Bandung, Oktober 2014

PENENTUAN IKLAN ONLINE YANG TEPAT BAGI PENGGUNA

INTERNET BERDASARKAN BROWSING HISTORY MENGGUNAKAN
FUZZY WEB AD SELECTOR
(Studi Kasus: Perusahaan X)
Ratna Mutiara Dewi
Program Studi Teknik Industri, Fakultas Teknologi Industri, Institut Teknologi Bandung
Jl. Ganesha 10 Bandung, 40132, Telp: (+62) 2509164, Email: ratna.mutiaradewi@yahoo.com

Abstrak
Internet (online advertising) dianggap sebagai media periklanan yang paling potensial saat ini.
Iklan banner menjadi bentuk utama dari media advertising baru. Namun, nilai CTR (ClickThrough Rate) yang menjadi ukuran efektivitas iklan banner turun menjadi 0,1%. Nilai CTR
digunakan oleh advertiser sebagai dasar pembayaran iklan kepada publisher. Perusahaan X
sebagai penyedia platform teknologi otomatisasi penjualan ruang iklan online bagi publisher
akan mengalami peningkatan revenue yang sebanding dengan peningkatan revenue publisher
apabila nilai CTR semakin tinggi.
Pada beberapa literatur, behavioral targeting diklaim dapat mengatasi masalah rendahnya
CTR dengan cara memperlihatkan iklan tertentu berdasar pada perilaku pengguna internet
dalam mengakses Web (online behaviour). Behavioral targeting dapat didekati dengan cara
membedakan pengguna menurut clickstream dari navigasi online dan mengiklankan hanya
kepada seseorang yang memiliki history perilaku yang menunjukkan ketertarikan pada produk
yang diiklankan.
Terdapat dua cara untuk menentukan iklan yang cocok untuk setiap audience dengan
menggunakan browsing history (Web server log file). Cara pertama adalah iklan ditayangkan
kepada audience melalui ranking iklan hasil pengolahan Web ad selector. Web ad selector
terdiri atas dua model yaitu model fuzzy inference dan model Web ad matching. Cara kedua
adalah advertiser dapat menentukan kriteria segmen yang disasar berdasarkan ketertarikan
sehingga iklan milik advertiser tersebut dapat ditayangkan berdasarkan jam penayangan
ranking klasifikasi waktu segmen tersebut. Segmen ketertarikan didapatkan dengan
menggunakan model customer clustering.
Kata kunci : online advertising, iklan banner, CTR, behavioral targeting, Web ad selector,
FRBS Mamdani, Hamming distance

1. Pendahuluan
Dalam memasarkan suatu barang atau jasa, perusahaan memerlukan suatu usaha promosi,
salah satunya adalah periklanan (advertising). Dengan meningkatnya accessibility dari
internet, internet menjadi media advertising yang paling potensial yang biasa disebut
online advertising. Pada sistem online advertising terlibat beberapa entitas antara lain :
1. Advertiser
2. Publisher
3. Ad network

: perusahaan yang ingin mengiklankan secara online melalui situs web

popular.
: situs web yang menawarkan penempatan iklan
: perusahaan periklanan yang berada di posisi pihak ketiga yang bekerja
di antara advertiser dan publisher sebagai agen perantara.

