ABSTRAKSI: Beberapa perusahaan tidak menyadari bahwa dengan banyaknya data yang berada di database dapat diolah untuk mengembangkan bisnisnya. Untuk itu diperlukan suatu cara untuk mengolah data untuk mendapatkan manfaat dari data itu, salah satunya dengan data mining. Dalam data mining, terdapat salah satu metode yang sering digunakan yaitu clustering. Clustering merupakan pengolompokan objek berdasarkan karakteristiknya. Perusahaan dapat menggunakan metode clustering dengan tujuan untuk mengenali pola data perusahaan sehingga akan ditemukan kecenderungan tertentu dari data tersebut.
Dalam tugas akhir ini mengimplementasikan suatu metode clustering, yaitu kharmonic means, pada data tagihan pelanggan sebuah perusahaan. K-harmonic means merupakan variansi dari sebuah metode clustering yang terkenal yaitu k-means. Kharmonic means dapat mengatasi kelemahan yang terjadi pada k-means yaitu dalam hal inisialisasi titik pusat. K-means tidak dapat bekerja secara optimal pada inisialisasi titik pusat yang buruk. Pengujian dilakukan untuk melihat kualitas hasil clustering berdasarkan metode validasi yaitu silhouette coefficient.
Berdasarkan pengujian yang sudah dilakukan, K-harmonic means dapat bekerja baik dalam inisialisasi titik pusat secara random maupun inisialisasi yang buruk dibandingkan dengan k-means. Selain itu k-harmonic means dapat diterapkan pada segmentasi data tagihan pelanggan dimana clustering yang dihasilkan memiliki karakteristik yang berbeda antar satu sama lain.Kata Kunci : data mining, clustering, k-means, k-harmonic means, silhouetteABSTRACT: Many companies may not aware that various data in their database can be processed to help them to develop their business. A particular methodology that can be used is process the data and obtain its benefit is data mining. One methodology that is mostly used in data mining is clustering. Clustering is a classification of various object based on their characteristics. Clustering can support company to identify company’s data pattern and to be able to see the tendency of the data.
This final project explains the implementation of k-harmonic means, one of clustering methodology, which is implemented in the customer’s billing database. Kharmonic means is a variance of one of the most famous clustering methodology, kmeans. K-harmonic means has the ability to overcome the weakness of k-means which is incapability to initialize center point. K-means also not able to work in optimum level in bad center point initialization environment. Testing will be done to identify the quality of clustering based on a validation method named silhouette coefficient.
Based on evaluation has been done, K-harmonic means can work in optimum level both in random initialization and bad initialization compared to k-means. In addition, k-harmonic means can be applied in segmentation customer’s billing which is the result of clustering have different characteristic each other.
Keyword: data mining, clustering, k-means, k-harmonic means, silhouette