Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Malcom: Indonesian Journal of Machine Learning and Computer Science
Saputra, Aditiya
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan Algoritma DBSCAN dan K-MEANS dalam Segmentasi Pelanggan Pengguna Transportasi Publik Transjakarta Menggunakan Metode RFM: Comparison of the DBSCAN and K-MEANS Algorithms in Segmenting Customers Using Public Transportation of Transjakarta Using the RFM Method Saputra, Aditiya; Yusuf, Raka
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 4 (2024): MALCOM October 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i4.1516

Abstract

Transportasi umum sangat penting dalam kehidupan individu di suatu daerah. Transjakarta, diperkenalkan pada tahun 2004, adalah sistem Bus Rapid Transit (BRT) terpanjang di dunia dengan 251,2 kilometer jalur, 14 jalur, dan 287 halte di seluruh Jakarta. Sistem ini melayani masyarakat dengan 1.347 unit transportasi. Seiring peningkatan jumlah pengguna, masalah seperti kerumunan di halte dan antrian panjang muncul, sehingga diperlukan segmentasi pelanggan yang cermat.Penelitian ini menggunakan metode Recency, Frequency, Monetary (RFM) untuk analisis segmentasi pelanggan Transjakarta dengan algoritma DBSCAN dan K-Means. Hasil menunjukkan DBSCAN membutuhkan waktu pemrosesan lebih lama untuk klaster tertentu, sedangkan K-Means lebih cepat di klaster tertentu. K-Means unggul dengan Silhouette Score 0.714917 dan Davies-Bouldin Index 0.365776, dibandingkan DBSCAN dengan Silhouette Score 0.699971 dan Davies-Bouldin Index 0.390784. K-Means lebih efektif dalam membedakan pelanggan berdasarkan frekuensi dan nilai moneter, sementara DBSCAN dapat mengidentifikasi outlier dengan interaksi dan nilai moneter tinggi. Secara keseluruhan, K-Means menunjukkan performa yang lebih baik dalam segmentasi pelanggan Transjakarta. Berdasarkan hasil ini, K-Means lebih cocok digunakan untuk segmentasi pelanggan Transjakarta, yang dapat membantu pihak berwenang merancang strategi layanan yang lebih efisien dan meningkatkan kepuasan pelanggan.
Co-Authors Raka Yusuf, Raka