Saat ini advertiser semakin tertarik untuk menjangkau konsumen dengan lebih baik,
menyampaikan pesan, dan membangun hubungan terus menerus melalui media ini.
Berdasarkan data yang dikeluarkan ZenithOptimedia tahun 2014, pangsa pembelanjaan
iklan global pada tahun 2016 untuk media desktop internet naik sebesar 2% dan mobile
internet naik sebesar 5% apabila dibandingkan dengan tahun 2013.
Iklan banner adalah bentuk utama dari media advertising baru, mewakili 55% dari
seluruh iklan online (IAB, 2002) dan 32% dari pendapatan seluruh media advertising
baru (IAB, 1999). Ukuran yang umum digunakan untuk mengevaluasi efektivitas iklan
banner adalah Click-Through Rate (CTR). CTR adalah rata-rata jumlah click oleh
audience pada sebuah iklan banner yang kemudian mengarah pada situs Web sasaran
(Novak & Hoffman, 1997). Namun, saat ini nilai CTR (Click-Through Rate) turun
menjadi 0,1%. Nilai CTR digunakan oleh advertiser sebagai dasar pembayaran iklan
kepada publisher. Perusahaan X sebagai penyedia platform teknologi otomatisasi
penjualan ruang iklan online bagi publisher akan mengalami peningkatan revenue yang
sebanding dengan peningkatan revenue publisher apabila nilai CTR semakin tinggi.
Penemuan oleh Dreze dan Hussherr (2003) menunjukkan bahwa rendahnya CTR
kebanyakan disebabkan oleh kenyataan bahwa banyak orang yang menghindari melihat
semua iklan yang ditayangkan. Hal ini terjadi karena iklan banner yang ditampilkan tidak
sesuai dengan ketertarikan audience. Oleh karena itu, targeting adalah salah satu cara
untuk mengatasi masalah rendahnya CTR. Tujuan dari targeting iklan adalah untuk
menampilkan iklan secara selektif kepada individu yang kemungkinan besar
meresponnya secara positif. Namun, tantangan yang perlu dihadapi dalam melakukan
targeting adalah pengidentifikasian individu tersebut.
Terdapat beberapa jenis targeting antara lain data-driven demographic, behavioral,
contextual, channel, geographic, dan re-targeting (Jandal, 2011). Namun, jenis targeting
yang paling cocok digunakan adalah behavioral targeting. Hal ini dikarenakan

perusahaan X hanya memiliki data browsing history yang merekam perilaku pengguna
internet dalam mengakses Web. Behavioral targeting digunakan untuk memperlihatkan
iklan tertentu berdasar pada perilaku yang secara tidak langsung menunjukkan
ketertarikan.
Agar iklan bisa disasarkan kepada seseorang yang tepat, solusi yang diperlukan harus
mampu mengidentifikasi konsumennya, memprediksi dan mengerti preferensi dan
ketertarikan mereka, mengidentifikasi iklan yang cocok, dan menyampaikannya dengan
bentuk personalisasi secara langsung kepada pengguna selama sesi online mereka. Dalam
penelitian ini, untuk mencapai efektivitas dari iklan Web diolah browsing history dengan
menggunakan Web ad selector. merupakan algoritma yang dapat mempersonalisasi pesan
iklan untuk audience berdasarkan preferensi dan ketertarikan mereka.
Browsing history bisa didapatkan dengan memanfaatkan cookies yang tersimpan pada
browser device milik audience. Web ad selector yang terbagi ke dalam dua model yaitu
model fuzzy inference dan model Web ad matching mengolah browsing history tersebut.
Model fuzzy inference menggunakan metode FRBS Mamdani untuk menghasilkan skor
ketertarikan audience per kategori iklan. Skor tersebut bersama dengan karakteristik fuzzy
per kategori iklan suatu brand kemudian diolah dalam model Web ad matching
menggunakan Hamming distance untuk menghasilkan ranking iklan yang cocok
ditampilkan kepada audience tertentu. Model customer clustering juga digunakan dalam
penelitian ini untuk mencari insight berupa segmen ketertarikan audience berdasarkan
kategori situs Web.

2. Tahap preprocessing data

Setiap data browsing history memiliki satu keterangan Unique ID, ref URL dan jam
akses. Data tersebut kemudian di-sort berdasarkan Unique ID. Proses sort ini berguna
untuk menggabungkan data yang memiliki Unique ID yang sama sehingga didapatkan
pola akses setiap Unique ID. Ref URL kemudian dikategorikan ke dalam 27 kategori
situs Web, yaitu Seni & Hiburan; Otomotif; Media Penyiaran; Bisnis; Karir; Pendidikan;
Keluarga & Pengasuhan; Makanan & Minuman; Kesehatan & Kebugaran; Hobi &
Ketertarikan; Rumah & Taman; Hukum, Pemerintahan, & Politik, Berita, Keuangan
Pribadi, Binatang Peliharaan, Properti, Agama, Ilmu Pengetahuan Alam, Search Engine,
Berbelanja, Media Sosial, Sosial, Olahraga, Gaya & Mode, Teknologi & Komputer,
Bepergian, dan Remaja. Jam akses juga dikategorikan berdasarkan klasifikasi waktu yang
dapat dilihat pada Tabel 1. Output dari tahap ini adalah proporsi frekuensi akses per
kategori situs Web dan per klasifikasi waktu untuk setiap Unique ID. Skema tahap
preprocessing data dapat dilihat pada Gambar 1.

