan bahwa Seabank menunjukkan performa tertinggi, dengan accuracy sebesar 94%, precision 93%, recall 100%, dan F1-score 97%, serta total 945 ulasan positif dan 55 ulasan negatif. Temuan ini memperlihatkan bahwa analisis sentimen dapat memberikan masukan yang bernilai bagi pengembang untuk meningkatkan kualitas aplikasi, sekaligus menjadi panduan bagi pengguna dalam memilih layanan perbankan digital yang sesuai dengan preferensi kebutuhan.

Analisis Sentimen, Grab Indonesi Analisis Sentimen Grab Indonesia Pada Ulasan Google Play Store Menggunakan Algoritma Naïve Bayes Dan SVM Nurfauzi, Oka Muhamad; Hilabi, Shofa Shofiah; Nurapriani, Fitria; Huda, Baenil
SMARTICS Journal Vol 11 No 1 (2025): SMARTICS Journal (April 2025)
Publisher : Universitas PGRI Kanjuruhan Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21067/smartics.v11i1.11789

This study uses the Naïve Bayes and Support Vector Machine (SVM) algorithms to analyze the sentiment of user reviews on the Grab Indonesia app on the Google Play Store. Web scraping was used to gather the review data, which was then processed through a number of stages, such as tokenization, letter modification, the elimination of unnecessary words, and weighting using the TF-IDF approach. The findings of the investigation demonstrate that SVM performs better in classifying positive and negative sentiments and has a greater accuracy (93%) than Naïve Bayes (92%). But in terms of computational efficiency, Naïve Bayes continues to lead the field. This study sheds light on how well both algorithms do sentiment analysis on Indonesian mobile apps

Classification of Reject Patterns Based on Production Stages Using the K-Means Clustering Method Lestari, Renita; Novalia, Elfina; Tukino; Nurapriani, Fitria
Golden Ratio of Data in Summary Vol. 5 No. 4 (2025): August - October
Publisher : Manunggal Halim Jaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52970/grdis.v5i4.1301

This study aims to classify reject patterns in the production process using the K-Means Clustering method. The dataset consists of 870 records collected from the production line, containing information such as product name, reject type, process stage, and production quantity. Through a data mining approach, data preprocessing steps such as cleaning, encoding, and normalization were performed prior to the clustering process. The Elbow Method indicated that the optimal number of clusters is three. Each cluster exhibits distinct characteristics: light rejects with small quantities in early stages, heavy rejects with large quantities, and moderate rejects with random distribution. These findings are expected to assist management in formulating more targeted strategies for process improvement and quality control. By identifying common reject patterns within each cluster, companies can adopt a more proactive approach to minimizing production defects and enhancing overall operational efficiency.

Title

Found 15 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 15 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 15 Documents
Search