Tabel 1 Klasifikasi waktu akses

HARI
Senin-Kamis
Jumat
Sabtu
Minggu

00.00-03.59
00.00-03.59
00.00-03.59
00.00-03.59

04.00-07.59
04.00-07.59
04.00-07.59
04.00-07.59

08.00-11.59
08.00-10.59
08.00-10.59
08.00-10.59

JAM
12.00-12.59
11.00-12.59
11.00-12.59
11.00-12.59

13.00-16.59
13.00-16.59
13.00-16.59
13.00-16.59

17.00-20.59
17.00-20.59
17.00-20.59
17.00-20.59

21.00-23.59
21.00-23.59
21.00-23.59
21.00-23.59

Gambar 1 Skema Tahap Preprocessing Data

3. Model Fuzzy Web Ad selector

Model Fuzzy Inference
Pada tahap Fuzzy Inference, himpunan fuzzy dan membership function-nya per kategori
situs Web dan per kategori brand serta hubungan antara kategori situs Web dengan
kategori brand yang ditentukan oleh ad expert menjadi input dalam proses perancangan
fuzzy rule. Kategori brand yang digunakan dalam penelitian ini berjumlah 17, yaitu
Perbankan & Keuangan, E-Channel, Otomotif, Perlengkapan Rumah, Produk Rumah
Tangga, Elektronik, Makanan & Minuman, Obat-obatan, Rokok, Perawatan Pribadi,
Perlengkapan Pribadi, Telekomunikasi/IT, Perlengkapan Kantor, Perlengkapan
Komputer, Transportasi, Retail, dan Media Cetak. Proses terbagi ke dalam empat tahap
utama yaitu pembangunan Fuzzification Interface, Knowledge Base, Fuzzy Inference
Engine dan Defuzzification Interface. Model konseptual untuk tahap Fuzzy Inference
dapat dilihat pada Gambar 2.
Di dalam Fuzzification Interface, proporsi frekuensi akses dihitung degree of
membership-nya untuk setiap kategori situs Web. Pembangunan Knowledge Base
merupakan tahap perancangan fuzzy rule oleh ad expert. Terdapat dua komponen utama
dari fuzzy rule yaitu antecedent sebagai input dan consequent sebagai output. Kategori
situs Web menjadi variabel antecedent dan kategori brand menjadi variabel consequent.

Di dalam Fuzzy Inference Engine, terdapat tiga tahap yaitu penerapan minimum fuzzy
operation, implikasi antecedent menuju consequent, dan agregasi consequent semua rule
menggunakan maximum fuzzy operation. Pada tahap penerapan minimum fuzzy operation
pada antecedent, degree of membership setiap kategori situs Web diaplikasikan pada
antecedent dari fuzzy rule. Minimum fuzzy operation kemudian digunakan untuk
memperoleh bilangan tunggal yang merepresentasikan hasil dari evaluasi antecedent.
Pada tahap implikasi antecedent menuju consequent, hasil evaluasi antecedent
diaplikasikan pada membership function dari consequent dengan metode clipping. Pada
tahap agregasi consequent semua rule menggunakan maximum fuzzy operation,
membership function dari seluruh consequent rule yang telah di-clipping digabungkan
menjadi himpunan fuzzy tunggal.
Di dalam Defuzzification Interface, output fuzzy yang berupa variabel linguistik diubah
menjadi variabel crisp menggunakan metode Center of Gravity (COG). Output dari tahap
Fuzzy Inference adalah skor ketertarikan per kategori brand per Unique ID.

Gambar 2 Model Fuzzy Inference

Model Fuzzy Inference diwujudkan ke dalam empat langkah yaitu:

Langkah 1. Pembangunan himpunan fuzzy dan fuzzy membership function
Himpunan fuzzy yang akan dibangun merepresentasikan skor ketertarikan untuk kategori
situs Web dan kategori brand. Masing-masing kategori tersebut merupakan variabel
linguistik. Satu kategori memiliki satu himpunan fuzzy. Himpunan fuzzy dipartisi ke
dalam beberapa nilai linguistik dengan menggunakan metode uniform fuzzy partition.
Nilai linguistik tersebut menggunakan istilah alamiah. Nilai linguistik yang digunakan
yaitu Low (L), Medium (M), dan High (H). Masing-masing nilai linguistik memiliki fuzzy
membership function tersendiri. Fuzzy membership function pada kategori situs Web
merupakan fungsi dari proporsi frekuensi akses, sedangkan pada kategori brand
merupakan fungsi dari skor ketertarikan. Fuzzy membership function direpresentasikan
dalam bentuk fungsi matematis. Tipe fuzzy membership yang digunakan pada penelitian
ini adalah triangular. Gambar 3 menunjukkan himpunan fuzzy yang telah dibangun untuk
kategori situs Web dan kategori brand.

Intensitas Akses

1
0,8
Low

0,6

Medium
0,4

High

0,2
0
0

0,125

0,25

0,375

0,5

0,625

0,75

0,825

Proporsi Frekuensi Akses

Gambar 3 Fuzzy Partition

Fuzzy membership function proporsi frekuensi akses yang didapat ditunjukkan pada
persamaan berikut.
1 [0,0]
0,375
( )=
[0; 0,375]
0 0,375
0
0,125

[0,125; 0,5]
0,5 0,125
( )=
0,825
[0,5; 0,825]

0,5 0,825

 0,625
[0,625; 1]
( ) = 1 0,625
1 [1; 1]
0
Langkah 2. Perancangan Fuzzy Rule
Perancangan fuzzy rule memerlukan input mengenai ada tidaknya hubungan antara
kategori situs Web dengan kategori. Contoh hubungan tersebut dapat dilihat pada Tabel
2. Jika terdapat hubungan antara kategori situs Web dan kategori brand, maka hubungan
tersebut langsung dikonversi menjadi tiga fuzzy rule. Masing-masing fuzzy rule memuat
nilai linguistik yang sama baik untuk kategori situs Web sebagai variabel antecedent pada
bagian IF maupun kategori brand sebagai variabel consequent pada bagian THEN. Nilai
linguistik tersebut adalah Low, Medium, High. Dengan kata lain, jika nilai linguistik
untuk variabel antecedent ditentukan Low, maka nilai linguistik untuk variabel
consequent juga akan ditentukan Low.
Tabel 2 Sampel Hubungan antara Kategori Situs Web dengan Kategori Brand

Hubungan pada Tabel dapat diubah menjadi fuzzy rule sebagai berikut.
1.
2.
3.
4.
5.
6.
7.
8.
9.

IF Seni & Hiburan is Low THEN Elektronik is Low.

IF Seni & Hiburan is Medium THEN Elektronik is Medium.
IF Seni & Hiburan is High THEN Elektronik is High.
IF Otomotif is Low THEN Perbankan & Keuangan is Low.
IF Otomotif is Medium THEN Perbankan & Keuangan is Medium.
IF Otomotif is High THEN Perbankan & Keuangan is High.
IF Otomotif is Low THEN Otomotif is Low.
IF Otomotif is Medium THEN Otomotif is Medium.
IF Otomotif is High THEN Otomotif is High.

Langkah 3. Pembuatan FRBS Mamdani

Untuk mendapatkan output berupa skor ketertarikan per kategori brand per Unique ID,
perlu dibuat FRBS Mamdani. Pembuatan FRBS Mamdani dilakukan dengan
memanfaatkan Fuzzy Logic Toolbox yang memfasilitasi kasus fuzzy pada software Matlab

7.12.0 (R2011a). Variabel input (antecedent) yaitu semua kategori situs Web dan variabel
output (consequent) yaitu semua kategori brand diinput pada FIS Editor. Pada FIS Editor
juga diatur operasi matematika untuk AND method, OR method, Implication dan
Aggregation serta metode defuzzifikasi yang dipilih. Operator matematika yang
digunakan adalah MIN untuk relasi AND dan MAX untuk relasi OR pada fuzzy rule.
Untuk proses implikasi (implication) dari antecedent menuju consequent digunakan
operator matematika MIN. Untuk proses penggabungan (aggregation) output setiap rule
digunakan operator matematika MAX. Metode defuzzifikasi yang dipilih adalah Center
of Gravity (COG). Membership function untuk semua variabel input dan output yang
telah didapatkan pada Langkah 1 diinput pada Membership Function Editor. Fuzzy rule
yang telah didapat pada Langkah 2 diinput pada Rule Editor.
Langkah 4. Pengujian FRBS Mamdani
Input dalam langkah pengujian FRBS Mamdani adalah proporsi frekuensi akses per
kategori situs Web. Berikut ini akan dijelaskan secara rinci mengenai langkah pengujian
FRBS Mamdani.
1. Menginput nilai proporsi frekuensi akses berdasarkan kategori situs Web ke dalam FIS
untuk masing-masing Unique ID.
2. FIS akan menghitung degree of membership dari input untuk setiap kategori situs Web
yang merupakan variabel antecedent melalui proses fuzzifikasi.
3. FIS akan menentukan fitness value setiap fuzzy rule melalui operasi MIN () yang
akan dijelaskan pada persamaan berikut.
=

( )

( )

( )

adalah fitness value. Indeks k menunjukkan fuzzy rule ke-k. xi adalah proporsi
frekuensi akses kategori situs Web i. ( ) adalah membership degree dari variabel
antecedent (kategori situs Web) ke-i.
4. FIS akan mengimplikasikan fitness value yang telah ditentukan pada langkah
sebelumnya pada consequent dari rule dengan proses clipping. Berikut ilustrasi proses
clipping untuk variabel consequent Elektronik pada sembilan fuzzy rule yang telah
didapat sebelumnya.

Rule 1

Rule 2

Rule 3

Low

Low
0

Low

0
0

0,375

Rule 4

0,375

Rule 5

Rule 6

Low

Low

Low

0
0

0,375

Rule 7

0,375

Rule 8

Low

Low

0
0

0,375

Rule 9

Low

0,375

0,375

0,375

0,375

5. FIS akan mengagregasi output hasil clipping variabel consequent dari semua rule
melalui operasi MAX () yang akan dijelaskan pada persamaan berikut.

( )=

=1

( )

( ) adalah himpunan fuzzy dari consequent z (kategori brand z)

Gambar 4 menunjukkan hasil agregasi kesembilan hasil clipping variabel consequent.
Low

0,375

Gambar 4 Contoh Agregasi Hasil Clipping Variabel Consequent

6. FIS akan menentukan skor ketertarikan per variabel consequent untuk setiap Unique
ID melalui metode defuzzifikasi Center of Gravity (COG). Perhitungan metode
defuzzifikasi COG dapat dilihat pada persamaan berikut.

 (x) x
(x)
i adalah nilai linguistik pada himpunan fuzzy dan x adalah skor ketertarikan pada suatu
kategori brand.
Dengan menggunakan persamaan di atas dan Gambar , diperoleh skor ketertarikan
Unique ID terhadap variabel Seni & Hiburan sebesar 0.
COG(i) =

Model Web Ad Matching

Tahap terakhir dari pengolahan data adalah Web ad matching. Model konseptual untuk
tahap Web ad matching dapat dilihat pada Gambar 5. Beberapa sampel Unique ID dan
skor ketertarikannya per kategori brand dicari similarity-nya dengan beberapa sampel
brand iklan dan karakteristik fuzzy-nya melalui perhitungan Hamming distance. Nilai
Hamming distance yang didapat dari sampel brand iklan kemudian diurutkan dari nilai
terkecil untuk masing-masing Unique ID. Semakin kecil nilai Hamming distance brand,
semakin cocok brand tersebut dengan Unique ID tersebut. Hal ini berarti bahwa brand
dengan nilai Hammming distance terkecil akan menempati prioritas pertama untuk
ditampilkan sebagai iklan begitu pula sebaliknya. Cara menghitung Hamming distance
dapat dilihat pada persamaan berikut.
d(A, B) =

| (x ) (x )|

x X

d(A, B) adalah Hamming distance. A merupakan Unique ID A dan B merupakan brand

iklan B. A adalah skor ketertarikan Unique ID A dan B adalah nilai karakteristik fuzzy
brand iklan B. X adalah kategori brand.

Gambar 5 Model Konseptual Web Ad Matching

4. Model Customer Clustering

Model konseptual untuk tahap customer clustering dapat dilihat pada Gambar 6. Pada
tahap customer clustering, proporsi frekuensi akses masing-masing Unique ID diubah

menjadi ketertarikan yang direpresentasikan dalam nilai linguistik himpunan crisp untuk
setiap kategori situs Web. Untuk menentukan ketertarikan, himpunan crisp masingmasing kategori situs Web perlu dibangun terlebih dahulu yang ditunjukkan pada Gambar
7. Nilai linguistik himpunan crisp tersebut adalah Low (L), Medium (M), dan High (H).
Agar unique ID dapat dikelompokkan, nilai linguistik ketertarikan perlu ditransformasi ke
dalam bentuk metric. Transformasi tersebut mengubah ketertarikan Low (L) menjadi 1,
Medium (M) menjadi 2, dan High (H) menjadi 3.

Gambar 6 Model Customer Clustering

Gambar 7 Himpunan crisp ketertarikan

Terdapat dua metode clustering yang digunakan yaitu metode Hierarchical

Agglomerative Ward Method dan K-means Cluster. Hierarchical Cluster dilakukan untuk
mendapatkan gambaran jumlah segmen yang terbentuk dan K-Means Cluster dilakukan
untuk menentukan jumlah cluster dan pengelompokan Unique ID terhadap jumlah
segmen yang terbentuk. Unique ID clustering dibantu dengan software SPSS 17.0.
Tahapan Unique ID clustering akan dijelaskan sebagai berikut.

1. Hierarchical Cluster
Metode Hierarchical Cluster dengan aglomerasi digunakan untuk menentukan berapa
segmen yang terbentuk. Dalam metode aglomerasi, pada stage 1, jumlah cluster akan
sama dengan jumlah audience dikurangi satu.
Hierarchical Cluster menentukan kemiripan antar cluster sebagai jarak terpendek dari
suatu objek pada satu cluster dengan objek pada cluster lainnya. Metode yang
digunakan untuk menentukan jumlah cluster adalah Wards method. Metode ini
mengukur seberapa beda karakteristik objek dalam suatu cluster. Jumlah cluster terlihat
dari selisih koefisien aglomerasi paling besar. Untuk menentukan jumlah cluster yang
tepat, pengelompokan cluster dibandingkan dengan menggunakan metode Hierarchical
dan K-Means untuk jumlah cluster yang dibentuk.
2. K-Means Clustering
Dari hasil perbandingan pengelompokan antara metode Hierarchical dan K-Means,
akan didapatkan jumlah cluster yang lebih baik untuk dibentuk. Jumlah cluster tersebut
akan digunakan sebagai dasar pengelompokan Unique ID pada metode K-Means
Cluster. Metode K-Means ini melakukan proses iterasi hingga akhirnya didapatkan
cluster akhir.
Hasil akhir Unique ID clustering adalah jumlah segmen terbentuk dan masing-masing
anggotanya. Unique ID beserta ketertarikan per kategori situs Web dalam nilai linguistik
dan frekuensi akses per klasifikasi waktunya kemudian dikelompokkan berdasarkan
segmen yang terbentuk. Dari nilai linguistik ketertarikan per kategori situs Web per
Unique ID untuk setiap segmen dapat dilihat kecenderungan ketertarikan kategori situs
Web. Frekuensi akses per klasifikasi waktu untuk setiap segmen dijumlah dan klasifikasi
waktu bisa didapat ranking-nya dari frekuensi akses terbanyak hingga terkecil.

5. Implementasi Model dan Analisis

Dalam penelitian ini, pengujian model dilakukan secara offline. Sampel data yang
digunakan adalah browsing history selama bulan Oktober-November 2013 dari 150
Unique ID. Validasi model pemilihan iklan brand dilakukan untuk memeriksa kesesuaian
antara hasil iklan yang terpilih melalui Web ad selector dengan iklan yang biasa
ditampilkan pada sistem nyata. Metode validasi yang digunakan adalah face validity yang
dilakukan dengan cara meminta ad expert untuk menentukan iklan brand apa yang cocok
ditampilkan kepada audience berdasarkan pola akses Web. Sampel yang digunakan
berjumlah sepuluh Unique ID dan dipilih secara random. Ad expert diberikan sepuluh
Unique ID beserta pola akses Web-nya dan tujuh brand dan diminta untuk menentukan
iklan yang cocok ditampilkan untuk setiap Unique ID tersebut. Sampel brand yang
digunakan memiliki lebih dari satu karakteristik.

Hasil dari face validity ditunjukkan pada Tabel 3. Ranking diberikan untuk memberikan
urutan penayangan iklan. Brand yang paling cocok ditampilkan diberikan urutan ranking
paling atas yaitu 1 dan begitu juga selanjutnya. Dari tabel tersebut, terdapat banyak
kesamaan antara hasil Web ad matching dan hasil validasi. Kesamaan yang dimaksud
adalah brand hasil Web ad matching sama dengan brand hasil validasi untuk urutan
ranking yang sama, contohnya pada Unique ID ke-6 terdapat kesamaan untuk urutan
ranking 1. Perbedaan kedua hasil tersebut mungkin terletak pada urutan ranking yang
saling tertukar saja, misal pada Unique ID ke-6 yang terbalik pada urutan ranking 3 dan 4.
Saling tertukarnya urutan ranking tidak berpengaruh karena iklan yang terpilih samasama cocok dengan ketertarikan audience. Urutan ranking yang terbalik hanya
mempengaruhi urutan penayangan iklan. Pada hasil validasi untuk beberapa Unique ID,
ada yang jumlah brand terpilihnya hanya dua atau tiga. Menurut ad expert, adanya brand
yang tidak terpilih dikarenakan brand tersebut dirasa tidak cocok bila ditampilkan kepada
audience tersebut.
Tabel 3 Hasil Face Validity
Unique ID ke - 6
Ranking
Hasil web matching
Hasil Validasi
1
LED TV samsung samsung galaxy note Nike samsung galaxy note
2
adira finance
majalah pulsa
3
innovation store
oke shop
4
oke shop
innovation store

Ranking
1
2
3
4

Unique ID ke - 14
Hasil web matching
LED TV samsung
adira finance
Nike
samsung galaxy note
innovation store

Ranking
1
2
3
4

Unique ID ke - 23
Hasil web matching
LED TV samsung
adira finance
Nike
samsung galaxy note
innovation store

Ranking
1
2
3
4

Unique ID ke - 55
Hasil web matching
Hasil Validasi
LED TV samsung
samsung galaxy note
Nike
LED TV samsung
samsung galaxy note
adira finance

Hasil Validasi
LED TV samsung
samsung galaxy note

Ranking
1
2
3
4

Unique ID ke - 60
Hasil web matching
LED TV samsung
adira finance
innovation store
Nike
samsung galaxy note

Hasil Validasi
samsung galaxy note
majalah pulsa
oke shop
innovation store

Ranking
1
2
3
4

Unique ID ke - 76
Hasil web matching
Hasil Validasi
LED TV samsung
LED TV samsung
adira finance
samsung galaxy note
Nike
samsung galaxy note
innovation store

Unique ID ke - 37
Ranking
Hasil web matching
Hasil Validasi
1
adira finance
samsung galaxy note
2
LED TV samsung samsung galaxy note Nike
majalah pulsa
oke shop
3
oke shop
4
innovation store
innovation store

Ranking
1
2
3
4

Unique ID ke - 88
Hasil web matching
Hasil Validasi
LED TV samsung
samsung galaxy note
adira finance
majalah pulsa
Nike
samsung galaxy note
innovation store

Ranking
1
2
3
4

Unique ID ke - 49
Hasil web matching
LED TV samsung
Nike
samsung galaxy note
innovation store
adira finance
oke shop

Hasil Validasi
samsung galaxy note
LED TV samsung

Hasil Validasi
oke shop
innovation store

Unique ID ke - 136
Ranking
Hasil web matching
Hasil Validasi
1
Nike
samsung galaxy note
2
LED TV samsung samsung galaxy note
LED TV samsung
3
adira finance
innovation store
4
oke shop

Pada tahap customer clustering, hasil pengolahan data Hierarchical Cluster berupa
Agglomeration Schedule. Dari hasil tersebut, dicari selisih koefisien aglomerasi dan
direpresentasikan pada Gambar 8. Dari Gambar 8 terlihat bahwa selisih koefisien

aglomerasi yang paling besar terdapat pada jumlah cluster 2 atau 3, sehingga ditetapkan
jumlah cluster yang dibentuk adalah 2 atau 3. Untuk menentukan jumlah cluster yang
tepat, peneliti kemudian membandingkan pengelompokan cluster menggunakan metode
Hierarchical dan K-Means untuk 2 cluster dan 3 cluster. Dari hasil perbandingan tersebut,
ditentukan jumlah cluster yang dibentuk berdasarkan jumlah kesamaan terbanyak antara
hasil cluster kedua metode tersebut adalah 3.

Gambar 8 Selisih Koefisien Aglomerasi

Setiap Unique ID beserta nilai linguistik ketertarikan per kategori situs Web dipisahkan
ke dalam cluster yang terbentuk dan digabungkan dengan proporsi frekuensi akses serta
klasifikasi waktu miliknya. Output dari tahap ini adalah ketertarikan per kategori situs
Web dalam nilai linguistik per Unique ID dan segmen yang terbentuk berdasarkan
ketertarikan situs Web dan ranking klasifikasi waktu yang ditunjukkan pada Tabel 4.
Tabel 4 Ranking Klasifikasi Waktu Setiap Cluster
KETERTARIKAN keluarga & pengasuhan
seni & hiburan
gaya & mode
RANK
CLUSTER 1
N = 35
CLUSTER 2
N = 77
CLUSTER 3
N = 38
1
08.00-11.59
04.00-07.59
13.00-16.59
2
04.00-07.59
00.00-03.59 senin-kamis 08.00-11.59
senin-kamis
21.00-23.59
3
00.00-03.59
13.00-16.59
senin-kamis
sabtu
11.00-12.59
4
jumat
13.00-16.59
08.00-11.59
17.00-20.59
senin-kamis
04.00-07.59
5
senin-kamis 13.00-16.59
17.00-20.59
jumat
04.00-07.59
6
minggu
08.00-10.59 jumat
13.00-16.59 sabtu
04.00-07.59
7
00.00-03.59 senin-kamis 21.00-23.59 senin-kamis 12.00-12.59
jumat
8
04.00-07.59
00.00-03.59 minggu
00.00-03.59
minggu
9
17.00-20.59
04.00-07.59 senin-kamis 00.00-03.59
21.00-23.59
minggu
senin-kamis
08.00-10.59
12.00-12.59
sabtu
21.00-23.59
10
jumat
08.00-10.59
17.00-20.59
13.00-16.59
jumat
sabtu
21.00-23.59
11.00-12.59
08.00-10.59

Gambar 9 menunjukkan diagram alir penayangan iklan kepada audience apabila rancangan
model diimplementasikan pada sistem nyata.

Gambar 9 Diagram Alir Penayangan Iklan kepada Audience

6. Daftar Pustaka
Dreze, X., & Hussherr, F.-X. (2003). Internet Advertising: Is Anybody Watching?
Journal of Interactive Marketing, 17(4), 8-23.
Interactive Advertising Bureau. (1999). IAB Internet advertising revenue report.
Interactive Advertising Bureau. (2002). Internet ad revenue report.
Jandal, H. (2011). Display Advertising : The Billboards of the Web. WSI White Paper.
Novak, T., & Hoffman, D. L. (1997). New metrics for new media: Toward the
development of Web measurement standards. World Wide Web Journal, 2(1), 213-246.
ZenithOptimedia. (2014). Executive summary : Advertising Expenditure Forecasts April
2014. Diakses Juni 16, 2014 jam 17.20, dari http://www.zenithoptimedia.com/wpcontent/uploads/2014/04/Adspend-forecasts-April-2014-executive-summary.pdf.